數據驅動的多維融合在線協作會話可計算模型及應用研究

摘要：在線協作會話是在線學習活動的重要組成部分，也是促進學習者進行協同知識建構的重要手段，因此越來越受關注。目前，由于分析框架和分析方法不夠完善，導致當前在線協作會話存在分析維度單一、自動化程度較低等問題。為此，文章首先提出了一種數據驅動的多維融合在線協作會話分析框架和可計算模型，然后提出了協作水平系數和協作投入傾向兩個核心指標對會話狀態進行整體評估，最后進行了案例分析。案例分析的結果表明：協作水平系數能夠準確表征學習者在在線協作會話中的協作狀態；在線協作會話可計算模型可以直觀地呈現學習者在線協作會話過程中的核心特征和學習者的個體差異性；學習者的在線協作會話模式包括領導型、思想型、中庸型和邊緣型四種典型類型。文章通過研究驗證了模型的有效性和其對于在線協作會話自動分析與評估的實踐價值，期望能夠為在線協作會話的自動化分析提供參考。

關鍵詞：在線協作會話；數據驅動；可計算模型；協作水平系數

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2023）04—0101—10 【DOI】10.3969/j.issn.1009-8097.2023.04.012

在線協作會話是在線學習活動的重要組成部分，也是促進學習者進行協同知識建構的重要手段，因此受到了廣泛關注。研究者對其開展了大量的研究，取得了豐碩的研究成果，但在實踐過程中仍存在一些不足之處：首先，已有的在線協作會話分析模型和分析方法主要是人工驅動的事后分析，耗時耗力；其次，會話活動的監測和干預依賴于教師的經驗和觀察，難以保證科學性和有效性；再次，當前的在線協作會話分析往往針對特定維度。協作學習本身具有復雜性，如果僅從單個維度來進行分析，就如盲人摸象一般，會形成各不相同的結果。鑒于上述不足，本研究擬從教育心理學、社會語言學和行為科學等多個視角對在線協作會話過程進行分析和描述，形成多粒度、多維度的在線協作會話可計算模型，并建立在線協作會話核心評估指標。這些評估指標以數據為基礎，實現數據驅動的學習分析。最后本研究通過案例驗證模型的有效性，并開展了不同粒度的在線協作會話過程分析，以期深入了解學習者的認知過程，提高協作會話中教師干預服務的可及性，促進在線教育管理從“經驗觀察”向“數據驅動”的轉變。

一 文獻綜述

為了實現對在線協作會話的過程分析，當前的研究主要可以分為分析框架和評價方法兩個方面，下面分別進行綜述。

1 在線協作會話的分析框架

針對在線協作會話分析的研究由來已久，常用的在線協作會話分析框架可以分為兩種主要的類型：單一維度的分析框架和多維度融合的分析框架。典型的單一維度的分析框架如Newman等[1]在Garrison[2]的五階段模型和Henri[3]的CMC模型的基礎上提出的批判性思維內容分析體系，Gunawardena等[4]提出的知識建構五階段模型等。典型的多維度融合的分析框架如Garrison等[5]提出的探究社區框架；李艷燕等[6]提出的面向在線協作學習的小組投入分析模型；張思等[7]在SouFLe框架的基礎上提出的面向知識建構的協作學習分析模型。這些分析框架對于理解協作會話過程有重要的作用和貢獻，但也存在一些不足之處：單一維度的分析框架從不同角度刻畫了協作會話的關鍵特征，但未能建立起維度之間的關聯與融合，不利于從整體的角度對協作會話進行評價；多維度融合的分析框架雖然維度全面，但缺乏可計算性的支持，不適合自動分析，難以大規模應用。

2 在線協作會話的評價方法

在線協作會話的評價是指通過對會話行為的觀察和分析，建立相應的評價指標，從而對學習者的協作程度、會話質量等進行判斷。目前對在線協作會話的評價研究主要分為兩類：人工判定的方法和基于機器學習的方法。其中，人工判定的方法指的是通過問卷調查、觀察和訪談、人工標注等方法對會話過程進行評價，比如Chi等[8]提出ICAP學習參與分類框架（Interactive，I，交互；Constructive，C，建構；Active，A，主動；Passive，P，被動）；Sánchez等[9]提出了一種以專家分析與問卷調查相結合的協作過程評價方法。基于機器學習的方法則強調評價過程的自動化，如Rosé等[10]利用文本挖掘技術對會話過程進行評價；劉清堂等[11]以詞袋模型為基礎，研發了教師協作反思的自動分類方法；吳林靜等[12][13]提出了基于信息論模型的在線協作會話知識貢獻量化評價方法和基于文本挖掘的話語語義分析方法。在對在線協作會話進行評價時，人工判定的方法可解釋性強、準確率高，但費時費力，難以推廣；基于機器學習的方法雖然效率較高，但其往往忽略了在線協作會話的動態性和維度關聯的復雜性，評價維度和粒度單一，且機器學習的模型難以與學習活動關聯，存在可解釋性較差、受數據量限制等不足。

二 多維融合的在線協作會話可計算模型及評價指標

針對上述不足，本研究擬在已有在線協作會話分析研究的基礎上，提出一種多維融合的在線協作會話可計算模型及評價指標。該模型應具有兩大基本特征：①模型能夠融合在線協作會話中的不同分析維度，在局部視角上體現單個維度的特征；同時，又能在整體視角上通過綜合的指標，體現學習者在會話中的整體投入情況和協作水平。②模型中的相關指標能夠通過自動化的方式進行計算，從而便于模型的大規模運用和即時得出評估結果，實現對在線協作會話的實時監控和評估。為此，本研究首先提出了在線協作會話過程的多維分析框架作為協作會話自動分析的理論基礎，然后構建了多維融合的在線協作會話可計算模型，最后提出了協作水平系數和協作會話的投入傾向兩個指標對會話過程進行綜合評價。

1 在線協作會話過程的多維分析框架

協作學習是群體中的個體之間進行經驗連接和交換的復雜過程，涉及多個主體和要素，并相互影響。因此，對在線協作會話過程的分析應關注會話過程中所涉及的各個主體和要素，并從不同的維度和粒度對協作會話過程進行探究，才能夠深入全面地呈現和評價協作會話。以廣泛應用的KBS協作學習分析模型和面向在線協作學習的小組投入分析模型為基礎[14][15]，本研究提出了面向在線協作會話過程的“二三四”多維分析框架，如圖1所示。

該分析框架分別從二主體、三粒度、四維度的角度對在線協作會話過程中的核心要素進行了描述。其中，二主體指的是教師和學生，兩者之間形成“干預?反應”的循環；三粒度借鑒了KBS模型的三個研究對象，指的是交互過程中的學習者會話行為分析粒度，包含個體粒度、小組粒度和社區粒度；四維度借鑒了在線協作學習的小組投入分析模型，指的是在線協作會話過程的分析維度，包括行為維度、認知維度、社交維度和情感維度。“二主體—三粒度—四維度”分析框架對在線協作會話過程中涉及的各個要素和核心特征進行描述和分類，可以幫助研究者更為全面地認識和評估在線協作會話過程。

2 數據驅動的多維融合在線協作會話可計算模型

依托在線協作會話過程的多維分析框架，還需要進一步對各維度進行量化，從而實現在線協作會話過程的可計算與可評價。

（1）在線協作會話可計算模型的基本構成

在“二三四”多維分析框架的基礎上，本研究進一步提出了多維融合的在線協作會話可計算模型，對協作會話的各維度進行量化，從而實現協作會話過程的量化計算。數據驅動的多維融合在線協作會話可計算模型如圖2所示。

模型的核心目標是對學習者的協作會話水平進行量化計算。由于教師的行為對學習者的協作會話水平起到的是間接影響，因此該模型未直接分析教師的行為數據，而是以學習者的行為數據為分析對象。該模型從行為、認知、交互、情感四個維度構建學習者在線協作會話分析的量化指標，明確其定義和計算方式，并在對其進行歸一化后置于半徑為1的單位圓上。單位圓被劃分為四個象限，分別是行為象限、認知象限、交互象限和情感象限。每個象限中均包含該維度上的相關量化特征，以表征學習者在該維度上的學習表現。由于各維度特征是確定的，各象限和極軸的方向所代表的含義也是明確的，因此特征的排列順序在同一研究中不應隨意調整。在線協作會話的分析維度及其核心特征如表1所示。

（2）各維度核心特征的量化方法

①行為特征的量化方法。行為維度包含三個核心特征，分別是發言量、話題量和反應度，以刻畫學習者在會話過程中的主要行為表現。其中，發言量和話題量可以通過對學習者的會話日志統計得到；反應度衡量學習者對所有討論話題的反應程度[20]，其計算如公式（1）所示。

反應度=發言量/話題量 公式（1）

②認知特征的量化方法。認知維度包含三個核心特征，分別是信息量、信息增益和貢獻度，以刻畫學習者在會話過程中認知方面的主要特征，其計算方法主要借鑒Wu等[21]提出的測量知識貢獻的方法。該方法是基于詞的信息熵理論對學習者的會話內容進行信息量的計算，從而測量學習者在會話過程中的認知貢獻。基于該方法，上述研究定義了基于信息熵理論的信息量和信息增益的量化計算方法，具體的計算如公式（2）所示。

貢獻度=信息增益/信息量 公式（2）

③交互特征的量化方法。交互維度包含三個核心特征，分別是接近中心性、中介中心性和度中心性。其中，接近中心性刻畫的是學習者在社交過程中處于中心點的程度；中介中心性刻畫的是學習者的中介程度；度中心性刻畫的是學習者在在線協作會話中與其發生直接對話的同伴的數量。在本研究中，上述三個特征項均通過社會網絡分析軟件UCINET軟件計算獲得。

④情感特征的量化方法。情感維度包含三個核心特征，分別是積極詞、消極詞和疑惑度，以刻畫學習者在情感方面的主要特征。正向情緒和負向情緒被認為是情感的兩種基本類型，因此，本研究首先納入了正向情緒和負向情緒作為情感維度的兩個核心特征——積極詞、消極詞。“疑惑”情緒是學習者認知加工過程中經常出現的一種情緒，且對學習者的認知加工過程具有促進作用[22]。因此，本研究將“疑惑度”也作為情感維度的核心特征之一。情感特征的計算主要借鑒了語義心理學中關于語言心理特征的相關理論和工具。Pennebaker等[23]以語義心理學理論[24]為基礎開發了對文本進行詞匯類別計數分析的特征分析工具“語義查詢與詞計數”（Linguistic Inquiry and Word Count，LIWC），并廣泛應用于文本素材的分析。由于該工具對中文的處理能力較弱，因此中國科學院心理研究所以LIWC中的類別為基礎，研發了“文心”中文信息處理系統（http：//ccpl.psych.ac.cn/textmind/）。本研究主要利用“文心”對學習者在會話過程中的情感特征進行量化提取。其中，正向情緒使用的是“文心”工具中積極詞占所有總詞數的百分比，負向情緒使用的消極詞占所有總詞數的百分比，疑惑度使用的是問號占所有總詞數的百分比。

3 在線協作會話的核心評價指標

確定評價模型的各個具體維度后，可以從局部分析某一維度的特征。為了能夠從整體進行觀察，本研究進一步提出了協作水平系數和協作投入傾向指標。

（1）學習者的協作水平系數

為了更好地對在線協作會話進行評價，本研究進一步對在線協作會話中學習者的協作水平進行了量化，以作為評價在線協作會話的核心指標。計算協作水平系數的原理是：在數據驅動的多維融合在線協作會話可計算模型的四個象限中，各維度的取值越大，則多邊形越接近圓周，也就說明學習者在各維度上的投入越高，會話的協作程度也越高。其具體思想是：將多邊形的面積與單位圓的面積之比作為面積特征指數，將多邊形的周長與單位圓的周長之比作為周長特征指數，然后將面積特征指數和周長特征指數的調和平均值作為當前會話的協作水平系數，具體的計算如公式（3）、公式（4）所示。

Exi為面積特征指數，表示的是協作多邊形的面積與單位圓面積的比值，其中Si表示的是協作多邊形的面積；Eyi為周長特征指數，表示的是協作多邊形的周長與單位圓周長的比值，其中Ci表示的是協作多邊形的周長。分析對象的協作水平F則定義為Exi和Eyi的調和平均值，其計算如公式（5）所示。借助該指標下，可以更好地對分析對象的協作程度進行量化和比較。

（2）在線協作會話的投入傾向

在數據驅動的多維融合在線協作會話可計算模型中，模型的四個象限是完全對稱的。當學習者的協作云圖的質心位于坐標原點時，標志著學習者在各維度上的投入基本相同。當學習者在某一維度上的投入高于其他維度時，學習者協作云圖中對應象限的面積會大于其他象限，云圖的質心會從坐標原點向對應象限移動。因此，可以通過確定云圖的質心所在位置來評估學習者在協作會話過程中各維度的投入傾向。

云圖質心的位置計算方法為：首先在數據驅動的多維融合在線協作會話可計算模型中以坐標原點和12個維度上的點為頂點，將學習者的協作云圖切分為12個三角形，表示為ri（i=1～12）；然后依次計算12個三角形的質心坐標分別為（ri.x， ri.y）（i=1～12），三角形的面積分別為si（i=1～12）。協作云圖的質心Q的坐標可通過公式（6）、公式（7）進行計算。計算得到質心點的坐標后，即可將其標注在協作云圖上，用于描述學習者的協作會話投入傾向。

三 案例分析應用

為了驗證數據驅動的多維融合在線協作會話可計算模型的有效性，本研究以湖北省A師范大學“數據庫原理與應用”課程作為案例開展了應用研究。在該課程中，學習者需要圍繞數據庫設計中的重點和難點問題開展在線協作會話，以達成共識，從而產生了大量的在線協作會話數據，適合于開展案例研究。該案例中，所有學習者沒有進行分組，而是以整個社區為單位開展在線協作會話活動。因此，對案例的分析主要從個體粒度和社區粒度展開。

1 研究對象與數據采集

案例的研究對象為湖北省A師范大學2018級教育技術學專業的25名學習者（包括15名男生，10名女生）。該專業學習者對在線學習活動較為熟悉，能夠熟練地自主開展在線協作學習活動。數據采集于上述學習者在2020年“數據庫原理與應用”課程中所進行的在線協作會話活動。在整個課程中，教師共發布了7個討論主題，所有學習者以不分組的方式圍繞這些主題開展在線協作會話并形成一定的結論。學習者發表的321條討論記錄作為本案例的數據源。

2 描述性統計與相關分析

為了解學習者在協作學習會話過程中各維度上的投入分布情況，本研究對所有學習者在各維度上的數據進行了描述性統計。描述性統計的結果表明，學習者在會話過程中的協作水平差異較大，協作水平最低為0.002、最高為0.631。

為了進一步驗證在線協作會話可計算模型中協作會話的核心評價指標的合理性和有效性，本研究對云圖面積特征指數、云圖周長特征指數、協作水平系數這三個核心評價指標與學習者的學習績效進行了相關分析，統計方法為皮爾遜相關分析，結果發現：三個指數與學習成績的相關系數分別為0.586、0.687和0.634，均在0.01水平上顯著相關。

相關分析的結果顯示云圖的面積占比、云圖的周長占比、學習者的協作水平均與學習者的學習成績呈顯著正相關，且相關系數較高。這一結果說明上述三個指標對學習成績具有良好的預測效果，能夠較好地表征學習者的協作過程。

3 個體粒度中典型學習者的協作會話評價

為進一步了解學習者個體在協作會話中的差異性，本研究選取了6位典型學習者進行個體粒度的詳細分析。6位學習者的選取方式如下：計算所有學習者的協作水平系數，并按照降序進行排列，排序完成后選擇協作水平系數最高的2位學習者、協作水平系數最低的2位學習者，以及位于中位數上的2位學習者作為6位典型學習者，將同一協作水平的兩位學習者分別命名為A和B。對上述6位學習者的協作會話狀態通過在線協作會話可計算模型進行可視化展示，并計算其云圖質心，得到的結果如圖3所示。

從圖3可以看出，不同協作水平的學習者在協作會話狀態云圖中所形成的圖形存在明顯差異；高協作水平的學習者所形成的云圖面積最大，傾向于鋪滿整個單位圓；低協作水平的學習者所形成的云圖面積最小，傾向于環繞在圓心附近；中等協作水平的學習者所形成的云圖則介于前述兩者之間。造成這種差異的原因主要在于，協作水平越高的學習者在各維度上的投入也相對越高，從而導致其云圖更為向外擴散、覆蓋面積更大。與此同時可以觀察到，即使協作水平非常相近的學習者，在協作會話中投入傾向上也存在差異，這一點可以通過協作云圖的質心直觀地體現出來，從而幫助研究者更好地了解學習者在協作會話中的差異。如高協作水平組中的兩位學習者，雖然其協作水平系數非常相近，但學習者A的云圖質心位于行為象限，而學習者B的云圖質心位于社交象限，這體現了兩位學習者在協作會話過程中投入傾向的差異——中協作水平組和低協作水平中的兩位學習者也存在類似的差異。

上述結果說明，通過協作會話狀態云圖可以直觀地觀察到學習者的整體協作水平及其局部維度上的核心特征，同時直觀地對學習者進行比較，便于教師更有針對性地向學習者提供個性化的干預和反饋。

4 社區粒度中學習者的協作會話模式挖掘

除了對個體粒度學習者的協作會話進行分析，數據驅動的多維融合在線協作會話可計算模型也可以用于對社區粒度中學習者的典型投入模式進行挖掘。本研究通過聚類算法對社區中所有學習者的協作會話特征進行聚類分析，以挖掘社區中學習者的協作會話過程典型模式。研究使用的是K-means聚類算法，工具為RapidMiner 7.6。為了確定聚類的最佳類簇數k，使用戴維森堡丁指數（Davies-Bouldin Index，DBI）對k值進行優選，DBI指數越小，意味著聚類結果越接近數據的真實類別分布。設置k值為2～7，當k=4時，DBI的值最小，表明本研究中數據集最為合適的類簇數量為4。

設置k值為4并對數據集進行聚類分析，可得到4個類簇，本研究分別將其命名為類簇1～類簇4。為了更好地觀察各類簇中學習者的協作會話模式，對四個類簇中所包含學習者的各維度的核心特征計算平均值后，本研究繪制了社區中各類簇的協作會話云圖，如圖4所示。

從圖4可以看出，四類學習者所形成協作會話云圖形態各異。為更好地理解這四類模式，本研究對四個類簇在各維度的核心特征進行了總結，并根據其特征的差異性將其分別命名為“領導型”“思想性”“中庸型”和“邊緣型”學習者，各類簇的協作會話模式典型特征如表5所示。

四種類型的學習者在協作會話過程中起到了不同的作用，典型特征詳述如下：

①領導型學習者。在四個類簇中，此類學習者擁有最高的協作程度系數且各象限中的投入均位于高位，表明其處于活躍狀態。這類學習者在社交象限的中介中心性遠高于其他類簇中的學習者，是信息流動核心節點；其綜合表現也顯著優于其他學習者，并在一定程度上承擔了組織和領導功能。此類學習者被命名為“領導型學習者”，適合于在協作學習活動中擔任組長。

②思想型學習者。此類學習者的協作水平系數在四類學習者中處于第二高，與其他三類學習者存在顯著差異的是在認知象限的學習投入遠高于其他學習者。這意味其雖然在協作會話過程中不如領導型學習者活躍，但發言具有較高的知識貢獻和認知深度，因此被命名為“思想型學習者”，適合于承擔高強度認知加工的任務，為協作任務的深入做出認知維度的獨特貢獻。

③中庸型學習者。此類簇在所有四個類簇中包含的學習者個數最多，說明此類學習者是協作會話中較為常見的一種類型。其協作水平系數位于中等水平，質心位置接近于圓心，各象限中的投入也位于社區中的中等水平，屬于數量眾多的中規中矩型的學習者。這類學習者由于數量大且無特殊的表現，相對來說不容易引起教師的關注，但也是協作會話過程中基數最大的主體，是社區中知識流動的基礎。

④邊緣型學習者。此類學習者在社區中的協作水平系數最低，其各象限中的學習投入均處于最低水平。由于其各個象限的投入水平均不高，活躍度極低，未能正常地參與和完成協作任務，因此在協作會話過程中基本處于邊緣性的地位。此類學習者被命名為“邊緣型學習者”，需要教師更多地關注、干預和指導，防止其成為協作會話過程中的孤立點，最終導致學習失敗。

四 結語

在線協作會話是促進知識共享和認知提升的重要手段。針對當前在線協作會話分析僅關注單一維度、自動化程度不高等問題，本研究提出了一種數據驅動的多維融合在線協作會話可計算模型及其量化計算方法，同時進一步提出了兩個協作會話的核心評價指標，實現對協作會話狀態的整體評估。案例研究的結果雖然證明了模型的有效性與可用性，但尚未在大規模數據集中進行進一步測試和驗證，后續研究將進一步擴大數據規模，提升模型的應用范圍和實踐價值。

參考文獻

[1]Newman D， We Bb B， Cochrane C. A content analysis method to measure critical thinking in face-to-face and computer supported group learning[J]. Interpersonal Computing amp; Technology， 1995，（2）：56-77.

[2]Garrison D R. Critical thinking and self-directed learning in adult education： An analysis of responsibility and control issues[J]. Adult education quarterly， 1992，（3）：136-148.

[3]Henri F. Computer conferencing and content analysis[J]. Collaborative learning through computer conferencing： The Najaden papers， 1992，90：117-136.

[4]Gunawardena C， Lowe C A， Anderson T. Analysis of a global online debate and the development of an interaction analysis model for examining social construction of knowledge in computer conferencing[J]. Journal of Educational Computing Research， 1997，（4）：397-431.

[5]Garrison D R， Anderson T， Archer W. Critical inquiry in a text-based environment： Computer conferencing in higher education[J]. Internet amp; Higher Education， 1999，（2-3）：87-105.

[6][15][16][20]李艷燕，彭禹，康佳，等.在線協作學習中小組學習投入的分析模型構建及應用[J].中國遠程教育，2020，（2）：40-48、77.

[7]張思，高倩倩，馬怡敏，等.基于SouFLé框架的在線協作學習分析模型[J].現代遠程教育研究，2020，（6）：94-103.

[8]Chi M， Wylie R. The ICAP framework： Linking cognitive engagement to active learning outcomes[J]. Educational Psychologist， 2014，（4）：219-243.

[9]Sánchez E G， Lorenzo M L B， Abellán I M J， et al. Conceptual framework for design， technological support and evaluation of collaborative learning[J]. International Journal of Engineering Education， 2009，（3）：557-568.

[10]Rosé C， Jrvel S. Building community together： Towards equitable CSCL practices and processes[J]. International Journal of Computer-Supported Collaborative Learning， 2020，15：249-255.

[11]Liu Q， Zhang S， Wang Q， et al. Mining online discussion data for understanding teachers’ reflective thinking[J]. IEEE Transactions on Learning Technologies， 2018，（2）：243-254.

[12][17][21]Wu L， Li J， Liu Q， et al. Information measures of knowledge contribution： A new method to measure knowledge contribution in collaborative knowledge building： An information theory perspective[J]. Journal of Educational Computing Research， 2021，（7）：1319-1342.

[13]吳林靜，劉清堂，毛剛，等.大數據視角下的慕課評論語義分析模型及應用研究[J].電化教育研究，2017，（11）：43-48.

[14]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.

[18]Ye D， Pennisi S. Analysing interactions in online discussions through social network analysis[J]. Journal of Computer Assisted Learning. 2022，（3）：784-796.

[19][22]王云，李志霞，白清玉，等.在線討論中動態學習情緒和認知行為序列的關系研究[J].電化教育研究，2020，（6）：60-67.

[23]Pennebaker J W， Francis M E， Booth R J. Linguistic inquiry and word count： LIWC 2001[OL].

http：//downloads.liwc.net.s3.amazonaws.com/LIWC2015_OperatorManual.pdf

[24]Tausczik Y R， Pennebaker J W. The psychological meaning of words： LIWC and computerized text analysis methods[J]. Journal of Language and Social Psychology， 2010，（1）：24-54.

Abstract： As an important part of online learning activities， online collaborative discourse is also an important method to promote learners to carry out collaborative knowledge construction， which has attracted more and more attention. However， due to not enough perfect analysis framework and analysis methods， the current online collaborative discourse exists the problems such as single analysis dimension and low degree of automation. Therefore， this paper firstly proposed a computable model of data-driven and multi-dimensional fused online collaborative discourse， and then put forward to evaluate the overall state of of collaborative discourse by tow core indicators of collaboration level coefficient and collaboration engagement tendency， and finally made a case study. The results of the case study showed that collaboration level coefficient could accurately represent learners’ collaborative state in collaborative discourse， and the computable model of online collaborative discourse could intuitively present learners’ core characteristics and individual differences in the process of online collaborative discourse. Meanwhile， learners’ online collaborative discourse model included four types of leadership type， thought type， moderation type and marginal type. Through research， the effectiveness of the model and its practical value for automatic analysis and evaluation of online collaborative discourse were verified in this paper， which was expected to provide reference for the automatic analysis of online collaborative discourse.

Keywords： online collaborative discourse; data driven; computable model; collaboration level coefficient

*基金項目：本文為國家自然科學基金項目“數據驅動的在線學習協作會話過程監測與干預機制研究”（項目編號：72174070）、華中師范大學“人工智能+教育”教學創新研究項目“在線協作會話中不同的教師干預策略對學習者認知加工過程的影響研究”（項目編號：2022XY023）、華中師范大學信息化與基礎教育均衡發展省部共建協同創新中心重點項目“中小學教師信息化教學勝任力指標構建及智能測評”（項目編號：xtzd2021-008）的階段性研究成果。

作者簡介：吳林靜，副教授，博士，研究方向為學習分析與教育數據挖掘，郵箱為wlj_sz@126.com。

收稿日期：2022年10月23日

編輯：小時