學習云空間中基于情感分析的學習推薦研究

黃昌勤 俞建慧 王希哲

摘要：在“三通兩平臺”建設背景下，云空間以泛在的資源供給和便捷的交互支持特性，為學習者提供了一個高效、可定制的互聯學習空間環境——學習云空間。正如其他在線學習平臺一樣，“情感缺失”一直是制約學習云空間中學習效率提升的一個重要瓶頸。該文聚焦學習云空間中學習者情感的獲取與應用，提出了一個基于空間交互文本大數據的情感分析方法及其學習推薦機制。首先，利用時序特征數據適應性的LSTM網絡構建學習者情感分析模型，并設計了一個可實時動態分析情感的執行算法。然后利用貝葉斯網絡進行情感歸因分析，建立情感驅動下的學習推薦機制與策略，并在已有學習云空間平臺中實現了基于上述理論成果的學習推薦功能系統。最后進行效果驗證，該系統可以分析學習者的情感并為其推薦學習支持服務，滿足其基于網絡空間的個性化知識建構需求。

關鍵詞：交互文本大數據；學習情感分析；LSTM神經網絡；情感歸因；學習推薦

教育信息化是國家信息化的重要組成部分，教育信息化的發展，帶來了教學形式和學習方式的重大改革，對傳統教育產生了巨大的沖擊，直接推動了教育的現代化。學習云空間建設是借助網絡新技術促進學習型社會形成、提升教育教學效果的重要信息化舉措，是國家教育信息化“十三五”發展規劃中“三通兩平臺”的核心內容，它是基于開放式的云計算架構，以教師、學生為共建共享的主體，能最大限度的匯聚與共享教學相關信息、資源和服務，為用戶提供一站式交互學習的網絡互聯虛擬實體。隨著國家各級部門對“三通兩平臺”政策的高度重視，網絡學習空間的建設實現了快速發展與廣泛應用，主要集中在網絡學習空間的內涵與演化、建設框架等理論研究以及教學策略、學校教育發展研究等實踐層面。

以學習者個人訴求為核心，基于網絡互聯最大化滿足學習者的特性需求，學習云空間為學習者呈現了自由選擇、高度定制的空間化功能配置的場所，提供了便捷交互（人機、人與資源交互）與協作支持服務，以最大化支持學習者的自主知識建構。但正如其他網絡學習平臺一樣，缺少Face-to-Face的交互，因此學習過程中的“情感缺失”成為了一種必然。同時，作為新課程的三維目標之一，情感態度價值觀已成為了解學習者狀態與衡量其發展程度的重要環節。大數據技術的出現，給眾多復雜的特征選擇與知識識別問題帶來了新的機遇，在網絡交互學習過程中動態產生的海量文本數據，不僅是學習者情感的典型物理載體和情感直接傳遞者，同是也是具有4V特征的文本大數據。鑒于LSTMfLong Short Term Memory）神經網絡是一種能快速深度學習與識別具有時序性特征數據的大數據技術，能較好滿足情感文本數據實時追蹤與分析的需要，它為文本情感快速分析帶來一種新的思路。而基于貝葉斯網絡與多元回歸的因果分析方法可以發現學習者情感與學習情境之間的因果關系，為個性化的學習推薦提供理論依據。

基于以上所述，本文聚焦學習云空間中學習者情感的獲取與應用，擬將運用LSTM神經網絡處理云空間交互文本數據，以此建立學習者情感分析模型，并進行學習情感歸因分析，最后基于情感歸因結果指導個性化學習推薦服務，提升云空間學習效果。

一、面向學習云空間的學習者情感分析及其歸因機制

網絡空間中學習情感的彌補離不開學習者情感的分析。情感分析一直是計算機科學與技術、自然語言處理、認知心理學等方面的研究熱點問題。就其分析對象而言，包括文本、音頻、視頻及其混合媒體等。在現有學習云空間中，學習活動多以同步或異步的交互文本為主要載體。因此，基于文本的學習者情感分析是本文研究的重點。鑒于以上考慮，本文利用LSTM神經網絡可以動態分析學習者情感變化的優勢，首先構建了基于LSTM的學習者情感分析模型，然后對云空間中的交互數據等進行采集與預處理，最后進行情感分析及其歸因機制的設計，各環節具體過程如下。

（一）基于LSTM的學習者情感分析模型

美國人本主義心理學家羅杰斯認為，人類的認知活動伴隨著一定的情感因素，說明人的情感不是孤立存在的，它的產生必與當前所處環境與認知活動密切相關，學習情感也不例外?？紤]到云空間中學習者在學習過程中產生的情境信息主要以文本形式呈現，因此本文提出了基于LSTM的學習者情感分析模型以實現情感狀態的識別，如圖1所示。該模型包括數據獲取模塊、數據預處理模塊以及情感分析模塊。數據獲取模塊負責獲取學習云空間中學習者的交互或評論文本、表情符號、學習者個人信息、Web日志等數據；數據預處理模塊通過對數據清洗、分詞處理、詞性標注、停用詞處理等步驟完成對數據的預處理；情感分析模塊主要對預處理之后的文本數據進行基于LSTM的情感分析并獲得影響學習者情感的情境要素。另外考慮到學習者的情感變化是一個多因素有機結合、相互作用的過程，故將學習者在進行知識的主動建構過程中與情感產生直接關聯的因素，如學習者個人特質、學習主題、學習方式、知識水平、學習效果、學習期望值等作為影響學習者情感的關鍵情境要素。

（二）學習云空間中數據的采集與預處理

學習云空間提供的便捷式交互特性，使得學習者在交互過程中積累了海量可用于情感分析的交互文本數據。主要分為兩大類：對于年齡、姓名、背景知識等學習者個人特質信息，由學習者個體在系統注冊過程中填寫并記錄在數據庫中；此外，通過采集學習者在自主學習過程中的空間使用記錄與Web行為日志等過程性數據，可從中提取該學習者的各項學習情境信息。在獲取上述信息后，由于面向全過程的數據記錄導致采集的各類數據中含有部分噪音數據（Html標簽、停用詞等），若不進行數據清潔操作極有可能影響后續的學習者情感分析效果。因此，針對交互文本數據特征，本研究主要通過分詞處理、詞性標注、去停用詞、表情符號轉化等步驟，實現數據的預處理，為后續的分析提供高可用的數據支持。

（三）面向學習云空間的學習者情感分析及其歸因機制

1.數據的特征提取

為確保LSTM情分析技術可用于學習者情感狀態的智能分析，需對預處理后的交互文本數據進行特征提取，即提取最具代表性的文本特征詞來描述文本。作為應用最為廣泛的特征抽取方法之一，TF-IDF在多個領域取得了較好的應用效果。因此，本文利用TF-IDF方法提取與學習者情感有關的學習情境特征詞。首先使用向量空間模型（VectorSpace Model）將預處理后的文本轉化為特征空間向量，然后選擇文本中的主題或情感特征詞并計算相應的權值。計算公式如公式（1）所示。

其中，tf_ij表示特征項在t_i文本d_i中出現的頻次，D為文本總數，df（t_i）表示包含特征項的文本數，當特征在文本中出現的次數越多時，表明該特征越能代替文本。

2.情感詞典及其情境知識庫的構建

詞語的情感傾向分析是文本情感分析的基礎工作，其主要通過挑選出目標文本中能夠體現情感傾向的詞語，根據詞語褒貶極性與強度構建情感詞典，以此作為情感分析的主要依據。為實現學習者情感的分析，本文面向云空間中的交互文本大數據，在整合知網情感詞典、知網評價詞典等詞典的基礎上，經過去重、人工篩選過濾等步驟，加入在線學習領域的行業詞匯，完成情感詞典的構建。

另一方面，學習云空間中學習者的情感變化會持續在整個習交互過程中，為了能夠有效利用隨情感動態變化的學習情境信息，并為后續情感歸因的分析與推薦提供支持，構建能將交互過程中的情感變化全過程記錄下來的情境知識庫成為接下來的重點。本文首先以艾森克的人格特質理論為基礎，將學習者聚類為四類，分別為低神經質外傾、高神經質內傾、低神經質內傾、高神經質外傾。其中，神經質表示個體隋緒穩定性的一種人格特質，內外傾表示個體情緒樂觀與悲觀等外在表現。然后，根據不同類型的個人特貫將隨情感動態變化的情境要素存儲在情境知識庫中，并在每次分析學習者當前情感狀態時，動態更新情緒知識庫中相應的情境要素，以確保數據的完整性。最后，在情感歸因分析與推薦機制設計過程中，將已構建的情境知識庫作為重要依據用于歸因分析與推薦柳制設計。

3.基于LSTM的情感分析過程及其算法設計

為了具體實現面向學習推薦的情感分析，須依托學習空間內的學習行為，正如前文所述，其最直接的基礎即是學習行為的過程記錄，本文擬基于LSIM的學習者隋感分析模型進行過程記錄分析。具體思想如下：首先收集學習云空間中學習者交互或評論文本以及web學習日志，進行數據預處理后得到情感特征向量；然后將其輸入到LSIM神經網絡，并利用saftmax分類器對輸出的特征進行情感分類；最終得到學習者的情感類別標簽。以下是基于LSTM的情感分析算法設計。

4.學習情感的歸因機制

上述基于LSTM的情感分析模型已可以較好的獲知學習者在學習交互過程中的真實情感狀況，若能借此找出導致學習者情感狀況的原因，將有效實現為學習者針對性的學習服務與指導推薦。因此，面向學習情感的歸因分析成為本研究下一個必然。但LSTM本身為黑盒模型，且輸人為整體交互文本數據，以其自身難以實現情感的歸因，而貝葉斯網絡與多元回歸分析能夠描述多個變量間因果關系，在已知結果的情況下可有效實現原因的挖掘。因此，本文采用了基于貝葉斯網絡的建模方法，根據已構建的情境知識庫找出影響學習者情感的各個因素，然后通過多元回歸分析實現各因素的影響度判別，其歸因機制的詳細闡述如下。

（1）情感狀態相關因素選擇

考慮云空間中學習者的情感構成必然是由多個情境要素引起，根據系統與實際情況的調研，本研究選取了在學習云空間環境中影響學習情感表達的因素，定義符號為相關性運算符。相關計算公式如公式（2）所示。

其中，P_pT_p、W_p、L_p、R_p、E_p分別指學習者的個人特質、學習主題、學習方式、知識水平、學習效果、學習期望值，指學習者的情感狀態，學習者的個人特質一般是穩定不變的，故采取P_p表示。a、β、y、μ、0、o分別代表個人特質、學習主題、學習方式、知識水平、學習效果、學習期望值各自的權重。下文將針對以上因素進行貝葉斯網絡與多元回歸分析，以此確定上述指標的因果聯系及其影響程度。

（2）數據量化

在確定了可能的影響因素后，情感歸因分析接著要解決的問題就是能夠正確量化表示空間交互文本數據，以便后續貝葉斯網絡與多元回歸的計算。為了研究的方便與操作的可行性，對情感歸因分析中涉及到的變量依次進行如下的概述與量化。

依據前文中提及的艾森克的人格特質理論，根據文獻研究結論，從人格特質對學習判斷的影響程度，由低到高從“高神經質內傾”“低神經質內傾”“高神經質外傾”“低神經質外傾”四個層次構建人格特質編碼模型P_p={P₁，P₂，P₃，P₄}={1，2，3，4}。

利用TF-IDF方法提取歷史學習主題特征詞，將學習主題進行聚類分析形成主題集合，并將各聚類主題與最終主題進行相似性匹配，按相似度從低到高進行編碼建模。此外，為便于計算表達并考慮實際情況，本研究將主題個數n限制在100以內，以此形成學習主題量化表達T_p={T₁T₂，…T_n}={1，2，…n}n∈（0，100]。

（一）基于學習者情感分析模型的學習推薦機制

在獲得學習者的情感及其影響因素后，針對學習者當前的情感狀態并根據其自身個體以及周邊群體情境，為其提供適合的學習推薦成為進一步的研究重點。因此，本文按照學習者在云空間中情感變化及其后續應有的舉措，設計了如圖4所示的情感歸因支持下的個性化學習推薦機制。

1.學習者情感分析模塊

在基于情感的學習推薦中，情感分析是一個必不可少的環節，該模塊首先采集學習云空間中與學習者交互行為有關的情感數據，并進行分詞處理、詞性標注等預處理步驟。然后提取其中包含的情感特征詞，構建在線學習領域的情感詞典。同時，利用數據庫技術建立隨情感動態變化的學習情境知識庫。最后利用具有時序性特征的LSTM情感分析模型，動態獲取學習者在不同時間內的情感狀態，即積極情感、中性情感、消極情感。

2.學習過程監控模塊

學習過程監控模塊通過實時監控學習云空間的學習行為數據，根據已聚類的四種學習者個體特質，提取與學習者情感密切相關的學習情境要素，如學習主題、學習方式、知識水平、學習效果、學習期望值等，分類將其歸檔在已構建的學習情境知識庫中。在此過程中，每分析一次學習者當前的情感狀態，需在情境知識庫對應更新，以便于獲取學習者最新的學習情境信息，提高對學習者學習過程監控的精確性，為推薦合適的學習策略提供更有效的保障。

3.情感歸因模塊

結合以上兩個模塊獲得的學習者的情感狀態以及相應的情境要素，輸入情感歸因模塊進行歸因分析。首先量化表征獲取到的情感以及情境數據，然后通過基本的三層貝葉斯網絡結構發現學習者情感與各學習情境間的因果關系，最終基于多元回歸分析獲取各變量的因果關系影響程度，以此找出最重要的影響因素。情感歸因的結果將為下一模塊中對學習者進行個性化的學習推薦提供指導依據。

4.學習推薦模塊

在獲取影響學習者情感的歸因結果后，結合該學習者的當前學習狀況以及與之相關的其他學習者的相似情境，設計相應的學習推薦機制，即在學習云空間中學習推薦策略的具體實施過程中，根據學習者的情感狀態及時調整情境知識庫，為之提供符合其情感需求的學習情境。通過文獻與實際應用情境調研，各類學習推薦服務將以學習者當前的不同情感狀態作為觸發條件，針對對應的各學習情境要素進行推薦，具體如表1所示。

（二）情感驅動下學習云空間中的學習推薦策略

1.基于學習者個人特質的學習同伴推薦策略

基于網絡的在線學習是一種以學習主題為紐帶、以學習者之間的交流協作為主的學習形式，學習同伴在學習交互活動中扮演著重要角色。良好的學習同伴會對彼此產生積極的相互依賴關系。為促進在線學習者學習效果達到最優化，本文提出基于學習者個人特質的學習同伴推薦策略。學習者的個人特質是自身獨有的，一般是穩定不變的，并無任何好壞之分，但是會影響在線學習者的情感狀態。當學習者處于消極情感狀態，其本身屬于低神經質內傾的個人特質時，需為其推薦高神經質外傾特質的學習同伴，促進其產生積極情感的能動效應，共同協作完成當前的學習任務；而當學習者本身屬于高神經質內傾的個人特質時，需為其推薦低神經質外傾的學習同伴，引導其隋感處于穩定適中的狀態，使其聚焦于當前的學習主題快速達成學習目標。

2.目標優先驅動下基于學習主題變更的學習推薦策略

學習主題貫穿于在線學習的全過程，是學習者進行交流的載體，也是與學習者情感發生直接關聯的重要因素之一?；趯W習者當前的學習目標，根據其認知負荷提出目標優先驅動下基于學習主題變更的學習推薦策略。

學習者處于淺層學習的階段，將面臨基礎性的學習需求與低階的學習目標。由于學習者存在接受與內化知識的差異性，并不是所有學習者都可以達成低階學習目標。若學習者當前的情感狀態為消極，可知當前學習主題所需的知識儲備已超出學習者自身的認知負荷。為調動其積極情感，需根據已構建的情境知識庫為其推薦符合其認知負荷的相似學習主題，引導其達成低階學習目標；反之，若學習者情感為積極，說明學習者已達成目標，為滿足其深度學習的需求，為其推薦學習目標相對較高的相似學習主題，引導其向深度學習過渡；若學習者情感狀態為中性，為其推薦能夠轉變其情感狀態的相似學習主題，直至學習者完成當前學習目標。學習主題相似性計算公式如公式（3）所示。

其中，T_i、T_j代表學習主題i.j，sim（T_i，T_j）代表學習主題i與j之間的相似性，當Sim（T_i，T_j）>0時，即可認為這兩個學習主題相似，最終將排名靠前的Top-N個學習主題推薦給學習者。

3.面向學習期望值基于腳手架引導的逐步學習推薦策略

學習期望指學習者對成功完成某項學習任務可能性的估計。當學習期望值與目標高度一致時，即可激發學習者的學習訴求，維持相對穩定的積極情感，并形成可持續的學習動力；當學習期望值過高或過低時，都會導致學習者難以完成目標而產生消極情感。因此，本文根據最近發展區理論提出面向學習期望值基于腳手架引導的逐步學習推薦策略。

通過借鑒張麗霞等人的研究，基于加涅九段教學事件，將在線自主學習概括為指引方向、提供任務、創設情境、提供資源、促進學習發生、引導學習評價六個過程。并將其作為基本框架設置各階段的腳手架，依次為方向型、任務型、情境型、資源型、交互與協作型、評價型等。按照維果斯基提出的“最近發展區”理論，在學習者現有水平基礎上，通過學習者在不同階段所面臨的具體學習境況，分析其最近發展區并搭建適宜的腳手架，為其推薦基于腳手架引導的逐步學習策略，便于引導學習者進行遞進式的小步子學習，逐步跨越最近發展區，以達到預期的學習期望值。同時，腳手架的搭建幫助培養學習者可持續自主學習的能力，使學習者在腳手架移除之后能夠進行自我引導的學習，并形成長效的激勵性學習動機機制。

三、學習云空間中學習推薦系統的實現與應用效果分析

（一）系統實現

基于以上的分析和設計，本文基于已建立的iStudv學習云平臺實現了基于隋感狀態的學習推薦功能系統，其實現的學習者情感呈現界面與學習推薦界面如圖5和圖6所示。圖5顯示了學習者當前的學習目標達成程度與情感狀態，通過學習儀表盤呈現當前達成的學習目標百分比，并通過星級呈現目標達成度。學習者的情感狀態通過柱狀圖呈現，外圓顯示情緒，內圓顯示對應的情感狀態。圖6為學習推薦界面，顯示學習者當前的學習指數、情感狀態等。系統根據學習者的學習狀態，為其推薦學習主題、學習同伴等，按照推薦星級排名，排在靠前的位置星級越高，越符合學習者當前的學習需求。

（二）應用效果分析

為檢驗此基于隋感分析的學習推薦功能系統的應用效果與推薦機制的有效性，我們設計并實施了一系列實驗。選取“數據結構”課程中《棧的定義》這一學習主題，以某大學某學院同年級的64名學生作為研究對象，將其隨機分為A、B兩個小組，A組學生使用帶有學習推薦機制的學習云空間，B組學生使用不提供學習推薦機制的學習云空間。

首先通過問卷調查的方式調查了A組學生在認知、情感、行為三個維度對該學習推薦功能系統的應用效果，實際發放調查問卷32份，回收32份，有效回收率為100%。具體調查結果如表2所示。從認知維度看，大部分學習者認為該學習推薦系統能夠促進自身進行主動學習，并對知識進行深層次的加工，引導其進行反思與評價活動等；從情感維度看，大部分學習者認為該系統可以促進學習交互過程中情感的交流，并改善其消極的情感狀態，以提供滿足其情感需求的學習支持服務；從行為維度看，大部分學習者認為該系統能夠提高在線學習效果，并促進學習交互過程中的交流互動。從以上分析可知，該系統在認知、情感、行為三方面得到了大部分學習者的較高認可。

為了檢驗基于學習者情感分析模型的學習推薦機制能否有效促進學習效果，利用獨立樣本T檢驗方法（置信水平為0.05）在SPSS中統計分析A、B兩組中的學習時間、學習成績是否存在顯著性差異，如表3所示。

從表中統計數據可以看出，學習時間的p值0.009<0.05，說明在0.05顯著性水平上A組與B組學生的學習時間是有顯著性差異，從數值上A組學生所用學習時間要少于B組學生（即80.24<86.48），可知，此學習推薦系統能夠幫助學習者減少學習時間；由學習成績統計分析，t值為1.253，P值為0.003<0.05，可以看出兩組學生的成績存在顯著差異，說明此學習推薦系統能夠有效地幫助學生提高學習成績，改善學習效果。

四、結束語

隨著網絡技術的新發展，在線學習迎來了欣欣向榮的發展春天，然而不管何種在線學習平臺，它們都必需面對和克服一種重要挑戰——學習中的“情感缺失”，因此，當前的在線學習研究中，學習者情感問題研究顯得尤其重要。著眼服務于良好的自主知識建構，本文針對學習云空間的學習情境現狀，利用大數據等技術完成了學習者情感分析與歸因，并基于已有的iStudy學習云平臺實現了一個情感狀態支持下的學習推薦功能系統。本文首先選用適宜時序數據處理的LSTM神經網絡技術，建立學習者情感分析模型并完成情感獲取，然后利用貝葉斯網絡因果分析法對影響學習者情感狀態的情境要素進行歸因分析，以找出影響情感的關鍵情境要素，進而提出情感適應性的學習推薦機制與策略，并實現了相關學習推薦功能。最后，本研究設計了一系列的實驗，分別從學習時間與學習成績兩方面驗證推薦的有效性。實驗結果表明，該情感處理方法及其支持下的推薦系統能夠提高學習者的學習效果。目前，本研究還存在一定的不足，主要表現在兩個方面：學習者情感維度關注的單一性與情感歸因結果的精準量化問題，后續將對這兩方面進行深入研究。