ArgueTutor：一个适应性的对话式辩论技能学习系统

文献标题

ArgueTutor: An Adaptive Dialog-Based Learning System for Argumentation Skills

文献信息

• 主题领域: 教育技术与人机交互
• 关键词: 教育应用, 教学对话代理, 论证学习, 自适应学习, 自然语言处理, 机器学习, 信息技术, 对话系统, 元认知技能, 智能辅导系统

研究背景与问题

• 作者发现的问题或挑战:

  • 学生需要不断提高元认知技能（如批判性思维、协作和问题解决能力），尤其是结构化和逻辑化的论证能力。
  • 教育机构在提供个性化辅导方面存在挑战，例如时间限制、大规模讲座以及远程学习的普及。
  • 专业的教师个人辅导资源匮乏，尤其是在大规模在线课程中。

• 重要性:

  • 论证能力是日常沟通及解决复杂问题的重要组成部分，也是民主公民性交谈的重要基础。这一技能不仅在学术上关键，在未来工作中也愈发重要。

• 研究动机与相关工作:

  • 以自然语言处理（NLP）和机器学习（ML）技术为中心的教育技术领域正在快速发展。
  • 目前已有支持论证学习的工具，但缺乏结合智能反馈和对话式学习设计的辅导系统。
  • 对话式学习系统（如教学对话代理）在其他领域表现出显著效果，但在论证学习中应用较少。

解决方案

• 提出的解决方案:

  • 开发一个名为 ArgueTutor 的自适应对话式论证学习系统。它通过对话界面为学生提供个性化即时反馈、理论支持以及循序渐进的指导。
  • 利用论证挖掘技术自动分析学生文本中的论证质量，并结合对话式学习设计提出智能反馈。

• 创新之处:

  • ArgueTutor 是首个专注于论证技能学习的智能对话式辅导系统，基于 NLP 和 ML 提供即时、适应性的反馈。
  • 结合学生需求和理论驱动的设计原则，系统实现了学生独立学习的互动方式。

• 实施步骤与技术:

  1. 构建对话式界面:

     • 通过理论驱动和用户中心的方法设计界面，确保交互性和简单性。
     • 提供分阶段学习指导（如任务解释、难点解析、理论输入）。

  2. 开发论证挖掘模型:

     • 使用带有论证组件标注的学生反馈文本语料库训练模型。
     • 基于 BERT 架构的深度学习方法来识别文本中的论证结构（如 "claim" 和 "premise"）。

  3. 设置实验对比:

     • 对比 ArgueTutor 和传统非自动讨论脚本工具之间的效果。

研究成果

• 具体成果:

  • 使用 ArgueTutor 的学生撰写的文本论证质量显著优于使用传统工具的学生。
  • 参与者认为 ArgueTutor 使用便捷，与系统的互动更为愉快，展示了实时反馈与学习动力的良性结合。

• 优势:

  • 相较于静态讨论脚本工具，ArgueTutor 提升了学生文本的正式论证质量与说服力。
  • 在一个实验中证明，基于 ICAP 框架的互动性学习模式能提高学生的参与度和学习效果。

• 实验或评估结果:

  • 正式论证质量:
    • 使用 ArgueTutor 的学生平均写出了 3.56 个支持论证，显著高于传统工具的 2.64。
  • 感知论证质量:
    • ArgueTutor 用户的文本说服力被评为 3.48，而传统工具为 2.80。
  • 易用性与享受度:
    • ArgueTutor 在易用性和学习乐趣方面得分分别为 3.73 和 3.41，显著优于传统工具。

• 局限性与未来方向:

  • 局限性:

    • 实验样本仅限于一个大学，可能存在推广性限制。
    • 长期使用效果尚未探索，可能存在新鲜感效应。

  • 未来方向:

    • 优化反馈细粒度，例如展示论证组件间的关系图。
    • 提供透明的反馈机制说明。
    • 扩展 ArgueTutor 应用于其他领域和语言（例如英文语料）。
    • 开展纵向研究以评估长期使用工具的效果。