教育大數(shù)據(jù)背景下融入情感分析的生成性學(xué)習(xí)路徑推送策略研究

摘"要：隨著教育大數(shù)據(jù)時(shí)代的到來(lái)，學(xué)習(xí)路徑推送作為教育大數(shù)據(jù)助力個(gè)性化學(xué)習(xí)的重要內(nèi)容，引起研究人員的廣泛關(guān)注?，F(xiàn)有研究普遍存在情感缺失和學(xué)習(xí)迷航等問(wèn)題，主要原因是學(xué)習(xí)路徑推送的理論與應(yīng)用尚未滿足學(xué)習(xí)者的個(gè)性化需求。為此，將個(gè)性化學(xué)習(xí)理念融入在線教育，從教育學(xué)、信息科學(xué)、人工智能、心理學(xué)等多學(xué)科、跨學(xué)科視角出發(fā)，綜合定性、定量、結(jié)構(gòu)化系統(tǒng)開(kāi)發(fā)等多種研究方法，著力探討教育大數(shù)據(jù)背景下融入情感分析的生成性學(xué)習(xí)路徑推送策略。在情感詞典和情境知識(shí)庫(kù)的基礎(chǔ)上，建立學(xué)習(xí)者情感挖掘模型，并對(duì)影響學(xué)習(xí)者情感狀態(tài)的情境要素進(jìn)行歸因分析，根據(jù)學(xué)習(xí)者的學(xué)習(xí)過(guò)程和情感狀態(tài)建立學(xué)習(xí)畫(huà)像，生成性地推送個(gè)性化的學(xué)習(xí)路徑。通過(guò)研究，建立融入情感分析的個(gè)性化學(xué)習(xí)路徑推送策略，緩解目前個(gè)性化學(xué)習(xí)服務(wù)與學(xué)習(xí)者深層次需求之間的矛盾，豐富教育信息技術(shù)領(lǐng)域的理論體系和方法體系，推進(jìn)智慧教育建設(shè)。關(guān)鍵詞：教育大數(shù)據(jù)；在線教育；學(xué)習(xí)路徑；學(xué)習(xí)畫(huà)像0"引言隨著信息技術(shù)與教育的深度融合，在線教育大規(guī)模興起。然而，隨著應(yīng)用的深入，在線教育面臨兩大挑戰(zhàn)：一方面，師生在時(shí)空上大多處于分離狀態(tài)，難以感受對(duì)方的情感，普遍存在情感缺失問(wèn)題；另一方面，由于缺少教師的干預(yù)和指導(dǎo)，學(xué)習(xí)者很難找到滿足自身需求的學(xué)習(xí)路徑，常常面臨“選擇學(xué)什么”“接下來(lái)學(xué)什么”等問(wèn)題。為了解決上述問(wèn)題，本文將個(gè)性化學(xué)習(xí)理念融入在線教育，根據(jù)學(xué)習(xí)者的學(xué)習(xí)過(guò)程和情感狀態(tài)精準(zhǔn)地推送個(gè)性化的學(xué)習(xí)路徑，提供針對(duì)性的學(xué)習(xí)內(nèi)容和學(xué)習(xí)方法。1"研究現(xiàn)狀目前，不少研究成果與學(xué)習(xí)路徑推送有關(guān)，典型代表如下。YUDELOSNM等[1]利用模糊神經(jīng)網(wǎng)絡(luò)，通過(guò)判斷學(xué)習(xí)者的知識(shí)水平、動(dòng)機(jī)、態(tài)度、興趣偏好，進(jìn)行學(xué)習(xí)內(nèi)容推送和學(xué)習(xí)路徑定制。VANITHAV等[2]將蟻群優(yōu)化和遺傳算法相結(jié)合，提出一種協(xié)同優(yōu)化算法，為學(xué)習(xí)者提供個(gè)性化的學(xué)習(xí)路徑。ZHUHai-ping等[3]在知識(shí)地圖的基礎(chǔ)上，提出一種多約束學(xué)習(xí)路徑推送算法。由于該算法沒(méi)有考慮學(xué)習(xí)者對(duì)推送結(jié)果的反饋信息，因而推送效果有待于進(jìn)一步檢驗(yàn)。鑒于學(xué)習(xí)者學(xué)習(xí)完成度不高，NABIZADEHAH等[4]根據(jù)學(xué)習(xí)者的學(xué)習(xí)時(shí)間和背景知識(shí)，引入深度優(yōu)先算法推送學(xué)習(xí)路徑。為了提高推送的適應(yīng)性和多樣性，WANShanshan等[5]引入自組織理論，將學(xué)習(xí)目標(biāo)導(dǎo)向的推送機(jī)制引入以學(xué)習(xí)者為中心的推送系統(tǒng)。上述算法在一定程度上解決了學(xué)習(xí)者的學(xué)習(xí)迷途問(wèn)題，提高了學(xué)習(xí)者的學(xué)習(xí)效率，但隨著學(xué)習(xí)行為數(shù)據(jù)規(guī)模的增大，這些算法往往面臨計(jì)算效率低的問(wèn)題，這在一定程度上影響了推送的實(shí)效性和準(zhǔn)確性。隨著人工智能技術(shù)的發(fā)展，特別是深度學(xué)習(xí)模型的涌現(xiàn)，研究人員開(kāi)始關(guān)注基于深度學(xué)習(xí)模型的學(xué)習(xí)路徑推送研究。ZHOUYuwen等[6]基于學(xué)習(xí)者特征的相似性，在對(duì)學(xué)習(xí)者特征聚類(lèi)的基礎(chǔ)上，利用長(zhǎng)短期記憶網(wǎng)絡(luò)預(yù)測(cè)其學(xué)習(xí)路徑和學(xué)習(xí)效果。姜強(qiáng)等[7]采用基于規(guī)則的方法、貝葉斯網(wǎng)絡(luò)等挖掘?qū)W習(xí)行為數(shù)據(jù)生成個(gè)性化學(xué)習(xí)路徑。申云鳳[8]在尊重學(xué)習(xí)用戶個(gè)體化差異前提下，將協(xié)同過(guò)濾算法和蟻群算法相結(jié)合進(jìn)行個(gè)性化學(xué)習(xí)路徑推送，有效規(guī)避了協(xié)同過(guò)濾算法面臨的馬太效應(yīng)問(wèn)題。楊淼等[9]結(jié)合大數(shù)據(jù)背景下個(gè)性化學(xué)習(xí)的特征，建立學(xué)習(xí)者模型，利用數(shù)據(jù)挖掘技術(shù)深入分析學(xué)習(xí)者的學(xué)習(xí)行為以及知識(shí)之間的關(guān)系，設(shè)計(jì)個(gè)性化學(xué)習(xí)路徑推送的具體方案。牟智佳等[10]將慕課案例中的學(xué)習(xí)者行為數(shù)據(jù)與學(xué)習(xí)者特征進(jìn)行耦合，構(gòu)建學(xué)習(xí)者學(xué)習(xí)畫(huà)像特征模型，并在此基礎(chǔ)上使用多種算法完成學(xué)習(xí)畫(huà)像與個(gè)性化學(xué)習(xí)路徑的擬合，進(jìn)而實(shí)現(xiàn)學(xué)習(xí)路徑的生成與推送。楊林等[11]通過(guò)對(duì)學(xué)習(xí)過(guò)程中的海量數(shù)據(jù)進(jìn)行概念相關(guān)性分析，借助相關(guān)概念連接的復(fù)雜網(wǎng)絡(luò)表示不同領(lǐng)域知識(shí)，提出一種基于知識(shí)概念網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的優(yōu)化學(xué)習(xí)路徑方法。唐燁偉等[12]基于學(xué)習(xí)者的基本屬性、學(xué)習(xí)過(guò)程和學(xué)習(xí)結(jié)果數(shù)據(jù)對(duì)學(xué)習(xí)者畫(huà)像進(jìn)行建模，并在此基礎(chǔ)上規(guī)劃個(gè)性化的學(xué)習(xí)路徑。通過(guò)比較不同的學(xué)習(xí)路徑推送研究可以發(fā)現(xiàn)：一些學(xué)者以學(xué)習(xí)者為研究對(duì)象，將學(xué)習(xí)者的個(gè)人特質(zhì)和行為數(shù)據(jù)、學(xué)習(xí)過(guò)程數(shù)據(jù)作為研究學(xué)習(xí)路徑推送的切入點(diǎn)，體現(xiàn)了“以學(xué)習(xí)者為中心”的思想。有的研究側(cè)重于使用智能優(yōu)化算法，對(duì)學(xué)習(xí)者的學(xué)習(xí)方式、學(xué)習(xí)風(fēng)格、知識(shí)水平等進(jìn)行分析并應(yīng)用于學(xué)習(xí)路徑推送；有的研究則側(cè)重于利用數(shù)據(jù)挖掘和學(xué)習(xí)分析等技術(shù)分析學(xué)習(xí)者的個(gè)性特征，并基于此研究學(xué)習(xí)路徑推送問(wèn)題?？傮w來(lái)看，學(xué)習(xí)路徑推送研究不斷深入，相關(guān)研究成果不斷涌現(xiàn)，但由于受到研究理念和技術(shù)實(shí)現(xiàn)等方面的局限，大多數(shù)方法根據(jù)學(xué)習(xí)者的學(xué)習(xí)行為來(lái)推送課程資源，無(wú)法滿足學(xué)習(xí)者的學(xué)習(xí)需求；與此同時(shí)，學(xué)習(xí)者的學(xué)習(xí)能力和學(xué)習(xí)水平是動(dòng)態(tài)變化的，一次性推送學(xué)習(xí)路徑難以保證推送的精準(zhǔn)性；此外，推送結(jié)果沒(méi)有考慮學(xué)習(xí)者在學(xué)習(xí)過(guò)程中的情感變化，無(wú)法保證學(xué)習(xí)效果。由此可見(jiàn)，學(xué)習(xí)路徑推送的理論與應(yīng)用沒(méi)有完全滿足學(xué)習(xí)者的需求，沒(méi)有充分發(fā)揮其在在線教育中的優(yōu)勢(shì)。隨著教育大數(shù)據(jù)時(shí)代的到來(lái)，學(xué)習(xí)路徑推送面臨新的挑戰(zhàn)：如何利用海量的學(xué)習(xí)者行為數(shù)據(jù)，構(gòu)建具有精準(zhǔn)刻畫(huà)能力的學(xué)習(xí)者情感模型，并以此為基礎(chǔ)形成個(gè)性化的學(xué)習(xí)路徑推送策略？這一問(wèn)題成為研究人員關(guān)注的熱點(diǎn)問(wèn)題之一，也正是本文的選題依據(jù)。2"研究框架本文以謀刻網(wǎng)在線教育平臺(tái)（目前已關(guān)閉）為研究對(duì)象，針對(duì)學(xué)習(xí)者面臨的情感缺失、學(xué)習(xí)迷航等問(wèn)題，著重研究教育大數(shù)據(jù)環(huán)境下融入情感分析的生成性學(xué)習(xí)路徑推送策略，以期在一定程度上解決個(gè)性化學(xué)習(xí)問(wèn)題，進(jìn)而提高學(xué)習(xí)者在線學(xué)習(xí)效率。研究框架如圖1所示，主要由學(xué)習(xí)過(guò)程監(jiān)控、學(xué)習(xí)者情感挖掘、情感歸因分析和學(xué)習(xí)路徑推送等部分組成：學(xué)習(xí)過(guò)程監(jiān)控提取與學(xué)習(xí)者情感密切相關(guān)的情境要素；學(xué)習(xí)者情感挖掘動(dòng)態(tài)地獲取學(xué)習(xí)者在不同時(shí)間的情感狀態(tài)；情感歸因分析用于分析影響學(xué)習(xí)者情感狀態(tài)的情境要素；學(xué)習(xí)路徑推送根據(jù)學(xué)習(xí)者的學(xué)習(xí)畫(huà)像向?qū)W習(xí)者推送符合其個(gè)性特征的學(xué)習(xí)路徑。2.1"學(xué)習(xí)者情感挖掘從謀刻網(wǎng)采集與學(xué)習(xí)者交互行為有關(guān)的情感數(shù)據(jù)，提取其中包含的情感特征詞，構(gòu)建在線教育領(lǐng)域的情感詞典，在此基礎(chǔ)上建立隨情感動(dòng)態(tài)變化的情境知識(shí)庫(kù)和情感分析模型。2.2"學(xué)習(xí)過(guò)程監(jiān)控通過(guò)實(shí)時(shí)監(jiān)控謀刻網(wǎng)上的學(xué)習(xí)行為數(shù)據(jù)，根據(jù)學(xué)習(xí)者個(gè)人特質(zhì)，提取與學(xué)習(xí)者情感密切相關(guān)的情境要素，并將其在情境知識(shí)庫(kù)中分類(lèi)歸檔。情境知識(shí)庫(kù)隨學(xué)習(xí)者情感狀態(tài)的變化而更新，實(shí)時(shí)反映學(xué)習(xí)者最新的學(xué)習(xí)情境。2.3"情感歸因分析在量化表征學(xué)習(xí)者情感狀態(tài)和相應(yīng)情境要素的基礎(chǔ)上建立情感歸因分析模型，用以發(fā)現(xiàn)學(xué)習(xí)者情感與情境要素之間的因果關(guān)系以及影響程度，以便找出具有重要影響的情境要素。2.4"學(xué)習(xí)路徑推送從學(xué)習(xí)內(nèi)容、學(xué)習(xí)活動(dòng)、學(xué)習(xí)效果和學(xué)習(xí)情感四方面構(gòu)建學(xué)習(xí)畫(huà)像，根據(jù)學(xué)習(xí)者當(dāng)前學(xué)習(xí)狀態(tài)以及與之相關(guān)的其他學(xué)習(xí)者的學(xué)習(xí)情境，生成性地為學(xué)習(xí)者推送個(gè)性化的學(xué)習(xí)路徑。3"研究過(guò)程3.1"情感詞典和情境知識(shí)庫(kù)的構(gòu)建情感詞典和情境知識(shí)庫(kù)是學(xué)習(xí)者情感挖掘的主要依據(jù)。構(gòu)建情感詞典的思路是：首先，采集學(xué)習(xí)者學(xué)習(xí)行為數(shù)據(jù)并從中發(fā)現(xiàn)學(xué)習(xí)者情感數(shù)據(jù)；其次，借助知網(wǎng)情感詞典，并結(jié)合教育技術(shù)、在線教育領(lǐng)域詞匯，經(jīng)去重、人工過(guò)濾等操作，形成情感詞典。情境知識(shí)庫(kù)完整地記錄學(xué)習(xí)者在學(xué)習(xí)過(guò)程中的情感變化情況，是情感歸因分析、學(xué)習(xí)路徑推送的重要依據(jù)。構(gòu)建情境知識(shí)庫(kù)的思路是：首先，根據(jù)人格特質(zhì)理論，從神經(jīng)質(zhì)和內(nèi)外傾角度，將學(xué)習(xí)者分為低神經(jīng)質(zhì)外傾、高神經(jīng)質(zhì)內(nèi)傾、低神經(jīng)質(zhì)內(nèi)傾、高神經(jīng)質(zhì)外傾等四類(lèi)（其中，神經(jīng)質(zhì)反映的是學(xué)習(xí)者傾向的穩(wěn)定性，內(nèi)外傾反映的是學(xué)習(xí)者情緒的外在表現(xiàn)）；其次，根據(jù)上述四類(lèi)特征，將隨情感變化的情境要素存儲(chǔ)于情境知識(shí)庫(kù)，并將學(xué)習(xí)者在學(xué)習(xí)過(guò)程中的情感變化動(dòng)態(tài)反映在情境知識(shí)庫(kù)，確保情境知識(shí)庫(kù)的實(shí)時(shí)性和完整性。3.2"學(xué)習(xí)者情感挖掘與歸因分析鑒于長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM，LongShort-Term"Memory）模型擅長(zhǎng)快速學(xué)習(xí)和識(shí)別具有時(shí)序性特征的數(shù)據(jù)，利用該模型對(duì)學(xué)習(xí)者在學(xué)習(xí)過(guò)程中的情感變化進(jìn)行建模。首先，對(duì)采集到的學(xué)習(xí)者相關(guān)文本數(shù)據(jù)（如評(píng)論文本、交互文本、學(xué)習(xí)日志等）進(jìn)行預(yù)處理，經(jīng)向量化表示后得到情感特征向量；其次，將上述特征向量輸入LSTM模型，根據(jù)Softmax函數(shù)分類(lèi)結(jié)果，得到輸入特征向量的情感傾向?？紤]到學(xué)習(xí)者的情感狀態(tài)與情境要素密切相關(guān)，因此建立反映情感狀態(tài)與情境要素之間關(guān)系的映射模型：SP=αPPP⊕αTTP⊕αWWP⊕αLLP⊕αRRP⊕αEEP其中⊕為相關(guān)性運(yùn)算符，SP表示學(xué)習(xí)者的情感狀態(tài)，PP、TP、WP、LP、RP、EP分別表示學(xué)習(xí)者的個(gè)人特質(zhì)、學(xué)習(xí)主題、學(xué)習(xí)方式、知識(shí)水平、學(xué)習(xí)效果和學(xué)習(xí)期望值，αP、αT、αW、αL、αR、αE表示情境要素的重要程度。在對(duì)情境要素量化表示的基礎(chǔ)上，建立三層貝葉斯網(wǎng)絡(luò)，以找出影響學(xué)習(xí)者情感的情境因素。頂層變量由學(xué)習(xí)者的個(gè)人特質(zhì)組成，其原因是個(gè)人特質(zhì)不受其他變量影響；中層變量由學(xué)習(xí)主題、學(xué)習(xí)方式、知識(shí)水平、學(xué)習(xí)效果和學(xué)習(xí)期望值組成，其原因是這些因素受個(gè)人特質(zhì)影響；底層變量由學(xué)習(xí)者情感狀態(tài)組成，其原因是該因素受上述所有因素影響。利用多元回歸模型分析情境要素對(duì)情感狀態(tài)的影響程度，建立表示情感狀態(tài)與情境要素之間因果關(guān)系的回歸模型：S=β1y1+β2y2+…+βkyk，k∈[1，6]其中，S表示情感狀態(tài)，yk表示三層貝葉斯網(wǎng)絡(luò)選出的情境要素，βk表示情境要素的重要程度。經(jīng)過(guò)多次訓(xùn)練，可得到模型中的βk值。利用三層貝葉斯網(wǎng)絡(luò)與多元回歸模型即可得到與當(dāng)前學(xué)習(xí)者情感狀態(tài)相關(guān)的情境要素及其影響程度。3.3"融入情感的學(xué)習(xí)畫(huà)像建模融入情感的學(xué)習(xí)畫(huà)像模型用以刻畫(huà)學(xué)習(xí)者的學(xué)習(xí)過(guò)程和情感狀態(tài)。該模型由學(xué)習(xí)元序列組成。學(xué)習(xí)元由學(xué)習(xí)內(nèi)容、學(xué)習(xí)活動(dòng)、學(xué)習(xí)情感和學(xué)習(xí)效果四部分組成，如圖2所示。學(xué)習(xí)內(nèi)容由學(xué)材、習(xí)材、創(chuàng)材組成：學(xué)材提供學(xué)習(xí)內(nèi)容，主要包括各類(lèi)多媒體學(xué)習(xí)資源；習(xí)材用于夯實(shí)和內(nèi)化學(xué)習(xí)內(nèi)容，主要包括工具箱、習(xí)題集等；創(chuàng)材用于應(yīng)用和深化學(xué)習(xí)內(nèi)容，主要包括案例、虛擬實(shí)驗(yàn)等。學(xué)習(xí)活動(dòng)分為活動(dòng)、行為、操作三個(gè)層次：活動(dòng)是指為了達(dá)到學(xué)習(xí)目標(biāo)而采取的學(xué)習(xí)行為；操作是學(xué)習(xí)活動(dòng)的最小單元，直接作用于學(xué)習(xí)內(nèi)容；行為是與學(xué)習(xí)目標(biāo)相關(guān)的操作關(guān)聯(lián)起來(lái)構(gòu)成的學(xué)習(xí)行為。一個(gè)學(xué)習(xí)活動(dòng)可以看作一個(gè)學(xué)習(xí)行為序列。學(xué)習(xí)情感表征學(xué)習(xí)者在學(xué)習(xí)過(guò)程中的情感狀態(tài)，包括積極、中性、消極等情感。學(xué)習(xí)效果表明學(xué)習(xí)者完成一個(gè)學(xué)習(xí)活動(dòng)后對(duì)學(xué)習(xí)成果測(cè)量的結(jié)果。測(cè)量指標(biāo)用流暢度表示，流暢度利用學(xué)習(xí)者測(cè)試的準(zhǔn)確度和速度來(lái)體現(xiàn)學(xué)習(xí)者的學(xué)習(xí)效果。3.4"學(xué)習(xí)路徑推送策略充分考慮學(xué)習(xí)畫(huà)像的差異，采用不同的匹配策略，進(jìn)而生成性地形成面向?qū)W習(xí)畫(huà)像的學(xué)習(xí)路徑。所謂生成性推送策略，與傳統(tǒng)的學(xué)習(xí)路徑推送策略存在顯著差異，它不是一次性生成學(xué)習(xí)路徑，而是根據(jù)學(xué)習(xí)者的學(xué)習(xí)畫(huà)像，先推送一個(gè)學(xué)習(xí)元，再根據(jù)學(xué)習(xí)者的后續(xù)學(xué)習(xí)情況，更新其學(xué)習(xí)畫(huà)像，再據(jù)此推送下一個(gè)學(xué)習(xí)元，直至最終生成完整的學(xué)習(xí)路徑。具體流程：首先，根據(jù)學(xué)習(xí)者的學(xué)習(xí)過(guò)程和情感狀態(tài)，采用合適的匹配策略，向其推送學(xué)習(xí)元列表；其次，學(xué)習(xí)者從中選擇一個(gè)適合的學(xué)習(xí)元作為學(xué)習(xí)對(duì)象；最后，全程監(jiān)控學(xué)習(xí)者的學(xué)習(xí)過(guò)程，形成學(xué)習(xí)者的學(xué)習(xí)畫(huà)像。學(xué)習(xí)畫(huà)像的形成是一個(gè)不斷迭代的過(guò)程，其中最關(guān)鍵的是學(xué)習(xí)畫(huà)像匹配策略。本文將學(xué)習(xí)者分為三類(lèi)，并基于此給出匹配策略：第一類(lèi)學(xué)習(xí)者的歷史學(xué)習(xí)數(shù)據(jù)很少，無(wú)法直接推送學(xué)習(xí)元，故借鑒協(xié)同推薦思想，將與其學(xué)習(xí)內(nèi)容類(lèi)似的優(yōu)秀學(xué)習(xí)者的學(xué)習(xí)元作為推送對(duì)象；第二類(lèi)學(xué)習(xí)者的歷史學(xué)習(xí)數(shù)據(jù)有一些，但不多，將與其學(xué)習(xí)元最為相似的優(yōu)秀學(xué)習(xí)者的下一個(gè)學(xué)習(xí)元作為推送對(duì)象；第三類(lèi)學(xué)習(xí)者的歷史學(xué)習(xí)數(shù)據(jù)規(guī)模較大，將與其前序?qū)W習(xí)元序列較為相似的學(xué)習(xí)者的下一個(gè)學(xué)習(xí)元作為推送對(duì)象。根據(jù)完成學(xué)習(xí)活動(dòng)后的學(xué)習(xí)效果確定優(yōu)秀學(xué)習(xí)者。值得關(guān)注的是，學(xué)習(xí)者的人格特質(zhì)會(huì)影響在線學(xué)習(xí)的情感狀態(tài)，因此，在學(xué)習(xí)元推送時(shí)，學(xué)習(xí)者和優(yōu)秀學(xué)習(xí)者之間需要滿足人格特質(zhì)和情感狀態(tài)的互補(bǔ)性。4"結(jié)束語(yǔ)近年來(lái)，隨著信息技術(shù)的普及，在線教育逐漸成為人們接受教育