《情感分析——有温度的AI》教学案设计例.docxVIP

《情感分析——有温度的AI》教学案例 任赟 情感分析作为自然语言处理领域中的一个子领域，是文本分类的一个分支。它有两种研究方法：基于情感词典的研究方法和基于机器学习的研究方法。而基于情感词典的研究方法浅显易懂，容易被学生理解，并可以方便使用Python代码实现。 本案例内容紧扣时代前沿领域，通过情感词典算法程序设计过程，将复杂的自然语言处理问题形式化，构建模型，并进行系统化、自动化转换，引导学生经历计算思维的工作过程，分析、体验人工智能工作原理。教学过程深入浅出，充分体现了计算机对数据处理的工作方式和解决问题过程中蕴含的思想方法， 激发学生的学习兴趣和求知欲，充分开拓学生的视野。 引入新课（3分钟） 师：我们上节课在腾讯AI开放平台中体验了文本情感分析，那情感分析能做什么呢？ 学生回顾、思考、回答（舆情监控、口碑分析……）。 设计意图：引入情感分析，了解学生对情感分析的认知程度，引出情感分析的预测功能。 教师出示资料：2016年9月26日， Cognovi Labs利用Twitter对美国大选两个候选人的内容进行情感分析，结果显示特朗普的口碑远远好于希拉里。得出结论：情感分析具有预测功能。 学生听讲、思考。 师：情感分析还可以预测什么？靠什么预测？ 学生思考、回答（电影票房、股票、网友的评论、发言等内容）。 设计意图：让学生了解情感分析的多种应用场景，文本也是数据。 讲授新课（17分钟） 情感分析（2分钟） 师：情感分析是自然语言处理 （Natural Language Processing） 研究的领域之一，是文本分类的一个分支，它对带有情感色彩（褒义贬义/正向负向）的主观性文本进行分析，以确定该文本的观点、喜好、情感倾向。例如，文本“这本书读来爱不释手”归为正向，“这本书很难看”归为负向。 设计意图：帮助学生了解情感分析的含义。 提出问题：根据什么来确定？ 原理介绍（5分钟） 实例：“这手机的画面极好，操作也比较流畅。不过拍照真的太烂了！系统也不好。” 问题：复杂的文本如何确定情感倾向呢？ 学生思考、回答（情感词、程度词、否定词、标点符号）。 解答： 情感词。 积极词：1分；消极词：-1分。 实例中情感词：好、流畅、 烂、好。 1+1+（-1）+1=2。 程度词。 四个级别：极、非常、比较、一点。 分别赋权值：4、3、2、0.5。4×1+2×1+4×（-1）+1=3。 否定词。倾向反转： 4×1+2×1+4×（-1）+（-1）=2 标点符号。 ！：语气加强。 4×1+2×1+4×（-1）（-2）+（-1） =-1 …… 设计意图：引发学生思考简单的原理，引导学生思考情感分析原理，让学生体会，自然语言处理的原理并不是深不可测。讲授情感分析原理，实现教学目标2，突出教学重点1。引导学生领会代码思想，尝试进行代码拓展。 Python代码实现（10分钟） 提示：仅考虑情感词、程度词； 分别得到积极分、消极分的分值。 根据情感词确定分值。教师带领学生一起写代码架构。 要点：①句子分词；②积极词、消极词列表；③for循环遍历；④if语句判断。 学生思考，回 答（ 情感关键词）。 根据程度词确定分词。教师带领学生写代码，如何考 虑程度词。 要点：①记录单词的位置；②程度词列表；③不同的程度词，不同的权值。 学生体验代码，尝试引入程度词。 设计意图：带领学生写基础代码，突出教学重点2，突破教学难点。 实践任务（15分钟） 基础任务 完善程度词的权重计算。 参考计算积极分值的代码，计算出消极分值。 学生参考教师代码，完善程度词的权重计算。 教师巡视，帮助学生解决问题，并展示完成计算消极分值学生的代码。 利用jieba库（第三方中文分词库），实现语句的用户输入。提示：jieba库使用实例： import jieba jieba.lcut(“中国是一个伟大的国家”) 结果：[‘中国’,‘是’,‘一个’,‘伟大’,‘的’,‘国家’] 学生参考jieba库使用实例语句输入功能。教师展示学生代码，请学生示范讲解。 设计意图：达成同伴相互激励，检验学生的理解程度。 拓展任务 任务：考虑否定词，完善分值计算。有能力的学生完成拓展任务。 设计意图：为有能力的学生提供提高的空间。 作品展示（2分钟） 教师展示优秀学生作业，并请该学生讲解思考方法及代码编写方法。其他学生听讲。 设计意图：同伴相互引领。 小结（3分钟） 情感分析的研究方法 基于情感词典。 根据已构建的情感词典，对分析文本进行文本处理，抽取情感词， 计算该文本的情感倾向，提出问题： 这种研究方法有什么问题？ 基于机器学习。 ①提供大量的训练文本，供计算机学习，②AlphaGo利用机器学习战胜人类。目前更多的是两种方法相结合。 Python中的列表 总结：自然语言处理中，语料库很重要，Pytho