應用ＨＭＭ識別在線協作交互模式

【摘要】協作學習的本質是協同建構知識的過程，實現該過程主要有三類交互模式：分享信息、協商沖突和共同創造。基于隱馬爾可夫模型，以實時交互言論的行為類型為觀察序列，以小組討論狀態為狀態集合，該論文嘗試了上述三類協作交互模式的識別研究。

【關鍵詞】協作學習；實時交互；交互模式；隱馬爾可夫（HMM）

【中圖分類號】G420 【文獻標識碼】A【論文編號】1009—8097 (2008) 07—0073—05

一 協作學習中的交互模式

隨著網絡通信技術的飛速發展，新的人際交流環境已經形成。以計算機為媒介的交流（Computer Mediated Communication，簡稱CMC）成為遠程教學和網絡化學習的重要途徑。本文所探討的在線學習中的交互是指學習者之間以信息為中介進行知識意義建構的過程，主要發生在協作學習的過程中。

很多研究者認為學習者之所以可以通過相互協作實現個體認知的發展，是因為在協作中，不同的觀點通過共享、比較、論證、綜合、修改調整等過程達成了共同的理解（shared understanding）[1]。協作學習的本質就是協同建構知識的過程，而此過程主要包括三類核心環節：

● 分享信息

Stahl[1]（2003）認為基于社會互動的協同知識建構過程開始于個體知識（personal knowing）的共享。Gunawardena[2]（1995）也認為成員之間共享和比較信息，交流看法，描述討論主題是協同知識建構的最初階段。

● 協商沖突

來自不同個體的觀點或知識在討論過程中會發生沖突，如果這些觀點或知識通過協商達成了一致，那么一致的結果便是共同的理解（shared understanding）。在協商沖突的過程中，學生高度關注其他人所提供的信息的意義，那些不完全的、沖突的、模棱兩可的信息被協作小組成員不斷過濾和再加工，直至共同方案的建立。很多CSCL（Computer Supported Collaborative Learning，簡稱CSCL）研究者都認為當參與協作學習的學生面臨沖突進行爭論，并通過協商嘗試獲得共同解決方案時，協作學習就會有效得多[3] [4]。

● 共同創造

群體決策或共同解決問題是協作交互的常見任務。為保證群體問題解決的質量，需要參與成員各抒己見，集思廣益，盡可能多地提出自己的意見，并對他人的設想進行補充、改進和綜合。共同創造意味著成員積極提出新建議、新方案，最后通過綜合、調整實現問題的解決或作品的創建。

上述三類交互過程各有特點，共同構成了協作學習的三類基本交互模式。本研究將協作小組成員圍繞特定目標而展開的實時交互行為的序列結構定義為交互模式。目標/任務、交互行為、小組成員、時間共同構成了交互模式的四個基本要素。顯然，本研究中交互模式的劃分主要基于目標/任務維度。

二 交互模式的HMM模型

給協作小組的成員提供一個實時交流平臺，并且安排一個學習任務，仍然無法保證分享、協商、共同創造的順利發生。我們常常會發現：個別成員控制或主導討論過程，而小組中大部分成員的意見沒有充分表達或沒有充分投入到交互過程中，原本應該是來自不同個體的觀點經過充分比較、論證、爭辯、補充、調整等獲得共同理解，卻常常演變成了“任務分工＋個人觀點簡單合并”。

對此，國外已有研究者試圖引入自動監控機制來識別協作小組當前的討論狀態。Amy Soller等[5]人開發的EPSILON協作學習環境就采用隱馬爾科夫模型（HMM）來識別協作小組成員在討論過程中的角色（比如知識分享者等），并根據識別結果給出相應的反饋指導。McManus 和Aiken（1995）[6]的Group Leader System就通過有限狀態機來監控學生討論中的評論、請求、許諾和爭論行為，通過動態分析學生的言論類型序列就學生的信任程度、領導能力、創造能力和交流能力等四個方面的協作能力給出評價和指導。但國內的相關研究卻很少。

本論文將聚焦在線協作學習中的生生實時交互過程，嘗試基于隱馬爾可夫（Hidden Markov Model，簡稱HMM）模型從小組成員圍繞特定目標而展開的實時交互行為的序列結構中判定上述三類模式的發生。

隱馬爾可夫模型是一種用參數表示的用于描述隨機過程統計特性的概率模型，它包括狀態轉移概率的馬爾可夫鏈和輸出觀測值的隨機過程，其狀態是不確定或不可見的，只有通過觀測序列的隨機過程才能表現出來。一個HMM可以用五元組描述（S，K，∏，A，B），其中：

在協作交互過程中，為了保證交互的持續進行和討論任務的完成，學生的交互言行不是隨意的。這種非隨意性主要體現在兩個方面：第一，學生所發表的言論受當前交互意圖的制約；第二，學生當前的交互意圖受協作小組當前的討論狀態制約。因此，學生的言行（Speech Act）可以作為HMM的輸出序列集合，而討論狀態可以作為HMM的狀態集合。

言語行為理論（Speech Act Theory）的代表塞爾[7]將言語行為劃分為五類：陳述、祈使、承諾、表態、宣告等。但在具體編碼時，我們發現難以用上述五類概括所有學生交互言論的“行事”特征。為此，我們采用了從下至上法即由原始語料歸納出相應的類別體系。言論類型的確定標準是：以言語行為理論為基礎，抽象出能反映交流意圖的類型體系。分析者選定為兩位北師大教育技術學院的研究生。基本的分析過程是：兩位分析者首先分別對聊天室上的原始語料逐個進行編碼分類，在分類的過程中歸納合并相同項或類似項，逐步形成言論類別體系；大約分析至抽樣言論的40%時，兩位分析者核對類別體系和編碼結果，重新明確編碼類別和分類標準；然后按照新確定的編碼體系對后續言論內容進行編碼，結束后再進行編碼結果一致性的總結性評價；分析結束后計算兩個分析者編碼結果的Kappa系數（在SPSS里用CrossTab分析），結果為0.86，大于0.7，說明分析結果基本一致。最終編碼結果取兩位分析者協商后的一致意見（言論類型體系詳見表1）。

應用同樣的方法，討論的狀態確定為以下五類：

● 組織（Or）：試圖控制、協調討論過程

● 社交（Sg）：交流情感，影響組內交流氛圍

● 建構（Bu）：產生新信息或更多信息，促進問題解決或討論過程的結束

● 一致（Ag）：核實、明確、應用達成的共識

● 沖突（Co）：小組內成員觀點出現分歧，組員之間相互挑戰、質疑或辯駁

三 實驗設計

為建立三類交互模式的HMM模型，需要一批可靠的訓練數據。我們圍繞三類交互模式的特點，針對性地設計了六個兩人在線協作討論（非面對面討論）的任務（任務內容見表2）。

剔除討論失敗或不正常的小組實時交流數據后，共獲得了43組訓練文檔，其中分享信息模式的有15組，協商沖突的20組，共同創造的8組。

四 三類交互模式的識別

三類交互模式識別的基本過程是：

，

對#61537;和#61538;做了上述處理之后，用尺度變換后的前向后向變量重寫Baum-Welch算法公式。

初始模型#61549;經過多次訓練重估以后，其值也相應被一一修改。但在實際運行中，我們發現，輸出觀察序列的概率矩陣有可能出現某一列全為零的情況，從而導致尺度轉換因子下溢。對此我們進一步采用數據平滑的方法解決某個言論類型在所有討論狀態下出現概率均為零值的情況。修改方法如下：

（1）為第 組訓練序列處于狀態 ，輸出為 的概率值； 為第 組訓練序列的序列長度； 表示言論類型的總數。

（2） 記錄在所有狀態下輸出概率均為零的言論類型：

（3） 依據言論類型在第 組出現的歷史情況，修改零值：

，

（4） 保證各狀態下輸出各言論類型的概率總和為1的條件，按照“劫富濟貧”的原則修改其他概率值：

其中， ，修改零值產生的增量

實驗表明，上述修改方法不但能解決尺度轉換因子下溢的問題，而且通過歷史值修改輸出概率（即前一個訓練文檔的言論類型輸出概率），能使數據得到比較好的平滑效果。

3 應用HMM模型識別交互模式

已知三類交互模式的HMM模型 （分享信息）、 （協商沖突）和 （共同創造），對于一個言論類型序列O，可以分別計算出由該三種模式產生出該觀測序列的概率P(O| )、P(O| )和P(O| )。因此識別某個言論類型序列O所屬的交互模式的問題可以通過比較P(O| )、P(O| )和P(O| )的大小得到解決：輸出概率值越大，則表明越符合該類交互模式。

用上述6個任務的2人被試實驗數據（共30組，每類模式10組實驗數據）驗證HMM識別交互模式的方法，結果表明，每類模式的正確識別率均是90%。

五 討論

本論文基于HMM模型的學習算法，將交互過程映射為一個統計模型，通過訓練樣本的獲取和學習，估計模型參數，并以此為依據判斷特定交互行為序列所對應的交互模式。但是該方法具體應用于實時協作交互的監控和指導還需要進一步解決以下三個方面的問題：

1 人工編碼交互言論費時費力

交互言論的內容紛繁蕪雜，逐條言論予以人工分析和編碼，一方面主觀性強，存在一定程度的信度問題，另一方面，費時費力，效率不高。因此，有必要實現交互言論類型的自動或半自動識別，這必然涉及自然語言理解的問題。為了避開這一技術難題，目前國際上通用的方法是：提供一個類型體系的腳手架，比如映射某一類型的句首詞（sentence opener），讓實時交互的用戶自主選擇。

2 訓練文檔數量不夠

由于初次嘗試應用HMM識別在線協作交互模式，訓練文檔不多，模型參數尚未達到收斂，還需后續進一步增加訓練文檔的數量，使模型達到穩定。

3 交互模式的類別需要進一步明確

由于目前三類交互模式的HMM模型尚未穩定，因此難以直接根據評估概率P(O|μ)的大小判斷是否屬于某類交互模式，另外交互言論序列的長度對P(O|μ)也有明顯的影響。為了解決這一問題，本論文采用了比較三類模型的輸出概率P(O|μ)的方法來識別2人小組的交互模式。但是交互模式的類別是否合適，是否需要進一步細化各類別，以提高模式識別的正確率和增強教學指導功能，尚需進一步研究。

———————

參考文獻

[1] Stahl， G. Building collaborative knowing: Elements of a social theory of learning[A]. J.-W. Strijbos， P. Kirschner R. Martens (Eds.)[C]， What we know about CSCL in higher education. Amsterdam， NL: Kluwer. 2003.53-86.

[2] Gunawardena， Social Presence Theory and Implications for Interaction and Collaborative Learning in Computer Conferences [J]. International Journal of Educational Telecommunications， 1995，1. 147 – 166.

[3] Baker， M.J. Lund， K. (1996). Flexibly structuring the interaction in a CSCL environment. In Proceedings of the EuroAIED Conference (eds. P. Brna， A. Paiva J. Self) pp. 401-407， Ediccedil;otilde;es Colibri， Lisbon.

[4] Savery， J.， Duffy， T. (1996). Problem based learning: An instructional model and its constructivist framework. In B. Wilson (Ed.)， Constructivist learning environments: Case studies in instructional design (pp. 135-148). Englewood Cliffs， NJ: Educational Technology Publications.

[5] Amy Soller and Alan Lesgold. Modeling the Process Of Collaborative Learning. Proceeding of the International Workshop on New Technologies in Collaborative Learning. waji-Yumebutai，Japan.

[6] McManus，M.and Aiken，R.Monitoring Computer-based Problem Solving .Journal of Artificial Intelligence in Education，1995，6(4):307-336.

[7] 孫淑芳，塞爾言語行為理論綜述，解放軍外國語學院學報， [N].1999-1.

[8] 李志鵬，陳善廣，薛亮，解決Baum-Welch算法下溢問題的參數重估公式中存在的問題及其更正，聲學學報， [N].2001-5.

Recognition of Interaction Pattern in Web-based Collaborative Learning

ZHAO Dong-lun1HUANG Rong-huai2LIU Huang-ling-zi3 LENG Jing2ZHU Ling-li4

(1.Department of Computer Science and Technology， Beijing Normal University， Beijing 100875， China;

2.School of Education Technology， Beijing Normal University， Beijing 100875，China; 3.Nokia Research Center， Beijing 100080，China;

4. Network Education Institute of PEKING University， Beijing 100871，China)

Abstract: The essence of collaborative learning is collaborative knowledge building， which mainly has three interaction patterns: information sharing， conflicts negotiation and joint creation. Based on Hidden Markov Model (HMM)， taking the speech acts of online discussion as observation sequences and the discussion states as state set，this paper tried to recognize the three interaction patterns mentioned above.

Keywords: Collaborative Learning; Synchronous Interaction; Interaction Pattern; Hidden Markov Model

注：“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。”