Mineração de argumentos em ambientes de aprendizagem colaborativa suportado por computadoras
Resumo
Poder determinar automáticamente si una sentencia expresada en lenguaje natural es un argumento bien conformado es una tarea clave en sistemas de aprendizaje colaborativo, especialmente cuando se pretende analizar la calidad de los argumentos elaborados por los estudiantes. Por esta razón, en este trabajo presentamos un enfoque de minería de argumentos que se basa en el procesamiento del lenguaje natural de una sentencia, particularmente mediante un análisis de su estructura sintáctica, y el posterior entrenamiento de un modelo de clasificación. La evaluación experimental fue realizada con estudiantes reales y mostró resultados prometedores. En particular, el enfoque basado en conectores argumentativos con etiquetas diferenciadas para indicadores de premisas y conclusiones fue el que obtuvo un mejor desempeño.
Palavras-chave:
Minería de Argumentos, Aprendizaje Colaborativo, Procesamiento del Lenguaje Natural
Referências
Chow, M. (2016). Argument identification in chinese editorials. In Proceedings of NAACL-HLT 2016, pages 16–21.
Cristianini, N. and Shawe-Taylor, J. (2000). An Introduction to Support Vector Machines: And Other Kernel-based Learning Methods. Cambridge University Press, New York, NY, USA.
Cunningham, P. and Delany, S. J. (2007). k-nearest neighbour classifiers. Multiple Classifier Systems, 34:1–17.
Palau, R. M. and Moens, M.-F. (2009). Argumentation mining: The detection, classification and structure of arguments in text. In Proc. of the 12th Int. Conf. on Artificial Intelligence and Law, ICAIL’09, pages 98–107, New York, NY, USA. ACM.
Quinlan, J. R. (1993). C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA.
Rish, I. (2001). An empirical study of the naive bayes classifier. In IJCAI 2001 workshop on empirical methods in artificial intelligence, volume 3, pages 41–46. IBM New York.
Veerman, A. (2003). Constructive discussions through electronic dialogue. Arguing to learn: Confronting cognitions in CSCL environments, 1:117–143.
Cristianini, N. and Shawe-Taylor, J. (2000). An Introduction to Support Vector Machines: And Other Kernel-based Learning Methods. Cambridge University Press, New York, NY, USA.
Cunningham, P. and Delany, S. J. (2007). k-nearest neighbour classifiers. Multiple Classifier Systems, 34:1–17.
Palau, R. M. and Moens, M.-F. (2009). Argumentation mining: The detection, classification and structure of arguments in text. In Proc. of the 12th Int. Conf. on Artificial Intelligence and Law, ICAIL’09, pages 98–107, New York, NY, USA. ACM.
Quinlan, J. R. (1993). C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA.
Rish, I. (2001). An empirical study of the naive bayes classifier. In IJCAI 2001 workshop on empirical methods in artificial intelligence, volume 3, pages 41–46. IBM New York.
Veerman, A. (2003). Constructive discussions through electronic dialogue. Arguing to learn: Confronting cognitions in CSCL environments, 1:117–143.
Publicado
30/10/2017
Como Citar
MONTESERIN, Ariel; ARMENTANO, Marcelo; GARCÍA, Nicolás; PALAVECINO, Damián.
Mineração de argumentos em ambientes de aprendizagem colaborativa suportado por computadoras. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 28. , 2017, Recife/PE.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2017
.
p. 1457-1466.
DOI: https://doi.org/10.5753/cbie.sbie.2017.1457.
