基于深度學習的自媒體平臺在線課程質量評價研究

徐振國　王佳寧　王悅　郭順利　謝萬里

[摘? ?要] 自媒體平臺存在海量在線課程，但質量良莠不齊，嚴重影響學習者的學習體驗和學習效率，因此，探索客觀、準確、高效的自媒體平臺在線課程質量評價方法成為亟待解決的現實問題。針對該問題，研究首先構建在線課程質量評價體系，并利用層次分析法確定各指標權重。其次，利用深度學習和自然語言處理等技術對在線課程評論數據進行粗粒度情感分析和細粒度情感分析，以實現自媒體平臺在線課程質量評價。最后，采集Bilibili平臺在線課程評論數據進行應用研究，并通過實驗證實該方法具有較高的可行性、可信度和準確率，可實現對自媒體平臺在線課程質量的有效評價，以促進在線課程良性發展，優化學習者的學習體驗。

[關鍵詞] 在線課程； 自媒體平臺； 課程質量； 深度學習； 課程評價

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 徐振國（1989—），男，山東泰安人。副教授，博士，主要從事教育人工智能、數字化學習資源、在線學習行為研究。E-mail：xu.zhen.guo@163.com。謝萬里為通訊作者，E-mail：wanlix2021@163.com。

一、引? ?言

黨的二十大報告指出，推進教育數字化，建設全民終身學習的學習型社會、學習型大國。當前，以Coursera、Udacity、中國大學MOOC等為代表的MOOC平臺和以YouTube、Bilibili、抖音等為代表的自媒體平臺包含大量在線課程資源，成為學習者開展在線學習和終身學習的重要渠道[1]。自媒體平臺具有傳播速度快、影響范圍廣、交互性強等鮮明特點，持續保持良好發展勢頭[2]。與MOOC平臺課程相比，自媒體平臺課程擁有相對多元的授課風格、更輕松的學習氛圍和更便捷的交互形式，深受學習者喜愛。然而，自媒體平臺課程的準入門檻較低，缺乏監管約束，導致課程質量良莠不齊，學習者通常需要花費較長時間才能找到滿足學習需求的高質量課程。課程質量評價能夠通過對課程的科學評判，實現課程篩選和優質課程推薦[3]，從而提高學習者的學習體驗和學習效果，并激勵上傳者開發更多優質課程。因此，探索客觀、準確、高效且有針對性并易于操作的自媒體平臺在線課程質量評價方法成為目前亟待解決的現實問題。研究利用深度學習和自然語言處理等技術對在線課程的評論數據進行情感分析，以實現對自媒體平臺在線課程質量的有效評價，促進在線課程的提質增效和日臻完善。

二、相關研究

傳統的在線課程質量評價主要有三種方法：專家評價法、質量標準評價法和學習者評價法。然而，每種方法都有其局限性。專家評價法是選擇具備扎實專業知識的專家和具有豐富教學經驗的教師，以“背靠背”打分的方式對在線課程做出定量評價[4]。此種方法優點是具有較強的可靠性、適應性和穩定性，并能夠在有限的數據資料條件下進行定量估計；缺點是費時費力，并依賴于專家的知識和經驗，通常用于小規模優質課程評選。質量標準評價法是采用成熟的準則作為評估標準，然而此方法常常忽視學習者的學習體驗。學習者評價法是學習者按照自己的標準和體驗對課程進行評價，雖然該方法體現了學習者的主體性，但學習者的評分通常具有較強的概括性，并易受學習者主觀傾向的影響，根據評分往往難以確定影響在線課程質量優劣的因素。

自媒體時代用戶生成內容（User Generated Content，UGC）承載著信息傳播、思想碰撞、情感宣泄等多種功能[5]，彈幕、評論等互動方式具有新穎性、即時性、交互性、簡便性、風格化等特征，深受青年群體的青睞，并是用戶表達訴求、態度和觀點的重要方式。針對自媒體平臺在線課程，學習者的彈幕和評論既可表達真實想法，也可抒發內心情感。因此，部分研究者利用數據挖掘方法，對學習者的彈幕、評論等內容進行分析，以便彌補傳統在線課程質量評價方法的缺陷。Cong Qi、Xian Peng、Aytu?Onan等基于傳統機器學習方法，挖掘學習者評論所隱含的態度傾向，實現對在線課程的評價[6-8]。相較于態度傾向，情感傾向更能反映學習者對在線課程的直觀感受，以及對教師和課程的真實意見，評論的情感傾向需要借助文本情感分析方法進行判斷。目前研究者常采用WordNet、HowNet、Ntusd等詞典實現對在線課程評論數據的情感分析[9]。基于情感詞典的文本情感分析方法耗時費力，所得結果的準確性依賴于所選取情感詞典的質量和覆蓋范圍。隨著計算機性能的提升和人工智能算法的優化，有研究表明，基于深度學習的文本情感分析方法具有更高的準確率和更強的適應性，綜合性能優于基于情感詞典的方法[10]。

綜上所述，目前研究者主要圍繞Coursera、Udacity、中國大學MOOC、學堂在線等MOOC平臺在線課程進行研究，對自媒體平臺在線課程缺乏關注。在線課程質量評價多基于學習者評論內容的態度傾向和情感傾向，其情感傾向識別常應用情感詞典和傳統機器學習方法。構建適用且科學的在線課程質量評價體系，并基于深度學習算法對學習者評論進行情感分析，以此實現對自媒體平臺在線課程質量的評價，可更好地體現課程質量評價的導向作用、激勵作用、反饋作用和辨別作用，并提升自媒體時代學習者的學習體驗。研究以Bilibili平臺在線課程為研究對象，基于深度學習模型ERNIE對在線課程的評論數據進行情感分析，從學習者的角度探討在線課程質量的評價方法。

三、研究設計與方法

研究主要包括兩個步驟：第一，構建自媒體平臺在線課程質量評價體系，通過德爾菲法征集專家意見，并根據專家意見進行完善；利用層次分析法，采用9級比例標尺構造判斷矩陣，進而得出評價體系各指標的權重。第二，提出基于深度學習的自媒體平臺在線課程質量評價方法，包括在線課程評論數據采集與預處理、計算TF-IDF值確定關鍵詞、選取在線課程質量評價體系各指標的標簽詞；使用深度學習模型ERNIE對課程評論數據進行情感分析，并加權計算在線課程的最終得分。研究過程和方法如圖1所示。

（一）自媒體平臺在線課程質量評價體系構建

目前，研究機構已發布諸多有關在線課程質量評價體系的文件，如我國教育部教育信息化技術標準委員會制定的《網絡課程評價規范》、美國國防部高級分布式學習聯合實驗室發布的《網絡教學設計與評價指南》、英國高等教育質量保證署發布的《遠程學習質量保證指南》等。此外，姚凱等建立了包括5個一級指標的MOOC評價指標體系，從教學設計、課程內容、界面設計、媒體技術、課程管理等方面對MOOC進行評價[11]。童小素等以《網絡課程評價規范》為藍本，探索性地建立了包含3個一級指標和26個二級指標的MOOC質量評價指標體系[12]。劉穎等構建了信息素養MOOC教學質量評價體系，利用層次分析法計算指標權重，并采用模糊綜合評價法對部分信息素養MOOC教學質量進行評價[13]。

本研究根據既有在線課程質量評價研究成果和自媒體平臺特點，初步構建自媒體平臺在線課程質量評價體系，通過德爾菲法征集教育技術、遠程教育等領域專家意見，對其進行完善。研究構建的自媒體平臺在線課程質量評價體系見表1。

（二）采用層次分析法確定指標權重

層次分析法（Analytic Hierarchy Process，AHP）強調定量和定性相結合，具有過程明晰、運算簡便、結果明確、系統性強等特點，能夠有效解決難以用定量方法解決的實際問題[19]。本研究利用Yaahp軟件計算自媒體平臺在線課程質量評價體系各指標權重，并對判斷矩陣進行一致性檢驗。首先，邀請教育技術和遠程教育領域的5位專家對各指標進行兩兩比較，構建判斷矩陣。其次，將數據錄入Yaahp軟件，進行權重計算。經過計算，自媒體平臺在線課程質量評價體系各指標權重見表1。最后，計算一致性比例C.R.。結果顯示，一致性比例C.R.小于0.1，符合要求，判斷矩陣為滿意一致性矩陣。

自媒體平臺在線課程質量評價體系各指標中，能力層面、教學實施、情感層面、認知層面、技術支持所占權重較高。相比較而言，學習效果下的3個指標較為重要。與MOOC平臺不同，自媒體平臺對學習者的學習過程很難進行監督和考核，通過學習者的評論內容可以得知學習者對課程各方面的評價，以及學習課程后學習者在認知、能力、情感等方面是否得到了提升。各指標權重反映了專家們結果導向的、基于學習效果的評價傾向。此外，專家們意識到，自媒體平臺在線課程同質化程度越來越高，并指出應該更加重視能使在線課程質量產生較大差異的指標。由于目前自媒體平臺多數在線課程仍以教師講授為主，課程開設門檻較低，很多教師沒有教育學背景，甚至沒有任何教學經驗，致使課程質量難以達到預期。因此，專家認為教學設計與實施較為重要，是保證學習者學習效果的前提和基礎，權重僅次于學習效果維度，其中的教學實施在二級指標中所占權重較高。

（三）基于深度學習的自媒體平臺在線課程質量評價方法

文本情感分析，也稱為傾向性分析、意見挖掘，是指利用數據挖掘、機器學習、自然語言處理等智能技術對文本的觀點、情緒、極性等進行分析，以便對文本的情感傾向作出判斷。本研究通過粗粒度情感分析和細粒度情感分析的綜合應用評價自媒體平臺在線課程質量。

1. 基于深度學習的粗粒度情感分析

百度于2019年推出基于深度學習的語義理解預訓練模型ERNIE，其使用多層Transformer作為基本編碼器，并強調對知識進行整合，以達到增強表達的目的[20]。ERNIE借鑒了BERT的掩碼策略，在基本級別掩碼基礎上，增加短語級別掩碼和實體級別掩碼。基本級別掩碼是指將句子視作由基本的語言單元組成，具體而言，漢語的基本語言單位是漢字；短語級別掩碼是將由多個基本語言單位組成的短語作為概念單元進行屏蔽；實體級別掩碼是將地名、人名、組織等專有名詞抽象為實體進行屏蔽。通過多階段知識掩碼策略，可以獲得語義信息豐富的表達。實驗結果顯示，ERNIE在語義相似度、自然語言推理、文本情感分析等自然語言處理任務方面優于BERT等方法。此外，訓練數據方面，ERNIE除了使用百科類、資訊類中文語料外，還引入論壇對話類數據，進一步提升模型的語義表示能力，使其在基于上下文的知識推理中具有較好表現，以便更好地捕捉上下文情感信息，從而實現更高精度的正負性情感劃分。因此，本研究使用ERNIE進行粗粒度情感分析，以得到單條評論語句的情感得分。

2. 基于自然語言處理的細粒度情感分析

本研究中細粒度情感分析是指利用通過粗粒度情感分析得到的單條評論語句情感得分和通過TF-IDF值計算篩選出的標簽詞，進行更為細致層面的情感傾向分析，以求得在線課程在評價體系各指標的得分。

（1）標簽詞選取

TF-IDF算法用以評估某個詞在文本集中對某份文本的重要程度，越重要則越可能是此份文本的關鍵詞，是目前常用的無監督關鍵詞提取算法。這種算法在提取關鍵詞時將詞語位置屬性考慮到了關鍵詞選擇的指標當中，能甄別在語料中多次出現的非關鍵詞以及偶爾出現的關鍵詞。TF-IDF算法由TF算法和IDF算法組成。TF（Term Frequency）指詞頻，TF算法是統計字詞在某份文本中出現的次數，即求字詞在文本中出現的頻率，頻率越高，說明該字詞越重要。IDF（Inverse Document Frequency）指逆向文件頻率，IDF算法是統計某個字詞出現在多少份文本中，字詞在越少的文本中出現，說明其對文本的區分能力越強。某個字詞的IDF值具體計算方法是文本總數除以包含該字詞的文本數量，再將求得的商取對數。TF-IDF值是TF值與IDF值的乘積，本研究中將關鍵詞按照TF-IDF值降序排列，取前n個詞作為關鍵詞，通過此種方法得到的關鍵詞具有較好的代表性。然后根據構建的自媒體平臺在線課程質量評價體系，從關鍵詞中選取與評價體系各維度相匹配的詞作為標簽詞。

（2）在線課程各指標情感得分計算

在粗粒度情感分析基礎上，結合各指標標簽詞進行細粒度情感分析。首先，將標簽詞作為索引，通過與每條評論語句逐一匹配，實現每條評論語句到評價體系各指標的映射。其次，根據每條評論語句的情感得分，計算在線課程在各指標的情感得分。若有多條語句與某指標匹配，則取與之匹配的所有評論語句情感得分的平均值。最后，結合評價體系各指標權重進行加權計算，得出在線課程的最終得分，以實現對自媒體平臺在線課程質量的評價。

四、自媒體平臺在線課程質量評價方法應用

（一）數據采集與處理

1. 評論數據采集

Bilibili是國內知名自媒體平臺，截至2022年12月注冊用戶數量達3.5億，并且設有專門的在線課程欄目。因此，本研究選擇Bilibili作為數據來源。研究以數學、英語、地理、歷史、計算機編程、物理等為關鍵詞在Bilibili中搜索在線課程，將搜索結果按照評論數量降序排列，每種隨機選取3個評論數量高于1000的在線課程，共選取18門在線課程作為研究對象。Bilibili提供了豐富的應用程序接口（Application Programming Interface，API），可利用API獲取在線課程的評論數據。本研究首先利用Python的request模塊獲取json數據；然后對其進行解析，以便定位對應的評論數據字段；最后，讀取評論的詳細內容。

2. 數據清洗與預處理

由于網絡文化的多樣性、開放性和自由性，在線課程的評論內容復雜多樣，通常有超越傳統表達的信息，如繪文字、顏文字、表情符號等，甚至還存在廣告信息、垃圾信息和低俗用語等。這些信息無用且對正常研究造成干擾，影響文本情感分析的效率和準確性。因此，要在情感分析前對通過網絡爬蟲得到的數據進行清洗，刪除無效的有害信息和干擾信息，提高數據分析的有效性。

與此同時，對爬取的數據進行整理，剔除評論內容中的標點符號、數字等無效字符以及停用詞。停用詞包括你、他（她）、你們、他們（她們）等人稱代詞，的、地、得、所等助詞，喲、啊、哎、哇等語氣詞等。這些詞語在文本中出現次數較多，但是對文本情感分析并無實際意義。最后，刪除重復評論以及少于3個字符的無效評論。經過數據清洗和預處理，共得到有效評論數據86099條。

（二）標簽詞選取

1. TF-IDF值計算

本研究利用Python中的jieba庫對有效評論數據進行分詞，并計算TF、IDF和TF-IDF的值。jieba是目前常用的第三方中文分詞庫，支持三種分詞模式，即精確模式、全模式和搜索引擎模式。部分關鍵詞及其TF-IDF值見表2。

2. 標簽詞選取

本研究將關鍵詞按照其TF-IDF值降序排列，并從中選取前3000個關鍵詞。根據前面構建的自媒體平臺在線課程質量評價體系，從中選取與評價體系各指標相匹配的詞作為標簽詞。表3描述了在線課程質量評價體系中各指標對應的部分標簽詞。

（三）粗粒度情感分析

ERNIE是百度推出的較為成熟的語義理解預訓練模型，得到廣泛應用，并取得令人滿意的效果。因此，本研究通過百度的自然語言接口AipNlp調用預訓練的深度學習模型ERNIE，進行粗粒度情感分析，并逐句計算情感得分。例如，“老師的聲音真好聽，邏輯清晰，學習真快樂”的情感得分為0.9998，“一位只會念教材、原理不分析、說話聽不清、提問不回答的老師”的情感得分為0.0190。

（四）細粒度情感分析

對根據粗粒度情感分析得到的在線課程單條評論語句情感得分和標簽詞進行細粒度情感分析，以便得到在線課程質量評價體系各指標的得分情況。圖2為選取的18門在線課程各指標的情感得分。

（五）自媒體平臺在線課程質量評價

根據自媒體平臺在線課程質量評價體系各指標權重和通過細粒度情感分析得出的各指標情感得分，計算在線課程質量的加權得分，以此作為在線課程的最終得分，用于評價在線課程質量。本研究選取的18門在線課程的最終得分如圖3所示。

五、自媒體平臺在線課程質量評價方法驗證

既有研究指出，Bilibili平臺用戶往往通過點贊、收藏等行為表達對視頻的認可和喜愛[21]。為了驗證本研究提出的自媒體平臺在線課程質量評價方法的應用效果，本研究首先隨機選取Bilibili平臺評論數量高于1000的另外10門在線課程，然后邀請3位教育技術領域專家通過背靠背打分的形式對這10門課程進行評價，最后結合點贊數和收藏數等客觀平臺數據進行應用效果分析。

為了保證3位專家評價結果的一致性，本研究采用肯德爾和諧系數對主觀評價的信度進行檢驗。結果顯示，肯德爾和諧系數為0.927，并在0.01水平上顯著相關，說明3位專家的評價結果較為可信。取3位專家打分的平均值作為每門課程的最終得分，并歸一化到0～1之間，保留三位有效數字。結果如圖4所示，雖然每門課程專家評價法得分和本研究方法得分并不完全相同，但根據得分的折線趨勢和基于得分的課程排序可知，本研究方法對在線課程質量的評價結果和專家評價法的結果基本一致。

結合點贊數和收藏數進一步分析，課程8是中學物理課程，綜合得分最高，同時擁有16.8萬次點贊和28萬次收藏。筆者學習該在線課程發現，該課程視頻、音頻的質量較高，授課教師著裝正式，儀態大方，普通話標準，思路清晰，并且通過自編趣味“順口溜”的方式幫助學習者掌握知識點，因此，深受在線學習者的喜愛。課程9是語言類課程，該課程由于各維度都有較多消極評論，其綜合得分小于0.5。多數學習者評論該課程過于淺顯、視頻質量差、虛假宣傳、內容陳舊、包含廣告等，例如，“完全就是蹭熱度的視頻，一點干貨沒有，無語”“大家別浪費時間了，內容真的很無語”“看了以后感覺沒有講什么很有用的東西，這些方法早就知道了，別人都講了好多遍”。因此，其點贊數和收藏數與同類課程相比較少，筆者學習該在線課程后確認學習者的評論基本屬實。

綜上所述，本研究提出的在線課程質量評價方法具備較高的可行性和可信度，評價效果較為理想，對自媒體平臺在線課程質量有一定的評價效用。

六、結? ?語

針對自媒體平臺在線課程質量評價問題，本研究首先根據既有研究和自媒體平臺特點構建自媒體平臺在線課程質量評價體系，該體系包括4個一級指標和9個二級指標；然后通過層次分析法確定各指標的權重，專家們具有以結果為導向的評價傾向，同時肯定了異質性在自媒體平臺在線課程質量評價中的重要性，具體體現為學習效果和教學設計與實施兩個指標的權重較高；接著，利用深度學習模型ERNIE對學習者評論數據進行文本情感分析，學習者是學習的主體，其評論內容包含著對課程的真實感受和情感傾向；最后，對各指標權重和各指標情感得分進行加權計算，以便對在線課程質量進行整體評價。與傳統的在線課程質量評價方法相比，本研究所提方法效率高，更具客觀性和實效性，可滿足大數據時代對海量在線課程的評價需求。但也存在一些局限性，用于文本情感分析的標簽詞是人工從TF-IDF值較高的關鍵詞中篩選的，工作量繁巨且不可避免地受到篩選者主觀意識的影響。未來研究和實踐中，將嘗試通過聚類分析等方法選取標簽詞，并比較探討兩種方法的準確性。此外，本研究僅以Bilibili平臺部分在線課程為例，接下來將擴大數據采集范圍，以增強評價方法的普適性。

[參考文獻]

[1] CURRAN V， SIMMONS K， MATTHEWS L， et al. YouTube as an educational resource in medical education： a scoping review[J]. Medical science educator， 2020， 30： 1775-1782.

[2] 黃楚新.我國自媒體發展現狀、問題及對策[J].人民論壇，2022（22）：104-107.

[3] 王璐，趙呈領，萬力勇.基于扎根理論的在線開放課程質量評價指標體系構建研究——以國家精品資源共享課為例[J].中國遠程教育，2017（11）：70-76.

[4] 肖婉，盧鋒，季一木.什么樣的在線課程受學習者歡迎？——基于15門在線課程評論的文本挖掘與組態分析[J].電化教育研究，2023，44（5）：60-66.

[5] 李欣苗，陳云.基于特征選擇和傾向分析聯合優化的UGC情感自動識別方法[J].管理工程學報，2019，33（2）：61-71.

[6] QI C， LIU S. Evaluating on-line courses via reviews mining[J]. IEEE access， 2021， 9： 35439-35451.

[7] PENG X， XU Q. Investigating learners' behaviors and discourse content in mooc course reviews[J]. Computers & education， 2020， 143： 103673.

[8] ONAN A. Sentiment analysis on massive open online course evaluations： a text mining and deep learning approach[J]. Computer applications in engineering education， 2021，29（3）：572-589.

[9] 聶卉，首歡容.基于修正點互信息的特征級情感詞極性自動研判[J].圖書情報工作，2020，64（5）：114-123.

[10] GENG S， NIU B， FENG Y， et al. Understanding the focal points and sentiment of learners in mooc reviews： a machine learning and sc-liwc-based approach[J]. British journal of educational technology， 2020，51（5）：1785-1803.

[11] 姚凱，李思志，李艷紅，等.MOOC評價模型研究[J].復旦教育論壇，2017，15（3）：65-71.

[12] 童小素，賈小軍.MOOC質量評價體系的構建探究[J].中國遠程教育，2017（5）：63-71，80.

[13] 劉穎，吉久明，李楠，等.學生視角下的MOOC課程教學質量評價體系構建研究——以學術信息素養類MOOC課程為例[J].圖書館雜志，2021，40（2）：95-103.

[14] 教育部教育信息化技術標準委員會.網絡課程評價規范[EB/OL].（2014-03-17）[2023-06-30]. http：//www.doc88.com/p-062198781 6389.html.

[15] DYOMIN V， MOZHAEVA G， BABANSKAYA O， et al. Mooc quality evaluation system： tomsk state university experience[EB/OL].（2017-05-20）[2023-03-25].https：//link.springer.com/chapter/10.1007/978-3-319-59044-8_23.

[16] SUNG Y T， CHANG K E， YU W C. Evaluating the reliability and impact of a quality assurance system for e-learning courseware[J]. Computers & education， 2011，57（2）：1615-1627.

[17] MILLIGAN C， LITTLEJOHN A. Supporting professional learning in a massive open online course[J]. International review of research in open and distributed learning， 2014，15（5）：197-213.

[18] JANSEN R S， VAN LEEUWEN A， JANSSEN J， et al. Supporting learners' self-regulated learning in massive open online courses[J]. Computers & education， 2020，146：103771.

[19] 徐振國，趙春雨，王悅，等.智慧學習環境下大學生深度學習的影響因素[J].現代教育技術，2023，33（1）：58-65.

[20] 沈彬，嚴馨，周麗華，等.基于ERNIE和雙重注意力機制的微博情感分析[J].云南大學學報（自然科學版），2022，44（3）：480-489.

[21] 黃煒，沈欣蕓，李偉卿.視頻博客Vlog用戶的持續使用行為影響因素研究——以Bilibili為例[J].現代情報，2022，42（6）：69-79.

Research on Quality Evaluation of Online Courses for We Media Platforms

Based on Deep Learning

XU Zhenguo1，? WANG Jianing2，? WANG Yue1，? GUO Shunli1，? XIE Wanli1

（1.School of Communication， Qufu Normal University， Rizhao Shandong 276826;

2.Research Institute of Science Education， Beijing Normal University， Beijing 100875）

[Abstract] There are a large number of online courses on we media platforms， but the quality is uneven， which seriously affects the learning experience and learning efficiency of learners. Therefore， exploring objective， accurate and efficient quality evaluation methods of online courses for we media platform has become a practical problem to be solved. To address this problem， this study firstly constructs an online course quality evaluation system， and uses the analytic hierarchy process to determine the weight of each index. Secondly， deep learning and natural language processing technologies are used to conduct coarse-grained sentiment analysis and fine-grained sentiment analysis of online course review data in order to realize the quality evaluation of online courses on we media platforms. Finally， the review data of online courses on Bilibili platform is collected for application research， and the experiment has proved that the method has high feasibility， credibility and accuracy， and can realize the effective quality evaluation of online courses on we media platforms， so as to promote the healthy development of online courses and improve the learning experience of learners.

[Keywords] Online Courses;? We Media Platforms; Course Quality; Deep Learning; Course Evaluation

基金項目：2020年國家自然科學基金青年科學基金項目“學習畫面情感對學習者情感的影響機制及其自適應調整方法研究”（項目編號：62007020）；2022年中國博士后科學基金資助項目“在線學習環境下學習畫面情感的自適應調整方法研究”（項目編號：2022M711883）