文章主要内容总结本文聚焦同步小组对话中的“会话线程”识别与应用，核心是解决协作学习分析中会话结构模糊的问题。研究开发了同步小组对话线程标注指南，测试了多种大语言模型（LLM）的线程识别提示策略，并验证了显式线程信息对下游会话分析编码（如ABCDE框架中的“引发回应”类别）的提升作用。结果显示，滑动窗口提示策略能显著提升LLM的线程识别准确率，且提供线程标签（人工标注或LLM生成）可大幅改善下游编码的一致性和准确性，同时LLM生成线程能在性能、成本和效率间达到较好平衡。创新点提出了一套系统的同步小组对话线程标注指南，通过迭代式人工标注验证，实现了高可信度（Cohen’s Kappa=0.89），填补了同步场景下线程定义不明确的空白。基准测试了多种LLM提示策略（一次性零样本/少样本、滑动窗口零样本），发现滑动窗口策略（尤其是窗口大小为10-20时）能有效解决LLM长上下文处理短板，大幅提升线程识别性能。首次实证验证了显式线程信息对下游协作会话编码的促进作用，证明线程不仅是预处理步骤，更是LLM理解复杂会话的关键支架，且LLM生成的线程可替代人工线程实现高效编码。Abstract 翻译利用大型语言模型识别协作学习分析中的会话线程理解小组对话中观点的发展与流动，对于协作学习分析至关重要。这些互动的核心结构特征是“线程化”——话语自然组织成相互交织、随时间演变的主题脉络。尽管线程化在异步文本场景中已被广泛研究，但由于存在发言重叠和隐含线索，在同步口语对话中检测线程仍具挑战性。
