人工智能視域下的在線協作會話分析：概念模型及應用

吳林靜 涂鳳嬌 馬鑫倩 高喻 劉清堂

[摘 ? 要] 學習者的協作會話數據是深入了解其學習過程和認知狀態的一類重要數據。但由于自然語言的靈活性和學習情境的復雜性，協作會話數據分析的自動化程度一直不高，難以大規模應用。文章從人工智能視域出發，構建了基于人工智能技術的在線協作會話分析概念模型，對在線協作會話分析的理論基礎、基本特征、分析流程和常用方法進行了論述，并進一步詳細分析了“基于信息論的知識貢獻測量”和“基于語義的協作會話學習投入自動分析”兩個在線協作會話分析典型案例。案例證明了該模型能夠將人工智能技術的“可計算”與教育研究的“可理解”相結合，為人工智能技術與協作會話分析融合搭建了橋梁，對在線協作會話分析實踐具有重要的指導和參考價值。

[關鍵詞] 在線協作會話； 人工智能； 概念模型； 可計算； 可理解

[中圖分類號] G434 ? ? ? ? ? ?[文獻標志碼] A

[作者簡介] 吳林靜（1987—），女，湖北松滋人。副教授，博士，主要從事數據挖掘、人工智能與教育應用研究。E-mail：wlj_sz@126.com。

一、引 ? 言

在線協作會話是指以在線學習環境為支撐，學習者圍繞一定主題或目標以協同合作的方式展開對話，通過討論來交換想法和彌補差距，最終達成一致意見或完成某一任務的過程。協作會話是在線學習中師生、生生交流的一種重要手段，有時甚至是唯一手段[1]。協作會話既是了解學習者認知過程的重要窗口，也是緩解學習孤獨感、提升學習體驗的重要策略[2]。因此，開展在線協作會話分析，對于深入診斷學習過程、提升學習者學習體驗、提供個性化學習指導都有著重要的意義和價值。然而，目前對于在線協作會話的分析仍以人工分析為主，主要依賴教師的個體經驗和觀察，難以規?；腕w系化。其原因在于在線協作會話數據的主要形式是文本，而文本類數據的處理與分析相對復雜。在學習分析領域，結構化數據的處理與分析技術已經相對成熟，如針對日志數據、行為數據、成績數據、里克特量表測量的問卷調查數據等均已有相對成熟的分析模型，并得到了廣泛應用[3-5]。但對于文本類的數據，則主要依靠內容分析法進行人工分析，難以規?；妥詣踊M行分析。而近年來，人工智能技術的迅猛發展，為緩解這一現象提供了新的契機和思路。文本分析相關的自然語言理解技術和語義分析技術取得了長足的進步[6-7]。但如何將這些技術應用于協作會話分析領域，尚未形成相對成熟的概念模型。針對這一問題，本研究從人工智能視域出發，提出了一種在線協作會話分析的概念模型，試圖從方法論的角度闡述如何更好地將人工智能技術融合于協作會話分析，從而理解學習過程、提升學習體驗。該概念模型對人工智能技術支持的在線協作會話分析的理論基礎、常用方法、分析流程和基本特征進行了總結和概括，并提出多學科交叉、問題導向、數據驅動和情景相關是該模型的四大典型特征。本研究選擇了兩個該模型的典型應用案例進行分析，以闡述模型的應用方式并驗證其有效性和可用性。

二、文獻綜述

（一）人工智能與學習分析技術

對學習分析技術的研究和應用由來已久。Siemens給出了學習分析技術的定義：測量、搜集、分析和報告關于學習者及其學習情境的數據，以了解和優化學習和學習發生的情境[8]。從該定義中可以看出，學習分析技術是一種圍繞著數據展開的研究方法。目前，學習分析技術已經被廣泛地應用于學習過程中的各個環節，并發揮了巨大的作用[9-10]。但是，由于數據的標注與分析工作耗時耗力，傳統的學習分析技術通常在小規模數據集中開展，不便于大規模應用。人工智能技術的發展則為這一現象提供了新的解決思路[11]。人工智能的核心宗旨是“計算的自動化”[12]，而這一宗旨正好與學習分析大規模應用的需求不謀而合，為學習分析的自動化開展提供了技術基礎。人工智能技術的加持使得大規模的、密集型的數據能夠被快速、高效地分析和處理；而學習分析技術則保證了數據的教育和教學特性可以被理解和應用。因此，人工智能技術和學習分析技術的融合將大大提高學習分析的效率，拓展其應用范圍和應用場景，使得學習分析技術煥發新的活力。但與傳統的數據分析方法相比，當前人工智能技術的可理解性和可解釋性相對較弱[13-14]。常用的很多人工智能算法，如各種深度神經網絡模型，其參數復雜，建模和分析過程如同黑箱，難以被理解和解釋[15]。因此，人工智能技術視域下的學習分析也有了新的發展和需求。如何對學習領域的數據進行建模，從而利用人工智能技術進行分析和挖掘，并保證分析過程和分析結果對于學習分析專家和教師具有可理解性和可解釋性，成為人工智能技術支持的學習分析領域發展所面臨的挑戰之一。

（二）在線協作會話分析

對會話數據的分析是學習分析研究的重要組成部分，其原因在于，會話活動是教學過程中一種重要的教學組織形式。根據會話環境的不同，教學中的會話可以分為面對面會話和在線協作會話。面對面會話的典型形式即課堂教學會話，其研究已經持續了很長時間，并取得了豐碩的成果[16-19]。在線協作會話的典型形式則是利用各種同步、異步會話支持軟件支持學習者和教師進行在線會話，以實現問題解決、知識建構等認知加工活動。與課堂教學會話相比，在線協作會話情境更加豐富、主題更加多樣、內容更為靈活，對其分析與挖掘也更為復雜[20]。研究者們嘗試從不同的角度對在線協作會話展開分析。代表性研究如Gunawardena等人提出的知識建構五階段模型[21]、Garrison等人提出的探究社區模型（Community of Inquiry，COI）[22]、Newman等人提出的批判性思維編碼量表[23]等。這些模型在會話分析中得到了廣泛的應用，并取得了大量的研究成果[24-25]。但這些研究主要通過手工編碼的方式開展，難以在大規模的對話語料中實現，其主要原因在于未能建立起將上述模型與人工智能技術連接起來的有效方式和渠道。人工智能技術強調分析過程的自動化和可計算；而會話分析本身服務于教育教學，強調可理解、可應用。這兩大研究領域從研究取向上雖然迥異，但可以完美互補。這兩個領域的結合，既可以拓展人工智能技術的應用領域，又可以提升教育研究的效率和應用范圍。但受限于自然語言本身的靈活性和復雜性，將人工智能技術應用于在線協作會話的自動分析尚處于起步階段，有待于進一步探索。

鑒于此，本文擬提出一種人工智能技術支持的在線協作會話分析概念模型，整合人工智能技術分析方法與在線協作會話教學實踐，為可計算、可理解的在線協作會話分析提供參考和指導。

三、人工智能技術支持的在線

協作會話分析概念模型

（一）協作會話分析的重點與難點

與學習成績和問卷數據等結構化數據相比，協作會話數據是典型的非結構化數據。這一特征決定了協作會話數據中蘊含著更多信息，能夠更全面、更深入地反映學習者的認知過程和狀態；但同時，此類數據的自動化分析難度更高，更多地依賴于人工進行分析，且難以大規模開展。因此，在利用人工智能技術進行協作會話的自動化分析時，需要注意以下重點和難點：

1. 自然語言的復雜性

自然語言具有很高的自由度和靈活性，學習者能夠自由地表達自己的想法與觀點、深入地與教師和同伴進行交流，從而實現知識建構。但同時，由于自然語言本身的復雜性，如詞匯邊界的界定（分詞）、歧義性、句法的模糊性、上下文的依賴性等均導致對自然語言的自動化理解難以達到百分之百的準確。近年來，隨著詞向量、Bert模型等相關人工智能技術的快速發展，自然語言處理的準確率得到了進一步的提升，為將自然語言處理技術引入協作會話分析領域提供了技術基礎。

2. 教育情境的多樣性

在線協作會話具有情境多樣性的顯著特征，為其分析增加了難度。情境的多樣性主要體現在兩個方面：一是協作會話本身可能發生在不同的學習情境中，如圍繞某一主題的討論、答疑、協作完成人工制品、在線辯論等。不同的情境中學習者所使用的語言表達方式存在著顯著差異。二是學科不同也會導致協作會話的主題內容存在顯著差異。人文類學科、理工類學科、藝術類學科均具有顯著的學科差異性，在學科術語、思辨方式、討論主題等方面存在巨大差異，也為在線協作會話的分析帶來了挑戰。

3. 研究結論的可解釋性

隨著深度學習模型的飛速發展，人工智能技術逐漸從探索進入實用階段。但是大部分的深度學習模型均存在一個共同的不足，即模型的可解釋性不強。在教育研究中，可解釋性卻是一個非常重要的需求。其原因在于，教育研究不僅僅關注“果”（學生分類、學習成績等），也關注“因”（學習過程、學習者之間的差異等）。而根據“果”來分析“因”則要求模型具有較好的可解釋性，才可能由“果”及“因”，深入了解學習過程，從而為學習者提供智能化和個性化的指導。

（二）在線協作會話分析的概念模型

針對上述在線協作會話分析中的重點與難點，本文提出了如圖1所示的在線協作會話分析概念模型。

該模型的核心是在線協作會話的分析流程，主要包括五個基本步驟：采集（采集原始會話數據）、表征（數據量化與編碼）、提煉（構建核心行為指標）、分析（分析對象的教與學特征）、應用（提出教學改進與建議）。每個步驟都有相應的基本特征、常用方法和理論基礎。

1. 采集

在線環境中，會話數據可以方便快捷地運用計算機技術進行實時采集。目前常用的同步協作會話工具如QQ、微信等均具備批量數據導出功能，各類異步在線論壇也可以通過網絡爬蟲實現批量數據爬取。方便快捷的數據采集方式為大規模的在線協作會話分析提供了堅實的數據基礎。

2. 表征

在線協作會話分析中，原始數據是以自然語言呈現的非結構化文本，難以自動理解和分析，必須將其轉為數值數據以供后續分析使用，這一過程被稱為表征。實現文本數據向數值數據轉換的方式是對數據進行編碼和量化。編碼和量化的核心思想是以問題為導向，即：核心的研究問題決定著數據編碼與量化的方式，即：如何對數據進行編碼和量化必須根據研究問題的需求來進行選擇。相關語言學理論可以為該步驟提供理論支持。常用的方法則主要包括人工標注、計算機支持的特征工程等。因此，該步驟可以在人工智能技術的支持下自動或半自動實現。

3. 提煉

提煉是將編碼量化后的特征數據進一步加工和整理，形成能夠從教和學的角度解釋的核心行為指標，即將低層次的語言特征凝練為具有教學意義的行為特征。這一步是在線協作會話分析結果能夠實現可解釋、可理解的重要基礎，是數據與教學建立起聯結的重要橋梁。這一步驟計算機很難自動實現，必須要有學習分析專家的參與。專家根據教育學、認知科學、學習分析科學等領域的相關理論，建立起圍繞研究問題的核心行為指標，并定義這些行為指標與編碼量化后所形成的特征之間的映射關系，從而實現由低級特征向高級教學行為指標的轉換。

4. 分析

分析指的是根據定義的核心行為指標，選擇合適的數據分析與挖掘方法，探索學習者在教與學方面的特征，從而發現潛在的學習模式、預測可能的學習結果等。常用的分析方法主要包括數據統計、數據挖掘算法等。其理論基礎主要依賴于人工智能等相關領域的基本理論，其過程則可以依賴于計算機技術自動進行。但需要注意的是，對分析結果的進一步解釋需要結合數據發生的具體教育情境來進行，需要領域專家的支持。

5. 應用

應用指的是基于分析結果，向本次研究問題的利益相關者如教師、教育管理者、學習者等提供有效的教學建議，以期更好地提升教學效果和教學體驗。該步驟必須依賴于領域專家和學習分析專家。領域專家和學習分析專家結合數據分析結果和教育情境中的具體上下文來給出教學或管理建議，提升研究結果的實踐應用價值。

（三）概念模型的典型特征分析

為了更好地應用上述概念模型，本文對其典型特征進行了深入分析，指出該模型的典型特征如下：

1. 多學科交叉研究

模型強調在線協作會話分析是一個典型的多學科交叉的研究領域。對協作會話進行編碼和量化涉及語言學的基本理論，如社會語言學、計算語言學、語言心理學、信息論等；構建學習行為的核心指標則涉及教育學、心理學、認知科學、腦科學領域；對數據的分析主要借助于人工智能領域的相關分析與挖掘方法，涉及統計學、機器學習的相關算法；對研究結論的解釋與應用則依賴于學習科學、認知心理學、教學系統設計等領域的理論與模型。

2. 問題導向的研究

教育教學問題是開展整個研究的核心，所有的研究過程都圍繞著某一確定的研究問題展開。該問題來源于在線協作會話的教學實踐，在多學科交叉研究方法的支持下得到相應的研究結論后，又最終反哺于教育實踐，幫助教師和教育管理者更好地開展在線協作會話活動。

3. 數據驅動的研究范式

隨著人工智能技術和自然語言處理技術的飛速發展，對會話數據的自動分析和處理已經逐步達到了實用的程度。在人工智能技術的幫助下，會話數據可以轉化為具有特定意義的數值數據，為進一步的自動化分析和處理提供數據基礎。因此，會話數據的分析也從質性研究范式逐步轉變為數據驅動的研究范式。

四、在線協作會話分析典型應用案例

（一）案例1：基于信息論的知識貢獻測量

1. 案例的研究問題與情境

本案例選自于Wu Linjing等撰寫的論文[26]。該案例的核心研究問題是如何自動測量學習者在線協作會話中的知識貢獻。案例的研究情境是某師范大學“數據庫原理與應用”課程的全體學生通過在線論壇圍繞教師發布的主題進行在線討論，以達到對特定主題的一致觀點。案例共收集了6個討論主題下學生發表的204個主題討論帖。

為了探究學習者在協同討論過程中的知識貢獻情況，研究者引入了信息論模型中信息熵的概念，對在線協作會話過程中的話語數據進行量化和編碼。通過借鑒信息熵理論中信息量和信息增益的概念，該案例定義了在線協作會話中利用信息量和信息增益來評價學習者知識貢獻的核心方法。以該方法為基礎，案例進一步探索了社區粒度和個體粒度的知識貢獻的分布特征，為教師和學習者開展在線協作會話活動提供建議和參考。

2. 案例的研究流程與方法

該案例的研究流程如圖2所示。

在該案例中，研究者在網絡爬蟲的支持下，采集了異步在線討論中的全部討論數據作為研究的數據源。在表征階段，該案例從研究問題出發，以信息論中信息系統的不確定性理論為指導，確定了以關鍵詞的方式作為在線協作會話中所傳遞信息的基本表征。確定在線協作會話的表征方式之后，案例以知識建構理論和認知科學理論為基礎，定義了測量知識貢獻的兩個核心行為指標：信息量和信息增益，并給出相應的計算方法及其所代表的知識貢獻的具體意義?；谶@兩個核心行為指標，案例進一步分析了在線協作會話中社區級別和個體級別的知識貢獻的特征和模式，以挖掘出協作會話數據中學習者知識貢獻的分布情況。其中，社區級別的知識貢獻特征通過函數擬合和可視化的方式進行挖掘；個體級別的知識貢獻特征則通過聚類分析的方法進行挖掘。分析挖掘出數據中有價值的信息之后，這些信息即可應用于教育教學中，幫助教師、研究者和學習者識別出知識貢獻中的離群點，并指導研討話題的組織和干預，促進和提升學習者的協同知識建構。

3. 案例的基本結論

通過對在線協作會話中學習者知識貢獻的分析，案例繪制了每個主題隨著討論的不斷深入，其信息量的變化過程，并通過對數函數進行擬合來測量話題的收斂情況。圖3中的子圖（a）和子圖（b）分別展示了兩個不同話題隨著時間進展其信息量的變化情況。

從圖中可以看出，進行對數函數擬合時，圖（a）中的曲線的擬合程度要高于圖（b）中的曲線，具體體現為圖（a）中擬合的對數函數的斜率（0.178）要大于圖（b）的斜率（0.127）。相應地，圖（a）中的曲線在會話后期開始出現逐漸平緩的趨勢，說明該話題隨著在線協作會話過程的深入逐漸達成相對一致的意見；而圖（b）中的曲線則一直呈現上升的趨勢，意味著該話題尚未達成相對一致的意見，仍然處在意見發散的階段中。

對學習者知識貢獻的個體特征的挖掘使用的是聚類分析的方法。根據學習者在在線協作會話中知識貢獻的差異性，學習者被聚類為5個類別：主動貢獻者（Active Students）、優秀貢獻者（Excellent Students）、自我專注型貢獻者（Self-involved Students）、復讀機型貢獻者（Repeaters）和消極貢獻者（Passive Students）。針對不同類型的學習者，教師可以提供更加富有針對性的建議和指導。

（二）案例2：基于語義的協作會話學習投入自動分析

1. 案例的研究問題與情境

該案例選自于論文“基于語義的在線協作會話學習投入自動分析模型及應用研究”[27]。案例的核心研究問題是如何自動分析學習者在線協作會話中的學習投入。研究情境是某師范大學“現代教育技術”課程的全體學生在疫情防控期間通過QQ群進行在線討論、答疑和輔導等在線協作會話活動。在整個課程學習過程中，學習者在QQ群中共發表有效信息2489條，包含教師發言294條。

為了探究學習者在協作會話過程中的學習投入，該案例根據心理語言學的基本理論，定義了一系列在線協作會話的語義心理特征，為會話數據的量化和表征提供了基礎。完成數據的量化表征之后，案例基于學習行為投入理論定義了五個核心的學習投入維度，分別為認知投入、情感投入、行為投入、社交投入和感知投入；并進一步定義了這五個維度與會話的語義心理特征之間的映射關系，從而保證了這些維度的可理解與可計算。

2. 案例的研究流程與方法

該案例的研究流程如圖4所示。

在案例中，用于支持學習者的在線協作會話的平臺是QQ平臺，該軟件提供所有對話記錄的導出功能，可以方便快捷地進行數據采集。在數據的量化與表征階段，案例以語言心理學理論為基礎，提取會話文本的語義心理特征和學習者的行為特征。其提取方式是由計算機自動進行的，其中語義心理特征通過文本分析軟件“文心分析系統”自動提??；基本行為特征則通過對導出的會話日志文件進行自動分析和統計來獲得。在提煉階段，案例以學習分析理論和學習投入模型為理論基礎，定義了在線協作會話中學習投入的五大核心維度指標，分別為認知投入、情感投入、行為投入、社交投入和感知投入，并進一步定義了此五大核心維度指標與語義心理特征和基本行為特征之間的映射關系。這種映射關系建立起了人工智能研究范式與教育研究范式之間的橋梁，保證了五大核心維度指標既具有明確的教育教學意義，又可以通過計算機進行自動識別和抽取，從而實現了指標的可理解與可計算?；谠撐宕蠛诵闹笜?，案例進一步運用聚類分析方法對學習者的學習投入模式進行了挖掘，并針對不同的學習投入模式提供個性化的學習干預。

3. 案例的研究結論

通過聚類分析，案例挖掘出了五種典型的學習投入模式，分別是高投入高產出、高投入中產出、高認知投入中產出、中投入中產出和低投入低產出。針對每種不同的模式，該案例詳細論述了相應學習者在學習投入上的表現特征，并給出了相應的針對性的教學策略。如第二類高投入中產出型學習者，他們在學習投入的各維度上均處于較高水平，但學習成績卻略低于優秀學習者，且在協作會話過程中存在較長的沉默期。針對此類學習者，相應的教學策略為注重學習方法的引導，幫助其提升學習效率，讓學習投入能夠更加有效地轉化為學習績效；關注沉默期，當沉默期出現時，注意適當提醒并激發其學習興趣。

五、結 ? 語

人工智能技術為教育研究領域注入了新的活力和機遇，但如何更好地利用人工智能技術促進在線協作會話的分析尚處在起步階段，仍有大量的疑問有待進一步探索。本文從人工智能技術的視角出發，深入分析了在線協作會話分析中的重點和難點，并進一步提出了人工智能技術支持的在線協作會話分析的概念模型。該模型以“可計算”和“可理解”為核心，詳細建構了在線協作會話分析的基本特征、理論基礎、分析流程和常用方法。該模型嘗試搭建人工智能技術與協作會話分析之間的通用性橋梁，以提升協作會話分析的效率，為大規模在線協作會話語料的自動化分析提供可能。為了說明模型的有效性，本文選擇了兩個應用人工智能技術開展協作會話分析的典型案例，從案例的研究問題與情境、研究流程與方法、案例的基本結論等方面進行了詳細的分析和論述，為概念模型的實踐應用提供了參考。文章也存在一些不足之處，選擇的典型案例的數量較少，其應用范圍仍有待進一步拓展。后續將就模型的進一步深化和更為廣泛的應用展開探索。

[參考文獻]

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

[2] 吳林靜，劉清堂，毛剛，等. 大數據視角下的慕課評論語義分析模型及應用研究[J]. 電化教育研究，2017（11）：43-48.

[3] 張文梅，祁彬斌，范文翔. 數據驅動的教學行為分析：現狀、邏輯與發展趨向[J]. 遠程教育雜志，2021，39（1）：84-93.

[4] 黃昌勤，涂雅欣，俞建慧，等.數據驅動的在線學習倦怠預警模型研究與實現[J].電化教育研究，2021，42（2）：47-54.

[5] 黃濤，王一巖，張浩，等. 數據驅動的區域教育質量分析模型與實現路徑[J]. 中國電化教育，2019（8）：30-36.

[6] 岳增營，葉霞，劉睿珩. 基于語言模型的預訓練技術研究綜述[J]. 中文信息學報，2021，35（9）：15-29.

[7] 江洋洋，金伯，張寶昌. 深度學習在自然語言處理領域的研究進展[J]. 計算機工程與應用，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，李艷燕，包昊罡，等. 學習投入測評新發展：從單維分析到多模態融合[J]. 電化教育研究，2021，42（10）：100-107.

[10] 高喻，吳林靜，王慧敏，等.協作學習中學習者自我調節學習模式挖掘與軌跡分析[J].電化教育研究，2022，43（7）：89-96，105.

[11] 陳雅云， 郭勝男，馬曉玲，等. 數智融合時代學習分析技術的演進、貢獻與展望——2021學習分析與知識國際會議（LAK）評述[J]. 遠程教育雜志，2021，39（4）： 3-15.

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

[13] 何華燦. 重新找回人工智能的可解釋性[J]. 智能系統學報，2019，14（3）：393-412.

[14] 陳德旺，蔡際杰，黃允滸. 面向可解釋性人工智能與大數據的模糊系統發展展望[J]. 智能科學與技術學報，2019，1（4）：327-334.

[15] 成科揚，王寧，師文喜，等. 深度學習可解釋性研究進展[J]. 計算機研究與發展， 2020，57（6）：1208-1217.

[16] 顧明遠. 教育大辭典：增訂合編本.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，王煒. 支持教師專業發展的課堂分析技術新探索[J]. 中國電化教育，2004（7）：18-21.

[19] 程云，劉清堂，王艷麗，等. 課堂教學行為分析云模型的構建與應用研究[J]. 遠程教育雜志，2017，35（2）：36-42.

[20] 王阿習，王旭. 整合會話分析與文本挖掘技術來評價協作學習——訪談卡耐基梅隆大學著名教授卡洛琳·佩恩斯坦·羅澤[J]. 現代遠程教育研究，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] 賈利鋒，李海龍. 臨場感對在線學習者學習認知的影響——基于探究社區理論的條件過程分析[J].電化教育研究，2020，41（2）：45-52.

[25] 柳晨晨，于澎，侯潔蕊，等.在線學習中互動討論模式如何影響學習者的批判性思維[J].電化教育研究，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] 吳林靜，高喻，劉清堂，等. 基于語義的在線協作會話學習投入自動分析模型及應用研究[J]. 電化教育研究，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