Review Jurnal

Disusun untuk Memenuhi Tugas

Mata Kuliah : Sistem Operasi
Dosen Pengampu : Ibrahim,M.Kom

Disusun Oleh:
SAIFUL IKRAM (18710153)

FAKULTAS TEKNOLOGI INFORMASI

UNIVERSITAS ISLAM KALIMANTAN
MUHAMMAD ARSYAD AL-BANJARI
BANJARMASIN
2019
 Dialog-Learning Korelasi di lisan dialog Bimbingan Belajar
Kate Forbes-Riley Diane Litman Alison Huettner dan Arthur Ward University of Pittsburgh,
Penelitian Pembelajaran dan Pengembangan, 3939 O'Hara Street, Pittsburgh, PA, 15260, USA.

Abstrak. Kami meneliti korelasi antara karakteristik dialog dan belajar di dua corpora
dialog tutoring diucapkan:? Korpus manusia-manusia dan korpus komputer manusia, baik
yang telah secara manual dijelaskan dengan dialog bertindak relatif terhadap domain les.
Hasil dari kami corpus acara manusia-komputer bahwa kehadiran ucapan-ucapan siswa
bahwa tampilan penalaran, serta pres? Ence pertanyaan penalaran diminta oleh guru
komputer, baik secara positif berkorelasi dengan belajar. Hasil dari acara corpus manusia-
manusia yang introduksi itu? Tion dari konsep baru ke dalam dialog dengan siswa secara
positif berkorelasi dengan belajar? Ing, tapi upaya mahasiswa di penalaran lebih dalam
tidak, dan upaya tutor manusia untuk mengarahkan dialog negatif berkorelasi dengan
belajar.

1. Pendahuluan

Penelitian di sistem dialog tutorial didirikan pada keyakinan bahwa bahasa alami percakapan satu-satu
dengan guru memberikan siswa dengan lingkungan yang pameran karakteristik yang terkait dengan
belajar. Namun, belum dipahami dengan baik persis bagaimana spesifik perilaku dialog siswa dan
guru berkorelasi dengan belajar, dan apakah korelasi seperti generalisasi di berbagai jenis situasi les.
Dalam komunitas les komputasi, memahami korelasi tersebut memiliki lebih datang dari
meningkatnya minat, dalam rangka untuk menempatkan bangunan sistem secara lebih empiris?; ini
adalah karena ketika tiba saatnya untuk benar-benar menerapkan sistem dialog tutorial, banyak pilihan
desain harus dibuat yang mungkin akan mempengaruhi gaya dialog, yang pada gilirannya dapat
mempengaruhi kemampuan siswa untuk belajar dari sistem. Salah satu bidang yang menarik telah
menggunakan langkah-langkah dangkal untuk menyelidiki hipotesis bahwa peningkatan berkorelasi
produksi bahasa siswa dengan belajar; langkah-langkah dangkal memiliki advan? tage menjadi
otomatis dihitung, dan dengan demikian mudah untuk memasukkan ke dalam sistem adaptif secara
online. Studi diketik (terutama manusia-manusia) dialog les corpora, misalnya, telah menunjukkan
bahwa ternyata lagi mahasiswa, dan persentase yang lebih tinggi dari kata-kata siswa dan bergantian
mahasiswa, semua positif berkorelasi dengan belajar [1,2,3]. Sayangnya, ketika dalam pekerjaan
sebelum kita menerapkan langkah-langkah serupa dengan jenis lain dari les dialog - dialog yaitu
diucapkan, dan dialog manusia-komputer (mengetik dan berbicara) - kami menemukan bahwa
meskipun siswa kami belajar, paling korelasi antara belajar dan langkah-langkah dialog dangkal tidak
generalisasi data kami [4]. Selanjutnya, bahkan ketika beberapa korelasi dangkal melakukan
menggeneralisasikan (seperti dalam data manusia-manusia diketik kami), kami merasa bahwa analisis
lebih lanjut masih diperlukan untuk lebih memahami hasil kami. Sebagai contoh salah satu mungkin
berhipotesis bahwa ternyata siswa lagi adalah perkiraan yang baik dari berapa banyak mahasiswa
menjelaskan, tapi lebih dalam pengkodean data akan diperlukan untuk menguji hipotesis ini. Bahkan,
gagasan tentang “dialog tindakan” [5,6,7], yang upaya untuk menyusun bawah? Berbaring maksud di
balik siswa atau guru ucapan, telah digunakan dalam studi terbaru dari kedua dilaksanakan [8] dan
simulasi [ 9] tutor komputer. Sebagai contoh, studi korelasi [8] menunjukkan bahwa belajar siswa
berkorelasi positif dengan penggunaan fakta dialog guru membutuhkan siswa untuk memberikan
sebagian dari jawaban, dan berkorelasi negatif dengan penggunaan guru bertindak di mana tutor
terutama menyediakan answer.1 Dalam tulisan ini, kita mengambil pendekatan yang sama, dan
menganalisa korelasi antara belajar dan dialog bertindak. Namun, kami meneliti korelasi belajar
dengan baik guru serta dialog mahasiswa bertindak. Selain itu, kami memeriksa dan kontras temuan
kami di dua jenis diucapkan dialog corpora: satu dengan tutor manusia, dan yang lainnya dengan tutor
komputer. Hasil dalam corpus acara manusia-komputer kita bahwa kehadiran ucapan-ucapan siswa
bahwa tampilan penalaran, serta kehadiran pertanyaan penalaran diminta oleh com? Puter tutor, baik
secara positif berkorelasi dengan belajar. Hasil dari corpus manusia-manusia yang lebih kompleks,
mencerminkan kompleksitas yang lebih besar dari interaksi manusia-manusia:

2. Dialog Data dan Coding Skema

ITSPOKE (Bimbingan Belajar Cerdas yang dipakai sistem dialog) [11] adalah sion pidato-enabled
ver? Dari berbasis teks Why2-Atlas sistem fisika konseptual bimbingan belajar [12]. Data kami terdiri
dari dua corpora dialog les lisan, satu dengan guru komputer ITSPOKE, dan yang lainnya dengan
tutor manusia melakukan tugas yang sama seperti ITSPOKE. Kedua corpora dikumpulkan selama
penelitian sebelumnya [4], menggunakan prosedur yang sama eksperimental: mahasiswa 1)
mengambil pretest mengukur pengetahuan fisika mereka, 2) membaca dokumen kecil bahan latar
belakang, 3) menggunakan antarmuka web dan suara bekerja melalui serangkaian hingga 10 masalah
pelatihan (dialog) dengan tutor, dan 4) mengambil posttest mirip dengan pretest.2 dalam setiap
masalah pelatihan, siswa pertama diketik esai menjawab menyebutkan statusnya masalah fisika
tative?; tutor kemudian terlibat siswa dalam dialog yang diucapkan untuk kesalahpahaman yang benar
dan menimbulkan penjelasan lebih lengkap. Dijelaskan (lihat di bawah) contoh dari dua corpora kami
ditunjukkan pada Gambar 1 dan 2 (tanda baca ditambahkan untuk kejelasan) 0,3 Untuk penelitian
kami saat ini, masing-masing guru gilirannya dan setiap giliran siswa dalam dua corpora tersebut
secara manual dijelaskan untuk tindakan dialog les-spesifik 0,4 tagset kami dari “Mahasiswa dan
Tutor dialog Kisah” ditampilkan dan sebentar didefinisikan dalam Gambar 3. tagset ini dikembangkan
berdasarkan studi percontohan penjelasan menggunakan tagsets serupa sebelumnya diterapkan dalam
proyek-proyek dialog tutorial lainnya [13,5,6,7]. Seperti ditunjukkan, “Tutor dan Mahasiswa
Pertanyaan Kisah” label jenis pertanyaan yang diminta, dalam hal konten dan harapan bahwa
mengandaikan konten sehubungan dengan jenis jawaban yang dibutuhkan. Undang-undang ini adalah
yang paling umum untuk tutor; seperti yang dijelaskan di bawah ini, tidak ada pertanyaan-pertanyaan
siswa di corpus manusia-komputer kita, dan mereka jarang terjadi di korpus manusia-manusia. “Tutor
Masukan Kisah” pada dasarnya label “kebenaran” dari gilirannya sebelum siswa, dalam hal positif
eksplisit atau tanggapan guru negatif. “Tutor Negara Kisah” berfungsi untuk meringkas atau
mengklarifikasi keadaan saat argumen siswa, berdasarkan siswa sebelum turn (s). “Mahasiswa
Jawaban Kisah Para Rasul” label jenis jawaban bahwa seorang siswa memberikan, dalam hal
kuantitas dan kualitas konten dan tingkat penalaran bahwa konten membutuhkan. Akhirnya,
“NonSubstantive Act” (NS) tag digunakan untuk bergantian label yang tidak memberikan kontribusi
pada diskusi fisika (misalnya, “Apakah Anda siap untuk mulai?”). “Tutor Masukan Kisah” pada
dasarnya label “kebenaran” dari gilirannya sebelum siswa, dalam hal positif eksplisit atau tanggapan
guru negatif. “Tutor Negara Kisah” berfungsi untuk meringkas atau mengklarifikasi keadaan saat
argumen siswa, berdasarkan siswa sebelum turn (s). “Mahasiswa Jawaban Kisah Para Rasul” label
jenis jawaban bahwa seorang siswa memberikan, dalam hal kuantitas dan kualitas konten dan tingkat
penalaran bahwa konten membutuhkan. Akhirnya, “NonSubstantive Act” (NS) tag digunakan untuk
bergantian label yang tidak memberikan kontribusi pada diskusi fisika (misalnya, “Apakah Anda siap
untuk mulai?”). “Tutor Masukan Kisah” pada dasarnya label “kebenaran” dari gilirannya sebelum
siswa, dalam hal positif eksplisit atau tanggapan guru negatif. “Tutor Negara Kisah” berfungsi untuk
meringkas atau mengklarifikasi keadaan saat argumen siswa, berdasarkan siswa sebelum turn (s).
“Mahasiswa Jawaban Kisah Para Rasul” label jenis jawaban bahwa seorang siswa memberikan, dalam
hal kuantitas dan kualitas konten dan tingkat penalaran bahwa konten membutuhkan. Akhirnya,
“NonSubstantive Act” (NS) tag digunakan untuk bergantian label yang tidak memberikan kontribusi
pada diskusi fisika (misalnya, “Apakah Anda siap untuk mulai?”). berdasarkan siswa sebelum turn (s).
“Mahasiswa Jawaban Kisah Para Rasul” label jenis jawaban bahwa seorang siswa memberikan, dalam
hal kuantitas dan kualitas konten dan tingkat penalaran bahwa konten membutuhkan. Akhirnya,
“NonSubstantive Act” (NS) tag digunakan untuk bergantian label yang tidak memberikan kontribusi
pada diskusi fisika (misalnya, “Apakah Anda siap untuk mulai?”). berdasarkan siswa sebelum turn (s).
“Mahasiswa Jawaban Kisah Para Rasul” label jenis jawaban bahwa seorang siswa memberikan, dalam
hal kuantitas dan kualitas konten dan tingkat penalaran bahwa konten membutuhkan. Akhirnya,
“NonSubstantive Act” (NS) tag digunakan untuk bergantian label yang tidak memberikan kontribusi
pada diskusi fisika (misalnya, “Apakah Anda siap untuk mulai?”).

1Correlations antara pengkodean yang sama data dialog juga telah dipelajari dalam penelitian
pembelajaran kolaboratif. Sebagai contoh, [10] menunjukkan bahwa siswa yang lebih sering
menunjukkan bahwa mereka membutuhkan bantuan dengan mengajukan pertanyaan spesifik belajar
lebih banyak daripada mereka yang meminta pertanyaan spesifik yang lebih sedikit (R = 0,48, p
<0,01). 2in korpus manusia-komputer, siswa bekerja melalui 5 masalah, dan mengambil pretest
setelah membaca. 3the corpus manusia-komputer berisi 100 dialog (20 siswa), rata-rata 22 bergiliran
siswa dan 29 guru bergantian per dialog. Korpus manusia-manusia mengandung 128 dialog (14
siswa), rata-rata 47 mahasiswa gilirannya dan 43 putaran guru per dialog. 4While satu Annotator
berlabel seluruh corpus, sebuah studi kesepakatan pada subset dari corpus memberikan 0,67 Kappa
dan 0,63 Kappa antara dua anotator pada 334 putaran guru dan 442 siswa bergantian,

Sebagai Angka 1-2 mengilustrasikan, sebagian besar guru bergantian diberi label dengan beberapa
Tutor Kisah Para Rasul, sementara sebagian besar bergantian mahasiswa diberi label dengan Undang-
Undang Mahasiswa tunggal. Menerapkan Dialog UU skema pengkodean untuk corpus manusia-
komputer kita menghasilkan 2293 Kisah Mahasiswa 2291 stu? Bergantian penyok dan 6879 Tutor
Kisah di 2964 bergantian guru. Menerapkan skema pengkodean untuk corpus manusia-manusia
menghasilkan 5969 Kisah Mahasiswa 5879 bergiliran siswa dan 7861 Tutor Kisah di 4868 bergantian
guru.

3. Analisis Korelasi Metodologi

Sebagaimana dibahas dalam Bagian 1, meskipun pekerjaan kami sebelumnya menunjukkan bahwa
siswa belajar jumlah yang signifikan dengan manusia dan komputer kita tutor [4], dalam data lisan
kami kami tidak dapat menemukan korelasi antara belajar dan serangkaian langkah-langkah dialog
dangkal meningkat kegiatan mahasiswa (misalnya, bergantian mahasiswa lagi). Di sini kita meninjau
kembali pertanyaan tentang apa aspek dialog yang diucapkan kami berkorelasi dengan belajar, tapi
ganti tindakan dangkal kami sebelumnya untuk mencirikan dialog dengan serangkaian langkah-
langkah “lebih dalam” berasal dari Mahasiswa dan Tutor Dialog UU penjelasan dijelaskan dalam
Bagian 2. Untuk masing-masing kami dua corpora, pertama kita dihitung untuk setiap siswa, total,
persentase, dan rasio mewakili penggunaan setiap tag Dialog Undang-Undang Mahasiswa dan Tutor
di semua dialog dengan mahasiswa itu. Kami menyebutnya langkah-langkah ini Langkah-langkah Act
Dialog kami. Setiap Tag Jumlah dihitung dengan menghitung jumlah (mahasiswa atau guru) ternyata
yang berisi tag yang setidaknya sekali. Setiap Tag Persentase dihitung dengan membagi total tag
dengan jumlah total (siswa atau guru) bergantian. Akhirnya, masing-masing Tag Ratio dihitung
dengan membagi total tag dengan jumlah total (siswa atau guru) ternyata yang berisi tag dari jenis tag.
Misalnya, dialog pada Gambar 1 merupakan seluruh korpus kami. Kemudian Dialog Tindakan Act
kami untuk tag Tutor “POS” akan menjadi: Tag Jumlah = 1, karena 1 guru gilirannya berisi tag
“POS”. Tag Persentase = 1/3, karena ada 3 guru bergantian. Tag Ratio = 1/1, sejak 1 guru gilirannya
berisi Tutor Masukan Act tag. Berikutnya, untuk masing-masing Tindakan Dialog Act, kita dihitung
korelasi Pearson antara ukuran dan skor posttest. Namun, karena pretest dan posttest skor secara
signifikan berkorelasi baik di manusia-manusia (R = 0,72, p = 0,008) dan manusia? Corpora komputer
(R = 0,46, p = 0,04), kami mengontrol skor pretest oleh kemunduran keluar dari correlation.5 yang
pada Bagian berikut (4 dan 5), kami mempresentasikan dan mendiskusikan hasil terbaik dari analisis
korelasi ini, yaitu mereka di mana korelasi dengan belajar adalah signifikan (p 0,05) atau trend (p 0,1),
setelah regresi keluar pretest.

4. Hasil Manusia-Komputer

Tabel 1 menyajikan hasil terbaik pada korelasi antara Dialog Tindakan dan belajar Act di corpus
manusia-komputer kita. Daftar kolom pertama ukuran (Total (#), persentase (%) atau rasio (Rat :)
Dialog Act per siswa). Kolom kedua dan ketiga menunjukkan mean dan standar deviasi (di semua
siswa), sedangkan dua kolom terakhir menyajikan korelasi Pearson antara posttest dan ukuran setelah
korelasi dengan pretest adalah kemunduran keluar. Misalnya, baris pertama menunjukkan bahwa ada
11,90 Total Jawaban Jauh atas semua dialog dari seorang mahasiswa rata-rata, dan bahwa ada
signifikan secara statistik (p = 0,04) korelasi positif (R = 0,48) antara jumlah Jawaban Jauh dan
posttest, setelah korelasi dengan pretest adalah kemunduran keluar. Seperti yang ditunjukkan, jenis
jawaban yang diberikan oleh siswa berkaitan dengan berapa banyak mereka belajar di corpus
manusia-komputer kita, seperti yang ditunjukkan oleh korelasi positif antara siswa Jauh Jawaban dan
pembelajaran. Perhatikan bahwa tidak ada yang signifikan (positif atau negatif) cor? Hubungan untuk
Dangkal siswa atau Novel / Jawaban Single, atau ketidakmampuan siswa untuk memberikan jawaban
(Pernyataan), yang menunjukkan bahwa hubungan antara tipe jawaban siswa dan pembelajaran
memerlukan analisis lebih lanjut. jenis pertanyaan yang diajukan oleh tutor juga berkaitan dengan
seberapa banyak siswa belajar di corpus manusia-komputer kita. Ada korelasi positif antara persen
guru Jauh Jawaban Pertanyaan dan belajar, dan kecenderungan untuk jumlah dan rasio guru Jauh
Jawaban Pertanyaan untuk positif berkorelasi dengan belajar. Sebaliknya, ada korelasi negatif antara
rasio guru Jawaban pendek Pertanyaan dan belajar. Jumlah pertanyaan guru juga berkaitan dengan
belajar siswa, sebagaimana dibuktikan oleh korelasi positif yang kuat antara persentase keseluruhan
dari semua guru Pertanyaan Kisah Para Rasul dan belajar. Tabel 1 juga menunjukkan kecenderungan
sedikit untuk guru Tanggapan Positif untuk secara positif berkorelasi dengan belajar. Penelitian lain
menunjukkan hubungan positif antara dorongan selama bimbingan belajar komputer dan hasil siswa
[14]. Akhirnya, catatan bahwa tidak ada guru Negara Kisah berkorelasi dengan belajar, menunjukkan
bahwa cara terbaik untuk menggunakan ORGANISASI seperti itu? Tindakan tional belum
sepenuhnya dipahami dalam guru komputer kita. sebagaimana dibuktikan oleh korelasi positif yang
kuat antara persentase keseluruhan dari semua guru Pertanyaan Kisah Para Rasul dan belajar. Tabel 1
juga menunjukkan kecenderungan sedikit untuk guru Tanggapan Positif untuk secara positif
berkorelasi dengan belajar. Penelitian lain menunjukkan hubungan positif antara dorongan selama
bimbingan belajar komputer dan hasil siswa [14]. Akhirnya, catatan bahwa tidak ada guru Negara
Kisah berkorelasi dengan belajar, menunjukkan bahwa cara terbaik untuk menggunakan
ORGANISASI seperti itu? Tindakan tional belum sepenuhnya dipahami dalam guru komputer kita.
sebagaimana dibuktikan oleh korelasi positif yang kuat antara persentase keseluruhan dari semua guru
Pertanyaan Kisah Para Rasul dan belajar. Tabel 1 juga menunjukkan kecenderungan sedikit untuk
guru Tanggapan Positif untuk secara positif berkorelasi dengan belajar. Penelitian lain menunjukkan
hubungan positif antara dorongan selama bimbingan belajar komputer dan hasil siswa [14]. Akhirnya,
catatan bahwa tidak ada guru Negara Kisah berkorelasi dengan belajar, menunjukkan bahwa cara
terbaik untuk menggunakan ORGANISASI seperti itu? Tindakan tional belum sepenuhnya dipahami
dalam guru komputer kita.

5. Hasil Manusia-Manusia

Tabel 2 menyajikan hasil terbaik pada korelasi antara Dialog Tindakan Act dan pembelajaran di
corpus manusia-manusia, menggunakan format yang sama seperti Tabel 1. Seperti yang ditunjukkan,
jenis dialog bertindak digunakan oleh siswa berkaitan dengan berapa banyak siswa belajar di
manusia? corpus manusia juga. Sehubungan dengan jawaban siswa, di sini kita menemukan tren untuk
jumlah dan rasio murid Jawaban Novel / Lajang secara positif berkorelasi dengan belajar; Namun,
berbeda dengan hasil manusia-komputer kami, kami juga menemukan tren untuk jumlah siswa Jauh
Jawaban untuk berkorelasi negatif dengan belajar. Selain itu, tidak seperti di korpus komputer
manusia?, Siswa corpus manusia-manusia kita lakukan mengajukan pertanyaan. Di sini kita melihat
bahwa rasio yang lebih tinggi dari mahasiswa Jawaban pendek Pertanyaan positif berkorelasi dengan
belajar,

Tabel 2 juga menunjukkan bahwa jenis dialog bertindak digunakan oleh tutor berkaitan dengan berapa
banyak siswa belajar di corpus manusia-manusia. Berbeda dengan corpus manusia-komputer, dalam
dialog les manusia kita hanya menemukan korelasi dengan non-pertanyaan tu? Tor Kisah (yaitu
Negara Kisah Para Rasul dan Tanggapan Negatif), dan juga menemukan hanya corre negatif? Lations.
Korelasi antara guru Negara Kisah Para Rasul (RD, RS) dan belajar menunjukkan bahwa di? Berkerut
guru summarization dan klarifikasi negatif berkorelasi dengan belajar siswa. Kami juga melihat
korelasi negatif antara guru Tanggapan Negatif dan pembelajaran.
6. Diskusi

Kami corpus manusia-manusia merupakan batas atas untuk berbicara dan kemampuan pemrosesan
bahasa alami dari kami ITSPOKE corpus. Dengan demikian, lintas-corpora perbedaan dalam
bagaimana siswa dan guru bertindak dialog berhubungan dengan belajar siswa dapat menjelaskan
bagaimana sys? Perbaikan tem mungkin positif dampak pembelajaran. Kami melihat sedikit tumpang
tindih dalam hal korelasi antara les Dialog Kisah Para Rasul dan belajar di manusia-komputer dan
manusia-komputer kita corpora. Dalam data les komputer kita, kita menemukan bahwa siswa belajar?
Ing berkorelasi positif dengan kedua kehadiran ucapan-ucapan siswa menampilkan penalaran, serta
kehadiran pertanyaan guru yang membutuhkan penalaran. Hasil ini mirip dengan temuan sebelumnya
dalam data manusia-les, di mana pembelajaran berkorelasi dengan konstruksi baik siswa pengetahuan,
dan perilaku guru mendorong siswa untuk membangun pengetahuan [13]. Kami berhipotesis bahwa
karena Jauh Jawaban melibatkan lebih penalaran mahasiswa, mereka melibatkan lebih konstruksi
pengetahuan. Perhatikan bahwa kami sebelumnya tidak menemukan hubungan yang signifikan antara
rata-rata panjang gilirannya (# kata / turn) atau panjang dialog (total kata) dan belajar baik kita
manusia-komputer atau manusia-manusia cor pora [4]; bersama-sama hasil ini menunjukkan bahwa
bukan kuantitas tetapi kualitas respon siswa yang berkorelasi dengan belajar. Perhatikan bahwa kami
sebelumnya tidak menemukan hubungan yang signifikan antara rata-rata panjang gilirannya (# kata /
turn) atau panjang dialog (total kata) dan belajar baik kita manusia-komputer atau manusia-manusia
cor pora [4]; bersama-sama hasil ini menunjukkan bahwa bukan kuantitas tetapi kualitas respon siswa
yang berkorelasi dengan belajar. Perhatikan bahwa kami sebelumnya tidak menemukan hubungan
yang signifikan antara rata-rata panjang gilirannya (# kata / turn) atau panjang dialog (total kata) dan
belajar baik kita manusia-komputer atau manusia-manusia cor pora [4]; bersama-sama hasil ini
menunjukkan bahwa bukan kuantitas tetapi kualitas respon siswa yang berkorelasi dengan belajar.

Hasil dari corpus manusia-manusia yang lebih kompleks. Pertama, tidak ada lagi korelasi langsung
antara kedalaman penalaran ditampilkan di stu jawaban penyok dan belajar:? Sementara mahasiswa
Novel / wawasan Tunggal positif berkorelasi dengan belajar, upaya mahasiswa di lebih dalam
penalaran negatif berkorelasi dengan belajar. Sementara korelasi negatif ini mengejutkan,
pemeriksaan bergantian siswa pada manusia? Corpus manusia mengarah kita untuk berhipotesis
bahwa siswa Jauh Jawaban dapat sering menjadi incor? Rect, yang itu sendiri mungkin negatif
berkorelasi dengan belajar, dan mungkin juga berkaitan dengan fakta bahwa di corpus manusia-
manusia, siswa berbicara lebih lama dan lebih bebas daripada di corpus manusia-komputer. Kami
sedang annotating “kebenaran”, untuk menyelidiki apakah lebih mendalam Jawaban yang “tidak
benar” atau “sebagian benar” di tutor manusia? ing corpus dibandingkan dengan les komputer corpus,
dan apakah jumlah cor? jawaban rect positif berkorelasi dengan belajar. Demikian pula, korelasi
antara tu? Masukan tor dan pembelajaran di kedua corpora mungkin juga mencerminkan kebenaran.
Kedua, sementara mahasiswa pertanyaan-meminta sering dianggap sebagai kegiatan yang konstruktif
[13], kita sama tidak melihat hubungan langsung antara pertanyaan-bertanya dan belajar: sementara
mahasiswa Jawaban pendek Pertanyaan positif berkorelasi dengan belajar, siswa Panjang Jawaban
Ques tions negatif berkorelasi? . Namun, hanya ada 12 Panjang Jawaban Pertanyaan di data manusia-
manusia, dan semua ditampilkan bukti yang jelas dari kesalahpahaman siswa (misalnya, mengandung
frase seperti "apa maksudmu?"). Akhirnya,
Akhirnya, kita melihat beberapa tumpang tindih antara hasil kami dan orang-orang [8], yang dihitung
korelasi antara belajar siswa dan guru dialog bertindak dalam sistem AutoTutor. [8] menemukan
bahwa siswa yang menerima lebih “Petunjuk” (yang membutuhkan siswa untuk memberikan sebagian
jawaban) belajar lebih banyak daripada mereka yang menerima lebih “Pernyataan” (di mana guru
memberikan sebagian jawaban). Meskipun Tutor Act kami coding tidak identik, kami “Bawah Out”
sebagian besar sesuai dengan mereka “Sikap tegas”; ? Di cor manusia-manusia nanah ada korelasi
negatif tidak signifikan (R = -. 00, p = 0,99)?, Tapi pada manusia corpus komputer kita ada korelasi
positif tidak signifikan (R = 0,08, p = 0,75), dengan belajar. Kami “Petunjuk” mirip dengan
“Petunjuk” mereka; di corpus manusia-komputer kami ada korelasi positif tidak signifikan (R = 0,26,
p = 0,28),

7. Kesimpulan dan Arah sekarang

Makalah ini mempresentasikan temuan kami mengenai korelasi dialog siswa dan guru bertindak
dengan belajar, baik manusia-manusia dan manusia-komputer yang diucapkan tutoring dia? logues.
Meskipun kami menemukan korelasi yang signifikan dan tren di kedua corpora, hasil dialog tertentu
bertindak berbeda. Hal ini menunjukkan pentingnya pelatihan sistem dari data yang sesuai. Hasil
dalam corpus manusia-komputer kami menunjukkan bahwa ucapan-ucapan siswa bahwa tampilan
penalaran, serta pertanyaan-pertanyaan guru yang meminta penalaran siswa, baik secara positif
berkorelasi dengan belajar. Hasil dalam corpus cermin manusia-manusia kompleksitas yang lebih
besar dari interaksi manusia-manusia:? Wawasan baru mahasiswa positif corre terlambat dengan
belajar, tetapi siswa penalaran lebih dalam berkorelasi negatif dengan belajar, seperti juga beberapa
upaya tutor manusia untuk mengarahkan dialog . Seperti disebutkan di atas, untuk mendapatkan
wawasan lebih lanjut ke hasil kami, kami sedang annotating dialog kami untuk kebenaran. Hal ini
akan memungkinkan kita untuk menguji hipotesis kami bahwa siswa penalaran dalam adalah lebih
rentan terhadap kesalahan dalam corpus manusia-manusia. Kami juga menyelidiki korelasi antara
belajar dan pola tindak dialog, seperti yang ditemukan dalam coding skema multi-level seperti [7].
 TUGAS REVIEW JURNAL

Dialogue-Learning Correlations in
Judul
Spoken Dialogue Tutoring
Halaman 225-232
Tahun 2005
Penulis Kate Forbes-Riley, Diane Litman,
Alison Huettner and Arthur Ward
Review Saiful Ikram 18.71.0153
Tanggal 11 November 2019

1. Masalah yang diangkat

Adapun masalah yang diangkat yaitu mengenai Korelasi dialog siswa dan totur
bertindak dengan belajar dan pembelajaran dialog dalam total dialog yang diucapkan dari data
manusia manusia dan data computer manusia

2. Metode penyelesaian
Adapun Metode penyelesaiannya yaitu Meninjau kembali tentang pertanyaan aspek
dialog yang diucapkan berkorelasi dengan pembelajaran, untuk masing masing dua
corpora(kumpulan tulisan), pertama tama menghitung untuk setiap siswa, total, presentasi dan
rasio yang mewakili penggunaan.

3. Hasil dari metode penyelesaian

 Hasil Komputer Manusia
Tabel diatas menyajikan hasil terbaik pada korelasi antara Dialog Tindakan dan belajar Act di
corpus manusia-komputer kita. Daftar kolom pertama ukuran (Total (#), persentase (%) atau
rasio (Rat :) Dialog Act per siswa). Kolom kedua dan ketiga menunjukkan mean dan standar
deviasi (di semua siswa), sedangkan dua kolom terakhir menyajikan korelasi Pearson antara
posttest dan ukuran setelah korelasi dengan pretest adalah kemunduran keluar.

 Hasil Manusia-Manusia

Tabel diatas menyajikan hasil terbaik pada korelasi antara Dialog Tindakan Act dan
pembelajaran di corpus manusia-manusia, menggunakan format yang sama seperti Tabel 1.
Seperti yang ditunjukkan, jenis dialog bertindak digunakan oleh siswa berkaitan dengan
berapa banyak siswa belajar di manusia? corpus manusia juga. Sehubungan dengan jawaban
siswa, di sini kita menemukan tren untuk jumlah dan rasio murid Jawaban Novel / Lajang
secara positif berkorelasi dengan belajar; Namun, berbeda dengan hasil manusia-komputer
kami, kami juga menemukan tren untuk jumlah siswa Jauh Jawaban untuk berkorelasi negatif
dengan belajar. Selain itu, tidak seperti di korpus komputer manusia?, Siswa corpus manusia-
manusia kita lakukan mengajukan pertanyaan. Di sini kita melihat bahwa rasio yang lebih
tinggi dari mahasiswa Jawaban pendek Pertanyaan positif berkorelasi dengan belajar.

4. Kesimpulan
Paper ini mempresentasikan temuan mengenai korelasi dialog siswa dan guru bertindak
dengan belajar, baik manusia-manusia dan komputer manusia Meskipun menemukan korelasi
yang signifikan dan tren di kedua corpora, hasil dialog tertentu bertindak berbeda. Hal ini
menunjukkan pentingnya pelatihan sistem dari data yang sesuai. Hasil dalam corpus manusia-
komputer menunjukkan bahwa ucapan-ucapan siswa bahwa tampilan penalaran, serta
pertanyaan-pertanyaan guru yang meminta penalaran siswa, baik secara positif berkorelasi
dengan belajar. Hasil dalam corpus cermin manusia-manusia kompleksitas yang lebih besar
dari interaksi manusia-manusia
5. Tanggapan

 Pada dasarnya jurnal ini telah menjabarkan dan menjelaskan secara jelas dan
informatif namun Bahasa yang digunakannya sehingga membinguungkan para
pembaca yang kurang mengerti Bahasa inggris.
 Judulnya sudah bagus dan dapat menjelaskan maksud isi dari jurnal.
 Perhitungan data pada jurnal ini dipaparkan secara jelas dan mudah dipahami.
 Jurnal ini diambil dari 10 jenis sumber yang berbeda, sehingga isi dari jurnal tidak
dapat diragukan lagi.
Ucapan Terima Kasih

Kami berterima kasih kepada Mihai Rotaru dan Pam Yordania untuk membantu mereka dalam
meningkatkan tulisan ini. Penelitian ini didukung oleh ONR (N00014-04-1-0108) dan NSF
(0.325.054).

Referensi
[1] MG inti, JD Moore, dan C. Zinn. Peran inisiatif dalam dialog tutorial. Dalam Proc.European Chap.
Assoc. Komputasi Linguistik 2003.

[2] CP Rosé, D. Bhembe, S. Siler, R. Srivastava, dan K. VanLehn. Peran mengapa questionsin les
manusia yang efektif. Dalam Prosiding Artificial Intelligence dalam Pendidikan, 2003.

[3] Sandra Katz, David Allbritton, dan Johen Connelly. Melampaui masalah yang diberikan: tutor
Howhuman menggunakan diskusi pasca-solusi untuk mentransfer dukungan. International Journal of
Arti-ficial Intelijen dan Pendidikan, 13, 2003.

[4] DJ Litman, CP Rose, K. Forbes-Riley, K. VanLehn, D. Bhembe, dan S. Silliman. Diucapkan vs

diketik manusia dan dialog komputer les. Dalam Proc. Intell. Bimbingan Belajar Sistem 2004.

[5] A. Graesser dan N. Person. Pertanyaan meminta selama les. Amerika Penelitian Pendidikan
Journal, 31 (1): 104-137, 1994.

[6] A. Graesser, N. Person, dan J. Magliano. pola dialog kolaboratif dalam naturalistik satu-on? satu
les. Diterapkan Psikologi Kognitif, 9: 495-522, 1995.

[7] RM Pilkington. Menganalisis wacana pendidikan: Skema Diskon. Komputer? Satuan

Pembelajaran Berbasis 99/2, University of Leeds, 1999.

[8] G. Jackson, N. Person, dan A. Graesser. dialog tutorial adaptif dalam AutoTutor. Dalam Proc.
Workshop Dialog berbasis Bimbingan Belajar Sistem Cerdas di Intelligent Tutoring Systems, 2004.

[9] M. Wolska, BQ Vo, D. Tsovaltzi, I. Kruiff-Korbayová, E. Karagjosova, H Horacek, A. Fiedler,

dan C. Benzmuller. Sebuah corpus dijelaskan dialog tutorial tentang matematika membuktikan
teorema. Dalam Proc. Sumber Daya Bahasa dan Evaluasi 2004.

[10] N. Webb dan AM Mastergeorge. Perkembangan siswa perilaku menolong dan belajar dalam
kelompok kecil. Kognisi dan Instruksi, 21 (4): 361-428, 2003.

[11] D. Litman dan S. Silliman. ITSPOKE: Sebuah bimbingan belajar cerdas diucapkan sistem dialog.
Dalam Companion Proc Manusia Teknologi Bahasa: Amerika Utara Chap. Assoc. Computa? Tional
Linguistik 2004.

[12] K. VanLehn, PW Jordan, CP Rosé, D. Bhembe, M. Böttner, A. Gaydos, M. Makatchev, U.

Pappuswamy, M. Ringenberg, A. Roque, S. Siler, R. Srivastava, dan R. Wilson. Arsitektur Why2-
Atlas: Seorang pelatih untuk menulis fisika esai kualitatif. Dalam Proc. Intelligent Tutoring Systems,
2002.

[13] MTH Chi, SA Siler, H. Jeong, T. Yamauchi, dan RG Hausmann. Belajar dari les manusia.
Cognitive Science, 25: 471-533, 2001.