在線開放課程中教師教學行為研究

趙呈領 胡萍 梁云真 蔣志輝 黃琰 疏鳳芳

【摘要】? 在線學習中教師教學行為影響到在線學習者課程評價和學習體驗。本文提出研究假設：教師主教行為與學習者課程評價正相關;教師助教行為與學習者課程評價正相關;教師管理行為與學習者課程評價正相關。主要運用自然語言處理（NLP）和內容分析的方法，從學習者評論中挖掘在線學習者觀點。研究設計了學習者觀點抽象模型和教師教學行為編碼表，運用語言技術平臺（LTP）依存句法分析識別觀點句，并基于規則壓縮抽取觀點句中屬性和觀點詞語，編碼分析教師教學行為相關觀點。分析教師教學行為與學習者課程評價的相關性發現：教師主教行為（講授、指示、演示）與學習者課程評價正相關;教師助教行為（評價反饋、技術指導）和教師管理行為（組織討論、課程管理、輔助學習資源管理）與學習者課程評價的相關關系未達到統計檢驗的顯著水平?；谘芯拷Y果提出在線學習中教師教學行為發展建議。

【關鍵詞】? 在線開放課程;觀點挖掘;教師教學行為;自然語言處理（NLP）;學習者觀點抽象;觀點要素;內容分析

【中圖分類號】? G451.2? ? ? 【文獻標識碼】? A? ? ? 【文章編號】 1009-458x（2019）1-0058-09

一、引言

隨著網絡技術的發展，在線學習已成為用戶的重要學習形式，在線教育規模與日俱增。據中國互聯網數據平臺CNNIC第40次《中國互聯網絡發展狀況統計報告》（2017）統計，截至2017年6月，中國網民數量達到7.51億，在線教育市場規模發展迅速，在線教育用戶規模達到1.44億。僅2016年12月至2017年6月，在線教育用戶就增加了662萬，增長率為4.8%。某在線學習平臺一門課程的學習者高達18萬人，該課程的學習者產生的課程評論文本和討論數據達上萬條。在線開放課程學習者數量巨大，不斷在學習平臺中產生數據，這些數據包括結構化數據和非結構化數據。非結構化數據以文本、圖像、視頻為主。文本仍是在線學習者表達觀點的主要形式，然而，面對海量的學習者生成文本，對一個團隊或某位教師來說要獲取學習者觀點耗時耗力，難以持續。觀點挖掘技術為分析大規模的學習者生成文本提供了可行性，可運用觀點挖掘技術深入挖掘學習者對教師教學行為的觀點。

本研究運用自然語言處理和內容分析技術，深入挖掘和分析在線學習者生成課程評價數據。設計了學習者觀點抽象模型和教師教學行為編碼表，運用語言技術平臺（LTP）依存句法分析識別觀點句，并基于規則壓縮抽取觀點句中屬性和觀點詞語，編碼分析教師教學行為相關觀點，分析教師教學行為與學習者課程評價的相關性，提出在線學習中教師教學行為發展建議。

二、研究現狀

（一）觀點挖掘應用研究

觀點挖掘（opinion mining）是多學科交叉研究領域，涉及自然語言處理、機器學習、信息抽取、數據挖掘等方法和技術。當代漢語詞典中對“觀點”的定義是：①觀察事物時所處的位置或采取的態度;②對事物或問題的看法。觀點挖掘側重挖掘觀點持有者的看法和立場。觀點挖掘一詞最早是由Dave等人在國際萬維網大會WWW會議上提出的（Dave， et al.， 2003）。此后潘波等做了比較深入的研究（Pang & Lee， 2008; Liu， 2012）。從觀點挖掘數據分析粒度來看，有多文檔級、篇章級、段落級、句子級、詞匯級，分析粒度趨于精細化（Cambria， et al.， 2013）。

在教育領域，劉清堂等（Liu， et al.， 2017）用觀點挖掘分析教師反思性思維，為教育政策制定者、教師培訓管理者、教育研究者提供建議。普渡大學Chen等（Chen， et al.， 2014）著重分析工程類專業學生在推特上對學習問題及困難的分享帖，通過分析發現工程類專業學生面臨學習負擔過重、缺少社交活動、熬夜等問題。哈佛大學Reich等（Reich， et al.， 2015）在MOOC平臺中運用觀點挖掘主題模型，深入分析學生自我檢測動機，識別學生討論主題，探究課程評價反饋模式。在MOOC環境下，Yang等（Yang， et al.， 2014）使用主題模型分析論壇和學生社交網絡，預測學生社群中的人員流失。日本學者Kumakawa（Kumakawa， 2017）運用觀點挖掘聚類分析工程領域大一新生的學習海報和其中包含的重要關鍵詞。西班牙學者Romero等（Romero， et al.， 2013）對學習計算機科學課程的114名大學生在一年期間在論壇中產生的文本進行觀點挖掘和分析，預測學生期末表現，以便于教師針對預測結果采取干預措施。

（二）教師教學行為研究

教師教學行為是教師激發、保持、促進學習者學習的所有行為，即對學習者學習行為的指導、支持、服務行為的總和（李松林， 2005）。教師教學行為是復雜的社會行為，具有情境性（朱厚玉， 2013）。研究者從不同的角度，對教師教學行為提出了自己的分類，如表1。弗蘭德斯（Flanders， 1974）的FIAS交互分析根據教師教學言語行為的直接影響和間接影響，將課堂教學中的教師行為分為：接受感、表揚/鼓勵、認同/采用學生的想法、提問、講授、指導、批評/調整權威。斯蒂格勒等（Stigler， et al.， 1999）在課堂錄像分析TIMSS中將教師言語行為分為：提問、講授、指示、接納學生觀點、回答學生提問、回答自己提問。傅德榮等（2001）的S-T分析依據視聽傳遞信息行為，將課堂教學中教師行為分為：解說、示范、板書、借助媒體提示、提問與點名、評價與反饋。施良方等（1999）按教師的行為方式與功能將教師教學行為分為主教行為、助教行為和管理行為。其中，主教行為即主要教學行為，包括呈示行為、對話行為、指導行為;助教行為即有助于教學的行為，包括培養激發學習動機、有效課堂交流、課堂強化技術、積極教師期望;管理行為分為行為問題管理、課堂管理模式、課堂時間管理。劉繁華（2004）將網絡教學中教師教學行為分為教學設計行為、教學準備行為、教學組織行為、教學評價與反饋行為。高巍（2012）按教師的課堂教學表現及其功能，將教師教學行為分為陳述、指導、展示、提問、反饋、管理、觀察、傾聽、反思、評價。顧小清等（2004）在FIAS、TIMSS、S-T分析的基礎上融入了技術。韓后等（2015）改進了顧小清提出的教師操縱技術的具體行為。張屹等（2016）將教師技術評價行為融入教師言語和技術行為中，分析智慧教室中教師和學生互動行為的特征。

綜上所述，觀點挖掘技術在教育領域學習分析中已有較多應用研究，但有關教師教學行為的學習者觀點研究還相對較少。目前，教師教學行為研究大多在課堂教學情境中進行，從研究者視角分析不同的教師教學行為。但是，從學習者視角研究教師教學行為更有利于其發展。本研究運用自然語言處理技術處理分析在線學習者生成的評論文本數據，深入分析學習者對教師教學行為的觀點，并進一步分析教師教學行為與學習者課程滿意度的相關性，提出改進教師教學行為的策略。

三、研究設計

（一）研究問題及假設

本研究的問題是在線學習情境中，學習者對教師教學行為的觀點極性以及不同教師教學行為與學習者課程評價的相關性。針對研究問題，提出以下研究假設：

H1：教師主教行為與學習者課程評價正相關;

H2：教師助教行為與學習者課程評價正相關;

H3：教師管理行為與學習者課程評價正相關。

為驗證以上研究假設，設計了在線學習者觀點挖掘研究框架，學習者觀點抽象模型，觀點句壓縮抽取的屬性詞、觀點詞抽取規則以及教師教學行為編碼表。研究以某云課堂中一門課程為例，分析在線學習者對教師教學行為的觀點，并為在線教師教學行為發展提出建議。

（二）研究框架

本研究主要分為數據獲取與處理、學習者觀點挖掘、教師教學行為分析、研究結論四部分。研究框架，獲取學習者課程評價數據。運用爬蟲獲取在線學習平臺中學習者某課程評價數據，獲取的數據包括學習者、評論時間、課程評分、評價內容等。

課程學習者觀點挖掘主要分四步，分別是觀點抽象、觀點句識別、觀點詞與屬性詞抽取、觀點極性判斷。觀點抽象：學習者觀點挖掘關鍵在于構建學習者觀點抽象模型，確定需要挖掘的學習者觀點信息要素，將學習者觀點抽象為結構化數據。觀點句識別：在獲取的學習者課程評價內容中并非每個句子都包含觀點，需運用自然語言處理技術識別評價內容中的觀點句。觀點詞與屬性詞抽?。簩W習者對評價對象的態度和立場是從屬性詞與觀點詞中獲取的，抽取屬性詞和觀點詞能獲取觀點信息主要內容。觀點極性判斷：根據抽取的觀點詞，運用詞典匹配判斷學習者觀點，將觀點極性分為積極、中立、消極三類，同時篩選出學習者對教師教學行為的觀點。

教師教學行為分析主要分四步，分別是編碼表設計、編碼、信效度檢驗、相關性分析。編碼表設計：考慮在線學習情境與課堂教學情境下，教師教學行為的差異，設計在線學習中教師教學行為編碼表，提供教師教學行為編碼量化依據，同時提出教師教學行為與學習者課程評價相關性的研究假設。編碼：依據教師教學行為編碼表將學習者觀點轉化為量化分析內容。信效度檢驗：隨機抽樣檢驗編碼工具和編碼結果信效度并修正編碼工具。相關性分析：分析某一類型的教師教學行為與學習者課程評價的相關性，檢驗研究假設，從而得到研究結論。

（三）學習者觀點抽象模型

學習者觀點抽象模型的作用是將非結構化文本數據表示為結構化信息。觀點挖掘是為了獲取觀點持有者的態度和立場。要從非結構化文本數據中獲取觀點信息，首先需要抽象學習者觀點，將觀點信息結構化。現有的觀點挖掘抽象模型主要有三元組、四元組、五元組等。三元組的要素有<觀點持有者，對象，態度>，四元組有<主題（Topic），觀點持有者（Holder），陳述（Claim），情感（Sentiment）>（Kim & Hovy， 2004）。五元組是<實體（[ej]），屬性（[ajk]），情感極性（[soijkl]），發布者（[hi]），發表時間（[t1]）>（Liu & Zhang， 2012）。五元組中[soijkl]表示觀點持有者[hi]對實體[ej]的特征[ajk]在[t1]時刻的觀點態度或立場。五元組與三元組相比，增加了評價對象屬性和觀點發表時間，能獲取觀點持有者細粒度的觀點信息。五元組與四元組相比，增加了觀點發表時間，有利于對比記錄學習者觀點變化。

研究根據Liu等人（2012b）的觀點五元組構建學習者觀點抽象模型。實體[ej]是學習者觀點中的評價對象，可以是人、主題、知識點、事件、服務、產品等。屬性[ajk]是被評價對象的某一個方面或特征，每一個實體都有屬性集[a]。例如：教師教學行為、學習資源質量、學伴等，不同的教師教學行為是該實體的屬性，每一種教師教學行為都是該實體的一個子集。如：講授、提問、演示、指導等教學行為。觀點極性用[oijkl]表示學習者[Li]在[t1]時刻對實體[ej]的某屬性[ajk]的觀點態度和立場。本研究按照三分類將學習者觀點極性分為積極、消極、中立，著重分析積極和消極觀點極性。不同學習者對同一實體和屬性的觀點有差異，即使同一學習者也可能在不同時間產生不同的觀點。因此，有必要抽取觀點持有者和觀點發布時間，這也是本研究選取觀點五元組獲取學習者觀點的原因。

在模型五個要素中學習者、發表時間是獲取文本數據時的元數據，可直接抽取。實體是學習者觀點中的評價對象，由于學習者產生的文本數據零散，評價對象范圍廣，實體可預先確定，或運用主題模型分類聚類確定。在本研究中預定實體為教師教學行為。屬性、觀點極性是觀點信息抽取的關鍵部分，需要運用自然語言處理技術處理，結合依存句法分析獲取文本數據中的關鍵屬性觀點詞信息。

（四）研究方法與工具設計

研究設計了觀點句中抽取屬性詞和觀點詞的壓縮抽取規則以及教師教學行為編碼表。研究主要運用到的研究方法有自然語言處理和內容分析。研究工具有哈爾濱工業大學的語言云LTP、IBM統計軟件SPSS，LTP用于依存句法分析，SPSS用于相關性分析。數據預處理后，首先，結合學習者觀點抽象模型，運用自然語言處理技術中的依存句法分析，從觀點句中抽取五要素中的屬性詞與觀點詞;然后，分類抽取學習者與教師教學行為相關的觀點，分析觀點極性;最后，根據教師教學行為編碼表，分析教師教學行為與學習者課程評價的相關性，提出在線學習中教師教學行為發展建議。

1. 屬性詞與觀點詞抽取

（1）觀點句識別

前期觀點挖掘研究表明，通常顯式屬性詞詞性為名詞，觀點詞詞性為形容詞、動詞或副詞，觀點句中包括主謂關系（SBV）和定中關系（ATT）（Che， et al.， 2015）。因此，運用哈爾濱工業大學的語言云LTP分析詞性標注和依存句法，篩選出評價內容中包含詞性為名詞、形容詞、動詞或副詞的句子，或句法結構中包含SBV關系或ATT關系的句子。圖中文字下方詞性標注[n]表示名詞，[v]表示動詞，[d]表示副詞，[a]表示形容詞;文字上方依存句法分析HED表示整個句子核心，SBV表示主謂關系，COO表示并列關系。

（2）壓縮句子抽取屬性詞與觀點詞

借鑒車萬翔等人提出的句子壓縮規則，考慮到學習者生成文本的語法特性，制定觀點句中屬性詞[a]和觀點詞[o]之間的句法壓縮規則，見表2。句法壓縮規則主要圍繞句子主謂關系、定中關系、觀點詞或屬性詞并列關系制定壓縮規則。規則中“*”表示任意詞性詞匯。

在符合以上句法結構的句子中，設計算法抽取句中名詞為屬性詞，抽取句中形容詞為觀點詞。但是，除以上壓縮規則之外，學習者生成評價數據中可能存在一些特殊類型，需要人工校驗壓縮以獲得更高準確率。這些特殊類型有：①對比部分。例如：老師比我預計的講得好。壓縮句為：老師講得好。②句首的副詞修飾語。例如：相對于其他課程來說內容易于理解是課程的優勢。壓縮句為：內容易于理解是課程的優勢。③觀點詞前的副詞修飾語。例如：老師看著感覺幽默。壓縮句為：老師幽默。④特殊副詞搭配。例如：在教學設計方面非常合理。壓縮句為：教學設計非常合理。⑤缺主語。例如：給人學習體驗很好。壓縮句為：學習體驗很好。⑥插入語和感嘆詞。例句：好實用的輔助學習材料哇，哈哈。壓縮句為：好實用的輔助學習材料。⑦口語化詞匯或短語。例如：再加上老師講課生動。壓縮句為：老師講課生動。⑧連接詞或短語。例如：但是老師講得有趣。壓縮句為：老師講得有趣。

2. 教師教學行為編碼表

綜合弗蘭德斯、斯蒂格勒、傅德榮、施良方等學者關于課堂教學情境下教師教學行為的前期研究，并考慮到在線教學情境，制定了教師教學行為編碼表，見表3。

四、研究過程

（一）研究對象

選取的研究對象是某云課堂中選修“JAVA 零基礎入門”并發表課程評價觀點的學習者。該課程于2016年開設，每位學習者都能發表課程評價，也可自由選擇發表課程評價文本。截至2018年1月共選取3，154位學習者的課程評價數據。

（二）數據預處理

1. 去除重復冗余數據

學習者課程評價數據中存在重復冗余數據，首先需要刪除數據中重復和無實際意義的內容。經過數據觀察發現，評價內容中有廣告、純數字、純鏈接，包括感嘆詞、象聲詞。比如：“買學習資源上XX網”“12345”“www.xxx.com”“哈哈”等。

2. 分詞與詞性標注

中文觀點挖掘與英文不同，英文單詞之間有空格作為分隔符，但中文詞匯之間不存在分隔符，需要分詞操作并標注詞性。目前已有較為成熟的中文分詞工具可實現分詞和詞性標注，如NLPIR、語言云LTP。除分詞軟件以外，軟件中的分詞程序包也可以進行分詞操作，如R語言中的Rwordseg和Python中的jieba分詞。

3. 去停用詞

觀點句中包含一些符號和不影響表達學習者觀點的詞語，為提升數據處理速度和效率，使用哈爾濱工業大學停用詞表，調用jieba分詞去停用詞。哈爾濱工業大學停用詞表中的停用詞包括符號、序號、中文詞匯等。比如：“①②③……”“換句話說”“換言之”“或”“或是”等。

（三）學習者觀點挖掘

根據所構建的學習者觀點抽象模型，將學習者觀點抽象為五要素[<ej]（實體），[ajk]（屬性），[oijkl]（觀點極性），[Li]（學習者），[t1]（發表時間）[>]，在學習者觀點五要素中挖掘學習者觀點以及觀點極性。文本預處理后，從3，154位在線學習者課程評價內容中獲得可用數據記錄1，073條。

運用語言云對1，073條記錄中的評價內容做依存句法分析，篩選出評價內容中包含詞性為名詞、形容詞、動詞或副詞的句子，或句法結構中包含SBV關系或ATT關系的句子。經過語言云依存句法分析后，篩選出包含觀點的數據記錄562條，其中125條數據記錄為復合句，能夠運用依存句法分析從這些復合句中抽取多個SBV關系或ATT關系，即復合句中包含多個實體屬性的觀點。根據本研究制定的九種觀點句壓縮規則，分別對562條記錄中的評價內容壓縮抽取屬性詞和觀點詞，共抽取觀點記錄687條。屬性詞和觀點詞與其他觀點要素的抽取結果。對屬性詞和觀點詞抽取結果進行分析，將結果分為三大類，分別是與教師、資源、學伴評價相關的觀點內容。其中，與教師相關的觀點為329條，與資源相關的觀點為306條，與學伴評價相關的觀點為52條。

分別統計在線學習者對教師、資源、學伴三方面評價的總體觀點極性。在線學習者評價中與教師相關的積極觀點為211條，消極觀點為81條，態度中立為37條;與資源相關的積極觀點為196條，消極觀點為71條，態度中立為39條;與學伴評價相關的積極觀點為12條，消極觀點為40條，未發現態度中立的觀點記錄。在學習者觀點記錄中，圍繞教師評價的內容居多，且觀點極性多數趨于積極。

（四）教師教學行為分析

根據設計的教師教學行為編碼表（表3），分析學習者觀點中與教師教學行為數據相關的內容。為發現學習者觀點內容中的隱含信息，并檢驗學習者觀點挖掘準確率，聘請兩位教育技術專業的研究生，分別對教師相關觀點數據進行分類編碼，復核學習者觀點挖掘結果，觀點極性采用1-5級分類。其中，積極觀點極性根據強弱，強的標記為5，相對弱的標記為4，中立標記為3;消極觀點極性根據強弱，強的標記為1，相對弱的標記為2。即總體而言標記數字越大越趨于積極。例如：“老師講得很詳細，很全面?！边\用語言云依存句法分析的結果，“老師”與“講”之間存在SBV主謂關系，在“細致”和“全面”之間存在COO并列關系。將該句中的教師教學行為編碼為T1，觀點極性標記為5。

數據中與教師相關的觀點為329條，兩位研究生復核修改記錄共128條。研究采用Kappa值估計編碼分析信度，若Kappa>0.6則為信度良好（里夫， 等， 2010）。本研究的編碼信度Kappa值為0.85，信度良好。編碼表中教師教學行為觀點數據數量及所占比例見表4，其中行為T2、S1、S2、A3無相關記錄。教師講授行為T1相關觀點記錄數為149條，所占比例為45.3%;教師演示行為T4相關觀點記錄數為53條，所占比例為16.1%。總體來看，主要教學行為所占總比例最大，其次是管理行為，助教行為所占比例最小。

本研究假設教師主教行為、助教行為、管理行為與課程評價具有相關性。從學習者觀點中可獲取學習者對不同教學行為的1-5級觀點極性編碼，這些教學行為有T1、T3、T4、S3、S4、A1、A2、A4。從獲取的原始數據中可獲得學習者對課程評價（CA）的1-5級評分。將同一位學習者對教師教學行為的觀點極性與課程評價相對應，采用Pearson相關系數雙尾檢驗衡量兩變量之間的相關性。相關性分析結果見表5，表中N表示與該教學行為相關的樣本數。

相關性分析結果表明：T1行為與學習者課程評價正線性相關，且相關系數達到顯著水平;主教行為T3、T4與學習者課程評價的相關系數未達到顯著水平，部分驗證了研究假設H1。助教行為S3、S4與學習者課程評價線性相關系數未達到顯著水平，而學習者觀點中未提及S1、S2，因此不能驗證研究假設H2。管理行為A1、A2、A4與學習者課程評價線性系數未達到顯著水平，也不能驗證研究假設H3。

五、研究結論

通過學習者觀點挖掘和教師教學行為分析，可得到以下研究結論：

（1）主教行為（講授、指示、演示）與學習者課程評價正相關。在學習者觀點中出現的行為是講授行為（T1）、指示行為（T3）、演示行為（T4）。教師講授行為與學習者課程評價有顯著線性相關關系。提問行為T2并未在學習者觀點中出現，這與在線學習情境相關。在線學習環境下，教師與學習者時空分離，缺乏實時有效的溝通條件。學習者對教師指示行為和演示行為的觀點記錄較少。學習者對講授行為觀點數量所占比例為45.3%，演示行為觀點數量所占比例為16.1%，此外的各種行為觀點數量所占比例均未超過10%。

（2）助教行為（評價反饋、技術指導）與學習者課程評價的相關系數未達到顯著水平。在線學習者觀點中未出現表揚鼓勵（S1）、批評（S2）行為的相關記錄，評價反饋（S3）和技術指導（S4）的相關記錄總和僅為19條。經過相關性分析，評價反饋行為和技術指導行為與學習者課程評價的相關系數未達到顯著水平。異步環境下，助教行為與主教行為脫節，學習者未感受到助教行為的重要性，對助教行為的觀點在各類觀點中最少。

（3）管理行為（組織討論、課程管理、輔助學習資源管理）與學習者課程評價的相關系數未達到顯著水平。在線學習者觀點中未出現學情分析（A3）行為的相關記錄，組織討論（A1）、課程管理（A2）、輔助學習資源管理（A4）行為的相關記錄共54條。

六、討論

運用學習者觀點挖掘技術分析在線學習平臺中學習者對教師教學行為的觀點，根據研究結論，提出以下在線學習中教師教學行為發展建議：

（1）注重教師專業性發展，提升教師在線講授、演示、指示行為的積極影響，實現教師與學習者的異步提問行為，設置問答獎勵機制。在在線學習者觀點中，講授行為是學習者觀點中出現最多的行為，與學習者課程評價相關性較高。由此可見，在線學習是“內容為王”，在線學習者出于自身知識需求，期望通過教師對知識的演繹獲取知識。教師提問行為是激發學習者積極思考的有效手段，而目前在線平臺中實時提問行為受限?？蓢@教學內容設置在線問答獎勵機制，促進教師和學習者異步問答互動。例如授課教師提問可獲得平臺的經驗績點，學習者回答問題可獲得輔助學習資源下載積分。用問答獎勵機制促進在線教師與學習者深度交互，幫助在線學習者獲取知識。

（2）減輕教師教學任務，借力人工智能與大數據分析技術，將在線學習平臺中的教師助教行為自動化、智能化。研究中雖然未出現學習者對教師表揚、鼓勵、批評行為的觀點，相關性分析亦表明評價反饋、技術指導與學習者課程評價的相關系數未達到顯著水平，但在線學習中助教行為缺失并不利于學習者持續學習課程。對于數量龐大的在線學習者，教師要對每位學習者給予表揚、鼓勵，給出評價、反饋等，人工難以實現。人工智能與大數據分析技術的發展為在線學習中教師助教行為的自動化、智能化帶來了可能性?？梢赃\用大數據分析技術分析學習者的學習情況，針對每位學習者的學習情況自動給予反饋。

（3）重視課程資源和輔助學習資源管理，積極組織在線討論，促進在線學習者協作學習。課程資源以及輔助學習資源是在線開放課程的重要組成部分。教師對資源進行管理是保障學習者順利開展學習的前提條件。教師組織和參與在線討論能激發學習者在線學習的積極性，也有助于教師從學習者的討論內容中進一步了解學習者的課程學習進度、遇到的困難等。在在線學習情境下，教師對各類資源進行優化管理有利于學習者獲得良好的在線學習體驗。

（4）完善課程評價模塊，豐富在線學習者課程評價維度和功能，注重在線學習者觀點數據挖掘。目前，在線學習平臺強調資源建設，相對忽視學習者課程評價，且平臺評價模塊維度單一，功能并不完善。本研究選取的課程其學習者數以十萬計，評論者超過千人，但對教師和課程資源的相關評價數量偏低。深入挖掘在線學習者觀點，需在課程評價中引入有效的評價干預機制，激發學習者評價課程的積極性，獲取學習者真實的觀點信息，從而促進教師教學行為發展和資源質量提高。

[參考文獻]

丹尼爾·里夫，斯蒂文·賴斯，弗雷德里克·G. 菲克. 2010. 內容分析法：媒介信息量化技巧（第二版）[M]. 嵇美云，譯. 北京：清華大學出版社：154-157.

傅德榮，章慧敏. 2001. 教育信息處理[M]. 北京：北京師范大學出版社：94-96.

高巍. 2012. 教師行為與學生行為的關系解析[J]. 教育研究，33（3）：100-106.

顧小清，王煒. 2004. 支持教師專業發展的課堂分析技術新探索[J]. 中國電化教育（7）：18-21.

韓后，王冬青，曹暢. 2015. 1∶1數字化環境下課堂教學互動行為的分析研究[J]. 電化教育研究，36（5）：89-95.

李松林. 2005. 課堂教學行為分析引論[J]. 教育理論與實踐（7）：48-51.

劉繁華. 2004. 網絡教學中教師的教學行為研究[J]. 電化教育研究（4）：38-40，44.

施良方，崔允漷. 1999. 教學理論：課堂教學的原理、策略與研究[M]. 上海：華東師范大學出版社.

張屹，祝園，白清玉，等. 2016. 智慧教室環境下小學數學課堂教學互動行為特征研究[J]. 中國電化教育（6）：43-48.

朱厚玉. 2013. 教師教學行為設計的原理與技術[M]. 昆明：云南大學出版社：9.

CNNIC中國互聯網數據平臺. 2017. 第40次《中國互聯網絡發展狀況統計報告》[DB/OL]. http：//www.cnnic.cn/hlwfzyj/hlwxzbg/hlwtjbg/201708/P020170803598956435591.pdf

Cambria， E.， Schuller， B.， Xia， Y.， et al. （2013）. New avenues in opinion mining and sentiment analysis. IEEE Intelligent Systems， 28（2）， 15-21.

Chen， X.， Vorvoreanu， M.， & Madhavan， K. （2014）. Mining social media data for understanding students learning experiences. IEEE Transactions on Learning Technologies， 7（3）， 246-259.

Dave， K.， Lawrence， S.， & Pennock， D. M. （2003）. Mining the peanut gallery： Opinion extraction and semantic classification of product reviews. Proceedings of the 12th International Conference on World Wide Web. ACM， 519-528.

Flanders， N. A. （1974）. Interaction analysis： A technique for quantifying teacher influence. Behavior Change， 1-16.

Kim， S. M.， & Hovy， E. （2004）. Determining the sentiment of opinions. International Conference on Computational Linguistics. Association for Computational Linguistics， 1367.

Liu， B.， & Zhang， L. （2012）. A survey of opinion mining and sentiment analysis. Chicago： Springer US.

Liu， B. （2012）. Sentiment analysis and opinion mining. Chicago： Morgan & Claypool Publishers.

Liu， Q.， Zhang， S.， Wang， Q.， et al. （2017）. Mining online discussion data for understanding teachers reflective thinking. IEEE Transactions on Learning Technologies， pp（99）， 1-9.

Pang， B.， & Lee， L. （2008）. Opinion mining and sentiment analysis. California： Information Retrieval.

Reich， J.， Tingley， D. H.， Leder-Luis， J.， et al. （2015）. Computer-assisted reading and discovery for student generated text in massive open online courses. Journal of Learning Analytics， 2（1）， 156-184.

Romero， C.， López， M. I.， Luna， J. M.， et al. （2013）. Predicting students final performance from participation in on-line discussion forums. Computers & Education， 68， 458-472.

Stigler， J. W.， Gonzales， P.， Kawanaka， T.， Knoll， S.， & Serrano， A. （1999）. The TIMSS videotape classroom study： Methods and findings from an exploratory research project on eighth-grade mathematics instruction in Germany， Japan， and the United States. Washington， DC： Education Statistics Quarterly.

Takehisa Kumakawa. （2017）. A text mining examination of university students learning program posters. Open Access Library Journal， DOI： 10. 4236/oalib. 1103639， pp. 1-6

Che， W.， Zhao， Y.， Guo， H.， Su， Z.， Liu， T. （2015）. Sentence compression for aspect-based sentiment analysis. IEEE/ACM Transactions on Audio， Speech， and Language Processing. 23（12）， 2111 - 2124.

Yang， D.， Wen， M.， Kumar， A.， et al. （2014）. Towards an integration of text and graph clustering methods as a lens for studying social interaction in MOOCs. International Review of Research in Open & Distance Learning， 15（5）， 214-234.

收稿日期：2018-03-27

定稿日期：2018-08-26

作者簡介：趙呈領，教授，博士生導師;胡萍，博士研究生，副教授。華中師范大學教育信息技術學院（430079）。

梁云真，博士，講師，河南師范大學教育學院（453007）。

蔣志輝，博士研究生，副教授;黃琰，博士研究生，講師;疏鳳芳，博士研究生，講師。華中師范大學教育信息技術學院（430079）。

責任編輯 張志禎