Question-Anchored-Tutoring-Dialogues-2k

Question Anchored Tutoring Dialogues数据集包含了Eedi平台上的数学辅导对话。这些对话是由学生在做数学练习时请求帮助而产生的。数据集旨在用于非商业研究，以改进学习成果。它包括两个主要部分：anchored-dialogues和dq-question-metadata，分别代表对话数据和与对话相关的问题元数据。数据集经过严格的筛选和处理，以确保隐私和安全，并包含了对谈话移动的标注，有助于研究对话中的教学策略。

原始信息汇总

数据集概述：Question-Anchored-Tutoring-Dialogues-2k

基本信息

• 名称：Question Anchored Tutoring Dialogues
• 语言：英语
• 许可：CC-BY-NC-4.0
• 任务类型：文本生成
• 领域：教育
• 数据规模：1K<n<10K
• 配置：
  • anchored-dialogues：包含训练集和测试集
  • dq-question-metadata：仅包含训练集

数据集详情

• 描述：包含来自数学辅导干预的对话，记录于Eedi平台。每个对话代表学生请求帮助时与导师的聊天对话。
• 元数据：
  1. DQ-Question-Metadata：学生请求辅导时正在处理的问题。
  2. Dialogue-Subjects：课程的主题、话题和子话题。
• 创建者：Matthew Zent, Digory Smith, Simon Woodhead
• 资助方：Eedi

数据集结构

anchored-dialogues

• 特征：
  • InterventionId：干预的唯一标识符
  • UserId：用户的唯一标识符
  • QuestionId_DQ：诊断问题的唯一标识符
  • MessageSequence：消息在对话中的序列号
  • IsTutor：消息是否来自导师（1为导师，0为学生）
  • MessageString：消息内容
  • TalkMovePrediction：导师支持学生数学思维的标签
• 数据量：
  • 训练集：55,322个样本，4,674,549字节
  • 测试集：13,395个样本，1,138,842字节

dq-question-metadata

• 特征：
  • QuestionId_DQ：诊断问题的唯一标识符
  • InterventionId：干预的唯一标识符
  • MetaDataId：元数据的唯一标识符
  • Text：问题的提取文本
  • Sequence：文本的呈现顺序
  • MetaDataTagId：与Label列的一对一映射
  • Label：提取文本的标签
• 数据量：
  • 训练集：10,857个样本，1,129,952字节

使用场景

• 直接用途：用于非商业研究，改进学习成果。适用于模型训练、微调和校准任务。
• 超出范围的用途：识别或重新识别个体、监视、剖析或自动化高风险决策。

数据集创建

• 来源：Eedi数学学习平台
• 收集时间：2021年11月至2025年2月
• 处理步骤：
  1. 初始过滤
  2. 内容审核
  3. 导师同意
  4. 降采样
  5. 手动审查
  6. PII匿名化
  7. 训练/测试分割

注释

• Talk Moves：用于降采样的GPT分类模型标签
• Potential-PII：通过机器和人工标注的PII匿名化标签

限制与风险

• 偏见：聚焦英国学生，排除美国学习者
• 隐私：尽管进行了匿名化处理，敏感内容可能仍然存在

联系方式

• 作者：Matthew Zent
• 邮箱：[e-mail]

搜集汇总

数据集介绍

构建方式

该数据集构建过程体现了严谨的教育数据科学方法论，通过多阶段过滤和处理流程确保数据质量。研究团队从Eedi数学学习平台采集2021年11月至2025年2月的原始对话数据，采用分层抽样策略筛选包含至少20条消息的师生对话。数据经过内容审核、导师授权确认、TF-IDF加权的对话多样性采样等专业处理，并运用PIIvot工具进行隐私匿名化处理，最终形成包含1,971个教学干预案例的精炼数据集。数据划分采用0.8/0.2的标准训练测试集分割策略，确保模型评估的可靠性。

特点

数据集核心价值在于其多维度的教育对话标注体系，不仅包含原始对话文本，还整合了诊断问题元数据（DQ-Question-Metadata）和学科主题层级体系（Dialogue-Subjects）。特别值得注意的是，该数据集创新性地引入TalkMovePrediction标注，通过GPT模型对教师支持学生数学思维的对话策略进行分类。数据覆盖1,073名英国学生与25名教师的互动，包含68,717条消息，并附有详细的用户人口统计信息和平台使用行为数据，为教育对话分析提供了丰富的上下文特征。

使用方法

该数据集主要面向教育技术领域的非商业研究，特别适合用于智能辅导系统的对话建模和教学策略分析。研究人员可通过HuggingFace平台直接加载数据集，利用其预置的训练测试划分开展实验。典型应用场景包括：基于对话序列的响应生成模型训练、教学话术模式挖掘、以及个性化学习干预效果评估。使用时应严格遵守CC-BY-NC-4.0许可协议，特别注意数据中的潜在隐私风险，禁止任何个体重识别尝试。对于涉及敏感内容的研究，建议联系数据集作者获取伦理使用指导。

背景与挑战

背景概述

Question-Anchored-Tutoring-Dialogues-2k数据集由Eedi平台于2021至2025年间创建，主要研究者包括Matthew Zent、Digory Smith和Simon Woodhead。该数据集聚焦于数学教育领域，收录了导师与学生之间的对话记录，旨在通过自然语言处理技术改善在线教育中的个性化辅导效果。其核心研究问题在于如何利用对话数据提升学习成效，特别是在数学问题解决过程中的交互模式分析。作为教育技术领域的重要资源，该数据集为智能辅导系统的开发提供了真实场景下的对话范例，推动了教育对话建模的研究进展。

当前挑战

该数据集面临多重挑战：在领域问题层面，需解决教育对话中复杂的语义理解问题，包括数学术语的准确解析、多轮对话的连贯性保持以及教育意图的识别；在构建过程中，研究者需处理数据隐私保护的难题，包括个人身份信息的匿名化处理，同时确保对话内容的完整性和教育价值。此外，数据采集还面临对话质量控制的挑战，如筛选具有教育意义的对话片段，并平衡不同难度级别和话题的样本分布。

常用场景

经典使用场景

在数学教育领域，Question-Anchored-Tutoring-Dialogues-2k数据集为研究者提供了丰富的导师-学生对话资源。这些对话围绕特定数学问题展开，记录了学生求助与导师指导的全过程。数据集最经典的应用场景在于教育对话系统的开发与优化，特别是针对数学辅导场景的智能对话模型训练。研究者可利用这些真实交互数据，分析有效教学策略的对话模式，构建更贴近实际教学场景的对话系统。

解决学术问题

该数据集有效解决了教育技术领域多个关键研究问题。首先，它提供了研究一对一数学辅导对话结构的标准化数据，填补了该领域高质量对话语料库的空白。其次，通过标注的'TalkMovePrediction'字段，支持教学策略自动识别的研究。最重要的是，数据集为解决'如何通过对话提升学习效果'这一核心教育问题提供了实证研究基础，推动了基于证据的教学方法发展。

衍生相关工作

围绕该数据集已产生多项重要研究成果。Moreau-Pernet等人(2024)基于这些对话数据开发了教学策略分类模型，为自动识别有效教学方法奠定了基础。Eedi团队进一步利用数据集优化了其智能辅导系统，相关成果发表在多个教育技术会议上。数据集还催生了PIIvot等隐私保护工具的开发，推动了教育数据匿名化处理技术的研究进展。