教師教學情緒綜合評價分析

鄭譽煌

摘? 要： 教師教學情緒對課堂教學效果和學生的學習狀態有重大的影響。基于自然語言處理理論，建立了分析教師教學情緒的情感傾向指標、情感波動指標和敏感詞指標。為了對比不同教師之間的總體教學情緒，采用離差權評價模型建立了教師情緒綜合評價方法。實驗表明，上述指標和綜合評價方法能有效體現教師課堂教學情緒和他們的情緒差異。本研究成果為智能分析教師教學情緒提供了客觀依據，為教師及時改善教學效果提供有力支持。

關鍵詞： 教師教學情緒; 自然語言處理; 綜合評價; 指標

中圖分類號：TP391.1? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2021）03-104-04

Comprehensive evaluation of teachers' emotions in teaching

Zheng Yuhuang

（Academic Affairs Office， Guangdong University of Education， Guangzhou， Guangdong 510303， China）

Abstract： Teachers' emotions may have a significant impact on students' learning in teaching activities. Based on the theory of natural language processing， the criterions of emotional tendency， emotional fluctuation and sensitive words are defined to analyze teachers' emotion in teaching. In order to compare the overall teaching emotions among different teachers， a comprehensive evaluation method of teachers' emotion is established by using the deviation weight evaluation model. The experiment results show that these criterions and the comprehensive evaluation method of teachers' emotion can effectively reflect their teaching emotions. The research results provide references for the intelligent analysis of teachers' emotions in teaching， and provide technical support for teachers to improve their teaching in time.

Key words： teachers' emotions in teaching; natural language processing; comprehensive evaluation; criterions

0 引言

教師教學是一種典型的情緒勞動。教師在執行教學任務的活動過程，通過語調、表情、動作影響著教學信息的傳遞和接收。教師教學情緒是影響課堂教學質量的重要因素之一。在課堂環境中，教師積極的情緒可以促進學習者產生積極的情緒狀態，從而強化學生的學習動機，提高學習認知效果。

Yelinek J.等[1]通過人為觀察并記錄了兒童與幼兒教師之間的對話，發現教師使用積極和消極的情緒，會影響兒童產生積極和消極的行為。Jeon L.等[2]以美國1129名學齡前教師為樣本，發現影響教師情緒的相關工作氛圍因素。Uzuntiryaki等[3]采用積極與消極情緒量表、情緒控制量表、教師效能感量表獲取336名公立中學科學教師的情緒狀態，并建立相應的結構化方程模型分析。Moreira等[4]采集了350名在職中學教師的問卷數據，并采用兩步結構方程模型（SEM）來分析教師情緒。Park等[5]采集韓國公立本科大學14名職前教師的臉部表情，并采用Emotient軟件分析這些面部表情所表示的情緒。Kim等[6]提出基于智能教室平臺實現對教師情緒分析，量化教學過程的各種參數。Estrada[7]提出使用機器學習、深度學習和進化方法分析學生關于學習狀態語料的情感極性。Cabada[8]使用深度學習技術來檢測學生的學習情緒。

上述研究存在以下問題：①研究對象面向宏觀的教師群體而不是微觀的教師個體;②采集教師的情緒手段單一，以主觀觀察法和教師自主填表為主;③沒有充分依托信息化手段自動分析教師的教學情緒。

本文提出了一種描述教師教學情緒的多參數模型及教師情緒的綜合評價方法。在已經獲得教師授課講話稿的基礎上，這個方法首先基于自然語言處理，建立了包含情感傾向、情感波動、敏感詞這三個關鍵參數的教師情緒模型;然后采用離差權評價方法，綜合評價教師情緒模型的三個參數，從而獲得教師課堂綜合情緒。本研究實現對每一教師課堂教學情緒的識別和記錄，并將自動分析結果及時反饋給任課教師，依托這些客觀數據的分析，實現教師課堂教學全過程的精細控制，有效的保證教學質量。

1 教師授課的情感指標

教師授課過程中的情感傾向能顯著影響學生情緒和認知水平。教師授課的情感傾向分析采用基于Character-Based Generative Model分詞模型和樸素貝葉斯模型（Naive Bayes）統計分析。

1.1 分詞原理

本研究采用Character-Based Generative Model模型實現分詞。設狀態值集合是Q={B，E，M，S}，分別表示詞狀態是的開始Begin、結束End、中間Middle和獨立成詞Single，觀測序列即為中文句子。中文分詞的任務本質是一個解碼問題，即對于字符串[cn1=[c1，…，cn]]，求解最大條件概率[maxP（t1，…，tn|c1，…，cn]]，其中，ti表示字符ci對應的狀態。

對于一句話字符串[cn1=[c1，…，cn]]，分詞序列[wm1=[w1，…，wm]]，[m≤n]，設[wm1=[c，t]n1]，則可得式⑴和式⑵。

[P（wm1cn1=Pc，tn1|cn1=Pcn1|c，tn1×Pc，tn1Pcn1] ⑴

[argmaxPc，tn1=argmaxi=1nP[c，t]i|[c，t]i-1i-k] ⑵

對于n不大的情況下，可以采用枚舉法，其基本思想是列舉出所有可能的分詞情況，逐個判斷有哪些分詞符合所規定的條件，從而得到全部分詞。據統計，成年人情緒激動緊張的情況下人的呼吸可以增快可以到達每分鐘20～30次，按教育學要求，標準語速為200～250字/分，即每次換氣形成一句話，則每句話大約是10字～13字左右，即n<13。這對一般計算機完全可以勝任n！的計算量。

1.2 情感傾向指標

通過分詞，可以將教師授課的每句話分成由若干個詞組構成的集合。在此基礎上，采用樸素貝葉斯模型進行情感分析。情感分析本質是兩個類別積極（pos）和消極（neg）的分類問題，設一句話的特征向量由多個特征詞組成[[w1，…，wm]]，特征之間是相互獨立的，屬于類別pos的貝葉斯模型的基本過程為：

[s=Ppos|w1，…，wm]

[=][Pw1，…，wm|posP（pos）Pw1，…，wm|posPpos+Pw1，…，wm|negP（neg）]

[=11+Pw1，…，wm|negP（neg）Pw1，…，wm|posPpos]

[=11+explnPw1，…，wm|negP（neg）Pw1，…，wm|posPpos]

[=11+explnPw1，…，wm|negP（neg）-lnPw1，…，wm|posPpos]

可得這句話的正向情感概率如式⑶。

[s=11+expi=1mlnPwi|neg+lnPneg-i=1mlnPwi|pos-lnPpos] ⑶

貝葉斯模型的訓練過程實質上是在統計每一個特征詞出現的頻次。正向情感概率越趨向于1，表示教師的上課情感傾向約越正面，低于0.5則上課情感傾向偏于負面。

設教師在課堂中所講的q句話正向情感概率[s=[s1，…，sq]]，則教師課堂情感傾向指標是q句話的正向情感概率均值，即如式⑷。

[μ=s=1qi=1qsi]? ⑷

1.3 教師情感波動指標

為了評估教師的上課感情離散程度，引入樣本標準差，評估教師情感的波動程度。情感波動指標是式⑸。

[σ=1-i=1q（si-s）2q-1] ⑸

當[si=s]時，[σ=1]，此時教師情感沒有任何波動;

當[s=0，1，…，0，1]，此時離散程度最高，教師情感波動最強烈，此時

[σ=1-i=1q（0.5）2q-1]

[=1-12qq-1→1-limq→∞12qq-1=12]

即情感波動指標范圍是[0.5，1]，指標越大，表征教師情緒波動越低。

1.4 敏感詞指標

DFA（Deterministic Finite Automaton，即確定有窮自動機）算法一種重要的敏感詞過濾算法。DFA算法計算少，其核心是狀態轉移的描述。本文將開源的2017版敏感詞庫中的違禁文字列表構造成一個狀態機，并用HashMap的數據結構予以描述。

基于DFA的教師授課敏感詞分析的思路是遍歷教師授課語音轉換稿的每個文字，查看該字在敏感詞庫中是否存在，如果不存在，則繼續查詢下一個文字直至轉換稿的最后一個字。該字在敏感詞庫存在，則獲取該關鍵詞的集合，并獲取該集合的isEnd屬性值為True，此時累加NumSentive的值。則定義敏感詞指標為式⑹。

[ω=1-NumSentiveq] ⑹

即教師每句話中沒有說出的平均敏感詞數，敏感詞指標越大，表征教師授課時出現敏感詞數越少。

2 綜合評價算法

綜合分析教師授課的情感傾向指標、情感波動指標和敏感詞指標，可以獲得對教師教學情緒綜合評價。本研究采用離差權評價模型。上述定義的情感傾向指標、情感波動指標和敏感詞指標都符合在[0，1]范圍之間，0表示該指標達到最差，1該指標達到最優。若某一指標對所有數據都相等或相差不大，則此項指標包含評價所需的信息量不大，其權系數應很小，反之，若某項指標對所有樣品相差很大，則這項指標包含評價所需的信息就很大，其權系數應很大。據此，可用每一項指標的標準差作為該項指標的權數，即離差權評價模型。設xij是i個教師授課文本的j項指標，則第i個教師教學情緒綜合評價是[αi，]如式⑺～式⑽。

[αi=j=1pφjxij×100] ⑺

[φj=δjj=1pδj] ⑻

[δj=1n-1i=1n（xij-xj）2] ⑼

[xj=1ni=1nxij] ⑽

其中[δj]是第j項指標值的標準差。

3 實驗與結論

3.1 實驗

本項目的16個測試視頻來源于視頻網站haokan.baidu.com公開的教學示范課，每個示范課時長大約在8-12分鐘，視頻展示了在教師在黑板前的教學活動情況。這些視頻覆蓋了小學和初中的語文、數學、化學、物理等主干課程。數據預處理階段采用迅捷云語音識別技術，將教師的授課錄音轉化為文字。實驗結果如表1所示，基本示范課的教師情感波動是比較小的，一般可以保持情緒穩定。但是每位教師的說話風格有很大差異，雖然總體授課情緒是積極的，但是情感傾向差異比較大，還有個別老師不小心說出了一兩個敏感詞。可見算法能比較好地獲得各個教師的授課情感指標。

綜合評價教師的情感傾向、情感波動、敏感詞這三個指標時，離差權評價模型能夠很好跟蹤變化比較大的指標值，避免了變化小但幅值大的指標值對綜合評價的影響。

3.2 結論

本項目為了分析教師的教學情緒，建立評價教師教學情緒的情感傾向指標、情感波動指標和敏感詞指標，并采用離差權評價模型綜合評價這三個指標，從而獲得教師教學情緒綜合評價。通過對16個教學示范課視頻的算法驗證表明了本方法是可行的。這對于實現教師全教學過程的智能化分析和自動化評價提供了有益的參考。本算法具有較好的擴展性，可以根據進一步的研究需要增加新的評價指標。

然而，教師教學情緒分析是一個嶄新的研究領域，還有很多值得深入研究的問題，如：教師教學行為與教學情緒之間的關聯、教師教學內容與敏感詞之間的有效區分等，這些問題有待進一步的深入研究。

參考文獻（References）：

[1] YELINEK J， GRADY J S. 'Show me your mad faces！'preschool teachers' emotion talk in the classroom[J]. Early Child Dev Care，2019.189（7）： 1063-71

[2] JEON L， ARDELEANU K. Work Climate in Early Care andEducation and Teachers' Stress： Indirect Associations through Emotion Regulation[J].Early Education and Development，2019.31（7）：1031-51

[3] UZUNTIRYAKI-KONDAKCI E， KIRBULUT Z D， SARICIE， et al. Emotion regulation as a mediator of the influence of science teacher emotions on teacher efficacy beliefs[J]. Educational Studies，2019.7（14）：1-19

[4] MOREIRA-FONTAN E，GARCIA-SENORAN M， CONDE-RODRIGUEZ A， et al. Teachers' ICT-related self-efficacy， job resources，and positive emotions：Their structural relations with autonomous motivation and work engagement[J].Computers & Education，2019.134（6）：63-77

[5] PARK S， RYU J. Exploring Preservice Teachers' EmotionalExperiences in an Immersive Virtual Teaching Simulation through Facial Expression Recognition[J]. International Journal of Human-Computer Interaction，2019.35（6）：521-33

[6] KIM Y， SOYATA T， BEHNAGH R. Towards EmotionallyAware AI Smart Classroom：Current Issues and Directions for Engineering and Education[J].Ieee Access，2018.6（1）：5308-31

[7] ESTRADA M L B， CABADA R Z， BUSTILLOS R O， et al.Opinion mining and emotion recognition applied to learning environments [J]. Expert Syst Appl，2020.150（7）：12-23

[8] CABADA R Z， ESTRADA M L B， BUSTILLOS R O.Mining of Educational Opinions with Deep Learning[J]. J Univers Comput Sci， 2018.24（11）：1604-26