در دنیای امروز، توانایی همدلی کردن با دیگران، چه از لحاظ شناختی (درک دیدگاه دیگران) و چه از لحاظ عاطفی (احساس کردن آنچه دیگران احساس می‌کنند)، از اهمیت ویژه‌ای برخوردار است. این مهارت نه تنها در روابط شخصی، بلکه در محیط‌های حرفه‌ای، به ویژه در زمینه‌هایی مانند مدیریت، بازاریابی، و آموزش، نقش حیاتی ایفا می‌کند. از این رو، پژوهش‌هایی که به دنبال تقویت مهارت‌های همدلانه افراد، به ویژه دانشجویان هستند، بسیار ارزشمند تلقی می‌شوند. مقاله حاضر با عنوان “تقویت نوشتار همدلانه شناختی و عاطفی دانشجویان” به بررسی روشی نوآورانه برای ارزیابی و بهبود همدلی در نوشته‌های دانشجویی می‌پردازد.

این مقاله توسط Thiemo Wambsganss, Christina Niklaus, Matthias Söllner, Siegfried Handschuh, و Jan Marco Leimeister نوشته شده است. نویسندگان از حوزه‌های مختلفی مانند علوم کامپیوتر، هوش مصنوعی، و آموزش کسب و کار، در این تحقیق مشارکت داشته‌اند. این تنوع تخصصی به آنها امکان داده تا با دیدی جامع و چند بعدی به مسئله همدلی در نوشتار بپردازند. زمینه اصلی تحقیق، طراحی و توسعه سیستم‌های پشتیبان نوشتن است که به دانشجویان کمک می‌کند تا بازخوردهای همدلانه‌تری به همسالان خود ارائه دهند. به طور خاص، مقاله بر روی بازخوردهای دانشجویان در مورد مدل‌های کسب و کار به زبان آلمانی تمرکز دارد.

مقاله حاضر، یک رویکرد حاشیه‌نویسی (annotation) را برای سنجش همدلی عاطفی و شناختی در بازخوردهای همسالان که توسط دانشجویان در مورد مدل‌های کسب و کار به زبان آلمانی نوشته شده‌اند، ارائه می‌دهد. نویسندگان یک طرح حاشیه‌نویسی پیشنهاد می‌کنند که به آنها امکان می‌دهد تا نمرات همدلی عاطفی و شناختی را بر اساس سه نوع مولفه بازخورد مدل‌سازی کنند.

مطالعه‌ای با سه حاشیه‌نویس (annotator) بر روی 92 مقاله دانشجویی برای ارزیابی طرح حاشیه‌نویسی انجام شد. توافق بین ارزیابان (α=0.79 برای مولفه‌ها و multi-π=0.41 برای نمرات همدلی) نشان می‌دهد که طرح پیشنهادی، ارزیابان را با موفقیت به توافق قابل توجه تا متوسط ​​هدایت می‌کند. علاوه بر این، مدل‌های پیش‌بینی‌کننده برای تشخیص ساختارهای همدلی حاشیه‌نویسی‌شده آموزش داده شدند و در یک سیستم پشتیبانی نوشتاری تطبیقی ​​برای دانشجویان تعبیه شدند تا بازخورد همدلی فردی را بدون نیاز به مربی، زمان و مکان دریافت کنند.

ابزار طراحی شده در یک تمرین یادگیری همتا با 58 دانشجو ارزیابی شد و نتایج امیدوارکننده‌ای برای یادگیری مهارت همدلی، دقت بازخورد و قصد استفاده به دست آمد. در نهایت، بدنه متنی (corpus) حاوی 500 بازخورد همسالان، که توسط دانشجویان و با حاشیه‌نویسی همدلی انجام شده، به همراه دستورالعمل‌های حاشیه‌نویسی، برای تشویق تحقیقات آینده در زمینه طراحی و توسعه سیستم‌های پشتیبانی همدلی ارائه شده است.

به طور خلاصه، این مقاله به دنبال پاسخ به این سوال است که چگونه می‌توان همدلی را در نوشته‌های دانشجویان اندازه‌گیری کرد و چگونه می‌توان با استفاده از فناوری، مهارت‌های همدلانه آنها را تقویت نمود.

روش‌شناسی این تحقیق شامل چندین مرحله کلیدی است:

• طراحی طرح حاشیه‌نویسی: در این مرحله، نویسندگان یک چارچوب نظری برای سنجش همدلی شناختی و عاطفی در نوشته‌ها ایجاد کردند. این چارچوب شامل شناسایی مولفه‌های مختلف بازخورد (مانند توصیف، تفسیر، پیشنهاد) و تعیین معیارهایی برای ارزیابی سطح همدلی در هر مولفه بود. برای مثال، یک بازخورد همدلانه شناختی ممکن است شامل درک دیدگاه نویسنده اصلی و ارائه پیشنهادی سازنده باشد که با در نظر گرفتن محدودیت‌ها و اهداف او ارائه شده باشد. یک بازخورد همدلانه عاطفی نیز ممکن است با نشان دادن درک احساسات نویسنده اصلی (مثلاً، تشویق او در مواجهه با چالش‌ها) همراه باشد.
• مطالعه حاشیه‌نویسی: 92 مقاله دانشجویی توسط سه ارزیاب با استفاده از طرح حاشیه‌نویسی ارزیابی شدند. هدف از این مرحله، بررسی قابلیت اطمینان و اعتبار طرح حاشیه‌نویسی بود. به عبارت دیگر، محققان می‌خواستند بدانند که آیا ارزیابان مختلف با استفاده از این طرح، به نتایج مشابهی می‌رسند یا خیر. شاخص‌های آماری مانند α و multi-π برای ارزیابی میزان توافق بین ارزیابان مورد استفاده قرار گرفتند.
• آموزش مدل‌های پیش‌بینی‌کننده: پس از جمع‌آوری داده‌های حاشیه‌نویسی‌شده، نویسندگان از الگوریتم‌های یادگیری ماشین برای آموزش مدل‌هایی استفاده کردند که قادر به تشخیص خودکار ساختارهای همدلی در نوشته‌ها باشند. این مدل‌ها می‌توانند به عنوان بخشی از یک سیستم پشتیبان نوشتن مورد استفاده قرار گیرند تا بازخوردهای همدلانه را به طور خودکار شناسایی و ارائه دهند.
• ارزیابی سیستم پشتیبان نوشتن: سیستم پشتیبان نوشتن در یک تمرین یادگیری همتا با 58 دانشجو ارزیابی شد. دانشجویان از سیستم برای ارائه بازخورد به همسالان خود استفاده کردند و سپس نظرات خود را در مورد اثربخشی سیستم، دقت بازخوردها، و قصد استفاده از سیستم در آینده، بیان کردند.

نتایج این تحقیق نشان داد که:

• طرح حاشیه‌نویسی پیشنهادی، ابزاری قابل اعتماد برای سنجش همدلی در نوشته‌های دانشجویی است. میزان توافق بین ارزیابان (α=0.79 برای مولفه‌ها و multi-π=0.41 برای نمرات همدلی) نشان می‌دهد که ارزیابان به طور کلی در ارزیابی سطح همدلی در بازخوردها، به نتایج مشابهی می‌رسند.
• مدل‌های پیش‌بینی‌کننده آموزش‌داده‌شده، قادر به تشخیص ساختارهای همدلی در نوشته‌ها هستند. این یافته نشان می‌دهد که می‌توان از یادگیری ماشین برای خودکارسازی فرآیند ارزیابی و ارائه بازخورد همدلانه استفاده کرد.
• سیستم پشتیبان نوشتن طراحی‌شده، می‌تواند به دانشجویان در یادگیری مهارت‌های همدلی کمک کند. نتایج ارزیابی نشان داد که دانشجویان پس از استفاده از سیستم، درک بهتری از نحوه ارائه بازخوردهای همدلانه پیدا می‌کنند و تمایل بیشتری به استفاده از سیستم در آینده دارند. به عنوان مثال، دانشجویان گزارش دادند که سیستم به آنها کمک کرده تا به دیدگاه نویسنده اصلی بیشتر توجه کنند و بازخوردهایی سازنده‌تر و محترمانه‌تر ارائه دهند.
• دانشجویان، بازخوردهای ارائه‌شده توسط سیستم را دقیق و مفید ارزیابی کردند. این یافته نشان می‌دهد که سیستم می‌تواند به طور موثری نیازهای دانشجویان را در زمینه بازخورد همدلانه برآورده کند.

این تحقیق دارای کاربردهای متعددی است:

• توسعه سیستم‌های آموزشی هوشمند: نتایج این تحقیق می‌تواند در طراحی و توسعه سیستم‌های آموزشی هوشمند مورد استفاده قرار گیرد که به دانشجویان در یادگیری مهارت‌های همدلی کمک می‌کنند. این سیستم‌ها می‌توانند بازخوردهای همدلانه را به طور خودکار شناسایی و ارائه دهند، به دانشجویان در ارائه بازخوردهای همدلانه کمک کنند، و عملکرد دانشجویان را در این زمینه ارزیابی کنند.
• بهبود کیفیت بازخوردهای همسالان: این تحقیق می‌تواند به بهبود کیفیت بازخوردهای همسالان در محیط‌های آموزشی کمک کند. با استفاده از طرح حاشیه‌نویسی پیشنهادی، مربیان می‌توانند بازخوردهای دانشجویان را ارزیابی کنند و به آنها در ارائه بازخوردهای همدلانه‌تر کمک کنند.
• ایجاد منابع آموزشی برای آموزش همدلی: بدنه متنی (corpus) حاوی 500 بازخورد همسالان که در این تحقیق ایجاد شده است، می‌تواند به عنوان یک منبع آموزشی برای آموزش همدلی مورد استفاده قرار گیرد. این بدنه متنی شامل نمونه‌هایی از بازخوردهای همدلانه و غیرهمدلانه است که می‌تواند به دانشجویان در یادگیری نحوه تشخیص و ارائه بازخوردهای همدلانه کمک کند.
• پیشبرد تحقیقات در زمینه هوش مصنوعی و همدلی: این تحقیق، گامی مهم در جهت پیشبرد تحقیقات در زمینه هوش مصنوعی و همدلی است. با توسعه الگوریتم‌هایی که قادر به تشخیص و ارزیابی همدلی در نوشته‌ها هستند، می‌توان سیستم‌های هوشمندی را ایجاد کرد که قادر به تعامل همدلانه با انسان‌ها هستند.

مقاله “تقویت نوشتار همدلانه شناختی و عاطفی دانشجویان” یک مطالعه ارزشمند است که به بررسی روشی نوآورانه برای ارزیابی و بهبود همدلی در نوشته‌های دانشجویی می‌پردازد. نتایج این تحقیق نشان می‌دهد که می‌توان با استفاده از طرح حاشیه‌نویسی پیشنهادی و الگوریتم‌های یادگیری ماشین، مهارت‌های همدلانه دانشجویان را تقویت کرد. این تحقیق دارای کاربردهای متعددی در زمینه آموزش، هوش مصنوعی، و تعامل انسان و کامپیوتر است و می‌تواند به بهبود روابط بین فردی و حرفه‌ای کمک کند. در نهایت، در دسترس قرار دادن بدنه متنی (corpus) و دستورالعمل‌های حاشیه‌نویسی، گامی مهم در جهت تشویق تحقیقات بیشتر در این زمینه است.