基于 MOOC 课程评论的话题挖掘与情感分析研究

为了深入挖掘与分析在线课程评论文本,探索学习者参与在线课程学习时关注的话题及其情感态度,为提高在线课程质量提供帮助。首先采用词频分析方法,实现对学习者在线课程评论内容的整体认识|然后利用非监督学习方法潜在狄利克雷分布主题模型对评论文本信息的特征结构、语义内容进行自动挖掘和分析,得到学习者的关注话题|最后对每个话题的课程评论文本进行情感倾向分析,得到学习者的情感倾向分布。实验结果表明,在参与课程学习的过程中,学习者主要关注教师授课、课程内容和学习资源 3 个话题。情感分析结果显示,学习者对于该课程普遍表示满意和赞赏,但是对于该课程学习资源表达了较多负面情感。     

药品安全话题发现技术研究

运用中文信息处理方法,从大量医药新闻报道中进行有价值话题挖掘,为后续话题跟踪提供训练测试文本。从医药新闻特点入手,使用轮廓系数评价法对k-means的聚类性能进行评估,选取最佳聚类中心数。利用LDA对选取的最佳主题进行提取,从而得到相应的话题。轮廓系数评价法与k-means方法相结合,有助于从海量信息中筛选出有价值的话题。当样本量足够大、聚类效果不好时,人工标记可在一定程度上改善聚类效果。     

基于在线主题模型的新闻热点演化模型分析

为了对新闻媒体平台的重大事件进行话题演化建模分析,基于隐含狄利克雷分布（LDA主题模型算法）对话题动态建模,在变分推断主题模型基础上建立衡量话题内容和热度变化的流行话题模型（TTM-OLDA）。针对用户关注的重大新闻事件发展方向与热度,提出话题内容向量与流行因子,对整个话题生命周期进行量化,从而有效地从大量相关新闻中挖掘出话题演化细节,帮助用户更好地掌握话题发展情况。在特定新闻板块筛选的数据集下,通过设置对比实验和人工评测方式,验证该方法在困惑度上优于在线主题模型算法。     

在线讨论中知识建构与讨论话题的研究——以虚似学习社区LV为个案

以虚拟学习社区"学习村庄"中的在线讨论为个案,运用内容分析法,关注知识建构水平的变化和讨论话题对知识建构水平的影响。通过对在线讨论的历史数据进行收集整理和分析,得到两方面的结论。     

在线论坛中学习者兴趣与行为主题联合建模研究

在线论坛中的文本大数据,能够在一定程度体现学习者的个人情感与知识建构水平,对其进行深入挖掘能为个性化教学提供参考与依据。针对教育文本挖掘现有研究对兴趣和行为进行孤立分析的现状,将学习者潜在的兴趣主题和行为倾向纳入主题模型,构建了融合行为-情感-主题-时间的潜在语义分析模型,即BETTM(Behavior-Emotion-Time-Topic Model),以致力于挖掘四者之间的潜在关系。基于华中地区某高校开设课程的在线论坛数据,通过挖掘学习者在整个教学周期中的兴趣主题与行为倾向,探究二者与学习成绩的关系,以及二者随时间变化的规律。结果表明:(1)有关资源查找和组内成员之间交互的主题,对学习成绩有显著正向作用;(2)教学作品完成过程中学习者的信息发布行为,对学习成绩有正向影响作用;(3)兴趣主题和行为倾向联合后的12类行为分布,对学习成绩没有显著影响;(4)在时间上,前期学习者倾向于对资料进行查找与整合以及分配任务,中期则关注彼此的交互和个人观点的表达,后期更侧重于对作品修改和完善,以及对自己和他人在整个讨论过程中表现进行评价。研究所提出的模型,为在线论坛中学习者兴趣与行为主题挖掘、分析与预测,提供了参考和依据。     

健康教育类在线课程的用户需求及评价挖掘分析

探究MOOC(Massive Open Online Courses,又称“慕课”)用户对健康教育类在线课程的需求及评价,为健康教育类在线课程的建设和MOOC平台的管理提供决策支持。基于LDA(Latent Dirichlet Analysis,LDA,潜在狄利克雷分布模型)主题模型识别评论文本的主题,借此发现用户需求主题并构建用户对课程的评价指标体系、分析用户需求主题演化趋势;基于百度AI（人工智能）情感分析进行在线课程评价,将用户对在线课程需求的满足程度进行可视化。研究结果表明：用户需求主题呈现出多元化特点;构建的在线课程评价指标更加丰富、具体,符合在线学习环境和健康教育类课程的特点;MOOC用户对健康教育类课程整体满意度较高。     

新冠肺炎疫情期间微博话题"线上教学"的关注热点分析

为探究新冠肺炎疫情期间微博公众对"线上教学"的关注热点,保障线上教育科学有效性,本研究选取线上教学微博热点话题为标签,以微博文本数据为研究对象,分析微博话题的显性和隐性热点.结果发现:高关注度话题可分为停课不停学类、网课吐槽类、教育探讨类、平台推广类、新闻报道类;LDA模型挖掘到的隐性热点包括政策解读、公益行动、线上辅导、身心健康、网络诈骗等五大类别.可见,信息时代的在线教育进入大发展时期,实现在线教学的有效性需要提升网络平台技术,完善网络学习支持;教学过程注重实现学习者价值主张.只有重视自然与健康、爱国与感恩、解决与应对,才能最终回归到教育的本质.     

在线讨论中学习者批判性思维研究

在线讨论作为在线学习的主要活动形式之一,其产生的文本可以反映出学习者批判性思维水平。文章借助恩尼斯的FRISCO批判性思维编码体系,使用内容分析法和滞后序列分析法对S大学本科生一门课程的在线讨论文本进行分析,深入研究学习者批判性思维的变化情况。研究发现:在线讨论能够促进学习者批判性思维产生积极变化,学习者的批判性思维水平逐渐由低等级向高等级发展。教师可根据学习者的批判性思维转换情况进行适时的干预和引导,提高学习效果,助力学习者批判性思维的发展。     

指向学习者归属感的在线学习社区构建

在线学习归属感是衡量学习者在线学习情感投入的重要指标。基于此,通过分析在线学习归属感的影响因素并构建了指向学习者归属感的在线学习社区模型,利用文本挖掘、协同过滤、可视化等技术进行了深入的阐释,就研究模型的关键问题进行了探讨并提出了相应的建议,以期为增强学习者在线学习归属感的后续研究提供借鉴。     

基于用户兴趣及迁移的话题模型分析

社交网络中各种推广应用都依赖于用户兴趣的获取。用户兴趣获取方法多种多样,但大多集中于用户关注信息、用户浏览网页的分析,用户发表的语义信息与兴趣的潜在联系很少被深度发掘。提出基于标签的话题分割模型,将所有文本转化为带标签的文本以便聚类。通过分析话题变化状态推测用户兴趣迁移状况,注重社交网络用户兴趣及迁移状况与话题动态变化过程的潜在关联,利用Word2vec对话题进行相似度分析,充分利用词的上下文信息表征丰富的语义信息,通过分析社交网络平台数据,得到用户兴趣分布、兴趣动态变化过程以及话题迁移状况。将结果进行拟合后发现,用户的兴趣及变化状况很大程度上取决于用户发表的话题。     

面向教育技术学文献数据的主题挖掘

对网络环境下海量的科技文献数据进行文本挖掘可以有效地提高科技文献信息的可用性,发现隐藏的知识。LDA (Latent Dirichlet Allocation)模型是一种能够提取文本隐含主题的非监督学习模型。论文基于LDA模型,以三种国际教育技术期刊在2004-2008年间出版的学术文献为研究对象,进行了主题挖掘和文献分析。     

面向学习体验文本的学习者情感分析模型研究

情感是影响学习者认知和行为的关键性非智力因素。准确分析、识别学习者的情感状态,对教育的个性化、智能化发展尤为重要,它是情感计算的重要内容,已经成为人工智能和教育领域的交叉研究热点。学习体验文本是学习者情感分析的主要数据来源。面向学习体验文本,是在完善基础词典和情感词典的基础上,提出一种融合情感词典和机器学习的学习者情感分析模型,能够实现对段落级/篇章级学习体验文本的多级情感分类,从而挖掘学习者内隐的情绪状态。为了检验模型的有效性,采用宏平均指标全面评估情感分析模型的整体分类性能。研究结果表明:选择情感词特征和句子构成特征、采用SVM分类器时,该模型能够准确识别学习体验文本中的学习者情感;模型不仅为学习者多级情感分析提供新的研究思路,而且也为深入挖掘学习行为、改善在线教育的学情分析等,提供了技术支撑。这一研究结果,有助于进一步把握模型的应用前景、面临的问题和挑战等,并提出了相关建议。     

基于电子学档的在线学习行为监控

在线学习是一种师生分离的自主学习,对学习者的学习行为进行监控,能提高在线学习效率。利用电子学档对学习者的在线学习行为进行监控,不仅有助于促进学习者的学习反思、激发学习动机、开展更为有效的学习,而且有助于实现对学习者学习行为的全面监控。基于电子学档的在线学习行为监控模型一般包括行为信息的提取模块,整理和分析模块,成果及评价模块,反思模块,行为标准制定模块等五部分。采用这个模型,可以实现对在线学习行为的全面监控。     

一种融合LDA主题模型与LSTM网络的个性化推荐算法

为改善传统个性化推荐算法精准度不高的问题,使用评论数据作为数据集,先对评论数据作文本预处理和特征提取,然后使用LDA主题模型对文本特征数据建模,得到主题词分布,将其作为标签,同时使用LSTM网络作文本分类,通过计算得到好评率。最后把用户需求和标签利用潜在语义标引计算相似度,根据相似度和好评率大小向用户推荐结果。实验结果表明,该方法能够向用户推荐符合其兴趣的个性化需求信息,且准确率高于96%,证明了该推荐算法的有效性。     

概念隐喻与隐喻语篇的主题分析

在篇章语言学的信息分析中,主题分析具有与主位分析不同的意义。并且,主题分析对于隐喻语篇存在特殊意义,因为主题和概念隐喻是隐喻语篇建构和识解的重要手段。主题分析帮助人们认知隐喻语篇：从创作角度,概念隐喻建构文学作品的基本主题;从识解角度,文学作品的基本主题的关系是隐喻。     

The Use of Additional Information in Problem-Oriented Learning Environments

Self-directed learning with authentic and complex problems (problem-oriented learning) requires that learners observe their own learning and use additional information when it is appropriate (e.g. hypertextual information in computer-supported learning environments). Research results indicate that learners in problem-oriented learning environments often have difficulties using additional information adequately, and that they should be supported. Two studies with a computer-supported problem-oriented learning environment in the domain of medicine analysed the effects of strategy instruction on the use of additional information and the quality of the problem representation. In Study 1, an expert model was used for strategy instruction. Two groups were compared: one group with strategy modelling and one group without. Strategy modelling influenced the frequency of looked-up hypertextual information, but did not influence the quality of learners' problem representations. This could be explained by difficulties in applying the general hypertext information to the problem. In Study 2, the additional information was presented in a more contextualised way as graphical representation of the case and its relevant concepts. Again, two groups were compared: one with a strategy instruction text and one without. Strategy instruction texts supported an adequate use of this graphical information by learners and had an effect on the quality of their problem representations. These findings are discussed with respect to the design of additional help systems in problem-oriented learning environments. This revised version was published online in July 2006 with corrections to the Cover Date.     

基于SSDKmeans算法的微博热点话题发现研究

为及时从海量微博信息中迅捷有效提取出微博热点话题、事件,提出基于频繁集的聚类SSDKmeans算法,在有限空间下统计分词的近似频数,并在此基础上构建文本向量空间模型,在聚类生成的每个话题簇中提炼话题关键词。通过对2万条微博数据进行有效性验证,结果表明,基于SSDKmeans算法的话题发现有较高的召回率和精准率,分别为91.3%、92.1%。SSDKmeans算法能够有效提高微博热点话题发现率,进而及时了解社会热点话题与舆论趋势。     

异步交互工具的交互潜能——一项关于异步交互中教学交互结构模型的研究

本文将社会网络分析法(SNA)用于两个教学案例,从教学交互的角度对异步交互中教师和学生组成的交互群体的交互模型和结构进行了系统的分析.研究认为,为了更加有效地利用异步交互促进在线学习,教师需要有针对性地对在线学习中的交互进行设计和准备,并在教学过程中充分发挥学生在交互过程中的主动性,提高对学生的关注程度.此外,结合使用多种交互工具,也可以有效地提高在线学习中教学交互的质量和效率.