王洪鑫 閆志明 陳效玉 張銘銳

（1.魯東大學(xué) 教師教育學(xué)院，山東 煙臺 264025；2.魯東大學(xué) 教育科學(xué)學(xué)院，山東 煙臺 264025）

一、問題提出

知識經(jīng)濟(jì)時代，教育模式正在發(fā)生改變，在線教育風(fēng)暴的來臨改變了學(xué)校傳統(tǒng)的知識傳授模式，提供了一種全新的知識傳播和學(xué)習(xí)方式（鐘廈，徐嘉良，劉瀟，2015），使得更多的人選擇通過在線學(xué)習(xí)的方式提升自身的知識水平，由此，MOOC、SPOC等在線教育課程迅速發(fā)展并成為國內(nèi)外學(xué)者的研究熱點。在線教育課程的逐漸普及積累了大量的學(xué)習(xí)數(shù)據(jù)，既包括課程的參與人數(shù)、點擊量、視頻觀看時長等結(jié)構(gòu)化數(shù)據(jù)，又有討論內(nèi)容、作業(yè)內(nèi)容等非結(jié)構(gòu)化數(shù)據(jù)。學(xué)習(xí)者在完成課程學(xué)習(xí)之后，對課程的整體感受以文本評論的形式呈現(xiàn)在課程評價中，反饋給教育者。這些文本承載了學(xué)習(xí)者的情感表達(dá)、學(xué)習(xí)體驗、語義信息等，表達(dá)了學(xué)習(xí)者對課程提出的各種意見與建議。分析評論文本可以幫助教育者對學(xué)習(xí)者進(jìn)行形成性評價，把握學(xué)習(xí)者的學(xué)習(xí)情況，從而為其提供個性化的學(xué)習(xí)支持服務(wù)（鄒沁含，龐曉陽，黃嘉靖，劉司卓，2020）。然而，由于數(shù)據(jù)簡短且量大，教育者很難一一查閱，不能及時獲得學(xué)習(xí)者反饋，致使課程評論中的有效信息大量流失，課程缺陷不能及時得到彌補(bǔ)。因此，對課程數(shù)據(jù)進(jìn)行分析，及時發(fā)現(xiàn)學(xué)習(xí)者問題，對把控教學(xué)過程、調(diào)整教學(xué)設(shè)計來說十分必要。

以往研究傳統(tǒng)課堂中的學(xué)習(xí)數(shù)據(jù)時，往往采用的是課堂觀察法，依靠人力對學(xué)習(xí)者進(jìn)行觀察記錄，不僅耗費大量人力資源，數(shù)據(jù)完全來自于人的主觀判斷，缺失客觀性，且準(zhǔn)確性也有待商榷。當(dāng)前，隨著多種數(shù)據(jù)挖掘方法（如回歸分析、文本分析等）在教育領(lǐng)域中的應(yīng)用，學(xué)習(xí)數(shù)據(jù)得到了更為準(zhǔn)確的分析與解釋。運用恰當(dāng)?shù)募夹g(shù)來挖掘并分析數(shù)據(jù)，能有效地發(fā)現(xiàn)潛在有用的信息，從而更好地支持在線教育課程的建設(shè)與實施，幫助教育者及時調(diào)整教學(xué)過程，完善課程內(nèi)容。

二、文獻(xiàn)綜述

當(dāng)前，已有研究對MOOC課程中產(chǎn)生的結(jié)構(gòu)化數(shù)據(jù)（如課程的點擊量、參與學(xué)習(xí)人數(shù)等）進(jìn)行分析，以期獲取課程的整體狀況、評估學(xué)生的學(xué)習(xí)情況。如劉亞男、肖明、劉江榮和徐燁（2019）依據(jù)用戶、課程等6個一級指標(biāo)和用戶人數(shù)、師資隊伍等21個二級指標(biāo)，利用層次分析法構(gòu)建課程質(zhì)量評價指標(biāo)體系來評估課程，以促進(jìn)MOOC的建設(shè)。錢小龍和曹維娜（2020）參照在線教育質(zhì)量評價標(biāo)準(zhǔn)，嘗試構(gòu)建微軟人工智能專業(yè)慕課質(zhì)量評價指標(biāo)體系，制作調(diào)查問卷，從用戶視角對微軟人工智能專業(yè)慕課的質(zhì)量作出評價。程慧平和肖愛森（2019）結(jié)合Webqual4.0（可用性、信息質(zhì)量、交互質(zhì)量）與D&M系統(tǒng)成功模型（信息質(zhì)量、系統(tǒng)質(zhì)量、服務(wù)質(zhì)量），構(gòu)建在線教育網(wǎng)站用戶滿意度評價指標(biāo)體系，利用層次分析法（AHP）確定評價指標(biāo)權(quán)重，并選取四種教育平臺指標(biāo)進(jìn)行比較分析。

除了從結(jié)構(gòu)化數(shù)據(jù)的角度進(jìn)行分析外，還有一些研究通過對在線課程的交互文本數(shù)據(jù)的挖掘與分析，力圖反映出學(xué)習(xí)者的主題關(guān)注情況以及情感傾向等，進(jìn)而優(yōu)化課程教學(xué)。田娜和周驛（2020）利用非監(jiān)督學(xué)習(xí)方法LDA主題模型分析文本的特征結(jié)構(gòu)和語義內(nèi)容，并使用情感工具分析學(xué)習(xí)者關(guān)注的話題，探索學(xué)習(xí)者參與在線課程學(xué)習(xí)時關(guān)注的話題以及情感態(tài)度。 Elia、Solazzo、Lorenzo和Passiante（2019）設(shè)計了RAMS學(xué)習(xí)分析系統(tǒng)，通過對Moodle平臺論壇的數(shù)據(jù)進(jìn)行主題聚類和情感分析，得到學(xué)習(xí)者的總體情感傾向以及在不同時間段論壇情感變化情況。吳林靜、劉清堂、毛剛、黃煥和黃景修（2017）通過分析愛課程上的4門課程評論，提出基于大數(shù)據(jù)的慕課評論語義分析模型，并將慕課評論分為內(nèi)容相關(guān)類、情感相關(guān)類和其它類。劉三、彭晛、劉智、孫建文和劉海（2017）通過對果殼網(wǎng)MOOC課程評論帖進(jìn)行主題挖掘和話題演化，分別分析課程的未完成和已完成學(xué)習(xí)者的話題分布及話題演化情況，并提出建議。

上述研究都從不同的角度對MOOC平臺上的學(xué)習(xí)數(shù)據(jù)進(jìn)行了分析，但在研究方法方面，已有研究主要集中使用通用型的情感工具分析學(xué)習(xí)者情感，這種方法在不同領(lǐng)域的適用性較差，準(zhǔn)確率方面也有待提高。研究缺少針對MOOC課程教育的主題挖掘和情感分析模型，無法找出學(xué)習(xí)者關(guān)注的課程主題和情感傾向，致使學(xué)習(xí)者關(guān)于課程內(nèi)容、評價方式等需求不能得到很好的滿足。本研究在對當(dāng)前研究進(jìn)行總結(jié)梳理的基礎(chǔ)上，構(gòu)建了一種面向MOOC課程評論的主題挖掘與情感分析模型，該方法的基本思想是通過爬蟲獲取MOOC上的課程評論，采用LDA主題模型來分析評論文本，挖掘課程評論的隱含主題結(jié)構(gòu)，得到不同主題間的詞語分布，訓(xùn)練情感分析模型獲取評論內(nèi)容的情感極性，得到學(xué)習(xí)者對每個課程主題的情感極性，以期為慕課的質(zhì)量提升提供借鑒與參考。

三、面向MOOC課程評論的主題挖掘與情感分析模型構(gòu)建

本模塊旨在系統(tǒng)地描述MOOC平臺某門課程評論中隱含主題的挖掘和情感分析過程，構(gòu)建一個可為課程中的教育者、學(xué)習(xí)者提供反饋性支持的框架，形成自適應(yīng)的循環(huán)結(jié)構(gòu)。如圖1所示，整個過程可分為數(shù)據(jù)收集、詞云分析、MOOC課程評論主題挖掘以及主題情感分析4個環(huán)節(jié)。首先，收集MOOC平臺中的課程評論數(shù)據(jù)并進(jìn)行清洗與篩選；其次，對課程數(shù)據(jù)的分析采用定量與定性相結(jié)合的方式，借助定量分析法對課程中所有評論進(jìn)行詞云分析，實現(xiàn)高頻詞匯的可視化呈現(xiàn)，捕捉學(xué)習(xí)者的重點關(guān)注內(nèi)容，從整體上進(jìn)行把握與觀測；接下來，采用定性分析法分析課程評論數(shù)據(jù)，基于LDA主題模型挖掘?qū)W習(xí)者對課程本身的建設(shè)、內(nèi)容、呈現(xiàn)形式等方面存在的意見與建議；最后，利用情感分析模型分析學(xué)習(xí)者的情感態(tài)度，以期為改進(jìn)與完善后續(xù)課程提供建議，為教育者調(diào)整教學(xué)方法、改善在線學(xué)習(xí)體驗提供依據(jù)。

（一）數(shù)據(jù)收集

數(shù)據(jù)收集的方法有很多種，如問卷收集、訪談收集、爬蟲獲取等。在線教育課程中，收集學(xué)習(xí)者已經(jīng)產(chǎn)生的在線學(xué)習(xí)數(shù)據(jù)多采用的是爬蟲獲取的方式。爬蟲是一種自動獲取網(wǎng)頁內(nèi)容的程序，能夠快速、高效且準(zhǔn)確地獲取大量有價值的信息。借助爬蟲技術(shù)能夠?qū)φn程評論區(qū)的文本數(shù)據(jù)進(jìn)行自動獲取，從而獲得實驗所需的原始語料。

（二）詞云分析

詞云圖是對某篇文檔中出現(xiàn)頻次較高的關(guān)鍵詞予以視覺化呈現(xiàn)的一種方式，借助詞云圖表達(dá)數(shù)據(jù)內(nèi)容，能夠過濾掉大量低頻低質(zhì)的信息，弱化非關(guān)鍵區(qū)域，將關(guān)鍵信息突出呈現(xiàn)。制作詞云的工具有很多種，如Wordle、WordltOut以及Python程序等。在本研究中的詞云繪制采用的是PyEchart中的WordCloud子包，以渲染圖的形式來展現(xiàn)核心關(guān)鍵詞。PyEchart作為Python的數(shù)據(jù)可視化庫，主要用于生成柱狀圖、折線圖、餅圖等各類圖表。

（三）MOOC課程評論主題挖掘

潛在狄利克雷分布模型（Latent Dirichlet Allocation, LDA），通常包含了詞語、主題、文檔三層結(jié)構(gòu)，是PLSI模型的延伸，最早由Blei在2003年提出，是一個三層貝葉斯概率生成模型（Steyvers& Griffiths, 2007），用于發(fā)現(xiàn)文檔中隱含的主題和內(nèi)容。LDA模型屬于無監(jiān)督主題建模方法（Blei,Ng, & Jordan, 2003），它是將一篇文檔的每個詞語都以一定的概率分布在某個主題上，并從這個主題中選擇這個詞語，文檔到主題、主題到詞語的過程都是服從于多項分布的。LDA模型目前已在多個領(lǐng)域得到了應(yīng)用，如社交媒體的災(zāi)害分類（蘇凱，程昌秀，Nikita Murzintcev，張婷，2019）、文獻(xiàn)檢索可視化（阮光冊，任金玥，2019）以及用戶評分預(yù)測（楊貴軍，徐雪，趙富強(qiáng)，2019）等方面。

LDA又被稱為“盤子表示法”，模型結(jié)構(gòu)如圖2所示，其中單圓圈表示潛在變量，α和β是模型的先驗參數(shù)，雙圓圈表示可以測量的變量，箭頭表示兩個變量之間的依賴關(guān)系，矩形框表示重復(fù)抽樣，重復(fù)次數(shù)顯示在右下角，K為設(shè)定的主題數(shù)。LDA模型的具體實現(xiàn)步驟為：從每篇文檔D對應(yīng)的多項式分布參數(shù)θ中抽取得到每個詞語對應(yīng)的一個主題z；從每個主題z對應(yīng)的多項式分布參數(shù)中抽取一個詞語w；重復(fù)上述兩個步驟Nd次，直到遍歷文檔中每一個詞語。LDA模型支持下的MOOC課程評論主題挖掘方法的過程可分為以下幾步。

圖2 LDA模型圖

1. 語料庫的建立

由于MOOC中課程評論數(shù)據(jù)結(jié)構(gòu)復(fù)雜且無意義詞語較多，在得到課程評論的原始語料后，首先要對數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗、去除標(biāo)點和數(shù)字、分詞、去除停用詞等操作，從而得到形式較為規(guī)范的課程評論語料庫。結(jié)構(gòu)良好、形式規(guī)范的語料庫不僅能夠提升分析效率，還能提高模型的準(zhǔn)確率。

2. 基于LDA主題模型的文本表示

在得到規(guī)范的評論語料庫之后，將該數(shù)據(jù)作為LDA模型的輸入，通過LDA模型對評論語料庫進(jìn)行文本表示，將課程評論數(shù)據(jù)轉(zhuǎn)化為符合主題挖掘模型要求的文本向量，將評論信息以詞向量的形式呈現(xiàn)。其中模型的先驗參數(shù)α和β根據(jù)已有研究的經(jīng)驗值確定，主題數(shù)K利用實驗方法來確定。

3. 基于Gibbs抽樣的參數(shù)估計

根據(jù)模型的已有參數(shù)，利用Gibbs抽樣對未知參數(shù)進(jìn)行估計，當(dāng)采樣次數(shù)達(dá)到預(yù)設(shè)的迭代值時，則利用采樣結(jié)果的均值來估計文檔—主題分布矩陣θ和主題—詞語分布矩陣（高慧穎，劉嘉唯，楊淑昕，2019），計算公式為：

根據(jù)上述公式可計算出最后的兩個未知參數(shù)，文檔—主題分布矩陣θ，即學(xué)習(xí)者對課程的評論可表示為多個主題的概率分布；主題—詞語分布矩陣，即將學(xué)習(xí)者發(fā)表的課程評論表征為多維細(xì)粒度的詞語分布（何皓怡，劉清堂，吳林靜，鄧偉，郝怡雪，2018）。得到的結(jié)果可用于分析學(xué)習(xí)者對課程主題的關(guān)注情況，這為課程評論區(qū)的大量文本數(shù)據(jù)分析提供了自動化服務(wù)。

（四）MOOC課程評論主題情感分析

情感分析，又被稱為觀點識別，就是從評論文本數(shù)據(jù)中識別學(xué)習(xí)者所表達(dá)的情感傾向的過程。情感分析的方法主要分為基于機(jī)器學(xué)習(xí)的方法和基于詞典的方法。基于機(jī)器學(xué)習(xí)的方法雖然準(zhǔn)確率高，但是需要大量人工標(biāo)注的數(shù)據(jù)集來訓(xùn)練模型，并且在不同領(lǐng)域適應(yīng)性較差?；谠~典的方法則依賴于詞典的構(gòu)建與選擇，雖然基于詞典的情感分析法較為快捷，但由于一詞多義現(xiàn)象使得不同詞匯在不同語境下表現(xiàn)的情感不同，并且單一的情感詞典無法解決復(fù)雜的歧義詞問題。隨著網(wǎng)絡(luò)的發(fā)展和信息更新速度的加快，出現(xiàn)了許多類似成語、歇后語等表達(dá)情感的新興詞匯，基于詞典的方法對新詞的識別并不能有較好的效果，現(xiàn)有詞典需要不斷擴(kuò)充才能滿足需要。綜合考慮之后，本研究計劃使用基于機(jī)器學(xué)習(xí)的方法來構(gòu)建模型，分析學(xué)習(xí)者情感。

1. 基于字符級CNN的情感分析模型構(gòu)建

本研究主要使用基于機(jī)器學(xué)習(xí)的方法來構(gòu)建模型，將所獲數(shù)據(jù)分為兩部分，組建訓(xùn)練集和測試集。訓(xùn)練集用于擬合模型，往往需要大量的數(shù)據(jù)支持，通過設(shè)置模型參數(shù)，完成模型的訓(xùn)練，通過訓(xùn)練集得到模型后，使用測試集進(jìn)行模型檢驗，用來衡量該模型的性能和分類能力，測試集是與訓(xùn)練集完全不同的數(shù)據(jù)集。為保證訓(xùn)練模型的普適性，本研究隨機(jī)選取了MOOC平臺中十五門課程的評論區(qū)數(shù)據(jù)作為本研究的原始數(shù)據(jù)集，從中選取部分?jǐn)?shù)據(jù)作為訓(xùn)練集完成模型的訓(xùn)練，其余數(shù)據(jù)作為測試集檢驗?zāi)Ｐ?，對文本?shù)據(jù)進(jìn)行去噪、特征提取、向量化表示、特征選擇等操作后，選擇litNlp（Python的第三方庫）自帶的字符級TextCNN訓(xùn)練情感分析模型。

2. 情感極性可視化分析

首先利用主題中心詞找出對應(yīng)的主題屬性字典，根據(jù)主題屬性表對主題提取后的文本進(jìn)行情感分析，分別得出當(dāng)前主題對應(yīng)的情感概率分布，將情感概率分布作為情感趨勢進(jìn)行情感分析。橫坐標(biāo)為關(guān)于主題的情感得分，縱坐標(biāo)為對應(yīng)的情感的評論數(shù)目，可以縱觀當(dāng)前主題下的情感趨勢，趨勢往右代表當(dāng)前主題評論較為積極。對情感極性可視化的結(jié)果進(jìn)行分析，能為后續(xù)課程建設(shè)提供建議。

四、MOOC課程評論主題挖掘與情感分析模型應(yīng)用

（一）實驗數(shù)據(jù)與文本預(yù)處理

本研究以中國大學(xué)MOOC學(xué)習(xí)平臺的“面向核心素養(yǎng)的信息化教學(xué)設(shè)計”課程為模型的應(yīng)用對象?！懊嫦蚝诵乃仞B(yǎng)的信息化教學(xué)設(shè)計”是一門能夠帶領(lǐng)教師深入理解核心素養(yǎng)內(nèi)涵、助力教師掌握面向核心素養(yǎng)的教學(xué)設(shè)計方法的課程，在線課程學(xué)習(xí)人數(shù)已多達(dá)4 184人，從2018年4月到2020年8月間，有950名MOOC學(xué)習(xí)者對課程發(fā)表了評論，為本研究的模型應(yīng)用提供了較為豐富的素材。本研究通過編寫爬蟲程序獲取到950條課程評論，每個學(xué)習(xí)者平均發(fā)布一條評論，平均長度約50字。

通過對課程評論區(qū)的數(shù)據(jù)進(jìn)行爬取并整理得到如上頁表1所示的數(shù)據(jù)樣本，接下來對收集到的數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理，主要包括去除字符、數(shù)字、標(biāo)點符號以及停用詞等，借助jieba分詞工具進(jìn)行分詞。

表1 課程評價樣本數(shù)據(jù)呈現(xiàn)

為了提高評論數(shù)據(jù)的分析效果，本研究根據(jù)課程的核心內(nèi)容創(chuàng)建了包含500多個單詞的停用詞表，以獲得更為全面而準(zhǔn)確的語義信息。在上述工作的基礎(chǔ)上，完成了評價數(shù)據(jù)主題挖掘的實驗數(shù)據(jù)集的創(chuàng)建，處理完成后的樣本數(shù)據(jù)如表2所示。

表2 MOOC課程評論（樣本）文本處理情況呈現(xiàn)

（二）詞云分析結(jié)果

在對950條課程評價數(shù)據(jù)進(jìn)行詞云分析后發(fā)現(xiàn)（見圖3），出現(xiàn)頻次最高的關(guān)鍵詞依次為學(xué)習(xí)（436次）、教學(xué)（256）、核心素養(yǎng)（202次），表現(xiàn)了學(xué)習(xí)者對教師教學(xué)、核心素養(yǎng)的關(guān)注。其次是課程、收獲、內(nèi)容、豐富、受益匪淺等關(guān)鍵詞，表明了學(xué)習(xí)者肯定了該門課程的效用，通過課程的學(xué)習(xí)從中受益，而且對課程內(nèi)容的豐富性給予了充分認(rèn)可。另外，信息化、信息技術(shù)、工具等詞匯的出現(xiàn)頻率也較高，充分體現(xiàn)了學(xué)習(xí)者對課程中一些技術(shù)工具表現(xiàn)出了高度關(guān)注。

圖3 課程評價數(shù)據(jù)詞云分析呈現(xiàn)

（三）MOOC課程評論主題挖掘結(jié)果

基于上文預(yù)處理之后獲得的樣本數(shù)據(jù)集，本部分計劃使用LDA主題模型來挖掘?qū)W習(xí)者發(fā)表的課程評論中對課程存在的意見與建議，查看學(xué)習(xí)者所發(fā)布的課程評論中的隱含主題和語義內(nèi)容，為教育者改進(jìn)課程內(nèi)容提供數(shù)據(jù)支撐。本次實驗中實驗效果的衡量主要考慮主題間的分離度和主題內(nèi)部質(zhì)量兩個指標(biāo)（Celikyilmaz, Hakkani-Tur, & Tur, 2010;Geng, Wang, Wang, & Korba, 2008）。參考已有的經(jīng)驗值（Marley, Collier, & Meyer Goldstein, 2004），α取值為50/K，β取值為0.01，其中K表示模型主題數(shù)，K的取值依賴于數(shù)據(jù)集的大小。在模型評估中，確定了某個主題數(shù)的主題模型，該主題模型在評論語料庫中的困惑度越低，那么這個主題數(shù)下的主題模型具有越好的表達(dá)能力（Ranard & Werner,2016）。經(jīng)過反復(fù)實驗，發(fā)現(xiàn)K取值5時，模型的困惑度最低，實驗效果最佳。

表3是“面向核心素養(yǎng)的信息化教學(xué)設(shè)計”課程評論主題挖掘的主題—詞語矩陣，按照概率值大小列出每個主題下的前十個詞語，對某個主題下的學(xué)習(xí)者隱含的語義內(nèi)容進(jìn)行概率表征。從表3中詞語概率分布情況進(jìn)行推測，主題1可能是在討論該課程教師的授課方式，學(xué)習(xí)者認(rèn)為該門課的授課方式層次分明，教育者從多個角度講解課程，活動內(nèi)容豐富，表述方式條理清晰，新穎直觀。主題2中的關(guān)鍵詞語圍繞著信息技術(shù)工具，學(xué)習(xí)者認(rèn)可輔助工具的使用價值，通過課程的學(xué)習(xí)，學(xué)會了很多軟件，并認(rèn)為該課程推薦的工具非常實用。從主題3的詞語分布情況來看，此主題是有關(guān)課程內(nèi)容的評論，學(xué)習(xí)者認(rèn)為內(nèi)容詳實細(xì)致、包含豐富的新理念，但同時認(rèn)為基礎(chǔ)知識太少，理論太深奧，開放性內(nèi)容較多，學(xué)習(xí)起來有一定的難度。從主題4推測，學(xué)習(xí)者可能是在評論課程的評價方式，從時間安排、作業(yè)、考試、測驗、考核方式等方面發(fā)表了意見。從主題5的關(guān)鍵詞進(jìn)行推測，可能是在描述學(xué)習(xí)體驗，學(xué)習(xí)者認(rèn)為該課程的學(xué)習(xí)使自己受益匪淺，很有收獲，學(xué)習(xí)過程很充實，激起了自己的學(xué)習(xí)興趣，并且有很好的體驗感。

表3 課程評論主題挖掘的主題—詞語矩陣

通過對表3中內(nèi)容的觀察與分析，發(fā)表課程評論的學(xué)習(xí)者整體上對課程持有贊揚(yáng)認(rèn)可的態(tài)度，并從授課方式、技術(shù)工具、課程內(nèi)容等方面肯定了該課程的效用。另一方面，課程設(shè)計的某些方面還存在一些不足，如學(xué)習(xí)難度較大、基礎(chǔ)性知識少、開放性問題多、內(nèi)容深奧等問題，這些亟待課程設(shè)計者來解決。

（四）MOOC課程評論主題情感分析結(jié)果

研究隨機(jī)選取了MOOC平臺中十五門課程的評論區(qū)數(shù)據(jù)10 685條，并進(jìn)行人工標(biāo)注，“0”代表消極評論，“1”代表積極評論，完成數(shù)據(jù)集的創(chuàng)建，從中選取9 735條數(shù)據(jù)作為訓(xùn)練集訓(xùn)練，950條數(shù)據(jù)作為測試集檢驗?zāi)Ｐ汀Ｔ谕瓿捎?xùn)練集和測試集的創(chuàng)建后，使用litNlp自帶的字符級TextCNN算法訓(xùn)練深度情感分析模型。

研究使用準(zhǔn)確率、召回率和F值來衡量模型對情感的識別效果，F(xiàn)值可以平衡準(zhǔn)確率和召回率，因此F值經(jīng)常用于評價模型的有效性。表4分別記錄了這三項指標(biāo)，其數(shù)據(jù)反映了該模型的性能，當(dāng)我們增加一定數(shù)量的訓(xùn)練樣本時，該模型的預(yù)測效果會更好。由表4可見，本模型具有較高的準(zhǔn)確率，在情感分析中是可用的。

表4 正負(fù)極性情感分析模型的準(zhǔn)確性

研究將該模型應(yīng)用于“面向核心素養(yǎng)的信息化教學(xué)設(shè)計”課程的評論區(qū)數(shù)據(jù)，對授課方式、技術(shù)工具、課程內(nèi)容、評價方式和學(xué)習(xí)體驗的評論文本分別做情感分析，可以反映學(xué)習(xí)者關(guān)注的該課程的5個話題的情感傾向。利用訓(xùn)練好的深度情感分析模型對評論主題開展情感極性分析，結(jié)果如圖4所示。由圖4可知，結(jié)合評論數(shù)目來看，學(xué)習(xí)者對授課方式、技術(shù)工具、學(xué)習(xí)體驗、評價方式的情感態(tài)度整體趨向于積極，學(xué)習(xí)者的滿意度較高。相比于其他三個主題，教師授課方式主題的積極情緒相對較高，充分體現(xiàn)了學(xué)習(xí)者對教師傳授知識方式的認(rèn)可。學(xué)習(xí)者積極情緒較高的主題還有技術(shù)工具和學(xué)習(xí)體驗，而評價方式主題雖然整體上以積極為主，但是也表達(dá)了一些中性和消極情緒，推測學(xué)習(xí)者可能對本門課程的評價方式存在不滿情緒。課程內(nèi)容情感偏向消極，推測可能與基礎(chǔ)知識少，理論知識較為深奧，學(xué)習(xí)起來難度較大等問題有關(guān)。學(xué)習(xí)體驗和課程內(nèi)容這兩個主題是學(xué)習(xí)者發(fā)表評論的主要內(nèi)容，表明了學(xué)習(xí)者非常重視課程自身的內(nèi)容和課程帶給自己的學(xué)習(xí)感受。

圖4 課程評論主題情感極性分析

總而言之，從本研究所構(gòu)建的主題挖掘與情感分析模型的分析結(jié)果來看，課程內(nèi)容和學(xué)習(xí)體驗是本課程學(xué)習(xí)者的主要關(guān)注點，是影響課程質(zhì)量的核心因素，而評價方式和課程內(nèi)容是學(xué)習(xí)者表達(dá)中性和消極情緒的主要因素。針對此種情況，在課程后期的設(shè)計中，教育者要著重去改進(jìn)評價方式，提高課程教學(xué)內(nèi)容的趣味性、有效性，從而達(dá)到吸引學(xué)習(xí)者的目的。

五、MOOC課程優(yōu)化建議

本文基于MOOC課程評論區(qū)數(shù)據(jù)，提出了一種面向MOOC課程評論的主題挖掘與情感分析模型，并以“面向核心素養(yǎng)的信息化教學(xué)設(shè)計”課程為對象展開應(yīng)用。結(jié)果發(fā)現(xiàn)，該模型能夠較好地挖掘出課程評論的主題，并能分析出相應(yīng)主題的情感極性，幫助教育者總結(jié)課程學(xué)習(xí)者的意見與建議用以改進(jìn)教學(xué)。模型的結(jié)果能夠有效地輔助教育者調(diào)整教學(xué)設(shè)計，助力平臺開發(fā)人員完善功能建設(shè)以及讓學(xué)習(xí)者直觀了解課程。在上述分析基礎(chǔ)上，本研究提出幾點建議，以期改善課程服務(wù)，給予學(xué)習(xí)者更周到的學(xué)習(xí)體驗。

1. 推進(jìn)實用生動型教學(xué)內(nèi)容

學(xué)習(xí)者普遍存在課程內(nèi)容實用化的心理趨向，期待能達(dá)到對知識快速理解且能學(xué)以致用的學(xué)習(xí)效果，而課程內(nèi)容的有趣、生動，又能讓學(xué)習(xí)者在享受知識的過程中內(nèi)化知識。這能讓學(xué)習(xí)者同時獲得功能和精神層面的滿足。要達(dá)到這種理想狀態(tài)，一方面需要優(yōu)化非結(jié)構(gòu)化學(xué)習(xí)資源的呈現(xiàn)機(jī)制，對于核心內(nèi)容突出顯示，可使用一些可視化手段來活躍知識，弱化非關(guān)鍵性區(qū)域。另一方面，內(nèi)容設(shè)置的廣度與深度要符合大眾的學(xué)習(xí)水平，適當(dāng)提高一些初級、中級知識的占比，以便能滿足不同層次學(xué)習(xí)者的學(xué)習(xí)需求，同時增加實用性工具的使用介紹，為在線學(xué)習(xí)者提供一些可直接有助于工作實踐的方法手段。

2. 應(yīng)用多元信息化評價方式

傳統(tǒng)的以系統(tǒng)評價和教師批改為主的評價方式并不能準(zhǔn)確檢測人工智能時代學(xué)習(xí)者的學(xué)習(xí)質(zhì)量，迫切需要與大數(shù)據(jù)、云計算相匹配的評價方式的開發(fā)。為有效應(yīng)對此問題，一方面，以虛擬現(xiàn)實技術(shù)、人工智能技術(shù)為支撐打造教學(xué)交流平臺，創(chuàng)建一個不受時空束縛的、自由討論的環(huán)境，加入嵌入式評估實時動態(tài)測評，以教師評價為主，結(jié)合同伴互評、學(xué)生自評打造彈性化教學(xué)評價，通過評中教、評中學(xué)來引導(dǎo)教育者和學(xué)習(xí)者重構(gòu)知識序列。另一方面，開課前明確評價目標(biāo)，借助一些APP或微信小程序動態(tài)記錄學(xué)習(xí)行為數(shù)據(jù)，充分實現(xiàn)評價的透明化、可視化。

3. 探究混合多樣化教學(xué)模式

現(xiàn)行的在線課程多以直播教學(xué)為主，而單純的直播教學(xué)并不能顯著提高學(xué)習(xí)者的學(xué)習(xí)效果。為了給課程學(xué)習(xí)者帶來更周到的學(xué)習(xí)體驗，可以綜合實時直播教學(xué)和異步自主學(xué)習(xí)的教學(xué)模式。一方面，課前以學(xué)習(xí)任務(wù)單的形式發(fā)布導(dǎo)學(xué)內(nèi)容供學(xué)習(xí)者學(xué)習(xí)，學(xué)習(xí)者之間可通過回帖的方式來互動，教學(xué)者根據(jù)互動內(nèi)容改進(jìn)教學(xué)；另一方面，采用直播的方式，將語音和課件同步播放，加入在線連麥的討論方式與學(xué)習(xí)者在線互動，豐富教學(xué)。

六、小結(jié)

本研究基于評論區(qū)文本數(shù)據(jù)，構(gòu)建了一種面向MOOC課程評論的主題挖掘與情感分析模型，并以“面向核心素養(yǎng)的信息化教學(xué)設(shè)計”課程為例進(jìn)行驗證，挖掘并分析該課程評論的主題結(jié)構(gòu)分布情況和情感態(tài)度，結(jié)果證明該模型可用。本研究以數(shù)據(jù)驅(qū)動得出最終分析結(jié)果，能夠更準(zhǔn)確地洞察學(xué)習(xí)者的需求、興趣以及情感狀態(tài)，將有助于教育者改進(jìn)教學(xué)內(nèi)容、優(yōu)化教學(xué)策略，為學(xué)習(xí)者提供更高契合度的學(xué)習(xí)內(nèi)容和更周到的學(xué)習(xí)支持服務(wù)。但本研究對課程評論文本的分析還有很大的探索空間，如情感極性分析只分析了正負(fù)極性，沒有考慮到學(xué)習(xí)者的情感變化。在后續(xù)研究中，應(yīng)該嘗試細(xì)化學(xué)習(xí)者的情感極性分類，進(jìn)一步提高情感模型的科學(xué)性，提高實驗結(jié)果的準(zhǔn)確性。