語言智能場景下在線課程學習行為情感語義分析與效果評價

摘要：利用語言智能技術解決在線課程學生學習行為情感語義分析存在的數據量大、分析耗費時間多、處理繁雜等問題，有助于實時掌握學習效果、改善教學方式。基于此，文章提出一種基于語言智能場景的學習行為情感語義分析ESAM-LI方法，該方法在梳理學習行為情感語義類型的基礎上，首先獲取在線課程學習行為文本信息并以基于Albert的微調模型方式進行模型訓練；然后結合文本語言處理的BiLSTM模型和條件隨機場CRF模型構建學習行為情感語義分析專業領域模型，同時構建情感信息標注標準并識別課程及教學知識點相關實體，獲取學習行為情感語義極性類型；最后結合課程實體和教學知識點實體情感語義類型建立教學效果滿意度評價模型并開展實證研究。實證效果表明，在課程效果評價和教學知識點評價上，ESAM-LI方法與傳統教學效果評價方法兩者高度一致，但ESAM-LI具有傳統方法難以企及的處理速度，且能夠克服人工主觀誤差，可為改善在線課程教學效果提供重要的借鑒。

關鍵詞：在線課程；語言智能；學習行為；情感分析；教學評價

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2023）08—0096—11 【DOI】10.3969/j.issn.1009-8097.2023.08.011

語言智能（Language Intelligence，LI）是語言信息的智能化和自然語言處理的高級階段，而基于LI場景開展群體情感語義分析研究也是近年的熱點[1]。當前，在線課程教學中存在學生規模大、教師與學生實時互動差等問題，教育管理者很難實時掌握學生的學習效果，而LI技術的出現恰好能夠解決此類問題，其主要方法是開展學生行為情感語義分析。基于LI的學生學習行為情感語義分析（下文簡稱情感語義分析）主要借助語言智能理論、方法和技術來分析學習行為語言與學生情感的關系，其中學習行為語言一般使用文本語言，對幫助教育者掌握學生的學習情況和效果，支持、優化教育教學具有重要作用[2]。現有的文本語言情感語義分析主要包含基于知識庫、語料的方法，兩者結合的情感詞典構建方法以及基于機器學習、深度學習等神經網絡模型的方法三類[3]，這些方法雖然針對文本語言情感語義分析取得了較好的分析效果，但大多基于社交網絡媒體平臺、商品評論、股票預測等固定的單一應用領域，且情感極性類型分析較為單一。而針對教育場景的學習行為文本語言多級情感語義分析研究和應用較少，暫時還沒有成熟的、適用性很高的分析方法。此類方法研究的重點和難點在于，如何構建更加科學有效的情感語義分析模型，完成較高準確率的學生行為情感語義分析，以實現教師對學生學習情況和心理狀態的有效掌握。基于此，本研究依托國內典型的在線教學平臺，基于LI理論、方法和技術，提出在線課程學生學習行為情感語義分析模型與教學效果滿意度評價方法（Emotional Semantic Analysis Model based on Language Intelligence，ESAM-LI）。該方法充分吸收自適應性模型的特點[4]，通過提取學習行為文本語言數據，構建行為情感語義分析模型，以開展情感語義分析，評估學生學習行為情感語義極性和類別，從而建立教學效果滿意度評價模型，實現對在線課程教學效果的智能評價并改善教學方式，提升在線課程的教學效果。

一 語言智能場景下在線課程學習行為情感語義類型

在線課程能使學生憑自己的喜好進行自主、探究性的學習，其中課程教學知識點、師生交互、問題討論、課程評價等非結構化的文本語言學習行為信息常常是無意識、零散的學習行為體現，能折射學生的真實情感狀態與學習情況，是教師或其他評價機制不易捕獲到的，但它們是極為重要的數據信息，對在線課程教學效果評價具有關鍵作用。學習行為情感數據信息因存在數據量大、分析耗費時間多、處理繁雜等問題，需要找到合適的文本語言情感語義分析方法，才能得到有效應用，而在線課程學習行為文本語言情感語義分析方法的基礎是必須了解學習行為情感語義類型。目前，針對在線課程學生學習行為語義分析開展的文本語言情感語義分類研究較少，主要集中于文本情感語義極性（褒義、貶義或中性）研究，其中李慧[5]針對學習體驗文本提出的一種學習者情感分類模型，對學習行為語義分類研究具有較高借鑒價值，但該方法對于涉及多級情感分類（滿意、比較滿意、中性、負面）的研究具有一定的局限性，特別是很難準確、細致、多角度地刻畫學習者的真實情感，表征學習者的真實學習狀態。在學習行為情感分析中，基于學習行為的多級情感語義分類，有助于更全面地研究學生學習行為，且對在線課程中學習行為多級情感語義分析教學效果的評價（優秀、良好、合格、不合格）分類劃分更為準確，但目前暫時還沒有成熟的、適用性很強的分析方法。

在學生學習行為文本語言中，較少通過直接、明確的情感詞進行情感表達，以體現文本語言學習行為，更多的文本語言是陳述學習過程和結果，需要對基于文本語言的學習行為開展情感語義分析獲取情感語義類型，即根據每個教學知識點的文本語言學習行為和學習動作描述，通過情感分析模型針對不同在線課程教學模式及其對應情感給出一個明確的情感語義類型的結論。為此，本研究參考在線課程學習研究領域的常用情感詞語義類型（如表1所示），借助語言智能相關理論和方法，初步構建了情感詞類型框架，通過對500條經預處理的文本語言數據進行性質分析，得到了12個類別的情感語義標簽，具體包括滿意（163頻次）、基本滿意（140頻次）、激勵（122頻次）、感興趣（12頻次）、喜歡（10頻次）、高興（10頻次）、不滿（19頻次）、困惑（8頻次）、沮喪（6頻次）、疲倦（5頻次）、厭惡（3頻次）、無感（2頻次）。

因此，根據12個情感語義標簽，本研究將情感語義極性分為4類，具體包括5種非常滿意（滿意、激勵、喜歡、高興、很好）、5種比較滿意（基本滿意、有趣、感興趣、不錯、可以）、5種負面情感（困惑、擔心、沮喪、疲倦、厭惡）以及中性情感，具體如表2所示。

二 ESAM-LI方法工作思路與流程

本研究基于在線課程學習行為情感語義極性分類提出ESAM-LI方法，其主要思路是：將在線課程教學內容描述為一系列文本教學知識點K={k1， k2， ……， ki}，其中ki代表第i個知識點；學生實體描述為PN；學習行為涉及的教學互動與評價文本描述為KT={kt1， kt2， ……， kti}，其中kti代表第i個評價文本；課程情感語義描述為TX={tx1， tx2， ……， txi}，其中txi描述第i個學生對課程的情感語義特征；教學知識點情感語義描述為KX={kx1， kx2， ……， kxi}，其中kxi描述學生對教學知識點ki的情感語義特征。通過PN與K的互動關系，可以構建面向學習者文本語言描述的學習行為情感語義分析模型，開展在線課程學習行為的情感語義分析，找出TX/KX所屬的學習行為情感語義極性類型（非常滿意、比較滿意、中性、負面），并針對不同在線教學模式的學習行為情感語義TX/KX類別及其歸屬的情感極性開展教學效果智能評價（優秀、良好、合格、不合格），從而找出在線課程教學模式與內容的最佳組織方式。

ESAM-LI方法的工作流程主要分4步：學生在線行為數據獲取；行為數據預處理；學習行為情感語義分析模型，包括課程與教學知識點實體識別及對應的情感語義特征提取和分析；教學效果評價，具體如圖1所示。

①從學習平臺的后臺數據庫中直接獲取在線課程學習行為數據，主要包括教學章節、教學視頻等線上教學內容和師生互動信息、學生評課信息等教學過程數據。

②行為數據預處理是通過LI處理工具將課程劃分為一系列文本語言教學知識點K以及包含學習行為屬性的教學互動與評價數據，并進行初步的格式化標注，同時將課程和教學知識點對應的師生互動、論壇留言等非結構化文本語言信息初步標注保存為教學互動與評價文本KT，為下一步學習行為情感語義分析模型構建做準備。

③在ESAM-LI方法中，學習行為情感語義分析模型屬于核心內容，其構建將在下文重點介紹，其作用是從海量的學生學習行為教學互動與評價的非結構化文本語言中，提取課程與教學知識點實體及其對應的情感語義特征并進行歸類，該方法需要使用LI相關文本語言訓練模型。常見的LI相關語言訓練模型有基于NNLM、RNN、CNN、ELMO和LSTM的模型[10]，典型的LI處理工具有Word2Vec；而基于自注意力機制的雙向Transformer模型因并行性好，又適合捕獲長距離特征，成為目前LI模型中效果較好的情感語義特征提取器，基于Transformer典型的特征提取模型有GPT、Bert和Albert模型[11]，其中Albert模型由于具有參數量小、訓練速度快、學習效果強等優勢，在非結構化文本語言提取教學知識點實體和進行情感極性分類方面具有很好的處理效果。

④教學效果評價是根據課程和各教學知識點的學習行為情感語義特征來構建教學效果滿意度智能評價模型，通過評價模型分析學生對課程中各教學知識點的滿意度評價等級（優秀、良好、合格和不合格），并給出課程中優秀的教學知識點和教學滿意度評價不合格的教學知識點，同時通過各教學知識點滿意度評價的等級以進一步分析學生對課程的教學滿意度評價等級。

三 學習行為情感語義分析模型構建

Albert模型采用無監督、自適應性模型和壓縮并行處理技術，在情感語義特征提取與分類方面具有精度好、效率高的特點，因此ESAM-LI方法以Albert模型為基礎構建情感語義分析模型，開展學生學習行為情感語義特征提取與智能分析，Albert模型包含多模態預訓練模型（Pretrain）和以微調模型（Albert-fine-tune）方式構建專業領域語言模型兩種方式。其中，Pretrain模型是前期已經預訓練好的通用語言模型，本研究選取哈工大訊飛聯合實驗室發布的基于Pretrain模型的全詞覆蓋的中文Bert預訓練模型，該模型在多個中文數據集上取得了當前中文預訓練模型的最佳水平，效果甚至超過了原版Bert、ERINE等中文預訓練模型[12]。在此基礎上，本研究結合教學知識點庫和學生行為語料庫以中文Bert預訓練模型為基礎，基于Albert-fine-tune方式構建學習行為情感語義分析專業領域模型，包含如下流程：學習行為數據輸入、數據預處理、行為語義分析模型訓練、實體特征提取與融合、教學知識點情感分類及輸出。主要思路為：首先在情感詞匯本體語料庫、程度詞庫的支持下，對帶有教學知識點和學生學習過程等的文本數據、情感詞相關數據進行輸入和數據預處理，從而得到結構化和詞向量化信息；然后，基于Albert-fine-tune、采用全詞覆蓋方式加以訓練，并通過深度學習CNN層和雙向長短期記憶層（Bi-directional Long-Short Memory，BiLSTM）融合上下文特征信息[13]，獲取學生行為情感語義動態特征；最后，使用條件隨機場模型CRF層中的狀態轉移矩陣對課程實體[14]、教學知識點進行命名實體識別與提取，同時通過Softmax分類器獲取對應的學習行為情感語義極性分類，從而構建學習行為情感語義分析模型，具體流程如圖2所示。

①學習行為數據輸入。數據輸入包括教學文本評價數據分解的教學知識點實體、程度詞和情感詞信息，這些信息需要從線上教學平臺獲取。此外，還需要使用通用的情感詞匯本體語料庫和程度詞庫作為基礎數據庫，來識別情感詞和程度詞語義。

②數據預處理。首先，需要將獲取的學習行為文本語言數據進行數據壓縮和清洗，刪除與行為情感無關的信息，并在開頭和結尾處分別加上特殊字符[CLS]和[SEP]；然后，將文本中的課程實體名稱、教學知識點名稱、情感詞、程度詞以及語義特征表示成序列化的學習行為數據，所有序列化的數據需要使用Word2Vec工具進行轉換，以獲取對應的Word Embedding詞向量；最后，將其獲取的詞向量數據輸入到下一層進行處理。例如，學生的評價信息為：“這節課老師講得不錯，語言智能基本概念深入淺出，但是涉及語言智能的常見模型的基本原理我還不太明白。”對這段評價信息進行預處理后，形式就變為如下三句話：[CLS]lt;這節課gt;[老師]（講得不錯）[SEP]，[CLS]lt;語言智能基本概念gt;（深入淺出）[SEP]，[CLS]lt;語言智能模型基本原理gt;[我]（不太明白）[SEP]。其中，[CLS]和[SEP]為特殊字符，代表文本語言句子的開頭和結尾；“lt; gt;”中描述的是課程、知識點實體，“（）”中描述的是學習行為情感語義，其類型分別為“非常滿意、比較滿意、中性、負面”四種情感語義，“[]”中描述的是行為主體，如“教師、學生、我們、老師”等。

③行為語義分析模型訓練。這部分主要以Albert-fine-tune方式進行訓練，構建學習行為情感語義分析專業領域模型。首先，在Albert層中利用多層雙向Transformer編碼器對序列化的行為數據進行訓練，得到行為情感語義動態特征表示。在使用Transformer編碼器獲取行為情感語義動態特征表示時，會計算當前數據中每個特征與其他特征之間的相互關系，并利用這些相互關系調整每個特征的權重，從而獲得數據中各特征的新的表達。通過此方式訓練出的行為情感語義動態特征表示充分利用了各特征相互之間的關系，使數據的同一個特征在不同環境中具有不同的特征向量表達，較好地區分了該特征在不同環境中的不同含義。然后，將行為情感語義動態特征表示輸入CNN層繼續訓練，經池化層降維后分別得到情感語義特征向量。最后，通過BiLSTM層對CNN層輸出的特征向量進行訓練，得到文本情感的深層語義特征向量表示。

④實體特征提取與融合。通過前序步驟分別獲取與學習行為情感語義分析相關的教學知識點情感分類、情感詞匯和程度詞匯等數據支持的深層語義特征向量表示后，再進行融合得到更為全面的學習行為情感語義特征。

⑤教學知識點情感分類及輸出。利用CRF模型對情感語義特征進一步訓練，通過全連接后可輸出課程和教學知識點實體標簽。實體標簽使用Softmax分類器對輸出結果進行歸一化[15]，得到行為數據的概率分布矩陣，按行取最大值的索引，最終得到學生關于課程、教學知識點的學習行為情感語義極性分類。需要特別說明的是，在該獲取過程中，還需要構建情感語義分類信息標注標準，并對課程、教學知識點等行為實體進行識別。

四 情感語義分類信息標注與行為實體識別

在ESAM-LI方法中進行學習行為情感語義極性分類的核心是，需要從教學資源與教學過程等文本語言數據中識別行為主體（教師、學生）、課程實體、教學知識點實體、情感詞、程度詞和連詞等行為實體，并獲取學生對教師在課程實體、教學知識點實體的情感特征，進而實現對課程實體、教學知識點實體的情感語義極性的分類和標注。在這個過程中，最重要的是構建情感語義分類信息標注標準和開展學習行為實體識別與標識。

①構建情感語義分類信息標注標準。為獲取精細、多樣的實體與情感語義信息，本研究基于BISEO（B：Begin，實體開始字；I：Inner，實體內部字；S：Singe，單字實體；E：End，實體結尾字；O：Other，其他非實體字）標注方法構建情感語義分類信息標注標準，如表3所示。該標準結合學習行為中的情感表達類型和情感特征進行標注，如“周老師的這門課程，概念講得深入淺出，我比較感興趣”進行分詞劃分后為：“周老師 的 這門課程 概念 講得 深入淺出 我 比較 感興趣”，由此可標注為：“周|B-PN老|I-PN師|E-PN的|O 這|B-TN門|I-TN課|I-TN程|E-TN概|B-KN念|E-KN講|O得|O深|B-CW入|I-CW淺|I-CW出|E-CW我|S-PN比B-CW較|E-CW感|B-EW興|I-EW趣|E-EW”。

②開展學習行為實體識別與標注。在學習行為分析中，需要識別的行為實體包括教師/學生行為主體、課程實體、教學知識點實體、情感詞、程度詞、連詞和其他七類學習行為關鍵詞。行為實體識別流程為：首先通過Albert模型預處理生成基于上下文信息的詞向量；然后將訓練得到的詞向量輸入BiLSTM-CRF模型做進一步訓練[16]，該階段訓練主要捕捉文本中存在的長距離上下文信息并增加約束條件，識別學習行為實體關鍵詞，以獲取學習行為實體；最后根據識別的學習行為實體，采用表3的標注標準進行標識。

五 ESAM-LI方法的教學效果評價方法

學習行為情感在很大程度上反映了課程的教學效果，ESAM-LI方法將在線課程學習行為情感語義極性分為非常滿意、比較滿意、中性、負面四種，分別對應了在線課程教學效果中的優秀、良好、合格、不合格。使用ESAM-LI方法開展教學效果評價時，可通過前述方法得到學生對課程實體、各教學知識點實體的學習行為情感語義極性類型，接下來在了解學生對課程實體和課程中各教學知識點實體的教學效果時，只需統計學生對課程實體和教學知識點實體滿意度的概率分布，再根據概率分布進行量化，就可以計算課程和教學知識點的滿意度評價。其中，在計算課程的滿意度評價時，為了得到更為客觀的評價效果，需要引入教學知識點的滿意度評價數據。考慮到Softmax分類函數能較好地描述教學滿意度分類，因此教學效果滿意度評價方法如下：

假設某在線課程的學生人數為N，教學知識點集合為K，則某個教學知識點Ki的所有學生學習行為情感語義極性指標的次數為Ni，p（p=1， 2， 3， 4），分別對應非常滿意、比較滿意、中性和負面情感語義極性。

根據學習行為統計情況，首先計算教學知識點Ki的某個學習行為指標次數Ni，p與該知識點的最大行為指標Ni，k的比值Ri，p，然后針對Ri，p計算其學習行為的Softmax分類概率，具體如公式（1）所示：

六 ESAM-LI方法實證

評價在線課程教學效果時，傳統的做法是采用多主體評價方法，即邀請學生、專家、企業和教師等多個主體根據一系列評價指標進行打分并加權后得出結果。多主體評價方法存在主觀性較強、人為影響因素較多、統計數據多、手工操作工作量大等缺點，且具有較大的狹隘性與局限性。為驗證ESAM-LI方法的情感語義分析效果，本研究使用多主體評價方法和ESAM-LI方法進行對比實證。

本研究使用北京市A大學的教學平臺隨機抽取“國際漢語教育”和“公共行政學”兩門在線課程的在冊學生學習情況，使用ESAM-LI方法進行學生學習行為分析。其中，參與“國際漢語教育”課程學習的學生人數為280名、參與“公共行政學”課程學習的學生人數為2180名，每名學生的學習時長為18周。同時，對兩門課程進行知識點教學情感語義極性分類，獲取“國際漢語教育”課程的教學知識點數為142個，“公共行政學”教學知識點數為326個，得到的學習行為情感語義分析情況如表4所示。

此外，本研究使用多主體評價方法對兩門課進行評價，各隨機抽取上課的280名學生，同時邀請15名專家、10名企業業務骨干和25名同行教師共330名評價主體參與評價，評價情況如表5所示。表4和表5的數據分析結果表明，多主體評價和ESAM-LI兩種方法對“國際漢語教育”和“公共行政學”的評價分別是優秀、合格，評價結果一致。

對比多主體評價方法和ESAM-LI方法，列出兩種方法對“國際漢語教育”和“公共行政學”相關教學知識點的教學效果評價，將其按100知識點進行量化，結果如表6所示，可以看出：兩種方法在“國際漢語教育”優秀和良好評價等級的總和相同，都是88；“公共行政學”優秀和良好評價等級的總和分別是22、23，相差只有1%。在此基礎上，本研究對比ESAM-LI評價方法與多主體評價方法雷達圖，如圖3所示。通過雷達圖重疊可知，兩種方法在課程效果評價和教學知識點評價的表現高度一致。

此外，在多主體評價方法中，邀請學生、專家、企業和教師等330名評價主體進行人工數據統計，花費了2周時間才基本完成，且使用人工方法存在較大的主觀誤差。而使用ESAM-LI方法，所有數據統計都是由計算智能程序從平臺中抽取數據自動完成的，所需時間不到1分鐘，且完全克服了人為因素的影響，表現得更為客觀、智能與高效。

七 結語

隨著網絡課堂、在線課程的迅猛發展，在線課程的學習行為分析和教學效果評價越來越重要，其中學生的在線課程學習行為文本語言數據屬于關鍵的待處理數據，涉及的數據量大、耗費的時間多、處理繁雜，使用的智能技術也就更加重要。為此，本研究基于LI理論、方法與技術提出的ESAM-LI方法結合了Albert、BiLSTM和CRF等模型的優勢，能夠準確、有效地開展在線學習行為情感語義分析和教學效果評價，在教學效果評價中與傳統教學效果評價方法結果高度一致，但ESAM-LI方法表現得更為客觀、智能與高效。考慮到未來教育在線課程學生規模大、師生交互實時性差的特點，學生學習行為情感語義分析需要更為快速地反饋結果，而本模型使用過程的參數量計算量仍然較大，導致訓練所花費的時間較長，不能完全滿足未來教育的需求。為此，未來研究團隊將對Albert模型進行壓縮，在保持模型精度的情況下盡可能降低模型的復雜度，從而提高模型的訓練效率。此外，傳統的學習行為情感語義分析主要關注文本語言，其行為特征較為單一，無法準確反映學習行為情感語義，而圖像、音頻、視頻等多媒體信息，通常比文本語言表達具有更明顯的情緒效果，能夠較好地反映學生的情緒狀態，同時學生學習時間、點擊量等動作信息對教學效果的影響也較大。基于此，后續今后研究團隊還將嘗試將不同媒體、不同形態的學生情感信息進行融合研究，拓展基于多模態融合的學習行為情感語義分析。

參考文獻

[1]張凱，薛嗣媛，周建設.語言智能技術發展與語言數據治理技術模式構建[J].語言戰略研究，2022，（4）：35-48

[2]周建設，呂學強，史金生，等.語言智能研究漸成熱點[N].中國社會科學報，2017-2-17（3）.

[3]王科，夏睿.情感詞典自動構建方法綜述[J].自動化學報，2016，（4）：495-511.

[4]陳珂，謝博，朱關統.基于情感詞典和Transformer模型的情感分析算法研究[J].南京郵電大學學報（自然科學版），2020，（1）：55-62.

[5]李慧.面向學習體驗文本的學習者情感分析模型研究[J].遠程教育雜志，2021，（1）：94-103.

[6]Ekman P， Friesen W V. Constants across cultures in the face and emotion[J]. Journal of Personality and Social Psychology， 1971，（2）：124-129.

[7]李艷，張慕華.高校學生慕課和翻轉課堂體驗實證研究——基于231條在線學習日志分析[J].現代遠程教育研究，2015，（5）：73-84、93.

[8]梅英，譚冠政，劉振燾.面向智慧學習環境的學習者情感預測方法[J].計算機輔助設計與圖形學學報，2017，（2）：354-364.

[9]劉魯川，孫凱.社會化媒體用戶的情感體驗與滿意度關系——以微博為例[J].中國圖書館學報，2015，（1）：76-91.

[10]張亞洲，戎璐，宋大為，等.多模態情感分析研究綜述[J].模式識別與人工智能，2020，（5）：426-438.

[11]Lan Z， Chen M， Goodman S， et al. ALBERT： A lite BERT for self-supervised learning of language representations[J]. 2019.DOI：10.48550/arXiv.1909.11942.

[12]Cui Y， Che W， Liu T， et al. Pre-Training with whole word masking for Chinese BERT[J]. 2019. DOI：10.48550/ arXiv.1906.08101.

[13]Xiao Z， Liang P J. Chinese sentiment ananlysis using bidirectional LSTM with word embeding[A]. ICCCS Proceedings of the 2nd International Conference on Cloud Computing and Security[C]. Nanjing： Springer， 2016：601-610.

[14][16]胡慧君，王聰，代建華，等.基于BiLSTM-CRF的社會突發事件研判方法[J].中文信息學報2022，（3）：154-161.

[15]王勇，何養明，陳薈西，等.RHS-CNN：一種基于正則化層次Softmax的CNN文本分類模型[J].重慶理工大學學報（自然科學），2020，（5）：187-195.

Emotional Semantic Analysis and Effect Evaluation of Online

Course Learning Behaviors in Language Intelligence Scenarios

ZHOU Nan1，2" " ZHOU Jian-she2，3

（1 Capital Lifelong Education Research Base， Beijing Open University， Beijing， China 100081;

2. School of Literature， Capital Normal University， Beijing， China 100048;

3. Research Center for Language Intelligence of China， Capital Normal University， Beijing， China 100048）

Abstract： Using language intelligence technology to address the issues of large data volume， time-consuming analysis， and complex processing in emotional semantic analysis of students’ learning behaviors in online courses is of great significance for real-time monitoring of learning effects and improving teaching methods. In this regard， this paper proposed an emotional semantic analysis method based on language intelligence scenarios for learning. Based on sorting out the emotional semantic types of learning behaviors， this method firstly obtained the text information of learning behavior of online courses and carried out the model training by Albert-fine-tune. Subsequently， a specialized model for emotional semantic analysis of learning behaviors was cibstructed by combining the bi-directional long-short memory （BiLSTM） model of text language processing with the conditional random field （CRF） model. At the sam time， emotional information annotation standards were established and entities related to courses and teaching knowledge points were identified to obtain polar type of emotional semantic of learning behaviors. Finally， the evaluation model of teaching effect satisfaction was established by combining the emotional semantic types of the course entity and the teaching knowledge point entity， and further the empirical research was carried out. The empirical results showed that the ESAM-LI method was highly consistent with traditional teaching effectiveness in terms of the evaluations of course effectiveness and teaching knowldege points， but it outperformed traditional methods in terms of processing speed， and it can overcome the subjective errors in manual evaluation， which had important reference significance for improving the teaching effect of online courses.

Keywords： online course; language intelligence; learning behavior; emotional analysis; teaching evaluation

*基金項目：本文為國家社會科學基金項目“基于語言智能的國際中文測試話題-詞匯圖譜研究”（項目編號：22CYY040）、國家自然科學基金項目“面向視頻大數據的人體行為理解關鍵技術研究”（項目編號：61871028）、中國教育技術協會重大項目“中文表達能力（CEA）標準研制及其智能測評應用創新研究”（項目編號：XJJ202205003）的階段性研究成果。

作者簡介：周楠，北京開放大學助理研究員，首都師范大學在讀博士，研究方向為語言智能、智能教育等，郵箱為zhoun@bjou.edu.cn。

收稿日期：2023年2月9日

編輯：小時