Analyzing Discourse and Text Complexity for Learning and Collaborating: A Cognitive Approach Based on Natural Language Processing

با ظهور و افزایش محبوبیت یادگیری مشارکتی با پشتیبانی رایانه (CSCL) و فناوری های یادگیری الکترونیکی، نیاز به ارزیابی خودکارواز حمایت معلم/معلم برای دو فعالیت کاملاً درهم تنیده درک مطالب خواندن و همکاری بین همسالان به طور قابل توجهی افزایش یافته است. در این زمینه، یک مدل چند صدایی از گفتمان برگرفته از کار باختین به عنوان یک پارادایم برای تجزیه و تحلیل متون عمومی و مکالمات CSCL در یک چارچوب منحصر به فرد متمرکز بر جنبه های مختلف انسجام متنی استفاده می شود.

به عنوان ویژگی تحلیل ما. دیدگاه یادگیری فردی بر شناسایی راهبردهای خواندن و ارائه یک مدل پیچیدگی متنی چند بعدی متمرکز است، در حالی که بعد یادگیری مشارکتی بر ارزیابی شرکت کنندگان متمرکز است. مشارکت، و همچنین در ارزیابی همکاری.

رویکرد ما مبتنی بر تکنیک‌های پیشرفته پردازش زبان طبیعی، تخمین کیفی فرآیند یادگیری را ارائه می‌کند و درک را به‌عنوان «واسطه یادگیری» با ارائه بازخورد خودکار به هر دو افزایش می‌دهد. فراگیران و معلمان یا معلمان. مزایای اصلی آن انعطاف پذیری، توسعه پذیری و با این حال ویژه بودن آن برای پوشش مراحل متعدد، از خواندن مطالب کلاسی، تا بحث در مورد موضوعات خاص به شیوه مشترک و پایان دادن به حلقه بازخورد با بیان افکار فراشناختی است.

With the advent and increasing popularity of Computer Supported Collaborative Learning (CSCL) and e-learning technologies, the need of automatic assessment andof teacher/tutor support for the two tightly intertwined activities of comprehension of reading materials and of collaboration among peers has grown significantly. In this context, a polyphonic model of discourse derived from Bakhtin’s work as a paradigm is used for analyzing both general texts and CSCL conversations in a unique framework focused on different facets of textual cohesion.

As specificity of our analysis, the individual learning perspective is focused on the identification of reading strategies and on providing a multi-dimensional textual complexity model, whereas the collaborative learning dimension is centered on the evaluation of participants’ involvement, as well as on collaboration assessment.

Our approach based on advanced Natural Language Processing techniques provides a qualitative estimation of the learning process and enhances understanding as a “mediator of learning” by providing automated feedback to both learners and teachers or tutors. The main benefits are its flexibility, extensibility and nevertheless specificity for covering multiple stages, starting from reading classroom materials, to discussing on specific topics in a collaborative manner and finishing the feedback loop by verbalizing metacognitive thoughts.