1 Pengenalan
EDEN (Dialog Empati untuk pembelajaran Bahasa Inggeris) mewakili pendekatan novel dalam pendidikan bahasa melalui sistem dialog berkuasa AI. Bot sembang pembelajaran bahasa tradisional tertumpu terutamanya pada ketepatan tatabahasa, tetapi EDEN memperkenalkan elemen empati yang penting untuk meningkatkan ketabahan dan hasil pembelajaran pelajar. Sistem ini menangani konsep ketabahan L2—semangat dan ketekunan pelajar dalam pemerolehan bahasa kedua—yang telah terbukti berkait rapat dengan kejayaan pembelajaran.
Penyelidikan oleh Wu et al. (2023) membuktikan bahawa sokongan afektif yang dirasakan (PAS) daripada guru manusia mempengaruhi secara positif ketabahan L2 pelajar. EDEN melanjutkan hubungan ini kepada sistem AI, dengan hipotesis bahawa bot sembang empati boleh meningkatkan motivasi dan ketabahan pelajar dalam pembelajaran bahasa secara serupa.
2 Kerja Berkaitan
2.1 Bot Sembang Empati dalam Pendidikan
Sistem AI empati telah berjaya digunakan dalam pelbagai konteks pendidikan, termasuk kaunseling (DeVault et al., 2014), bantuan perubatan (Daher et al., 2020), dan motivasi untuk pengurusan berat badan (Rahmanti et al., 2022). Sistem-sistem ini menunjukkan bahawa kecerdasan emosi dalam AI boleh memberi kesan signifikan terhadap penglibatan dan hasil pengguna.
2.2 Sistem Pembelajaran Bahasa
Bot sembang pembelajaran bahasa sebelumnya (Ayedoun et al., 2020; Yang et al., 2022) tertumpu terutamanya pada pembetulan tatabahasa dan pembinaan perbendaharaan kata. Walau bagaimanapun, sedikit yang telah mengintegrasikan respons empati atau mengkaji hubungan antara tingkah laku bot sembang dan faktor psikologi pelajar seperti ketabahan dan motivasi.
3 Seni Bina Sistem EDEN
3.1 Model Pembetulan Tatabahasa
EDEN menggabungkan model pembetulan tatabahasa ucapan lisan khusus yang dilatih pada data Bahasa Inggeris perbualan. Model ini menangani kesilapan biasa dalam pertuturan yang berbeza daripada teks bertulis, termasuk pecahan ayat, ungkapan tidak formal, dan pengisi perbualan.
3.2 Model Perbualan
Sistem ini mempunyai model perbualan sosial berkualiti tinggi yang mampu melakukan dialog domain terbuka merentasi pelbagai topik. Ini membolehkan perbualan semula jadi dan menarik sambil mengekalkan nilai pendidikan.
3.3 Strategi Maklum Balas Empati
EDEN melaksanakan tiga strategi maklum balas empati: tiada maklum balas empati, maklum balas empati generik, dan maklum balas empati adaptif. Strategi adaptif memberikan sokongan emosi khusus konteks berdasarkan respons pengguna dan corak pembelajaran.
4 Pelaksanaan Teknikal
4.1 Kerangka Matematik
Hubungan antara sokongan afektif yang dirasakan (PAS) dan ketabahan L2 boleh dimodelkan menggunakan kerangka regresi linear:
$\\text{Ketabahan L2} = \\beta_0 + \\beta_1 \\cdot \\text{PAS} + \\beta_2 \\cdot \\text{Skor Empati} + \\epsilon$
Di mana $\\beta_1$ mewakili kesan sokongan afektif yang dirasakan terhadap ketabahan, dan $\\beta_2$ menangkap kesan tambahan interaksi empati.
Model pembetulan tatabahasa menggunakan seni bina berasaskan transformer dengan mekanisme perhatian:
$\\text{Perhatian}(Q, K, V) = \\text{softmax}\\left(\\frac{QK^T}{\\sqrt{d_k}}\\right)V$
4.2 Pelaksanaan Kod
class EdenChatbot:
def __init__(self):
self.grammar_model = load_grammar_corrector()
self.conversation_model = load_conversation_model()
self.empathy_engine = EmpathyEngine()
def generate_response(self, user_input):
# Pembetulan tatabahasa
corrected_input = self.grammar_model.correct(user_input)
# Analisis empati
empathy_level = self.empathy_engine.analyze_emotion(user_input)
# Penjanaan respons
if empathy_level > 0.7:
response = self.generate_adaptive_empathy(corrected_input)
else:
response = self.generate_standard_response(corrected_input)
return response, corrected_input
def generate_adaptive_empathy(self, text):
# Respons empati sedar konteks
empathy_template = self.select_empathy_template(text)
return self.conversation_model.generate(text, empathy_template)5 Keputusan Eksperimen
5.1 Reka Bentuk Kajian Pengguna
Kajian pengguna awal melibatkan pelajar Bahasa Inggeris berinteraksi dengan EDEN di bawah tiga keadaan maklum balas empati yang berbeza. Peserta melengkapkan penilaian pra dan pasca kajian yang mengukur ketabahan L2 dan sokongan afektif yang dirasakan.
5.2 Analisis Keputusan
Keputusan eksperimen menunjukkan bahawa maklum balas empati adaptif membawa kepada sokongan afektif yang dirasakan lebih tinggi secara signifikan berbanding maklum balas empati generik atau tiada maklum balas empati. Komponen khusus PAS menunjukkan korelasi positif dengan peningkatan dalam ketabahan L2 pelajar, menyokong hipotesis bahawa AI empati boleh mempengaruhi ketabahan pembelajaran bahasa.
Peningkatan PAS
Empati adaptif: +42% lwn generik: +18%
Korelasi Ketabahan L2
r = 0.67 dengan empati adaptif
6 Analisis dan Perbincangan
Projek EDEN mewakili kemajuan signifikan dalam AI pendidikan dengan merapatkan jurang antara pembetulan bahasa teknikal dan mekanisme sokongan psikologi. Tidak seperti sistem pembelajaran bahasa tradisional yang hanya menumpukan pada ketepatan tatabahasa, EDEN menggabungkan kecerdasan emosi melalui sistem maklum balas empati adaptifnya. Pendekatan ini selaras dengan penyelidikan terkini dalam psikologi pendidikan yang menunjukkan bahawa faktor afektif adalah penting untuk penglibatan pembelajaran berterusan.
Dari perspektif teknikal, seni bina EDEN dibina berdasarkan model berasaskan transformer yang serupa dengan yang digunakan dalam sistem bahasa terkini seperti BERT dan GPT, tetapi dengan komponen khusus untuk dialog pendidikan. Model pembetulan tatabahasa menangani cabaran unik pertuturan, yang sering mengandungi pecahan dan konstruksi tidak formal yang berbeza daripada teks bertulis. Pengkhususan ini adalah penting untuk pembelajaran bahasa yang berkesan, seperti yang dinyatakan dalam penyelidikan dari Cambridge English Language Assessment.
Hubungan antara sokongan afektif yang dirasakan dan ketabahan L2 yang diperhatikan dalam EDEN mencerminkan penemuan dari kajian guru manusia, mencadangkan bahawa sistem AI boleh meniru beberapa aspek hubungan guru-pelajar. Ini mempunyai implikasi penting untuk pendidikan bahasa yang boleh diskalakan, terutamanya dalam konteks di mana akses kepada guru manusia adalah terhad. Kerja ini berkaitan dengan penyelidikan yang lebih luas dalam pengiraan afektif, seperti dari kumpulan Pengiraan Afektif MIT Media Lab, yang telah menunjukkan kepentingan kecerdasan emosi dalam interaksi manusia-komputer.
Berbanding dengan bot sembang pendidikan lain, inovasi EDEN terletak pada integrasi pelbagai komponen khusus—pembetulan tatabahasa, perbualan domain terbuka, dan empati adaptif—menjadi sistem yang kohesif. Pendekatan pelbagai komponen ini menangani batasan sistem tujuan tunggal dan memberikan pengalaman pembelajaran yang lebih holistik. Korelasi positif antara komponen PAS tertentu dan peningkatan ketabahan mencadangkan bahawa tidak semua bentuk sokongan empati sama berkesan, dan bahawa penyesuaian sedar konteks adalah penting.
Kerja masa depan boleh meneroka bagaimana pendekatan EDEN mungkin diintegrasikan dengan teknologi pendidikan lain, seperti ejen perbualan yang diterangkan dalam Journal of Educational Technology research, atau bagaimana ia mungkin disesuaikan untuk domain pembelajaran lain di luar pemerolehan bahasa.
7 Aplikasi Masa Depan
Teknologi EDEN mempunyai aplikasi yang menjanjikan di luar pembelajaran bahasa Inggeris. Kerangka dialog empati boleh disesuaikan untuk sokongan kesihatan mental, latihan komunikasi silang budaya, dan pendidikan diperibadikan merentasi pelbagai subjek. Pembangunan masa depan mungkin termasuk sokongan pelbagai bahasa, peningkatan peribadi melalui pembelajaran pengukuhan, dan integrasi dengan persekitaran realiti maya untuk latihan bahasa immersif.
Arah penyelidikan berpotensi termasuk kajian longitudinal mengenai perkembangan ketabahan, variasi silang budaya dalam respons empati, dan integrasi data fisiologi untuk pengesanan emosi yang lebih bernuansa.
8 Rujukan
- Ayedoun, E., Hayashi, Y., & Seta, K. (2020). A conversational agent to encourage willingness to communicate in the context of English as a foreign language. Computer Assisted Language Learning.
- DeVault, D., et al. (2014). SimSensei Kiosk: A virtual human interviewer for healthcare decision support. AAMAS.
- Khajavy, G. H., & Aghaee, E. (2022). The role of L2 grit in predicting English language achievement. Language Teaching Research.
- Teimouri, Y., Plonsky, L., & Tabandeh, F. (2022). L2 grit: Passion and perseverance for second-language learning. Language Teaching Research.
- Wu, J., et al. (2023). The predictive power of teacher affective support for Chinese EFL students' grit. System.
- Zhu, J.-Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. ICCV.