鄭譽(yù)煌

摘? 要： 教師教學(xué)情緒對課堂教學(xué)效果和學(xué)生的學(xué)習(xí)狀態(tài)有重大的影響。基于自然語言處理理論，建立了分析教師教學(xué)情緒的情感傾向指標(biāo)、情感波動指標(biāo)和敏感詞指標(biāo)。為了對比不同教師之間的總體教學(xué)情緒，采用離差權(quán)評價模型建立了教師情緒綜合評價方法。實(shí)驗(yàn)表明，上述指標(biāo)和綜合評價方法能有效體現(xiàn)教師課堂教學(xué)情緒和他們的情緒差異。本研究成果為智能分析教師教學(xué)情緒提供了客觀依據(jù)，為教師及時改善教學(xué)效果提供有力支持。

關(guān)鍵詞： 教師教學(xué)情緒; 自然語言處理; 綜合評價; 指標(biāo)

中圖分類號：TP391.1? ? ? ? ? 文獻(xiàn)標(biāo)識碼：A? ? ?文章編號：1006-8228（2021）03-104-04

Comprehensive evaluation of teachers' emotions in teaching

Zheng Yuhuang

（Academic Affairs Office， Guangdong University of Education， Guangzhou， Guangdong 510303， China）

Abstract： Teachers' emotions may have a significant impact on students' learning in teaching activities. Based on the theory of natural language processing， the criterions of emotional tendency， emotional fluctuation and sensitive words are defined to analyze teachers' emotion in teaching. In order to compare the overall teaching emotions among different teachers， a comprehensive evaluation method of teachers' emotion is established by using the deviation weight evaluation model. The experiment results show that these criterions and the comprehensive evaluation method of teachers' emotion can effectively reflect their teaching emotions. The research results provide references for the intelligent analysis of teachers' emotions in teaching， and provide technical support for teachers to improve their teaching in time.

Key words： teachers' emotions in teaching; natural language processing; comprehensive evaluation; criterions

0 引言

教師教學(xué)是一種典型的情緒勞動。教師在執(zhí)行教學(xué)任務(wù)的活動過程，通過語調(diào)、表情、動作影響著教學(xué)信息的傳遞和接收。教師教學(xué)情緒是影響課堂教學(xué)質(zhì)量的重要因素之一。在課堂環(huán)境中，教師積極的情緒可以促進(jìn)學(xué)習(xí)者產(chǎn)生積極的情緒狀態(tài)，從而強(qiáng)化學(xué)生的學(xué)習(xí)動機(jī)，提高學(xué)習(xí)認(rèn)知效果。

Yelinek J.等[1]通過人為觀察并記錄了兒童與幼兒教師之間的對話，發(fā)現(xiàn)教師使用積極和消極的情緒，會影響兒童產(chǎn)生積極和消極的行為。Jeon L.等[2]以美國1129名學(xué)齡前教師為樣本，發(fā)現(xiàn)影響教師情緒的相關(guān)工作氛圍因素。Uzuntiryaki等[3]采用積極與消極情緒量表、情緒控制量表、教師效能感量表獲取336名公立中學(xué)科學(xué)教師的情緒狀態(tài)，并建立相應(yīng)的結(jié)構(gòu)化方程模型分析。Moreira等[4]采集了350名在職中學(xué)教師的問卷數(shù)據(jù)，并采用兩步結(jié)構(gòu)方程模型（SEM）來分析教師情緒。Park等[5]采集韓國公立本科大學(xué)14名職前教師的臉部表情，并采用Emotient軟件分析這些面部表情所表示的情緒。Kim等[6]提出基于智能教室平臺實(shí)現(xiàn)對教師情緒分析，量化教學(xué)過程的各種參數(shù)。Estrada[7]提出使用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和進(jìn)化方法分析學(xué)生關(guān)于學(xué)習(xí)狀態(tài)語料的情感極性。Cabada[8]使用深度學(xué)習(xí)技術(shù)來檢測學(xué)生的學(xué)習(xí)情緒。

上述研究存在以下問題：①研究對象面向宏觀的教師群體而不是微觀的教師個體;②采集教師的情緒手段單一，以主觀觀察法和教師自主填表為主;③沒有充分依托信息化手段自動分析教師的教學(xué)情緒。

本文提出了一種描述教師教學(xué)情緒的多參數(shù)模型及教師情緒的綜合評價方法。在已經(jīng)獲得教師授課講話稿的基礎(chǔ)上，這個方法首先基于自然語言處理，建立了包含情感傾向、情感波動、敏感詞這三個關(guān)鍵參數(shù)的教師情緒模型;然后采用離差權(quán)評價方法，綜合評價教師情緒模型的三個參數(shù)，從而獲得教師課堂綜合情緒。本研究實(shí)現(xiàn)對每一教師課堂教學(xué)情緒的識別和記錄，并將自動分析結(jié)果及時反饋給任課教師，依托這些客觀數(shù)據(jù)的分析，實(shí)現(xiàn)教師課堂教學(xué)全過程的精細(xì)控制，有效的保證教學(xué)質(zhì)量。

1 教師授課的情感指標(biāo)

教師授課過程中的情感傾向能顯著影響學(xué)生情緒和認(rèn)知水平。教師授課的情感傾向分析采用基于Character-Based Generative Model分詞模型和樸素貝葉斯模型（Naive Bayes）統(tǒng)計(jì)分析。

1.1 分詞原理

本研究采用Character-Based Generative Model模型實(shí)現(xiàn)分詞。設(shè)狀態(tài)值集合是Q={B，E，M，S}，分別表示詞狀態(tài)是的開始Begin、結(jié)束End、中間Middle和獨(dú)立成詞Single，觀測序列即為中文句子。中文分詞的任務(wù)本質(zhì)是一個解碼問題，即對于字符串[cn1=[c1，…，cn]]，求解最大條件概率[maxP（t1，…，tn|c1，…，cn]]，其中，ti表示字符ci對應(yīng)的狀態(tài)。

對于一句話字符串[cn1=[c1，…，cn]]，分詞序列[wm1=[w1，…，wm]]，[m≤n]，設(shè)[wm1=[c，t]n1]，則可得式⑴和式⑵。

[P（wm1cn1=Pc，tn1|cn1=Pcn1|c，tn1×Pc，tn1Pcn1] ⑴

[argmaxPc，tn1=argmaxi=1nP[c，t]i|[c，t]i-1i-k] ⑵

對于n不大的情況下，可以采用枚舉法，其基本思想是列舉出所有可能的分詞情況，逐個判斷有哪些分詞符合所規(guī)定的條件，從而得到全部分詞。據(jù)統(tǒng)計(jì)，成年人情緒激動緊張的情況下人的呼吸可以增快可以到達(dá)每分鐘20～30次，按教育學(xué)要求，標(biāo)準(zhǔn)語速為200～250字/分，即每次換氣形成一句話，則每句話大約是10字～13字左右，即n<13。這對一般計(jì)算機(jī)完全可以勝任n！的計(jì)算量。

1.2 情感傾向指標(biāo)

通過分詞，可以將教師授課的每句話分成由若干個詞組構(gòu)成的集合。在此基礎(chǔ)上，采用樸素貝葉斯模型進(jìn)行情感分析。情感分析本質(zhì)是兩個類別積極（pos）和消極（neg）的分類問題，設(shè)一句話的特征向量由多個特征詞組成[[w1，…，wm]]，特征之間是相互獨(dú)立的，屬于類別pos的貝葉斯模型的基本過程為：

[s=Ppos|w1，…，wm]

[=][Pw1，…，wm|posP（pos）Pw1，…，wm|posPpos+Pw1，…，wm|negP（neg）]

[=11+Pw1，…，wm|negP（neg）Pw1，…，wm|posPpos]

[=11+explnPw1，…，wm|negP（neg）Pw1，…，wm|posPpos]

[=11+explnPw1，…，wm|negP（neg）-lnPw1，…，wm|posPpos]

可得這句話的正向情感概率如式⑶。

[s=11+expi=1mlnPwi|neg+lnPneg-i=1mlnPwi|pos-lnPpos] ⑶

貝葉斯模型的訓(xùn)練過程實(shí)質(zhì)上是在統(tǒng)計(jì)每一個特征詞出現(xiàn)的頻次。正向情感概率越趨向于1，表示教師的上課情感傾向約越正面，低于0.5則上課情感傾向偏于負(fù)面。

設(shè)教師在課堂中所講的q句話正向情感概率[s=[s1，…，sq]]，則教師課堂情感傾向指標(biāo)是q句話的正向情感概率均值，即如式⑷。

[μ=s=1qi=1qsi]? ⑷

1.3 教師情感波動指標(biāo)

為了評估教師的上課感情離散程度，引入樣本標(biāo)準(zhǔn)差，評估教師情感的波動程度。情感波動指標(biāo)是式⑸。

[σ=1-i=1q（si-s）2q-1] ⑸

當(dāng)[si=s]時，[σ=1]，此時教師情感沒有任何波動;

當(dāng)[s=0，1，…，0，1]，此時離散程度最高，教師情感波動最強(qiáng)烈，此時

[σ=1-i=1q（0.5）2q-1]

[=1-12qq-1→1-limq→∞12qq-1=12]

即情感波動指標(biāo)范圍是[0.5，1]，指標(biāo)越大，表征教師情緒波動越低。

1.4 敏感詞指標(biāo)

DFA（Deterministic Finite Automaton，即確定有窮自動機(jī)）算法一種重要的敏感詞過濾算法。DFA算法計(jì)算少，其核心是狀態(tài)轉(zhuǎn)移的描述。本文將開源的2017版敏感詞庫中的違禁文字列表構(gòu)造成一個狀態(tài)機(jī)，并用HashMap的數(shù)據(jù)結(jié)構(gòu)予以描述。

基于DFA的教師授課敏感詞分析的思路是遍歷教師授課語音轉(zhuǎn)換稿的每個文字，查看該字在敏感詞庫中是否存在，如果不存在，則繼續(xù)查詢下一個文字直至轉(zhuǎn)換稿的最后一個字。該字在敏感詞庫存在，則獲取該關(guān)鍵詞的集合，并獲取該集合的isEnd屬性值為True，此時累加NumSentive的值。則定義敏感詞指標(biāo)為式⑹。

[ω=1-NumSentiveq] ⑹

即教師每句話中沒有說出的平均敏感詞數(shù)，敏感詞指標(biāo)越大，表征教師授課時出現(xiàn)敏感詞數(shù)越少。

2 綜合評價算法

綜合分析教師授課的情感傾向指標(biāo)、情感波動指標(biāo)和敏感詞指標(biāo)，可以獲得對教師教學(xué)情緒綜合評價。本研究采用離差權(quán)評價模型。上述定義的情感傾向指標(biāo)、情感波動指標(biāo)和敏感詞指標(biāo)都符合在[0，1]范圍之間，0表示該指標(biāo)達(dá)到最差，1該指標(biāo)達(dá)到最優(yōu)。若某一指標(biāo)對所有數(shù)據(jù)都相等或相差不大，則此項(xiàng)指標(biāo)包含評價所需的信息量不大，其權(quán)系數(shù)應(yīng)很小，反之，若某項(xiàng)指標(biāo)對所有樣品相差很大，則這項(xiàng)指標(biāo)包含評價所需的信息就很大，其權(quán)系數(shù)應(yīng)很大。據(jù)此，可用每一項(xiàng)指標(biāo)的標(biāo)準(zhǔn)差作為該項(xiàng)指標(biāo)的權(quán)數(shù)，即離差權(quán)評價模型。設(shè)xij是i個教師授課文本的j項(xiàng)指標(biāo)，則第i個教師教學(xué)情緒綜合評價是[αi，]如式⑺～式⑽。

[αi=j=1pφjxij×100] ⑺

[φj=δjj=1pδj] ⑻

[δj=1n-1i=1n（xij-xj）2] ⑼

[xj=1ni=1nxij] ⑽

其中[δj]是第j項(xiàng)指標(biāo)值的標(biāo)準(zhǔn)差。

3 實(shí)驗(yàn)與結(jié)論

3.1 實(shí)驗(yàn)

本項(xiàng)目的16個測試視頻來源于視頻網(wǎng)站haokan.baidu.com公開的教學(xué)示范課，每個示范課時長大約在8-12分鐘，視頻展示了在教師在黑板前的教學(xué)活動情況。這些視頻覆蓋了小學(xué)和初中的語文、數(shù)學(xué)、化學(xué)、物理等主干課程。數(shù)據(jù)預(yù)處理階段采用迅捷云語音識別技術(shù)，將教師的授課錄音轉(zhuǎn)化為文字。實(shí)驗(yàn)結(jié)果如表1所示，基本示范課的教師情感波動是比較小的，一般可以保持情緒穩(wěn)定。但是每位教師的說話風(fēng)格有很大差異，雖然總體授課情緒是積極的，但是情感傾向差異比較大，還有個別老師不小心說出了一兩個敏感詞?？梢娝惴鼙容^好地獲得各個教師的授課情感指標(biāo)。

綜合評價教師的情感傾向、情感波動、敏感詞這三個指標(biāo)時，離差權(quán)評價模型能夠很好跟蹤變化比較大的指標(biāo)值，避免了變化小但幅值大的指標(biāo)值對綜合評價的影響。

3.2 結(jié)論

本項(xiàng)目為了分析教師的教學(xué)情緒，建立評價教師教學(xué)情緒的情感傾向指標(biāo)、情感波動指標(biāo)和敏感詞指標(biāo)，并采用離差權(quán)評價模型綜合評價這三個指標(biāo)，從而獲得教師教學(xué)情緒綜合評價。通過對16個教學(xué)示范課視頻的算法驗(yàn)證表明了本方法是可行的。這對于實(shí)現(xiàn)教師全教學(xué)過程的智能化分析和自動化評價提供了有益的參考。本算法具有較好的擴(kuò)展性，可以根據(jù)進(jìn)一步的研究需要增加新的評價指標(biāo)。

然而，教師教學(xué)情緒分析是一個嶄新的研究領(lǐng)域，還有很多值得深入研究的問題，如：教師教學(xué)行為與教學(xué)情緒之間的關(guān)聯(lián)、教師教學(xué)內(nèi)容與敏感詞之間的有效區(qū)分等，這些問題有待進(jìn)一步的深入研究。

參考文獻(xiàn)（References）：

[1] YELINEK J， GRADY J S. 'Show me your mad faces！'preschool teachers' emotion talk in the classroom[J]. Early Child Dev Care，2019.189（7）： 1063-71

[2] JEON L， ARDELEANU K. Work Climate in Early Care andEducation and Teachers' Stress： Indirect Associations through Emotion Regulation[J].Early Education and Development，2019.31（7）：1031-51

[3] UZUNTIRYAKI-KONDAKCI E， KIRBULUT Z D， SARICIE， et al. Emotion regulation as a mediator of the influence of science teacher emotions on teacher efficacy beliefs[J]. Educational Studies，2019.7（14）：1-19

[4] MOREIRA-FONTAN E，GARCIA-SENORAN M， CONDE-RODRIGUEZ A， et al. Teachers' ICT-related self-efficacy， job resources，and positive emotions：Their structural relations with autonomous motivation and work engagement[J].Computers & Education，2019.134（6）：63-77

[5] PARK S， RYU J. Exploring Preservice Teachers' EmotionalExperiences in an Immersive Virtual Teaching Simulation through Facial Expression Recognition[J]. International Journal of Human-Computer Interaction，2019.35（6）：521-33

[6] KIM Y， SOYATA T， BEHNAGH R. Towards EmotionallyAware AI Smart Classroom：Current Issues and Directions for Engineering and Education[J].Ieee Access，2018.6（1）：5308-31

[7] ESTRADA M L B， CABADA R Z， BUSTILLOS R O， et al.Opinion mining and emotion recognition applied to learning environments [J]. Expert Syst Appl，2020.150（7）：12-23

[8] CABADA R Z， ESTRADA M L B， BUSTILLOS R O.Mining of Educational Opinions with Deep Learning[J]. J Univers Comput Sci， 2018.24（11）：1604-26