大规模在线教育中协作讨论过程的自动化分析与可视化关键技术研究

Discussion-based learning can provide significant benefits for students. With growing massive online learning groups, it becomes increasingly important to make scientific analysis of groups’ discussion processes and assist teachers providing just-in-time feedback. However, there are some disadvantages for the traditional manual processing methods, such as being time-consuming, insufficient for mining collaboration mechanism, and incapable of visualizing time-series data and sequential patterns. For these reasons, this study attempts to solve the key technical problems concerning automatic analysis and visual representation of online collaborative discussion, focusing on the following three aspects: (1) Constructing an indicator framework for automatic analysis of knowledge level and knowledge development in collaborative discussion, (2) Developing automatic behavior patterns mining methods based on time sequence and structural relationship to deeply mine the sequence and regularity of interactive modes. (3) Designing multidimensional visual representation methods based on collaborative data model in order to enhance the interpretability and understandability of analysis results. The automatic analysis and visualization method will make it possible to measure groups’ knowledge development in real time, identify sequential patterns of groups’ collaboration processes, and reveal the dynamics of collaborative knowledge building among online learning groups. It will provide solid foundation for orchestrating groups’ learning, predicting and diagnosing learning problems, and giving pedagogical interventions in massive online education environment.

在线协作学习场景中基于讨论的学习能够对学习者提供重要的益处。面对不断增长的在线学习群体，对协作讨论过程进行科学分析，辅助教师提供及时反馈变得尤为重要。然而，传统分析方法存在人工处理耗时耗力、协作规律挖掘不足、时变数据呈现缺乏等问题，无法满足在线协作学习实时分析的需求。因此，如何对协作讨论过程进行自动化分析和可视化呈现成为当前大规模在线教育的研究重点。针对在线协作讨论分析与可视化呈现所存在的关键问题，围绕以下三个方面开展研究：（1）构建基于知识结构的知识水平自动化分析指标体系（2）提出基于时间和结构双约束的行为模式自动化挖掘方法（3）设计基于数据模型驱动的多维可视化呈现方法。最终实现在线协作讨论过程中的知识水平和知识发展的自动测量，行为特征和行为规律的深入挖掘以及协同知识建构过程的动态展示。项目的研究成果将为大规模在线教育场景下的学习监督、教学干预、预测诊断提供基础技术支撑。

伴随大规模在线教育的不断发展，基于CSCL环境实施的在线协作学习获得了越来越多的关注。在线讨论活动作为在线协作学习的一个重要形式，在众多的学习平台中广泛开展。在线协作讨论场景中基于讨论的学习能够使得学习者能够跨越时空的局限，更大程度上询问问题，彼此交换观点，进行意义协商，最终提升学习者的协作讨论能力、促进其认知技能和批判性思维的发展。面对不断增长的在线学习群体，对协作讨论过程开展自动分析，辅助教师提供监督与反馈变得尤为重要。针对在线协作讨论自动化分析存在的关键问题，项目经过三年研究开展，利用自然语言处理、数据挖掘、可视化分析等多种数据处理与分析技术，深入挖掘深入挖掘协作讨论文本语料中的隐含信息，构建了基于知识结构的知识水平自动化分析指标构建、设计了基于时间和结构双约束的行为模式自动化挖掘方法和基于数据模型驱动的多维可视化呈现方法，并在指标构建和验证以及交互行为意图的自动识别方面取得了较好的突破。最终形成了1套面向在线协作讨论过程的可视化分析工具，实现了自动挖掘协作讨论中学习者的知识发展和行为特征，对协作讨论过程进行分析和可视化，并在真实教学环境中进行了验证。项目成果能够辅助教师对协作状态提供及时的分析和指导，对保证大规模在线开放课程中协作讨论学习效果提供重要技术支撑。

内容获取失败，请点击重试