基于移動學習平臺使用的學習特征挖掘方法

姚佩 羅熠

（江西理工大學建筑與設計學院 江西·贛州 341000）

1 問題緣起

當下，我國已經進入數字教學時代，知識和信息的邊界逐步模糊，二者本身已經不再成為制約人類知識增長的關鍵因素。多渠道獲取海量知識的途徑將成為推動學習發展的重要手段，然而如何在便捷的知識獲取渠道下完成對信息與知識的再加工成為數字學習時代師生所面臨的重大問題之一。為此，學界便逐步開啟了對于移動學習以及移動學習平臺的研究，相關研究主要集中在以下幾個方面：

一是基于微信的移動學習平臺設計。這方面的研究強調了在微信APP的支撐下，進行移動學習平臺的搭建與運營。有學者研究指出，微信平臺本身就具有廣闊的社交能力，其所存在的社交屬性能夠幫助學習者獲取更多的學習資源和考試信息，因此基于微信平臺的移動學習平臺架構便具有了一定的開發價值。[1]

二是移動學習策略研究。各類網絡教學平臺給學生提供了海量的學習資源，但需要有策略的推薦學習資源，有目的的引導學生學習才能達到較好的學習效果。有學者指出，通過引入移動學習平臺工具在各科學習中的應用，一方面能夠提升學生的彈性學習策略，另一方面也構建起了良好的自學學習以及師生之間的協作學習的氛圍，最大達到通過構建彈性移動學習策略提升學習效果的目的。[2]

三是基于移動學習平臺的學習特征研究。移動學習本身作為傳統學習方式的補充形式之一，它擁有了智能化的學習終端教學終端以及家長終端。因此，移動學習平臺能夠支持教師對學生的成績及時、全方位以及個性化的學習反饋，這能夠有效提升教學質量與效果，能夠通過對這些反饋的挖掘發現學生的多元化學習延展性。[3]李氣糾和楊常英認為移動學習平臺具有時間和空間融合的特征、教學及時性和交互性、教學成果直觀性。[4]

綜上所述，基于移動學習平臺的學習特征研究表明，移動學習平臺的反饋本身作為一種教學反饋，應該被重視起來。此外，這種反饋也應該被更為深層次地挖掘，從而明確相關反饋的含義。在此背景之下，本研究認為移動學習平臺的反饋本身作為一種重要的教學成果資源，理應被有效挖掘。但傳統的挖掘方法無法針對大量的非結構化數據進行意義挖掘，因此需要采用全新的自然語言挖掘方法。

2 基于CBVS的學習反饋文本的學習特征挖掘方法

本研究提出一種具有分類能力的知識特征挖掘框架，該框架融合了 BERT和變分子編碼器 VAE（Variational Auto-Encoder），用于挖掘基于移動學習平臺的教學反饋。該方法能夠有效挖掘學生的教學反饋文本中上下文語義之間的關聯。此外，BERT將預訓練模型和下游任務模型結合在一起，使得BERT模型天然地支持文本分類任務，從而省略了在做文本分類任務時不需要對模型做修改。該方法可被概括為以下三步：一是將文本序列輸入至BERT模型進行編碼，從而獲取到隱藏層特征向量；二是進行VAE特征分類，該層需要對BERT輸出結果進行解碼，識別文檔中的關系觸發詞；三是使用譜聚類方法對上述結果進行圖關系表示，最終獲得知識結構挖掘圖譜結果。

2.1 BERT編碼層

BERT模型于2018年被提出，它通過對海量文本的無監督預訓練（Pre-training）后，能夠在特定的下游任務上進行微調（Fine-tuning）。BERT模型內部采用Transformer編碼結構，這相較于基于時間序列的循環神經網絡等模型的語義挖掘能力具有典型的提升作用，這也使得BERT模型擁有了更為強大的上下文語義信息捕捉能力。

2.2 變分自編碼器

變分自編碼器（Variational Auto-Encoder，VAE）是基于無監督學習的深度生成網絡模型，由Kingma和Welling在2014年提出。該模型是自動編碼器的升級版本，其結構跟自動編碼器較為類似，也由編碼器和解碼器構成。相比于自編碼器，VAE更傾向于數據生成。正因如此，研究將BERT的詞向量結果輸入VAE，從而獲得更好的分類結果。VAE的最大特點是模仿自動編碼機的學習預測機制，在可測函數之間進行編碼、解碼。

2.3 譜聚類層面

譜聚類是從圖論中演化出來的算法，后來在聚類中得到了廣泛的應用。它的主要思想是把所有的數據看作空間中的點，這些點之間可以用邊連接起來。通過對所有數據點組成的圖進行切圖，讓切圖后不同的子圖間邊權重和盡可能的低，而子圖內的邊權重和盡可能的高，從而達到聚類的目的。需要說明的是，譜聚類有兩種切圖方式，分別為“RatioCut切圖”和“Ncut切圖”，本研究采取前者。

2.4 研究數據

基于既往移動學習平臺的教學反饋內容而進行的自然語言處理研究，旨在揭示學生使用移動學習平臺的學習感受及其學習特征。因依據研究需要以及數據獲得的便利性，研究以江西理工大學數字媒體藝術專業學生使用的移動教學平臺的學習反饋作為原始資料，從而進行挖掘工作，以求幫助教師獲得更好的教學反饋情況。此外，需要說明的是本研究所收集到的學生反饋文字資料共計6萬余字。

3 研究結果

3.1 基于CBVS的學習反饋內容挖掘

通過以上基礎統計信息，呈現出了教學反饋的多方面信息，但卻沒能有效挖掘出教學反饋的學習特征，因此研究根據CBVS的模型結構框架，運算CBVS方法，從而得到了教學反饋內容的學習特征矩陣，并使用譜聚類的方式對相關數據進行繪圖，在選取前排名前50的運算結果后，繪制下圖1：

根據譜聚類算法的衡量要求，研究在使用譜聚類算法時得到以下數據（見表1）：

根據CBVS的譜聚類結果圖可知，當前的學習反饋挖掘大約形成了四個結構中心，學習反饋的CBVS挖掘所呈現出“移動平臺”與“教學工作”并存的局面，且相應的研究成果具有一定的交差特性，這樣顯示出基于移動平臺的學生學習特征具有典型的課程-問題導向特點。相關分析見下節。

圖1：基于CBVS的學習反饋特征結果圖

表1：譜聚類算法結果

3.2 研究結論

通過CBVS學習反饋內容挖掘方法，研究獲得了“老師—學生”節點中心、“課程—內容”節點中心、“學習—平臺”節點中心以及“信息—設備—發展”四個結構中心。這些節點之間具有一定的交融性，表明基于移動學習平臺的學習特征之間具有一定的融合性，突顯出以下特征：

（1）基于移動學習平臺的學習特征反饋表明，學生的學習特征依舊遵循了“教師—學生”的節點規律。盡管基于移動學習平臺的學習使得學生與教師無法面對面進行交流，但教學內容與知識的傳遞主體仍舊是教師與學生，移動學習平臺更多地承擔了教師與學生之間的學習溝通的橋梁。移動學習平臺的使用更多地起到了“聯通效果”，而較少地起到了學生自主學習以及逐步形成新的“學生—平臺”的映射關系。

（2）基于移動學習平臺的學習反饋表明，學生使用移動學習平臺會逐步形成學習協作體。CBVS方法的圖譜聚類結果呈現出了一定的向心特征，這說明基于移動學習平臺的學習效果具有一定的凝聚性。首先，基于移動學習平臺的學習會通過平臺的中介作用，將學生內部之間的問題交流逐步引向某一焦點，并形成較為明顯的“課程—內容”節點中心。圍繞課程內容會使得學生們產出更多的疑問，而這些疑問一方面需要任課教師來進行解答，另一方面也需要學生通過移動學習平臺自主搜尋答案。“課程—內容”的挖掘點體現了移動學習平臺與師生之間的人機交互性，這種人機交互逐步將學生與教師指向了課程內容方向，因此才會逐步形成“課程—內容”這樣的大聚類。

（3）基于移動學習平臺的學習反饋表明，學生使用移動學習平臺進行學習具有一定的視野廣闊性。CBVS方法的圖譜聚類結果從其文本挖掘的主題詞“知識”“資源”“數據”“發展”“問題”等信息中推斷，基于移動學習平臺的學習能夠引發學生對“發展知識”的渴望，呈現出了一定的視野廣闊性。相關詞匯表明，“信息—設備—發展”中心節點會越來越強大，側面說明了在信息化時代，學生使用移動學習平臺進行學習，一方面需要平臺提供良好的教學內容，促進學生掌握基礎知識；另一方面需要平臺為學生的自主發展服務，培養學生的創造能力和創新能力，以開闊學生視野，獲得良好的教學效果。

4 結語

研究以“基于移動學習平臺的學習反饋挖掘”為主題，通過建構起CBVS學習反饋挖掘方法回答了基于移動學習平臺的學習反饋具有何種意義的問題。結果表明：首先，基于移動學習平臺的學習特征反饋表明，學生的學習特征依舊遵循了“教師—學生”的節點規律；其次，基于移動學習平臺的學習反饋表明，學生使用移動學習平臺會逐步形成學習協作體；最后，基于移動學習平臺的學習反饋表明，學生使用移動學習平臺進行學習具有一定的視野廣闊性。盡管本研究使用CBVS方法作為基于移動學習平臺學習反饋內容的挖掘方法，但其依舊存在一定的局限性。本研究僅構建了數字媒體藝術專業學生的學習反饋，其他專業的學習反饋沒能夠被囊括進來，這或許會導致無法顯示更多的學習反饋的特征。今后的研究可擴大相關語料庫容量，從而推進基于移動學習平臺的學習反饋的學習特征認識。