學(xué)習(xí)云空間中基于情感分析的學(xué)習(xí)推薦研究

黃昌勤 俞建慧 王希哲

摘要：在“三通兩平臺”建設(shè)背景下，云空間以泛在的資源供給和便捷的交互支持特性，為學(xué)習(xí)者提供了一個高效、可定制的互聯(lián)學(xué)習(xí)空間環(huán)境——學(xué)習(xí)云空間。正如其他在線學(xué)習(xí)平臺一樣，“情感缺失”一直是制約學(xué)習(xí)云空間中學(xué)習(xí)效率提升的一個重要瓶頸。該文聚焦學(xué)習(xí)云空間中學(xué)習(xí)者情感的獲取與應(yīng)用，提出了一個基于空間交互文本大數(shù)據(jù)的情感分析方法及其學(xué)習(xí)推薦機(jī)制。首先，利用時序特征數(shù)據(jù)適應(yīng)性的LSTM網(wǎng)絡(luò)構(gòu)建學(xué)習(xí)者情感分析模型，并設(shè)計了一個可實時動態(tài)分析情感的執(zhí)行算法。然后利用貝葉斯網(wǎng)絡(luò)進(jìn)行情感歸因分析，建立情感驅(qū)動下的學(xué)習(xí)推薦機(jī)制與策略，并在已有學(xué)習(xí)云空間平臺中實現(xiàn)了基于上述理論成果的學(xué)習(xí)推薦功能系統(tǒng)。最后進(jìn)行效果驗證，該系統(tǒng)可以分析學(xué)習(xí)者的情感并為其推薦學(xué)習(xí)支持服務(wù)，滿足其基于網(wǎng)絡(luò)空間的個性化知識建構(gòu)需求。

關(guān)鍵詞：交互文本大數(shù)據(jù)；學(xué)習(xí)情感分析；LSTM神經(jīng)網(wǎng)絡(luò)；情感歸因；學(xué)習(xí)推薦

教育信息化是國家信息化的重要組成部分，教育信息化的發(fā)展，帶來了教學(xué)形式和學(xué)習(xí)方式的重大改革，對傳統(tǒng)教育產(chǎn)生了巨大的沖擊，直接推動了教育的現(xiàn)代化。學(xué)習(xí)云空間建設(shè)是借助網(wǎng)絡(luò)新技術(shù)促進(jìn)學(xué)習(xí)型社會形成、提升教育教學(xué)效果的重要信息化舉措，是國家教育信息化“十三五”發(fā)展規(guī)劃中“三通兩平臺”的核心內(nèi)容，它是基于開放式的云計算架構(gòu)，以教師、學(xué)生為共建共享的主體，能最大限度的匯聚與共享教學(xué)相關(guān)信息、資源和服務(wù)，為用戶提供一站式交互學(xué)習(xí)的網(wǎng)絡(luò)互聯(lián)虛擬實體。隨著國家各級部門對“三通兩平臺”政策的高度重視，網(wǎng)絡(luò)學(xué)習(xí)空間的建設(shè)實現(xiàn)了快速發(fā)展與廣泛應(yīng)用，主要集中在網(wǎng)絡(luò)學(xué)習(xí)空間的內(nèi)涵與演化、建設(shè)框架等理論研究以及教學(xué)策略、學(xué)校教育發(fā)展研究等實踐層面。

以學(xué)習(xí)者個人訴求為核心，基于網(wǎng)絡(luò)互聯(lián)最大化滿足學(xué)習(xí)者的特性需求，學(xué)習(xí)云空間為學(xué)習(xí)者呈現(xiàn)了自由選擇、高度定制的空間化功能配置的場所，提供了便捷交互（人機(jī)、人與資源交互）與協(xié)作支持服務(wù)，以最大化支持學(xué)習(xí)者的自主知識建構(gòu)。但正如其他網(wǎng)絡(luò)學(xué)習(xí)平臺一樣，缺少Face-to-Face的交互，因此學(xué)習(xí)過程中的“情感缺失”成為了一種必然。同時，作為新課程的三維目標(biāo)之一，情感態(tài)度價值觀已成為了解學(xué)習(xí)者狀態(tài)與衡量其發(fā)展程度的重要環(huán)節(jié)。大數(shù)據(jù)技術(shù)的出現(xiàn)，給眾多復(fù)雜的特征選擇與知識識別問題帶來了新的機(jī)遇，在網(wǎng)絡(luò)交互學(xué)習(xí)過程中動態(tài)產(chǎn)生的海量文本數(shù)據(jù)，不僅是學(xué)習(xí)者情感的典型物理載體和情感直接傳遞者，同是也是具有4V特征的文本大數(shù)據(jù)。鑒于LSTMfLong Short Term Memory）神經(jīng)網(wǎng)絡(luò)是一種能快速深度學(xué)習(xí)與識別具有時序性特征數(shù)據(jù)的大數(shù)據(jù)技術(shù)，能較好滿足情感文本數(shù)據(jù)實時追蹤與分析的需要，它為文本情感快速分析帶來一種新的思路。而基于貝葉斯網(wǎng)絡(luò)與多元回歸的因果分析方法可以發(fā)現(xiàn)學(xué)習(xí)者情感與學(xué)習(xí)情境之間的因果關(guān)系，為個性化的學(xué)習(xí)推薦提供理論依據(jù)。

基于以上所述，本文聚焦學(xué)習(xí)云空間中學(xué)習(xí)者情感的獲取與應(yīng)用，擬將運用LSTM神經(jīng)網(wǎng)絡(luò)處理云空間交互文本數(shù)據(jù)，以此建立學(xué)習(xí)者情感分析模型，并進(jìn)行學(xué)習(xí)情感歸因分析，最后基于情感歸因結(jié)果指導(dǎo)個性化學(xué)習(xí)推薦服務(wù)，提升云空間學(xué)習(xí)效果。

一、面向?qū)W習(xí)云空間的學(xué)習(xí)者情感分析及其歸因機(jī)制

網(wǎng)絡(luò)空間中學(xué)習(xí)情感的彌補離不開學(xué)習(xí)者情感的分析。情感分析一直是計算機(jī)科學(xué)與技術(shù)、自然語言處理、認(rèn)知心理學(xué)等方面的研究熱點問題。就其分析對象而言，包括文本、音頻、視頻及其混合媒體等。在現(xiàn)有學(xué)習(xí)云空間中，學(xué)習(xí)活動多以同步或異步的交互文本為主要載體。因此，基于文本的學(xué)習(xí)者情感分析是本文研究的重點。鑒于以上考慮，本文利用LSTM神經(jīng)網(wǎng)絡(luò)可以動態(tài)分析學(xué)習(xí)者情感變化的優(yōu)勢，首先構(gòu)建了基于LSTM的學(xué)習(xí)者情感分析模型，然后對云空間中的交互數(shù)據(jù)等進(jìn)行采集與預(yù)處理，最后進(jìn)行情感分析及其歸因機(jī)制的設(shè)計，各環(huán)節(jié)具體過程如下。

（一）基于LSTM的學(xué)習(xí)者情感分析模型

美國人本主義心理學(xué)家羅杰斯認(rèn)為，人類的認(rèn)知活動伴隨著一定的情感因素，說明人的情感不是孤立存在的，它的產(chǎn)生必與當(dāng)前所處環(huán)境與認(rèn)知活動密切相關(guān)，學(xué)習(xí)情感也不例外?？紤]到云空間中學(xué)習(xí)者在學(xué)習(xí)過程中產(chǎn)生的情境信息主要以文本形式呈現(xiàn)，因此本文提出了基于LSTM的學(xué)習(xí)者情感分析模型以實現(xiàn)情感狀態(tài)的識別，如圖1所示。該模型包括數(shù)據(jù)獲取模塊、數(shù)據(jù)預(yù)處理模塊以及情感分析模塊。數(shù)據(jù)獲取模塊負(fù)責(zé)獲取學(xué)習(xí)云空間中學(xué)習(xí)者的交互或評論文本、表情符號、學(xué)習(xí)者個人信息、Web日志等數(shù)據(jù)；數(shù)據(jù)預(yù)處理模塊通過對數(shù)據(jù)清洗、分詞處理、詞性標(biāo)注、停用詞處理等步驟完成對數(shù)據(jù)的預(yù)處理；情感分析模塊主要對預(yù)處理之后的文本數(shù)據(jù)進(jìn)行基于LSTM的情感分析并獲得影響學(xué)習(xí)者情感的情境要素。另外考慮到學(xué)習(xí)者的情感變化是一個多因素有機(jī)結(jié)合、相互作用的過程，故將學(xué)習(xí)者在進(jìn)行知識的主動建構(gòu)過程中與情感產(chǎn)生直接關(guān)聯(lián)的因素，如學(xué)習(xí)者個人特質(zhì)、學(xué)習(xí)主題、學(xué)習(xí)方式、知識水平、學(xué)習(xí)效果、學(xué)習(xí)期望值等作為影響學(xué)習(xí)者情感的關(guān)鍵情境要素。

（二）學(xué)習(xí)云空間中數(shù)據(jù)的采集與預(yù)處理

學(xué)習(xí)云空間提供的便捷式交互特性，使得學(xué)習(xí)者在交互過程中積累了海量可用于情感分析的交互文本數(shù)據(jù)。主要分為兩大類：對于年齡、姓名、背景知識等學(xué)習(xí)者個人特質(zhì)信息，由學(xué)習(xí)者個體在系統(tǒng)注冊過程中填寫并記錄在數(shù)據(jù)庫中；此外，通過采集學(xué)習(xí)者在自主學(xué)習(xí)過程中的空間使用記錄與Web行為日志等過程性數(shù)據(jù)，可從中提取該學(xué)習(xí)者的各項學(xué)習(xí)情境信息。在獲取上述信息后，由于面向全過程的數(shù)據(jù)記錄導(dǎo)致采集的各類數(shù)據(jù)中含有部分噪音數(shù)據(jù)（Html標(biāo)簽、停用詞等），若不進(jìn)行數(shù)據(jù)清潔操作極有可能影響后續(xù)的學(xué)習(xí)者情感分析效果。因此，針對交互文本數(shù)據(jù)特征，本研究主要通過分詞處理、詞性標(biāo)注、去停用詞、表情符號轉(zhuǎn)化等步驟，實現(xiàn)數(shù)據(jù)的預(yù)處理，為后續(xù)的分析提供高可用的數(shù)據(jù)支持。

（三）面向?qū)W習(xí)云空間的學(xué)習(xí)者情感分析及其歸因機(jī)制

1.數(shù)據(jù)的特征提取

為確保LSTM情分析技術(shù)可用于學(xué)習(xí)者情感狀態(tài)的智能分析，需對預(yù)處理后的交互文本數(shù)據(jù)進(jìn)行特征提取，即提取最具代表性的文本特征詞來描述文本。作為應(yīng)用最為廣泛的特征抽取方法之一，TF-IDF在多個領(lǐng)域取得了較好的應(yīng)用效果。因此，本文利用TF-IDF方法提取與學(xué)習(xí)者情感有關(guān)的學(xué)習(xí)情境特征詞。首先使用向量空間模型（VectorSpace Model）將預(yù)處理后的文本轉(zhuǎn)化為特征空間向量，然后選擇文本中的主題或情感特征詞并計算相應(yīng)的權(quán)值。計算公式如公式（1）所示。

其中，tf_ij表示特征項在t_i文本d_i中出現(xiàn)的頻次，D為文本總數(shù)，df（t_i）表示包含特征項的文本數(shù)，當(dāng)特征在文本中出現(xiàn)的次數(shù)越多時，表明該特征越能代替文本。

2.情感詞典及其情境知識庫的構(gòu)建

詞語的情感傾向分析是文本情感分析的基礎(chǔ)工作，其主要通過挑選出目標(biāo)文本中能夠體現(xiàn)情感傾向的詞語，根據(jù)詞語褒貶極性與強(qiáng)度構(gòu)建情感詞典，以此作為情感分析的主要依據(jù)。為實現(xiàn)學(xué)習(xí)者情感的分析，本文面向云空間中的交互文本大數(shù)據(jù)，在整合知網(wǎng)情感詞典、知網(wǎng)評價詞典等詞典的基礎(chǔ)上，經(jīng)過去重、人工篩選過濾等步驟，加入在線學(xué)習(xí)領(lǐng)域的行業(yè)詞匯，完成情感詞典的構(gòu)建。

另一方面，學(xué)習(xí)云空間中學(xué)習(xí)者的情感變化會持續(xù)在整個習(xí)交互過程中，為了能夠有效利用隨情感動態(tài)變化的學(xué)習(xí)情境信息，并為后續(xù)情感歸因的分析與推薦提供支持，構(gòu)建能將交互過程中的情感變化全過程記錄下來的情境知識庫成為接下來的重點。本文首先以艾森克的人格特質(zhì)理論為基礎(chǔ)，將學(xué)習(xí)者聚類為四類，分別為低神經(jīng)質(zhì)外傾、高神經(jīng)質(zhì)內(nèi)傾、低神經(jīng)質(zhì)內(nèi)傾、高神經(jīng)質(zhì)外傾。其中，神經(jīng)質(zhì)表示個體隋緒穩(wěn)定性的一種人格特質(zhì)，內(nèi)外傾表示個體情緒樂觀與悲觀等外在表現(xiàn)。然后，根據(jù)不同類型的個人特貫將隨情感動態(tài)變化的情境要素存儲在情境知識庫中，并在每次分析學(xué)習(xí)者當(dāng)前情感狀態(tài)時，動態(tài)更新情緒知識庫中相應(yīng)的情境要素，以確保數(shù)據(jù)的完整性。最后，在情感歸因分析與推薦機(jī)制設(shè)計過程中，將已構(gòu)建的情境知識庫作為重要依據(jù)用于歸因分析與推薦柳制設(shè)計。

3.基于LSTM的情感分析過程及其算法設(shè)計

為了具體實現(xiàn)面向?qū)W習(xí)推薦的情感分析，須依托學(xué)習(xí)空間內(nèi)的學(xué)習(xí)行為，正如前文所述，其最直接的基礎(chǔ)即是學(xué)習(xí)行為的過程記錄，本文擬基于LSIM的學(xué)習(xí)者隋感分析模型進(jìn)行過程記錄分析。具體思想如下：首先收集學(xué)習(xí)云空間中學(xué)習(xí)者交互或評論文本以及web學(xué)習(xí)日志，進(jìn)行數(shù)據(jù)預(yù)處理后得到情感特征向量；然后將其輸入到LSIM神經(jīng)網(wǎng)絡(luò)，并利用saftmax分類器對輸出的特征進(jìn)行情感分類；最終得到學(xué)習(xí)者的情感類別標(biāo)簽。以下是基于LSTM的情感分析算法設(shè)計。

4.學(xué)習(xí)情感的歸因機(jī)制

上述基于LSTM的情感分析模型已可以較好的獲知學(xué)習(xí)者在學(xué)習(xí)交互過程中的真實情感狀況，若能借此找出導(dǎo)致學(xué)習(xí)者情感狀況的原因，將有效實現(xiàn)為學(xué)習(xí)者針對性的學(xué)習(xí)服務(wù)與指導(dǎo)推薦。因此，面向?qū)W習(xí)情感的歸因分析成為本研究下一個必然。但LSTM本身為黑盒模型，且輸人為整體交互文本數(shù)據(jù)，以其自身難以實現(xiàn)情感的歸因，而貝葉斯網(wǎng)絡(luò)與多元回歸分析能夠描述多個變量間因果關(guān)系，在已知結(jié)果的情況下可有效實現(xiàn)原因的挖掘。因此，本文采用了基于貝葉斯網(wǎng)絡(luò)的建模方法，根據(jù)已構(gòu)建的情境知識庫找出影響學(xué)習(xí)者情感的各個因素，然后通過多元回歸分析實現(xiàn)各因素的影響度判別，其歸因機(jī)制的詳細(xì)闡述如下。

（1）情感狀態(tài)相關(guān)因素選擇

考慮云空間中學(xué)習(xí)者的情感構(gòu)成必然是由多個情境要素引起，根據(jù)系統(tǒng)與實際情況的調(diào)研，本研究選取了在學(xué)習(xí)云空間環(huán)境中影響學(xué)習(xí)情感表達(dá)的因素，定義符號為相關(guān)性運算符。相關(guān)計算公式如公式（2）所示。

其中，P_pT_p、W_p、L_p、R_p、E_p分別指學(xué)習(xí)者的個人特質(zhì)、學(xué)習(xí)主題、學(xué)習(xí)方式、知識水平、學(xué)習(xí)效果、學(xué)習(xí)期望值，指學(xué)習(xí)者的情感狀態(tài)，學(xué)習(xí)者的個人特質(zhì)一般是穩(wěn)定不變的，故采取P_p表示。a、β、y、μ、0、o分別代表個人特質(zhì)、學(xué)習(xí)主題、學(xué)習(xí)方式、知識水平、學(xué)習(xí)效果、學(xué)習(xí)期望值各自的權(quán)重。下文將針對以上因素進(jìn)行貝葉斯網(wǎng)絡(luò)與多元回歸分析，以此確定上述指標(biāo)的因果聯(lián)系及其影響程度。

（2）數(shù)據(jù)量化

在確定了可能的影響因素后，情感歸因分析接著要解決的問題就是能夠正確量化表示空間交互文本數(shù)據(jù)，以便后續(xù)貝葉斯網(wǎng)絡(luò)與多元回歸的計算。為了研究的方便與操作的可行性，對情感歸因分析中涉及到的變量依次進(jìn)行如下的概述與量化。

依據(jù)前文中提及的艾森克的人格特質(zhì)理論，根據(jù)文獻(xiàn)研究結(jié)論，從人格特質(zhì)對學(xué)習(xí)判斷的影響程度，由低到高從“高神經(jīng)質(zhì)內(nèi)傾”“低神經(jīng)質(zhì)內(nèi)傾”“高神經(jīng)質(zhì)外傾”“低神經(jīng)質(zhì)外傾”四個層次構(gòu)建人格特質(zhì)編碼模型P_p={P₁，P₂，P₃，P₄}={1，2，3，4}。

利用TF-IDF方法提取歷史學(xué)習(xí)主題特征詞，將學(xué)習(xí)主題進(jìn)行聚類分析形成主題集合，并將各聚類主題與最終主題進(jìn)行相似性匹配，按相似度從低到高進(jìn)行編碼建模。此外，為便于計算表達(dá)并考慮實際情況，本研究將主題個數(shù)n限制在100以內(nèi)，以此形成學(xué)習(xí)主題量化表達(dá)T_p={T₁T₂，…T_n}={1，2，…n}n∈（0，100]。

（一）基于學(xué)習(xí)者情感分析模型的學(xué)習(xí)推薦機(jī)制

在獲得學(xué)習(xí)者的情感及其影響因素后，針對學(xué)習(xí)者當(dāng)前的情感狀態(tài)并根據(jù)其自身個體以及周邊群體情境，為其提供適合的學(xué)習(xí)推薦成為進(jìn)一步的研究重點。因此，本文按照學(xué)習(xí)者在云空間中情感變化及其后續(xù)應(yīng)有的舉措，設(shè)計了如圖4所示的情感歸因支持下的個性化學(xué)習(xí)推薦機(jī)制。

1.學(xué)習(xí)者情感分析模塊

在基于情感的學(xué)習(xí)推薦中，情感分析是一個必不可少的環(huán)節(jié)，該模塊首先采集學(xué)習(xí)云空間中與學(xué)習(xí)者交互行為有關(guān)的情感數(shù)據(jù)，并進(jìn)行分詞處理、詞性標(biāo)注等預(yù)處理步驟。然后提取其中包含的情感特征詞，構(gòu)建在線學(xué)習(xí)領(lǐng)域的情感詞典。同時，利用數(shù)據(jù)庫技術(shù)建立隨情感動態(tài)變化的學(xué)習(xí)情境知識庫。最后利用具有時序性特征的LSTM情感分析模型，動態(tài)獲取學(xué)習(xí)者在不同時間內(nèi)的情感狀態(tài)，即積極情感、中性情感、消極情感。

2.學(xué)習(xí)過程監(jiān)控模塊

學(xué)習(xí)過程監(jiān)控模塊通過實時監(jiān)控學(xué)習(xí)云空間的學(xué)習(xí)行為數(shù)據(jù)，根據(jù)已聚類的四種學(xué)習(xí)者個體特質(zhì)，提取與學(xué)習(xí)者情感密切相關(guān)的學(xué)習(xí)情境要素，如學(xué)習(xí)主題、學(xué)習(xí)方式、知識水平、學(xué)習(xí)效果、學(xué)習(xí)期望值等，分類將其歸檔在已構(gòu)建的學(xué)習(xí)情境知識庫中。在此過程中，每分析一次學(xué)習(xí)者當(dāng)前的情感狀態(tài)，需在情境知識庫對應(yīng)更新，以便于獲取學(xué)習(xí)者最新的學(xué)習(xí)情境信息，提高對學(xué)習(xí)者學(xué)習(xí)過程監(jiān)控的精確性，為推薦合適的學(xué)習(xí)策略提供更有效的保障。

3.情感歸因模塊

結(jié)合以上兩個模塊獲得的學(xué)習(xí)者的情感狀態(tài)以及相應(yīng)的情境要素，輸入情感歸因模塊進(jìn)行歸因分析。首先量化表征獲取到的情感以及情境數(shù)據(jù)，然后通過基本的三層貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)發(fā)現(xiàn)學(xué)習(xí)者情感與各學(xué)習(xí)情境間的因果關(guān)系，最終基于多元回歸分析獲取各變量的因果關(guān)系影響程度，以此找出最重要的影響因素。情感歸因的結(jié)果將為下一模塊中對學(xué)習(xí)者進(jìn)行個性化的學(xué)習(xí)推薦提供指導(dǎo)依據(jù)。

4.學(xué)習(xí)推薦模塊

在獲取影響學(xué)習(xí)者情感的歸因結(jié)果后，結(jié)合該學(xué)習(xí)者的當(dāng)前學(xué)習(xí)狀況以及與之相關(guān)的其他學(xué)習(xí)者的相似情境，設(shè)計相應(yīng)的學(xué)習(xí)推薦機(jī)制，即在學(xué)習(xí)云空間中學(xué)習(xí)推薦策略的具體實施過程中，根據(jù)學(xué)習(xí)者的情感狀態(tài)及時調(diào)整情境知識庫，為之提供符合其情感需求的學(xué)習(xí)情境。通過文獻(xiàn)與實際應(yīng)用情境調(diào)研，各類學(xué)習(xí)推薦服務(wù)將以學(xué)習(xí)者當(dāng)前的不同情感狀態(tài)作為觸發(fā)條件，針對對應(yīng)的各學(xué)習(xí)情境要素進(jìn)行推薦，具體如表1所示。

（二）情感驅(qū)動下學(xué)習(xí)云空間中的學(xué)習(xí)推薦策略

1.基于學(xué)習(xí)者個人特質(zhì)的學(xué)習(xí)同伴推薦策略

基于網(wǎng)絡(luò)的在線學(xué)習(xí)是一種以學(xué)習(xí)主題為紐帶、以學(xué)習(xí)者之間的交流協(xié)作為主的學(xué)習(xí)形式，學(xué)習(xí)同伴在學(xué)習(xí)交互活動中扮演著重要角色。良好的學(xué)習(xí)同伴會對彼此產(chǎn)生積極的相互依賴關(guān)系。為促進(jìn)在線學(xué)習(xí)者學(xué)習(xí)效果達(dá)到最優(yōu)化，本文提出基于學(xué)習(xí)者個人特質(zhì)的學(xué)習(xí)同伴推薦策略。學(xué)習(xí)者的個人特質(zhì)是自身獨有的，一般是穩(wěn)定不變的，并無任何好壞之分，但是會影響在線學(xué)習(xí)者的情感狀態(tài)。當(dāng)學(xué)習(xí)者處于消極情感狀態(tài)，其本身屬于低神經(jīng)質(zhì)內(nèi)傾的個人特質(zhì)時，需為其推薦高神經(jīng)質(zhì)外傾特質(zhì)的學(xué)習(xí)同伴，促進(jìn)其產(chǎn)生積極情感的能動效應(yīng)，共同協(xié)作完成當(dāng)前的學(xué)習(xí)任務(wù)；而當(dāng)學(xué)習(xí)者本身屬于高神經(jīng)質(zhì)內(nèi)傾的個人特質(zhì)時，需為其推薦低神經(jīng)質(zhì)外傾的學(xué)習(xí)同伴，引導(dǎo)其隋感處于穩(wěn)定適中的狀態(tài)，使其聚焦于當(dāng)前的學(xué)習(xí)主題快速達(dá)成學(xué)習(xí)目標(biāo)。

2.目標(biāo)優(yōu)先驅(qū)動下基于學(xué)習(xí)主題變更的學(xué)習(xí)推薦策略

學(xué)習(xí)主題貫穿于在線學(xué)習(xí)的全過程，是學(xué)習(xí)者進(jìn)行交流的載體，也是與學(xué)習(xí)者情感發(fā)生直接關(guān)聯(lián)的重要因素之一。基于學(xué)習(xí)者當(dāng)前的學(xué)習(xí)目標(biāo)，根據(jù)其認(rèn)知負(fù)荷提出目標(biāo)優(yōu)先驅(qū)動下基于學(xué)習(xí)主題變更的學(xué)習(xí)推薦策略。

學(xué)習(xí)者處于淺層學(xué)習(xí)的階段，將面臨基礎(chǔ)性的學(xué)習(xí)需求與低階的學(xué)習(xí)目標(biāo)。由于學(xué)習(xí)者存在接受與內(nèi)化知識的差異性，并不是所有學(xué)習(xí)者都可以達(dá)成低階學(xué)習(xí)目標(biāo)。若學(xué)習(xí)者當(dāng)前的情感狀態(tài)為消極，可知當(dāng)前學(xué)習(xí)主題所需的知識儲備已超出學(xué)習(xí)者自身的認(rèn)知負(fù)荷。為調(diào)動其積極情感，需根據(jù)已構(gòu)建的情境知識庫為其推薦符合其認(rèn)知負(fù)荷的相似學(xué)習(xí)主題，引導(dǎo)其達(dá)成低階學(xué)習(xí)目標(biāo)；反之，若學(xué)習(xí)者情感為積極，說明學(xué)習(xí)者已達(dá)成目標(biāo)，為滿足其深度學(xué)習(xí)的需求，為其推薦學(xué)習(xí)目標(biāo)相對較高的相似學(xué)習(xí)主題，引導(dǎo)其向深度學(xué)習(xí)過渡；若學(xué)習(xí)者情感狀態(tài)為中性，為其推薦能夠轉(zhuǎn)變其情感狀態(tài)的相似學(xué)習(xí)主題，直至學(xué)習(xí)者完成當(dāng)前學(xué)習(xí)目標(biāo)。學(xué)習(xí)主題相似性計算公式如公式（3）所示。

其中，T_i、T_j代表學(xué)習(xí)主題i.j，sim（T_i，T_j）代表學(xué)習(xí)主題i與j之間的相似性，當(dāng)Sim（T_i，T_j）>0時，即可認(rèn)為這兩個學(xué)習(xí)主題相似，最終將排名靠前的Top-N個學(xué)習(xí)主題推薦給學(xué)習(xí)者。

3.面向?qū)W習(xí)期望值基于腳手架引導(dǎo)的逐步學(xué)習(xí)推薦策略

學(xué)習(xí)期望指學(xué)習(xí)者對成功完成某項學(xué)習(xí)任務(wù)可能性的估計。當(dāng)學(xué)習(xí)期望值與目標(biāo)高度一致時，即可激發(fā)學(xué)習(xí)者的學(xué)習(xí)訴求，維持相對穩(wěn)定的積極情感，并形成可持續(xù)的學(xué)習(xí)動力；當(dāng)學(xué)習(xí)期望值過高或過低時，都會導(dǎo)致學(xué)習(xí)者難以完成目標(biāo)而產(chǎn)生消極情感。因此，本文根據(jù)最近發(fā)展區(qū)理論提出面向?qū)W習(xí)期望值基于腳手架引導(dǎo)的逐步學(xué)習(xí)推薦策略。

通過借鑒張麗霞等人的研究，基于加涅九段教學(xué)事件，將在線自主學(xué)習(xí)概括為指引方向、提供任務(wù)、創(chuàng)設(shè)情境、提供資源、促進(jìn)學(xué)習(xí)發(fā)生、引導(dǎo)學(xué)習(xí)評價六個過程。并將其作為基本框架設(shè)置各階段的腳手架，依次為方向型、任務(wù)型、情境型、資源型、交互與協(xié)作型、評價型等。按照維果斯基提出的“最近發(fā)展區(qū)”理論，在學(xué)習(xí)者現(xiàn)有水平基礎(chǔ)上，通過學(xué)習(xí)者在不同階段所面臨的具體學(xué)習(xí)境況，分析其最近發(fā)展區(qū)并搭建適宜的腳手架，為其推薦基于腳手架引導(dǎo)的逐步學(xué)習(xí)策略，便于引導(dǎo)學(xué)習(xí)者進(jìn)行遞進(jìn)式的小步子學(xué)習(xí)，逐步跨越最近發(fā)展區(qū)，以達(dá)到預(yù)期的學(xué)習(xí)期望值。同時，腳手架的搭建幫助培養(yǎng)學(xué)習(xí)者可持續(xù)自主學(xué)習(xí)的能力，使學(xué)習(xí)者在腳手架移除之后能夠進(jìn)行自我引導(dǎo)的學(xué)習(xí)，并形成長效的激勵性學(xué)習(xí)動機(jī)機(jī)制。

三、學(xué)習(xí)云空間中學(xué)習(xí)推薦系統(tǒng)的實現(xiàn)與應(yīng)用效果分析

（一）系統(tǒng)實現(xiàn)

基于以上的分析和設(shè)計，本文基于已建立的iStudv學(xué)習(xí)云平臺實現(xiàn)了基于隋感狀態(tài)的學(xué)習(xí)推薦功能系統(tǒng)，其實現(xiàn)的學(xué)習(xí)者情感呈現(xiàn)界面與學(xué)習(xí)推薦界面如圖5和圖6所示。圖5顯示了學(xué)習(xí)者當(dāng)前的學(xué)習(xí)目標(biāo)達(dá)成程度與情感狀態(tài)，通過學(xué)習(xí)儀表盤呈現(xiàn)當(dāng)前達(dá)成的學(xué)習(xí)目標(biāo)百分比，并通過星級呈現(xiàn)目標(biāo)達(dá)成度。學(xué)習(xí)者的情感狀態(tài)通過柱狀圖呈現(xiàn)，外圓顯示情緒，內(nèi)圓顯示對應(yīng)的情感狀態(tài)。圖6為學(xué)習(xí)推薦界面，顯示學(xué)習(xí)者當(dāng)前的學(xué)習(xí)指數(shù)、情感狀態(tài)等。系統(tǒng)根據(jù)學(xué)習(xí)者的學(xué)習(xí)狀態(tài)，為其推薦學(xué)習(xí)主題、學(xué)習(xí)同伴等，按照推薦星級排名，排在靠前的位置星級越高，越符合學(xué)習(xí)者當(dāng)前的學(xué)習(xí)需求。

（二）應(yīng)用效果分析

為檢驗此基于隋感分析的學(xué)習(xí)推薦功能系統(tǒng)的應(yīng)用效果與推薦機(jī)制的有效性，我們設(shè)計并實施了一系列實驗。選取“數(shù)據(jù)結(jié)構(gòu)”課程中《棧的定義》這一學(xué)習(xí)主題，以某大學(xué)某學(xué)院同年級的64名學(xué)生作為研究對象，將其隨機(jī)分為A、B兩個小組，A組學(xué)生使用帶有學(xué)習(xí)推薦機(jī)制的學(xué)習(xí)云空間，B組學(xué)生使用不提供學(xué)習(xí)推薦機(jī)制的學(xué)習(xí)云空間。

首先通過問卷調(diào)查的方式調(diào)查了A組學(xué)生在認(rèn)知、情感、行為三個維度對該學(xué)習(xí)推薦功能系統(tǒng)的應(yīng)用效果，實際發(fā)放調(diào)查問卷32份，回收32份，有效回收率為100%。具體調(diào)查結(jié)果如表2所示。從認(rèn)知維度看，大部分學(xué)習(xí)者認(rèn)為該學(xué)習(xí)推薦系統(tǒng)能夠促進(jìn)自身進(jìn)行主動學(xué)習(xí)，并對知識進(jìn)行深層次的加工，引導(dǎo)其進(jìn)行反思與評價活動等；從情感維度看，大部分學(xué)習(xí)者認(rèn)為該系統(tǒng)可以促進(jìn)學(xué)習(xí)交互過程中情感的交流，并改善其消極的情感狀態(tài)，以提供滿足其情感需求的學(xué)習(xí)支持服務(wù)；從行為維度看，大部分學(xué)習(xí)者認(rèn)為該系統(tǒng)能夠提高在線學(xué)習(xí)效果，并促進(jìn)學(xué)習(xí)交互過程中的交流互動。從以上分析可知，該系統(tǒng)在認(rèn)知、情感、行為三方面得到了大部分學(xué)習(xí)者的較高認(rèn)可。

為了檢驗基于學(xué)習(xí)者情感分析模型的學(xué)習(xí)推薦機(jī)制能否有效促進(jìn)學(xué)習(xí)效果，利用獨立樣本T檢驗方法（置信水平為0.05）在SPSS中統(tǒng)計分析A、B兩組中的學(xué)習(xí)時間、學(xué)習(xí)成績是否存在顯著性差異，如表3所示。

從表中統(tǒng)計數(shù)據(jù)可以看出，學(xué)習(xí)時間的p值0.009<0.05，說明在0.05顯著性水平上A組與B組學(xué)生的學(xué)習(xí)時間是有顯著性差異，從數(shù)值上A組學(xué)生所用學(xué)習(xí)時間要少于B組學(xué)生（即80.24<86.48），可知，此學(xué)習(xí)推薦系統(tǒng)能夠幫助學(xué)習(xí)者減少學(xué)習(xí)時間；由學(xué)習(xí)成績統(tǒng)計分析，t值為1.253，P值為0.003<0.05，可以看出兩組學(xué)生的成績存在顯著差異，說明此學(xué)習(xí)推薦系統(tǒng)能夠有效地幫助學(xué)生提高學(xué)習(xí)成績，改善學(xué)習(xí)效果。

四、結(jié)束語

隨著網(wǎng)絡(luò)技術(shù)的新發(fā)展，在線學(xué)習(xí)迎來了欣欣向榮的發(fā)展春天，然而不管何種在線學(xué)習(xí)平臺，它們都必需面對和克服一種重要挑戰(zhàn)——學(xué)習(xí)中的“情感缺失”，因此，當(dāng)前的在線學(xué)習(xí)研究中，學(xué)習(xí)者情感問題研究顯得尤其重要。著眼服務(wù)于良好的自主知識建構(gòu)，本文針對學(xué)習(xí)云空間的學(xué)習(xí)情境現(xiàn)狀，利用大數(shù)據(jù)等技術(shù)完成了學(xué)習(xí)者情感分析與歸因，并基于已有的iStudy學(xué)習(xí)云平臺實現(xiàn)了一個情感狀態(tài)支持下的學(xué)習(xí)推薦功能系統(tǒng)。本文首先選用適宜時序數(shù)據(jù)處理的LSTM神經(jīng)網(wǎng)絡(luò)技術(shù)，建立學(xué)習(xí)者情感分析模型并完成情感獲取，然后利用貝葉斯網(wǎng)絡(luò)因果分析法對影響學(xué)習(xí)者情感狀態(tài)的情境要素進(jìn)行歸因分析，以找出影響情感的關(guān)鍵情境要素，進(jìn)而提出情感適應(yīng)性的學(xué)習(xí)推薦機(jī)制與策略，并實現(xiàn)了相關(guān)學(xué)習(xí)推薦功能。最后，本研究設(shè)計了一系列的實驗，分別從學(xué)習(xí)時間與學(xué)習(xí)成績兩方面驗證推薦的有效性。實驗結(jié)果表明，該情感處理方法及其支持下的推薦系統(tǒng)能夠提高學(xué)習(xí)者的學(xué)習(xí)效果。目前，本研究還存在一定的不足，主要表現(xiàn)在兩個方面：學(xué)習(xí)者情感維度關(guān)注的單一性與情感歸因結(jié)果的精準(zhǔn)量化問題，后續(xù)將對這兩方面進(jìn)行深入研究。