基于情感分類模型的大學生碎片化學習研究

摘" 要" 碎片化學習在當今教學理念與信息技術急速發(fā)展的推進下逐漸深入大學生的學習生活。依托在線課程的使用，運用情感分類模型對大學生碎片化學習的現狀進行數據分析，從負向評價篩選、評價主題篩選、個性化內容推薦三方面，探索改進大學生碎片化學習效果的綜合策略，以期為碎片化學習的后續(xù)發(fā)展研究提供可借鑒的經驗。

關鍵詞" 碎片化學習；情感分類模型；在線課程；大學生

中圖分類號：G642.0" " 文獻標識碼：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

隨著教學理念與信息化的高度發(fā)展，碎片化學習由于靈活度高、針對性強的特點，極度豐富了現代大學生的知識獲取方式。但高度靈活意味著存在不確定性與不穩(wěn)定性，使得碎片化學習存在即時反饋效果不佳的問題。本研究通過運用情感分類模型，對大學生碎片化學習過程中隨機產生、積累數量龐大的文本留言進行數據分析，幫助教學者及時快速地了解其中有價值的內容，探索剖析碎片化學習實際需求，為提高大學生碎片化學習效率提供一些對策建議和參考。

1" 碎片化學習發(fā)展現狀

為了了解碎片化學習在國內教育研究領域的發(fā)展現狀，本研究于2020年12月8日以CNKI的期刊數據庫作為信息來源，對關鍵詞“碎片化學習”進行中文文獻的檢索，獲得相關文獻825篇，跨度時間從2012—2020年，作為中文學術數據樣本。運用CiteSpace和VOSviewer兩款數據分析可視化工具對獲得數據進行計量分析并繪制知識圖譜，獲得突變詞檢測圖譜（圖1）和共現關鍵詞圖譜（圖2）。

從突變詞檢測圖譜獲得“教育信息化”“微課程”“MOOC”三個關鍵詞，由于它們在較短時間內于碎片化學習研究領域的相關文獻中呈爆炸式出現，可被理解為相應時間段內該研究領域的前沿與趨勢。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，隨著這些在線學習方式的產生、推廣與深入使用，碎片化學習研究領域的研究熱點逐漸從微課程向MOOC偏移。這在一定程度上說明，目前碎片化學習研究的前沿主要體現在教育信息化、微課程以及MOOC領域，近幾年以MOOC為主。

從共現關鍵詞圖譜中可以更具體地了解到：碎片化學習研究與高職院校聯(lián)系更加緊密，而具有自主學習能力的學習者是碎片化學習的主要研究對象；碎片化學習的研究平臺主要是移動學習平臺、遠程教育平臺等互聯(lián)網在線學習平臺，依附信息化工具與信息化教學手段，所以在很大程度上帶來教學方式的變革，需要全新的教學理念、教學資源與教學方式支持；泛在學習、建構主義是碎片化習的理論基礎；大數據分析、深度學習成為當前碎片化學習研究的全新方式。

碎片化學習的特點使其占據近年來我國教育界研究熱點的一席之地，研究領域主要包含定義研究、利弊分析、教學設計、平臺建設與資源開發(fā)等。早期的碎片化學習理念，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”的點滴時間均用于學習。而今，由于學習環(huán)境的改變，祝智庭等[2]認為學習碎片化更大程度肇始于信息碎片化，進而帶來知識、時間、空間、媒體、關系、思維、體驗等方面的碎片化。王承博等[3]認為，碎片化學習是從學習內容的整體解構走向知識建構，并認為需要對碎片化知識建立管理模型。繆茜等[4]認為，碎片化學習的缺點是靈活性這一優(yōu)點帶來的無序性，需要從教學者和學習者角度提出相應對策。胡鐵生[5]認為，碎片化學習普遍存在不夠嚴謹深入的問題，需要從教學資源、教學設計、學習者素養(yǎng)三方面入手增強學習效果。陳媛[6]認為，學習者需要在開放的非線性認知環(huán)境中通過構筑社群、加強聯(lián)通，促進碎片化學習模式和方法的實現與應用。張自強[7]、黃領[8]分別針對MOOC、碎片化學習作出相應的教學設計研究。王覓[9]對面向碎片化學習時代的微視頻課程作出內容設計的探索。筆者等[10]基于微信公眾平臺進行移動學習資源的設計、開發(fā)與應用等。

結合現有的研究成果，從廣義上理解，碎片化學習可以泛指各種短時間的隨機學習，比如地鐵上的報紙閱讀、課間的動作技巧練習，或是在線移動學習。本研究討論的是狹義上的在線碎片化學習，研究的對象為有自主學習能力的大學生，研究媒介依托在線課程，意在針對大學生碎片化學習現狀進行調查分析，總結提高學習效率的對策。

2" 大學生碎片化學習現狀的情感分類模型設計

2.1" 情感計算的相關研究

情感計算[11]作為自然語言處理[12]領域用于情緒識別和觀點挖掘的關鍵技術，已在輿情監(jiān)控、商業(yè)預測、客戶行為分析、病患狀態(tài)處理等領域有諸多應用。近年來，隨著人工智能技術和深度學習的發(fā)展，情感計算的模型越來越成熟、高效，情感計算在諸多場景的跨領域應用受到越來越多研究者的關注。

早期的情感計算技術主要基于“字典+規(guī)則”[13]的策略進行，這類方法通常依賴于情感詞典的選擇與構建，在不同領域的適應性較差；并且簡單的情感詞典無法解決復雜的語義歧義問題，對于海量數據的計算速度也較慢。因此，此類方法通常作為輔助方法和其他策略結合使用。隨著機器學習和深度學習技術的發(fā)展，CNN、RNN、LSTM等神經模型[14]越來越受到研究者的關注。但這類神經網絡需要大量的標注數據或無標注數據進行訓練，且一個模型只能用于一個自然語言任務，無法進行遷移學習。因此，近年來，尤其是谷歌公司提出Transformer注意力模型[15]以來，“預訓練+微調”的情感分類模型設計方式得到充分認可。

2.2" 模型設計

本文使用BERT[16]作為文本的預訓練模型，并引入LDA主題抽取模型[17]，共同抽取學生評價文本的隱藏表達，再通過跨領域進一步預訓練的方式提高模型分類準確率。用不同的分類器進行不同的信息挖掘，并對結果進行分析，得到提高碎片化學習效率的對策與方法。模型整體框架如圖3所示。

3" 大學生碎片化學習現狀調查及對策分析

3.1" 調查的實施過程

本研究采集十個班級共560名學習現代教育技術課程的大學生數據，獲得留言共4 480條，文本最大長度337個字，平均長度42個字，其中也有回答為空的特殊情況。本實驗先對學生回答進行初步的數據清理，剔除空文本、連續(xù)重復文本等無效文本，并剔除長度大于256個字的問答配對（BERT的最大輸入長度為512）。對得到的問答進行人工標注，標注分為兩類共八種標簽，詳細標簽類別及標注占比情況如表1所示。然后用jieba庫（https：//pypi.org/project/jieba/）進行中文分詞，最終得到有效訓練文本4 088對。將數據集按照2∶2∶1的比例進行隨機分組，分別用于預訓練集、訓練集和測試集。

3.2" 數據處理與分析

根據獲得的數據對大學生的碎片化學習現狀進行調查研究，共設計三組實驗，用于優(yōu)化學習過程，增強碎片化學習效果。

3.2.1" 負面評價篩選" 學生的負面反饋對改進教學、提高學習效率有著至關重要的作用。但由于在線留言信息量龐大，精準篩選出學生的負面評價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。為了提高試驗準確率，本實驗只用情感極性下的正向評價和負向評價兩個標簽數據進行預訓練，使用一個三層神經網絡作為模型的二值線性分類器求解分類問題。經過十個訓練周期后，模型的分類曲線基本收斂。隨機分配訓練集和數據集進行五次訓練，平均負面評價分類準確率達到93.5%，案例分析如表2所示。從表2結果可以看出，對于大部分負向評價的模型輸入，所訓練出的負面評價篩選模型都能正確識別文本中的負向情感；但在個別案例中，由于文本本身的情感表達較隱晦或缺乏關鍵情感詞，如第五個案例，模型將其分類為中性評價。

表2中獲得的幾個負向評價，普遍表現出學習者的學習興趣低下，對碎片化學習的認識不充分，甚至存有認知偏見。針對這種情況，教學者應該及時與學習者交流溝通，了解認知情況形成緣由，引導學習者掌握實際情況，培養(yǎng)學習者學習興趣。可見，針對海量在線碎片化學習的反饋留言時，利用本模型可以快速篩選出對增強學習效果有利的負向評價信息。

3.2.2" 評價主題篩選" 學生評價往往會包含某些單一的主觀主題，而某些特定的主題評價內容對改進碎片化學習效果亦有很大幫助。如何從雜亂的學生評價中篩選出相關的反饋是重要的研究方向之一。本實驗將評價主題傾向分為五大類，分別為教學者、學習者、教學內容、教學手法和硬件設施。

為了提高模型的多標簽分類準確率，使用LDA主題抽取模型進行主題表達抽取，并和BERT模型抽取的隱表達進行拼接，用一個多標簽線性分類器輸出分類的結果。經過15個訓練周期后，模型的分類曲線基本收斂。隨機分配訓練集和數據集進行五次訓練，平均分類準確率達到57%，F1分數達到0.59，案例分析如表3所示。從結果來看，主題傾向分類的效果不如正負向評價篩選，一方面是由于多情感分類模型的準確率往往不如雙極性分類；另一方面是由于訓練數據量較少，存在嚴重的過擬合問題。雖然主題傾向分類準確率并不高，但在一定程度上能夠快速反應學習者對一類學習因素的評價。通過快速篩選不同類型的評價主題，可以清晰地了解學習者的各類訴求，有的放矢地增強碎片化學習效果。

3.2.3" 個性化內容推薦" 傳統(tǒng)的個性化推薦算法大都基于標簽，即給所有在線課程資源人工打上若干標簽，對有播放歷史記錄的學習者推薦標簽相同或類似的資源。這種推薦方法缺乏與學習者的互動，且信息存在誤差和冗余，容易使推薦結果收斂到局部焦點。本實驗探索根據用戶評論計算學習傾向的可能性。

本實驗利用實驗一和實驗二的方法，計算測試集學生的評論極性和主題傾向，得出評論的隱藏表達。篩選出評論極性為正向情感的評論與訓練集同主題的學生評論進行對比，計算其交叉熵，篩選出交叉熵最近的五條評論，相關樣本如表4所示。根據分析，這些交叉熵值最小的評論中，學習者大都有相同的主觀喜好。后期應用中，可根據相同喜好學習者的學習習慣與偏好，如播放記錄和觀看時長等數據，推薦相關在線課程資源。由于本實驗的局限性，暫時無法對這部分理論的推薦有效性進行評估。

4" 結束語

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方式的在線課程越來越成為一種教學剛需，在線的碎片化學習在大學生群體中的實際應用范圍與教學效果越來越值得研究者關注。本研究設計并實現的情感分類模型，是利用深度學習了解大學生碎片化學習現狀的一種有效方式，可以解決碎片化學習反饋環(huán)節(jié)薄弱的問題。選取負面評價篩選、評價主題篩選、個性化內容推薦三個實驗案例進行詳細分析，在此基礎上提出優(yōu)化碎片化學習效果的方案，具有可觀的應用前景。在未來的研究工作中將進一步完善模型，利用不同在線課程的留言文本進行數據分析和個性推薦的相關實驗，驗證模型的有效性。

參考文獻

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

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

[3] 王承博，李小平，趙豐年，等.大數據時代碎片化學習研究[J].電化教育研究，2015，36（10）：26-30.

[4] 繆茜，秦健.我國碎片化學習研究熱點及趨勢分析[J].中國醫(yī)學教育技術，2018，32（3）：263-266.

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

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

[7] 張自強.基于MOOC教學設計的學習體驗實證研究[J].現代教育技術，2018，28（S1）：11-16.

[8] 黃領.大數據時代背景下大學生碎片化學習習慣與教學設計研究[J].中國成人教育，2016（23）：15-17.

[9] 王覓.面向碎片化學習時代微視頻課程的內容設計[D].上海：華東師范大學，2013.

[10] 王梨清，李紅美.基于微信公眾平臺的移動學習資源設計、開發(fā)及應用[J].現代教育技術，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.神經網絡與深度學習[M].北京：機械工業(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.

*項目來源：“大學生碎片化學習現狀與對策研究——以高校課程《現代教育技術應用》為例”（2018-R-66888）；“電子商務虛擬仿真綜合實訓平臺建設研究”（2019-R-77783）。

作者：王梨清，南通大學信息化中心，實驗師，研究方向為教育信息化、教育管理（226019）。