随着互联网技术的快速发展,在线学习成为越来越多学生的选择,目前,在国内外存在大量的在线学习平台,例如国内的腾讯课堂、慕课网等,国外的OpenStax Tutor、Coursera等,这些平台可以让学生更方便地接触到各种各样的知识,同时也有利于老师展开教学工作。学习分析[1]是指通过研究学习者的学习行为习惯,给不同的学习者推荐一个合适的学习方案。为了更好地对学习者产生干预,需要有高质量的学习者行为数据,如何获取到这些数据就是一个非常值得研究的问题,其中针对短文本问题回答的误解检测与修复就是一个亟待解决的问题。这些短文本问题回答的误解会降低学生的学习效率,同时也会降低老师的教学效率,不利于老师展开相关的教学工作,并且使学习分析的结果与实际情况之间产生较大的偏差,因此检测并修复短文本问题回答的误解是一项十分有意义的工作。本文针对在线学习社区中可能出现的短文本问题回答的误解,提出了以下两种在线学习社区短文本问题回答的误解检测与修复框架,这两种框架定义了两种短文本问题回答的误解检测与修复体系结构,第二种框架是第一种框架的改进,这两种框架均能独立自动检测与修复在线学习社区中存在的误解。本文的主要工作如下:首先,本文提出了一种基于BERT的短文本问题回答的误解检测与修复框架。该框架包括三个步骤,首先,通过三种嵌入方式拼接得到BERT输入层向量矩阵;其次,将预处理得到的向量矩阵输入到BERT预训练模型中;再次,使用Softmax进行归一化处理,并对模型端到端的进行调整,使之拟合成可以识别短文本是否存在误解的误解检测模型;最后,采用正确答案标注误解并推送的方法修复误解,即如果模型在数据集上发现某个存在误解的答案,就通过这个答案的编号找到该问题编号,并通过该问题编号找到该问题的正确答案,用正确答案标注这个存在误解的答案,同时把该问题和该问题的正确答案推送给回答者。然后,本文提出了一种基于BERT-LSTM的短文本问题回答的误解检测与修复框架。该框架分为三个步骤,首先,通过BERT预训练模型将短文本转换成充分提取了上下文信息的词嵌入向量;其次,将得到的向量输入到LSTM模型中进行训练,得到一种短文本问题回答的误解检测模型;最后,采用正确答案标注误解并推送的方法修复误解。最后,本文通过OpenStax Tutor上真实的在线学习社区数据集进行了实验,并将本文提出的方法与其他研究者提出的方法作对比,实验结果表明,本文提出的两种方法在一定程度上可以检测并修复在线学习社区中存在的短文本问题回答的误解,对学习分析研究具有一定的指导意义。