大家好。
我是研究生赵。在这篇文章中，我将介绍我在本次英语文献研讨会中阅读的论文及其感想。
论文标题：Taking adaptive learning in educational settings to the next level: leveraging natural language processing for improved personalization
期刊: Educational technology research and development
出版年份: 2024
作者: Mathias Mejeh & Martin Rehm
自我调节学习（Self-Regulated Learning, SRL）是一个非常复杂的过程，而为每位学生提供个性化的学习同样也是一个非常复杂的过程。我们该如何将这两个复杂的过程像“连接点与点”一样联系起来，并通过技术更好地实现这一理论呢？本论文通过利用自然语言处理（NLP）技术，提供了一些见解。
为了支持学生管理自身学习的能力，即“自我调节学习”，能够为每位学生提供适合其学习方法的“自适应学习技术（Adaptive Learning Technology, ALT）”备受关注。使用ALT，可以为每位学生提供相应的教材和学习策略，并指明实现目标的路径。然而，有效利用ALT来支持学生的学习并不简单，仍存在许多课题。本研究探讨了将自然语言处理（Natural Language Processing, NLP）技术与ALT相结合，实时根据个体学习情况提供支持，从而改善学生学习效果的方法。
什么是自我调节学习（SRL）？
SRL是指学生规划、执行自己的学习，并在回顾结果的同时进行调整的过程。例如，思考“学习哪些科目、学习多久”，以及在实际学习过程中确认“进度”等，都是SRL的一部分。这些需要学习者主动进行，而学校和教育技术通过提供支持，可以使学习更加有效。
什么是ALT（自适应学习技术）？
ALT是利用人工智能（AI）和机器学习，把握学生的进度和薄弱环节，并提供相应教材和建议的技术。例如，为擅长数学的学生出难题，为不擅长的学生提供更多基础题，从而提供各自适合的学习方法。此外，通过可视化进度并展示达成目标的步骤，营造出让学生能够自信学习的环境。
利用自然语言处理（NLP）进一步强化ALT
NLP是计算机理解和处理文章及语言的技术。本研究通过将NLP融入ALT，实现了针对学生的实时支持。例如，分析学生在线撰写的感想或回答，识别“当前卡住的难点”或“接下来应学习的内容”，并提供个性化建议。此外，通过分析学生的情绪，还可以应对“学习动力下降”等变化。
实际是如何进行的？
本研究以瑞士的69名高中生为对象，使用名为“studybuddy”的数字工具进行了实验。“studybuddy”通过使用7点李克特量表问卷收集学习者的动机、情绪、认知、元认知及资源管理相关数据，从而支持SRL。问卷集成在数字学习环境中，进行每日简短调查，并根据学生的自我效能感反应提供个性化的调整策略。该工具向学生提出符合学习情况的建议和计划，具备以下功能：
自动提示系统：发送学习中有用的建议和通知。
学习仪表盘：直观地显示学生的进度。
个性化策略：根据每位学生的学习风格和需求提出方案。
计划工具：通过日历和备忘录功能支持学习计划。
通过使用这些功能，学生能够更容易地把握自己的学习情况，从而高效学习。
系统与学习分析（LA）集成，为每位学习者提供适当的个性化反馈。这些策略涵盖了动机、情绪调节、认知、任务管理等方面的支持，并利用德语版的学习与学习策略量表（LASSI）进行了定制。自动反馈系统和策略的提供形式旨在帮助学习者回顾并调整学习过程。在共创设计过程中，重点在于适应性、策略的传达以及用户界面的改善，旨在满足学习者的个性化需求。
研究结果
在研究初期，通过数据分析了学生如何进行自我调节学习。结果发现，学生的学习方式和进度存在巨大差异，确认了利用ALT可以实现个性化支持。此外，通过NLP分析，能够从学生在学习过程中使用的词汇和情绪表达中把握当时的学习状态。例如，当频繁使用“难”、“不懂”等词汇时，可以采取向该学生推荐更基础教材等具体应对措施。
个人感想
本论文的方法非常有参考价值，特别是在分析个性化优化软件中的元认知时所使用的意见挖掘、词性标注、情感分析等手法，提供了非常有趣的方法。但是，该论文仅限于现场需求分析，由于缺乏用户行为日志等数据，定量分析部分给人的印象稍显薄弱。
本研究存在一些课题。目前尚未包含自动提示系统、数字仪表盘、个性化策略及计划工具。特别是自动提示系统在自我调节学习（SRL）中发挥何种作用尚不明确。此外，虽然先行研究中提到了自然语言学习，但并未明确所设计的软件通过自然语言学习具体利用了哪些功能或软件。我原本以为这部分是用于分析访谈问题的，但实际上似乎并非如此。
