協作學習智能會話分析的關鍵技術與發展路徑

摘要：協作學習過程即會話的過程，會話中蘊含著豐富的信息。隨著人工智能在教育中的融合應用，會話價值得以挖掘和體現，協作學習智能會話分析研究也日益受到關注，但目前研究尚未形成科學體系。基于此，文章首先對國內外協作學習智能會話分析文獻及工具進行調研，梳理其相關研究；然后文章總結了智能會話分析的工具指向，包括會話文本的描述性統計分析、會話關系的社會網絡分析、會話內容的主題及認知分析，并凝練了解決智能會話分析問題的三大關鍵技術——基于主題識別技術的學習質量監測、基于機器學習算法的會話機制探索、基于可視化技術的多維數據轉換；最后文章提出了關注會話過程多模態數據、優化智能會話分析技術、建立人機協同會話分析模型、開發即時性分析工具四大發展路徑，以期為協作學習智能會話分析研究提供參考。

關鍵詞：協作學習；會話分析；人工智能；分析工具；關鍵技術

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2023）04—0111—08 【DOI】10.3969/j.issn.1009-8097.2023.04.013

近年來，多項研究表明協作學習對于發展學生溝通與交流、批判性思維等能力具有重要價值，已經成為學習科學領域重要的研究議題，受到全球范圍內的廣泛關注。而隨著人工智能在教育領域的應用和不斷創新，智能技術賦予了協作學習會話分析新的研究思路和手段，由此出現了智能會話分析的研究新領域[1]。智能會話分析融合了人工智能新興技術，旨在借助智能分析方法助力協作學習會話分析的自動化處理，以提高分析的可靠性和有效性。為此，相關研究一直致力于開發協作學習智能會話分析工具，試圖在真實教學場景中為協作進程提供分析支持。研究發現，協作學習智能會話分析不僅能夠幫助教師在面對大批量學生分組協作時，了解小組協作狀態，對學生進行干預、指導和評價，并及時改進教學策略；還能幫助學生了解協作過程的知識產出情況，跟進協作進展并進行自我調整。這恰巧能夠應對協作學習會話因信息量相對較大，且較難直接獲取其知識產出情況，容易導致信息過載的問題。但目前研究主要關注通過技術實現協作學習會話的觀點挖掘、交互行為、語義理解、討論質量等單一維度分析[2][3][4]，尚未對協作學習智能會話分析研究中開發的工具、使用的技術以及發展路徑進行系統的梳理；另外，智能會話分析工具的研究與開發是該領域非常重要的一部分，工具的不斷更新也代表了協作學習智能會話分析的進步和推演[5]。基于此，本研究通過協作學習智能會話分析的文獻調研及工具匯總，分析目前研究團隊收集到的協作學習智能會話分析工具的指向性，并梳理協作學習智能會話分析問題的技術實現方式和發展路徑，以期為協作學習智能會話分析的未來研究提供參考。

一 協作學習智能會話分析的相關研究

會話分析，廣義上是指對會話現象的所有研究；狹義上則指以Sacks等[6]為代表的學派將會話作為研究對象，對會話規律進行系統探討的研究。而在教育領域，黃榮懷指出會話在教育教學中普遍存在，會話分析通過挖掘對話的全部含義進而為解決問題提供科學依據[7]。在協作學習研究中，協作學習的過程就是學習者會話的過程，因此出現了協作學習會話分析的研究方向。

從研究方法來看，協作學習會話分析可概括為人工會話分析和智能會話分析兩種。其中，人工會話分析通常選取會話分析模型對會話信息進行編碼，并對編碼結果進一步人工解讀以尋找規律；而智能會話分析則通常利用已有的會話分析工具或自行開發滿足研究需求的會話分析算法或工具，自動分析大批量會話信息，以發現數據規律。目前，研究多關注智能會話分析，概括而言，協作學習智能會話分析的目的體現在三個方面：①會話特征識別[8]，即基于協作會話數據，通過詞頻統計、話題抽取等方法，分析協作會話的討論主題、交互特征等。②會話模式挖掘[9][10][11]，即在獲取會話特征的基礎上，構建會話分析模型和框架，以挖掘協作學習模式。③會話進程干預[12]，即根據會話分析得出的結論，研究針對不同學生的特點和學習進度，教師如何及時地進行干預，以把控協作學習的討論方向和進度。

從協作學習會話分析研究中可以看出，相較于人工會話分析，智能會話分析能夠借助智能技術深度挖掘會話過程的全過程信息，節省研究人員對會話過程數據處理的時間和精力，能更客觀地對會話內容進行分析。總體來說，協作學習智能會話分析的研究一直在持續推進中，但目前研究仍存在分析深度不夠、多維數據分析缺乏、實際教學需求未關注等問題，亟需梳理相關研究問題的分析工具、支撐技術和發展路徑，以期為后續研究提供借鑒。

二 協作學習智能會話分析的工具指向

智能會話分析工具在協作學習智能會話分析中至關重要，能夠對多組協作學習會話過程提供分析支持，并重新加工和過濾協作過程信息，是協作學習會話分析研究的一大熱點，以智能化手段分析會話滿足大批量會話數據的處理需求。因此，本研究基于文獻及工具調研匯總了國內外15種協作學習智能會話分析工具，并根據分析功能指向性將其劃分為會話文本的描述性統計分析、會話關系的社會網絡分析、會話內容的主題及認知分析三類。通過對工具進行多方面梳理比較，以期為研究人員和師生在選擇智能會話分析工具時提供一定的依據。

1 會話文本的描述性統計分析

會話文本的描述性統計分析以會話文本數據為分析對象，通過簡單統計和量化分析，總結會話關鍵信息，提煉會話基本特征，屬于較為早期出現的會話分析工具，其基礎功能多為對會話數據進行簡單的量化統計，并通過量化數據衡量學生的協作水平，缺乏對協作會話的深度探索。會話文本的描述性統計分析工具如表1所示。

2 會話關系的社會網絡分析

會話關系的社會網絡分析則是關注學習小組成員的互動關系，對其進行社會網絡分析，以發現協作學習小組成員的互動情況、活躍程度和角色定位等。該工具能夠針對協作會話的互動關系發現協作交互規律，記錄交互過程的質量、時間等，但其往往僅關注社會網絡的單一維度，會話價值尚未完全體現。會話關系的社會網絡分析工具如表2所示。

3 會話內容的主題及認知分析

會話內容的主題及認知分析是對會話內容進行主題分析、關鍵詞挖掘和認知程度分析，以發現學生協作學習會話過程是否偏離既定主題、關鍵詞是否與協作任務一致，并衡量其認知水平。該類工具進一步關注會話特征、觀點深度等內容以支持協作過程評價，但會話過程產生的基礎統計數據研究有所遺漏。會話內容的主題及認知分析工具如表3所示。

三 協作學習智能會話分析的三大關鍵技術

與傳統會話分析的人工分析相比較，智能會話分析更多的是采用基于新興計算機技術的自動化分析方法，并將其嵌入智能會話分析工具中，使工具在協作學習智能會話分析的實際應用中具有自動化和高效性的優勢。根據上文對相關研究和工具的梳理，從工具的主要功能和應用場景可以總結出協作學習智能會話分析研究關注的三大核心問題，包括學習質量監測、會話機制探索和多維數據轉換，即如何基于大量會話數據提煉其關鍵內容并檢測學生的學習質量？如何基于會話數據構建分析模型以探索其會話機制？如何將非結構化會話數據轉化為可視化數據輸出？本研究將通過主題識別技術、機器學習算法、可視化技術實現其智能化分析來回應以上問題。

1 會話內容可提煉：基于主題識別技術的學習質量監測

文本主題識別被廣泛應用于會話文本的主題和認知層級分析，主要包括基于主題模型的方法和基于文本聚類的方法[13]。其中，常用的基于主題模型的方法是潛在狄利克雷分布模型（Latent Dirichlet Allocation，LDA）、基于文本聚類的方法有K均值（K-means）方法。協作學習的交互特質使協作過程產生了大量文本信息，為協作學習智能會話分析提供了充足的語料庫，利用主題識別技術可以從會話文本中自動提取協作討論主題、識別有意義的隱藏主題，以發現學生討論圍繞的問題中心，并判斷學生知識建構過程是否偏離既定話題；還可以根據主題在學科知識圖譜中的分布進而分析和評價學生知識建構層級，為師生提供預警與干預信息。

2 會話規律可解釋：基于機器學習算法的會話機制探索

機器學習通過計算機模擬人類活動，可以識別現有知識并不斷改善自身性能。在協作學習智能會話分析中，結合協作學習過程性分析框架，并利用機器學習算法構建模型，能夠實現自動化分析會話數據功能，進而從認知、情感、觀點、交互等不同角度分析協作過程，揭示小組協作會話的內在機制和隱含規律。目前，使用較多的機器學習算法有三種：分類、聚類和關聯規則。其中，分類算法主要用于構建分類模型，對協作學習會話文本進行分類和編碼，如馬志強等[14]基于Bert模型訓練觀點分類模型，劃分知識建構會話內容的觀點層級；Pang等[15]使用支持向量機（Support Vector Machine，SVM）、樸素貝葉斯（Naive Bayes，NB）等實現會話文本的情感分類；甄園宜等[16]采用卷積神經網絡（Convolutional Neural Networks，CNN）、長短時記憶（Long Short Term Memory，LSTM）、雙向長短時記憶（Bi-LSTM）等深度學習模型分析各類在線協作學習交互文本。聚類算法主要用于確定維度的特征聚類，如KBS-T通過聚類方法，將不同的特征值在知識加工、行為模式和社交關系三個維度上進行聚合，以呈現數據[17]。關聯規則算法主要用于發現會話文本的相關性，如工具VINCA基于關聯規則算法計算關鍵詞頻率，以挖掘文本出現的模式并發現專業術語[18]。

3 會話結果可呈現：基于可視化技術的多維數據轉換

可視化技術是將文本、數值等數據信息轉換成圖表形式呈現給用戶，幫助用戶快速發現有用信息的技術。通過對工具分析結果的可視化處理，可將協作過程生成的會話內容轉化為友好的可視形式[19]，包括將詞匯、句子等非結構化數據進行統計，并以詞云圖、社會網絡等圖表形式呈現。可視化的分析結果可以幫助師生快速了解協作學習會話信息，有助于教師利用分析結果展開過程性評價，實時了解學生的討論進程信息，進而發現學生的討論主題；學生也可以獲取討論過程信息，及時發現問題并調整會話進度。可以看出，可視化技術以形象、直觀的方式呈現分析結果，可以有效提升協作學習小組的交互水平，并促進學習者個人的深度意義建構。

綜上所述，在協作學習智能會話分析研究中，通過智能技術分析協作會話，旨在實現會話內容的可提煉、會話規律的可解釋、會話結果的可呈現：①通過識別協作學習會話主題及分布層級，能夠檢測學生的協作學習質量；②通過構建學習分析模型探索協作學習會話過程的會話機制，能夠發現協作學習規律；③通過可視化技術將多種會話數據轉換為結構化數據或圖表，能夠直觀輸出協作過程分析結果。總體而言，三個研究問題所使用的技術各有優勢和針對性，在智能會話分析應用中發揮了重要的作用。主題識別技術基于會話文本分析會話主題，有效地發揮了協作會話語料的價值，精準提煉了會話的關鍵內容；機器學習算法獲取協作會話更深層次的規律，發掘隱藏機制信息；可視化技術則將復雜數據直觀化呈現，方便師生獲取。三種技術綜合應用，有助于全面探究協作學習智能會話分析的研究問題。

四 協作學習智能會話分析的四大發展路徑

技術支持的協作學習智能會話分析研究是教育人工智能的一個主要研究課題[20]，會話的深層教育價值有待進一步挖掘，如何促進智能會話分析的深入探索仍是研究的重中之重。因此，本研究在總結協作學習智能會話分析的相關研究和智能分析工具指向性的基礎上，凝練出數據收集、技術支持、模型構建、工具開發四個發展方向，可為協作學習智能會話分析的持續發展提供有效路徑。協作學習智能會話分析的四大發展路徑如圖1所示。

1 數據收集：關注會話過程多模態數據

目前的會話分析研究數據大多仍是會話文本信息或交流互動信息，缺乏對多模態會話數據的關注，如會話語音、視頻數據的音量、韻律、情緒變化，以及學習日志的討論時長等。而多模態學習分析已有大量的研究成果和實踐探索，其通過數字化學習環境收集和存儲學習過程數據，供研究人員進一步分析和解讀，并應用到學習監控和評價。會話數據是協作學習智能會話分析的基礎，未來研究應整合會話多模態數據，從單一數據到多維數據，借助語音識別技術記錄會話全過程信息，注重小組和個體層面分析相結合，逐漸在認知和行為研究中融入情感元素，對其語義、情緒、網絡關系、行為變化進行融合研究，從多模態數據中探索會話內容的特點和模式、會話討論的價值和意義、小組交互的質量和聯系，使會話分析研究更加完整。

2 技術支持：優化智能會話分析技術

技術是智能會話分析的有力支撐，基于多模態會話數據融合人工智能技術分析會話能夠發現會話規律，提高會話數據的應用價值。通過上文對協作學習智能會話分析技術的總結和歸納，可以看到先前研究較常使用的分析技術包括文本挖掘技術、機器學習算法和可視化技術，其中文本挖掘技術應用廣泛。因此，未來研究可以借鑒先前使用技術的經驗，并根據會話分析過程中技術存在的缺陷不斷優化機器學習算法，嘗試借助深度學習算法提高分析的準確度。另外，研究人員可持續利用三大關鍵技術并結合新興技術分析和挖掘會話文本的深層含義，持續優化智能會話分析技術，提高自動編碼和人工編碼的匹配度，幫助師生理解協作學習交互機制。

3 模型構建：建立人機協同會話分析模型

模型構建是協作學習會話分析研究的核心，用于會話數據的分類和分析。為了規范化、科學性地分析和評價協作學習會話過程，研究人員構建了許多可用于會話分析的模型，可以概括為理論模型和技術模型兩類。面向計算機支持的協作學習（Computer Supported Collaborative Learning，CSCL）的學習分析理論模型已被廣泛用于協作學習研究，其中Henri[21]的分析模型在研究中引用較多，該模型由參與、社會性、交互、認知和元認知五個維度構成。隨著技術的發展，研究出現了技術視角基于會話數據構建的會話分析模型，如王麗英等[22]借鑒Henri分析模型提出了融合知識建構和機器學習的觀點質量評價模型，包括可讀性、相關度、內聚度、縱深度和探究度五個維度。而目前在模型研究中較少提及或未明確模型維度與技術實現兩者的對應關系，因此有必要構建人機協同會話分析模型，借鑒已有的理論和技術模型進一步優化分析模型，將理論維度和技術實現融為一體，助力人工分析與機器分析的優勢互補，主客觀分析相結合，使會話分析模型在實際應用和工具實現方面具有可操作性，為智能會話分析工具的開發提供模型依據。

4 工具開發：滿足師生即時性分析需求

研究人員對會話過程數據的關注，以及自動化分析模型的實踐應用，為協作學習智能會話分析工具的開發提供了數據來源和模型支持，使協作學習會話分析變得更加智能化、自動化。協作學習智能會話分析工具為協作學習的過程性分析提供了強大的技術支持，其發展趨勢主要體現在分析方法愈發多元化和精確化，自動化程度日趨提高。因此，未來協作學習智能會話分析工具的開發與研究是不可缺少的，通過自動化工具對協作學習會話進行分析能夠在一定程度上避免人工編碼的不穩定性和主觀性，分析結果可以用于協作學習的監控、評價、預測和反饋。而已有工具多為事后分析，較少能夠為協作進程提供實時分析支持，因此未來需關注會話過程的即時性分析以滿足學生的自適應學習需要[23]，從協作學習分析需求與系統開發現狀出發，開發協作過程支持、協作效果評價、協作信息可視三位一體的協作學習智能會話分析工具。此外，還需加強開發人員與師生的對話溝通，實現計算機科學方法與學習分析方法的有機融合，并在協作過程應用中不斷地改進和迭代。從長遠來看，仍需要在支持協作學習場景的智能會話分析工具開發與應用方面做進一步的探索。

五 結語

協作學習智能會話分析作為協作學習領域的重要研究方向，而智能會話分析工具的出現能夠有效地幫助師生獲取會話交互過程中產生的想法和創意。本研究對15種協作學習智能會話分析工具進行了分類比較，總結了針對會話內容的可提煉、會話規律的可解釋、會話結果的可呈現三大問題的技術實現路徑，并從數據收集、技術支持、模型構建、工具開發四個方面提出了協作學習智能會話分析的發展路徑，期望通過相關研究、智能會話分析工具比較、關鍵技術和發展路徑的梳理能夠對后續研究有所幫助。

參考文獻

[1]王阿習，王旭.整合會話分析與文本挖掘技術來評價協作學習——訪談卡耐基梅隆大學著名教授卡洛琳·佩恩斯坦·羅澤[J].現代遠程教育研究，2017，（6）：3-10.

[2][22]王麗英，張義兵.融合知識建構和機器學習的觀點質量評價[J].現代教育技術，2020，（11）：62-69.

[3]勞傳媛.網絡學習空間在線討論語義分析工具的實現與應用[D].武漢：華中師范大學，2019：51-60.

[4]閆寒冰，段春雨，王文嬌.在線討論質量分析工具的研發與實效驗證[J].現代遠程教育研究，2018，（1）：88-97、112.

[5]馬志強.從相互依賴到協同認知——信息化環境下的協作學習研究[M].北京：中國社會科學出版社，2019：87.

[6]Sacks H， Schegloff E A， Jefferson G. A simplest systematics for the organization of turn taking for conversation[A]. Studies in the Organization of Conversational Interaction[C]. New York： Academic Press， 1978：7-55.

[7]馬啟龍.教育技術學的專門研究方法綜述[J].電化教育研究，2010（5）：24-28.

[8]李艷燕，彭禹，陳凱亮，等.基于群體感知的CSCL學習分析工具功能研究[J].現代教育技術，2019，（1）：72-78.

[9][19]鄭婭峰，徐唱，李艷燕.計算機支持的協作學習分析模型及可視化研究[J].電化教育研究，2017，（4）：47-52.

[10]鄭婭峰，張巧榮，李艷燕.協作問題解決討論活動中行為模式自動化挖掘方法研究[J].現代教育技術，2020，（2）：71-78.

[11]吳林靜，高喻，涂鳳嬌，等.基于語義的在線協作會話學習投入自動分析模型及應用研究[J].電化教育研究，2022，（3）：77-84.

[12]Chen C M， Li M C， Chang W C， et al. Developing a topic analysis instant feedback system to facilitate asynchronous online discussion effectiveness[J]. Computers amp; Education， 2021，163：104095.

[13]呂英杰.網絡健康社區中的文本挖掘方法研究[D].上海：上海交通大學，2013：32-33.

[14]馬志強，郭文欣，王萌.面向協作知識建構會話內容的智能挖掘分析[J].現代遠距離教育，2022，（1）：3-13.

[15]Pang B， Lee L， Vaithyanathan S. Thumbs up？ Sentiment classification using machine learning techniques[A]. Proceedings of the ACL-02 Conference on Empirical Methods in Natural Language Processing[C]. Philadelphia： Association for Computational Linguistics， 2002：79-86.

[16]甄園宜，鄭蘭琴.基于深度神經網絡的在線協作學習交互文本分類方法[J].現代遠程教育研究，2020，（3）：104-112.

[17]包昊罡，邢爽，李艷燕，等.在線協作學習中面向教師的可視化學習分析工具設計與應用研究[J].中國遠程教育，2019，（6）：13-21、92-93.

[18]李艷燕，廖劍，王晶，等.協作學習交互分析工具及其案例研究[J].開放教育研究，2007，（4）：94-99.

[20]Chen X， Zou D， Xie H， et al. Two decades of artificial intelligence in education[J]. Educational Technology and Society， 2022，（1）：28-47.

[21]Henri F. Computer conferencing and content analysis[A]. Collaborative Learning Through Computer Conferencing[C]. Berlin， Heidelberg： Springer， 1992：117-136.

[23]馬志強.社會認知互動的多維刻畫——協作學習投入理論構建與實踐探索[M].北京：中國社會科學出版社，2021：157-160．

Abstract： The process of collaborative learning is the process of discourse， in which contains a wealth of information. With the integrated application of artificial intelligence in education， the value of discourse has been mined and reflected， the research of intelligent discourse analysis for collaborative learning has been paid more attention， and the current research has not yet formed a scientific system. Based on this， this paper firstly investigated the relevant literature and tools of intelligent discourse analysis for collaborative learning at home and abroad， sorted out the relevant research. Meanwhile， the tool orientation of intelligent discourse analysis was summarized in this paper， which included descriptive statistical analysis of discourse text， social network analysis of discourse relationship， topic and cognitive analysis of discourse content. Then， three key technologies to solve the problems of intelligent discourse analysis were condensed： learning quality monitoring based on topic detection technology， discourse mechanism exploration based on machine learning algorithm， and multi-dimensional data conversion based on visualization technology. Finally， four development paths of focusing on the multimodal data of discourse process， optimizing the intelligent discourse analysis technology， constructing the man-machine collaborative discourse analysis model， and developing the instant analysis tool were propoased， which was expected to provide reference for the research of intelligent discourse analysis of collaborative learning.

Keywords： collaborative learning; discourse analysis; artificial intelligence; analytical tools; key technologies

*基金項目：本文為教育部人文社會科學研究項目“面向心理健康的文本情緒識別研究”（項目編號：No.21YJA740037）的階段性研究成果。

作者簡介：王萌，副教授，博士，研究方向為自然語言處理、教育數據挖掘，郵箱為wangmengly@163.com。

收稿日期：2022年9月6日

編輯：小時