应用HMM识别在线协作交互模式

【摘要】协作学习的本质是协同建构知识的过程，实现该过程主要有三类交互模式：分享信息、协商冲突和共同创造。基于隐马尔可夫模型，以实时交互言论的行为类型为观察序列，以小组讨论状态为状态集合，该论文尝试了上述三类协作交互模式的识别研究。

【关键词】协作学习；实时交互；交互模式；隐马尔可夫（HMM）

【中图分类号】G420 【文献标识码】A【论文编号】1009―8097 (2008) 07―0073―05

一 协作学习中的交互模式

随着网络通信技术的飞速发展，新的人际交流环境已经形成。以计算机为媒介的交流（Computer Mediated Communication，简称CMC）成为远程教学和网络化学习的重要途径。本文所探讨的在线学习中的交互是指学习者之间以信息为中介进行知识意义建构的过程，主要发生在协作学习的过程中。

很多研究者认为学习者之所以可以通过相互协作实现个体认知的发展，是因为在协作中，不同的观点通过共享、比较、论证、综合、修改调整等过程达成了共同的理解（shared understanding）[1]。协作学习的本质就是协同建构知识的过程，而此过程主要包括三类核心环节：

分享信息

Stahl[1]（2003）认为基于社会互动的协同知识建构过程开始于个体知识（personal knowing）的共享。Gunawardena[2]（1995）也认为成员之间共享和比较信息，交流看法，描述讨论主题是协同知识建构的最初阶段。

协商冲突

来自不同个体的观点或知识在讨论过程中会发生冲突，如果这些观点或知识通过协商达成了一致，那么一致的结果便是共同的理解（shared understanding）。在协商冲突的过程中，学生高度关注其他人所提供的信息的意义，那些不完全的、冲突的、模棱两可的信息被协作小组成员不断过滤和再加工，直至共同方案的建立。很多CSCL（Computer Supported Collaborative Learning，简称CSCL）研究者都认为当参与协作学习的学生面临冲突进行争论，并通过协商尝试获得共同解决方案时，协作学习就会有效得多[3] [4]。

共同创造

群体决策或共同解决问题是协作交互的常见任务。为保证群体问题解决的质量，需要参与成员各抒己见，集思广益，尽可能多地提出自己的意见，并对他人的设想进行补充、改进和综合。共同创造意味着成员积极提出新建议、新方案，最后通过综合、调整实现问题的解决或作品的创建。

上述三类交互过程各有特点，共同构成了协作学习的三类基本交互模式。本研究将协作小组成员围绕特定目标而展开的实时交互行为的序列结构定义为交互模式。目标/任务、交互行为、小组成员、时间共同构成了交互模式的四个基本要素。显然，本研究中交互模式的划分主要基于目标/任务维度。

二 交互模式的HMM模型

给协作小组的成员提供一个实时交流平台，并且安排一个学习任务，仍然无法保证分享、协商、共同创造的顺利发生。我们常常会发现：个别成员控制或主导讨论过程，而小组中大部分成员的意见没有充分表达或没有充分投入到交互过程中，原本应该是来自不同个体的观点经过充分比较、论证、争辩、补充、调整等获得共同理解，却常常演变成了“任务分工＋个人观点简单合并”。

对此，国外已有研究者试图引入自动监控机制来识别协作小组当前的讨论状态。Amy Soller等[5]人开发的EPSILON协作学习环境就采用隐马尔科夫模型（HMM）来识别协作小组成员在讨论过程中的角色（比如知识分享者等），并根据识别结果给出相应的反馈指导。McManus 和Aiken（1995）[6]的Group Leader System就通过有限状态机来监控学生讨论中的评论、请求、许诺和争论行为，通过动态分析学生的言论类型序列就学生的信任程度、领导能力、创造能力和交流能力等四个方面的协作能力给出评价和指导。但国内的相关研究却很少。

本论文将聚焦在线协作学习中的生生实时交互过程，尝试基于隐马尔可夫（Hidden Markov Model，简称HMM）模型从小组成员围绕特定目标而展开的实时交互行为的序列结构中判定上述三类模式的发生。

隐马尔可夫模型是一种用参数表示的用于描述随机过程统计特性的概率模型，它包括状态转移概率的马尔可夫链和输出观测值的随机过程，其状态是不确定或不可见的，只有通过观测序列的随机过程才能表现出来。一个HMM可以用五元组描述（S,K,∏,A,B），其中：

在协作交互过程中，为了保证交互的持续进行和讨论任务的完成，学生的交互言行不是随意的。这种非随意性主要体现在两个方面：第一，学生所发表的言论受当前交互意图的制约；第二，学生当前的交互意图受协作小组当前的讨论状态制约。因此，学生的言行（Speech Act）可以作为HMM的输出序列集合，而讨论状态可以作为HMM的状态集合。

言语行为理论（Speech Act Theory）的代表塞尔[7]将言语行为划分为五类：陈述、祈使、承诺、表态、宣告等。但在具体编码时，我们发现难以用上述五类概括所有学生交互言论的“行事”特征。为此，我们采用了从下至上法即由原始语料归纳出相应的类别体系。言论类型的确定标准是：以言语行为理论为基础，抽象出能反映交流意图的类型体系。分析者选定为两位北师大教育技术学院的研究生。基本的分析过程是：两位分析者首先分别对聊天室上的原始语料逐个进行编码分类，在分类的过程中归纳合并相同项或类似项，逐步形成言论类别体系；大约分析至抽样言论的40%时，两位分析者核对类别体系和编码结果，重新明确编码类别和分类标准；然后按照新确定的编码体系对后续言论内容进行编码，结束后再进行编码结果一致性的总结性评价；分析结束后计算两个分析者编码结果的Kappa系数（在SPSS里用CrossTab分析），结果为0.86，大于0.7，说明分析结果基本一致。最终编码结果取两位分析者协商后的一致意见（言论类型体系详见表1）。

应用同样的方法，讨论的状态确定为以下五类：

组织（Or）：试图控制、协调讨论过程

社交（Sg）：交流情感，影响组内交流氛围

建构（Bu）：产生新信息或更多信息，促进问题解决或讨论过程的结束

一致（Ag）：核实、明确、应用达成的共识

冲突（Co）：小组内成员观点出现分歧，组员之间相互挑战、质疑或辩驳

三 实验设计

为建立三类交互模式的HMM模型，需要一批可靠的训练数据。我们围绕三类交互模式的特点，针对性地设计了六个两人在线协作讨论（非面对面讨论）的任务（任务内容见表2）。

剔除讨论失败或不正常的小组实时交流数据后，共获得了43组训练文档，其中分享信息模式的有15组，协商冲突的20组，共同创造的8组。

四 三类交互模式的识别

三类交互模式识别的基本过程是：

，

对和做了上述处理之后，用尺度变换后的前向后向变量重写Baum-Welch算法公式。

初始模型经过多次训练重估以后，其值也相应被一一修改。但在实际运行中，我们发现，输出观察序列的概率矩阵有可能出现某一列全为零的情况，从而导致尺度转换因子下溢。对此我们进一步采用数据平滑的方法解决某个言论类型在所有讨论状态下出现概率均为零值的情况。修改方法如下：

本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文

（1）为第 组训练序列处于状态 ，输出为 的概率值； 为第 组训练序列的序列长度； 表示言论类型的总数。

（2） 记录在所有状态下输出概率均为零的言论类型：

（3） 依据言论类型在第 组出现的历史情况，修改零值：

，

（4） 保证各状态下输出各言论类型的概率总和为1的条件，按照“劫富济贫”的原则修改其他概率值：

其中， ，修改零值产生的增量

实验表明，上述修改方法不但能解决尺度转换因子下溢的问题，而且通过历史值修改输出概率（即前一个训练文档的言论类型输出概率），能使数据得到比较好的平滑效果。

3 应用HMM模型识别交互模式

已知三类交互模式的HMM模型 （分享信息）、 （协商冲突）和 （共同创造），对于一个言论类型序列O，可以分别计算出由该三种模式产生出该观测序列的概率P(O| )、P(O| )和P(O| )。因此识别某个言论类型序列O所属的交互模式的问题可以通过比较P(O| )、P(O| )和P(O| )的大小得到解决：输出概率值越大，则表明越符合该类交互模式。

用上述6个任务的2人被试实验数据（共30组，每类模式10组实验数据）验证HMM识别交互模式的方法，结果表明，每类模式的正确识别率均是90%。

五 讨论

本论文基于HMM模型的学习算法，将交互过程映射为一个统计模型，通过训练样本的获取和学习，估计模型参数，并以此为依据判断特定交互行为序列所对应的交互模式。但是该方法具体应用于实时协作交互的监控和指导还需要进一步解决以下三个方面的问题：

1 人工编码交互言论费时费力

交互言论的内容纷繁芜杂，逐条言论予以人工分析和编码，一方面主观性强，存在一定程度的信度问题，另一方面，费时费力，效率不高。因此，有必要实现交互言论类型的自动或半自动识别，这必然涉及自然语言理解的问题。为了避开这一技术难题，目前国际上通用的方法是：提供一个类型体系的脚手架，比如映射某一类型的句首词（sentence opener），让实时交互的用户自主选择。

2 训练文档数量不够

由于初次尝试应用HMM识别在线协作交互模式，训练文档不多，模型参数尚未达到收敛，还需后续进一步增加训练文档的数量，使模型达到稳定。

3 交互模式的类别需要进一步明确

由于目前三类交互模式的HMM模型尚未稳定，因此难以直接根据评估概率P(O|μ)的大小判断是否属于某类交互模式，另外交互言论序列的长度对P(O|μ)也有明显的影响。为了解决这一问题，本论文采用了比较三类模型的输出概率P(O|μ)的方法来识别2人小组的交互模式。但是交互模式的类别是否合适，是否需要进一步细化各类别，以提高模式识别的正确率和增强教学指导功能，尚需进一步研究。

―――――――

参考文献

[1] Stahl, G. Building collaborative knowing: Elements of a social theory of learning[A]. J.-W. Strijbos, P. Kirschner & R. Martens (Eds.)[C], What we know about CSCL in higher education. Amsterdam, NL: Kluwer. 2003.53-86.

[2] Gunawardena, Social Presence Theory and Implications for Interaction and Collaborative Learning in Computer Conferences [J]. International Journal of Educational Telecommunications, 1995,1. 147 166.

[3] Baker, M.J. & Lund, K. (1996). Flexibly structuring the interaction in a CSCL environment. In Proceedings of the EuroAIED Conference (eds. P. Brna, A. Paiva & J. Self) pp. 401-407, Edições Colibri, Lisbon.

[4] Savery, J., & Duffy, T. (1996). Problem based learning: An instructional model and its constructivist framework. In B. Wilson (Ed.), Constructivist learning environments: Case studies in instructional design (pp. 135-148). Englewood Cliffs, NJ: Educational Technology Publications.

[5] Amy Soller and Alan Lesgold. Modeling the Process Of Collaborative Learning. Proceeding of the International Workshop on New Technologies in Collaborative Learning. waji-Yumebutai,Japan.

[6] McManus,M.and Aiken,R.Monitoring Computer-based Problem Solving .Journal of Artificial Intelligence in Education,1995,6(4):307-336.

[7] 孙淑芳,塞尔言语行为理论综述,外国语学院学报, [N].1999-1.

[8] 李志鹏,陈善广,薛亮,解决Baum-Welch算法下溢问题的参数重估公式中存在的问题及其更正,声学学报, [N].2001-5.

Recognition of Interaction Pattern in Web-based Collaborative Learning

ZHAO Dong-lun1HUANG Rong-huai2LIU Huang-ling-zi3 LENG Jing2ZHU Ling-li4

(1.Department of Computer Science and Technology, Beijing Normal University, Beijing 100875, China;

2.School of Education Technology, Beijing Normal University, Beijing 100875,China; 3.Nokia Research Center, Beijing 100080,China;

4. Network Education Institute of PEKING University, Beijing 100871,China)

Abstract: The essence of collaborative learning is collaborative knowledge building, which mainly has three interaction patterns: information sharing, conflicts negotiation and joint creation. Based on Hidden Markov Model (HMM), taking the speech acts of online discussion as observation sequences and the discussion states as state set，this paper tried to recognize the three interaction patterns mentioned above.

Keywords: Collaborative Learning; Synchronous Interaction; Interaction Pattern; Hidden Markov Model

注：“本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。”

本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文