如何分析课堂发言：人工智能与统计方法的结合

发布时间：2021-02-15 21:56

　　统计人工智能专家系统（SAIES）可以自动分析课堂发言并帮助学生学习。自动转录的课堂发言文稿可以形成一个数据库,计算语言学使得统计语篇分析（SDA）进行自动变量分类成为可能。这一方面从根本上改变了SDA模型的后续分析流程,另一方面可以解释多层次变量对目标动作产生了怎样的影响。SAIES将理论模型转换为统计模型,对数据进行测试,并对结果进行解释。笔者用SAIES分析了17组学生与教师组合在13周内进行的课程设计讨论。分析结果表明在以下四种情况下,更容易出现微小创新:（1）学生们过去的学习成绩更好;（2）在较近的发言次序中出现了微小创新;（3）在错误答案出现之后有学生提出了不同意见;（4）小组的问题解决方案得分越高。 

【文章来源】：北京大学教育评论. 2019,17(04)北大核心CSSCI

【文章页数】：12 页

【部分图文】：

微小创造力解释模型路径图（采用语篇分析方法）

分析的过程有可能随时间而不同。如果不能控制在相同时间段内或者相邻的次序间谈话内容的相似性，则可能低估模型的标准误差（Kennedy,2008）。断点分析可以用来统计识别因变量的高频率与低频率时间段，并在多层模型中加入时间段这一层的差异（Wise&Chiu,2011）。断点分析测试了给定数量的潜在断点所有可能的时间位置，用一个较小的SAIES就可以实现这种计算密集型分析（Chiu&Lehmann-Willenbrock,2016）。Q-统计检验各个小组内次序相邻的发言之间的相似性，即残差的序列相关性（Ljung&Box,1978）。如果结果（例如，新的观点）的序列相关性很显著，那么将滞后一期的结果变量加入模型中作为解释变量则会消除序列相关性的影响（Chiu&Khoo,2005）。在课堂、小组和发言次序之外，这些时间段构成了分析的另一个层次。


本文编号：3035602