潛在語意分析

潛在語意分析由 Deerwester 等人(Deerwester﹐Dumais﹐Furnas﹐Landauer﹐&

Harshman﹐1990)所提出，是一種採用向量空間模型的資料檢索技術，藉由數學統計方 法，將文章中的詞彙提取出來後，再重新呈現這些詞彙在資料中的相互關係，從而得 到隱含的內涵，可以用來分析大量的語料資訊。因其用在大量的語料資訊的處理上，

能表徵出隱含在字面下的語意知識，適當的顯現人類知識的建立過程；因此，後來被 延伸應用到心理語言學的分析上 (Landauer, Foltz & Laham, 1998)。其基本概念與步驟 分別是先利用二維的矩陣空間來表示原先文件和字詞間的關聯，再用奇異值分解法拆 解原始矩陣得到字詞和文件相對應的語意結構矩陣，將文件所隱含的抽象知識轉換到 語意空間中，並利用維度約化為基礎去除一些不重要的雜訊維度，從而建立出具有代 表性的語意空間，呈現出隱含在字面背後的資訊(Landauer & Dumais, 1997)。以下就語 料庫相關研究與 LSA 在教學方面的相關研究作探討。

壹、語料庫相關研究

欲藉由潛在語意分析技術建置出一個能推演這些詞彙背後的語意空間必須先有一 個合適的語料來源。Wiemer-Hastings (2004)提到使用潛在語意分析技術時，語料來源 要越大越好，且要能和研究目的有一定的相關。因為當語料來源越能反應讀者所接收 的詞彙情形，經由 LSA 所建置出的語意空間越能精確表徵詞彙間彼此存在的語意關 係。因此，建立一個適合研究領域的有效語料庫為建置語意空間的首要課題。

目前國外已有應用不同的語料庫所組成的語意空間進行相關研究， Graesser, Penumatsa, Ventura, Cai, & Hu(2007)分別建置電腦知識與物理學的 AutoTutor，其電腦 知識的 AutoTutor 使用之語料庫內容包含電腦知識、作業系統與網路相關的書籍、學 校課程；物理學 AutoTutor 的語料庫資料則是蒐集與物理學、生命科學等相關書籍、

學校課程。

在中文環境裡，國內也有學者利用 LSA 技術進行中文語料庫的相關研究。張國恩 與宋曜廷(2005)蒐集小學三到六年級自然與生活科技課本內容及網路所蒐集有關｢族

群與群落｣、｢節日｣兩主題之文章建立以｢族群與族群｣和｢端午節｣兩個主題的語意空

貳、LSA 應用於教學之相關研究

LSA 的優點是可以比對詞彙與詞彙、詞彙與句子、句子與句子的語意關聯度，而 過去有相關研究利用 LSA 應用於教學方面，國外已有應用 LSA 發展 AutoTutor，其研 究方法主要是應用 LSA 中句子語意關聯度比對。AutoTutor 是依據建構式學習理論中 強調學生對於問題解釋的重要性，主要目的是幫助學生對於問題擁有更完整的知識概 念，而不是只用簡短的詞彙解釋表示，目前已發展電腦知識 (Graesser, Lu, Jackson, Mitchell, Ventura, Olney, & Louwerse, 2004)與牛頓物理學 (VanLehn, Graesser , Jackson , Jordan, Olney, & Rosé, 2007)的 AutoTutor。此外也有應用 LSA 發展 iSTART 系統，藉由 系統中閱讀策略的教學，其目的是為了能夠提升學童的自我解釋(self-explanations)能 力，有助於學童在閱讀時能有效理解文章內容(McNamara, Boonthum, Levinstein, &

Millis, 2007)。此外也有發展 Summary Street 系統(Landauer & Psotka, 2000)，Wade-Stein

& Kintsch(2004)研究指出利用 LSA 發展的 Summary Street 系統進行摘要評分並提供即 時性的回饋，能夠提升學童的寫作摘要能力並減少教師批改時間與個別回饋的負荷量。

目前國內應用 LSA 於教學方面的研究較少，陳家毅(2011)以 LSA 技術發展一套以 研究自然語言對話為基礎的電腦輔助教學系統，此研究是著重於中文句法權重對於系 統教學時對話計分的影響。

根據上述研究，目前 LSA 應用於教學方面大多是應用 LSA 中的句子與句子的語 意關聯度比對，且國內甚少將 LSA 應用於教學方面。根據前述文獻探討顯示詞彙對於 學生的學習歷程有重要的影響，因此本研究以 LSA 中的詞彙與詞彙的語意關聯度比對 所建置的詞彙教學系統進行詞彙的擴充教學，以提升學童的詞彙量與詞彙連結概念。