基于LDA-LSTM模型在線課程評(píng)論情感分析研究

梁梓煜 朱麗佳 陳俊 常國將

摘 ?要：終身化學(xué)習(xí)背景下，MOOC作為普及性在線學(xué)習(xí)形式已受到學(xué)術(shù)界的日益關(guān)注。同時(shí)，MOOC課程質(zhì)量與學(xué)習(xí)者滿意度問題亟待解決。研究基于理性選擇理論與聯(lián)通主義理論構(gòu)建LDA-LSTM深度主題情感分析模型，進(jìn)而挖掘?qū)W習(xí)者理性因素與情感極性。實(shí)驗(yàn)結(jié)果表明，學(xué)習(xí)者考慮的因素主要具備全面性與多樣性的特點(diǎn)；學(xué)習(xí)者對(duì)教師與學(xué)習(xí)效果普遍給予肯定評(píng)價(jià)，較少負(fù)面評(píng)價(jià)則針對(duì)教師授課風(fēng)格、課程資源與平臺(tái)服務(wù)質(zhì)量。研究據(jù)此給出了建議策略。

關(guān)鍵詞：在線課程評(píng)論；LDA-LSTM模型；主題挖掘；情感分析；深度學(xué)習(xí)

中圖分類號(hào)：TP391.1；G434 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2023）16-0079-06

Research on Sentiment Analysis of Online Course Reviews Based on LDA-LSTM Model

LIANG Ziyu1， ZHU Lijia2， CHEN Jun1， CHANG Guojiang1

（College of Education， Guizhou Normal University， Guiyang ?550025， China;

2.College of Foreign Languages， Guizhou Normal University， Guiyang ?550025， China）

Abstract： Under the background of lifelong learning， MOOC， as a popular form of online learning， has attracted increasing attention from the academic community. Meanwhile， the problems of the quality of MOOC courses and the satisfaction of learners need to be addressed urgently. Based on the theory of rational choice and the theory of connectivism， this paper constructs the LDA-LSTM deep topic sentiment analysis model， and then mines rational factors and sentiment polarity of learners. The experimental results show that the factors considered by learners are comprehensive and diverse. Learners generally give positive evaluation to teachers and learning effects， and less negative evaluation to teachers' teaching style， course resources and platform service quality. According to this， the research gives some suggested strategies.

Keywords： online course comment; LDA-LSTM model; topic mining; sentiment analysis; Deep Learning

0 ?引 ?言

在當(dāng)今人工智能時(shí)代，在線學(xué)習(xí)需求呈現(xiàn)井噴式增長并且逐漸成為一種主流的學(xué)習(xí)方式，對(duì)在線學(xué)習(xí)產(chǎn)生了深刻影響[1]。中國大學(xué)慕課作為中國最大的在線學(xué)習(xí)平臺(tái)，使用與注冊(cè)用戶達(dá)到近5億人次，用戶所產(chǎn)生的過程性數(shù)據(jù)是一種教育大數(shù)據(jù)[2]，具備體量大（Volume）、種類多（Variety）、速度快（Velocity）、易變性（Variability）、真實(shí)性（Veracity）和價(jià)值密度低（Value）六大特性[3]，評(píng)論數(shù)據(jù)作為一種過程性數(shù)據(jù)，真實(shí)地反映了學(xué)習(xí)者在學(xué)習(xí)過程中最真實(shí)的感受與實(shí)際的學(xué)習(xí)效果[4]。面對(duì)數(shù)量如此龐大的數(shù)據(jù)，如何對(duì)于這些數(shù)據(jù)進(jìn)行有效的分析與評(píng)估，如何能夠分析學(xué)習(xí)者的總體學(xué)習(xí)狀況以及解決學(xué)習(xí)者個(gè)性化的問題以便能夠更好地適應(yīng)學(xué)生進(jìn)行學(xué)習(xí)，是當(dāng)今在線學(xué)習(xí)領(lǐng)域所面臨的發(fā)展瓶頸與亟待解決的難題。

針對(duì)以上的問題，已有研究在處理用戶生成的文本數(shù)據(jù)時(shí)借助文本情感分析技術(shù)這一方法。如劉三女牙[5]等以果殼網(wǎng)慕課學(xué)院的“財(cái)務(wù)分析與決策”課程為例，采取LDA無監(jiān)督機(jī)器學(xué)習(xí)方法對(duì)評(píng)論文本信息進(jìn)行數(shù)據(jù)挖掘，并追蹤了主題演化趨勢(shì)。李慧[6]提出一種融合情感詞典和機(jī)器學(xué)習(xí)模型的學(xué)習(xí)者情感分析模型，能夠?qū)崿F(xiàn)對(duì)段落級(jí)、篇章級(jí)的學(xué)習(xí)體驗(yàn)文本的多級(jí)情感分類。Onan[7]等對(duì)機(jī)器學(xué)習(xí)方法、集成學(xué)習(xí)方法與深度學(xué)習(xí)方法三種不同的方法進(jìn)行對(duì)比分析，實(shí)驗(yàn)結(jié)果表明長短期記憶網(wǎng)絡(luò)（LSTM）的預(yù)測(cè)結(jié)果最好。

已有研究已經(jīng)取得了一些研究成果，但是對(duì)于課程評(píng)論文本的研究分析還不夠深入，大多是基于傳統(tǒng)的無監(jiān)督算法與機(jī)器學(xué)習(xí)算法，很少有研究基于深度學(xué)習(xí)算法分析基于主題的文本評(píng)論情感傾向及其演變趨勢(shì)，因此本文在已有研究的基礎(chǔ)上，以理性選擇理論與聯(lián)通主義為理論基礎(chǔ)，使用潛在狄利克雷分布（Latent Dirichlet Allocation， LDA）融合長短期記憶神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型（Long Short-Term Memory， LSTM），分析不同時(shí)間序列下學(xué)習(xí)者主要考慮的理性影響因素，抽取其中的關(guān)鍵性因素并對(duì)其做出分析與解釋并形成最終結(jié)論。

1 ?研究設(shè)計(jì)

1.1 ?理論基礎(chǔ)

理性選擇理論源于對(duì)人們所做出的經(jīng)濟(jì)決策背后的緣由所做出的合理性解釋，其代表人物馬克斯·韋伯將理論研究范圍擴(kuò)展為社會(huì)學(xué)領(lǐng)域中，關(guān)注人的行動(dòng)層面，并區(qū)分了四種社會(huì)行動(dòng)的類型。理性選擇理論同樣適用于教育領(lǐng)域，教育抉擇歸根到底是人的抉擇。理性選擇理論強(qiáng)調(diào)既不忽視個(gè)體的主觀能動(dòng)性，又同時(shí)強(qiáng)調(diào)了環(huán)境對(duì)于行動(dòng)者決策的影響[8]。

聯(lián)通主義認(rèn)為知識(shí)由實(shí)體間各種連接所組成，因?yàn)橄嗷ミB接，一個(gè)實(shí)體的變化可能導(dǎo)致另一個(gè)實(shí)體的變化，學(xué)習(xí)指的是這些連接的生長、發(fā)展、變化或加強(qiáng)的過程[9]。在聯(lián)通主義看來，課程質(zhì)量關(guān)聯(lián)到教師風(fēng)格，課程資源，課程內(nèi)容等多方面的內(nèi)容。因此課程設(shè)計(jì)需要兼具深度與廣度，打破設(shè)計(jì)壁壘，形成具有生命感的整體課程設(shè)計(jì)。因此，本文以理性選擇理論與聯(lián)通主義理論為理論支撐，對(duì)課程評(píng)論數(shù)據(jù)進(jìn)行主題挖掘與情感分析，探索影響學(xué)習(xí)者進(jìn)行教育選擇決策的影響因素，為教師及平臺(tái)運(yùn)行者提供支撐。

1.2 ?LDA-LSTM混合模型

南京大學(xué)心理學(xué)慕課課程作為評(píng)論數(shù)據(jù)量較多的熱門課程，在評(píng)論內(nèi)容方面具有一定的廣泛性與代表性，涉及眾多不同的主題內(nèi)容，且不同用戶對(duì)于不同的主題內(nèi)容的關(guān)注程度與情感傾向也不盡相同?；谶@樣的語料庫特征，需要篩選出大多數(shù)學(xué)習(xí)者關(guān)注的核心主題內(nèi)容，并對(duì)評(píng)論內(nèi)容進(jìn)行基于主題的情感分析，以得出最為關(guān)心的核心主題的用戶情感傾向，因此選用較為流行的LDA主題模型，結(jié)合LSTM神經(jīng)網(wǎng)絡(luò)模型，構(gòu)建基于主題的情感分類模型，以便能夠更進(jìn)一步對(duì)用戶情感進(jìn)行分析。基于LDA-LSTM混合模型評(píng)論文本情感分類圖如圖1所示。

1.3 ?研究步驟

1.3.1 ?數(shù)據(jù)預(yù)處理

第一步，文本去重。在評(píng)論區(qū)中會(huì)出現(xiàn)與前面某一條評(píng)論完全重復(fù)的評(píng)論，這些評(píng)論對(duì)后續(xù)分析沒有價(jià)值和意義，且對(duì)后續(xù)分析起到干擾作用，僅保留第一條評(píng)論數(shù)據(jù)，其余需要剔除。第二步，去除無用評(píng)論。評(píng)論數(shù)據(jù)中夾雜著許多類似于“哈哈哈”“很好”等無用評(píng)論，需要去除。第三步，去停用詞。去除中性詞語，例如“老師”“課程”“學(xué)習(xí)”“知識(shí)”以及做語氣停頓的語氣用詞和標(biāo)點(diǎn)符號(hào)等，本文使用自適應(yīng)后的哈工大停用詞表對(duì)停用詞進(jìn)行過濾處理。第四步，分詞。使用Jieba分詞工具對(duì)中文文本進(jìn)行分詞，便于后續(xù)進(jìn)行文本向量化處理。

1.3.2 ?文本建模

MOOC評(píng)論文本數(shù)據(jù)是高度非結(jié)構(gòu)化數(shù)據(jù)，計(jì)算機(jī)程序無法對(duì)其識(shí)別并進(jìn)行處理分析，因此需要對(duì)其進(jìn)行向量化處理，本文借助Gensim工具包中的Word2Vec工具，將經(jīng)過LDA主題模型聚類后的每個(gè)主題的主題特征詞映射到300維的高維向量空間中，轉(zhuǎn)換成LSTM神經(jīng)網(wǎng)絡(luò)所需要的數(shù)據(jù)格式。

1.3.3 ?文本語義特征提取

LSTM深度學(xué)習(xí)網(wǎng)絡(luò)提取特征共分為三步，首先將經(jīng)過向量化處理的詞向量矩陣作為權(quán)重值輸入，其次將詞向量矩陣作為權(quán)重值輸入到遺忘門層，當(dāng)遺忘門值為0表示Ct-1中沒有任何信息傳遞給Ct進(jìn)行計(jì)算，當(dāng)遺忘值為1時(shí)表示Ct-1的全部信息都被保留下來并傳遞給Ct進(jìn)行計(jì)算，當(dāng)遺忘門值大小介于0～1之間表示Ct-1中有部分信息傳入到Ct進(jìn)行計(jì)算，遺忘門值大小取決于輸入的詞向量矩陣中數(shù)值的大小，越重要的特征詞向量權(quán)重值越大，保留的信息越完整，反之則會(huì)被部分舍棄或者全部舍棄。最后經(jīng)過激活函數(shù)將特征進(jìn)行非線性化處理，可以使模型學(xué)習(xí)到更多的特征。

1.3.4 ?情感分類

本研究在Softmax分類器中對(duì)于文本情感做出分類，情感計(jì)算公式如式（1）所示：

zj = wj1 · x1 + wj2 · x2 + bj ? ? ? ? ? ? ? ? ?（1）

其中wj表示第j類特征的權(quán)重矩陣，例如wj1表示第一類（正向情感）的權(quán)重值，wj2表示第二類（負(fù)向情感）的權(quán)重值，x表示來自全連接層的最終保留下來的輸入值，bj表示偏置項(xiàng)，zj表示300維的列向量，首先對(duì)權(quán)重參數(shù)進(jìn)行隨機(jī)初始化，隨后在訓(xùn)練過程中不斷迭代優(yōu)化權(quán)重參數(shù)矩陣，并將最終優(yōu)化得到的權(quán)重參數(shù)矩陣經(jīng)過Softmax激活函數(shù)映射為（0，1）之間的概率值，并取概率值最大的作為最終分類結(jié)果。

1.3.5 ?關(guān)注主題滿意度計(jì)算

在經(jīng)過LSTM情感分類模型，得到最終情感分類結(jié)果后，依據(jù)每個(gè)主題的情感分類結(jié)果得到各個(gè)主題的主題滿意度，并繪制滿意度時(shí)間序列演化圖，主題滿意度計(jì)算式如式（2）所示：

（2）

其中vk，t表示t時(shí)間內(nèi)主題k的滿意度，ht表示t時(shí)間內(nèi)主題k的好評(píng)評(píng)論數(shù)量，Mk，t表示t時(shí)間內(nèi)主題k所對(duì)應(yīng)的評(píng)論總數(shù)。

2 ?實(shí)證研究

2.1 ?數(shù)據(jù)來源

本文通過使用Selenium爬蟲框架爬取中國大學(xué)MOOC的學(xué)習(xí)者文本評(píng)論數(shù)據(jù)，時(shí)間跨度從2018年1月17日至2022年12月13日，以南京大學(xué)心理學(xué)慕課課程評(píng)論留言區(qū)的學(xué)員評(píng)論數(shù)據(jù)作為數(shù)據(jù)來源，爬取內(nèi)容包括評(píng)論用戶昵稱，評(píng)論內(nèi)容，評(píng)論時(shí)間，點(diǎn)贊數(shù)以及開課次數(shù)，共形成13 562條初始評(píng)論數(shù)據(jù)，隨后對(duì)數(shù)據(jù)進(jìn)行清洗操作，去除無用特征列，剔除重復(fù)數(shù)據(jù)以及對(duì)分析無效的評(píng)論數(shù)據(jù)，最終得到有效評(píng)論數(shù)據(jù)11 729條，根據(jù)已有標(biāo)簽的評(píng)論數(shù)據(jù)對(duì)現(xiàn)有新數(shù)據(jù)進(jìn)行打標(biāo)簽操作，形成帶有標(biāo)注的情感數(shù)據(jù)集。

2.2 ?實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)的實(shí)驗(yàn)環(huán)境參數(shù)如表1所示。

2.3 ?基于LDA的用戶評(píng)論主題挖掘

借助LDA主題模型挖掘慕課課程評(píng)論中隱含的主題，為了解學(xué)生的學(xué)習(xí)實(shí)際情況并做出及時(shí)教學(xué)反饋。本文利用Gensim工具包構(gòu)建了LDA主題模型，將清洗后的數(shù)據(jù)集導(dǎo)入到LDA主題模型中，根據(jù)主題困惑度，經(jīng)過多次采樣與反復(fù)測(cè)試，當(dāng)主題數(shù)量為4時(shí)，每個(gè)主題下的主題詞為10個(gè)時(shí)，達(dá)到了最好的效果，超參數(shù)α與β最終確定為0.25與0.1。表2展示了課程評(píng)論文本主題詞-概率分布矩陣。

依據(jù)表1中每個(gè)主題下詞的概率分布，可將學(xué)習(xí)者主要關(guān)注的影響因素（主題）分為四類，分別是教師風(fēng)格，知識(shí)學(xué)習(xí)，教與學(xué)評(píng)價(jià)，課程內(nèi)容。

主題1是關(guān)于教師的授課風(fēng)格和授課方式。“幽默”“風(fēng)趣”“生動(dòng)有趣”“喜歡”，表明學(xué)生樂于接受教師的授課風(fēng)格，這個(gè)主題主要是學(xué)生對(duì)教師的認(rèn)可和表揚(yáng)。

主題2是關(guān)于知識(shí)學(xué)習(xí)?！吧睢薄笆芤娣藴\”“通俗易懂”“生動(dòng)有趣”等詞語，表明教學(xué)內(nèi)容與生活實(shí)際緊密結(jié)合，學(xué)生能夠結(jié)合自身生活實(shí)際去更好地理解心理學(xué)知識(shí)，并且注重心理學(xué)的知識(shí)在日常生活中的運(yùn)用，加深對(duì)于心理學(xué)的運(yùn)用與理解。

主題3是關(guān)于教與學(xué)的整體評(píng)價(jià)?！坝哪薄帮L(fēng)趣”“教學(xué)”“生動(dòng)”等詞語表明學(xué)生對(duì)于教師的授課內(nèi)容、整體的授課方式與授課風(fēng)格是認(rèn)可與贊賞的，認(rèn)為能夠?qū)W習(xí)到對(duì)自己有用的知識(shí)，有部分學(xué)生還表明會(huì)期待教師后續(xù)其他有趣實(shí)用的課程。

主題4是關(guān)于課程內(nèi)容?！罢n程內(nèi)容”“有意思”“幽默”“易懂”表明對(duì)于課程內(nèi)容與教學(xué)質(zhì)量的認(rèn)可，但是有部分學(xué)生反饋授課內(nèi)容比較淺顯，以及存在平臺(tái)的技術(shù)方面的問題，還有待提升與改進(jìn)。因此將學(xué)習(xí)者對(duì)于在線課程關(guān)注點(diǎn)歸納為：授課風(fēng)格、知識(shí)學(xué)習(xí)、教師評(píng)價(jià)與課程內(nèi)容四個(gè)方面。

2.4 ?基于LDA主題時(shí)間序列演化分析

在對(duì)評(píng)論文本進(jìn)行主題抽取后，進(jìn)行主題關(guān)注度計(jì)算，計(jì)算各主題關(guān)注度隨時(shí)間的變化，得到四個(gè)主題的演化趨勢(shì)如圖2所示。

在2018年至2022年期間，用戶評(píng)論主要關(guān)注Topic1，即學(xué)習(xí)者在進(jìn)行選擇時(shí)主要考慮的是教師風(fēng)格，關(guān)注度在26%～32%之間，明顯高于其他影響因素，并且從2020年至2022年關(guān)注度在持續(xù)上升，其次關(guān)注Topic2，即關(guān)注知識(shí)學(xué)習(xí)，浮動(dòng)范圍在25%～30%之間，呈現(xiàn)出先上升后下降的趨勢(shì)，依據(jù)理性選擇理論說明用戶會(huì)根據(jù)授課教師的授課風(fēng)格的好壞進(jìn)行課程選擇，因?yàn)榻處煹氖谡n質(zhì)量的好壞會(huì)直接影響整體的課程質(zhì)量，并且由于在新冠疫情期間，無法到校復(fù)課，因此更加關(guān)注教師的授課質(zhì)量與知識(shí)學(xué)習(xí)方面的問題。

Topic3的關(guān)注度呈現(xiàn)明顯增加而后又下降的趨勢(shì)，最高值達(dá)23%，即對(duì)教師評(píng)價(jià)的關(guān)注度明顯增加，后又在一個(gè)穩(wěn)定的范圍上下浮動(dòng)。而Topic4的關(guān)注度即課程內(nèi)容呈現(xiàn)一個(gè)明顯下降的趨勢(shì)，從25.56%下降到20.85%，表明用戶對(duì)于教師的整體授課質(zhì)量，包括教學(xué)內(nèi)容、教學(xué)風(fēng)格、平臺(tái)服務(wù)等方面有較為綜合的考量與評(píng)價(jià)，而不僅僅關(guān)注于某一影響因素，表明學(xué)習(xí)者對(duì)于慕課課程質(zhì)量有一個(gè)綜合的評(píng)估標(biāo)準(zhǔn)，課程的綜合質(zhì)量正逐漸成為主要關(guān)注點(diǎn)，從理性選擇視角出發(fā)，學(xué)習(xí)者會(huì)從多個(gè)維度不同方面對(duì)課程質(zhì)量進(jìn)行評(píng)估，判斷從中能否獲得最大的學(xué)習(xí)收益。

2.5 ?基于LSTM的用戶關(guān)注熱點(diǎn)主題滿意度

在LSTM模型訓(xùn)練方面，采取式（1）對(duì)評(píng)論進(jìn)行情感分類。將整個(gè)數(shù)據(jù)集按照8：2的比例切分為訓(xùn)練集和測(cè)試集，為了降低過擬合風(fēng)險(xiǎn)，達(dá)到理想的分類效果，進(jìn)行了參數(shù)調(diào)整與測(cè)試，共分為20個(gè)訓(xùn)練周期，在Softmax分類器上獲得最終分類結(jié)果。最終模型準(zhǔn)確率在訓(xùn)練集上達(dá)到90.6%，在測(cè)試集上達(dá)到86.2%，在訓(xùn)練集上的損失值為23.7%，在測(cè)試集上的損失值為34.3%。最后由LSTM分類器得到的評(píng)論文本的分類結(jié)果為：正面評(píng)論11 525條，負(fù)面評(píng)論2 033條。如表3所示，分別展示了準(zhǔn)確率、召回率、F1值三個(gè)反映模型性能的參數(shù)值。

依據(jù)式（2）對(duì)用戶關(guān)注主題滿意度進(jìn)行計(jì)算，關(guān)注主題滿意度隨時(shí)間序列的演化圖如圖3所示。

3 ?結(jié) ?論

依據(jù)理性選擇理論與聯(lián)通主義理論，基于學(xué)習(xí)者主題關(guān)注度與主題滿意度變化趨勢(shì)分析學(xué)習(xí)者主要關(guān)注以下三個(gè)方面，因此本文提出以下建議：

1）關(guān)注教師授課方式與風(fēng)格，教師學(xué)生共同成長。對(duì)于課程評(píng)論的研究發(fā)現(xiàn)，絕大多數(shù)的學(xué)習(xí)者對(duì)教師的授課風(fēng)格從2018年到2022年對(duì)于教師風(fēng)格的滿意度呈現(xiàn)出下降的趨勢(shì)，從92.6%下降到88.3%。在聯(lián)通主義看來，教師作為課程具有核心影響力的中心節(jié)點(diǎn)，教師本身就會(huì)對(duì)學(xué)生的學(xué)習(xí)產(chǎn)生影響，因此教師本身應(yīng)該是合格的學(xué)習(xí)者，用自身行為引領(lǐng)學(xué)習(xí)者前進(jìn)，才能更好地提供學(xué)習(xí)支持服務(wù)，更好地融入學(xué)生群體，才能提升學(xué)生的學(xué)習(xí)滿意度，與學(xué)生一起共同成長。

2）關(guān)注課程內(nèi)容資源與平臺(tái)服務(wù)質(zhì)量建設(shè)，互補(bǔ)資源相輔相成。由實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，對(duì)知識(shí)學(xué)習(xí)的滿意度介于91%至95%之間，教和學(xué)的整體評(píng)價(jià)從2018年至2021年一直是下降的趨勢(shì)，從90.76%至71.91%，2021年至2022年有所回升，從71.91%至83.34%，表明在課程資源質(zhì)量提升與學(xué)習(xí)過程體驗(yàn)方面仍有待加強(qiáng)。聯(lián)通主義主張既關(guān)注集體學(xué)習(xí)又關(guān)注個(gè)人成長，因此課程資源建設(shè)也應(yīng)兼顧集體和個(gè)人兩個(gè)維度，既滿足集體學(xué)習(xí)訴求同時(shí)助力于學(xué)生個(gè)性化成長，因此可以在共有資源的基礎(chǔ)上進(jìn)行個(gè)性化學(xué)習(xí)資源的推薦。同時(shí)教師也要鼓勵(lì)學(xué)習(xí)者從多角度對(duì)課程進(jìn)行評(píng)價(jià)，以便能夠細(xì)化課程優(yōu)化與改進(jìn)的方向，提升課程整體質(zhì)量。

參考文獻(xiàn)：

[1] 桑新民，謝陽斌，楊滿福.“慕課”潮流對(duì)大學(xué)影響的深層解讀與未來展望 [J].中國高等教育，2014（Z1）：12-15.

[2] 楊現(xiàn)民，王榴卉，唐斯斯.教育大數(shù)據(jù)的應(yīng)用模式與政策建議 [J].電化教育研究，2015，36（9）：54-61+69.

[3] 祝智庭，沈德梅.基于大數(shù)據(jù)的教育技術(shù)研究新范式 [J].電化教育研究，2013，34（10）：5-13.

[4] 江波，高明，陳志翰，等.基于行為序列的學(xué)習(xí)過程分析與學(xué)習(xí)效果預(yù)測(cè) [J].現(xiàn)代遠(yuǎn)程教育研究，2018（2）：103-112.

[5] 劉三女牙，彭晛，劉智，等.面向MOOC課程評(píng)論的學(xué)習(xí)者話題挖掘研究 [J].電化教育研究，2017，38（10）：30-36.

[6] 李慧.面向?qū)W習(xí)體驗(yàn)文本的學(xué)習(xí)者情感分析模型研究 [J].遠(yuǎn)程教育雜志，2021，39（1）：94-103.

[7] ONAN A. Sentiment Analysis on Massive Open Online Course Evaluations：A Text Mining and Deep Learning Approach [J].Computer Applications in Engineering Education，2020，29（3）：572-589.

[8] 王進(jìn)，汪寧寧.教育選擇：理性還是文化——基于廣州市的實(shí)證調(diào)查 [J].社會(huì)學(xué)研究，2013，28（3）：76-100+243.

[9] 史蒂芬·道恩斯，肖俊洪.聯(lián)通主義 [J].中國遠(yuǎn)程教育，2022（2）：42-56+77.

作者簡介：梁梓煜（1998—），男，漢族，安徽宿州人，碩士研究生在讀，研究方向：自然語言處理；朱麗佳（1984—），女，土家族，貴州銅仁人，碩士研究生在讀，研究方向：自然語言處理；通訊作者：陳?。?979—），男，苗族，貴州銅仁人，教授，博士，研究方向：自然語言處理；常國將（1998—），男，漢族，云南昭通人，碩士研究生在讀，研究方向：中小學(xué)編程教育。