李博　齊耀龍

摘要：“消費(fèi)者就是上帝”對于教育行業(yè)來說也一樣，所以來自“上帝”——學(xué)生的反饋就是推動(dòng)教學(xué)的助推劑。和各級教育機(jī)構(gòu)一樣，在高校中也會(huì)有學(xué)生對教師的評教，有的分項(xiàng)打分，有的可以文字?jǐn)⑹觥Ｓ捎趯W(xué)生人數(shù)較多，直接打分還好處理，主觀評價(jià)的分析就比較困難了。在耗費(fèi)了大量的T時(shí)后可能還是不能得到想要的結(jié)論，那就要考慮自動(dòng)分析了。這里在比較了主流自動(dòng)分析方法后，推薦使用深度學(xué)習(xí)的方法來進(jìn)行數(shù)據(jù)挖掘達(dá)到了很好的效果。

關(guān)鍵詞：情感分析;深度學(xué)習(xí);評教;自動(dòng)分析;python

中圖分類號：TP311.1 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2020）20-0082-02

1引言

在高校的基礎(chǔ)計(jì)算機(jī)教學(xué)中，由于教師和學(xué)生見面的時(shí)間比較短，再加上班級人數(shù)有時(shí)比較多，所以學(xué)生評教就成為反饋中的重中之重。2020年初的學(xué)期由于疫情的影響，都在進(jìn)行網(wǎng)上授課，與學(xué)生之間的見面時(shí)間更是基本為零，特殊時(shí)期教師與學(xué)生之間溝通的方法除了社交媒體就剩下網(wǎng)上評教系統(tǒng)了。

評教系統(tǒng)一般分為客觀打分和主觀評語兩部分，其中客觀打分可以直接在Excel中進(jìn)行分析，形成圖表，而主觀評語部分以往都是人工進(jìn)行查看，但是評語太多，工作人員往往走馬觀花，抓不住要點(diǎn);或者直接發(fā)給教師自己看，也會(huì)因?yàn)樘?，大部分教師根本不看。造成了本來最重要的學(xué)生的心聲反而被丟棄了，長此以往評教必將成為面子事，失去了教師學(xué)生間的最好最直接的溝通橋梁。

2解決思路

學(xué)生對教師的評語實(shí)質(zhì)上就是情感問題，可以進(jìn)行情感分析。情感分析也稱為意見挖掘（Opinion Mining），是自然語言處理（NLP）的一個(gè)領(lǐng)域，它構(gòu)建的系統(tǒng)，用于在文本中識別和提取觀點(diǎn)。學(xué)生對于教師的評語主要分為主觀性評價(jià)和客觀性評價(jià)?？陀^性評價(jià)是客觀性描述，不帶有感情色彩和情感傾向，主觀性評價(jià)則是學(xué)生對教師或者教學(xué)方法的看法或想法，帶有自己的喜好厭惡等情感傾向。區(qū)分主客觀評價(jià)主要以情感詞識別為主。

目前主觀性文本情感傾向性分析的研究工作，主要研究思路分為基于語義的情感詞典方法和基于機(jī)器學(xué)習(xí)的方法?；谡Z義的情感詞典方法主要利用已構(gòu)建的詞典（目前中文情感詞典的構(gòu)建主要是對知網(wǎng)How net的擴(kuò)充），對語料庫進(jìn)行中文分詞處理，然后掃描每個(gè)單詞，與情感詞典中的詞進(jìn)行語義相似度計(jì)算，當(dāng)相似度達(dá)到一定閾值時(shí)即可判斷該詞的情感傾向和權(quán)值。由于中文的多樣性靈活性，加上詞典龐大的詞匯量和不夠高效的匹配算法，這種方法的分析正確性難以突破。而另一方面，最近幾年，以Google公司和Facebook公司為首的企業(yè)在深度學(xué)習(xí)領(lǐng)域有了很大的突破。所以我們決定采用基于機(jī)器學(xué)習(xí)的方法，用Python這種在AI方面有突出應(yīng)用的語言來對學(xué)生評價(jià)進(jìn)行分析數(shù)據(jù)挖掘，形成有用的模型，反饋回教師進(jìn)行改進(jìn)提高。

3具體實(shí)現(xiàn)

評語分析，用的是Python的基于SnowNLP類庫的數(shù)據(jù)分析挖掘方法。原有庫的字典是以電子商務(wù)的買賣東西的評價(jià)為基礎(chǔ)的，所以我們又把以往對教師和教學(xué)的評價(jià)詞語，包括褒貶以及權(quán)值加入字典中，進(jìn)行訓(xùn)練后，再用來分析評教評語。

下面是對評價(jià)的具體分析步驟（以一條評語為例）：斜體為輸出結(jié)果。

from snownlp import SnowNLP

text=‘備課充分，講的也還可以。但是不注意和學(xué)生的互動(dòng)，尤其是對提問缺乏耐心。

s= SnowNLP（text）

1結(jié)果一：分詞

print（s.words）

[‘備，‘課，‘充分，‘，，‘講，‘的，‘也，‘還，‘可以，‘。，‘但是，‘不，‘注意，‘和，‘學(xué)生，‘的，‘互動(dòng)，‘，，‘尤其，‘是，‘對，‘提問，‘缺乏，‘耐心，‘。]

l結(jié)果二：詞性標(biāo)注

tags=[x for x in s.tags]

print（tags）

[（‘備，‘v），（‘課，‘n ），（‘充分，‘a(chǎn)d），（‘，，‘w），（‘講，‘v），（‘的，‘u），（‘也，‘d），（‘還，‘d），（‘可以，‘v），（‘。，‘w），（‘但是，‘c），（‘不，‘d），（‘注意，‘v），（‘和，‘c），（‘學(xué)生，‘n），（‘的，‘u），（‘互動(dòng)，‘v），（‘，，‘w），（‘尤其，‘d），（‘是，‘v），（‘對，‘p），（‘提問，

收稿日期：2020-03-16

基金項(xiàng)目：河北大學(xué)工商學(xué)院第二批課程建設(shè)項(xiàng)目（2019KCJS38）;河北大學(xué)第二批“課程思政改革試點(diǎn)課程”建設(shè)項(xiàng)目（KCSZ-02-117）

作者簡介：李博（1973-），男，河北保定人，講師，碩士，主要研究方向?yàn)橛?jì)算機(jī)軟件設(shè)計(jì)、人工智能等。‘vn），（‘缺乏，‘v），（‘耐心，‘a(chǎn)n ），（‘。，‘w ）]

l結(jié)果三：斷句

print（s.sentences）

[‘備課充分，‘講的也還可以，‘但是不注意和學(xué)生的互動(dòng)，‘尤其是對提問缺乏耐心]

l結(jié)果四：情緒判斷

返回值為正面情緒的概率，越接近1表示正面情緒，越接近0表示負(fù)面情緒

print（text， s.sentiments）

備課充分，講的也還可以。但是不注意和學(xué)生的互動(dòng)，尤其是對提問缺乏耐心。0.6773729723566638

l結(jié)果五：關(guān)鍵字抽取

print（s.keywords（limit=10））

[‘互動(dòng)，‘學(xué)生，‘不，‘耐心，‘缺乏，‘提問，‘課，‘備，‘還，‘講]

l結(jié)果六：概括總結(jié)文章

print（s.summary（limit=4））

[‘備課充分，‘講的也還可以，‘但是不注意和學(xué)生的互動(dòng)，‘尤其是對提問缺乏耐心]

l結(jié)果七：信息衡量

TF-IDF是一種統(tǒng)計(jì)方法，用以評估某一字詞對于整體文件的重要程度。TF詞頻越大越重要，但是文中會(huì)的“我”，“你”，“的”，“得”等無意義詞頻很大，卻信息量幾乎為0，這種情況導(dǎo)致單純看詞頻評價(jià)詞語重要性是不準(zhǔn)確的，因此加入了idf。lDF的主要思想是：如果包含詞條t的文檔越少，也就是n越小，IDF越大，則說明詞條t越重要。TF-IDF綜合起來，才能準(zhǔn)確的綜合的評價(jià)一詞對文本的重要性。

s= SnowNLP（[[‘講的一般，‘比較充分]，[‘很好，‘有耐心，‘有耐心]，[‘很好，‘易懂，‘比較好][‘好老師][‘比較好，‘好老師]]）

print（s.tf）

[{‘講的一般：1，‘比較充分：1}，{‘很好：1，‘有耐心：2}，{‘很好：1，‘易懂：1，‘比較好：1}，{‘好老師：1}，{‘比較好：1，‘好老師：1}]

print（s.idf）

{‘講的一般：1.0986122886681098，‘比較充分：1.0986122886681098，‘很好：0.33647223662121295，‘有耐心：1.0986122886681098，‘易懂：1.0986122886681098，‘比較好：0.33647223662121295.‘好老師：0.33647223662121295}

l結(jié)果八：文本相似性

print（s.sim（[‘好老師]））

[0，O， 0.44592706058233045. 0.3508241329699851]

print（s.sim（[‘有耐心]））

[0，1.4052017645754893，0，0，0]

分析完成后，用圖表的方式把每個(gè)專業(yè)的分析結(jié)果直觀地顯示出來（圖l）。

4結(jié)論

目前系統(tǒng)經(jīng)過幾次對學(xué)生主觀評價(jià)的分析，準(zhǔn)確率能達(dá)到86%左右。而且隨著使用的次數(shù)數(shù)據(jù)越來越多，深度學(xué)習(xí)的優(yōu)勢就會(huì)越來越明顯。把原有的人工分析方法占用的教師和教輔的時(shí)間釋放出來更好地為實(shí)際教學(xué)服務(wù)。

以前的評教基本上是每學(xué)期一次，因?yàn)樵瓉矸治龇椒浜?，評教后的結(jié)論遲遲不能出爐?，F(xiàn)在學(xué)生其實(shí)可以做到每次課后都提供實(shí)時(shí)評價(jià)，系統(tǒng)實(shí)時(shí)提供結(jié)論，就可以更好的在教學(xué)中做到揚(yáng)長避短，根據(jù)每個(gè)班的實(shí)際情況進(jìn)行教學(xué)的實(shí)時(shí)調(diào)整，真正做到因材施教。

參考文獻(xiàn)：

[1]厲小軍，戴霖，施寒瀟，等.文本傾向性分析綜述[J].江大學(xué)學(xué)報(bào)，2011，45（7）： 1167-1175.

[2] Kuma R A， Sehastian T M. Sentiment analysis on twitter[J].International Journal of Computer ScienCe lssues， 2012， 9（4）：628-633.

[3]李方濤.基于產(chǎn)品評論的情感分析研究[D].北京：清華大學(xué)，2011.

[4]朱嫣嵐，閔錦，周雅倩，等.基于How Net的詞匯語義傾向計(jì)算[J].中文信息學(xué)報(bào)，2006，20（1）： 14-20.

【通聯(lián)編輯：王力】