教師網絡研修學習倦怠預警模型構建及應用研究

朱珂 聞昕 張夷楠

（1.河南師范大學 教育學部，河南 新鄉 453007； 2.華中師范大學 人工智能教育學部，湖北 武漢 430079）

引言

《教育信息化2.0行動計劃》提到要堅持信息技術與教育教學深度融合，教育信息化要體現網絡化、數字化、智能化、個性化、終身化。《中國教育現代化2035》指出要培養建設高素質專業化創新型教師隊伍，夯實教師專業發展體系，推動教師終身學習和專業自主發展，強化職前教師培養和職后教師發展的有機銜接；要加快形成現代化的教育管理與監測體系，推進管理精準化和決策科學化。如何利用人工智能手段精準助推教師專業發展已經成為亟待解決的重要問題。

教師由于職業的特殊性，需要不斷掌握復雜的教學技能、教學知識，因此教師自身有迫切的專業發展需求[1]。網絡學習因其打通空間阻斷、快速傳遞信息等優勢而成為教師研修的第一選擇。新的學習場景帶來了新的問題，網絡研修作為一種在線學習形式，在缺乏對學習者實時反饋、調節的狀態下，極有可能催生教師的學習倦怠心理[2]。在線學習者的學習倦怠心理一旦產生很難被發現，且可能比參與線下研修的教師更早進入拒絕階段[3]。因此，能夠及時判斷影響教師學習情緒的因素，適時調控學習倦怠者的情緒，對于保障教師網絡研修的學習質量更加重要。有研究者發現：通過信息技術手段分析在線學習中的文本數據可以有效挖掘學習者的隱含學習特征。近年，在學習倦怠的相關研究中，研究者關注的對象主要為參與學習的學生，很少有研究者探討教師作為學習者參與研修時的學習倦怠問題。

基于此，本研究希望利用文本挖掘技術構建教師網絡研修學習倦怠預警模型。通過數據分析，實現及時發現教師學習倦怠心理的影響因素，快速尋找教師學習倦怠心理發展的規律，為研修管理者提供數據支持服務，從而保障教師網絡研修的質量。

一、概念界定及技術基礎

（一）教師網絡研修學習倦怠概念界定

近年，研究者發現部分教師在職業發展的道路上由于受到內部心理或外部環境的影響而出現職業倦怠的問題[4]。教師有終身學習和專業發展的需求，教師研修學習是教師專業發展的必經之路，也是教師接受教育的重要途徑之一。在這種境況下，教師不僅僅是知識的傳授者，更是終身學習的踐行者[5]。教師不僅僅會受到職業倦怠的困擾，在參與研修時也會受到學習倦怠的影響。教師參與研修時產生的學習倦怠不同于教師的職業倦怠，二者成因大不相同，但是二者都會對教師專業發展形成阻礙。

學習倦怠是學習者因為長期的課業壓力或負荷而精力下降，從而對課業持負面態度，對學校課業及活動的熱忱逐漸消失。學習倦怠是一種學習者普遍存在的消極心理現象，其發展具有連續性，一般會經歷認識、低興趣、倦怠、拒絕四個階段。當學習者進入拒絕階段時，任何形式的教學干預都無法轉變其態度[6]。

（二）Word2Vec詞向量相關研究

詞向量是指通過向量化的方式[7]，將詞語映射在向量空間中，以向量的形式表征詞語的含義及詞語之間的關系。目前，生成詞向量的方法主要依賴于一個核心思想：任意一個詞語的含義都能通過它周邊的詞語來表示，即任意一個詞語的周邊詞語限制了該詞語的含義。

隨著機器學習技術的發展，Word2Vec作為文本挖掘領域的新星，在文本分析領域發揮出重要作用。鄧君等通過Word2Vec結合支持向量機分類器的方法構建了情感分類模型，探究微博網民對于輿情熱點的情感時序變化情況[8]。

（三）情感分類理論及情感計算相關研究

情感和情緒是指人對于客觀事物的主觀反映和心理、行為反應。人的情感被劃分為正向情感、中性情感以及負向情感。近年，研究者利用情感計算方法挖掘用戶在線討論中的情感信息，對在線用戶的文本討論進行了情感分類、標記、分析等工作。李慧認為情感是影響學習者認知和行為的關鍵性非智力因素，針對在線學習者的話語文本進行了語句級的多級情感分類并構建了面向學習體驗文本的情感分析模型，為教學設計提供了有效的支持[9]。在教師網絡研修社區中，教師通過在線討論傳遞個人學習期望、學習收獲等信息，這些討論在一定程度上也蘊含了個人情感[10]。若能在遵循教師在線話語的語義規則的基礎上構建情感計算方法并抽取教師話語中隱含的情感信息，便可有效地獲取教師參與學習時的情感狀態。

二、研究設計與方法

（一）研究設計

本研究模型如圖1所示。模型分為三個階段，在數據獲取與處理階段，通過爬蟲方法獲取教師討論帖，并完成數據預處理工作。在數據分析階段，基于情感詞典對教師討論帖進行情感計算，得出討論帖的情感分值，并根據情感分值的正負判斷討論帖的情感極性。參考情感極性將討論帖劃分為積極情感數據集和消極情感數據集。分別對兩個數據集中的數據進行向量化處理，對訓練好的詞向量進行降維聚類，實現對教師的積極情感特征詞匯和消極情感特征詞匯的聚類可視化，并從消極情感信息中抽取教師學習倦怠心理的成因。在數據可視化階段，對教師的消極情感進行時序演化分析，獲取教師學習倦怠心理發展的規律，為研修管理者在遵循教師學習倦怠心理發展規律的基礎上制定預防、減緩措施。

圖1 教師網絡研修學習倦怠預警模型

（二）研究方法

1.構建教師網絡話語情感詞典

情感計算的首要步驟是構建合理完善、具有針對性的情感詞典[11]。部分教師在參與網絡研修時發布的討論帖偏向口語化，并非寫作式話語。針對教師網絡發言的特點，本研究融合了中國知網等情感詞典（Hownet）。在融合之后的積極詞典的基礎上加入了“點個贊”“給力”“蠻不錯”等口語化詞語；在消極詞典的基礎上加入了“有點難”“就那樣”等詞語；在程度副詞詞典的基礎上加入“very”“so”“more”等英文詞語。經過合并和處理之后的情感詞典包含了中文正面評價詞語8656個、中文負面評價詞語8893個、程度副詞219個、否定詞71個。

2.基于情感詞典的情感計算

情感計算方法可以有效地將教師學習過程中產生的話語情感數值化，情感數值的變化情況可以作為預測教師消極學習情緒的重要依據。本研究在觀察大量的教師網絡話語之后，發現教師參與網絡研修過程中的話語表達有一定的語義規則，教師熱衷于通過“強烈的程度副詞+形容詞”的方式表述自己的情緒，部分教師傾向于使用雙重否定來增強自己的情緒表達。因此，本研究在考慮程度副詞和否定詞的情況下構建了情感計算方法，計算流程如圖2所示。

圖2 情感計算流程

設定每條評論數據的初始情感分值為0。將數據集與情感詞典進行比對，判斷數據集詞語出現在哪個情感詞典中，若出現在積極情感詞典中，則記為正；若出現在消極情感詞典中，則記為負；若句子中存在感嘆號，則記為“?1.5”；掃描情感詞語前是否存在否定詞，若存在否定詞則執行“?（-1）”的加權指令；判斷情感詞語前是否存在程度副詞，若有程度副詞，則根據程度等級執行加權操作。程度副詞等級加權如表1所示。

表1 程度副詞等級加權方法

3.Word2Vec向量化及T分布隨機近鄰嵌入

本研究依據數據集特點不斷調整Word2Vec模型參數，使用Skip-gram模型分別將積極情感集、消極情感集轉化為150維度的詞向量。針對生成的高維度詞向量，本研究采用T分布隨機近鄰嵌入（T-distributed Stochastic Neighbor Embedding, 簡 稱TSNE） 方 法 在Word2Vec生成的詞向量中抽取教師的隱含語義信息并實現數據可視化。通過不斷調整TSNE的參數使降維聚類的效果達到最佳化，隨后使用TSNE方法分別對維度為150的積極情感集和消極情感集的詞向量進行降維聚類，分別從積極情感集和消極情感集中保留80個數據結果，最后實現情感特征信息可視化。

4.教師消極情感時序演化分析

當教師的網絡研修話語表現出負面情緒時則可以將教師列入低學習興趣階段的風險用戶。學習倦怠心理的發展會對教師在復雜任務環境下的學習造成阻礙。對教師的消極情感的演化情況進行分析能夠快速掌握教師學習倦怠心理的變化規律，從而使研修管理者能夠迅速對教師學習倦怠問題做出反應。

三、模型應用

（一）數據來源及數據處理

1.數據來源

本研究的數據來源于2020年某大學附屬中學為主導的大型教師工作坊關于“教師如何做教學研究”的主題研修活動，通過爬蟲方法獲取了自2020年3月11日至2020年12月30日（第11期研修至第20期研修）的教師學習數據，包括發帖內容、發帖時間、研修期數。發布帖子的學習者均為一線教師。在研修期間教師可以按照自己的喜好或關注點進行交流互動，討論內容較為多樣化。討論主要反映了一線教師關于課程的真實想法、學習的收獲、學習之后的心得體會等。

2.數據處理

首先對數據進行去重、降噪，刪除了20字以下的帖子。經過數據預處理之后保留的帖子共計1556條。因中文有一詞多義、詞語之間缺少分割的特點，將其直接用于模型會導致生成結果出現偏差，影響模型的質量[12]。為了降低數據誤差對模型的質量造成的影響，本研究在現有的哈爾濱工業大學停用詞表的基礎上，整合了“搜狗輸入法”中教育領域的細胞詞庫，添加了教育教學相關詞匯。隨后在保證數據的原始語義無損的情況下將數據集進行詞語切分。

（二）情感特征詞匯分析

本研究將計算之后的結果按照情感分值進行劃分，得到了積極情感討論帖（情感分值大于0分）共1361條、消極情感討論帖（情感分值小于0分）共83條、無情感討論帖（情感分值等于0分）共112條。本研究以人工判斷的方法對計算結果進行了檢驗，最終確定積極情感討論帖數量為1342條，消極情感帖數量為102條，該情感計算方法的正負情感分類準確度為81.4%。

本研究基于詞頻-逆文檔頻率(Term Frequency-Inverse Document Frequency，TF-IDF)方法抽取了積極情感集數據和消極情感集數據中的關鍵詞。為使簇類之間的分離程度更好，便于聚類結果分析，本研究不斷改變Word2Vec的維度以尋求最契合該數據集的維數，最終將Word2Vec的維度確定為150。隨后，使用Word2Vec將關鍵詞轉化為150維度的詞向量，最后采用TSNE方法將詞向量映射至二維并完成聚類。

通過分析教師積極情感詞匯聚類反映的信息可知，在研修中，教師的積極情感的指向對象主要分為三個簇類：（1）“聚類1”中的“課題”“講解”“形式”“案例”等詞語反映了教師討論研修課程中的講解內容、教學案例、課程形式；（2）“聚類2”中的“受益匪淺”“授課”“新穎”等詞語說明了教師在學習的過程中分享了研修的收獲；（3）“聚類3”中的“感謝”“謝謝”“學習”“知識”等詞語說明教師表達了能夠參與研修的喜悅之情，并且認為研修很有成效，認可研修的方法。

通過分析教師消極情感詞語聚類反映的信息可知，在研修中，教師的消極情感的指向對象主要分為四個簇類：（1）“聚類1”中的詞語反映了課程設置華而不實、大而空；（2）“聚類2”中的詞語反映了教師認為課程內容費時費力，勉強能明白，但稍有不解便會感到困難；（3）“聚類3”中的詞語反映了三個問題：課程內容存在難度，時間安排不夠充分，教師的現有學習水平不能一概而論。（4）“聚類4”中的詞語反映了兩個問題：教師學習力不從心，專業術語難以理解。

通過觀察計算教師討論帖的平均情感分值發現：當教師把學習倦怠歸結于外因時，教師討論帖的情感分值最低，平均情感分值為-4.32；當教師把學習倦怠歸結于內因時，教師討論帖的平均情感分值為-2.27。由此可見，相較于教師自身出現的學習問題，外部學習環境更容易造成教師學習倦怠心理。

（三）教師網絡研修學習倦怠時序演化分析

1.消極情感時序演化

為了探究教師在研修中學習倦怠發展的規律，本研究對研修中教師討論帖中的消極情感集的情感分值進行了分析。

通過分析可知，教師的學習倦怠心理發展具有一定的規律：教師參加網絡研修時產生的學習倦怠具有明顯的周期性，呈現出多個“斷崖”。其中第13期至第14期較為典型，首先呈現出一個“長下坡”，隨后坡度驟降，最低值達到了-12。說明在該階段的初期，教師反應的消極情緒較低且非常穩定，但是到了后期，這種消極情緒未得到有效克制，導致消極情緒愈演愈烈。綜合來看，隨著每期研修的開展，教師表現出的消極情感都呈現出由弱變強的趨勢，印證了話語傳播理論，說明當教師因種種原因表現出學習倦怠心理時，研修管理者未對此問題進行過多的關注和干預，也并沒有及時采取有效反制學習倦怠心理的措施，導致部分教師群體在每期研修開始之后再次產生學習倦怠心理。

2.突出時間節點教師情感分析

由于第13期至第14期（2020年6月至2020年7月）階段在圖3中反映的消極情緒變化情況較為突出，因此本研究將該時期作為突出時間節點并抽取了該時期的全部帖子作為研究數據，共計726條。按照發帖的時間順序排列帖子，檢測為積極情感帖子時，情感走向在x軸移動1個距離，檢測為消極情感帖子時，情感走向在y軸移動1個距離，以此為依據繪制了教師情感走向圖，并基于發帖日期將數據劃分為前期和后期，如圖3所示。

圖3 突出時間節點教師情感走向

由圖3可見，前期教師討論中表現的積極情感非常穩定，且這種積極情感具有明顯的持續性，隨后教師的情感出現變化，開始表現出消極情緒。后期前段，情感明顯消極，線條呈現出上升趨勢，且教師的這種消極情緒具有持續性。后期中段，教師情感發生變化，再次呈現出穩定的積極情感。后期尾聲，教師再次表現出消極情緒。整體來看，前期教師整體的學習情感較為積極。到了后期教師學習情感開始朝負向發展，說明此時教師已經產生了學習倦怠心理。

3.教師學習倦怠心理數據可視化

本文將教師學習倦怠心理的嚴重性分為四種：無須預警、一般預警、中等預警、嚴重預警。隨機抽取某一學習小組中4名教師的6次連續討論數據，從教師的情感變化情況、情感紊亂程度（樣本方差）、情感總值三個屬性確定教師的學習倦怠心理嚴重程度。

由圖4（見下頁）可知，T32教師情感紊亂程度低、學習情感較積極，是較穩定的積極情感貢獻者，但仍需適當引導，提高其學習積極性，因此屬于一般預警狀態；T87教師情感紊亂程度適中，學習情感非常積極，是較穩定的積極情感貢獻者，因此屬于無須預警狀態；T21教師情感紊亂程度低，學習情感消極，是穩定的消極情感貢獻者，因此屬于嚴重預警狀態；T16教師情感紊亂程度非常高，且學習情感消極，是不穩定的消極情感貢獻者，因此屬于中等預警狀態。

圖4 教師學習倦怠心理狀況

為了確定T16、T21教師出現消極情緒的原因，通過TF-IDF方法抽取了教師學習前期和后期全部已發表帖子的關鍵詞，按照TF-IDF權值由大到小進行排列并選取了數據中權重最大的5個詞語，如表2所示。

表2 突出時間節點TF-IDF關鍵詞

如表2所示，在前期T16教師討論話語的關鍵詞中，“豁然開朗”“有用”等多與課程評價有關；在T21教師討論話語的關鍵詞中，“培訓”“增加”“知識”等多與學習收獲有關。在后期T16教師討論話語的關鍵詞中，如“專業術語”“專業名詞”“英文”“吃力”等多與研修內容難度有關；在T21教師討論話語的關鍵詞中，“時間”“有限”等多與教師自身的學習投入時間有關。

從關鍵詞分析可以看出，T16教師前期的關注點集中在研修內容上，后期的關注點轉移到了研修專業性強、個人能力不足的問題上。因此可以確定研修難度大、個人能力不足是引發T16教師出現消極情緒，造成學習倦怠的原因。T21教師前期的關注點集中在學習收獲上，后期的關注點轉移到了研修內容難度提高、自身學習時間不足的問題上。因此可以確定研修難度的提高和學習時間緊張是引發T21教師出現消極情緒，造成學習倦怠的原因。

四、研究結論

本研究使用教師網絡研修學習倦怠預警模型實現了教師學習倦怠心理的自動化識別，結合學習倦怠心理形成的誘因與教師的消極情感特征，對近3年5000余名參與網絡研修教師的累計數據進行了分析驗證，得到了以下研究結論。

（一）教師學習倦怠更多來自課程設置和自身能力問題

通過分析聚類結果可以發現，課程內容設置的不合理性是教師消極情緒誘因之一，會影響教師的學習情緒。多數教師將學習倦怠歸結于外因，認為研修的內容并不適用于所有教師、專業術語太多、視頻案例不適用、時間安排過于緊張。研修管理者要重視課程的設置與安排，不宜在研修初期設置過難過重的研修任務，應酌情選擇合適的教學課件。

教育研究者、實踐者與政策制定者普遍認為，教師的自我效能感是教師的一項基本特征，且與教師的教學實踐及教學質量密切相關[13]。本研究的聚類分析結果證實了這一理論，當教師處于自認為學習能力不足狀態時，易誘發學習倦怠心理。通過聚類結果分析，多數教師將學習倦怠歸結于內因，認為自己能力有限、自身教學任務繁重，無法及時參與研修。研修管理者應在研修過程中多給予鼓勵，適當組織新手教師和熟練教師進行問題研討。

（二）教師學習倦怠多由外部環境造成

相比較內部因素，外部環境帶來的壓力、教師對外部環境的不滿情緒等因素更容易造成教師學習倦怠心理。針對這一問題，管理者不能一味地追求研修進度而忽視對教師學習情緒的關注，要合理控制研修的頻次和時長。此外，管理者應在把握教師學習倦怠心理的發展規律的前提下，結合研修進度對研修做出調整：研修初期，教師表現出消極情感的概率相對較低，可以開設趣味討論以促進教師交流互動，營造良好的溝通氛圍，提高教師的研修參與度；同時管理者應預估本次學習任務的難度，選擇是否提前安排預習任務。研修中期，針對出現學習倦怠心理的教師，可以通過調節研修內容平滑度、調整時間不充裕教師的研修安排、適時降低研修難度以增加教師自信等一系列措施，在學習倦怠心理形成之前及時對學習倦怠心理進行干預。研修后期，將研修活動設計的重點放在促進教師的個人反思上，為學困生提供個性化研修指導。

（三）教師學習倦怠心理具有傳播性、持續增強性

教師研修中的學習倦怠發生在群體層面時，個體往往在群體的情緒體驗中逐漸趨于一致，進而聚合成群體情緒。在初期，部分教師可能只是在言語中摻雜了少量的負面情緒，這些情緒在一定程度上會對其他教師造成影響。一旦有教師產生消極情感，則會在一定程度上影響研修中其他教師的學習情緒。這種消極情緒會持續增強，且并不會隨著時間的推移而降低，若教師的消極情緒沒有得到及時的調節，則這種情緒會在教師群體中蔓延，教師學習倦怠心理會隨著研修進度的深入而發展。無論是何種原因導致教師個體產生學習倦怠心理，隨著研修任務增加、研修內容難度增大，教師的學習倦怠心理都會進一步發展。

針對學習倦怠心理的傳播特性，管理者應正確對待具有消極情緒的教師反映的問題，防止消極情緒擴散，并根據教師帖子反映的問題，適當對研修中學習目標的設計、學習任務的安排、學習資源的呈現形式進行調整，同時給予消極教師更多的學習鼓勵。

五、總結與展望

網絡研修更應借助信息技術手段，在研修初期及時識別教師的學習倦怠心理并降低或消除不良誘因，這是干預學習倦怠的最佳策略。研修管理者可以時刻關注教師在研修社區中發布的討論帖，通過自動化的情感分析手段及時了解教師的研修狀態并對學習倦怠心理加以干預。

本研究通過情感計算、Word2Vec詞向量、TSNE降維聚類、消極情感時序演化分析構建了教師網絡研修學習倦怠預警機制。該機制基于教師討論帖情感分值篩選出在研修時遇到困難的教師的帖子，通過抽取這些帖子反映的消極情感特征，分析了在研修中引發教師學習倦怠心理的主要因素，在一定程度上能夠幫助研修管理者及時了解教師學習情感變化與學習倦怠心理發展情況。

需要指出的是：本研究僅從學習倦怠中的情感因素出發分析了教師學習倦怠心理的影響因素，未來研究的重點是將教師的隱性情感和顯性行為結合起來，探究潛在的學習倦怠教師的普遍情感行為特征。研究計劃在未來探索基于編碼器—解碼器的雙向語言表征模型的情感分析在教師研修領域的具體應用。