Struggling to Keep Tabs on Capstone Projects: A Chatbot to Tackle Student Procrastination

Struggling to Keep Tabs on Capstone Projects: A Chatbot to Tackle Student Procrastination

基本信息

博客贡献人

徐宁

作者

JUANAN PEREIRA ， ÓSCAR DÍAZ

标签

Conversational agents, chatbots, procrastination, project management

摘要

毕业论文项目通常代表学生参与的最重要的学术努力。时间管理通常是其中一个障碍。此外，大学生容易拖延行为。缺乏经验和拖延相结合，导致学生未能按时完成任务。导师们努力提供帮助，但繁重的工作负担通常阻碍了他们对学生的持续参与。本文探讨了会话代理（即聊天机器人）在单个学生毕业论文项目中应对拖延的程度。具体来说，聊天机器人的功能包括（1）提醒，（2）建议，（3）自动重新安排，（4）激励信息和（5）参考以前的毕业论文项目。这些功能是基于认知行为理论制定的，并在自我调节不协调的三个阶段内进行了框架化：前行动、行动和后行动。为了激发这项研究的兴趣，我们首先分析了77份毕业论文项目报告。我们发现学生的甘特图（1）没有考虑到审查会议（70%）和里程碑（100%），（2）与最初计划的工作量偏差较大（16.28%）。基于这些情况，我们开发了GanttBot，一个可以从学生的甘特图中配置的Telegram聊天机器人。GanttBot会提醒学生接近的里程碑，通知导师何时可能需要干预，并从以前的项目中学习常见的问题，向学生提供建议。为了评估目的，17/18届课程充当对照组（N = 28），而18/19届课程充当治疗组（N = 25名学生）。以“逾期天数”作为拖延的代理，结果表明，17/18届课程的平均延迟天数为19天（标准差= 5），而18/19届课程中的干预组的延迟天数降至10天（标准差= 4）。GanttBot可作为Telegram聊天机器人公开使用。

问题说明

拖延这一行为在大学生群体中普遍存在，特别在有任务需要完成时，在完成任务的不同阶段都会存在因为不同的原因导致的拖延。完成任务的阶段大致可分为Pre-actional phase（前影响阶段），Actional phase（行动阶段），Post-actional phase（后行动阶段）。

Pre-actional phase

• 导致在Pre-actional phase出现拖延现象的因素主要包括缺乏自决权。过于乐观的预测和计划。即自己无法下定何时开始完成项目的决心，同时在预测完成未来任务需要多少时间时显示出乐观偏见，总是存在自己还有时间能够完成项目的错觉。

Actional phase

• 在Actional phase出现拖延现象的因素主要包括心不在焉、注意力不集中，错误的项目时间规划以及以完成项目的理由做项目非紧要的工作。即在完成项目时会额外关注到其他事务，例如整体不整洁的桌面，浏览网页，和他人聊天等，同时在对项目任务感到焦虑难以完成时也会通过分心其他事来缓解焦虑，逃避任务，同时在完成任务时花费大量时间去制作项目的甘特图而不是完成项目本身也是拖延行为。

Post-actional phase

• 在Post-actional phase中，主要存在的拖延行为是学生缺乏学术自我效能感，即学生高估了自己能够完成项目的能力，导致了高程度的拖延症。

方法

本文的主要方法是针对于大学生完成本科毕设等项目时在上述的三个阶段产生拖延症的原因，设计的基于甘特图的聊天机器人GanttBot。该聊天机器人建立在甘特图的基础上，通过向其导入甘特图文件，GanttBot会自动提取甘特图中的项目进程和项目任务，自此GanttBot就会密切关注学生完成项目的进度以及任务完成率，并通过对话框与学生交互。GanttBot的功能对学生拖延症状的改善也主要体现在Pre-actional phase，Actional phase，Post-actional phase。

方法描述

Pre-actional phase

在这个阶段，学生总会在预测完成未来任务需要多少时间上显示出乐观偏见，从而导致项目开展较晚，不认真等拖延行为。而
GanttBot在学生向其提交自己制作的项目的甘特图之后，GanttBot就会甘特图中存在的可疑的任务时间表通知学生。并利用过去的甘特图（实验学生所完成项目的类似项目甘特图），将其与学生项目任务的估计进行比较，并在发生重大偏差时触发警报。如图1所示，GanttBot认为学生的任务时间表过于乐观，给出了增加7小时的建议。

图1.面对过于乐观的预测。基于先前的项目(链接1、2和3)，学生被告知可疑的任务持续时间估计

Actional phase

这一阶段中，主要存在的拖延情况为通过寻找任务以外的干扰物而产生的，同时保持完成预期任务的假象，主要表现为完成项目时去整理混乱的桌面，打开网页浏览无关的信息，同时花费大量的时间修改项目甘特图等。同时对项目进度等产生焦虑时，也会存在寻求分心的倾向，通过观看电视或浏览网页等压力较小的活动来来逃避项目任务，以此缓解压力。

图2. 任务监视和跟踪

图3. 当更新导致任务级联延迟时，bot会发出警告，这反过来会导致最终交付日期的延迟。

• GanttBot针对于上述现象，会以一种善意的方式来催促和提醒学生可能出现的问题：例如（1）预期的和当前的交付日期之间出现潜在的冲突；（2）项目进程节点临近等如图2，图3所示。同时GanttBot会迅速要求学生采取应急措施，并提供预期的完成时间。如果学生报告延迟，那么GanttBot将要求确定导致延迟的任务以及延迟的小时数估计。学生只需提供一些大致的应急措施，然后继续工作。而GanttBot会根据上述提供的内容自动调整项目甘特图如图4所示，避免了学生分心花时间在重新绘制甘特图上。

图4. GanttBot跟踪即将到来的截止日期。即将到来的最后期限(1)，触发警报(2)，启动对话，以了解更多学生完成任务的估计。在这个例子中，学生报告了一个估计为5天(3)的延迟。机器人更新了任务和所有后续的依赖项(4)。

Post-actional phase

这一阶段主要存在的拖延情况是因为学生缺乏学术自我效能感有关，即自我认知不足，相信自己有能力完成项目。GanttBot在这一阶段中主要通过鼓励的语言来激励学生跟上项目进度，并通过反思性的问题让学生来回顾在完成项目过程中的收获，例如GanttBot会提出你认为你在这个任务中做得很好吗?在这个任务中，你尝试了哪些新的技能或知识?如果你有更多的时间，你会怎么做?等问题，以此来让学生感受到项目推进带给自己的变化，产生正反馈。

针对GanttBot被搁置的策略

因为使用GanttBot机器人对于完成项目的学生来说是可选项，导师也只能建议但不能强制使用，所以前期就可能会存在几种学生选择不使用GanttBot的情况：

• 学生们会因为GanttBot的干预和难以接受被安排的截止日期而选择放弃整个项目，因此也不会使用GanttBot
• 学生们不相信GanttBot，选择在没有GanttBot的帮助下继续完成项目。
• 当学生们使用GanttBot时，可能被视为是存在拖延症才会选择使用GanttBot。

针对上述问题，GanttBot本身只能通过一些策略例如定制反馈和增加项目的互动性来增强使用学生的黏性，但总体来说上述策略最终目的也是为了对抗拖延，所以制定的攻略也是使这个功能更有效，所以这只对第一类问题的学生比较有效而对第二类问题的学生效果有限。
针对第三类问题，GanttBot的策略选择是给GanttBot赋予了额外的功能证明其不是因为拖延才使用，而是因为对自己有帮助，是一个有效的工具才使用，以此增加黏性，隐藏掉拖延症和GanttBot之间的关联。方法一：GanttBot可以根据学生的进度来规划什么阶段适合与导师开会商讨，保证了开会的有效性，同时也能为导师给出学生的项目阶段表，方便老师标记在什么阶段适合与学生开会交流；方法二：添加学术插件，方便学术可以通过GanttBot了解毕业论文项目的学术规定等。

实验

评估方法

在本文方法中，实验对象来自同一大学的计算机工程专业同一门课程连续两年的同学，17-18年课程的28名同学作为对照组，18-19年课程的25名同学作为干预组，对照组和干预组授课老师，授课方法，成绩分布都是相似的。其中18-19年的同学使用了GanttBot.最后通过完成任务的“过期天数”作为对任务拖延程度的衡量。

实验结果

如图5所示，根据学生项目报告：17-18年的学生过期天数为19天（SD=5），而18-19年的学生过期天数为10天（SD=4）。即使用GanttBot的学生通过将平均逾期天数从19天减少到10天来打击他们的拖延行为。

图5. 每个课程年度开发的项目数量，平均延迟天数和平均甘特图更新次数

并且通过Shapiro-Wilk正态性检验对两个数据样本进行了正态性检验，得到了以下结果： 对于2017/18年课程： W值 = 0.98021 p值 = 0.8998 α = 0.05 对于2018/2019年课程： W值 = 0.95737 p值 = 0.3215 α = 0.05，两个检验结果表明我们可以假设数据呈正态分布。再应用T检验（t值 = 8.05462，p值 = 0.0001，α = 0.05），其结果表明逾期天数的差异具有显著性，p < 0.05。以此结果表明了聊天机器人干预在减少逾期天数方面是有效的。

因为上述的评估都是将GanttBot作为一个整体进行评估，所以在18-19年的学生完成项目之后，通过问卷的形式如图6所示对GanttBot所设计的几个策略（(1)提醒，(2)建议，12(3)自动重新安排，(4)激励信息，(5)参考以前的学生项目，以及(6)-(8)可用性问题。）
由图可以看出

• ”提醒”功能被大多数学生认为是有帮助的，92%的学生同意或在某种程度上同意它有助于保持项目进度。

• 排名第二的是“自动重新安排”，84%的学生欣赏Gantt图的重新生成。

• “建议”和“参考以前的学生项目”位于中等范围，76%的学生认为这些策略在某种程度上有用。

• 相反，对于“激励性消息”，只有56%的学生认为GanttBot的消息并不特别激励。学生建议在消息中包括导师的短视频和个性化消息，将GanttBot视为面对面辅导的补充。

• 关于GanttBot是否过于侵入性（是否会对学生完成项目时产生打扰），没有达成一致意见。只有52%的学生认为GanttBot的消息不具侵入性。学生没有使用机器人提供的选项来关闭有关特定任务的提醒，可能是因为担心禁用这些提醒会错过重要的消息。

图5. 每个课程年度开发的项目数量，平均延迟天数和平均甘特图更新次数

相关知识链接

总结

不足

• 忽略了两组同学采用的软件开发方法不同可能导致的效率不同。
• 忽略了软件开发经验对学生完成项目时的影响。
• 同时也忽略了意外事件导致的延迟（流感）和当前实验的样本量较小也是问题。

[启发]

• 本文对比学习的方法为其它模态间的相互转化提供了良好的思路，不同模态间均可以进行对比学习
• 大语料库预训练模型的先验知识能够有效提高模型的泛化能力，当需要零样本迁移至各种模态的下游任务时，可以考虑结合大语言模型的多模态方法

BibTex

@misc{radford2021learning,
      title={Learning Transferable Visual Models From Natural Language Supervision}, 
      author={Alec Radford and Jong Wook Kim and Chris Hallacy and Aditya Ramesh and Gabriel Goh and Sandhini Agarwal and Girish Sastry and Amanda Askell and Pamela Mishkin and Jack Clark and Gretchen Krueger and Ilya Sutskever},
      year={2021},
      eprint={2103.00020},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}