言语可视化分析有效帮助合作中的弱势儿童
Fostering Balanced Contributions Among Children Through Dialogue Visualization
作者：Mehmet Celepkolu et al.
过去的研究表明，在合作中提高儿童对自我行为的意识可以促进更好的协作，但目前尚未有合适的技术来支持他们对自己的话语进行反思。因此，研究者开发了一款可以将儿童合作对话进行可视化分析的工具。该工具可以记录儿童合作对话中的单词数量、提出的问题数量和问题类型、关键词和核心内容，并且还会以视频形式保存合作记录。为了验证软件的效果，研究者邀请了20名正在学习可视化编程的儿童参与实验。实验结果表明，在观看了自己的对话的各项资料后，儿童的合作对话出现了一些改变——尤其是那些原本参与度较低的儿童开始表达更多意见，并且提出更多的问题。因此，研究者认为该工具可以有效帮助儿童思考和改善他们的合作行为，还可以缓解儿童合作中的不平等局面。
类平衡技术有效提高机器学习算法中的少数群体预测的准确性
Leveraging Class Balancing Techniques to Alleviate Algorithmic Bias for Predictive Tasks in Education
作者：Lele Sha et al.
在使用机器学习算法对学习进行分析的时候，学生样本的分类往往是不平衡的，例如有时数据样本中女性较少，或贫困学生较少等等。为了弥补这些种类上训练数据的缺失，提高算法对整个群体的预测精确性，类平衡技术是比较常见的应对策略。但目前还没有研究确定这些类平衡算法是否会改善不同群体间的预测准确性。最近，研究者在三个公开数据的预测任务中对比了11种类平衡技术对群体间预测的差异性。算法结果显示，总的来说，类平衡技术确实有助于改善群体间预测的差异，提高算法的准确性。研究者进一步对比发现，那些尝试向少数群体添加样本的类平衡技术，能够显著提高针对少数群体的预测准确性，同时还不会对多数群体的预测指标产生负面影响。所以，研究指出，基于过采样（即添加少数样本）类平衡技术是比较有效的提高机器学习算法的准确性和公平性的措施。
反思评价有效促进学困生的知识建构
Fostering low-achieving students’ productive disciplinary engagement through knowledge-building inquiry and reflective assessment
作者：Yuqin Yang et al.
对学习过程进行反思是一种非常有效的学习方法，但学困生能否从这种方法中收益？最近，研究者以富有成效的学科参与（PDE）为目标，探讨了反思评价对学困生知识构建的促进作用。结果显示，进行反思评价的学生表现了更高水平的认知和情感参与，进而促进了学科参与。
责任编辑：Diaw Maxwell
15117967419@126.com