基于深度學(xué)習(xí)的cMOOC參與者交互水平自動(dòng)評(píng)估研究

□ 周炫余 陳 麗 徐亞倩 鄭勤華 蔡超飛

一、引言

作為一種適應(yīng)“互聯(lián)網(wǎng)+”時(shí)代特征和知識(shí)特征的新型學(xué)習(xí)方式，聯(lián)通主義學(xué)習(xí)日益受到國(guó)內(nèi)外研究者和實(shí)踐者的關(guān)注。聯(lián)通主義學(xué)習(xí)理論提供了一種解釋學(xué)習(xí)的新視角，將學(xué)習(xí)看作通過(guò)持續(xù)交互，與有價(jià)值的人或資源建立連接和形成網(wǎng)絡(luò)的過(guò)程（Siemens,2005）。也正因如此，交互成為聯(lián)通主義學(xué)習(xí)的核心和取得成功的關(guān)鍵。對(duì)聯(lián)通主義學(xué)習(xí)情境下交互理論的探索、交互水平的評(píng)估和交互規(guī)律的挖掘也成為該領(lǐng)域研究的重點(diǎn)。

但當(dāng)前聯(lián)通主義學(xué)習(xí)交互水平的評(píng)估多為非自動(dòng)化方法，多依賴內(nèi)容分析、人工編碼或?qū)W習(xí)者自我評(píng)估的方式，使得交互水平評(píng)估具有時(shí)間滯后性特征，耗時(shí)耗力，難以實(shí)時(shí)反映參與者交互水平，并且人工編碼方式難以避免地存在大規(guī)模實(shí)施不便等問(wèn)題。人工智能技術(shù)的發(fā)展為提升交互分析的自動(dòng)化水平和發(fā)展原有教學(xué)交互規(guī)律研究提供了可能。因此，本研究以我國(guó)首門聯(lián)通型慕課（cMOOC）“互聯(lián)網(wǎng)+教育：理論與實(shí)踐的對(duì)話Ⅱ”為案例，旨在采用人工智能領(lǐng)域中深度學(xué)習(xí)方法構(gòu)建cMOOC 參與者交互水平自動(dòng)評(píng)估模型，主要解決兩個(gè)研究問(wèn)題：1）如何利用深度學(xué)習(xí)算法實(shí)現(xiàn)cMOOC 參與者交互水平自動(dòng)化評(píng)估？2）cMOOC 參與者交互水平表現(xiàn)出怎樣的特征？一方面，本研究能夠?qū)崿F(xiàn)聯(lián)通主義交互水平的自動(dòng)化評(píng)估，為聯(lián)通主義學(xué)習(xí)評(píng)價(jià)和課程評(píng)價(jià)提供工具支撐，探索人工智能技術(shù)在改進(jìn)教育研究和實(shí)踐方面的價(jià)值和可能性；另一方面，本研究發(fā)現(xiàn)的交互規(guī)律能夠與先前的研究形成雙向檢驗(yàn)，進(jìn)一步發(fā)展原有聯(lián)通主義教學(xué)交互規(guī)律。

二、文獻(xiàn)綜述

交互是聯(lián)通主義學(xué)習(xí)的核心和取得成功的關(guān)鍵。依據(jù)交互對(duì)象的不同，遠(yuǎn)程教育中的教學(xué)交互可以劃分為操作交互、信息交互和概念交互三類（陳麗,2004），其中信息交互（師生交互和生生交互）是當(dāng)前聯(lián)通主義交互水平研究的核心關(guān)注點(diǎn)，本研究構(gòu)建的交互水平自動(dòng)評(píng)估模型也主要適用于信息交互。

當(dāng)前國(guó)內(nèi)外聯(lián)通主義交互水平研究主要分為三大類：交互模型建構(gòu)，影響因素與相關(guān)性分析，差異性分析。

交互模型建構(gòu)類研究提供了交互水平評(píng)估的理論依據(jù)，以王志軍和陳麗（2015）構(gòu)建的基于認(rèn)知參與度的聯(lián)通主義教學(xué)交互分層模型（簡(jiǎn)稱“CIE模型”）為代表。CIE模型將聯(lián)通主義學(xué)習(xí)中的教學(xué)交互按照認(rèn)知參與度由低到高劃分為操作交互層、尋徑交互層、意會(huì)交互層和創(chuàng)生交互層，并詳細(xì)列舉了各層的交互行為，為依據(jù)交互行為評(píng)估交互水平提供了明確的、可操作的編碼參照。正因如此，CIE模型成為后續(xù)交互水平評(píng)估研究的重要理論基礎(chǔ)。例如，Duan 等人（2019）依據(jù)CIE模型將認(rèn)知水平劃分為五級(jí)水平；徐亞倩和陳麗（2019）在CIE模型基礎(chǔ)上將認(rèn)知參與度劃分為八個(gè)層級(jí)，用于評(píng)估概念網(wǎng)絡(luò)生成特征；黃洛穎等（2020）將CIE 模型作為滯后序列分析的編碼框架。由于該模型可操作性強(qiáng)，并在聯(lián)通主義交互水平評(píng)估研究中認(rèn)可度較高，本研究也將CIE模型作為構(gòu)建cMOOC參與者交互水平自動(dòng)評(píng)估模型的理論基礎(chǔ)。

第二類和第三類研究能夠?yàn)檎J(rèn)識(shí)和促進(jìn)聯(lián)通主義學(xué)習(xí)、改進(jìn)課程設(shè)計(jì)提供支撐。第二類研究集中于探討影響交互水平或與交互水平相關(guān)的因素分析，如平臺(tái)使用與發(fā)帖者角色（曹傳東&趙華新,2016）、虛擬社區(qū)倫理（胡凡剛等,2017）、個(gè)體網(wǎng)絡(luò)地位（徐亞倩&陳麗,2019）、學(xué)習(xí)成績(jī)（Duan,et al.,2019）、學(xué)習(xí)動(dòng)機(jī)強(qiáng)度（謝雷& 陳麗, 2020）、知識(shí)流動(dòng)特征（田浩等,2020）等。第三類研究主要關(guān)注不同類型學(xué)習(xí)者的交互水平差異。例如，王慧敏和陳麗（2019）基于該模型比較了核心聯(lián)通者、半邊緣聯(lián)通者和邊緣聯(lián)通者三類群體的交互水平；Duan等人（2019）發(fā)現(xiàn)高績(jī)效學(xué)習(xí)者往往表現(xiàn)出更深層次的知識(shí)互動(dòng)和社交交流。

值得注意的是，交互水平影響因素與相關(guān)性分析和差異性分析研究多采用內(nèi)容分析和人工編碼的方式，在聯(lián)通主義學(xué)習(xí)中交互數(shù)量龐大，人工編碼費(fèi)時(shí)費(fèi)力且信度難以保證，盡管發(fā)現(xiàn)了交互水平對(duì)教與學(xué)的影響，但由于人工評(píng)估的時(shí)間滯后性特征，無(wú)法實(shí)時(shí)反饋交互水平，導(dǎo)致在實(shí)際應(yīng)用時(shí)難以有效發(fā)揮其對(duì)教與學(xué)的支持作用。隨著人工智能技術(shù)的發(fā)展，基于深度學(xué)習(xí)的文本分類方法已成為主流，它可以較好地捕捉連續(xù)詞序列的語(yǔ)義和句法信息（申艷光& 賈耀清, 2021）。甄圓宜和鄭蘭琴（2020）采用深度學(xué)習(xí)算法中的卷積神經(jīng)網(wǎng)絡(luò)（CNN）和長(zhǎng)短時(shí)記憶（Bi-LSTM）等算法構(gòu)建協(xié)作學(xué)習(xí)交互文本的分類模型，研究發(fā)現(xiàn)該模型在交互文本分類方面具有較高應(yīng)用價(jià)值。這為實(shí)現(xiàn)交互水平評(píng)估的自動(dòng)化提供了可能，因此，本研究將運(yùn)用深度學(xué)習(xí)算法實(shí)現(xiàn)對(duì)聯(lián)通主義學(xué)習(xí)中交互水平的自動(dòng)化評(píng)估。

三、cMOOC參與者交互水平自動(dòng)評(píng)估模型構(gòu)建

（一）學(xué)習(xí)者交互水平評(píng)估維度確定

由于CIE模型在當(dāng)前聯(lián)通主義研究中認(rèn)可度較高，且提供了較為明確、全面的交互水平編碼框架，因此，本研究將其作為構(gòu)建cMOOC參與者交互水平自動(dòng)評(píng)估模型的理論依據(jù)。如表1所示，該模型基于認(rèn)知參與度水平將交互層次由淺至深劃分為操作交互、尋徑交互、意會(huì)交互和創(chuàng)生交互四層，同時(shí)明確了各層次的具體交互行為。

表1 CIE模型中交互水平與交互行為對(duì)應(yīng)表

（二）cMOOC參與者交互水平自動(dòng)評(píng)估模型構(gòu)建

cMOOC 參與者交互水平自動(dòng)評(píng)估模型構(gòu)建主要分為數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、文本交互類型分類和學(xué)習(xí)者交互水平等級(jí)評(píng)估四部分，具體框架設(shè)計(jì)如圖1 所示。首先是數(shù)據(jù)采集部分，主要是獲取課程參與者的交互文本數(shù)據(jù)，這是開(kāi)展交互水平自動(dòng)化評(píng)估工作的首要環(huán)節(jié)；然后，根據(jù)評(píng)估需要對(duì)采集的數(shù)據(jù)進(jìn)行預(yù)處理，便于后期自動(dòng)評(píng)估的順利開(kāi)展；接著，分別采用文本循環(huán)神經(jīng)網(wǎng)絡(luò)（TextRNN）算法和文本卷積神經(jīng)網(wǎng)絡(luò)（TextCNN）算法對(duì)預(yù)處理分類后的長(zhǎng)文本和短文本進(jìn)行交互類型分類，計(jì)算出每條文本的交互類別和概率值，為參與者的交互水平等級(jí)評(píng)估提供判斷依據(jù)；最后，將得出的文本交互類別概率值形成序列數(shù)據(jù)，利用長(zhǎng)短時(shí)記憶（LSTM）時(shí)序模型學(xué)習(xí)表征參與者交互水平的特征，輸出對(duì)應(yīng)的交互水平等級(jí)，實(shí)現(xiàn)對(duì)參與者交互水平的自動(dòng)評(píng)估。

圖1 參與者交互水平自動(dòng)評(píng)估模型構(gòu)建圖

1.數(shù)據(jù)采集及預(yù)處理

實(shí)現(xiàn)參與者交互水平自動(dòng)評(píng)估的首要步驟是獲取交互數(shù)據(jù)，本研究以cMOOC“互聯(lián)網(wǎng)+教育：理論與實(shí)踐的對(duì)話Ⅱ”為案例，從cMOOC 平臺(tái)（http://cmooc.bnu.edu.cn）獲取評(píng)論文本、博客文本、跟帖文本和話題文本四類交互數(shù)據(jù)，用于后續(xù)的交互水平自動(dòng)評(píng)估模型構(gòu)建。由于從平臺(tái)上獲取的原始數(shù)據(jù)包含一些廣告等噪音數(shù)據(jù)，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理以得到干凈的文本數(shù)據(jù)。清洗文本數(shù)據(jù)后，采用人工編碼的方式對(duì)每條交互文本依據(jù)CIE 模型（如表1 所示）進(jìn)行標(biāo)注，操作交互、尋徑交互、意會(huì)交互和創(chuàng)生交互分別對(duì)應(yīng)數(shù)字0～3（計(jì)算機(jī)每次識(shí)別都是從數(shù)字0 開(kāi)始）。為了提高后續(xù)模型的訓(xùn)練效果，將標(biāo)注好的文本根據(jù)字?jǐn)?shù)長(zhǎng)短劃分成長(zhǎng)文本和短文本（規(guī)定字?jǐn)?shù)超過(guò)50 字為長(zhǎng)文本，反之則為短文本），便于后期對(duì)長(zhǎng)文本和短文本采用不同的算法進(jìn)行分類訓(xùn)練。

2.文本交互類型分類

交互水平的等級(jí)評(píng)估依賴于對(duì)交互內(nèi)容的分析和分類，因此，需要利用文本分類算法對(duì)標(biāo)注好的文本數(shù)據(jù)進(jìn)行訓(xùn)練，進(jìn)而實(shí)現(xiàn)對(duì)每條文本交互類型的自動(dòng)分類，具體流程如圖2 所示。經(jīng)過(guò)預(yù)處理后長(zhǎng)文本和短文本中的各類標(biāo)簽數(shù)據(jù)分布不均衡，其中意會(huì)交互和尋徑交互數(shù)據(jù)量遠(yuǎn)高于操作交互和創(chuàng)生交互這兩類數(shù)據(jù)。為了防止模型訓(xùn)練過(guò)程中出現(xiàn)過(guò)擬合現(xiàn)象，需要在數(shù)據(jù)輸入之前采用數(shù)據(jù)增強(qiáng)的方式提高模型的泛化能力。本文主要是采用Easy Data Augmentation for Text Classification Tasks （簡(jiǎn)稱“EDA”）（Wei & Zou, 2019）中的同義詞替換、隨機(jī)插入、隨機(jī)交換和隨機(jī)刪除四種方法對(duì)各類標(biāo)簽數(shù)據(jù)進(jìn)行比例增強(qiáng)，使得四類數(shù)據(jù)在數(shù)量上分布均衡。

圖2 長(zhǎng)文本和短文本分類流程圖

文本長(zhǎng)短不同，包含的信息量也不相同，因此需要采用不同的算法對(duì)長(zhǎng)短不一的文本進(jìn)行分類。經(jīng)數(shù)據(jù)增強(qiáng)后的長(zhǎng)文本采用基于深度學(xué)習(xí)的TextRNN算法進(jìn)行分類，TextRNN擅長(zhǎng)捕獲長(zhǎng)序列文本的信息，能夠更好地表達(dá)長(zhǎng)文本中的信息特征，該算法主要包括詞向量層、Bi-LSTM 層、全連接層和Softmax 歸一化等步驟。長(zhǎng)文本輸入后，首先經(jīng)過(guò)詞向量層加載預(yù)訓(xùn)練詞向量后得到每個(gè)詞固定維度的向量表示，其次將詞向量輸入到Bi-LSTM 層，經(jīng)過(guò)“遺忘門”“輸入門”“輸出門”的獨(dú)特結(jié)構(gòu)更新得到包含所有時(shí)刻的交互隱層狀態(tài)信息，然后將前向交互信息隱層狀態(tài)向量和后向交互信息隱層狀態(tài)向量拼接在一起，取出最后時(shí)刻的交互信息隱層向量值輸入到全連接層，得到包含不同值的交互類型預(yù)測(cè)類別數(shù)，最后經(jīng)過(guò)Softmax進(jìn)行歸一化操作，將預(yù)測(cè)的最大數(shù)對(duì)應(yīng)的交互類型作為算法最終預(yù)測(cè)的類別，輸出每條長(zhǎng)文本的交互類別和概率值。

本研究采用TextCNN 算法對(duì)短文本的交互水平進(jìn)行評(píng)估，CNN 配合最大池化會(huì)直接過(guò)濾掉不重要的特征，在運(yùn)行速度快的前提下也保證了短文本分類效果，主要包括卷積層、池化層和全連接層等部分。在對(duì)短文本進(jìn)行交互類型分類計(jì)算時(shí)輸入的是定長(zhǎng)文本序列。首先，需要通過(guò)分析語(yǔ)料集樣本長(zhǎng)度以指定一個(gè)輸入序列的長(zhǎng)度L，對(duì)長(zhǎng)度小于L 的文本序列進(jìn)行填充，長(zhǎng)于L 的文本序列則需要截取，輸入層最終的輸入是各個(gè)字對(duì)應(yīng)的字向量；其次，經(jīng)過(guò)卷積層多個(gè)不同尺寸卷積核的滑動(dòng)學(xué)習(xí)到交互文本序列中每個(gè)字的特征，卷積核的寬度與字向量的維度等寬，高度一般選取2～8 之間的值；接著，進(jìn)入到池化層，使用最大值池化（Maxpool）提取交互文本特征，保證在不定長(zhǎng)的卷積層的輸出上獲得一個(gè)定長(zhǎng)的全連接層輸入；最后，經(jīng)過(guò)全連接層的分類作用，將卷積層和池化層提取的特征輸入到分類器中進(jìn)行分類，進(jìn)而得到每條短文本的交互類別和概率值。

3.參與者交互水平等級(jí)評(píng)估

參與者的交互水平取決于其在整個(gè)課程中的綜合表現(xiàn)，單條文本的交互類型無(wú)法完全表征參與者的交互水平，隨著課程的持續(xù)深入開(kāi)展，參與者的交互方式將會(huì)變得多種多樣。因此，為了實(shí)現(xiàn)對(duì)參與者交互水平的自動(dòng)評(píng)估，需要獲得參與者所有文本的交互類型和概率值，從而全面表征出參與者的交互水平，具體流程如圖3所示。

本研究主要通過(guò)時(shí)序模型LSTM實(shí)現(xiàn)對(duì)參與者交互水平的自動(dòng)評(píng)估。首先，將前期通過(guò)文本分類得到的每條文本的交互類型以及對(duì)應(yīng)的概率值按照每個(gè)參與者的ID形成時(shí)間序列數(shù)據(jù),其中n∈N+,m∈N+,IDn表示第n個(gè)參與者，表示第n個(gè)參與者的第m個(gè)文本交互類別對(duì)應(yīng)的概率值。其次，將它們輸入到LSTM 層中進(jìn)行訓(xùn)練，LSTM 的“細(xì)胞狀態(tài)”能夠讓文本交互信息在序列中傳遞下去，即使是較早時(shí)間的交互信息也能攜帶到較后時(shí)間步長(zhǎng)的“細(xì)胞”中，文本交互信息的添加和移除可以通過(guò)“遺忘門”“輸入門”“輸出門”三類門結(jié)構(gòu)實(shí)現(xiàn)。因此，LSTM層可以存儲(chǔ)參與者交互文本中更多的特征信息，更好地控制模型保存參與者在整個(gè)cMOOC 開(kāi)展過(guò)程中進(jìn)行的有效交互文本記憶信息，學(xué)習(xí)到文本交互類型的特征向量。接著將交互文本的特征向量輸入到全連接層。通過(guò)Softmax 歸一化操作，最終得到每位參與者的交互水平等級(jí)。

四、cMOOC參與者交互水平自動(dòng)評(píng)估模型的有效性檢驗(yàn)

本研究依托北京師范大學(xué)開(kāi)設(shè)的cMOOC“互聯(lián)網(wǎng)+教育：理論與實(shí)踐的對(duì)話II”，應(yīng)用并檢驗(yàn)基于深度學(xué)習(xí)的cMOOC 參與者交互水平自動(dòng)評(píng)估模型的有效性和可靠性。

（一）數(shù)據(jù)集構(gòu)建

cMOOC“互聯(lián)網(wǎng)+教育：理論與實(shí)踐的對(duì)話Ⅱ”由北京師范大學(xué)陳麗教授團(tuán)隊(duì)設(shè)計(jì)運(yùn)營(yíng)，2019年3月20 日開(kāi)課，運(yùn)行12 周。課程參與者身份多樣，主要以高校在讀大學(xué)生和一線教師為主，同時(shí)還包括教育管理者、高校研究者和互聯(lián)網(wǎng)教育企業(yè)從業(yè)人員等。課程活躍學(xué)習(xí)者人數(shù)162 名（活躍學(xué)習(xí)者指在cMOOC平臺(tái)中留有交互數(shù)據(jù)的學(xué)習(xí)者），依據(jù)課程證書(shū)獲得情況，將其劃分為五類學(xué)習(xí)者——?jiǎng)?chuàng)新型聯(lián)通主義學(xué)習(xí)者（A 類，10 人）、反思型聯(lián)通主義學(xué)習(xí)者（B 類，9 人）、分享型聯(lián)通主義學(xué)習(xí)者（C 類，9人）、合格學(xué)習(xí)者（D 類，41 人）和未獲得證書(shū)的學(xué)習(xí)者（E 類，93 人），其中訓(xùn)練集130 人，測(cè)試集32人。課程證書(shū)頒發(fā)情況在一定程度上反映了不同學(xué)習(xí)者的學(xué)習(xí)成效，為檢驗(yàn)?zāi)Ｐ驮谠u(píng)估參與者交互等級(jí)水平方面的有效性提供了標(biāo)準(zhǔn)。

為訓(xùn)練并驗(yàn)證模型性能，本研究獲取的文本數(shù)據(jù)是來(lái)自學(xué)習(xí)者在平臺(tái)上發(fā)布的評(píng)論文本、博客文本（包括學(xué)習(xí)者發(fā)布的博客、分享的案例和資源）、跟帖文本和話題文本，共計(jì)3,172 條文本數(shù)據(jù)。對(duì)源數(shù)據(jù)進(jìn)行預(yù)處理和數(shù)據(jù)增強(qiáng)后，形成長(zhǎng)文本數(shù)據(jù)集合和短文本數(shù)據(jù)集合，再將集合分別按照深度學(xué)習(xí)模型訓(xùn)練中常用的數(shù)據(jù)集劃分原則，以6∶2∶2 的比例劃分成訓(xùn)練集、驗(yàn)證集和測(cè)試集。訓(xùn)練集用于交互水平自動(dòng)評(píng)估模型的訓(xùn)練和擬合，驗(yàn)證集用于調(diào)整模型的超參數(shù)和對(duì)模型能力的初步評(píng)估，測(cè)試集用于評(píng)估最終模型的泛化能力（如表2所示）。

表2 文本分類數(shù)據(jù)劃分表

（二）模型評(píng)價(jià)指標(biāo)

為了驗(yàn)證本研究提出的cMOOC 參與者交互水平自動(dòng)評(píng)估模型的可靠性，選用深度學(xué)習(xí)中常用的P值（準(zhǔn)確率或查準(zhǔn)率）、R值（召回率或查全率）和F值作為評(píng)價(jià)指標(biāo)，具體計(jì)算公式為：

式中：TP是被模型預(yù)測(cè)為正的正樣本，F(xiàn)P是被模型預(yù)測(cè)為正的負(fù)樣本，F(xiàn)N是被模型預(yù)測(cè)為負(fù)的正樣本。

（三）檢驗(yàn)結(jié)果

為了驗(yàn)證參與者交互水平評(píng)估結(jié)果的可靠性，采用準(zhǔn)確率指標(biāo)對(duì)模型各部分和最終結(jié)果進(jìn)行評(píng)估。其中，長(zhǎng)文本分類的準(zhǔn)確率達(dá)到92.4%，短文本分類的準(zhǔn)確率達(dá)到86.2%，這說(shuō)明模型對(duì)參與者發(fā)表文本的交互類型判斷具有較高的準(zhǔn)確率，為后期對(duì)參與者交互水平等級(jí)的綜合評(píng)估提供了有利條件。如表3所示，最終學(xué)習(xí)者交互水平等級(jí)評(píng)估的平均準(zhǔn)確率為83.9%，證明模型分類結(jié)果具有一定的有效性，可見(jiàn)cMOOC 參與者交互水平自動(dòng)評(píng)估模型能有效評(píng)估聯(lián)通主義學(xué)習(xí)中參與者的交互水平等級(jí)。

為了進(jìn)一步驗(yàn)證參與者交互水平評(píng)估模型的有效性，將參與者交互水平評(píng)估模型對(duì)每類交互水平等級(jí)的P值、R值和F值分別計(jì)算出來(lái)（如表3 所示）。該模型的P值、R值和F值的平均值分別為83.9%、84.0%和83.9%，整體而言，cMOOC 參與者交互水平評(píng)估效果較好，cMOOC 參與者交互水平自動(dòng)評(píng)估模型具有較高的可靠性。

由表3可知，等級(jí)A、等級(jí)B、等級(jí)C和等級(jí)E的F值分別是85.7%、82.3%、88.8%和87.9%，這說(shuō)明參與者交互水平自動(dòng)評(píng)估模型對(duì)創(chuàng)新型聯(lián)通主義學(xué)習(xí)者、反思型聯(lián)通主義學(xué)習(xí)者、分享型聯(lián)通主義學(xué)習(xí)者和未獲得證書(shū)的學(xué)習(xí)者的整體分類性能相對(duì)較好。參與者的交互水平的判定與參與者在平臺(tái)上發(fā)表的文本交互類別相關(guān)，即與交互文本屬于操作交互、尋徑交互、意會(huì)交互和創(chuàng)生交互類別相關(guān)聯(lián)，文本類別分界越清晰，參與者的交互等級(jí)評(píng)估就越準(zhǔn)確。上述四類交互水平等級(jí)之間分類特征差異明顯，因而模型對(duì)它們的評(píng)估效果較佳。

等級(jí)D 的F值、P值和R值分別為74.0%、71.4%和76.9%，模型對(duì)合格學(xué)習(xí)者的分類效果較差，合格學(xué)習(xí)者的交互水平分類處于分享型聯(lián)通主義學(xué)習(xí)者等級(jí)和未獲得證書(shū)的學(xué)習(xí)者等級(jí)之間的模糊地帶，屬于獲得證書(shū)的及格線處，分類特征并不明顯，模型可能因?yàn)閰⑴c者交互內(nèi)容的數(shù)量和質(zhì)量差異產(chǎn)生誤差，并且每類交互水平等級(jí)的參與者數(shù)據(jù)分布不均衡，D類數(shù)據(jù)的增強(qiáng)效果可能不明顯，因而造成模型對(duì)該類交互水平評(píng)估效果不佳。

五、模型應(yīng)用：cMOOC參與者交互水平特征分析

在驗(yàn)證了模型的有效性后，本研究以cMOOC 參與者交互水平自動(dòng)評(píng)估模型為工具，結(jié)合每位參與者的交互水平時(shí)間序列數(shù)據(jù)，從參與者身份和交互類型等方面挖掘?qū)W習(xí)者的交互規(guī)律。

（一）學(xué)習(xí)者成為交互主體，多元主體驅(qū)動(dòng)課程交互

cMOOC“互聯(lián)網(wǎng)+教育：理論與實(shí)踐的對(duì)話Ⅱ”的參與者類型多樣，包括課程促進(jìn)者和學(xué)習(xí)者，其中學(xué)習(xí)者又包括一線教師、學(xué)生、產(chǎn)業(yè)從業(yè)者、教育管理者等。本研究將不同身份參與者的交互類別和頻次進(jìn)行了統(tǒng)計(jì)分析（如表4 所示），該課程活躍參與者中包括課程促進(jìn)者7人、一線教師37人、學(xué)生91 人、產(chǎn)業(yè)從業(yè)者8 人和教育管理者16 人。通過(guò)促進(jìn)者和學(xué)習(xí)者的交互類別和交互頻次對(duì)比可知，在聯(lián)通主義學(xué)習(xí)中學(xué)習(xí)者的交互類別比促進(jìn)者更為豐富，交互頻次也遠(yuǎn)多于促進(jìn)者，可見(jiàn)cMOOC 中學(xué)習(xí)者在交互過(guò)程中的主體性作用更加突出。進(jìn)一步分析不同類型的學(xué)習(xí)者交互情況，課程中交互的發(fā)生不限于教師這一主體，學(xué)生、產(chǎn)業(yè)從業(yè)人員和教育管理人員等其他類型的學(xué)習(xí)者也紛紛參與到課程交互中，可見(jiàn)cMOOC 交互發(fā)生呈現(xiàn)多元主體驅(qū)動(dòng)的特點(diǎn)。總之，在課程交互過(guò)程中學(xué)習(xí)者成為交互主體，多元主體驅(qū)動(dòng)課程交互。

表4 cMOOC學(xué)習(xí)者身份人數(shù)和交互次數(shù)分布表

（二）意會(huì)和尋徑是決定聯(lián)通主義學(xué)習(xí)成效的關(guān)鍵

喬治·西蒙斯（2011）在其博士論文中指出，尋徑和意會(huì)是學(xué)習(xí)者在復(fù)雜的分布式網(wǎng)絡(luò)學(xué)習(xí)環(huán)境中凝聚信息的手段和核心，強(qiáng)調(diào)了尋徑和意會(huì)在聯(lián)通主義學(xué)習(xí)過(guò)程中的重要性。cMOOC 中學(xué)習(xí)者的交互文本次數(shù)不等，交互類型也不盡相同。為從交互水平視角挖掘聯(lián)通主義學(xué)習(xí)成效的關(guān)鍵，本研究依據(jù)課程證書(shū)頒發(fā)情況，統(tǒng)計(jì)了四類證書(shū)獲得者和未獲得證書(shū)的學(xué)習(xí)者在各個(gè)交互類別頻次的平均值（如表5 所示）。四類證書(shū)獲得者是在聯(lián)通主義學(xué)習(xí)中表現(xiàn)較佳的學(xué)習(xí)者，其交互行為均以意會(huì)交互和尋徑交互為主，這在一定程度上證明了聯(lián)通主義學(xué)習(xí)成效不以創(chuàng)生交互為唯一目標(biāo)，尋徑和意會(huì)是決定聯(lián)通主義學(xué)習(xí)成效的關(guān)鍵。從這一點(diǎn)出發(fā)，我們應(yīng)當(dāng)正視CIE模型在應(yīng)用于聯(lián)通主義學(xué)習(xí)評(píng)價(jià)時(shí)的局限性，以創(chuàng)生交互為價(jià)值導(dǎo)向的CIE模型適用于從知識(shí)創(chuàng)生角度評(píng)估聯(lián)通主義學(xué)習(xí)或課程，但在評(píng)估聯(lián)通主義學(xué)習(xí)成效時(shí)不應(yīng)將創(chuàng)生交互作為唯一價(jià)值取向。未獲得證書(shū)的學(xué)習(xí)者的尋徑交互、意會(huì)交互和創(chuàng)生交互的均值均小于獲得證書(shū)的學(xué)習(xí)者，可見(jiàn)未獲得證書(shū)的學(xué)習(xí)者在尋徑、意會(huì)和創(chuàng)生方面的交互稍弱，即高層次交互發(fā)生的頻次少，但在四類交互中仍以尋徑交互和意會(huì)交互為主。總之，在cMOOC課程交互過(guò)程中，意會(huì)交互和尋徑交互是決定聯(lián)通主義學(xué)習(xí)成效的關(guān)鍵。

表5 學(xué)習(xí)者交互類型統(tǒng)計(jì)表

六、總結(jié)與反思

本研究通過(guò)模型構(gòu)建、模型檢驗(yàn)和模型應(yīng)用三個(gè)階段，運(yùn)用深度學(xué)習(xí)算法實(shí)現(xiàn)了cMOOC 參與者交互水平的自動(dòng)化評(píng)估。一方面，本研究構(gòu)建的cMOOC 參與者交互水平自動(dòng)化評(píng)估模型能夠有效應(yīng)用于cMOOC 實(shí)踐，實(shí)時(shí)評(píng)估反饋學(xué)習(xí)者的交互水平，為課程促進(jìn)者實(shí)時(shí)監(jiān)控課程交互水平、調(diào)整課程設(shè)計(jì)、促進(jìn)課程評(píng)價(jià)的自動(dòng)化評(píng)估以及優(yōu)化學(xué)習(xí)支持服務(wù)提供了有力支撐；另一方面，本研究也是人工智能技術(shù)應(yīng)用于教育研究與實(shí)踐的成功嘗試，發(fā)揮了人工智能技術(shù)在釋放人力物力、減輕教師負(fù)擔(dān)、優(yōu)化教與學(xué)、挖掘深層次規(guī)律方面的作用，突出了新一代信息技術(shù)在破解教育問(wèn)題方面的應(yīng)用前景，能夠?yàn)槠平饨逃y題提供新的思路和支撐。但本研究也存在一定的局限性，如模型構(gòu)建主要基于后臺(tái)的可采集數(shù)據(jù)，未來(lái)將繼續(xù)挖掘行為數(shù)據(jù)、隱性數(shù)據(jù)等進(jìn)行模型優(yōu)化。此外，本研究的交互評(píng)估分成了文本交互類型評(píng)估和時(shí)序模型評(píng)估兩部分，后續(xù)將嘗試端到端的評(píng)估方式，避免評(píng)估過(guò)程中因分步造成的特征信息丟失，提高模型自動(dòng)評(píng)估的準(zhǔn)確度。

本研究通過(guò)分析交互水平自動(dòng)化評(píng)估結(jié)果，進(jìn)一步驗(yàn)證了原有聯(lián)通主義交互特征與規(guī)律，如學(xué)習(xí)者是交互的主體和課程的主要貢獻(xiàn)者，在聯(lián)通主義學(xué)習(xí)中多元主體的積極參與和思維碰撞是新型的知識(shí)生產(chǎn)方式等。除此之外，本研究的研究結(jié)果也促使我們正視CIE模型應(yīng)用于聯(lián)通主義學(xué)習(xí)分析和成效評(píng)估的價(jià)值和局限性，CIE模型可以有效支撐以知識(shí)創(chuàng)生為研究取向的聯(lián)通主義學(xué)習(xí)分析，但聯(lián)通主義學(xué)習(xí)成效不能以創(chuàng)生交互作為唯一標(biāo)準(zhǔn)，尋徑和意會(huì)成為聯(lián)通主義學(xué)習(xí)成效的決定因素。