Modelling Argument Quality in Technology-Mediated Peer Instruction
Notice bibliographique
Résumé
Learnersourcing is the process by which students submit content that enriches the bank of learning materialsavailable to their peers, all as an authentic part of their learning experience. One example of learnersourcingis Technology-Mediated Peer Instruction (TMPI), whereby students are prompted to submitexplanations to justify their choice in a multiple-choice question (MCQ), and are subsequently presentedwith explanations written by their peers, after which they can reconsider their own answer. TMPI allowsstudents to contrast their reasoning with a variety of peer-submitted explanations. It is intended to fosterreflection, ultimately leading to better learning. However, not all content submitted by students is adequateand it must be curated, a process that can require a significant effort by the teacher. The curationprocess ought to be automated for learnersourcing in TMPI to scale up to large classes, such as MOOCs.Even for smaller settings, automation is critical for the timely curation of student-submitted content, suchas within a single assignment, or during a semester.We adapt methods from argument mining and natural language processing to address the curationchallenge and assess the quality of student answers submitted in TMPI, as judged by their peers. Thecuration task is confined to the prediction of argument convincingness: an explanation submitted by alearner is considered of good quality, if it is convincing to their peers. We define a methodology tomeasure convincingness scores using three methods, Bradley-Terry, Crowd-Bradley-Terry and WinRate.We assess the performance of feature-rich supervised learning algorithms as well as transformer-basedneural approach to predict convincingness using these scores. Experiments are conducted over differentdomains, from ethics to STEM. While the neural approach shows the greatest correlation between itsprediction and the different convincingness measures, results show that success on this task is highly dependenton the domain and the type of question.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,099 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».