A Text Relatedness and Dependency Computational Model

The Interactive Strategy Trainer for Active Reading and Thinking (iSTART) is an intelligent tutoring system that provides students with automated training on reading strategies. In particular, iSTART helps students integrate textual information into a coherent mental representation through self-explanation. The goal of the present study was to examine how text cohesion influences qualitatively different types of self-explanation, namely, bridging and elaborative inferences. To do so, we developed a computational model that characterizes cohesion in terms of the textbase indices word stem and Latent Semantic Analysis relatedness, as well as the situation model index causal dependency between sentences. This model successfully predicted the different types of self-explanations as a function of cohesion. We also found that students’ prior knowledge interacted particularly with causal dependency. RÉSUMÉ. ISTART (Interactive Strategy Trainer for Active Reading and Thinking) est un tuteur électronique qui entraine des étudiants à utiliser certaines stratégies de lecture dans le but de comprendre un texte difficile. Les utilisateurs d’iSTART sont amenés à intégrer les Studia Informatica Universalis. informations, contenues dans un texte, à une représentation mentale cohérente, par la technique de l’auto-explication. Le but de notre étude était d’examiner comment la cohésion textuelle influençait qualitativement la production de différents types d’auto-explications, particulièrement les stratégies consistant à expliciter des liens entre phrases ou à élaborer le contenu d’un texte. Dans cette optique, nous avons développé un modèle qui calcule deux genres de cohésion textuelle à partir d’indices linguistiques différents contribuant, d’une part, à la construction de la base de texte, à savoir, la répétition de racines de mots et la similarité sémantique entre phrases (Analyse Sémantique Latente), et d’autre part, à la construction d’un modèle de situation, comme la dépendance causale. Ce modèle permet de prédire différents types d’auto-explications en fonction du degré de cohésion textuelle calculée. Nous montrons en outre que les connaissances initiales interagissent particulièrement avec la cohésion situationnelle, calculée à partir de la dépendance causale entre phrases.