教育大数据背景下融入情感分析的生成性学习路径推送策略研究

摘"要：随着教育大数据时代的到来，学习路径推送作为教育大数据助力个性化学习的重要内容，引起研究人员的广泛关注。现有研究普遍存在情感缺失和学习迷航等问题，主要原因是学习路径推送的理论与应用尚未满足学习者的个性化需求。为此，将个性化学习理念融入在线教育，从教育学、信息科学、人工智能、心理学等多学科、跨学科视角出发，综合定性、定量、结构化系统开发等多种研究方法，着力探讨教育大数据背景下融入情感分析的生成性学习路径推送策略。在情感词典和情境知识库的基础上，建立学习者情感挖掘模型，并对影响学习者情感状态的情境要素进行归因分析，根据学习者的学习过程和情感状态建立学习画像，生成性地推送个性化的学习路径。通过研究，建立融入情感分析的个性化学习路径推送策略，缓解目前个性化学习服务与学习者深层次需求之间的矛盾，丰富教育信息技术领域的理论体系和方法体系，推进智慧教育建设。关键词：教育大数据；在线教育；学习路径；学习画像0"引言随着信息技术与教育的深度融合，在线教育大规模兴起。然而，随着应用的深入，在线教育面临两大挑战：一方面，师生在时空上大多处于分离状态，难以感受对方的情感，普遍存在情感缺失问题；另一方面，由于缺少教师的干预和指导，学习者很难找到满足自身需求的学习路径，常常面临“选择学什么”“接下来学什么”等问题。为了解决上述问题，本文将个性化学习理念融入在线教育，根据学习者的学习过程和情感状态精准地推送个性化的学习路径，提供针对性的学习内容和学习方法。1"研究现状目前，不少研究成果与学习路径推送有关，典型代表如下。YUDELOSNM等[1]利用模糊神经网络，通过判断学习者的知识水平、动机、态度、兴趣偏好，进行学习内容推送和学习路径定制。VANITHAV等[2]将蚁群优化和遗传算法相结合，提出一种协同优化算法，为学习者提供个性化的学习路径。ZHUHai-ping等[3]在知识地图的基础上，提出一种多约束学习路径推送算法。由于该算法没有考虑学习者对推送结果的反馈信息，因而推送效果有待于进一步检验。鉴于学习者学习完成度不高，NABIZADEHAH等[4]根据学习者的学习时间和背景知识，引入深度优先算法推送学习路径。为了提高推送的适应性和多样性，WANShanshan等[5]引入自组织理论，将学习目标导向的推送机制引入以学习者为中心的推送系统。上述算法在一定程度上解决了学习者的学习迷途问题，提高了学习者的学习效率，但随着学习行为数据规模的增大，这些算法往往面临计算效率低的问题，这在一定程度上影响了推送的实效性和准确性。随着人工智能技术的发展，特别是深度学习模型的涌现，研究人员开始关注基于深度学习模型的学习路径推送研究。ZHOUYuwen等[6]基于学习者特征的相似性，在对学习者特征聚类的基础上，利用长短期记忆网络预测其学习路径和学习效果。姜强等[7]采用基于规则的方法、贝叶斯网络等挖掘学习行为数据生成个性化学习路径。申云凤[8]在尊重学习用户个体化差异前提下，将协同过滤算法和蚁群算法相结合进行个性化学习路径推送，有效规避了协同过滤算法面临的马太效应问题。杨淼等[9]结合大数据背景下个性化学习的特征，建立学习者模型，利用数据挖掘技术深入分析学习者的学习行为以及知识之间的关系，设计个性化学习路径推送的具体方案。牟智佳等[10]将慕课案例中的学习者行为数据与学习者特征进行耦合，构建学习者学习画像特征模型，并在此基础上使用多种算法完成学习画像与个性化学习路径的拟合，进而实现学习路径的生成与推送。杨林等[11]通过对学习过程中的海量数据进行概念相关性分析，借助相关概念连接的复杂网络表示不同领域知识，提出一种基于知识概念网络拓扑结构的优化学习路径方法。唐烨伟等[12]基于学习者的基本属性、学习过程和学习结果数据对学习者画像进行建模，并在此基础上规划个性化的学习路径。通过比较不同的学习路径推送研究可以发现：一些学者以学习者为研究对象，将学习者的个人特质和行为数据、学习过程数据作为研究学习路径推送的切入点，体现了“以学习者为中心”的思想。有的研究侧重于使用智能优化算法，对学习者的学习方式、学习风格、知识水平等进行分析并应用于学习路径推送；有的研究则侧重于利用数据挖掘和学习分析等技术分析学习者的个性特征，并基于此研究学习路径推送问题。总体来看，学习路径推送研究不断深入，相关研究成果不断涌现，但由于受到研究理念和技术实现等方面的局限，大多数方法根据学习者的学习行为来推送课程资源，无法满足学习者的学习需求；与此同时，学习者的学习能力和学习水平是动态变化的，一次性推送学习路径难以保证推送的精准性；此外，推送结果没有考虑学习者在学习过程中的情感变化，无法保证学习效果。由此可见，学习路径推送的理论与应用没有完全满足学习者的需求，没有充分发挥其在在线教育中的优势。随着教育大数据时代的到来，学习路径推送面临新的挑战：如何利用海量的学习者行为数据，构建具有精准刻画能力的学习者情感模型，并以此为基础形成个性化的学习路径推送策略？这一问题成为研究人员关注的热点问题之一，也正是本文的选题依据。2"研究框架本文以谋刻网在线教育平台（目前已关闭）为研究对象，针对学习者面临的情感缺失、学习迷航等问题，着重研究教育大数据环境下融入情感分析的生成性学习路径推送策略，以期在一定程度上解决个性化学习问题，进而提高学习者在线学习效率。研究框架如图1所示，主要由学习过程监控、学习者情感挖掘、情感归因分析和学习路径推送等部分组成：学习过程监控提取与学习者情感密切相关的情境要素；学习者情感挖掘动态地获取学习者在不同时间的情感状态；情感归因分析用于分析影响学习者情感状态的情境要素；学习路径推送根据学习者的学习画像向学习者推送符合其个性特征的学习路径。2.1"学习者情感挖掘从谋刻网采集与学习者交互行为有关的情感数据，提取其中包含的情感特征词，构建在线教育领域的情感词典，在此基础上建立随情感动态变化的情境知识库和情感分析模型。2.2"学习过程监控通过实时监控谋刻网上的学习行为数据，根据学习者个人特质，提取与学习者情感密切相关的情境要素，并将其在情境知识库中分类归档。情境知识库随学习者情感状态的变化而更新，实时反映学习者最新的学习情境。2.3"情感归因分析在量化表征学习者情感状态和相应情境要素的基础上建立情感归因分析模型，用以发现学习者情感与情境要素之间的因果关系以及影响程度，以便找出具有重要影响的情境要素。2.4"学习路径推送从学习内容、学习活动、学习效果和学习情感四方面构建学习画像，根据学习者当前学习状态以及与之相关的其他学习者的学习情境，生成性地为学习者推送个性化的学习路径。3"研究过程3.1"情感词典和情境知识库的构建情感词典和情境知识库是学习者情感挖掘的主要依据。构建情感词典的思路是：首先，采集学习者学习行为数据并从中发现学习者情感数据；其次，借助知网情感词典，并结合教育技术、在线教育领域词汇，经去重、人工过滤等操作，形成情感词典。情境知识库完整地记录学习者在学习过程中的情感变化情况，是情感归因分析、学习路径推送的重要依据。构建情境知识库的思路是：首先，根据人格特质理论，从神经质和内外倾角度，将学习者分为低神经质外倾、高神经质内倾、低神经质内倾、高神经质外倾等四类（其中，神经质反映的是学习者倾向的稳定性，内外倾反映的是学习者情绪的外在表现）；其次，根据上述四类特征，将随情感变化的情境要素存储于情境知识库，并将学习者在学习过程中的情感变化动态反映在情境知识库，确保情境知识库的实时性和完整性。3.2"学习者情感挖掘与归因分析鉴于长短期记忆网络（LSTM，LongShort-Term"Memory）模型擅长快速学习和识别具有时序性特征的数据，利用该模型对学习者在学习过程中的情感变化进行建模。首先，对采集到的学习者相关文本数据（如评论文本、交互文本、学习日志等）进行预处理，经向量化表示后得到情感特征向量；其次，将上述特征向量输入LSTM模型，根据Softmax函数分类结果，得到输入特征向量的情感倾向。考虑到学习者的情感状态与情境要素密切相关，因此建立反映情感状态与情境要素之间关系的映射模型：SP=αPPP⊕αTTP⊕αWWP⊕αLLP⊕αRRP⊕αEEP其中⊕为相关性运算符，SP表示学习者的情感状态，PP、TP、WP、LP、RP、EP分别表示学习者的个人特质、学习主题、学习方式、知识水平、学习效果和学习期望值，αP、αT、αW、αL、αR、αE表示情境要素的重要程度。在对情境要素量化表示的基础上，建立三层贝叶斯网络，以找出影响学习者情感的情境因素。顶层变量由学习者的个人特质组成，其原因是个人特质不受其他变量影响；中层变量由学习主题、学习方式、知识水平、学习效果和学习期望值组成，其原因是这些因素受个人特质影响；底层变量由学习者情感状态组成，其原因是该因素受上述所有因素影响。利用多元回归模型分析情境要素对情感状态的影响程度，建立表示情感状态与情境要素之间因果关系的回归模型：S=β1y1+β2y2+…+βkyk，k∈[1，6]其中，S表示情感状态，yk表示三层贝叶斯网络选出的情境要素，βk表示情境要素的重要程度。经过多次训练，可得到模型中的βk值。利用三层贝叶斯网络与多元回归模型即可得到与当前学习者情感状态相关的情境要素及其影响程度。3.3"融入情感的学习画像建模融入情感的学习画像模型用以刻画学习者的学习过程和情感状态。该模型由学习元序列组成。学习元由学习内容、学习活动、学习情感和学习效果四部分组成，如图2所示。学习内容由学材、习材、创材组成：学材提供学习内容，主要包括各类多媒体学习资源；习材用于夯实和内化学习内容，主要包括工具箱、习题集等；创材用于应用和深化学习内容，主要包括案例、虚拟实验等。学习活动分为活动、行为、操作三个层次：活动是指为了达到学习目标而采取的学习行为；操作是学习活动的最小单元，直接作用于学习内容；行为是与学习目标相关的操作关联起来构成的学习行为。一个学习活动可以看作一个学习行为序列。学习情感表征学习者在学习过程中的情感状态，包括积极、中性、消极等情感。学习效果表明学习者完成一个学习活动后对学习成果测量的结果。测量指标用流畅度表示，流畅度利用学习者测试的准确度和速度来体现学习者的学习效果。3.4"学习路径推送策略充分考虑学习画像的差异，采用不同的匹配策略，进而生成性地形成面向学习画像的学习路径。所谓生成性推送策略，与传统的学习路径推送策略存在显著差异，它不是一次性生成学习路径，而是根据学习者的学习画像，先推送一个学习元，再根据学习者的后续学习情况，更新其学习画像，再据此推送下一个学习元，直至最终生成完整的学习路径。具体流程：首先，根据学习者的学习过程和情感状态，采用合适的匹配策略，向其推送学习元列表；其次，学习者从中选择一个适合的学习元作为学习对象；最后，全程监控学习者的学习过程，形成学习者的学习画像。学习画像的形成是一个不断迭代的过程，其中最关键的是学习画像匹配策略。本文将学习者分为三类，并基于此给出匹配策略：第一类学习者的历史学习数据很少，无法直接推送学习元，故借鉴协同推荐思想，将与其学习内容类似的优秀学习者的学习元作为推送对象；第二类学习者的历史学习数据有一些，但不多，将与其学习元最为相似的优秀学习者的下一个学习元作为推送对象；第三类学习者的历史学习数据规模较大，将与其前序学习元序列较为相似的学习者的下一个学习元作为推送对象。根据完成学习活动后的学习效果确定优秀学习者。值得关注的是，学习者的人格特质会影响在线学习的情感状态，因此，在学习元推送时，学习者和优秀学习者之间需要满足人格特质和情感状态的互补性。4"结束语近年来，随着信息技术的普及，在线教育逐渐成为人们接受教育