基于情感分析的E-learning学习行为评估与预测方法研究

摘要

作为中国教育信息化事业的重要部分，E-learning教学模式以其独特的开放式教育特点，打破了传统教学模式僵化的时间与空间格局，促进了优质教育资源的共享，推动了教育的普及化与个性化。该教学模式在教学方式上的改革无疑取得了巨大成功，但是其所面临的教育数据难以处理、高注册率低毕业率等问题，却是限制该教育模式可持续发展的重要难题。如何有效分析与评估学生学习行为，从而及时发现其辍学倾向并采取具有针对性的教学干预，则是提升该教学模式核心竞争力的关键性难题。 本文针对E-learning学习平台教育数据难以有效利用、学习者学习行为难以准确量化评估、学习者辍学倾向难以及时发现，以及该学习平台无法采取具有针对性的教学干预四个问题，以学习者的文本数据、毕业情况等多种学习行为数据为研究对象，提出了基于情感分析的E-learning学习行为评估与预测方法。 首先，针对现有E-learning教育数据中非结构化数据难以有效利用的问题，以及传统情感分析方法中所存在的情绪分析结果粒度较粗的问题，提出基于细粒度情绪分析的多极化情感评估模型。本模型基于依据情感词典分析方法，将传统情感分析方法中积极与消极的两极化情绪细化至快乐、悲伤、愤怒、恐惧、信任、厌恶、惊喜与期待8种人类基本情绪，提高了情感分析的粒度，并结合中文情感表达特点与语义关系，建立了较全面的情感量化规则，提高了情感强度计算的精度。此外，为进一步理解学习者的情感变化趋势，提取了学习者的各阶段性主导情感，从而构建了E-learning学习者的多极化情感变化链。 其次，提出基于情感变化趋势的行为预测与课程推荐算法。本算法以学习者的多极化情感变化链与毕业情况之间的映射关系为研究对象，建立多元线性回归方程，在分析小批量梯度下降算法局限性的基础上，以改进的学习率热启动方法对其性能进行优化，并以改进后的算法对所建立多元线性回归方程进行求解。在此基础上，以条件概率与文本互信息度为课程筛选标准，为毕业概率较低或毕业概率出现较大幅度下滑的学习者推荐相关兴趣课程，同时，为确保所推荐课程的时效性，以学习兴趣衰减函数动态更新课程兴趣度。 最后，以算法对比分析、接受者操作特性曲线分析、5折交叉验证等评估方法对本文方法进行了综合实例验证。 本文所提出的研究方法，为评估与预测E-learning学习者的学习行为提供了新的研究思路，有利于及时发现学习者的辍学倾向，并以推荐相关兴趣课程的干预方式，提高其毕业率，从而优化学习者的学习体验，促进E-learning教学平台的个性化教育与有效教学的发展，对加快中国教育信息化的改革进程提供了一定参考价值。

目录

第1章 绪论

1.1 课题背景及研究意义

1.1.1 课题背景

1.1.2 研究意义

1.2 国内外研究现状

1.3 主要研究内容

1.4 论文组织结构

第2章 相关理论基础及关键技术介绍

2.1 E-learning相关基础理论

2.1.1 E-learning的基本概念

2.1.2 E-learning的学习行为内涵

2.1.3 E-learning的学习行为特点

2.2 情感分析技术

2.2.1 基于情感词典的情感分析方法

2.2.2 基于机器学习的情感分析方法

2.3 个性化推荐技术

2.3.1 基于协同过滤的推荐算法

2.3.2 基于内容的推荐算法

2.4 本章小结

第3章 基于细粒度情绪分析的多极化情感评估模型

3.1 词典资源构建

3.1.1 同义词词林描述

3.1.2 同义词匹配与赋权

3.2 FGMSAM模型设计

3.2.1 文本预处理

3.2.2 情感量化规则

3.2.3 阶段性多极化情感强度量化

3.2.4 多极化情感状态评估

3.3 实验分析

3.4 本章小结

第4章 基于情感变化趋势的行为预测与课程推荐算法

4.1 基于情感变化趋势的学习行为预测模型设计

4.1.1 SBPM模型建立

4.1.2 SBPM模型求解

4.2 基于学习行为预测结果的课程推荐算法设计

4.2.1 推荐课程相关性计算

4.2.2 学习兴趣衰减效应

4.3 实验分析

4.4 本章小结

第5章 基于情感分析的E-learning学习行为评估与预测

5.1 学习行为评估与预测

5.1.1 学习者退课行为层次分析

5.1.2 学习行为评估与预测的流程

5.2 实验验证与分析

5.2.1 毕业概率准确性实验与分析

5.2.2 学习者情感倾向性分析

5.3 本章小结

总结与展望

参考文献

攻读硕士学位期间发表的论文及其它成果

声明

致谢