文本课堂讨论中学生言语的标注
本研究旨在通过使用 NLP 技术自动生成课堂讨论质量的评估得分,对 90 个课堂讨论文本记录进行分析和评估,在焦点为四个评估材料的基础上,研究表明在某些方面有了令人鼓舞的结果,同时也发现在其他方面还有进一步的改进空间。
Jun, 2023
研究了自动写作评估系统如何改善学生写作,着重探讨对论证文本进行修订的相关方面,包括修订类型以及对所给反馈的响应程度。通过分析 5-6 年级学生的论文,引入了一种注释方案来捕捉证据使用和推理方面的修订,并展示了手动注释和修订注释与综合评估的相关性。此外,还研究了自动根据该方案对修订进行分类的可行性。
Jul, 2021
研究展示了课堂讨论的质量对学生发展至关重要,因为其增强了表达要点、推理其他学生要点和长期保留信息的能力。该研究着眼于预测课堂讨论的特定性,并提出了几种方法和特征集,能够胜过现有技术。此外,研究提供一套有意义、可解释的功能,可用于教学层面的课堂讨论分析。
Sep, 2019
本文提供了一种新颖的注释方法,以捕获德语商业模型学生写作的有关论点和前提以及它们之间的关系,并通过 50 篇说服性文章上的标注研究来评估我们的注释方案,呈现了我们的免费语料库以及指南,以鼓励未来针对学生的论述写作支撑系统的设计和开发的研究。
Oct, 2020
本文介绍了一个学生立论式作文之间的修改版本语料库,并对每个修订版本进行了评注,以评估其是否改善了论文质量,并开发了一个基于机器学习的模型来预测修订版本的改进情况,同时也展示了利用专家和非专家修订数据可提高模型性能的结果。
Sep, 2019
本研究探讨了中学生的论证批判写作,发现基于 BERT 模型的架构完成大学层次的论证批判任务效果要比基于领域知识的词汇和语篇特征的模型更好,且分析表明尽管孩子的写作没有成熟的论证文章的标准话语结构,却与成熟的作家分享基本的本地序列结构。
Jun, 2020
本研究提供了一个大的数据集,开发了一种标准对学生的评论进行分类,并提出了一种使用大型语言模型进行评论分类的最佳实践,从而建立了一个低成本的定量研究自动化体系,来处理海量的在线学生反馈。
Jun, 2023
This research paper presents a transformer-based architecture capable of achieving above-human accuracy in annotating argumentative writing discourse elements for their persuasiveness quality, with planned future work investigating the explainability of the model to provide actionable feedback and enable a partnership between the teacher's advice and the machine's advice.
Jul, 2023
本文介绍了一种基于 Penn Discourse TreeBank 标注语言相关特征的新资源,通过对 TED Talks 进行标注,为中英文翻译和语言技术的发展做出了贡献。该资源注重对计划性口语独白的篇章层面语言特征的标注,而不仅仅局限于书面语,基于多位标注者的协商,该标注方案的可靠性得到了证实。
Mar, 2020
通过对教育文本的深度洞察,本文探讨了计算机辅助文本分析在提高教学质量方面的转变潜力,结合 Richard Elmore 的教学核心框架,研究了人工智能和机器学习方法特别是自然语言处理在分析教育内容、教师论述和学生反馈方面的作用,从教师指导、学生支持和内容开发等关键领域发现了 AI/ML 集成的重要优势,并揭示了 AI/ML 的模式,不仅可以简化行政任务,还可以为个性化学习引入新的途径,为教育工作者提供可操作的反馈,为教学动态提供更深入的理解。本文强调将 AI/ML 技术与教学目标相一致,实现其在教育环境中的充分潜力,提倡平衡的方法,包括考虑道德考虑、数据质量和融合人类专业知识。
Mar, 2024