使用大语言模型检测协作学习的社会共享调节
机器学习
2026-01-09 v1
摘要
学习分析领域在自动化检测多模态数据中的复杂学习过程方面取得了显著进展。然而，大多数进展集中在个性化问题求解上，而非协作的开放式问题求解，后者可能为行为预测提供便利（更丰富的数据）与挑战（低内聚性）。在此，我们将预测模型扩展到协作计算建模环境中，使用基于嵌入的方法自动检测学习的社会共享调节（SSRL）行为。我们利用大语言模型（LLM）作为摘要工具，生成与系统日志对齐的学生对话的任务感知表示。这些摘要结合纯文本嵌入、上下文增强嵌入和日志衍生特征，被用于训练预测模型。结果表明，纯文本嵌入在检测与执行或群体动力学相关的 SSRL 行为（如脱离任务行为或请求帮助）时通常取得更强的性能。相比之下，上下文和多模态特征为规划和反思等构念提供了互补收益。总体而言，我们的发现突出了基于嵌入模型在扩展学习分析方面的潜力，通过实现 SSRL 行为的可扩展检测，最终支持协作学习环境中教师看重的实时反馈与自适应脚手架。
引用
@article{arxiv.2601.04458,
title = {Using Large Language Models to Detect Socially Shared Regulation of Collaborative Learning},
author = {Jiayi Zhang and Conrad Borchers and Clayton Cohn and Namrata Srivastava and Caitlin Snyder and Siyuan Guo and Ashwin T S and Naveeduddin Mohammed and Haley Noh and Gautam Biswas},
journal= {arXiv preprint arXiv:2601.04458},
year = {2026}
}
备注
Short research paper accepted at Learning Analytics and Knowledge (LAK '26)