9、基于学生对话检测离题行为的研究与实践

基于学生对话检测离题行为的研究与实践

1. 引言

在数字学习环境中，计算机支持的协作学习（CSCL）能积极影响学习成果。学生通过小组聊天交流可促进协作学习，但也可能出现离题行为，如发送与学习任务无关的聊天消息。离题行为可能与无聊相关，对学习成果产生负面影响，尽管有时它也有助于学生调节负面情绪，但总体上常与低效学习相关。因此，学习环境需能实时自动检测离题行为，为学生提供适应性支持。

2. 相关工作

• 协作学习与离题问题 ：CSCL 在多种情境下对学习成果有积极影响，但学生交流可能导致离题对话。例如，在一项协作环境中的发现学习研究里，高中生通过聊天系统交流，15.7%的聊天消息被认为离题。协作游戏化学习环境虽能提供引人入胜的学习体验，但协作与游戏元素结合可能加剧离题问题。
• 过往研究重点 ：多数过往研究主要对离题行为进行分类并分析其对学习的影响，较少关注自动检测离题行为。有研究在数学智能辅导系统中尝试检测离题行为，以学生行为的实地观察为机器学习算法的真实标签，设定不活跃时间阈值判断离题行为。
• 自然语言分析 ：很少有工作通过分析自然语言检测离题行为，但此方法与检测学生写作主题、分析协作对话有相似之处。如一些研究用自然语言处理方法判断学生作文是否与给定文本提示相关，我们也使用词嵌入来判断学生对话是否与课程内容或协作过程相关。

3. 离题对话建模

• 数据来源 ：使用来自“Crystal Island: EcoJ