整合會話分析與文本挖掘技術來評價協作學習

王阿習 王旭

摘要：建構主義學習理論認為協作發生在學習過程的始終，協作學習過程也是會話的過程。協作學習活動的規范設計與順利實施有利于促進學習者之間知識共享與協同建構。如何評價協作學習是當前教育技術領域研究的焦點問題。圍繞整合技術進行協作學習評價問題，我們訪談了卡耐基梅隆大學著名教授卡洛琳·佩恩斯坦·羅澤。羅澤教授認為會話在協作學習情境中具有獨特價值，不僅是一種使思維清晰可見的方式，而且參與者的多樣化視角有利于知識的協同創新。羅澤教授的研究聚焦于整合語言學、教育學、心理學等相關理論，深入理解協作學習中會話的社會及其實際本質，搭建提高人與人、人與計算機之間會話效果的計算系統。其研究視角是運用社會語言學和會話分析理論設計語言表征的方式和新的計算模型，使語言模式可以被機器學習；研究內容是從計算的視角分析語言與社會之間的關系，開發用于評價在線協作學習過程的工具（如TagHelper和LightSIDE），以便為協作學習的組織者或促進者提供適合特定情境的干預機制和反饋報告。羅澤教授及其團隊的重要貢獻還體現在優化協作學習過程的自動化分析方法，促進協作學習支持技術從靜態支持向動態支持范式轉變，研發新的干預機制與動態支持技術促進大規模協作學習等。

關鍵詞：評價協作學習；會話分析；文本挖掘；機器學習；計算社會語言學

中圖分類號：G434 文獻標識碼：A 文章編號：1009-5195（2017）06-0003-08 doi10.3969/j.issn.1009-5195.2017.06.001

一、采用多種研究視角分析基于會話的協作 學習過程

1.會話有利于促進知識的協同建構

訪談者：尊敬的卡洛琳·佩恩斯坦·羅澤教授，非常感謝您接受我們未來教育高精尖創新中心的訪談！會話或語言交互是您研究中的一個重要概念。在社會和教育實踐中鼓勵語言交流是您研究工作中一個特別重要的主題。為什么您認為會話或語言交流對協作學習至關重要呢？

卡洛琳·佩恩斯坦·羅澤教授：正如你們所提到的，我的研究聚焦于如何更好地理解會話的社會及其實際本質，并利用這種理解搭建提高人與人、人與計算機之間會話效果的計算系統。為了達成我的研究目標，我整合和擴展了會話分析的計算方法、文本挖掘技術、會話機器人技術和計算機支持的協作學習的方法。我的研究團隊是高度跨學科的，已發表200多篇同行評議的文章和書籍，迄今已在語言技術、學習科學、認知科學、教育技術學和人機交互5個領域頗有建樹，而且在其中三個領域發表的論文均已獲獎或得到獲獎提名。

我的研究目標是開發支持有效參與會話的技術，從而對人類的學習、成長和福祉產生積極的影響。會話在教學情境中特別有價值，部分原因在于它是一種使思維清晰可見的方式，并且會話雙方可以協同建構新的想法和創意。通過會話產生的新想法可能來自于參與者的多樣化視角，盡管與他們在互動之前每個人所擁有的想法都是不同的。當學生認真對待自己的想法和他人的想法時，他們也會認真傾聽，并將自己的思維模式與他人的思維模式進行比較。通過這一過程，他們可能會意識到自己的理解與同伴理解存在差距。當他們通過討論來尋求彌補這些差距的方法時，就可能會產生學習績效。只有通過討論，不同學生的思想才能匯聚在一起，做出共同反應并受益于彼此獨特的視角。

2.整合語言學和教育學的視角分析基于會話的協作學習過程

訪談者：您剛才提到會話是人際互動中一個復雜而動態的過程。那么您認為語言學和教育學情境中會話分析研究的區別與聯系是什么？您是如何整合不同視角來分析基于語言的協作學習過程的？

卡洛琳·佩恩斯坦·羅澤教授：語言是復雜多樣的，就像盲人摸象中的大象一樣，每一個盲人都依據自身的經驗用一種完全不同的方式來描述所感知到的東西。我在會話分析方面的正式訓練來自于計算語言學。我從語言學的視角（社會科學的子領域）分析會話研究，并將其與教育科學視域中的會話研究進行對比。

對于協作學習分析的研究涉及多個領域，包括學習科學、教育心理學、組織行為學、社會語言學以及語言學的其他領域、語言技術和機器學習、社會心理學、社會學以及社會科學的其他分支。每個研究領域都有獨特之處，同時也有一系列特定的研究問題和方法論，這些問題和方法促使研究者從不同的視角分析協作學習。即使在教育科學領域，也有多種研究方法必須考慮。當我們思考語言交互是如何促進學習、如何對學習產生貢獻時，我們首先需要思考一個外延更廣泛的定義——學習是什么，以及學習是如何發生的。對于這兩個問題的回答將影響我們對語言作用的認知，因為語言通常被認為是與協作和學習相關的。除此之外，也將影響我們分析與解決問題的方式，如分析需要解決什么問題，使用哪種方式解決問題，以及最終使用何種方式分析會話過程才能確保其具有較高的信度、效度和效率。教育科學中的分析方法是緊密依賴于教育科學中的理論框架的。

語言學也是一個諸多理論支持的領域。然而，如果我們單從語言學視角分析協作學習，那么我們可能將分析結果納入一種學習理論。如果我們整合語言學和教育學領域的不同視角研究協作學習，那么我們就能夠更清晰地了解人與人之間溝通的語言過程。因此，我們整合各種理論視角分析協作學習，旨在整合各種理論以便更加透徹地展現基于語言的協作過程，而非為了判斷哪個視角是正確的。

在我的研究和職業事務中，一個永恒的主題是為語言學和教育學等相關領域搭建溝通的橋梁。因此，相比分析不同領域之間的區別，更重要的是，關注各個研究領域之間的工作是如何相互協作的。識別會話結構是我跨領域研究中的重要組成部分，因為會話結構能夠預測并揭示影響個體差異的變量，包括動機、目標、個體和團隊的學習成果。我在這一領域的理論貢獻是從計算視角重新解釋社會語言學和話語分析的大量質性框架，特別側重于在系統功能語言學理論中描述人際動力學的框架。

為這兩個學科搭建科學交流的橋梁已成為我專業服務的中心。例如，在我擔任學習科學國際協會主席、國際人工智能協會執行委員等職務期間，我牽頭組織了一系列的研討會，旨在創建一個正式的組織結構，以促進這些不同組織之間的溝通、協調和合作。在此基礎上，學習科學協會聯盟得以成立。此聯盟囊括了國際學習科學協會、人工智能教育應用協會、學習分析研究協會、國際教育數據挖掘協會、計算機器學習協會等。這個聯盟匯集了來自世界各地的數千名研究人員，他們分別從以人為本和以技術為中心的視角研究技術促進學習的效果。該聯盟近期努力的成果是將在2018年6月的倫敦學習節中舉辦三個會議，以此作為倫敦學習節的一部分。

二、整合會話分析與文本挖掘技術評價協作 學習的效果

1.連接會話分析與文本挖掘技術：會話交互自動分析與文本的社會性分析

訪談者：您認為文本挖掘技術與會話分析之間的關系是什么？您是如何整合二者的優勢來分析協作學習的？

卡洛琳·佩恩斯坦·羅澤教授：廣義上的文本挖掘是一個綜合運用從信息檢索到文本分析等方法的領域。會話分析及其相關的子領域聚焦于應用理論框架討論分析數據。我的工作是將這兩個領域聯系在一起。我研究的核心技術貢獻在于會話交互的自動分析和文本的社會性分析（如觀點建模、語義分析和意見挖掘）。我把這些問題稱為語言的社會性解釋。我的研究團隊在此方面做的研究工作已經發表在計算語言學和教育科學領域的刊物上。

我的團隊有著獨特的研究理念：運用社會語言學和會話分析的理論設計語言表征的新方式，這是實現基于語言自動的社會解釋的基礎。設計反映這些理論觀點的計算模型使得語言模式可以被機器學習。我在這個領域的早期工作驗證了一個概念：即應用于原始通信數據的機器學習可以復制多維的方法來分析協作過程，這些協作過程在CSCL社區中被認為是有影響力的。計算語言學社區的研究人員致力于大規模的社會互動分析，而運用機器學習分析協作學習過程使我的工作在計算語言學社區中與眾不同。2016年我們團隊刊發在《計算語言學雜志》上的文章詳細闡述了計算社會語言學這一新興領域的前景，以及我們在研究中整合的、構建的和擴展的理論、方法論與模型建構技術（Dong & Jong，2016）。另外，我在計算社會語言學領域的研究成果已于近期發表在《自然》雜志上（Rosé，2017）。

訪談者：您剛才提到計算社會語言學，屬于一個融計算機科學、社會學和語言學為一體的交叉學科，請您簡要介紹一下計算社會語言學的核心觀點？

卡洛琳·佩恩斯坦·羅澤教授：隨著越來越多計算語言學領域的研究者試圖從社會學的視角解讀語言，社會語言學領域的研究者逐漸意識到使用計算語言學的方法和技術可以改進本領域的模型，提高研究成效。同時，已有研究證明，在計算機模型中考慮語言社會意義的變化，可以完善現有的自然語言處理工具。社會語言學家研究的大量理論和實踐，也能夠影響計算語言學領域的基本方法。這兩個領域的研究邊界并不是截然分明的。計算語言學領域日益表現出對分析和建模語言的社會維度的興趣，鼓勵社會語言學領域和計算語言學領域的學者之間開展多樣化合作。然而，到目前為止，這兩個領域之間的協同作用潛力、共性與互補等都尚未被系統地探索。在這種情況下，一個多學科交叉的新興學科應運而生，我們把它稱為“計算社會語言學”。

計算社會語言學是一門交叉學科，從計算的視角研究語言與社會之間的關系，其研究內容包括開發支持社會語言學家的工具，確立建模與分析語言內容與社會情境信息等相關數據的新統計方法，采用社會語言學理論與方法開發或改進自然語言處理工具等（Dong & Jong，2016）。

計算社會語言學的關鍵思想是從社會語言學和話語分析互動的大量理論模型中汲取見解和屬性，并使用多種計算方法分析這些見解，以獲得能夠影響社會學發展的最重要的本質。我的研究方法始終以調查會話的過程、形成合適的理解會話的模型為中心，這些模型足夠精確、可復制，并且對真實世界具備較強的解釋力；下一步是改寫、擴展和應用機器學習和文本挖掘技術構建計算模型，運用計算模型自動分析自然語言交互的特點與規律；最后，隨著自動監控自然語言交互技術的發展，逐步建立對真實世界有益的干預措施。

我的研究工作主要是使用計算語言學中廣泛采用的大規模數據驅動的方法輔助現有的社會語言學研究，并運用社會語言學改進和挑戰計算語言學采用的方法和假設。我們已經證明了計算語言學和社會語言學這兩個研究領域之間相互協同的潛力。我們非常希望更多的研究者了解這兩個研究領域緊密合作的益處，并對公開的挑戰進行討論。此外，我們也希望為這個學科的研究者成立一個研究社區，以便保持社會語言學和計算語言學這兩個領域之間的聯系。

2.采用機器學習工具分析協作學習過程

訪談者：我們從您以前的工作中了解到，您的實驗室開發了兩個工具：TagHelper和LightSIDE，它們是用于分析協作學習過程的機器學習工具。您能簡要介紹一下這兩個工具嗎？

卡洛琳·佩恩斯坦·羅澤教授：為其他研究者提供工具是我的研究團隊的長遠目標之一。我們研發的大多數工具可以從DANCE①網站上的資源頁面獲得。我的研究團隊最初開發的用于文本挖掘的平臺是TagHelper。該工具能夠使用機器學習技術自動分析會話數據。在計算機支持的協作學習和教學交互研究領域，分析學習者的會話過程尤為重要。因此，我們研究的一個重要目標是為研究者提供有價值的工具以支持他們開展這些領域的研究。同樣的技術也可以用于評估在線合作學習的過程，以便為小組學習的組織者或促進者提供適合特定情境的干預機制和反饋報告（Rosé，2007）。

TagHelper是我們研發的文本挖掘工具的初始原型。迄今我們已經極大地擴展了TagHelper工具的功能，尤其是接口支持的開發過程方面的功能。我們將更新與擴展后的版本稱為LightSIDE，它為一家名為LightSIDE實驗室的創業公司奠定了基礎。過去我們還有一個中文版的TagHelper，感興趣的研究者可以聯系我們，我們也可以向中國的研究人員提供類似的LightSIDE版本，以支持中文數據的文本挖掘。用LightSIDE支持開發過程的關鍵優勢是它不僅可以利用機器學習來分析和表征數據，而且還能理解不同方法對數據表示的有效性。此外，我們還設計并開發了使用LightSIDE的課程（Mayfield & Rosé，2013），在課程中我們介紹了LightSIDE用于判斷語言屬性質量的指標，以及用于搜索和篩選更有效的語言屬性的方法。

三、規范設計協作學習活動改善協作學習效果

1.促進協作學習支持技術從靜態支持向動態支持范式轉變

訪談者：為了改善協作學習效果，您在研究中采用了哪些干預機制與支持策略，以促進協作學習過程中學習者之間開展積極對話？

卡洛琳·佩恩斯坦·羅澤教授：我認為會話系統想要獲得最大的影響力，它必須首先能夠理解對話，輸出對話，并且融入對話。其次，該系統應當對不同情境下的會話機制有深入的理解，比如在特定情境下，什么樣的對話對談話效果有所增強或削弱。為此，我的研究團隊已經對學習科學領域中發展迅速且相互關聯的兩個研究方向做出重要貢獻，這兩個研究方向分別是協作學習過程的自動分析和協作學習的動態支持，另外我們還使用智能會話機器人支持情境感知的協作學習。

至少已有10年的研究成果（包括我自己的研究）表明，當計算機可以自動提供學習支持時，學生可以從與小組成員的互動中獲益，特別是在互動和情境感知技術的支持下。雖然在計算機支持的協作學習領域中，最先進的技術仍然是靜態的支持形式，例如結構化的輸入界面、提示和分配給學生的腳本角色，但是現在為協作學習提供動態支持的技術也已經公開。我的研究團隊在促進協作學習支持技術從靜態向動態這一范式轉變中扮演重要角色，尤其證明了為協作學習提供基于腳本的動態支持要優于其他靜態形式的支持。我們的研究發現，與單獨提供材料相比，為學習者提供基于會話機器人的、情境感知的動態支持更能顯著提高學生的學習成績（Adamson et al.，2014）。

我們還采用機器學習技術實現了自動分析協作學習過程中的語言交互特點，嘗試建立了學習者參與協作學習的認知、動機與關系等維度的計算模型（Howley & Rosé，2016）。另外，我們使用無監督的動態貝葉斯網絡為會話過程中的言語風格適應建模，并將其作為言語交互自動分析的一步。在這項關于言語風格的研究中，我們發現交談者可能會在互動中改變他們的說話方式，變得越來越相似，或者變得不那么相似。通過將言語風格調整作為一種社交暗示，我們可以更好地確定談話參與者是否在努力構建一個共同的會話基礎（Gweon et al.，2013）。

2.設計規范的交互活動（Transactivity）是有效開展協作學習的DNA

訪談者：您在研究中提到交互活動是有效開展協作學習的DNA。您所指的交互活動是什么？交互活動與協同知識建構的區別是什么？您是如何設計交互活動促進學生之間的協作學習的？

卡洛琳·佩恩斯坦·羅澤教授：在協作學習環境中，當參與者詳細闡述、拓展、提問或反駁他們的合作伙伴提出的想法時，他們會進行一場交互式討論，以努力達成共識，達成共同的解決方案。在教育心理學和計算機支持的協作學習領域，交互活動已得到較好的研究。Berkowitz和Gibbs為交互貢獻提供了一個廣義的分類，并為每個類別列舉了具體的示例（如下表所示）（Berkowitz & Gibbs，1983）。

交互活動只是協同知識建構中的一部分，協同知識建構是個含義更廣的概念。學生參與協同知識建構的諸多過程中，只有一部分是交互性的。

小組學習的研究文獻提供了強有力的證據，證明了學生之間合作交互的成功依賴于教師通過討論促進學生主動交流的能力。教師為學生自主學習創造了機會，同時也為學生產生不同的觀點與想法提供了必要的支持。在學生會話中，教師能夠依據情境呈現課程內容，學生們認為教師展示課程內容的方式與促進他們實現自己的目標是相關的。教師通過創造一個環境，讓學生看到他們參與課程的過程，以促進他們了解自己學習的進程。教師還有機會成為一名導師，為學生提供經驗和智慧，并為他們導航以便幫助其走出誤區。當學生可以內化教師的引導并將其應用于小組討論中時，學生的收益是最大的。

在我的研究中，我正尋求通過自動化的方式，如以智能會話機器人的形式，促進小組成員之間的討論，試圖模擬教師在小組學習中的角色。尤其是我的研究團隊已經開發了諸多計算機支持的協作學習干預措施，如由會話機器人和計算會話分析技術支持的干預措施，當將這些干預措施應用到當地的Accountable Talk②職業發展項目中時可提高學習者的學習成效（其效應值在0.35至1個標準差之間，等同于提高一個字母成績（B→A）），并有效提升了參與者所在班級的對話質量。Accountable Talk項目的成功驗證了這項技術可應用到類似的具有挑戰性的職業發展項目中。

自從我們成功實施Accountable Talk項目之后，我們又在初中、高中、城區和郊區的學校、頂尖的大學和一般的大學，以及社區學院和大規模開放在線課程（MOOC）等實施了一系列成功的課堂研究。我們的實踐跨越了多個領域，包括數學、科學、工程和社會科學。我們在上述所有情境中都取得了成功。通過在多樣化的情境中開展研究，我們已經開發了一系列智能會話機器人的設計原則。例如，個性化的會話機器人可為學生提供支持，并利于學生之間相互交流。此外，會話機器人也有利于學生控制交互時間。Accountable Talk項目中采用的會話機器人能夠成功地激發學生之間的協同交互。學生對機器人的修辭策略比較敏感，比如顯示出偏見、顯示出對其他觀點的開放態度和有針對性的啟發，因此我們可以利用這種敏感性使會話機器人更好地服務于學生的學習目標。

我們在一所市區學校九年級的生物課程中實施的一個項目能夠較好地體現我們研究的性質與影響力，此項目旨在通過構建協作學習的環境改進科學教學的質量。該項目是與Lauren Resnick教授和學習協會（Institute for Learning，IFL）合作開展的，得到匹茲堡學習科學中心的資助。該項目中學習協會實施的Accountable Talk課堂教學促進實踐已被證明能夠大幅提高學習者的標準化考試分數，并能保持三年以上。在我們開始合作的時候，這些影響迄今為止沒有在其他市區學校的教師中出現過。

四、研發新的干預機制與動態支持技術促進 大規模的協作學習

1.研發新的干預機制支持MOOC中大規模的協作學習

訪談者：我們注意到您的研究團隊近期已在大規模開放在線課程（MOOC）方面開展了協作學習的相關研究。社交孤立和高退學率仍然是當前MOOC發展面臨的難題。您的研究采用了哪些干預機制促進MOOC情境下的協作學習？

卡洛琳·佩恩斯坦·羅澤教授：阻礙MOOC發揮其巨大潛力（即向大眾提供有價值的學習體驗）的關鍵在于，它們不能提供有利于持續參與和學習的社會環境（Rosé et al.，2016）。當學生們使用這些新興的、剛剛起步的在線學習社區時，這種情況尤為明顯。我們的研究旨在為應對這一挑戰奠定基礎，從案例研究和基于社會互動數據的計算建模開始，以產生新的知識，從而為建立健康的學習社區提供新穎、實時的支持，進而促進學習者高層次的參與和學習（Rosé et al.，2015）。

為增強MOOC平臺的功能，我們正在研究新的干預機制，這需要開發新的技術。首要目標是開發一種可以適應新興社區或亞社區結構的溝通媒介——用于形成和維持支持性關系。我們的最終目標是培育探究性學習社區。在該社區中學生可以互相建立支持性聯系，進而協同開展推理活動，并將同伴的思維作為Accountable Talk課堂中的資源。我們力求通過提供同步討論的機會、更有效的幫助、基于團隊的工程等機制來實現上述目標。

學習分析中的一個重要研究問題是加快數據循環，從而分析學生的需求和改善學習支持。考慮到社會互動在學習中的重要地位，我的研究團隊提出了一套完整的操作體系，包括一個用于從多個平臺中采集社會交互數據的基礎設施，一種用于分析社會關系對學生學習路徑影響的概率序列模型，還有一個支持學生獲得積極社會資本的社會推薦系統。

計算分析工作的基礎是數據的表示。我們已發表的大部分作品都集中于使用聊天數據或轉錄面對面討論中的數據，以分析討論中的合作情況。這些數據都可以采用一種簡單的、統一的、呈序列狀結構的文本代碼段表示，每個發言者貢獻一個文本代碼段。然而，當擴展到MOOC中的學習或者其他在線環境（如開源社區）中的學習時，討論的形式可能會變得更加多樣化，因為它們被嵌入到各種平臺中。它們甚至可能通過多個單獨的數據流同時發生。為此，我們提供了一個開源的數據基礎設施，我們稱之為“Discourse DB”③。它可以將多個數據流轉換成一種通用的、集成的數據表示方式。接口層（最外層）的語言表征被進一步轉換成“話語”（Discourse），嵌入的話語部分由更小的單位“文本輸出”（Contributions）組成，它們彼此之間通過“關系”（Relations）相連，并且“文本輸出”又關聯于自動生成的“注釋”（Annotations）。這種通用的數據表示方式不僅可以整合來自多種數據流的數據，而且能夠應用通用的建模技術。一旦我們感興趣的數據用一種可概括的方式被表示出來，下一步就是模擬學生的軌跡。這種分析方法便于我們識別干預措施，從而增加對學生軌跡產生積極影響的機會。我們為此創建的資源可以通過DANCE社區獲得。

2.設計動態支持技術促進MOOC中大規模的協作學習

訪談者：除上述干預機制之外，您還采用哪些動態支持技術來促進MOOC情境中的大規模協作學習？根據您對MOOC的研究，您會為中國的MOOC設計者與開發者提供哪些建議？

卡洛琳·佩恩斯坦·羅澤教授：關于這兩個問題，我可以簡要介紹一下我的團隊近期所做的主要研究工作，以供中國的MOOC設計者與開發者參考。一項工作是利用MOOC興起的機會，推動教育軟件和應用的大規模傳播和部署，將我們開發的技術運用到MOOC協作學習中，以便為大規模協作學習提供動態支持。過去幾年，我們通過與開放學習機構（Open Learning Initiative）、edX、戴維森學院（Davidson College）和史密森學會（Smithsonian Institute）進行持續合作，已經制定出體系化的部署措施并產生了積極的影響。在繼續這項工作的同時，我們發現許多新的挑戰與當前MOOC的教學設計假設有關。如果我們將MOOC作為自主運作的課程，而將合作機會嵌入到一種可選的補充活動中，那么這種教學設計方式就會限制學習者協作討論的機會。而這種機會能為學習者提供直接的社會支持，并利于學習者加強學習承諾，積極進行決策和學習。未來我們的目標是擴大和深化與在線學習社區領導層的合作，因為我們已經制定了跨越正式學習情境和用于信息共享的非正式學習情境的愿景，這些都是領導層非常關注的。

MOOC的高退學率表明，學生們認為沒有從MOOC平臺的學習中獲得足夠的價值，因此花費大量的時間進行MOOC學習是不值得的。我們已經看到，鼓勵MOOC中的同學互相討論，擁有更多社區情境（如整個班級的討論論壇）的學習體驗，有助于在一定程度上解決這個問題。

最近，我們一直致力于運用基于團隊的項目課程設計思路為學習者提供更加持久的社會交互。來自兩個團隊的MOOC數據分析結果表明，即使在最先進的基于團隊的MOOC中，其團隊的成功率依然比較低。雖然團隊領導者和其他團隊成員的行為可以預測團隊的結果，但已有證據表明，成功率低的問題在團隊開始發揮作用之前就已經出現了。因此，必須改進團隊的形成過程，以便建立可能取得成功的團隊。我們提出一種基于審議的團隊形成程序，以改善選擇和啟動過程，進而調節與增強團隊的討論交流過程。這意味著需要預先給學生分配前置性任務，讓學生自主完成任務，然后發布到公共討論論壇上，以獲得其他同學的反饋。在這種情境下，學生必須選擇為少數同伴提供反饋意見。其次，使用自動化過程分析工具評估學生之間的交互貢獻。最后，使用約束滿足算法將學生分配給團隊，從而使得分配給同一個團隊的學生之間的平均交互程度在學生群體中達到最大化。

這種劃分團隊的方法旨在解決兩個主要問題。一是解決學生無法確定與哪些同伴開展良好合作的問題。該方法基于對學生之間協作潛力的自動評估而為團隊合作提供依據。二是有利于解決MOOC中退學率高的問題。過去基于團隊的MOOC面臨的一個主要問題是團隊中關鍵成員的流失。在這種范式下，團隊形成被推遲，因此被分配到團隊的學生是那些已經表現出對課程承諾的人。而且我們發現學生有時會表現出這樣一種傾向——一旦分配到某一團隊，他們就會過分依賴團隊成員的幫助，而不是繼續接觸更廣泛的課程社區。在我們設計的范式下，我們鼓勵學習者在團隊形成之前更廣泛地參與到學習社區中，而且他們確實可以從中獲益，因而有利于其后續的團隊合作學習。除此之外，我們希望學生有了積極的社區參與體驗之后，即使在團隊組成后，他們也能繼續回來參與這種課程學習。

初步調查結果顯示，預先分配需要同伴反饋的前置任務和基于自動檢測學生交互情況形成團隊，這兩種情況均對學生參與MOOC學習有較強的影響。這種方法已經部署在與史密森學會合作的基于團隊的MOOC課程中，而且應用結果與實驗室環境中進行的驗證研究一致。該試點研究范式的持續發展方向是逐步擴大反饋意見的來源，如引入開放的同儕反饋渠道，而非僅限于個別團隊成員內部的反饋。學生除了在整個課程討論的情境下從更廣泛的反饋中獲益之外，我們研究的結果也表明，當學生處在公共場合而非私人場合時，他們也會提供更高質量的反饋意見。

訪談者：您剛才所闡述的大規模協作學習的干預機制與動態支持技術，以及前面提及的協作學習分析、評價與規范設計等內容，將會給中國的教育技術研究者提供重要的啟示。再次感謝您接受我們未來教育高精尖創新中心的訪談！

注釋：

① DANCE[EB/OL]. [2017-07-30]. http：//dance.cs.cmu.edu.

② Accountable Talk?[EB/OL]. [2017-08-29]. http：//ifl.pitt.edu/index.php/educator_resources/accountable_talk.

③ Discourse DB[EB/OL]. [2017-07-30]. https：//discoursedb.github.io/.

參考文獻：

[1]Adamson， D.， Dyke， G.， & Jang， H. et al. （2014）. Towards an Agile Approach to Adapting Dynamic Collaboration Support to Student Needs[J]. International Journal of Artificial Intelligence in Education， 24（1）： 92-124.

[2]Berkowitz， M. W.， & Gibbs， J. C. （1983）. Measuring the Developmental Features of Moral Discussion[J]. Merrill-Palmer Quarterly （1982-）， 29（4）： 399-410.

[3]Dong， N.， & Jong， F. D. （2016）. Computational Sociolinguistics： A Survey[J]. Computational Linguistics， 42（3）： 537-593.

[4]Gweon， G.， Jain， M.， & McDonough， J. et al. （2013）. Measuring Prevalence of Other-Oriented Transactive Contributions Using an Automated Measure of Speech Style Accommodation[]. International Journal of Computer-Supported Collaborative Learning， 8（2）： 245-265.

[5]Howley， I.， & Rosé， C. P. （2016）. Towards Careful Practices for Automated Linguistic Analysis of Group Learning[J]. Journal of Learning Analytics， 3（3）： 239-262.

[6]Mayfield， E.， & Rosé， C. P. （2013）. LightSIDE： Open Source Machine Learning for Text Accessible to Non-Experts[A]. Shermis， M. D.， & Burstein， J. （eds）（2013）. Handbook of Automated Essay Evaluation： Current Applications and New Directions[M]. New York： Routledge： 124-135.

[7]Rosé， C. P. （2007）. TagHelper Tools： Tools for Supporting the Analysis of Verbal Data[A]. Proceedings of the 2007 Conference on Artificial Intelligence in Education： Building Technology Rich Learning Contexts That Work[C]. Amsterdam， The Netherlands.

[8]Rosé， C. P. （2017）. A Social Spin on Language Analysis[J]. Nature， 545（7653）： 166-167.

[9]Rosé， C. P.， & Ferschke， O. （2016）. Technology Support for Discussion Based Learning： From Computer Supported Collaborative Learning to the Future of Massive Open Online Courses[J]. International Journal of Artificial Intelligence in Education， 26（2）： 660-678.

[10]Rosé， C. P.， Goldman， P.， & Sherer， Z. J. et al. （2015）. Supportive Technologies for Group Discussion in MOOCs[J]. Current Issues in Emerging eLearning， 2（1）.