面向在線群體研討的自動化輔助方法及其應用（簡體書）

第1章 緒論
1．1 研究背景
1．1．1 研討平臺中的自動化需求
1．1．2 研討輔助工具與言語行為分類
1．1．3 為兩類典型研討平臺研制輔助工具
1．2 研究問題
1．3 主要內容和章節結構
1．4 研究方法
1．5 主要創新點
第2章 言語行為分類研究綜述
2．1 言語行為與言語行為分類
2．2 言語行為的分類體系
2．3 言語行為識別技術
2．3．1 n—gram方法
2．3．2 隱馬爾可夫模型
2．3．3 貝葉斯分類器
2．3．4 多層感知器
2．3．5 決策樹
2．3．6 基于轉換的學習
2．3．7基于記憶的學習
2．3．8 不常使用的技術
2．3．9總結與討論
2．4 研究工具介紹
2．4．1 基于轉換的學習
2．4．2 支持向量機
第3章 言語行為自動分類算法
3．1 語料與言語行為關系定義
3．1．1 語料簡介
3．1．2 言語行為關系的定義
3．1．3 言語行為類別的統計分布
3．1．4 語料手工標注方法
3．2 特征選取
3．2．1 元語法及其位置
3．2．2 發言在主題中的位置
3．2．3 前一個發言的言語行為類別
3．2．4 發言者信息
3．2．5 發言者變換
3．2．6 發言長度
3．3 系統構架
3．3．1 預處理
3．4 特征選擇
3．5 基于轉換學習的言語行為分類算法
3．5．1 產生潛在規則集
3．5．2 選擇最優規則
3．5．3 將規則應用到測試集
3．6 基于支持向量機的言語行為分類算法
3．6．1 訓練與測試
3．6．2 SVM數值參數選擇
3．7分階段轉換學習與類別依賴
第4章 言語行為自動分類算法的實驗與評估
4．1 自動分類算法的結構參數選擇問題
4．2 測量指標
4．3 試運行確定各類別分類的難易程度和previous SA的類型
4．3．1 實驗設計
4．3．2 實驗結果
4．3．3 各類別分類的難易程度
4．3．4 Previous SA的類型
4．4 確定分類順序
4．4．1 TBL規則中previous SA域的分布規律
4．4．2 言語行為類別的分類順序
4．5 TBL算法挑選最優規則的準則
4．5．1 實驗設計
4．5．2 結果與討論
4．6 SVM算法的核函數
4．6．1 實驗設計
4．6．2 結果與討論
4．6．3 基于SVM算法與基于TBL算法的比較
4．7 在盲測集上的效果
4．7．1 最優結構參數
4．7．2 結果與討論
第5章 自動在線督導系統研究
5．1 文獻綜述
5．1．1 在線督導
5．1．2 自動在線督導系統
5．2 在線問答推薦系統
5．2．1 系統實現
5．2．2 系統評估
5．3 未解決問題識別
5．3．1 學生研討的信息組織模型
5．3．2 言語行為分類
5．3．3 利用言語行為類別識別包含未回答或未解決問題的主題
5．3．4 不利用言語行為類別直接識別包含未回答或未解決問題的主題
5．3．5 總結和進一步的工作
第6章 群體研討中的外部概念支持研究
6．1 文獻綜述
6．1．1 子類限制和認知慣性
6．1．2 激勵發散思維
6．1．3 概念空間
6．1．4 語義Web挖掘
6．2 GSS中的外部概念支持系統
6．2．1 實時發言分析
6．2．2 Web挖掘
6．2．3 相關檢索
6．3 外部概念支持系統的評估
6．3．1 原型GSS系統介紹
6．3．2 度量指標
6．3．3 假設
6．3．4 實驗設計
6．4 結果和討論
6．4．1 概念的質量
6．4．2 群體研討的效果和效率
6．4．3 用戶主觀評估和口頭評價
6．5 結論
6．5．1 啟示
6．5．2 局限性
第7章 群體研討的自動主持人研究
7．1 文獻綜述
7．2 群體研討基礎理論
7．2．1 綜合集成研討廳體系
7．2．2 Zeno研討模型
7．2．3 GSS中的信息組織模型
7．2．4 關注水平與共識水平
7．3 自動主持人系統功能
7．3．1 顯示會議剩余時間
7．3．2 發現并制止閑聊
7．3．3 識別冷僻的主意
7．3．4 鼓勵發言
7．3．5 信息集成可視化面板
7．4 系統實現
7．4．1 系統構架
7．4．2 發言實時分析
7．4．3 專家系統
7．4．4 會議干涉
7．5 系統評估
7．5．1 寸信息集成可視化面板的評估
7．5．2 現場實驗評估
7．6 小結
附錄1 PedaBot語料言語行為類別體系
附錄2 PedaBot語料一個典型的thread及標注樣例
附錄3 GASS 3系統簡介
參考文獻