人工智能视域下的在线协作会话分析：概念模型及应用

吴林静 涂凤娇 马鑫倩 高喻 刘清堂

[摘   要] 学习者的协作会话数据是深入了解其学习过程和认知状态的一类重要数据。但由于自然语言的灵活性和学习情境的复杂性，协作会话数据分析的自动化程度一直不高，难以大规模应用。文章从人工智能视域出发，构建了基于人工智能技术的在线协作会话分析概念模型，对在线协作会话分析的理论基础、基本特征、分析流程和常用方法进行了论述，并进一步详细分析了“基于信息论的知识贡献测量”和“基于语义的协作会话学习投入自动分析”两个在线协作会话分析典型案例。案例证明了该模型能够将人工智能技术的“可计算”与教育研究的“可理解”相结合，为人工智能技术与协作会话分析融合搭建了桥梁，对在线协作会话分析实践具有重要的指导和参考价值。

[关键词] 在线协作会话； 人工智能； 概念模型； 可计算； 可理解

[中图分类号] G434            [文献标志码] A

[作者简介] 吴林静（1987—），女，湖北松滋人。副教授，博士，主要从事数据挖掘、人工智能与教育应用研究。E-mail：wlj_sz@126.com。

一、引   言

在线协作会话是指以在线学习环境为支撑，学习者围绕一定主题或目标以协同合作的方式展开对话，通过讨论来交换想法和弥补差距，最终达成一致意见或完成某一任务的过程。协作会话是在线学习中师生、生生交流的一种重要手段，有时甚至是唯一手段[1]。协作会话既是了解学习者认知过程的重要窗口，也是缓解学习孤独感、提升学习体验的重要策略[2]。因此，开展在线协作会话分析，对于深入诊断学习过程、提升学习者学习体验、提供个性化学习指导都有着重要的意义和价值。然而，目前对于在线协作会话的分析仍以人工分析为主，主要依赖教师的个体经验和观察，难以规模化和体系化。其原因在于在线协作会话数据的主要形式是文本，而文本类数据的处理与分析相对复杂。在学习分析领域，结构化数据的处理与分析技术已经相对成熟，如针对日志数据、行为数据、成绩数据、里克特量表测量的问卷调查数据等均已有相对成熟的分析模型，并得到了广泛应用[3-5]。但对于文本类的数据，则主要依靠内容分析法进行人工分析，难以规模化和自动化进行分析。而近年来，人工智能技术的迅猛发展，为缓解这一现象提供了新的契机和思路。文本分析相关的自然语言理解技术和语义分析技术取得了长足的进步[6-7]。但如何将这些技术应用于协作会话分析领域，尚未形成相对成熟的概念模型。针对这一问题，本研究从人工智能视域出发，提出了一种在线协作会话分析的概念模型，试图从方法论的角度阐述如何更好地将人工智能技术融合于协作会话分析，从而理解学习过程、提升学习体验。该概念模型对人工智能技术支持的在线协作会话分析的理论基础、常用方法、分析流程和基本特征进行了总结和概括，并提出多学科交叉、问题导向、数据驱动和情景相关是该模型的四大典型特征。本研究选择了两个该模型的典型应用案例进行分析，以阐述模型的应用方式并验证其有效性和可用性。

二、文献综述

（一）人工智能与学习分析技术

对学习分析技术的研究和应用由来已久。Siemens给出了学习分析技术的定义：测量、搜集、分析和报告关于学习者及其学习情境的数据，以了解和优化学习和学习发生的情境[8]。从该定义中可以看出，学习分析技術是一种围绕着数据展开的研究方法。目前，学习分析技术已经被广泛地应用于学习过程中的各个环节，并发挥了巨大的作用[9-10]。但是，由于数据的标注与分析工作耗时耗力，传统的学习分析技术通常在小规模数据集中开展，不便于大规模应用。人工智能技术的发展则为这一现象提供了新的解决思路[11]。人工智能的核心宗旨是“计算的自动化”[12]，而这一宗旨正好与学习分析大规模应用的需求不谋而合，为学习分析的自动化开展提供了技术基础。人工智能技术的加持使得大规模的、密集型的数据能够被快速、高效地分析和处理；而学习分析技术则保证了数据的教育和教学特性可以被理解和应用。因此，人工智能技术和学习分析技术的融合将大大提高学习分析的效率，拓展其应用范围和应用场景，使得学习分析技术焕发新的活力。但与传统的数据分析方法相比，当前人工智能技术的可理解性和可解释性相对较弱[13-14]。常用的很多人工智能算法，如各种深度神经网络模型，其参数复杂，建模和分析过程如同黑箱，难以被理解和解释[15]。因此，人工智能技术视域下的学习分析也有了新的发展和需求。如何对学习领域的数据进行建模，从而利用人工智能技术进行分析和挖掘，并保证分析过程和分析结果对于学习分析专家和教师具有可理解性和可解释性，成为人工智能技术支持的学习分析领域发展所面临的挑战之一。

（二）在线协作会话分析

对会话数据的分析是学习分析研究的重要组成部分，其原因在于，会话活动是教学过程中一种重要的教学组织形式。根据会话环境的不同，教学中的会话可以分为面对面会话和在线协作会话。面对面会话的典型形式即课堂教学会话，其研究已经持续了很长时间，并取得了丰硕的成果[16-19]。在线协作会话的典型形式则是利用各种同步、异步会话支持软件支持学习者和教师进行在线会话，以实现问题解决、知识建构等认知加工活动。与课堂教学会话相比，在线协作会话情境更加丰富、主题更加多样、内容更为灵活，对其分析与挖掘也更为复杂[20]。研究者们尝试从不同的角度对在线协作会话展开分析。代表性研究如Gunawardena等人提出的知识建构五阶段模型[21]、Garrison等人提出的探究社区模型（Community of Inquiry，COI）[22]、Newman等人提出的批判性思维编码量表[23]等。这些模型在会话分析中得到了广泛的应用，并取得了大量的研究成果[24-25]。但这些研究主要通过手工编码的方式开展，难以在大规模的对话语料中实现，其主要原因在于未能建立起将上述模型与人工智能技术连接起来的有效方式和渠道。人工智能技术强调分析过程的自动化和可计算；而会话分析本身服务于教育教学，强调可理解、可应用。这两大研究领域从研究取向上虽然迥异，但可以完美互补。这两个领域的结合，既可以拓展人工智能技术的应用领域，又可以提升教育研究的效率和应用范围。但受限于自然语言本身的灵活性和复杂性，将人工智能技术应用于在线协作会话的自动分析尚处于起步阶段，有待于进一步探索。

鉴于此，本文拟提出一种人工智能技术支持的在线协作会话分析概念模型，整合人工智能技术分析方法与在线协作会话教学实践，为可计算、可理解的在线协作会话分析提供参考和指导。

三、人工智能技术支持的在线

协作会话分析概念模型

（一）协作会话分析的重点与难点

与学习成绩和问卷数据等结构化数据相比，协作会话数据是典型的非结构化数据。这一特征决定了协作会话数据中蕴含着更多信息，能够更全面、更深入地反映学习者的认知过程和状态；但同时，此类数据的自动化分析难度更高，更多地依赖于人工进行分析，且难以大规模开展。因此，在利用人工智能技术进行协作会话的自动化分析时，需要注意以下重点和难点：

1. 自然语言的复杂性

自然语言具有很高的自由度和灵活性，学习者能够自由地表达自己的想法与观点、深入地与教师和同伴进行交流，从而实现知识建构。但同时，由于自然语言本身的复杂性，如词汇边界的界定（分词）、歧义性、句法的模糊性、上下文的依赖性等均导致对自然语言的自动化理解难以达到百分之百的准确。近年来，随着词向量、Bert模型等相关人工智能技术的快速发展，自然语言处理的准确率得到了进一步的提升，为将自然语言处理技术引入协作会话分析领域提供了技术基础。

2. 教育情境的多样性

在线协作会话具有情境多样性的显著特征，为其分析增加了难度。情境的多样性主要体现在两个方面：一是协作会话本身可能发生在不同的学习情境中，如围绕某一主题的讨论、答疑、协作完成人工制品、在线辩论等。不同的情境中学习者所使用的语言表达方式存在着显著差异。二是学科不同也会导致协作会话的主题内容存在显著差异。人文类学科、理工类学科、艺术类学科均具有显著的学科差异性，在学科术语、思辨方式、讨论主题等方面存在巨大差异，也为在线协作会话的分析带来了挑战。

3. 研究结论的可解释性

随着深度学习模型的飞速发展，人工智能技术逐渐从探索进入实用阶段。但是大部分的深度学习模型均存在一个共同的不足，即模型的可解释性不强。在教育研究中，可解释性却是一个非常重要的需求。其原因在于，教育研究不仅仅关注“果”（学生分类、学习成绩等），也关注“因”（学习过程、学习者之间的差异等）。而根据“果”来分析“因”则要求模型具有较好的可解释性，才可能由“果”及“因”，深入了解学习过程，从而为学习者提供智能化和个性化的指导。

（二）在线协作会话分析的概念模型

针对上述在线协作会话分析中的重点与难点，本文提出了如图1所示的在线协作会话分析概念模型。

该模型的核心是在线协作会话的分析流程，主要包括五个基本步骤：采集（采集原始会话数据）、表征（数据量化与编码）、提炼（构建核心行为指标）、分析（分析对象的教与学特征）、应用（提出教学改进与建议）。每个步骤都有相应的基本特征、常用方法和理论基础。

1. 采集

在线环境中，会话数据可以方便快捷地运用计算机技术进行实时采集。目前常用的同步协作会话工具如QQ、微信等均具备批量数据导出功能，各类异步在线论坛也可以通过网络爬虫实现批量数据爬取。方便快捷的数据采集方式为大规模的在线协作会话分析提供了堅实的数据基础。

2. 表征

在线协作会话分析中，原始数据是以自然语言呈现的非结构化文本，难以自动理解和分析，必须将其转为数值数据以供后续分析使用，这一过程被称为表征。实现文本数据向数值数据转换的方式是对数据进行编码和量化。编码和量化的核心思想是以问题为导向，即：核心的研究问题决定着数据编码与量化的方式，即：如何对数据进行编码和量化必须根据研究问题的需求来进行选择。相关语言学理论可以为该步骤提供理论支持。常用的方法则主要包括人工标注、计算机支持的特征工程等。因此，该步骤可以在人工智能技术的支持下自动或半自动实现。

3. 提炼

提炼是将编码量化后的特征数据进一步加工和整理，形成能够从教和学的角度解释的核心行为指标，即将低层次的语言特征凝练为具有教学意义的行为特征。这一步是在线协作会话分析结果能够实现可解释、可理解的重要基础，是数据与教学建立起联结的重要桥梁。这一步骤计算机很难自动实现，必须要有学习分析专家的参与。专家根据教育学、认知科学、学习分析科学等领域的相关理论，建立起围绕研究问题的核心行为指标，并定义这些行为指标与编码量化后所形成的特征之间的映射关系，从而实现由低级特征向高级教学行为指标的转换。

4. 分析

分析指的是根据定义的核心行为指标，选择合适的数据分析与挖掘方法，探索学习者在教与学方面的特征，从而发现潜在的学习模式、预测可能的学习结果等。常用的分析方法主要包括数据统计、数据挖掘算法等。其理论基础主要依赖于人工智能等相关领域的基本理论，其过程则可以依赖于计算机技术自动进行。但需要注意的是，对分析结果的进一步解释需要结合数据发生的具体教育情境来进行，需要领域专家的支持。

5. 应用

应用指的是基于分析结果，向本次研究问题的利益相关者如教师、教育管理者、学习者等提供有效的教学建议，以期更好地提升教学效果和教学体验。该步骤必须依赖于领域专家和学习分析专家。领域专家和学习分析专家结合数据分析结果和教育情境中的具体上下文来给出教学或管理建议，提升研究结果的实践应用价值。

（三）概念模型的典型特征分析

为了更好地应用上述概念模型，本文对其典型特征进行了深入分析，指出该模型的典型特征如下：

1. 多学科交叉研究

模型强调在线协作会话分析是一个典型的多学科交叉的研究领域。对协作会话进行编码和量化涉及语言学的基本理论，如社会语言学、计算语言学、语言心理学、信息论等；构建学习行为的核心指标则涉及教育学、心理学、认知科学、脑科学领域；对数据的分析主要借助于人工智能领域的相关分析与挖掘方法，涉及统计学、机器学习的相关算法；对研究结论的解释与应用则依赖于学习科学、认知心理学、教学系统设计等领域的理论与模型。

2. 问题导向的研究

教育教学问题是开展整个研究的核心，所有的研究过程都围绕着某一确定的研究问题展开。该问题来源于在线协作会话的教学实践，在多学科交叉研究方法的支持下得到相应的研究结论后，又最终反哺于教育实践，帮助教师和教育管理者更好地开展在线协作会话活动。

3. 数据驱动的研究范式

随着人工智能技术和自然语言处理技术的飞速发展，对会话数据的自动分析和处理已经逐步达到了实用的程度。在人工智能技术的帮助下，会话数据可以转化为具有特定意义的数值数据，为进一步的自动化分析和处理提供数据基础。因此，会话数据的分析也从质性研究范式逐步转变为数据驱动的研究范式。

四、在线协作会话分析典型应用案例

（一）案例1：基于信息论的知识贡献测量

1. 案例的研究问题与情境

本案例选自于Wu Linjing等撰写的论文[26]。该案例的核心研究问题是如何自动测量学习者在线协作会话中的知识贡献。案例的研究情境是某师范大学“数据库原理与应用”课程的全体学生通过在线论坛围绕教师发布的主题进行在线讨论，以达到对特定主题的一致观点。案例共收集了6个讨论主题下学生发表的204个主题讨论帖。

为了探究学习者在协同讨论过程中的知识贡献情况，研究者引入了信息论模型中信息熵的概念，对在线协作会话过程中的话语数据进行量化和编码。通过借鉴信息熵理论中信息量和信息增益的概念，该案例定义了在线协作会话中利用信息量和信息增益来评价学习者知识贡献的核心方法。以该方法为基础，案例进一步探索了社区粒度和个体粒度的知识贡献的分布特征，为教师和学习者开展在线协作会话活动提供建议和参考。

2. 案例的研究流程与方法

该案例的研究流程如图2所示。

在该案例中，研究者在网络爬虫的支持下，采集了异步在线讨论中的全部讨论数据作为研究的数据源。在表征阶段，该案例从研究问题出发，以信息论中信息系统的不确定性理论为指导，确定了以关键词的方式作为在线协作会话中所传递信息的基本表征。确定在线协作会话的表征方式之后，案例以知识建构理论和认知科学理论为基础，定义了测量知识贡献的两个核心行为指标：信息量和信息增益，并给出相应的计算方法及其所代表的知识贡献的具体意义。基于这两个核心行为指标，案例进一步分析了在线协作会话中社区级别和个体级别的知识贡献的特征和模式，以挖掘出协作会话数据中学习者知识贡献的分布情况。其中，社区级别的知识贡献特征通过函数拟合和可视化的方式进行挖掘；个体级别的知识贡献特征则通过聚类分析的方法进行挖掘。分析挖掘出数据中有价值的信息之后，这些信息即可应用于教育教学中，帮助教师、研究者和学习者识别出知识贡献中的离群点，并指导研讨话题的组织和干预，促进和提升学习者的协同知识建构。

3. 案例的基本结论

通过对在线协作会话中学习者知识贡献的分析，案例绘制了每个主题随着讨论的不断深入，其信息量的变化过程，并通过对数函数进行拟合来测量话题的收敛情况。图3中的子图（a）和子图（b）分别展示了两个不同话题随着时间进展其信息量的变化情况。

从图中可以看出，进行对数函数拟合时，图（a）中的曲线的拟合程度要高于图（b）中的曲线，具体体现为图（a）中擬合的对数函数的斜率（0.178）要大于图（b）的斜率（0.127）。相应地，图（a）中的曲线在会话后期开始出现逐渐平缓的趋势，说明该话题随着在线协作会话过程的深入逐渐达成相对一致的意见；而图（b）中的曲线则一直呈现上升的趋势，意味着该话题尚未达成相对一致的意见，仍然处在意见发散的阶段中。

对学习者知识贡献的个体特征的挖掘使用的是聚类分析的方法。根据学习者在在线协作会话中知识贡献的差异性，学习者被聚类为5个类别：主动贡献者（Active Students）、优秀贡献者（Excellent Students）、自我专注型贡献者（Self-involved Students）、复读机型贡献者（Repeaters）和消极贡献者（Passive Students）。针对不同类型的学习者，教师可以提供更加富有针对性的建议和指导。

（二）案例2：基于语义的协作会话学习投入自动分析

1. 案例的研究问题与情境

该案例选自于论文“基于语义的在线协作会话学习投入自动分析模型及应用研究”[27]。案例的核心研究问题是如何自动分析学习者在线协作会话中的学习投入。研究情境是某师范大学“现代教育技术”课程的全体学生在疫情防控期间通过QQ群进行在线讨论、答疑和辅导等在线协作会话活动。在整个课程学习过程中，学习者在QQ群中共发表有效信息2489条，包含教师发言294条。

为了探究学习者在协作会话过程中的学习投入，该案例根据心理语言学的基本理论，定义了一系列在线协作会话的语义心理特征，为会话数据的量化和表征提供了基础。完成数据的量化表征之后，案例基于学习行为投入理论定义了五个核心的学习投入维度，分别为认知投入、情感投入、行为投入、社交投入和感知投入；并进一步定义了这五个维度与会话的语义心理特征之间的映射关系，从而保证了这些维度的可理解与可计算。

2. 案例的研究流程与方法

该案例的研究流程如图4所示。

在案例中，用于支持学习者的在线协作会话的平台是QQ平台，该软件提供所有对话记录的导出功能，可以方便快捷地进行数据采集。在数据的量化与表征阶段，案例以语言心理学理论为基础，提取会话文本的语义心理特征和学习者的行为特征。其提取方式是由计算机自动进行的，其中语义心理特征通过文本分析软件“文心分析系统”自动提取；基本行为特征则通过对导出的会话日志文件进行自动分析和统计来获得。在提炼阶段，案例以学习分析理论和学习投入模型为理论基础，定义了在线协作会话中学习投入的五大核心维度指标，分别为认知投入、情感投入、行为投入、社交投入和感知投入，并进一步定义了此五大核心维度指标与语义心理特征和基本行为特征之间的映射关系。这种映射关系建立起了人工智能研究范式与教育研究范式之间的桥梁，保证了五大核心维度指标既具有明确的教育教学意义，又可以通过计算机进行自动识别和抽取，从而实现了指标的可理解与可计算。基于该五大核心指标，案例进一步运用聚类分析方法对学习者的学习投入模式进行了挖掘，并针对不同的学习投入模式提供个性化的学习干预。

3. 案例的研究结论

通过聚类分析，案例挖掘出了五种典型的学习投入模式，分别是高投入高产出、高投入中产出、高认知投入中产出、中投入中产出和低投入低产出。针对每种不同的模式，该案例详细论述了相应学习者在学习投入上的表现特征，并给出了相应的针对性的教学策略。如第二类高投入中产出型学习者，他们在学习投入的各维度上均处于较高水平，但学习成绩却略低于优秀学习者，且在协作会话过程中存在较长的沉默期。针对此类学习者，相应的教学策略为注重学习方法的引导，帮助其提升学习效率，让学习投入能够更加有效地转化为学习绩效；关注沉默期，当沉默期出现时，注意适当提醒并激发其学习兴趣。

五、结   语

人工智能技术为教育研究领域注入了新的活力和机遇，但如何更好地利用人工智能技术促进在线协作会话的分析尚处在起步阶段，仍有大量的疑问有待进一步探索。本文从人工智能技术的视角出发，深入分析了在线协作会话分析中的重点和难点，并进一步提出了人工智能技术支持的在线协作会话分析的概念模型。该模型以“可计算”和“可理解”为核心，详细建构了在线协作会话分析的基本特征、理论基础、分析流程和常用方法。该模型尝试搭建人工智能技术与协作会话分析之间的通用性桥梁，以提升协作会话分析的效率，为大规模在线协作会话语料的自动化分析提供可能。为了说明模型的有效性，本文选择了两个应用人工智能技术开展协作会话分析的典型案例，从案例的研究问题与情境、研究流程与方法、案例的基本结论等方面进行了详细的分析和论述，为概念模型的实践应用提供了参考。文章也存在一些不足之处，选择的典型案例的数量较少，其应用范围仍有待进一步拓展。后续将就模型的进一步深化和更为广泛的应用展开探索。

[参考文献]

[1] ROSE C P. Artificial intelligence： a social spin on language analysis[J]. Nature， 2017， 545（7653）： 166-167.

[2] 吴林静，刘清堂，毛刚，等. 大数据视角下的慕课评论语义分析模型及应用研究[J]. 电化教育研究，2017（11）：43-48.

[3] 张文梅，祁彬斌，范文翔. 数据驱动的教学行为分析：现状、逻辑与发展趋向[J]. 远程教育杂志，2021，39（1）：84-93.

[4] 黄昌勤，涂雅欣，俞建慧，等.数据驱动的在线学习倦怠预警模型研究与实现[J].电化教育研究，2021，42（2）：47-54.

[5] 黄涛，王一岩，张浩，等. 数据驱动的区域教育质量分析模型与实现路径[J]. 中国电化教育，2019（8）：30-36.

[6] 岳增营，叶霞，刘睿珩. 基于语言模型的预训练技术研究综述[J]. 中文信息学报，2021，35（9）：15-29.

[7] 江洋洋，金伯，张宝昌. 深度学习在自然语言处理领域的研究进展[J]. 计算机工程与应用，2021，57（22）：1-14.

[8] SIEMENS G. What are learning analytics[DB/OL]. （2010-08-25）[2022-10-22]. http：//www.elearnspace.org/blog/2010/08/25/what-are-learning-analytics/.

[9] 李新，李艳燕，包昊罡，等. 学习投入测评新发展：从单维分析到多模态融合[J]. 电化教育研究，2021，42（10）：100-107.

[10] 高喻，吴林静，王慧敏，等.协作学习中学习者自我调节学习模式挖掘与轨迹分析[J].电化教育研究，2022，43（7）：89-96，105.

[11] 陈雅云， 郭胜男，马晓玲，等. 数智融合时代学习分析技术的演进、贡献与展望——2021学习分析与知识国际会议（LAK）评述[J]. 远程教育杂志，2021，39（4）： 3-15.

[12] WING J M. Computational thinking[J]. Communications of the ACM， 2006， 49（3）： 33-35.

[13] 何华灿. 重新找回人工智能的可解释性[J]. 智能系统学报，2019，14（3）：393-412.

[14] 陈德旺，蔡际杰，黄允浒. 面向可解释性人工智能与大数据的模糊系统发展展望[J]. 智能科学与技术学报，2019，1（4）：327-334.

[15] 成科扬，王宁，师文喜，等. 深度学习可解释性研究进展[J]. 计算机研究与发展， 2020，57（6）：1208-1217.

[16] 顾明远. 教育大辞典：增订合编本.上[M]. 上海：上海教育出版社，1998.

[17] HINDS J. Towards an analysis of discourse： the English used by teachers and pupils by J. McH. Sinclair and R. M. Coulthard[J]. Studies in language， 1979， 3（1）： 129-133.

[18] 顧小清，王炜. 支持教师专业发展的课堂分析技术新探索[J]. 中国电化教育，2004（7）：18-21.

[19] 程云，刘清堂，王艳丽，等. 课堂教学行为分析云模型的构建与应用研究[J]. 远程教育杂志，2017，35（2）：36-42.

[20] 王阿习，王旭. 整合会话分析与文本挖掘技术来评价协作学习——访谈卡耐基梅隆大学著名教授卡洛琳·佩恩斯坦·罗泽[J]. 现代远程教育研究，2017（6）：3-10.

[21] GUNAWARDENA C N， LOWE C A， ANDERSON T. Analysis of a global online debate and the development of an interaction analysis model for examining social construction of knowledge in computer conferencing[J]. Journal of educational computing research， 1997， 17（4）： 397-431.

[22] GARRISON D R， ANDERSON T， ARCHER W. Critical thinking， cognitive presence， and computer conferencing in distance education[J]. American journal of distance education， 2001， 15（1）： 7-23.

[23] NEWMAN D R. A content analysis method to measure critical thinking in face-to-face and computer supported group learning[J]. Interpersonal computing and technology， 1995， 3（2）： 56-77.

[24] 贾利锋，李海龙. 临场感对在线学习者学习认知的影响——基于探究社区理論的条件过程分析[J].电化教育研究，2020，41（2）：45-52.

[25] 柳晨晨，于澎，侯洁蕊，等.在线学习中互动讨论模式如何影响学习者的批判性思维[J].电化教育研究，2021，42（3）：48-54，61.

[26] WU L， LI J， LIU Q， et al. Information measures of knowledge contribution： a new method to measure knowledge contribution in collaborative knowledge building： an information theory perspective[J]. Journal of educational computing research， 2021， 59（7）： 1319-1342.

[27] 吴林静，高喻，刘清堂，等. 基于语义的在线协作会话学习投入自动分析模型及应用研究[J]. 电化教育研究，2022（3）：77-84.

Online Collaborative Conversation Analysis from Perspective of Artificial Intelligence： Conceptual Model and Its Application

WU Linjing，  TU Fengjiao，  MA Xinqian，  GAO Yu，  LIU Qingtang

（School of Educational Information Technology， Faculty of Artificial Intelligence Education， Central China Normal University， Wuhan Hubei 430079）

[Abstract] Learners' collaborative conversation data is an important type of data for in-depth understanding their learning process and cognitive state. However， due to the flexibility of natural language and the complexity of learning contexts， the degree of automation of collaborative conversation data analysis is not high， and the data is difficult to be applied on a large scale. From the perspective of artificial intelligence， this paper constructs a conceptual model of online collaborative conversation analysis based on artificial intelligence technology， and discusses the theoretical basis， basic features， analysis process and common methods of online collaborative conversation analysis. Two typical cases of online collaborative conversation analysis， "Information Theory-based Knowledge Contribution Measurement" and "Semantic-based Automatic Analysis of Collaborative Conversation Learning Engagement"， are further analyzed in detail. The cases demonstrate that this model can combine the "computability" of artificial intelligence technology with the "comprehensibility" of educational research， and build a bridge for the integration of artificial intelligence technology and collaborative conversation analysis， which is an important guide and reference for the practice of online collaborative conversation analysis.

[Keywords] Online Collaborative Conversation; Artificial Intelligence; Conceptual Model; Computability; Comprehensibility