跳到主要內容

簡易檢索 / 詳目顯示

回結果列表
研究生： 王君善
Chun-Shan Wang
論文名稱： 應用自然語言處理技術開發基於知識翻新理論之線上非同步合作論證平台與平台初步評估
指導教授： 吳穎沺
Ying-Tien WU
口試委員:
學位類別： 碩士
Master
系所名稱： 資訊電機學院 - 網路學習科技研究所
Graduate Institute of Network Learning Technology
論文出版年： 2019
畢業學年度： 107
語文別： 中文
論文頁數： 128
中文關鍵詞： 自然語言技術 、知識翻新理論 、合作論證 、線上非同步合作論證
外文關鍵詞： NLP, Knowledge Building Theory, Collaborative Argumentation, Online Asynchronous Collaborative Argumentation
相關次數： 點閱：20  下載：0 
分享至:
查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報

    • 隨著科技與社會的蓬勃發展，我們面對的問題也日益複雜，這些問題龐大且難以靠個人的努力進行解決，為此研製線上非同步合作論證系統來推動學生學習論證與團隊技巧。為了系統能引導學生正確論證或警示錯誤論證行為，本論文使用NLP技術研發言論與行為分析功能，進而促進團隊意識凝聚與進行良性討論，提升團隊解決問題的能力，主要設計有包含合作論證鷹架、言論分析、情緒分析等，協助使用者進行合作論證活動，並以該系統做為討論環境舉辦合作論證活動，讓學習者在本平台上探討社會上爭論已久的重大議題，透過各功能與鷹架的建置，引導使用者以合作、聚焦、友善的方式刺激成員針對「想法」進行意見交流。在活動結束後我們邀請使用者針對系統整體的知覺有用度、知覺易用度、使用意願與工具有用度等面向進行問卷調查，該活動共邀請41位高中學生來參與此活動並針對系統與其功能進行想法反饋。從研究結果顯示學生經歷合作論證活動後，學生對於合作論證平台的知覺有用度、知覺易用度、使用意願與工具有用度等面向皆為正向。並期望未來研究者能透過本次系統評估及學生給予之使用意見與回饋，在未來進一步的發展此系統。

    To improve students’ collaborative argumentation ability, this study aims to develop an asynchronous collaborative argumentation system (ASCLAS). In ASCLAS, the sentence and behavior analyses feature with natural language processing (NLP) technology are used, so that the system can guide students to correctly discuss or warn wrong behavior, thereby promoting team awareness and improve the team's ability to solve problems. After completing the development of the ASCLAS, a total of 41 high school students were invited to participate in the system evolution, and this study also collected feedbacks about system and functions from them. During system evolution, the students were asked to use the ASCLAS for collaborative argumentation and then they were asked to complete the questionnaire survey focusing on the system's overall perceived usefulness, perceived ease of use, willingness to use and tool usefulness. The students expressed positive experiences on the perceived usefulness, perceived ease of use, willingness to use and tool usefulness. Directions for future research and system improvement were also discussed based on the students’ feedbacks.

    摘要 i Abstract ii 目錄 iv 第一章 緒論 1 第一節 研究背景 1 第二節 研究目的 3 第三節 研究問題 4 第四節 名詞解釋 5 第五節 研究範圍與研究限制 7 第二章 文獻探討 8 第一節 自然語言處理技術 8 壹、 繁體中文語文處理 8 貳、 機器學習、深度學習於自然語言理解之應用 13 第二節 合作論證學習 21 壹、 合作論證 21 貳、 非同步論證學習平台 22 第三節 知識翻新 24 壹、 十二個「知識翻新」原則 24 貳、 知識翻新理論應用於合作論證學習平台 27 第三章 系統介紹 28 第一節 系統開發概要 28 壹、 系統範圍 28 貳、 人員架構安排 33 參、 相關系統介紹 34 肆、 協作流程與方法 37 第二節 邏輯與資料處理接口實作 40 壹、 資料流流程規劃 40 貳、 後端接口之設計與實作 40 參、 資料庫設計 43 第三節 自然語言處理與深度學習之準備與實作 47 壹、 處理流程 47 貳、 爬蟲核心設計與資料準備 47 參、 斷字與關鍵字排序功能實作與調整 49 肆、 文字向量訓練實作 52 伍、 情感分析與LSTM神經網絡實作 56 第四節 服務介面與功能建置 66 壹、 系統鷹架與互動工具設計 66 貳、 功能架構與模組介紹 69 參、 主要功能介紹 72 第四章 研究方法 80 第一節 研究對象 80 第二節 研究流程 81 壹、 研究準備 81 貳、 研究設計與開發 81 參、 研究系統評估 81 肆、 研究結果分析 82 第三節 系統評估流程 83 壹、 系統平台介紹 83 貳、 系統平台操作 83 參、 系統問卷評估與回饋 84 第四節 研究工具 85 壹、 非同步合作論證平台科技接受度量表 85 貳、 非同步合作論證平台之鷹架知覺有用性量表 86 參、 非同步合作論證平台之使用建議與意見回饋問卷 87 第五節 資料收集與分析 88 第五章 研究結果 89 第一節 學生對於平台之科技接受度 89 壹、 學生對於系統之整體知覺有用性 90 貳、 學生對於平台之整體知覺易用性 91 參、 學生對於平台之整體使用意願 93 第二節 學生對於鷹架與互動工具的知覺有用性 94 壹、 合作論證鷹架 95 貳、 反思鷹架 96 參、 論證內容警示鷹架 97 肆、 論證工具 99 第三節 學生對於「非同步合作論證平台」之建議與回饋 101 壹、 功能改進建議 101 貳、 介面改進建議 101 參、 其他改進建議 102 第六章 結論與建議 103 第一節 研究結論 103 第二節 未來系統發展建議 105 壹、 功能改進建議 105 貳、 系統發展建議 105 參考資料 106 附錄 108 附錄一 學生對於「線上非同步合作論證系統」之科技接受度問卷 108 附錄二 鷹架功能與互動工具知覺有用性問卷 109 第一部分 合作論證鷹架 109 第二部分 反思鷹架 109 第三部分 論證工具 110 第四部分 論證內容警示鷹架 111 附錄三 其他建議 112

    Andriessen, J. （2006）. Arguing to learn. In R. K. Sawyer （Ed.）, The Cambridge handbook of the learning sciences （pp. 443-460）. New York： Cambridge University Press.
    Asterhan, C. S. C., & Schwarz, B. B. （2009）. Transformation of robust misconceptions through peer argumentation. In B. B. Schwarz, T. Dreyfus, & R. Hershkowitz （Eds.）, Guided transformation of knowledge in classrooms （pp. 159-172）. New York： NY： Routledge.
    Bengio, Y., Simard, P., & Frasconi, P. （1994）. Learning long-term dependencies with gradient descent is difficult. IEEE transactions on neural networks, 5（2）, 157-166.
    Dawson, V. M., & Venville, G. （2010）. Teaching Strategies for Developing Students' Argumentation Skills About Socioscientific Issues in High School Genetics. Research in Science Education, 40（2）, 133-148.
    Erduran, S., Simon, S., & Osborne, J. （2004）. TAPping into argumentation： Developments in the application of Toulmin's Argument Pattern for studying science discourse. Science Education, 88（6）, 915-933.
    Elman, J. L. (1990). Finding structure in time. Cognitive science, 14(2), 179-211.
    Fxsjy, jieba library, Available： https：//github.com/fxsjy/jieba
    Gers, F. A., Schmidhuber, J., & Cummins, F. （1999）. Learning to forget： Continual prediction with LSTM.
    Gao, F., Zhang, T., & Franklin, T. （2013）. Designing asynchronous online discussion environments： Recent progress and possible future directions. British Journal of Educational Technology, 44（3）, 469-483.
    Hochreiter, S., & Schmidhuber, J. （1997）. Long short-term memory. Neural computation, 9（8）, 1735-1780.
    Hara, N., Bonk, C. J., & Angeli, C. （2000）. Content analysis of online discussion in an applied educational psychology course. Instructional Science, 28（2）, 115-152.
    Hew, K. F., Cheung, W. S., & Ng, C. S. L. （2009）. Student contribution in asynchronous online discussion： a review of the research and empirical exploration. Instructional Science, 38（6）, 571-606.
    Hewitt, J. （2003）. How Habitual Online Practices Affect the Development of Asynchronous Discussion Threads. Journal of Educational Computing Research, 28（1）, 31-45.

    Huang, C.-J., Chang, S.-C., Chen, H.-M., Tseng, J.-H., & Chien, S.-Y. （2016）. A group intelligence-based asynchronous argumentation learning-assistance platform. Interactive Learning Environments, 24（7）, 1408-1427.
    Jiménez-Aleixandre, M. P. （2007）. Designing Argumentation Learning Environments. In S. Erduran & M. P. Jiménez-Aleixandre （Eds.）, Argumentation in Science Education： Perspectives from Classroom-Based Research （pp. 91-115）. Dordrecht： Springer Netherlands.
    Kim, Y. （2014）. Convolutional neural networks for sentence classification. arXiv preprint arXiv：1408.5882.
    Mihalcea, R., & Tarau, P. （2004）. Textrank： Bringing order into text. In Proceedings of the 2004 conference on empirical methods in natural language processing.
    Mikolov, T., Karafiát, M., Burget, L., Černocký, J., & Khudanpur, S. （2010）. Recurrent neural network based language model. In Eleventh annual conference of the international speech communication association.
    Mikolov, T., Sutskever, I., Chen, K., Corrado, G. S., & Dean, J. （2013）. Distributed representations of words and phrases and their compositionality. Advances in neural information processing systems ,3111-3119.
    Mihalcea, R., & Tarau, P. （2004）. Textrank： Bringing order into text. In Proceedings of the 2004 conference on empirical methods in natural language processing.
    Mikolov, T., Chen, K., Corrado, G., & Dean, J. （2013）. Efficient estimation of word representations in vector space. arXiv preprint arXiv：1301.3781.
    Nussbaum, E. M., & Edwards, O. V. （2011）. Critical Questions and Argument Stratagems： A Framework for Enhancing and Analyzing Students' Reasoning Practices. Journal of the Learning Sciences, 20（3）, 443-488.
    Page, L., Brin, S., Motwani, R., & Winograd, T. （1999）. The PageRank citation ranking： Bringing order to the web. Stanford InfoLab.
    Pascanu, R., Mikolov, T., & Bengio, Y. （2013, February）. On the difficulty of training recurrent neural networks. In International conference on machine learning （pp. 1310-1318）.
    Rajaraman, A.; Ullman, J.D. （2011）. "Data Mining" . Mining of Massive Datasets. pp. 1–17
    Ramos, J. （2003, December）. Using tf-idf to determine word relevance in document queries. In Proceedings of the first instructional conference on machine learning （Vol. 242, pp. 133-142）.
    Rabiner, L. R. （1989）. A tutorial on hidden Markov models and selected applications in speech recognition. Proceedings of the IEEE, 77（2）, 257-286.
    Sermanet, P., Chintala, S., & LeCun, Y. （2012）. Convolutional neural networks applied to house numbers digit classification. arXiv preprint arXiv：1204.3968.

    QR CODE
    :::