基于在线学习行为数据的远程学习者学业情绪分析研究——以Moodle平台为例
| 全文共13033字，建议阅读时13分钟 |
本文由《开放学习研究》杂志授权发布
作者：宗阳、陈丽、郑勤华、胡红梅
摘要
学习者的学业情绪对学习有重要作用，异步学习平台的非及时性以及教师与学习者分离的特征使得难以对远程学习者进行学业情绪分析。本研究通过构建异步学习平台中远程学习者学业情绪分析模型，并将该模型进行Moodle平台案例课程的应用，探究远程学习者在线学习行为与学业情绪之间的关系。本研究在案例应用中通过对远程学习者在线学习行为数据进行统计分析，对学习者论坛文本数据进行情感计算，发现：学习者的学业情绪与作业成绩显著正相关，说明学习者的学业情绪会显著影响其学习效果；教师情感值与学习者学业情绪显著正相关，说明教师在论坛中的情绪倾向会正向影响学习者的学业情绪；学习者实时学业情绪与创作性行为之间显著正相关，并且发现案例课程中主要存在两类学业情绪表现不同的学习者，第一类学习者在案例课程中所发帖子的情感值为正向情感的占80%以上，第二类学习者学业情绪属于同一倾向的帖子数不超过80%，单独分析第二类学习者实时学业情绪与对应在线学习行为之间的相关性，发现两者之间显著性有较大提高。
关键词：在线学习行为；异步学习平台；远程学习者；学业情绪；学习分析
一、引言
不论传统课堂还是远程教学，情感对学习者的重要性不言而喻。积极的学业情绪能激发学习者学习的动力，促进学习；相反，消极的学业情绪会阻碍学习者的学习。远程教育与传统课堂教育在交互方式上有明显不同，在传统课堂教学中身体语言、面部表情和其他非语言信息会给师生带来面对面的情感交流，而在远程教育，特别是通过异步学习平台进行学习的教育中，这种面对面的情感交流转变成为以文字、声音、图像等教育技术媒体资源和手段进行的间接情感交流，使得对远程学习者进行学业情绪分析具有极大的挑战性。
现有对远程学习者进行情感分析的研究主要分为以下三类。一类是从构建新系统、引入新模式的角度进行分析研究，比如唐伟志引入联通主义学习理论来构建新的远程教育学习模式，提出了构建以情感为教育目标的教学内容、采用慕课教学模式、创设人性化网络课程、构建远程学习社区等弥补远程教育中情感缺失的方法和措施（唐伟志，2014）；徐菊红提出了一种混合现实虚拟智能教室系统，该系统是一个依靠交互空间技术和电视演播技术而开发的网络教学环境，通过多变的虚拟背景下教师的讲课视频接受到更多的感性认识；还可以通过语音、视频以及文本与教师进行直接对话，大大加强了网络学习过程中师生的沟通交流（徐菊红，2013）。第二类研究从基于新的教学设备及面向未来智慧学习环境的角度进行分析研究，比如廖瑞华等人提出了一种基于人脸表情识别的尺度不变特征转换SIFT情感识别算法，该算法以情感计算为理论基础，以人脸面部表情识别为核心技术，通过捕捉远程学习者的面部表情进行SIFT特征提取进而识别远程学习者的表情，从而来帮助学习者在一定程度上补偿远程学习中缺失的情感（廖瑞华，李勇帆，刘琳，文海英，2010）；梅英等人提出采用模糊认知图（FCM）构建一种面向智慧学习环境的学习者情感预测模型,对远程学习过程中的学习者情感进行实时预测，以便教学系统根据预测情感及时有效地调整教学策略（梅英，谭冠政，刘振焘，2017）。第三类研究主要为情感分析量表问卷的设计应用研究，比如李笑樱通过编制远程学习者情感自评量表，确定了远程学习者的情绪变量，并初步探讨设计了远程学习者情感预警模型（李笑樱，2011）。
上述第一类研究大多停留在理论模型层面，缺乏实践的探索支撑；第二类研究虽然大多从实践出发，但是该类研究大多面向的是特定环境下的远程教学，这种远程教学形式大多需要一定的设备支持，比如用于采集学习者面部表情的设备等，通过特定设备收集数据对于学习者情感分析虽然相对准确，但是目前只在小范围使用。可以看出，当前缺乏对异步学习平台中远程学习者进行情绪分析的实践研究。第三类研究大多是针对没有第二类研究情感采集设备支撑的情况，采取远程学习者情感自评量表的形式进行情感分析判断，自评量表的形式收集远程学习者的情感受限存在的最大问题是不及时性，等学习者学习完了，情感问题都发生了，我们才发现学习者存在情感问题；其次自评量表的形式属于学习者主观表现行为，有的学习者甚至不愿在教学平台上有情感表达，问卷量表难以说明真实的学习者情绪，并且以MOOCs为代表的远程学习，学习者人数众多，通过量表收集学习者的情感费时费力，达不到个性化学习支持的目的。
大数据时代，学习分析技术在远程教育领域的优势逐渐凸显并得到了广泛长足的发展。首届“学习分析和知识国际会议”上认为学习分析技术是测量、收集、分析和报告有关学生及其学习环境的数据，用以理解和优化学习及其产生的环境的技术。学习分析技术分析的对象是学生及其学习环境，目的是评估学生、发现潜在问题、理解和优化学习，基础是海量数据。如何利用远程教育领域远程学习者的学习过程数据，使这些数据转变为信息、知识，并为教学决策、学习优化服务，而不至于“淹没在数据的海洋中，却又忍受着信息的饥渴”，已成为教育工作者以及学习者们所关注的内容（魏顺平，2013）。现在大部分提供异步学习功能的平台（比如为各网院提供教学支撑的Moodle平台以及为MOOCs提供教学支撑的Coursera、edX等教学平台）都对学习者的行为数据具有较为详尽的记录，海量的学习者行为数据使得我们可以通过学习分析技术对远程学习者进行学业情绪分析。
本研究以异步学习平台中记录的学习者学习过程数据为基础，构建合适的学习者学业情绪分析模型来对远程学习者进行学业情绪分析。在分析模型基础上，具体进行如下三种关系挖掘：
异步学习平台中远程学习者学业情绪与学习效果之间的关系如何？
异步学习平台中远程学习者学业情绪与教师情感之间的关系如何？
异步学习平台中远程学习者实时学业情绪与在线学习行为之间的关系如何？
二、相关研究及分析模型
（一）相关研究
一般认为通过远程教育方式进行学习的人都可以称为远程学习者，远程教育方式分同步和异步两种教学形式，实时同步的远程教育一般采用直播的形式，非实时异步的远程教育一般采用像Moodle、Coursera、edX等提供异步学习功能的平台进行教学。学业情绪是指在教学或学习过程中，与学生学业活动相关的各种情绪体验，包括在课堂学习活动中和完成作业过程中以及考试期间的情绪体验。本研究只对通过提供异步学习功能的平台进行学习的远程学习者的学业情绪进行分析研究。
学业情绪（Academic Emotions）最早由德国教育心理学家佩克伦（Pekrun）于2002 年提出，指在教学或学习过程中与学生学业活动相关的各种情绪体验（Pekrun, Goetz, & Titz，2002）。对于传统教育中学业情绪的测量，Pekrun等（2002）通过编制自评问卷来测量学习者的学业情绪，研究学业情绪与学习者学习经历的关系，研究发现学业情绪与学习者的学习动机、学习策略、认知资源、自我调节、学业成就、人格特质以及教师环境经历显著相关。
远程学习师生之间准永久性分离的特征使得远程教育中的师生不能像常规教育那样面对面地进行情感的交流，这样容易导致远程学习者情感的缺失。美国Picard（1997）早在1997年就提出了把情感计算引入E-learning的设想，他提出情感学习伙伴不是以教师的立场来指导学生的学习，而是一个帮助学生学习、能够在学生困惑以及受到挫败时给予帮助的学习同伴。但就目前来看，国内外情感计算在远程教育方面的应用研究还处于起步与探索阶段，所构建的远程教学系统对远程教学中师生情感生理特征与心理特征、多模情感信息融合机制及网络虚拟人机情感交互特性等考虑不足，系统原型在情感合成与表达、智能人机情感交互实现上存在着很大的难度（李勇帆，李里程，2013）。现阶段对于远程学习者进行情感分析判断的方法主要为以下两类：一类是需要通过特定设备或系统收集学习者面部表情等肢体语言信息进行学习者情感判断分析。比如卫晓娜通过对摄像头控制、人脸与人眼的检测和定位、注意力检测等的研究，提出了一种基于AdaBoost算法的直接对人眼睁闭状态进行检测的注意力识别方式，并在此基础上进行学生三种情感类型（正常学习状态、离开状态和瞌睡状态）的判断（卫晓娜，2010）。詹泽慧结合表情识别和眼动追踪技术构建基于智能 Agent 的远程学习者情感与认知识别模型，将眼动追踪与表情监控迭代识别、情感与认知识别过程相耦合，以提高远程学习者状态的识别准确率，改进 Agent 对学习者的情感和认知支持，为智能教学 Agent 与远程学习者交互机制的研究提供新的思路和方法（詹泽慧，2013）。第二类方式方法主要是基于自评量表或问卷的形式进行。比如韩斌尝试通过对于潜在远程学习者情绪表达和情感诉求的初步调查和综合分析发现在不同的学习阶段，围绕着学习期望、学习目标、学习成就、自尊需要、学习记忆等方面，一部分潜在远程学习者流露出较为清晰的情绪表达和强烈的情感诉求（韩斌，2014）。孙传远等人通过对上海电视大学青浦分校远程学习者的实证调查发现，目前远程学习者的学习情感交互状态比较好，但不同性别、年级、专业的学习者在体验性情感交互、网络课程学习交互、与学习促进者交互等方面分别存在显著性差异，尤其是体验性情感交互状态不佳（孙传远，刘玉梅，孙少华，2011）。
随着MOOC的兴起以及大数据的火热，在线教育得到了前所未有的发展，以Moodle为代表的各类提供异步学习功能的平台积累了丰富的学习行为数据及学习者文本信息。远程学习者通过异步学习平台进行远程学习的过程也会产生一定的学业情绪，这种学业情绪往往会伴随相应的认知学习行为。 奥顿（Ortony）、 克洛尔（Clore）和柯林斯（Collins）（1990）在《The cognitive structure of emotions》一书中，从认知科学的角度系统地提出了能对应大范围不同情感的认知结构，并提供了影响因素的强度，作者提出三大类别的情绪，每类对应一种不同的注意力的焦点：对事件（events）的反应，对代理人（agents）的行为的反应和对对象（objects）的反应。对于通过异步学习平台学习的远程学习者学业情绪分析，中外学者相关的研究并不是很多， 刘明（Liu，2015）通过机器学习方法分析远程学习者论坛中帖子的情感值，以学习者论坛中所发帖子情感值均值与其最终学习成绩做相关，发现学生帖子情感值与学习成绩之间存在显著中度正相关。温淼淼（Wen）、杨弟依（Yang）和露西（Rosé）（2014）通过挖掘远程学习者在MOOC论坛中帖子的情感值来监控MOOC中远程学习者在课程中的情感倾向变化趋势，发现了远程学习者每天论坛帖子所表达出的情感值与和每天辍学学习者之间的相关性。朱祖林、黄彩虹、李锐、洪婧倞（2011）通过回归模型解析了成人在线学业情绪倾向的相关影响因素的影响力，研究发现学习者个体的在线学习投入、求知诉求、社会交往诉求以及教师的支持响应，都会对学习社区的整体情绪氛围、整体网络密度和社区黏度（Stickiness）产生直接的影响。 雅克（Jaques）、维卡里（Vicari）、佩斯蒂（Pesty）等（2004）基于奥顿等人提出的情感认知结构模型来根据远程学习者在线学习行为识别远程学习者的情感，并据此介绍了一种嵌入在远程学习系统中的中介工具，该媒介目标是能激励远程学习者学习，提升远程学习者正向积极情绪。
（二）分析模型
在为数不多的探究远程学习者在线学习行为与学业情绪的关系的研究中，比较有代表性的是国内朱祖林等和国外 雅克等（2004）的研究。朱祖林等人（2011）的研究通过回归模型解析了成人在线学业情绪倾向的相关影响因素的影响力，该研究探究在线学习社区中与学业情绪倾向相关的在线学习社区环境因素模型可以归纳为表1。
在对在线交互语料进行挖掘分析情感计算得到在线学业情绪倾向后，进行相关性分析发现在线学业情绪倾向与求知诉求、社会交往诉求和教师支持响应之间的显著相关性。
雅克等（2004）的研究基于OCC情感认知模型提出远程学习者情绪识别方法（见图1）。该方法首先定义学习系统中的学习事件，比如学习者没有完成作业、学习者做错了练习题等。然后通过学习动机策略自评问卷（MSLQ）获取学习者学习目标，获取学习目标后就可以根据图1流程判断识别学习者学业情绪。
朱祖林，黄彩虹，李锐等（2011）的研究对于在线学习行为选取较为详细全面，值得本研究借鉴，但是其对于学业情绪倾向的计算面向在线学习社区，并且是以整个学期的学习者帖子为依据，没有对实时学习者学业情绪与在线学习行为之间的关系进行探究；雅克等（2004）的研究基于OCC情感认知模型计算识别学习者学业情绪相对比较准确，为本研究学业情绪分析提供了新的思路，但是该方法需要通过自评问卷获取学习者对应学习事件的详细学习目标，不符合自动化识别学业情绪的要求。
本研究借鉴雅克等（2004）的研究中学习事件的思路，认为远程学习者在异步学习平台上进行学习会对应一个个学习事件的发生；同时借鉴朱祖林等（2011）通过学习者帖子文本计算得到学习者学业情绪的方法以及其选取的在线学习行为指标，以异步学习平台中学习者帖子等文本信息为依据计算学习者学业情绪，同时认为学习者文本信息中的学业情绪会伴随有对应的学习者在线学习行为。本研究在借鉴前人研究的基础上对远程学习者学业情绪的实时动态性进行了重点考虑，本研究认为对异步学习平台中远程学习者进行学业情绪分析要从情绪发生时间和围绕学习事件对应的在线学习行为两个维度进行建模分析。在时间维度上，本研究认为远程学习者的学业情绪分为两种，一种分布在整个课程学期中，称为课程学期学业情绪，一种是对应特定学习事件发生在特定实时时间段内的，称为实时学业情绪。学习者分布在整个课程学期中的学业情绪会影响其最终学业效果，并且教师在整个课程中表现出的情感倾向会影响学习者的学业情绪；学习者发生在实时时间段内的学业情绪会围绕学习事件产生特定的学习行为，两者之间会存在显著相关性。基于上述分析假设，本研究提出适用于异步学习平台中远程学习者的学业情绪分析模型（见表2）。
三、应用探究
基于研究内容的需要，本研究以异步学习平台中的Moodle教学平台为例进行远程学习者学业情绪分析探究。本研究选取国家开放大学2015年秋季的一门在线课程《媒体辅助英语教学》作为研究案例课程。该课程会提供学习者详细的课程指南，课程指南中详细介绍了该课程的学习目标、学习内容以及考核评价方式等内容，以下关于课程的介绍说明大部分参考该课程指南。
Moodle平台对学习者在线学习行为有较为详尽的记录，这为本研究进行数据挖掘分析提供了基础。通过对该课程后台记录数据的统计发现，该课程一共包括11名教师和82名学习者，其中11名教师以及66名学生有过发帖行为。本研究选取该课程中有过发帖行为的教师和学习者作为研究对象。本研究案例课程中教师和学生主要交流手段为论坛发帖的形式，教师和学生共发帖3 586条，其中教师发帖1 891条，学生发帖1 695条，其中主题帖共410条，主题帖中教师发帖190条，学生发帖220条。
（一）情感计算与行为分析
本研究案例课程中学习者主要通过帖子进行学习交互，对于帖子中文本情感的计算，本研究通过编写Python代码调用玻森NLP情感引擎API计算得出。通过计算得出帖子文本的情感指数，按照玻森情感分析引擎规则，情感值在0～0.5之间判断为负面，在0.5～1之间判断为正面。经过情感分析计算，发现学生帖子中正向情感帖子为1 436条，占学生帖子总数84.7%，教师帖子中正向情感帖子1 728条，占教师帖子总数91.38%。
Moodle学习平台中远程学习者在线学习行为都以时间戳的形式记录在其平台LOG日志表中，本研究以学习者课程日志为依据进行挖掘分析计算。通过分析，本研究案例课程日志中一共包括了31 579条学生行为记录。经过对课程日志结构进行分析，本研究决定从学习者行为发生模块（module）和行为动作（action）两个维度进行学习者在线学习行为指标的挖掘提取。本研究首先统计分析远程学习者行为发生模块情况，发现该课程中共有10个行为发生模块，分别是日志（blog）、工作坊（workshop）、页面（page）、用户（user）、视频文件（videofi le）、讨论区（forum）、主题帖（discussion）、共享内容（scorm）、课程（course）和学习资源（resource）。案例课程日志中各模块中所有学习者行为记录数分布见表3。
鉴于日志（blog）、视频文件（videofile）和主题帖（discussion）三个模块中学习者行为记录数过少（均不足30条），本研究决定去掉对这三个模块的分析。本研究对剩下的7个行为发生模块结合行为动作维度进行统计分析，统计结果见表4。
经过对行为动作进行分析，本研究发现学习者的行为动作大致可以分为浏览类（view）动作和增删改类（add、delete和update）两类动作。基于上述统计分析，本研究确定上述七个行为发生模块中学习者行为发生数量和两种行为动作（浏览和增删改类）中学习者行为发生数量共九个在线行为指标。具体行为指标为：工作坊参与量、页面浏览量、访问用户数、论坛参与量、Scorm课件访问量、资源浏览量、课程浏览量、浏览行为数和增删改行为数。
（二）关系挖掘分析
基于本研究提出的学业情绪分析模型，本研究从整个课程学期和实时时间段两个维度分别进行远程学习者学业情绪与学习效果、教师情感以及实时在线学习行为之间关系挖掘分析。
1.远程学习者课程学业情绪与学习效果相关性分析
本研究将选取案例课程中发表过帖子并且有作业成绩的46名学习者作为研究对象，将学习者在该课程中所发帖子情感值均值作为该学习者对该课程的情感值，将学习者的最终学习成绩作为该学习者的学习效果，对其做皮尔逊相关性分析。相关性分析结果为（r=0.546，p<0.01），学习者课程学业情绪（avg_pos_degree）与成绩（grade）散点分布见图2。
从相关性结果表和散点图中可以看出该课程中学生课程学业情绪与学生学习效果在0.01水平上显著正相关，相关系数为0.546。该结果与刘明（Liu，2015）的研究结果相近，再次说明学习者在课程中的学业情绪会正向影响学习效果，学习者课程学业情绪越正向预示学习者学习效果越好，这也侧面说明研究远程学习者学业情绪的必要性。
2.远程学习者学业情绪与教师情感倾向相关性分析
本研究案例课程中教师与学习者之间进行交互主要通过论坛发帖进行，因此本研究以课程论坛中的主题帖为依据，对主题帖下面整个课程学期中的所有帖子进行挖掘分析。通过对本课程帖子内容实际分析，发现该课程的主题帖的内容多是号召性活动或者学习任务的安排，内容大多不含有明显的情感倾向，因此本研究只对课程各主题帖中所有回帖进行学业情绪分析。本研究选取案例课程中353个有教师和学习者共同参与的主题帖作为研究对象。分别计算每个主题帖中所有教师帖子情感值均值作为教师情感值，计算所有学习者帖子情感值均值作为学习者学业情绪，然后做皮尔逊相关分析，相关性结果为（r=0.167，p<0.01）。教师情感值（avg_tea_degree）和学习者学业情绪值（avg_stu_degree）散点分布见图3。
从相关性结果表中可以看出学习者在主题帖中的学业绪与教师在该主题帖中的情感值在.01水平上显著正相关。从散点图中可以看出该课程中同一主题帖中学生和教师情感值分布呈现右上三角形分布，这与本研究前面情感计算结果（课程中大部分帖子情感值为正向）相一致。学习者学业情绪与教师情感值显著正相关，这说明教师在异步学习平台中会起到引导示范作用，教师的情绪倾向会正向影响学习者的学业情绪。
3.远程学习者实时学业情绪与在线学习行为相关性分析
针对远程学习者学业情绪的实时动态性特征，本研究认为远程学习者的学习情绪是由于学习任务或者学习环境的变化而产生的，这种情绪会在一段时间内保持不变。在调查相关研究及听取专家意见后，确定要探究的实时时间段分别为14天、5天和2天时间。案例课程中，本研究以学习者发布的1 695条帖子的发帖时间为计算时间点，据此统计计算学习者发帖时间前后7天、2.5天和1天学习者在线行为指标，分别将在线学习行为指标与对应帖子学习者实时学业情绪做皮尔逊相关性分析。相关性分析结果见表5。
从上述相关性结果可以看出与学习者实时学业情绪相关的在线行为很少，少数显著性高的在线行为相关性系数也比较低。在三组不同时间段相关分析中与远程学习者实时学业情绪显著相关的行为只有学习者的增删改行为数，并且时间段越小，与情感值显著性越高（显著性由14天的.013提高到2天的.004）。在上述相关性分析结果的基础上，本研究继续对唯一一个与学习者实时情感在.01水平上显著相关的学习者2天内增删改行为数进行挖掘分析。经过分析，发现有学习者增删改动作对应的模块只有工作坊和论坛，具体学习者相关在线学习行为数量统计见表6。
将2天内学习者上述学习行为指标与对应学习者实时学业情绪进行皮尔逊相关性分析结果见表7。
相关性结果表明，学习者在论坛中新建帖子的行为与学习者实时学业情绪在.01水平上显著，相关系数与显著性均较学习者增删改行为数有所提升。
上述相关分析中，本研究主要从全部帖子的角度出发进行分析，未考虑学习者可能在同一时间段内发很多帖子的情况，因此本研究决定从学习者的角度出发继续进行分析。本研究对该课程中有过发帖行为的66名学习者进一步挖掘分析，试图通过分析学习者实时学业情绪规律来对远程学习者在线学习行为和实时学业情绪之间的关系有更加深入透彻的探究。本研究按如下分析步骤对学习者实时学业情绪规律进行探究：如果某个学习者在某一天有发帖，那么首先计算该学习者当天所有发帖的情感值，并取均值作为该学习者当天实时学业情绪（avg_pos_degree），然后计算该学习者在发帖当天日志中记录的所有学习行为总次数（all_count），这样共确定66名学习者在59天中共425条实时学业情绪与在线学习行为总次数对应记录。远程学习者实时学业情绪值和在线学习行为总次数散点分布见图4。
可看出散点图呈现右下三角的分布，且越往右下角越密集。本研究认为出现这种分布情况可能与课程中有一部分学习者实时学业情绪大部分偏高有关。为了验证上述研究假设，本研究制定如下识别学习者类别的方法：首先本研究基于玻森NLP情感引擎情感判断标准（情感值处于0～0.5之间判断为负面，0.5~1之间判断为正面）对学习者帖子情感值进行等级划分，划分标准为：情感值处于0~0.3之间为消极（负面）情感，0.3~0.7之间为中性情感，0.7~1之间为积极（正面）情感；在情感值等级划分的基础上，本研究认为学习者如果所发帖子中超过80%帖子全为同一情感倾向，则认为该学习者的学业情绪比较隐蔽不容易通过在线学习行为捕捉发现，当然不排除该类学习者天生比较乐观或悲观，情感倾向确实比较单一的情况。基于上述识别方法，本研究通过Python语言设计算法编写代码进行学习者识别，研究结果共识别出该课程66名学习者中存在三类学习者：第一类学习者，案例课程中有20人，该类学习者所发帖子中超过80%的帖子情感倾向为积极情感；第二类学习者，案例课程中有1人，该类学习者100%帖子为中性情感（详细分析发现该学习者只发了1个帖子）；第三类学习者，案例课程中有45人，该类学习者所发帖子中表现出非单一情感倾向，他们所发帖子为同一情感倾向的占比不超过80%。案例课程中，第一类和第三类学习者的发帖情感值和在线学习行为总次数散点分布见图5、图6。
上述研究结果基本证实了本研究的假设猜想，课程中确实有一部分学习者发帖中80%的帖子情感值为积极正向情感。本研究认为第一类学习者情况比较复杂，有待继续深入研究，第二类学习者（案例课程中只有1人）情感特征还无法进行判断。基于此，本研究只对上述第三类学习者（案例课程中有45人）继续进行学习行为与实时学业情绪的关系挖掘。本研究前述相关分析结果可知，学习者在线学习行为与实时学业情绪之间的显著性在2天时间段时最高，并且与学习者论坛内新建帖子行为显著性最高。因此本研究计算第三类学习者发帖当天所发所有帖子的情感值，取均值作为学习者当天实时学业情感值；计算发帖当天与学习者实时情感最相关的学习者新增帖子次数指标，这样共确定案例课程中45名学习者59天308条学习者实时学业情绪与新增帖子次数对应记录。对308条记录做皮尔逊相关分析，结果为（r=0.198，p<0.01），这一结果比对所有学习者分析时相关性结果（r=0.073，p<0.01）的相关性有了较大提高。
四、总结展望
本研究提出的异步学习平台中远程学习者学业情绪分析模型在案例课程中取得了良好的分析效果，通过对案例课程研究可以得出如下三点研究结论供讨论探究。
1.远程学习者在异步学习平台论坛中会倾向于表达积极正向的学业情绪，并且教师会比学习者正向情感倾向更强
在本研究案例课程中，经过情感分析计算，发现学习者帖子中正向情感帖子占学习者帖子总数84.7%，而教师帖子中正向情感帖子占教师帖子总数91.38%。这一发现与曹良亮和陈丽的研究发现（曹良亮，陈丽，2006a）较为一致，在异步学习交互中，学习者主要是正向情感的表达，很少有负面反应的帖子。在本研究案例课程中发现教师正向情感帖子占比比学习者高，这说明教师作为异步学习平台中教学组织者，会更倾向于正向积极地引导学习者进行学习。贝尔茨 （Bales）将远程学习者论坛中帖子内容分为社会性情感和学习任务两方面，并据此提出了交互过程分析模型（Bales，1950）。在异步学习平台中，远程学习者发帖的原因较为复杂，有的是出于社会交互的目的，也有一部分是为了完成学习任务。通过本研究案例研究结果可以看出，不论出于何种目的发帖，在异步学习平台中，远程学习者及教师都倾向于表达积极正向的学业情绪，并且教师由于教学组织者的身份会更倾向于正向积极地引导学习者。
2.远程学习者课程学业情绪与学习者学习效果及教师情感倾向显著相关
在本研究案例课程中，通过对远程学习者课程学业情绪与学习成绩做相关性分析发现，远程学习者学业情绪与学习成绩在.01水平上显著，这说明在异步学习平台中，远程学习者的学业情绪会正向影响其学习成绩，本研究分析这可能与案例课程对学习者形成性评价中有论坛行为有关，而远程学习者在线学习具有较强的绩效导向特征（李爽，钟瑶，喻忱， 程罡，魏顺平，2017），因此不排除部分学习者为了取得好成绩而积极在论坛中进行表现的可能性。在本研究案例课程中，通过对远程学习者学业情绪与教师情感倾向做相关性分析发现，远程学习者学业情绪与教师情感在.01水平上显著。远程教育教与学时空分离导致远程学习者与教师缺乏相应的教学交互，论坛作为教师和学习者之间交互的重要渠道显得尤为重要。在本研究中远程学习者与教师在论坛中的情感倾向显著相关，这说明异步学习平台通过论坛进行教学交互作用显著，作为教学组织者，教师可以在论坛中进一步增加积极鼓励等方面的正向帖子比重来提高远程学习者的学业情绪。
3.远程学习者实时学业情绪与创作性在线学习行为显著相关，案例课程中远程学习者中存在两种明显的学业情绪规律特征
本研究提出的远程学习者学业情绪分析模型以实时时间段的方法对远程学习者实时学业情绪与在线学习行为进行相关性探究，发现远程学习者实时学业情绪与学习者增加删除更新等创作性行为显著相关，这说明异步学习平台中远程学习者的学业情绪往往体现在有创作性的学习行为中，学习者在思考动手实践的过程中学业情绪较为强烈。异步学习平台中存在不同类型的远程学习者，曹良亮和陈丽依据讨论组中远程学习者的不同行为表现对三类远程学习者（逃避者、参与者和观望者）做出了较为明确的操作性界定（曹良亮，陈丽，2006b）。本研究分析远程学习者实时学业情绪时在案例课程中识别出远程学习者中两类明显的学业情绪分布规律特征：一类学习者所发帖子中超过80%的帖子情感倾向为积极情感（该类学习者在本研究案例课程中占31%左右），第二类学习者所发帖子中表现出非单一情感倾向，他们所发帖子为同一情感倾向的占比不超过80%（该类学习者在本研究案例课程中占68%左右）。异步学习平台中远程学习者由于学习目标的不同会表现出不同的在线学习行为状态，宗阳等在研究一门MOOC时就发现了三类行为不同的远程学习者：一类学习者不观看教学视频等教学资源，不做作业和测试，成绩很差；一类学习者观看教学视频等教学资源，做作业和测试，成绩很好；一类学习者不观看教学视频等教学资源，做作业和测试，成绩很好（宗阳，孙洪涛，张亨国，郑勤华，陈丽，2016）。因此对于通过异步学习平台进行学习的远程学习者，对他们进行学业情绪分析之前对其进行学业情绪分布规律研究很有必要，只有对学习者进行充分了解，才能有针对性地实施个性化的学业情绪支持。
中文文本情感计算由于中文语义复杂性，未来在分析准确率方面还有很大提高的空间。相信未来随着科技的发展文本情感计算会越来越成熟，应用于远程教育领域会取得更好的效果。现阶段远程学习者学习方式虽然受到直播等方式的冲击，但是远程教育教与学时空分离的本质不会变，因此基于异步学习平台进行学习交流仍会是未来远程学习者获取知识，进行学习的重要手段。本研究在一定程度上填补了目前对于异步学习平台中远程学习者学业情绪分析研究的相对空白，但是由于研究精力不足等方面的限制，本研究未能在学习者帖子内容分类和多平台案例课程应用方面做出更深一步的探究应用。本研究希望在条件允许的情况下，后续研究可以对帖子内容进行适当干预区分进行研究，也可以进行不同类型异步学习平台应用分析，对本研究提出的分析模型做出必要修订。
远程学习者由于学习目标的多样性，导致其学业情绪及在线学习行为的多样复杂性，因此本研究相当于只对异步学习平台中远程学习者的学业情绪进行了识别分析。能实时识别分析监控远程学习者的学业情绪后，需要有针对性地采取一定的干预措施，进而才能实现对远程个性化的学业情绪支持的目标。希望后续研究能在本研究提出的异步学习平台中远程学习者学业情绪分析模型的基础上，进行远程学习者个性化学业情绪干预实验探究，最终探索出一套适用于异步学习平台的远程学习者学业情绪实时监控干预引导系统，自动化方便地对远程学习者提供个性化实时学业情绪支持服务。
作者简介：宗阳，硕士，北京师范大学远程教育研究中心。研究方向：在线学习分析、教育数据挖掘。陈丽，博士，北京师范大学副校长，教授，博士生导师。研究方向：远程教育基本原理、终身教育。郑勤华，博士，北京师范大学远程教育研究中心主任，副教授。研究方向：教育经济学、在线学习分析。胡红梅，硕士，中央民族大学附属中学丰台实验学校信息技术教师。研究方向：信息技术与课程整合、学习分析。
转载自：《开放学习研究》2017年第6期
排版、插图来自公众号：MOOC（微信号：openonline）
喜欢我们就多一次点赞多一次分享吧~
有缘的人终会相聚，慕客君想了想，要是不分享出来，怕我们会擦肩而过~
相关内容
微信扫码咨询专知VIP会员