通过面对面协作学习中参与度的自动检测利用透明学习分析提供个性化支持

多年来，利用学习分析来调查和支持协作学习一直被探索。最近，采用各种人工智能方法的自动化方法在建模和预测学生在协作学习任务中的参与度和表现方面取得了可喜的成果。然而，由于在学习分析的设计和实施中使用“黑盒”方法而导致缺乏透明度和可解释性，对教学实践的指导可能成为一个挑战。一方面，机器学习算法和模型产生的黑盒阻碍了用户获得具有教育意义的教学建议。另一方面，仅关注群体和队列层面的分析可能使得难以对在协作小组中工作的个别学生提供具体支持。本文提出了一种透明的方法来自动检测学生在协作过程中的个人参与度。结果表明，所提出的方法能够反映学生的个人参与度，并可作为区分具有不同协作学习挑战（认知、行为和情感）和学习成果的学生的指标。本文讨论了所提出的协作分析方法在面对面情境中为协作学习实践提供支架的潜力，并提供了未来的研究建议。