王保華 熊余 姚玉 儲(chǔ)雯 呂翊

[摘? ?要] 隨著教育信息化建設(shè)的深入推進(jìn)，教學(xué)系統(tǒng)中積累了海量的學(xué)生教學(xué)評(píng)價(jià)數(shù)據(jù)，這些數(shù)據(jù)蘊(yùn)含了豐富的信息，亟待挖掘利用。為了挖掘?qū)W生教學(xué)評(píng)價(jià)中的情感傾向，為提高教學(xué)質(zhì)量提供科學(xué)依據(jù)，文章提出了一種基于雙通道深度記憶網(wǎng)絡(luò)的深度學(xué)習(xí)模型，用于學(xué)生教學(xué)評(píng)價(jià)的方面級(jí)情感分析。在該模型中，設(shè)計(jì)了雙通道策略以充分提取評(píng)語(yǔ)中隱含的局部特征和上下文依賴(lài)信息，并使用循環(huán)注意力機(jī)制提取與特定教學(xué)方面相關(guān)的情感信息以實(shí)現(xiàn)細(xì)粒度的方面級(jí)情感分析。通過(guò)在真實(shí)的教學(xué)評(píng)價(jià)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果表明，所提出的方法能有效挖掘?qū)W生評(píng)價(jià)中關(guān)于不同教學(xué)方面的情感傾向，為教師和教學(xué)管理者了解并改進(jìn)教學(xué)提供依據(jù)。

[關(guān)鍵詞] 學(xué)生教學(xué)評(píng)價(jià); 情感分析; 深度學(xué)習(xí); 深度記憶網(wǎng)絡(luò); 卷積神經(jīng)網(wǎng)絡(luò)

一、引? ?言

提高教學(xué)質(zhì)量是當(dāng)前教育的核心任務(wù)，也是建設(shè)教育強(qiáng)國(guó)的基本要求。提高教學(xué)質(zhì)量，首先要能對(duì)教學(xué)質(zhì)量進(jìn)行客觀科學(xué)的評(píng)判或評(píng)價(jià)。由于教學(xué)服務(wù)的直接受眾是學(xué)生，故學(xué)生對(duì)教學(xué)的反饋信息在教學(xué)質(zhì)量評(píng)價(jià)中至關(guān)重要[1-2]。學(xué)生教學(xué)評(píng)價(jià)（Student Evaluations of? Teaching，SET）是各類(lèi)學(xué)校廣泛使用的收集課程教學(xué)質(zhì)量反饋信息的方法，能較好地反映學(xué)生對(duì)教學(xué)的滿意度，可以作為教學(xué)管理部門(mén)衡量教學(xué)效果的重要手段，也可以用于幫助任課教師有針對(duì)性地改進(jìn)教學(xué)。此外，SET還常常用于輔助行政決策，如作為教師職稱(chēng)晉升和崗位聘用的依據(jù)或參考[3]。可見(jiàn)，SET已經(jīng)成為一種普遍采用的教學(xué)評(píng)價(jià)與管理制度，是教學(xué)體系內(nèi)涵建設(shè)的重要內(nèi)容[4]。

隨著教育信息化的深入推進(jìn)，SET已經(jīng)逐步電子化[5]，然而，由于其龐大的數(shù)據(jù)量，通過(guò)人工獲取學(xué)生的反饋信息仍然十分繁瑣。文本情感分析（Sentiment Analysis，SA）主要是基于文本數(shù)據(jù)研究人們對(duì)于商品、服務(wù)、事件等對(duì)象的情感、意見(jiàn)或態(tài)度，可以實(shí)現(xiàn)文本數(shù)據(jù)的自動(dòng)化處理。因此，如何利用情感分析技術(shù)從大量的SET數(shù)據(jù)中挖掘?qū)W生的情感傾向，是充分實(shí)現(xiàn)SET教學(xué)功能的關(guān)鍵，也是目前教育領(lǐng)域亟待解決的重要問(wèn)題之一[6]。

現(xiàn)有的SA方法主要有基于詞典的方法、基于機(jī)器學(xué)習(xí)（Machine Learning，ML）的方法和基于深度學(xué)習(xí)（Deep Learning，DL）的方法[7]。其中，基于詞典的方法主要利用情感詞典將語(yǔ)料庫(kù)中表達(dá)情感的關(guān)鍵詞提取出來(lái)，進(jìn)而對(duì)目標(biāo)語(yǔ)句進(jìn)行情感分析[8]?；谠~典的方法能體現(xiàn)文本的非結(jié)構(gòu)化特征，在情感詞典覆蓋率和標(biāo)注準(zhǔn)確率較高的情況下分類(lèi)效果較理想[9]，然而，此類(lèi)方法依賴(lài)語(yǔ)料庫(kù)的領(lǐng)域、語(yǔ)言等背景知識(shí)，在實(shí)踐中難以構(gòu)建高質(zhì)量的情感詞典。基于ML的方法可以通過(guò)語(yǔ)句中詞語(yǔ)級(jí)別的情感特征準(zhǔn)確捕獲文本中有用的情感信息，這種詞級(jí)特征可以將語(yǔ)義信息表示成向量形式，方便衡量?jī)蓚€(gè)詞之間的相似度，因而在情感分析任務(wù)中表現(xiàn)良好[10]。據(jù)此，F(xiàn)rancis F. Balahadia等人開(kāi)發(fā)了一個(gè)基于意見(jiàn)挖掘和情感分析的教師績(jī)效評(píng)價(jià)系統(tǒng)，將學(xué)生教學(xué)評(píng)價(jià)中的情感信息作為教師績(jī)效的評(píng)價(jià)標(biāo)準(zhǔn)之一[11]。Qika Lin等人分別使用樸素貝葉斯（Naive Bayesian，NB）、邏輯回歸等機(jī)器學(xué)習(xí)方法，自動(dòng)從學(xué)生教學(xué)評(píng)價(jià)中分析學(xué)生的情感傾向，并比較了這些方法的性能表現(xiàn)，進(jìn)而實(shí)際應(yīng)用于學(xué)校教學(xué)管理系統(tǒng)的學(xué)生評(píng)教環(huán)節(jié)[12]?；贛L的方法簡(jiǎn)單易用，但是這種詞級(jí)特征過(guò)于依賴(lài)特征提取，對(duì)復(fù)雜句式的建模并不理想。近年來(lái)，隨著基于DL的情感分析研究取得重大的進(jìn)展，各種DL模型被用來(lái)分析產(chǎn)品評(píng)論、社交媒體評(píng)論的情感傾向，并取得了良好的效果[13]，因而研究者開(kāi)始將其應(yīng)用于教育領(lǐng)域[14-17]。Chiu-Wang Tseng等人設(shè)計(jì)了一個(gè)決策支持系統(tǒng)，使用了NB、深度神經(jīng)網(wǎng)絡(luò)、注意力機(jī)制的循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）和長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）等多種方法對(duì)學(xué)生教學(xué)評(píng)價(jià)問(wèn)卷的評(píng)語(yǔ)進(jìn)行情感分析，并將結(jié)果作為學(xué)校評(píng)選優(yōu)秀教師的參考依據(jù)[18]。

然而，上述研究多是對(duì)教學(xué)評(píng)價(jià)進(jìn)行句子或篇章級(jí)的情感分析，忽略了學(xué)生教學(xué)評(píng)價(jià)中細(xì)粒度的情感，即未考慮教學(xué)評(píng)價(jià)中學(xué)生對(duì)教學(xué)態(tài)度、教學(xué)方法等某個(gè)特定方面的情感傾向，難以讓教師有針對(duì)性地改進(jìn)教學(xué)。為此，本文設(shè)計(jì)了一種基于雙向門(mén)控循環(huán)單元（Bidirectional-Gated Recurrent Unit， Bi-GRU）和CNN的雙通道深度記憶網(wǎng)絡(luò)（Dual-Channel Deep Memory Network，DDMN），以用于學(xué)生教學(xué)評(píng)價(jià)的方面級(jí)情感分析（Aspect Based Sentiment Analysis，ABSA）。左通道中基于CNN的深度記憶網(wǎng)絡(luò)（Deep Memory Network，DMN）提取評(píng)語(yǔ)中的局部特征，右通道中基于Bi-GRU的DMN提取上下文依賴(lài)信息，將兩個(gè)通道得到的情感特征加以融合并通過(guò)Softmax分類(lèi)器得到評(píng)語(yǔ)關(guān)于特定方面的情感傾向。

二、問(wèn)題描述

SET的評(píng)語(yǔ)作為最直觀的學(xué)生反饋，包含豐富的信息。觀察評(píng)語(yǔ)可以發(fā)現(xiàn)，很多評(píng)語(yǔ)不僅表達(dá)了對(duì)教學(xué)整體的積極或者消極的情感，還表達(dá)了對(duì)教學(xué)的某個(gè)具體方面的情感。例如：評(píng)語(yǔ)“非常棒的教授、非常好的教學(xué)技巧、謝謝老師給我們上這門(mén)課”中，表達(dá)了學(xué)生對(duì)教師“教學(xué)方法”方面的認(rèn)同，即表達(dá)了對(duì)該方面的積極情感。并且，通過(guò)對(duì)各個(gè)教學(xué)方面的挖掘分析，能深入了解學(xué)生對(duì)不同教學(xué)方面的關(guān)注程度。SET中這種細(xì)粒度的情感，表達(dá)了學(xué)生更加真實(shí)的感受，可以幫助教師和管理者更加了解教學(xué)效果，進(jìn)而為教學(xué)反思和針對(duì)性的教學(xué)改進(jìn)提供科學(xué)依據(jù)。

與電商產(chǎn)品評(píng)論相比，SET評(píng)語(yǔ)中的情感更加隱晦，情感特征提取更困難。如電商產(chǎn)品評(píng)論表達(dá)對(duì)某產(chǎn)品消極的情感可能很直接：“這個(gè)相機(jī)的畫(huà)質(zhì)很差”，對(duì)于這種直接性的評(píng)語(yǔ)采用CNN提取局部特征效果良好。而學(xué)生對(duì)某教師教學(xué)效果持負(fù)面評(píng)論時(shí)，可能表述更為委婉，例如：比較性評(píng)語(yǔ)“李老師的課相比張老師的課還有提升空間”，或者“希望老師能配備一個(gè)好的助教”，這使得傳統(tǒng)的機(jī)器學(xué)習(xí)和CNN難以捕獲其中的情感特征。這時(shí)需要通過(guò)評(píng)語(yǔ)的語(yǔ)境，即上下文的依賴(lài)信息來(lái)綜合判斷評(píng)語(yǔ)的情感傾向，而RNN能很好地提取這種上下文的依賴(lài)信息，進(jìn)而得到更準(zhǔn)確的情感特征。

三、雙通道深度記憶網(wǎng)絡(luò)模型

DDMN模型用于SET方面級(jí)情感分析的流程如圖1所示。其中，SET數(shù)據(jù)收集和預(yù)處理部分是為了從教學(xué)評(píng)價(jià)網(wǎng)站獲取真實(shí)的學(xué)生評(píng)價(jià)數(shù)據(jù)，經(jīng)預(yù)處理后將其作為情感分析所需的SET數(shù)據(jù)集。情感分析部分則是利用DDMN模型來(lái)提取評(píng)語(yǔ)的情感特征，進(jìn)而得到其情感標(biāo)簽。其中，左右兩個(gè)通道分別是兩個(gè)深度記憶網(wǎng)絡(luò)，均包括記憶模塊、循環(huán)注意模塊兩個(gè)部分，不同之處在于，左通道由CNN構(gòu)建記憶模塊，右通道由Bi-GRU構(gòu)建記憶模塊。給定一條來(lái)自評(píng)語(yǔ)數(shù)據(jù)集的評(píng)語(yǔ)，首先通過(guò)詞嵌入模塊得到評(píng)語(yǔ)的上下文表示，并將其分別輸入左、右通道中的記憶模塊。然后，左、右通道分別通過(guò)循環(huán)注意模塊從各自的記憶模塊中多次關(guān)注并提取特定方面的相關(guān)信息，以得到更準(zhǔn)確的情感特征。最后，將兩個(gè)通道得到的情感特征相融合以獲取最終的情感特征f，并輸入分類(lèi)器得到該評(píng)語(yǔ)的情感標(biāo)簽。

（一）數(shù)據(jù)收集與預(yù)處理

隨著在線學(xué)習(xí)平臺(tái)、學(xué)評(píng)教信息系統(tǒng)、教學(xué)質(zhì)量監(jiān)控系統(tǒng)的應(yīng)用，逐漸積累了大量SET數(shù)據(jù)。盡管不同系統(tǒng)的SET有著不同的評(píng)價(jià)指標(biāo)和方式，但主要都包括定量的評(píng)分和定性的評(píng)語(yǔ)兩種。在獲取上述數(shù)據(jù)后，可先根據(jù)數(shù)據(jù)的實(shí)際情況進(jìn)行數(shù)據(jù)清洗，去除空白評(píng)語(yǔ)和包含無(wú)法識(shí)別的特殊字符的評(píng)語(yǔ)，然后進(jìn)行評(píng)語(yǔ)情感標(biāo)簽和方面標(biāo)簽的標(biāo)注。進(jìn)行情感標(biāo)注時(shí)，由于評(píng)分定量地表達(dá)了學(xué)生的情感，因此，可以作為評(píng)語(yǔ)情感標(biāo)簽的依據(jù)，而方面標(biāo)注的依據(jù)是評(píng)語(yǔ)中是否出現(xiàn)方面詞。

（二）詞嵌入模塊

在處理定性的評(píng)語(yǔ)文本時(shí)，為了將非結(jié)構(gòu)化的文本語(yǔ)句表示為計(jì)算機(jī)程序可識(shí)別的數(shù)據(jù)，需要將每個(gè)詞映射成一個(gè)低維、連續(xù)、實(shí)值的向量，即評(píng)語(yǔ)的詞嵌入。設(shè)L∈Rd×|V|是由GloVe生成的嵌入查找表，其中，d代表詞嵌入的維度，|V|代表查找表的大小，所有的詞向量都堆疊在該嵌入矩陣中[20]。給定由n個(gè)詞語(yǔ)組成的評(píng)語(yǔ)S={w1，w2，...，wi，...，wn}，其中，第i個(gè)詞wi為方面詞，輸入模塊從L檢索詞向量，將評(píng)語(yǔ)和對(duì)應(yīng)的方面i映射到低維向量，得到評(píng)語(yǔ)的向量表示X={x1，x2，...，xi，...，xn}。將其中的方面詞的向量xi抽取出來(lái)，作為后續(xù)循環(huán)注意模塊的輸入，其余的評(píng)語(yǔ)上下文表示x1，...，xi-1，xi+1，...，xn作為左、右通道的記憶模塊的輸入。

（三）記憶模塊

1. 左通道：CNN構(gòu)建記憶模塊

由于CNN能夠快速訓(xùn)練模型并從語(yǔ)句序列中獲取上下文的局部特征，因此，其被廣泛用于情感分析任務(wù)。CNN構(gòu)建記憶模塊主要由輸入層、卷積層、池化層組成，當(dāng)輸入為評(píng)語(yǔ)s={w1，w2，...，wi，...，wn}時(shí)，通過(guò)詞嵌入后，CNN的輸入即為去除方面詞的評(píng)語(yǔ)上下文：

2. 右通道：Bi-GRU構(gòu)建記憶模塊

評(píng)語(yǔ)中的情感特征不僅包括單個(gè)單詞和局部特征，而且還包括上下文依賴(lài)性強(qiáng)的短語(yǔ)類(lèi)特征。如在評(píng)語(yǔ)“李老師上課很有特點(diǎn)，不過(guò)我有點(diǎn)難以接受”中，“很有特點(diǎn)”和“難以接受”表達(dá)的情感信息完全不同。對(duì)于這種委婉表達(dá)的評(píng)語(yǔ)，為了能更加準(zhǔn)確地對(duì)學(xué)生評(píng)價(jià)進(jìn)行情感分類(lèi)，需要盡可能地利用評(píng)語(yǔ)的上下文依賴(lài)信息來(lái)提取出更準(zhǔn)確的情感特征。

RNN是一種能夠?qū)勺冮L(zhǎng)語(yǔ)句序列進(jìn)行建模，并捕獲語(yǔ)句中單詞間長(zhǎng)期依賴(lài)信息的模型，其被廣泛應(yīng)用于自然語(yǔ)言處理領(lǐng)域的文本語(yǔ)義信息建模，因此，使用RNN可以有效捕獲評(píng)語(yǔ)中的上下文依賴(lài)信息。然而，委婉表達(dá)的評(píng)語(yǔ)一般是較長(zhǎng)的復(fù)雜句，而RNN的記憶周期相對(duì)較短且容易發(fā)生梯度爆炸或梯度消失問(wèn)題。GRU作為RNN的一種改進(jìn)模型，其參數(shù)數(shù)量相對(duì)較少，訓(xùn)練更加容易，因而能夠在情感分析、圖像分類(lèi)等任務(wù)中取得更優(yōu)異的性能表現(xiàn)。GRU單元包括更新門(mén)和復(fù)位門(mén)，對(duì)應(yīng)兩個(gè)Sigmoid非線性激活函數(shù)。更新門(mén)和復(fù)位門(mén)都能夠獨(dú)立地控制上一個(gè)時(shí)刻隱藏狀態(tài)信息的輸入，更新門(mén)用來(lái)控制當(dāng)前狀態(tài)需要遺忘的歷史信息量和接收的新信息量，復(fù)位門(mén)用來(lái)控制候選狀態(tài)中的歷史信息量，其模型結(jié)構(gòu)如圖2所示?？梢詫RU模型簡(jiǎn)化為：

然而，由于評(píng)語(yǔ)上下文存在依賴(lài)性，即每個(gè)詞的語(yǔ)義同時(shí)與前面的詞和后面的詞相關(guān)，而GRU內(nèi)部的隱藏狀態(tài)只保留了評(píng)語(yǔ)前面的詞的語(yǔ)義信息，忽略了后面的詞的語(yǔ)義信息。因此，這里可使用同時(shí)組合前向GRU和后向GRU的雙向GRU網(wǎng)絡(luò)。該網(wǎng)絡(luò)將每個(gè)GRU單元輸出拼接成最終輸出，使每個(gè)單元的輸出都包含了輸入評(píng)語(yǔ)中各個(gè)詞的完整上下文信息。雙向GRU在 t時(shí)刻輸出隱藏層狀態(tài)ht為：

（四）循環(huán)注意模塊

由于評(píng)語(yǔ)中每個(gè)詞對(duì)于情感分析的重要程度不同，通過(guò)Bi-GRU和CNN得到的各個(gè)記憶片對(duì)情感的貢獻(xiàn)也各不相同。例如：評(píng)語(yǔ)“上課比較拖拉，喜歡布置作業(yè)，學(xué)生很累但成績(jī)有保障”的語(yǔ)境較為豐富，這里“但成績(jī)有保障”比上文的“拖拉”“很累”更重要。為了能關(guān)注到評(píng)語(yǔ)中的重要信息，可使用深度記憶網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)對(duì)記憶的循環(huán)注意，以充分利用記憶中的有用信息，從而獲取更準(zhǔn)確的情感特征。循環(huán)注意模塊由多個(gè)計(jì)算層（hop）組成，每個(gè)計(jì)算層都包含一個(gè)注意力層和線性層，其結(jié)構(gòu)如圖3所示。在第一個(gè)計(jì)算層（hop1）中，方面的向量表示xi作為輸入，通過(guò)注意力層對(duì)記憶片進(jìn)行加權(quán)后自適應(yīng)地從記憶M中提取出情感信息，再將此信息與輸入的線性變換相加作為輸出，并將結(jié)果作為下一層（hop2）的輸入;通過(guò)疊加hop，使得記憶中的有用信息被多次提取，最后一層中的輸出向量被認(rèn)為是該語(yǔ)句的情感表示，將其用作方面情感分類(lèi)的特征進(jìn)行分類(lèi)。

在每個(gè)計(jì)算層里，首先需要構(gòu)建注意力機(jī)制以提取記憶中的信息，假設(shè)共有K個(gè)計(jì)算層，則對(duì)于每一個(gè)記憶片mj，使用前饋神經(jīng)網(wǎng)絡(luò)來(lái)計(jì)算它與輸入的相關(guān)性，計(jì)算公式為：

（五）情感分類(lèi)器模塊

對(duì)記憶進(jìn)行多次關(guān)注、提取信息后，最后一個(gè)計(jì)算層的輸出向量xik即為該通道中評(píng)語(yǔ)的情感特征，將兩個(gè)通道得到的情感特征進(jìn)行拼接得到最終的情感特征f，將其輸入到一個(gè)Softmax分類(lèi)器中進(jìn)行情感分類(lèi)：

、實(shí)驗(yàn)與結(jié)果分析

（一）實(shí)驗(yàn)數(shù)據(jù)集描述

為了收集一個(gè)關(guān)于SET的文本語(yǔ)料庫(kù)，我們利用爬蟲(chóng)技術(shù)從美國(guó)著名的教師評(píng)價(jià)網(wǎng)站www. ratemyprofessors.com收集了4.49萬(wàn)條學(xué)生對(duì)教師的評(píng)論。在這個(gè)網(wǎng)站上，學(xué)生可以編輯文本發(fā)表對(duì)各個(gè)教師的定性評(píng)語(yǔ)，并用5分制對(duì)教師進(jìn)行整體性的定量評(píng)分。經(jīng)數(shù)據(jù)清洗后，按照上述方法對(duì)原始評(píng)語(yǔ)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，步驟如圖4所示。

首先，對(duì)每條評(píng)語(yǔ)進(jìn)行情感標(biāo)注，將整體分?jǐn)?shù)小于或等于2.0的評(píng)語(yǔ)標(biāo)記為“消極”，大于或等于4.0的評(píng)語(yǔ)標(biāo)記為“積極”，其他的評(píng)語(yǔ)標(biāo)記為“中性”;然后，對(duì)描述過(guò)長(zhǎng)的評(píng)語(yǔ)進(jìn)行評(píng)語(yǔ)分割，將其劃分為多個(gè)簡(jiǎn)單句，其中，每個(gè)簡(jiǎn)單句表達(dá)獨(dú)立含義的評(píng)語(yǔ)，情感標(biāo)簽為原評(píng)語(yǔ)的標(biāo)簽;最后，對(duì)每條評(píng)語(yǔ)進(jìn)行方面標(biāo)注，先根據(jù)語(yǔ)義人工構(gòu)建方面的詞典，如“教學(xué)態(tài)度”的詞典包含“態(tài)度”“認(rèn)真負(fù)責(zé)”等詞語(yǔ)，如果評(píng)語(yǔ)中出現(xiàn)這些詞，則將其標(biāo)注為“教學(xué)態(tài)度”。其他評(píng)語(yǔ)同理，對(duì)于沒(méi)有出現(xiàn)此類(lèi)詞的評(píng)語(yǔ)標(biāo)注為“others”。

通過(guò)上述方法得到經(jīng)預(yù)處理的由44382條SET評(píng)語(yǔ)組成的數(shù)據(jù)集，每條評(píng)語(yǔ)都有方面標(biāo)簽和情感標(biāo)簽，該數(shù)據(jù)集的統(tǒng)計(jì)信息見(jiàn)表1。

（二）實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證所提深度學(xué)習(xí)模型對(duì)學(xué)生教學(xué)評(píng)教情感分析的有效性，將SET數(shù)據(jù)集中約10%的關(guān)于同一教師的評(píng)語(yǔ)作為驗(yàn)證集，其余數(shù)據(jù)作為訓(xùn)練集進(jìn)行實(shí)驗(yàn)。首先，與單通道模型進(jìn)行對(duì)比實(shí)驗(yàn)，詞向量維度設(shè)為300維，其準(zhǔn)確率、宏F1均值如圖5所示?？梢钥闯?，雙通道的DDMN模型性能最佳，單通道的Bi-GRU模型次之。其中，在計(jì)算層數(shù)為4層時(shí)，雙通道DDMN模型準(zhǔn)確率分別較單通道Bi-GRU和CNN提高了3.26%、4.98%，宏F1均值分別提高了4.13%、5.89%。這是由于CNN提取局部特征的特性難以有效地對(duì)學(xué)生評(píng)語(yǔ)中委婉的情感表達(dá)進(jìn)行建模，而B(niǎo)i-GRU網(wǎng)絡(luò)能有效地提取學(xué)生評(píng)語(yǔ)中的上下文依賴(lài)信息，因而能更好地捕獲學(xué)生評(píng)語(yǔ)中的隱晦的情感特征，取得優(yōu)于CNN網(wǎng)絡(luò)的效果。DDMN模型結(jié)合了CNN、Bi-GRU提取的情感特征，故能有效地提取委婉的學(xué)生評(píng)語(yǔ)中的情感特征，得到最優(yōu)的情感分類(lèi)效果。

然后，與現(xiàn)有研究中常用的五種效果較好的方法進(jìn)行分類(lèi)準(zhǔn)確率的對(duì)比，包括樸素貝葉斯（NB）[12]、支持向量機(jī)（SVM）[9]、注意力機(jī)制的長(zhǎng)短期記憶網(wǎng)絡(luò)（AT-LSTM）[18]、卷積神經(jīng)網(wǎng)絡(luò)（CNN）[16]和基于ELMo的情感分類(lèi)方法（ELMo-ACSA）[19]，結(jié)果見(jiàn)表2?？梢?jiàn)，DDMN模型獲得了比現(xiàn)有方法更好的分類(lèi)效果，其中，CNN和AT-LSTM分別取得了72.59%和74.11%的準(zhǔn)確率，這是由于AT-LSTM能有效提取評(píng)語(yǔ)中的上下文依賴(lài)信息，并且利用注意力機(jī)制給特定詞語(yǔ)賦予權(quán)重，而CNN不擅長(zhǎng)處理長(zhǎng)語(yǔ)句，容易忽略評(píng)語(yǔ)的上下文依賴(lài)信息。DDMN模型不僅結(jié)合了AT-LSTM和CNN的優(yōu)勢(shì)，還使用了循環(huán)注意力機(jī)制，因而準(zhǔn)確率達(dá)到了79.61%。

通過(guò)挖掘?qū)W生教學(xué)評(píng)價(jià)中的情感傾向，可以了解更加真實(shí)的教學(xué)情況。例如：由驗(yàn)證集的情感分析結(jié)果（見(jiàn)表3）可知，該教師在“教學(xué)方法”“教學(xué)效果”兩個(gè)方面的“積極率”分別為40.83%、34.99%，顯著高于表1中教師群體在這兩個(gè)方面的36.28%和32.91%的“積極率”，但是“教學(xué)效果”方面的“積極率”略低于該教師自身總體“積極率”的35.99%。因此，可以認(rèn)為該教師在“教學(xué)方法”方面表現(xiàn)較好，而“教學(xué)效果”方面表現(xiàn)一般且大部分教師在“教學(xué)效果”方面都表現(xiàn)一般。類(lèi)似地，通過(guò)對(duì)特定教師或者特定方面以及總體的情感分析結(jié)果進(jìn)行對(duì)比分析和相關(guān)性分析，可以全面地了解真實(shí)的學(xué)生感受和教學(xué)情況，進(jìn)而幫助改善教學(xué)效果、提高教學(xué)質(zhì)量。此外，在實(shí)際教學(xué)實(shí)踐中還可以根據(jù)不同的教學(xué)場(chǎng)景和需求來(lái)確定不同的“方面”，如教師和教學(xué)管理者對(duì)教學(xué)的關(guān)注點(diǎn)可能不同，那么對(duì)學(xué)生教學(xué)評(píng)價(jià)進(jìn)行情感分析時(shí)的“方面”也就不同。

五、結(jié)? ?語(yǔ)

學(xué)生教學(xué)評(píng)價(jià)是了解教學(xué)情況、提高教學(xué)質(zhì)量的重要依據(jù)，故挖掘其中的情感傾向進(jìn)而反饋于教學(xué)具有重要的研究意義。針對(duì)現(xiàn)有學(xué)生教學(xué)評(píng)價(jià)情感分析的有關(guān)研究沒(méi)有考慮特定教學(xué)方面的情感且在情感分析時(shí)容易忽略評(píng)語(yǔ)中的局部特征和上下文依賴(lài)信息的問(wèn)題，為了更精準(zhǔn)地挖掘?qū)W生教學(xué)評(píng)價(jià)中的情感傾向，本研究提出了一種基于雙通道深度記憶網(wǎng)絡(luò)的深度學(xué)習(xí)模型。通過(guò)在真實(shí)的評(píng)語(yǔ)數(shù)據(jù)中進(jìn)行實(shí)驗(yàn)，表明所提出的模型能有效改善情感分析的效果，從而為教師和教學(xué)管理者了解教學(xué)情況、針對(duì)性地改進(jìn)教學(xué)提供科學(xué)依據(jù)。由于學(xué)生的情感是多因素相互作用產(chǎn)生的，學(xué)生評(píng)價(jià)中蘊(yùn)含的情感也與學(xué)生個(gè)人表現(xiàn)有潛在的聯(lián)系，因此，下一步工作可結(jié)合學(xué)生個(gè)人特質(zhì)和學(xué)習(xí)情況來(lái)對(duì)學(xué)生評(píng)語(yǔ)進(jìn)行情感挖掘分析。

[參考文獻(xiàn)]

[1] 盛津芳，董科，李龍，等.基于Web的學(xué)生反饋系統(tǒng)的構(gòu)建及在高校教學(xué)中的實(shí)踐分析[J].電化教育研究，2015，36（1）：48-54.

[2] PARDO A， HAN F， ELLIS R A. Combining university student self-regulated learning indicators and engagement with online learning events to predict academic performance[J]. IEEE transactions on learning technologies， 2017， 10（1）：82-92.

[3] 孫眾，蘧征，楊現(xiàn)民，等.有意義的大數(shù)據(jù)與教學(xué)優(yōu)化改革[J].電化教育研究，2018，39（3）：43-48.

[4] 杜江，程建鋼.數(shù)據(jù)驅(qū)動(dòng)的高校學(xué)生評(píng)教實(shí)施策略研究[J].中國(guó)電化教育，2019（9）：112-120.

[5] 熊余，儲(chǔ)雯，蔡婷，於隆甲，田航.高校教育大數(shù)據(jù)應(yīng)用支撐體系的設(shè)計(jì)與實(shí)踐[J].現(xiàn)代教育技術(shù)，2020，30（11）：91-97.

[6] ROMERO C， VENTURA S.? Educational data mining and learning analytics： an updated survey[J]. Wiley interdisciplinary reviews： data mining and knowledge discovery， 2020， 10（3）： 1-21.

[7] 李然，林政，林海倫，等.文本情緒分析綜述[J].計(jì)算機(jī)研究與發(fā)展，2018，55（1）：30-52.

[8] SIVAKUMAR M， REDDY U S. Aspect based sentiment analysis of students opinion using machine learning techniques[C]//2017 International Conference on Inventive Computing and Informatics （ICICI）.Coimbatore： IEEE Press，2017：726-731.

[9] RANI S， KUMAR P. A Sentiment analysis system to improve teaching and learning[J]. Computer， 2017， 50（5）：36-43.

[10] GUTIERREZ G， CANUL-REICH J， ZEZZATTI A O， MARGAIN L， Ponce J. Mining： students comments about teacher performance assessment using machine learning algorithms[J]. International journal of combinatorial optimization problems and informatics， 2018：9（3）， 26-40.

[11] BALAHADIA F F， FERNANDO M C G， JUANATAS I C. Teacher's performance evaluation tool using opinion mining with sentiment analysis[C]// 2016 IEEE Region 10 Symposium （TENSYMP）. Bali： IEEE Press，2016：95-98.

[12] LIN Q， ZHU Y， ZHANG S， et al. Lexical based automated teaching evaluation via students' short reviews[J]. Computer applications in engineering education， 2019， 27（1）：194-205.

[13] WADAWADAGI R， PAGI V. Sentiment analysis with deep neural networks： comparative study and performance assessment[J]. Artificial intelligence review， 2020（5）：1-41.

[14] 陳德鑫，占袁圓，楊兵.深度學(xué)習(xí)技術(shù)在教育大數(shù)據(jù)挖掘領(lǐng)域的應(yīng)用分析[J].電化教育研究，2019，40（2）：68-76.

[15] 徐振國(guó)，張冠文，孟祥增，等.基于深度學(xué)習(xí)的學(xué)習(xí)者情感識(shí)別與應(yīng)用[J].電化教育研究，2019，40（2）：87-94.

[16] ONAN A. Mining opinions from instructor evaluation reviews： a deep learning approach[J]. Computer applications in engineering education， 2020， 28（1） ：117-138.

[17] CABADA R Z， ESTRADA M L B， BUSTILLOS R O. Mining of educational opinions with deep learning[J]. Journal of universal computer ence， 2018， 24（11）：1604-1626.

[18] TSENG C W， CHOU J J， TSAI Y C. Text mining analysis of teaching evaluation questionnaires for the selection of outstanding teaching faculty [J]. IEEE access， 2018， （6）： 72870-72879.

[19] WANG Y， YANG Z， TIAN F， et al. ELMo-ACSA based multi-aspect view mining of students' reviews on teaching[C]// 2019 5th International Conference on Big Data and Information Analytics （BigDIA）. Kunming： IEEE Press，2019：78-83.

[20] PENNINGTON J， SOCHER R， MANNING C D. Glove： global vectors for word representation[C]// Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing （EMNLP）. Stroudsburg：ACL Press， 2014：1532-1543.