一种基于元认知的面向群体协作的个性化角色定位方法技术

本发明专利技术公开了一种基于元认知的面向群体协作的个性化角色定位方法，特点是基于元认知策略理论建立角色库和场景库；根据不同任务场景实现个性化分配；基于认知水平生成成员的元认知能力画像；建立角色和成员的个性化适配模型，具体包括：定义每个场景下各个角色的权重、建模成员的知识水平与性格特质、生成元认知能力嵌入、获取角色的特征表示和为每个成员分配最合适的角色等步骤。本发明专利技术与现有技术相比具有根据不同任务场景实现个性化角色定位，优化群体协作表现，有效解决了在意图增强群体元认知的研究中，单个成员无法替代聊天机器人提供的元认知支架问题，提升群体成员的元认知水平。平。平。

【技术实现步骤摘要】
一种基于元认知的面向群体协作的个性化角色定位方法


[0001]本专利技术涉及群体元认知
，尤其是一种基于元认知的面向群体协作的个性化角色定位方法。

技术介绍

[0002]元认知(Metacognition)是对认知的认知，基本功能是监测和调控认知。元认知不仅对于个体学习起着作用，帮助学习者提高学习能力、走出负面情绪，它还会影响学习者在群体协作中的表现。
[0003]群体过程的元认知是全局特征，而不是单个方面的总和。群体协作时会产生群体元认知，彼此监督，思想碰撞引发重新思考。现阶段对于群体元认知的研究发现，可能对群体元认知造成负面影响的主要因素有：不匹配、地位影响、沟通不足和文化差异。在现实的团队协作场景中，当团队成员已经确定的情况下，地位、沟通和文化差异较难改变。此时可以通过为每位成员分配相应的角色来增强群体元认知，提升团队协作表现。
[0004]近期，在以教育为背景的研究里，在协作问题解决的过程中利用教育聊天机器人提供了不同水平的元认知支架。研究发现，通过聊天机器人在不同阶段提出问题进行干预，实验组成员的决策能力和团队的协作表现都有显著提升。随后，尝试了撤销聊天机器人提供的元认知支架干预后，从实验组中人为随机选择一位学习者模仿聊天机器人的工作在新任务中提供元认知支架。结果显示尽管群体协作表现和成员决策能力仍有一定程度的提升，但提升并未达到聊天机器人干预时的高度。分析其原因得出，人为随机指派的学习者并不一定适合担当聊天机器人所扮演的角色。
[0005]现有技术的个性化角色定位，单个成员无法替代聊天机器人提供的元认知支架，而且在群体协作的不同阶段，也需要由不同的角色来提供元认知支架，比如在问题识别阶段需要计划员，而在探索阶段需要监督员等，可见并非一人就能胜任。在团队协作中，每个人都在被动扮演着或者必须扮演着一个或多个角色，每个角色都有其不同的特点和功用，角色之间的合理调配和运用则是高绩效团队的重要基础。故对于既定的项目，找出能推动协作的关键角色是至关重要的。

技术实现思路

[0006]本专利技术的目的是针对现有技术的不足而提供的一种基于元认知的面向群体协作的个性化角色定位方法，采用元认知策略理论建立角色库与场景库，根据不同场景为角色赋予不同的权重，对于待分配角色的目标团队，基于认知水平生成成员的元认知能力嵌入，结合心理学与教育学理论生成成员画像，最后依据任务场景与元认知的关系建立角色与成员的匹配模型，为成员匹配最合适的角色。该方法进一步研究基于元认知、性格与能力的角色定位算法，利用聊天机器人为每位成员分配最合适的角色，使成员们更好地学会在群体协作中运用合理的元认知支架自己提出个性化的提示问题，并逐渐达成群体决策共识，有效解决了在意图增强群体元认知的研究中，单个成员无法替代聊天机器人提供的元认知支
架问题。方法简便，具有有效性，能够优化群体协作表现，提升群体成员的元认知水平。
[0007]实现本专利技术的具体技术方案是：一种基于元认知的面向群体协作的个性化角色定位方法，特点是基于元认知策略理论建立角色库和场景库；根据不同任务场景实现个性化分配；基于认知水平生成成员的元认知能力画像；建立角色和成员的个性化适配模型，该方法具体包括以下步骤：
[0008]步骤一、根据元认知策略理论定义角色库与场景库，并定义每个场景下各个角色的权重；
[0009]在团队协作中，每个人都在被动扮演着或者必须扮演着一个或多个角色，每个角色都有其不同的特点和功用，角色之间的合理调配和运用则是高绩效团队的重要基础。故对于既定的项目，找出能推动协作的关键角色是至关重要的。本专利技术基于元认知策略理论，从元认知流程中的作用出发，对团队中替代元认知机器人所需要的角色进行界定与归纳，将角色类型分为推进者、计划员、监督员、协调者、领导者等共n个角色。团队协作任务所需要的角色库表示为矩阵C＝{C1，C2，...，C
n
}，其中C
i
(i＝1，...，n)为由专家基于元认知策略理论对团队协作任务界定与归纳出的角色的向量表示。
[0010]接下来按照界定与归纳出的角色对团队中的成员进行标定，即为团队中的每名成员分配最匹配的角色。将标定好的成员作为训练集，用于训练角色与成员适配程度定量模型，得到由下述(a)式表示的角色矩阵表示C：
[0011]C＝{C1，C2，...，C
n
}
ꢀꢀꢀ
(a)。
[0012]场景库表示S由下述(b)式表示为：
[0013]S＝{S1，S2，
…
，S
t
}
ꢀꢀꢀ
(b)。
[0014]其中，S
j
为由专家基于元认知策略理论定义的场景，是一个维数为n的向量，第i个分量的值代表对应角色C
i
在该场景中的重要程度。
[0015]步骤二、根据心理学和教育学理论建模成员的知识水平与性格特质；
[0016]第一，由成员的历史成绩获取其知识水平表示；
[0017]从成员的历史成绩中选择合适的特征来表示学生的知识水平，如总成绩在团队中的排名、成绩波动程度、分析题与主观题得分情况等。
[0018]根据选择的特征，将每个学生的历史成绩转换为一个特征向量，特征向量的维度为选择的特征数量，获取到的知识水平K
x
由下述(c)式表示为：
[0019]K
x
＝(k1，k2，
…
，k
l
)
ꢀꢀꢀ
(c)。
[0020]其中，k
i
代表从成员历史成绩中提取出的第i个特征。
[0021]第二，利用统计学方法，得到成员的性格特质表示；
[0022]团队中的每名成员基于TF
‑
IDF算法的性格特质表示P
x
由下述(d)式表示为：
[0023]P
x
＝(p1，p2，
…
，p
s
)
ꢀꢀꢀ
(d)。
[0024]首先，获取到性格的LIWC词库类，并截取相关性最高的s个词库类。
[0025]其中，p
i
是成员x关于第i个心理词库类别的显著度，所述性格特质表示P
x
由成员的历史对话文本信息计算得到。
[0026]对于每一个用户，首先计算每个性格词库类别的词频tf，具体如下述(m)式表示为：
[0027][0028]其中，mh
j
是第j类心理词库类别词在该成员的历史对话文本中出现的总次数，MT是其历史对话文本的词汇总数。
[0029]接下来计算每个心理词库类别的逆文本频率指数idf，具体如下述(n)式表示为：
[0030][0031]其中，T表示历史对话文本的总数，h
j
表示包含第j类心理词库类别词的对话文本数量。
[0032]最后，成员x的性格特质表示P本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于元认知的面向群体协作的个性化角色定位方法，其特征在于，该个性化角色定位具体包括以下步骤：步骤一、根据元认知策略理论定义角色库与场景库，并定义每个场景下各个角色的权重；步骤二、根据心理学和教育学理论建模成员的知识水平与性格特质；步骤三、基于认知水平生成成员的元认知能力嵌入；步骤四、建立并训练角色与成员适配模型，得到角色的特征表示；步骤五、将目标群组成员代入模型，为每个成员分配最合适的角色。2.根据权利要求1所述的基于元认知的面向群体协作的个性化角色定位方法，其特征在于，所述步骤一中的角色库由下述(a)式表示为：C＝{C1，C2，...，C
n
}
ꢀꢀ
(a)；其中，C为角色矩阵表示；C
i
(i＝1，...，n)为由专家基于元认知策略理论对团队协作任务界定与归纳的角色；所述场景库由下述(b)式表示为：S＝{S1，S2，...，S
l
}
ꢀꢀ
(b)；其中，S为场景矩阵表示；S
j
为由专家基于元认知策略理论定义的场景，是一个维数为n的向量，第i个分量的值代表对应角色C
i
在该场景中的重要程度。3.根据权利要求1所述的基于元认知的面向群体协作的个性化角色定位方法，其特征在于，所述步骤二中成员的知识水平由下述(c)式表示为：K
x
＝(k1，k2，
…
，k
l
)
ꢀꢀꢀꢀ
(c)；其中，K
x
为成员x的知识水平表示；k
i
为从成员历史成绩中提取出的第i个特征；所述成员的性格特质由下述(d)式表示为：P
x
＝(p1，p2，
…
，p
s
)＝tf*idf*{R1，R2…
R
s
}
ꢀꢀ
(d)；其中，P
x
为成员x的性格特质表示；tr为每个性格词库类别的词频；idf为逆文本频率指数；*为对应位置元素相乘运算；R
j
为第j个性格词库类别与性格的相关性因子。4.根据权利要求1所述的基于元认知的面向群体协作的个性化角色定位方法，其特征在于，所述步骤三中，所述成员的元认知能力嵌入由下述(e)式表示为：M
x
＝{m1，m2，...，m
r
}
ꢀꢀꢀꢀ
(e)；其中，M
x
为成员x的元认知能力表示；m
j
为从历史对话序列与当前对话中提取出的元认知，其计算过程如下：3
‑
1：将每个成员的对话分为两部分，最后一次发言作为当前对话，其余为历史对话；3
‑
2：将每个成员的对话放入LSTM模型中进行编码，得到对应的隐藏状态序列，其历史对话的隐藏状态序列表示为：DH＝{dh1，dh2，...，dh
r
}，其中dh
j
表示第j个历史对话序列；当前对话的隐藏状态序列为：dc＝{c1，c2，...，c
p
}，其中c
j
表示第j个当前对话状态；3
‑
3：将历史对话序列DH放入BERT中，经可训练的权重矩阵W
m
，得到下述(f)式对于整段话的认知水平矩阵COG：COG＝{cog1，cog2，...，cog
r
}
ꢀꢀꢀꢀ

【专利技术属性】
技术研发人员：吴雯，邹迎欣，余慧，贺樑，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：