摘" 要" 碎片化學(xué)習(xí)在當(dāng)今教學(xué)理念與信息技術(shù)急速發(fā)展的推進(jìn)下逐漸深入大學(xué)生的學(xué)習(xí)生活。依托在線課程的使用，運(yùn)用情感分類模型對大學(xué)生碎片化學(xué)習(xí)的現(xiàn)狀進(jìn)行數(shù)據(jù)分析，從負(fù)向評價(jià)篩選、評價(jià)主題篩選、個(gè)性化內(nèi)容推薦三方面，探索改進(jìn)大學(xué)生碎片化學(xué)習(xí)效果的綜合策略，以期為碎片化學(xué)習(xí)的后續(xù)發(fā)展研究提供可借鑒的經(jīng)驗(yàn)。

關(guān)鍵詞" 碎片化學(xué)習(xí)；情感分類模型；在線課程；大學(xué)生

中圖分類號：G642.0" " 文獻(xiàn)標(biāo)識碼：B

文章編號：1671-489X（2022）08-0086-05

Research on College Students’ Fragmented Learning Based"on Emotion Classification Model//WANG Liqing

Abstract" Fragmented learning has gradually penetrated into the study life of college students with the rapid development of teaching concepts and information technology. This paper reviews the evolution of fragmented learning and using emo-tion classification models to analyze the current situation of college students’ fragmented learning relying on the use of online courses. This paper explores a comprehensive strategy for improving the effect of college students’ fragmented learn-ing from the following aspects： negative screening， topic screening， and personalized recommendation. It is aimed at"providing theoretical and practical references for the subse-quent development of fragmented learning.

Key words" fragmented learning; emotion classification mo-del; online courses; college students

0" 引言

隨著教學(xué)理念與信息化的高度發(fā)展，碎片化學(xué)習(xí)由于靈活度高、針對性強(qiáng)的特點(diǎn)，極度豐富了現(xiàn)代大學(xué)生的知識獲取方式。但高度靈活意味著存在不確定性與不穩(wěn)定性，使得碎片化學(xué)習(xí)存在即時(shí)反饋效果不佳的問題。本研究通過運(yùn)用情感分類模型，對大學(xué)生碎片化學(xué)習(xí)過程中隨機(jī)產(chǎn)生、積累數(shù)量龐大的文本留言進(jìn)行數(shù)據(jù)分析，幫助教學(xué)者及時(shí)快速地了解其中有價(jià)值的內(nèi)容，探索剖析碎片化學(xué)習(xí)實(shí)際需求，為提高大學(xué)生碎片化學(xué)習(xí)效率提供一些對策建議和參考。

1" 碎片化學(xué)習(xí)發(fā)展現(xiàn)狀

為了了解碎片化學(xué)習(xí)在國內(nèi)教育研究領(lǐng)域的發(fā)展現(xiàn)狀，本研究于2020年12月8日以CNKI的期刊數(shù)據(jù)庫作為信息來源，對關(guān)鍵詞“碎片化學(xué)習(xí)”進(jìn)行中文文獻(xiàn)的檢索，獲得相關(guān)文獻(xiàn)825篇，跨度時(shí)間從2012—2020年，作為中文學(xué)術(shù)數(shù)據(jù)樣本。運(yùn)用CiteSpace和VOSviewer兩款數(shù)據(jù)分析可視化工具對獲得數(shù)據(jù)進(jìn)行計(jì)量分析并繪制知識圖譜，獲得突變詞檢測圖譜（圖1）和共現(xiàn)關(guān)鍵詞圖譜（圖2）。

從突變詞檢測圖譜獲得“教育信息化”“微課程”“MOOC”三個(gè)關(guān)鍵詞，由于它們在較短時(shí)間內(nèi)于碎片化學(xué)習(xí)研究領(lǐng)域的相關(guān)文獻(xiàn)中呈爆炸式出現(xiàn)，可被理解為相應(yīng)時(shí)間段內(nèi)該研究領(lǐng)域的前沿與趨勢。2012年，教育部正式印發(fā)《教育信息化十年發(fā)展規(guī)劃（2011—2020年）》，打開我國教育信息化研究的新篇章。同年，微課程興起，又是MOOC元年，隨著這些在線學(xué)習(xí)方式的產(chǎn)生、推廣與深入使用，碎片化學(xué)習(xí)研究領(lǐng)域的研究熱點(diǎn)逐漸從微課程向MOOC偏移。這在一定程度上說明，目前碎片化學(xué)習(xí)研究的前沿主要體現(xiàn)在教育信息化、微課程以及MOOC領(lǐng)域，近幾年以MOOC為主。

從共現(xiàn)關(guān)鍵詞圖譜中可以更具體地了解到：碎片化學(xué)習(xí)研究與高職院校聯(lián)系更加緊密，而具有自主學(xué)習(xí)能力的學(xué)習(xí)者是碎片化學(xué)習(xí)的主要研究對象；碎片化學(xué)習(xí)的研究平臺主要是移動學(xué)習(xí)平臺、遠(yuǎn)程教育平臺等互聯(lián)網(wǎng)在線學(xué)習(xí)平臺，依附信息化工具與信息化教學(xué)手段，所以在很大程度上帶來教學(xué)方式的變革，需要全新的教學(xué)理念、教學(xué)資源與教學(xué)方式支持；泛在學(xué)習(xí)、建構(gòu)主義是碎片化習(xí)的理論基礎(chǔ)；大數(shù)據(jù)分析、深度學(xué)習(xí)成為當(dāng)前碎片化學(xué)習(xí)研究的全新方式。

碎片化學(xué)習(xí)的特點(diǎn)使其占據(jù)近年來我國教育界研究熱點(diǎn)的一席之地，研究領(lǐng)域主要包含定義研究、利弊分析、教學(xué)設(shè)計(jì)、平臺建設(shè)與資源開發(fā)等。早期的碎片化學(xué)習(xí)理念，可以追溯到宋代政治家歐陽修所主張的“三上”[1]，即把“馬上、枕上、廁上”的點(diǎn)滴時(shí)間均用于學(xué)習(xí)。而今，由于學(xué)習(xí)環(huán)境的改變，祝智庭等[2]認(rèn)為學(xué)習(xí)碎片化更大程度肇始于信息碎片化，進(jìn)而帶來知識、時(shí)間、空間、媒體、關(guān)系、思維、體驗(yàn)等方面的碎片化。王承博等[3]認(rèn)為，碎片化學(xué)習(xí)是從學(xué)習(xí)內(nèi)容的整體解構(gòu)走向知識建構(gòu)，并認(rèn)為需要對碎片化知識建立管理模型?？娷绲萚4]認(rèn)為，碎片化學(xué)習(xí)的缺點(diǎn)是靈活性這一優(yōu)點(diǎn)帶來的無序性，需要從教學(xué)者和學(xué)習(xí)者角度提出相應(yīng)對策。胡鐵生[5]認(rèn)為，碎片化學(xué)習(xí)普遍存在不夠嚴(yán)謹(jǐn)深入的問題，需要從教學(xué)資源、教學(xué)設(shè)計(jì)、學(xué)習(xí)者素養(yǎng)三方面入手增強(qiáng)學(xué)習(xí)效果。陳媛[6]認(rèn)為，學(xué)習(xí)者需要在開放的非線性認(rèn)知環(huán)境中通過構(gòu)筑社群、加強(qiáng)聯(lián)通，促進(jìn)碎片化學(xué)習(xí)模式和方法的實(shí)現(xiàn)與應(yīng)用。張自強(qiáng)[7]、黃領(lǐng)[8]分別針對MOOC、碎片化學(xué)習(xí)作出相應(yīng)的教學(xué)設(shè)計(jì)研究。王覓[9]對面向碎片化學(xué)習(xí)時(shí)代的微視頻課程作出內(nèi)容設(shè)計(jì)的探索。筆者等[10]基于微信公眾平臺進(jìn)行移動學(xué)習(xí)資源的設(shè)計(jì)、開發(fā)與應(yīng)用等。

結(jié)合現(xiàn)有的研究成果，從廣義上理解，碎片化學(xué)習(xí)可以泛指各種短時(shí)間的隨機(jī)學(xué)習(xí)，比如地鐵上的報(bào)紙閱讀、課間的動作技巧練習(xí)，或是在線移動學(xué)習(xí)。本研究討論的是狹義上的在線碎片化學(xué)習(xí)，研究的對象為有自主學(xué)習(xí)能力的大學(xué)生，研究媒介依托在線課程，意在針對大學(xué)生碎片化學(xué)習(xí)現(xiàn)狀進(jìn)行調(diào)查分析，總結(jié)提高學(xué)習(xí)效率的對策。

2" 大學(xué)生碎片化學(xué)習(xí)現(xiàn)狀的情感分類模型設(shè)計(jì)

2.1" 情感計(jì)算的相關(guān)研究

情感計(jì)算[11]作為自然語言處理[12]領(lǐng)域用于情緒識別和觀點(diǎn)挖掘的關(guān)鍵技術(shù)，已在輿情監(jiān)控、商業(yè)預(yù)測、客戶行為分析、病患狀態(tài)處理等領(lǐng)域有諸多應(yīng)用。近年來，隨著人工智能技術(shù)和深度學(xué)習(xí)的發(fā)展，情感計(jì)算的模型越來越成熟、高效，情感計(jì)算在諸多場景的跨領(lǐng)域應(yīng)用受到越來越多研究者的關(guān)注。

早期的情感計(jì)算技術(shù)主要基于“字典+規(guī)則”[13]的策略進(jìn)行，這類方法通常依賴于情感詞典的選擇與構(gòu)建，在不同領(lǐng)域的適應(yīng)性較差；并且簡單的情感詞典無法解決復(fù)雜的語義歧義問題，對于海量數(shù)據(jù)的計(jì)算速度也較慢。因此，此類方法通常作為輔助方法和其他策略結(jié)合使用。隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)的發(fā)展，CNN、RNN、LSTM等神經(jīng)模型[14]越來越受到研究者的關(guān)注。但這類神經(jīng)網(wǎng)絡(luò)需要大量的標(biāo)注數(shù)據(jù)或無標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練，且一個(gè)模型只能用于一個(gè)自然語言任務(wù)，無法進(jìn)行遷移學(xué)習(xí)。因此，近年來，尤其是谷歌公司提出Transformer注意力模型[15]以來，“預(yù)訓(xùn)練+微調(diào)”的情感分類模型設(shè)計(jì)方式得到充分認(rèn)可。

2.2" 模型設(shè)計(jì)

本文使用BERT[16]作為文本的預(yù)訓(xùn)練模型，并引入LDA主題抽取模型[17]，共同抽取學(xué)生評價(jià)文本的隱藏表達(dá)，再通過跨領(lǐng)域進(jìn)一步預(yù)訓(xùn)練的方式提高模型分類準(zhǔn)確率。用不同的分類器進(jìn)行不同的信息挖掘，并對結(jié)果進(jìn)行分析，得到提高碎片化學(xué)習(xí)效率的對策與方法。模型整體框架如圖3所示。

3" 大學(xué)生碎片化學(xué)習(xí)現(xiàn)狀調(diào)查及對策分析

3.1" 調(diào)查的實(shí)施過程

本研究采集十個(gè)班級共560名學(xué)習(xí)現(xiàn)代教育技術(shù)課程的大學(xué)生數(shù)據(jù)，獲得留言共4 480條，文本最大長度337個(gè)字，平均長度42個(gè)字，其中也有回答為空的特殊情況。本實(shí)驗(yàn)先對學(xué)生回答進(jìn)行初步的數(shù)據(jù)清理，剔除空文本、連續(xù)重復(fù)文本等無效文本，并剔除長度大于256個(gè)字的問答配對（BERT的最大輸入長度為512）。對得到的問答進(jìn)行人工標(biāo)注，標(biāo)注分為兩類共八種標(biāo)簽，詳細(xì)標(biāo)簽類別及標(biāo)注占比情況如表1所示。然后用jieba庫（https：//pypi.org/project/jieba/）進(jìn)行中文分詞，最終得到有效訓(xùn)練文本4 088對。將數(shù)據(jù)集按照2∶2∶1的比例進(jìn)行隨機(jī)分組，分別用于預(yù)訓(xùn)練集、訓(xùn)練集和測試集。

3.2" 數(shù)據(jù)處理與分析

根據(jù)獲得的數(shù)據(jù)對大學(xué)生的碎片化學(xué)習(xí)現(xiàn)狀進(jìn)行調(diào)查研究，共設(shè)計(jì)三組實(shí)驗(yàn)，用于優(yōu)化學(xué)習(xí)過程，增強(qiáng)碎片化學(xué)習(xí)效果。

3.2.1" 負(fù)面評價(jià)篩選" 學(xué)生的負(fù)面反饋對改進(jìn)教學(xué)、提高學(xué)習(xí)效率有著至關(guān)重要的作用。但由于在線留言信息量龐大，精準(zhǔn)篩選出學(xué)生的負(fù)面評價(jià)需要海量的人工勞動力。盡管一些留言系統(tǒng)自帶粗略的評分功能，但很難避免誤操作、信息缺失等問題。為了提高試驗(yàn)準(zhǔn)確率，本實(shí)驗(yàn)只用情感極性下的正向評價(jià)和負(fù)向評價(jià)兩個(gè)標(biāo)簽數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，使用一個(gè)三層神經(jīng)網(wǎng)絡(luò)作為模型的二值線性分類器求解分類問題。經(jīng)過十個(gè)訓(xùn)練周期后，模型的分類曲線基本收斂。隨機(jī)分配訓(xùn)練集和數(shù)據(jù)集進(jìn)行五次訓(xùn)練，平均負(fù)面評價(jià)分類準(zhǔn)確率達(dá)到93.5%，案例分析如表2所示。從表2結(jié)果可以看出，對于大部分負(fù)向評價(jià)的模型輸入，所訓(xùn)練出的負(fù)面評價(jià)篩選模型都能正確識別文本中的負(fù)向情感；但在個(gè)別案例中，由于文本本身的情感表達(dá)較隱晦或缺乏關(guān)鍵情感詞，如第五個(gè)案例，模型將其分類為中性評價(jià)。

表2中獲得的幾個(gè)負(fù)向評價(jià)，普遍表現(xiàn)出學(xué)習(xí)者的學(xué)習(xí)興趣低下，對碎片化學(xué)習(xí)的認(rèn)識不充分，甚至存有認(rèn)知偏見。針對這種情況，教學(xué)者應(yīng)該及時(shí)與學(xué)習(xí)者交流溝通，了解認(rèn)知情況形成緣由，引導(dǎo)學(xué)習(xí)者掌握實(shí)際情況，培養(yǎng)學(xué)習(xí)者學(xué)習(xí)興趣。可見，針對海量在線碎片化學(xué)習(xí)的反饋留言時(shí)，利用本模型可以快速篩選出對增強(qiáng)學(xué)習(xí)效果有利的負(fù)向評價(jià)信息。

3.2.2" 評價(jià)主題篩選" 學(xué)生評價(jià)往往會包含某些單一的主觀主題，而某些特定的主題評價(jià)內(nèi)容對改進(jìn)碎片化學(xué)習(xí)效果亦有很大幫助。如何從雜亂的學(xué)生評價(jià)中篩選出相關(guān)的反饋是重要的研究方向之一。本實(shí)驗(yàn)將評價(jià)主題傾向分為五大類，分別為教學(xué)者、學(xué)習(xí)者、教學(xué)內(nèi)容、教學(xué)手法和硬件設(shè)施。

為了提高模型的多標(biāo)簽分類準(zhǔn)確率，使用LDA主題抽取模型進(jìn)行主題表達(dá)抽取，并和BERT模型抽取的隱表達(dá)進(jìn)行拼接，用一個(gè)多標(biāo)簽線性分類器輸出分類的結(jié)果。經(jīng)過15個(gè)訓(xùn)練周期后，模型的分類曲線基本收斂。隨機(jī)分配訓(xùn)練集和數(shù)據(jù)集進(jìn)行五次訓(xùn)練，平均分類準(zhǔn)確率達(dá)到57%，F(xiàn)1分?jǐn)?shù)達(dá)到0.59，案例分析如表3所示。從結(jié)果來看，主題傾向分類的效果不如正負(fù)向評價(jià)篩選，一方面是由于多情感分類模型的準(zhǔn)確率往往不如雙極性分類；另一方面是由于訓(xùn)練數(shù)據(jù)量較少，存在嚴(yán)重的過擬合問題。雖然主題傾向分類準(zhǔn)確率并不高，但在一定程度上能夠快速反應(yīng)學(xué)習(xí)者對一類學(xué)習(xí)因素的評價(jià)。通過快速篩選不同類型的評價(jià)主題，可以清晰地了解學(xué)習(xí)者的各類訴求，有的放矢地增強(qiáng)碎片化學(xué)習(xí)效果。

3.2.3" 個(gè)性化內(nèi)容推薦" 傳統(tǒng)的個(gè)性化推薦算法大都基于標(biāo)簽，即給所有在線課程資源人工打上若干標(biāo)簽，對有播放歷史記錄的學(xué)習(xí)者推薦標(biāo)簽相同或類似的資源。這種推薦方法缺乏與學(xué)習(xí)者的互動，且信息存在誤差和冗余，容易使推薦結(jié)果收斂到局部焦點(diǎn)。本實(shí)驗(yàn)探索根據(jù)用戶評論計(jì)算學(xué)習(xí)傾向的可能性。

本實(shí)驗(yàn)利用實(shí)驗(yàn)一和實(shí)驗(yàn)二的方法，計(jì)算測試集學(xué)生的評論極性和主題傾向，得出評論的隱藏表達(dá)。篩選出評論極性為正向情感的評論與訓(xùn)練集同主題的學(xué)生評論進(jìn)行對比，計(jì)算其交叉熵，篩選出交叉熵最近的五條評論，相關(guān)樣本如表4所示。根據(jù)分析，這些交叉熵值最小的評論中，學(xué)習(xí)者大都有相同的主觀喜好。后期應(yīng)用中，可根據(jù)相同喜好學(xué)習(xí)者的學(xué)習(xí)習(xí)慣與偏好，如播放記錄和觀看時(shí)長等數(shù)據(jù)，推薦相關(guān)在線課程資源。由于本實(shí)驗(yàn)的局限性，暫時(shí)無法對這部分理論的推薦有效性進(jìn)行評估。

4" 結(jié)束語

在線課程的普及以及受新冠疫情的影響，使得本來作為輔助教學(xué)方式的在線課程越來越成為一種教學(xué)剛需，在線的碎片化學(xué)習(xí)在大學(xué)生群體中的實(shí)際應(yīng)用范圍與教學(xué)效果越來越值得研究者關(guān)注。本研究設(shè)計(jì)并實(shí)現(xiàn)的情感分類模型，是利用深度學(xué)習(xí)了解大學(xué)生碎片化學(xué)習(xí)現(xiàn)狀的一種有效方式，可以解決碎片化學(xué)習(xí)反饋環(huán)節(jié)薄弱的問題。選取負(fù)面評價(jià)篩選、評價(jià)主題篩選、個(gè)性化內(nèi)容推薦三個(gè)實(shí)驗(yàn)案例進(jìn)行詳細(xì)分析，在此基礎(chǔ)上提出優(yōu)化碎片化學(xué)習(xí)效果的方案，具有可觀的應(yīng)用前景。在未來的研究工作中將進(jìn)一步完善模型，利用不同在線課程的留言文本進(jìn)行數(shù)據(jù)分析和個(gè)性推薦的相關(guān)實(shí)驗(yàn)，驗(yàn)證模型的有效性。

參考文獻(xiàn)

[1] 葛泉滋.以書為伴" 終生學(xué)習(xí)[J].理論學(xué)刊，2004（8）：117-118.

[2] 祝智庭.教育信息化的新發(fā)展：國際觀察與國內(nèi)動態(tài)[J].現(xiàn)代遠(yuǎn)程教育研究，2012（3）：3-13.

[3] 王承博，李小平，趙豐年，等.大數(shù)據(jù)時(shí)代碎片化學(xué)習(xí)研究[J].電化教育研究，2015，36（10）：26-30.

[4] 繆茜，秦健.我國碎片化學(xué)習(xí)研究熱點(diǎn)及趨勢分析[J].中國醫(yī)學(xué)教育技術(shù)，2018，32（3）：263-266.

[5] 胡鐵生.碎片化學(xué)習(xí)的誤區(qū)與對策[J].中國信息技術(shù)教育，2016（8）：74.

[6] 陳媛.基于碎片化問題的非線性認(rèn)知模式研究[J].電化教育研究，2014，35（11）：22-29，58.

[7] 張自強(qiáng).基于MOOC教學(xué)設(shè)計(jì)的學(xué)習(xí)體驗(yàn)實(shí)證研究[J].現(xiàn)代教育技術(shù)，2018，28（S1）：11-16.

[8] 黃領(lǐng).大數(shù)據(jù)時(shí)代背景下大學(xué)生碎片化學(xué)習(xí)習(xí)慣與教學(xué)設(shè)計(jì)研究[J].中國成人教育，2016（23）：15-17.

[9] 王覓.面向碎片化學(xué)習(xí)時(shí)代微視頻課程的內(nèi)容設(shè)計(jì)[D].上海：華東師范大學(xué)，2013.

[10] 王梨清，李紅美.基于微信公眾平臺的移動學(xué)習(xí)資源設(shè)計(jì)、開發(fā)及應(yīng)用[J].現(xiàn)代教育技術(shù)，2018，28（6）：67-73.

[11] Picard R W. Affective computing[M].Massachusett：The Mit Press，1997.

[12] Patten T， Jacobs P. Natural-language proce-ssing[J].IEEE Expert，1994，9（1）：35.

[13] Kang Xin， Ren Fuji， Wu Yunong. Exploring La-tent Semantic Information for Textual Emo-tion Recognition in Blog Articles[J].EEE/CAA"Journal of Automatica Sinica，2018，5（1）：204-216.

[14] 邱錫鵬.神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)[M].北京：機(jī)械工業(yè)出版社，2020：113-160.

[15] Vaswani A， Shazeer N， Parmar N， et al. Attention"is all you need[J].Advances in neural infor-mation processing systems，2017，30：5998-6008.

[16] Devlin J， Chang M W， Lee K， et al. Bert： Pre-training of deep bidirectional transformers for language understanding[J].arXiv preprint arXiv：1810.04805， 2018.

[17] Blei D M， Ng A Y， Jordan M I. Latent dirichlet allocation[J].Journal of machine Learning"research，2001，3（1）：993-1022.

*項(xiàng)目來源：“大學(xué)生碎片化學(xué)習(xí)現(xiàn)狀與對策研究——以高校課程《現(xiàn)代教育技術(shù)應(yīng)用》為例”（2018-R-66888）；“電子商務(wù)虛擬仿真綜合實(shí)訓(xùn)平臺建設(shè)研究”（2019-R-77783）。

作者：王梨清，南通大學(xué)信息化中心，實(shí)驗(yàn)師，研究方向?yàn)榻逃畔⒒?、教育管理?26019）。