在线开放课程中教师教学行为研究-结合自然语言处理观点挖掘的方法_1.docxVIP

? ? 在线开放课程中教师教学行为研究 结合自然语言处理观点挖掘的方法 ? ? 2.分词与词性标注 中文观点挖掘与英文不同，英文单词之间有空格作为分隔符，但中文词汇之间不存在分隔符，需要分词操作并标注词性。目前已有较为成熟的中文分词工具可实现分词和词性标注，如NLPIR、语言云LTP。除分词软件以外，软件中的分词程序包也可以进行分词操作，如R语言中的Rwordseg和Python中的jieba分词。 3.去停用词 观点句中包含一些符号和不影响表达学习者观点的词语，为提升数据处理速度和效率，使用哈尔滨工业大学停用词表，调用jieba分词去停用词。哈尔滨工业大学停用词表中的停用词包括符号、序号、中文词汇等。比如：“①②③……”“换句话说”“换言之”“或”“或是”等。 （三）学习者观点挖掘 根据所构建的学习者观点抽象模型，将学习者观点抽象为五要素＜ej（实体），ajk（属性），oijkl（观点极性），Li（学习者），t1（发表时间）＞，在学习者观点五要素中挖掘学习者观点以及观点极性。文本预处理后，从3,154位在线学习者课程评价内容中获得可用数据记录1,073条。 运用语言云对1,073条记录中的评价内容做依存句法分析，筛选出评价内容中包含词性为名词、形容词、动词或副词的句子，或句法结构中包含SBV关系或ATT关系的句子。经过语言云依存句法分析后，筛选出包含观点的数据记录562条，其中125条数据记录为复合句，能够运用依存句法分析从这些复合句中抽取多个SBV关系或ATT关系，即复合句中包含多个实体属性的观点。根据本研究制定的九种观点句压缩规则，分别对562条记录中的评价内容压缩抽取属性词和观点词，共抽取观点记录687条。属性词和观点词与其他观点要素的抽取结果见图4。对属性词和观点词抽取结果进行分析，将结果分为三大类，分别是与教师、资源、学伴评价相关的观点内容。其中，与教师相关的观点为329条，与资源相关的观点为306条，与学伴评价相关的观点为52条。 图4 学习者观点抽取结果 注：图片仅截取部分记录 分别统计在线学习者对教师、资源、学伴三方面评价的总体观点极性，见图5。在线学习者评价中与教师相关的积极观点为211条，消极观点为81条，态度中立为37条；与资源相关的积极观点为196条，消极观点为71条，态度中立为39条；与学伴评价相关的积极观点为12条，消极观点为40条，未发现态度中立的观点记录。在学习者观点记录中，围绕教师评价的内容居多，且观点极性多数趋于积极。 图5 学习者观点极性 （四）教师教学行为分析 根据设计的教师教学行为编码表（表3），分析学习者观点中与教师教学行为数据相关的内容。为发现学习者观点内容中的隐含信息，并检验学习者观点挖掘准确率，聘请两位教育技术专业的研究生，分别对教师相关观点数据进行分类编码，复核学习者观点挖掘结果，观点极性采用1-5级分类。其中，积极观点极性根据强弱，强的标记为5，相对弱的标记为4，中立标记为3；消极观点极性根据强弱，强的标记为1，相对弱的标记为2。即总体而言标记数字越大越趋于积极。例如：“老师讲得很详细，很全面。”运用语言云依存句法分析的结果见图3，“老师”与“讲”之间存在SBV主谓关系，在“细致”和“全面”之间存在COO并列关系。将该句中的教师教学行为编码为T1，观点极性标记为5。 数据中与教师相关的观点为329条，两位研究生复核修改记录共128条。研究采用Kappa值估计编码分析信度，若Kappa＞0.6则为信度良好（里夫，等，2010）。本研究的编码信度Kappa值为0.85，信度良好。编码表中教师教学行为观点数据数量及所占比例见表4，其中行为T2、S1、S2、A3无相关记录。教师讲授行为T1相关观点记录数为149条，所占比例为45.3%；教师演示行为T4相关观点记录数为53条，所占比例为16.1%。总体来看，主要教学行为所占总比例最大，其次是管理行为，助教行为所占比例最小。 表4 各类行为观点记录数及所占比例 类别 行为 数量 所占比例（%） 主教行为 T1 149 45.3 T3 25 7.6 T4 53 16.1 助教行为 S3 11 3.3 S4 8 2.4 管理行为 A1 21 6.4 A2 16 4.9 A4 17 5.1 无关 N1 29 8.9 总计 ? 329 100 本研究假设教师主教行为、助教行为、管理行为与课程评价具有相关性。从学习者观点中可获取学习者对不同教学行为的1-5级观点极性编码，这些教学行为有T1、T3、T4、S3、S4、A1、A2、A4。从获取的原始数据中可获得学习者对课程评价（CA）的1-5级评分。将同一位学习者对教师教学行为的观点极性与课程评价相对应，采用Pearson相关系数双尾检验衡量两变量之间的相关性。相关性分析结果见表5，