无监督表示预测在线学习环境中同伴共享作品的热度
计算机与社会
2021-03-02 v1
摘要
在在线协作学习环境中,学生通过随时间发生的复杂交互创造内容并建构自己的知识。为在此情境中促进有效的社会学习与包容性参与,需要洞察学生贡献的作品与其后续在同伴中热度之间的对应关系。本研究中,我们通过(a)情境动作日志、(b)文本内容以及(c)一组教师指定特征来表示学生作品,并利用这些表示预测作品热度指标。通过预测分析与可视化探索相结合,我们发现从情境动作日志学习的神经嵌入表示对热度的预测最强,优于包含学术价值与创造力评分的教师知识。由于该表示无需大量人工标注即可学习,它为师生协同实时塑造更具包容性的学生交互开辟了可能。
引用
@article{arxiv.2103.00163,
title = {Unsupervised Representations Predict Popularity of Peer-Shared Artifacts in an Online Learning Environment},
author = {Renzhe Yu and John Scott and Zachary A. Pardos},
journal= {arXiv preprint arXiv:2103.00163},
year = {2021}
}