基于細粒度情感分析的情感目標過程性評價機理與路徑研究＊

王宇琪，鄭安琪，郝川艷

(南京郵電大學教育科學與技術學院，江蘇 南京 210023)

0 引言

情感目標評價機制具有內隱性、長期性、動態性等特點。過程性評價與情感目標評價機制相契合，適合用于對學習的動機、過程以及與學習密切相關的非智力因素進行全面評價。但在實際教學過程中如何對情感目標進行過程性評價，仍是教育評價改革的難題。

情感目標過程性評價常常采用問卷法、訪談法、檔案袋法等方法，但這些方法效率較低，不適于長期跟蹤與大規模分析。而深度學習方法可高效地提取觀點并進行情感分類，實現智能化存儲信息。近年來基于深度學習技術分析評語中情感信息成為對教學過程性評價的一種有效方式。然而，這類研究聚焦于教學目標過程性評價，較少利用情感分析專門探究情感目標過程性評價，故借助情感分析技術進行情感目標評價是很有意義的。其中細粒度情感分析是情感分析的方法之一，能在復雜的語境中準確識別評價對象的多屬性及其對應的情感傾向。因此本文借助細粒度情感分析方法，探究學生在情感、價值觀等方面的變化，以實現情感目標的過程性評價。

1 細粒度情感分析技術及其教育應用的可行性分析

1.1 細粒度情感分析技術概述

隨著人們日益提高的情感分析需求，細粒度情感分析應運而生。評論發布者從對象屬性層面的各功能部分做出評價，而細粒度的情感分析技術能夠準確識別這些屬性及其對應情感傾向。可見，細粒度情感分析與以往情感分析技術最大不同之處在于它可以分析出一條評論中具有情感傾向的各個要素，即情感詞指向的最小對象，例如一位學生寫道：我很喜歡老師的上課風格，但老師若能結合時代背景多為我們講解文學作品背后的故事會更好。該評語中包含著兩個屬性，即教師的教學風格與情感素養的培養。

細粒度情感分析一般分三個步驟：①識別評論對象屬性及其對應情感詞；②對識別出的評論對象屬性情感進行極性分類；③匯總（聚集）分類結果。其中，評論對象屬性指相關領域中的屬性詞，如在教育領域內，屬性詞包括“教學態度”、“應變能力”等。而與之對應的情感詞，主要指情感詞和相關修飾部分，包括形容詞、副詞、動詞和名詞；抽取的主要方法有基于人工定義的方法、基于自動提取的方法、使用主題模型的方法。之后，依據事先定義的情感值對評論對象屬性進行分類，分類方式根據實際細分。最終匯總分類結果，具體流程如圖1所示。

圖1 細粒度情感分析的流程

1.2 教育應用可行性分析

細粒度情感分析彌補了以往情感目標過程性評價方法低效處理數據的缺點，能快速地識別學生學習態度、道德素養等信息。隨著長期挖掘學習過程中多源評語，獲取評語中間接反映學生情感變化走向的信息，從而達到情感目標過程性評價目的。利用細粒度情感分析進行情感目標過程性評價，以實現數據驅動的“因材施教”。

情感目標過程性評價一直缺乏切實可行的評價標準和手段，使得教師只能關注成長檔案袋記錄等事實記錄，再加上難以對所有學生檔案做全面分析，最終演變為片面地看資料厚度來做評價。隨著深度學習在自然語言處理領域不斷發展，情感分析技術取得了很多成果，研究者將情感分析應用于教育情境以挖掘學生的情感傾向。細粒度情感分析技術是實現情感目標過程性評價的新式工具，基于人工神經網絡廣泛地挖掘同儕互評、學生自評、學生討論等數據中的觀點和態度，實現全方位智能化立體評價，既增加工具使用的便利性，又多角度觀察學生的情感變化。

2 基于細粒度情感分析的情感目標過程性評價機制

基于以上論述，細粒度情感分析為情感目標過程性評價提供了一種新的評價方法與思路。該評價機制的特點在于無需預先設立評價指標體系，而是直接從各個場景的文本中挖掘有關評價對象的多屬性及其情感傾向，在最大程度上抽取了與學生情感相關的所有信息。基于細粒度情感分析的情感目標過程性評價機制如圖2所示。

圖2 基于細粒度情感分析的情感目標過程性評價機制

橫向上，根據學生學習形式不同，將文本數據分為課堂內與課堂外兩類。縱向上，根據對象不同將數據分為教師評價、同伴評價、自我評價三類文本，借助Python語言編碼收集數據。

課堂內評價文本源于教師對學生課堂表現、每日作業的過程性評價；課堂外評價文本源于課堂教學結束后，學生在網絡空間中延續學習內容進行的同伴互評與自我評價。具體而言，同伴互評數據來自線上作業的同伴評價區，以及平臺的自由討論區。自我評價數據來自學生周期性的自我學習小結。

深度學習方法，通過學習標記的樣本集來提取評論對象屬性及其情感傾向，不僅能準確高效地提取文本屬性，而且可靈活處理千變萬化的文本內容。因此，深度學習方法是抽取評論對象屬性與情感的有效方式。具體分析流程如圖3所示。

圖3 基于細粒度情感分析的過程性評價流程

為保證情感分析的準確度，要進行數據預處理。先標注評語的情感標簽即標記樣本，根據事先規定的情感極性分類對評語中出現的情感傾向依次評分。接著，分割過長評語以及標注方面標簽（評論對象屬性），標注依據為評語中是否出現方面詞，方面詞來自基于語義人工構建方面的詞典。如“學習態度”的詞典包含“態度”“認真仔細”等詞語。然后，使用詞嵌入技術將非結構化的評語轉化為計算機可識別的數據，把評語中每個詞映射成對應向量。再將向量輸入到基于深度記憶網絡的深度學習模型。最后，將得到的情感特征輸入到分類器完成情感分類。

因為該機制針對不同場景與群體收集數據，通過不同方面提取學生的情感傾向變化，所以采取群體、方面、場景的三維度對比分析形式來呈現結果。其中，群體有學生、教師、同伴；方面由抽取的文本確定；場景有課堂教學和課后學習。

首先，以特定群體、不同方面為主題，生成情感分析結果，明晰學生各方面的表現情況。分析結果以表格形式呈現，如表1所示，特定群體為教師。

表1 情感分析結果的統計信息——以模型數據為例

其次，以特定方面、不同群體為主題生成情感分析結果，便于教師觀察學生個體情感發展的獨特性。最后，以不同場景確定情感分析結果。文本抽取場景的變化會帶來評價重心偏移，進而情感分析的“方面”也不同。為了使結果呈現得更清晰，采取一分為二的方式。其一，結果由特定方面、課堂教學場景、不同群體組成；其二，結果由特定方面、在線學習平臺場景、不同群體組成。

評價結果決定著反饋的方向與內容，本文提出的機制以三維結果呈現，所以反饋內容相應地分為以下三個維度。

首先，由特定群體、不同方面構成結果的反饋對象為教師和學生。教師反饋的重點落在情感目標的設置，通過比較情感目標的設置與所呈現不同情感標簽的差異，尋找所設計的情感目標與實際情感目標進展之間的契合程度。教師知悉目標實施進展后，及時設計反饋教學流程。

其次，由特定方面、不同群體構成結果的反饋對象為教師，其側重學生個體差異帶來的個性化反饋。教師從同一情感標簽下、不同態度中了解每個學生的差異性，并給予學生個性化、及時的反饋，從微觀層面把握情感目標的實施進度。

最后，由課堂內、課堂外兩個環境的特定方面、不同群體的對比情感分析結果，聚焦學生情感變化的全過程，以連續性視角看待學生情感變化，宏觀層面把握情感目標實施進展。教師綜合比較兩個環境中同一情感標簽變化，向學生提出具體建議，提高學生對反饋目的和內容的感知程度與理解力。

3 基于細粒度情感分析的情感目標過程性評價的應用路徑

基于細粒度情感分析的情感目標過程性評價機制于在線教學平臺、課程思政及師德評價三個領域的具體應用路徑如下。

3.1 助力在線教學平臺

基于細粒度情感分析的情感目標過程性評價機制作為插件安裝于在線教學平臺中，具有數據抽取、分析等功能。第一類課堂教學場景數據來源于教師對學生作業表現作出的過程性評價、學生在討論區發表的內容。第二類課后場景數據包括在線平臺中作業互評區與自我學習小結區文本。

抓取文本數據后，提取評論對象屬性及其情感，進行極性分類。詳細呈現分類結果頻次排名前十的方面級標簽。結果呈現分為教師界面和學生界面。在教師界面，主要呈現三維結果，以便教師把握情感目標實施進展。在學生界面，呈現由特定群體、特定方面組成的對比分析，利于學生反思、調整。在反饋階段，教師及時利用音視頻的數字化教學反饋形式與同學們互動，促進學生感知反饋。此外，在線過程性評價的時間節點也十分重要，時間點由遠程教育工作者的網絡授課次數決定，根據首次評價的情況調整后續評價的節點。

3.2 推進高校課程思政

當前一些高校對課程思政育人的具體實施過程、育人成效等方面的評價尚缺乏一套精準的考核測評體系。本文提出的過程性評價機制提供了一種較為可行的方法，用以間接評測教師教育性教學成果。

課堂教學場景下，教師根據學生作業、課堂表現、小組匯報、成果展示進行過程性評價。同儕互評圍繞學生個人作業、小組作業等方面。同時，學生應周期性作出自我評價。抓取這些數據需借助某個在線學習平臺中討論、評價、記錄功能區來實現，平臺中建構的學習社區也是同伴互評文本的采集來源。數據采集后，以教師授課班級為單位分析細粒度情感傾向，結果呈現由特定群體、特定方面、特定場景的對比分析構成，并且將方面級標簽聚類整理后，對比分析結果與該學期伊始設計的學科德育內容。之后，教師應及時利用技術資源管理反饋信息，促進學生明確學習目標、激發其動力、增加他們對反饋的感知。

3.3 賦能師德評價

發展性師德考評機制對建設高質量教師隊伍具有重要現實意義。面向師德評價的數據收集方向為教師自評和學生評價。學生評價分為學生作出的師德評價，以及校園討論區等社交平臺上發表的評論這兩大類。為便于采集、分析文本數據，學校應組織教師綜合考核評比小組，負責定期收集與分析數據。在數據分析前，綜合考核評比小組應先與教師共同制定教師個人目標，細化各項指標。在標記樣本集方面標簽時，依據之前確定的指標分類標注，以明晰目標與實施情況之間的契合度，之后經過情感分析得到各個方面標簽下學生態度傾向。分析結果由特定方面下教師與學生態度對比、學生態度與教師個人目標對比兩部分組成。教師與考評小組溝通后明確反饋方向，作出教學調整設計，合作提高反饋效能。同時，教師也應基于師德評價的師生差異性積極地與學生交流。

4 結束語

隨著科技的發展和學習需求的提升，人工智能等現代信息技術與教育的深度融合推動了教育的變革與發展。本文從學生學習態度、學科素養、道德觀念等情感方面變化的角度，結合深度學習技術，構建了基于細粒度情感分析的過程性評價機制。該機制主要從評價文本來源、細粒度情感分析過程、結果呈現與反饋形式四個方面展開。基于此機制，聚焦在線教學平臺、課程思政及師德評價三個領域，描述在真實場景下的具體應用路徑，為未來信息技術應用于教育評價可持續發展提供參考。

本文提出的細粒度情感分析方法在技術實現方面還存有尚未解決的問題，如情感分析所采用的深度學習技術在抽取評論對象屬性前，需要人工標注大量的樣本集，耗時耗力。同時，方面級別的情感分析的數據資源非常重要，但是教育評價領域還未出現成熟、公開的語料庫，這也給細粒度情感分析帶來一定難度。因此本研究后續將繼續探究深度學習技術的應用方法，集中采集真實的學生自評、同儕互評、教師評價數據進行分析，了解學生的情感變化，從而達到測評教師學科德育效果的目的。