面向在線異步交互文本的情感—認知自動化分析模型研究*——以大規模教師在線培訓為例

馬 寧 張燕玲 杜 蕾 王 琦

面向在線異步交互文本的情感—認知自動化分析模型研究*——以大規模教師在線培訓為例

馬 寧1,2張燕玲1,3杜 蕾1,4王 琦5

（1．北京師范大學 教育學部教育技術學院，北京 100875；2．北京師范大學 未來教育高精尖創新中心，北京 100875； 3．深圳大學附屬教育集團實驗小學，廣東深圳 518061； 4．深圳市龍華區松和小學，廣東深圳 518109；5．北京外國語大學人工智能與人類語言重點實驗室，北京 100089）

在線異步交互是大規模在線教育的一種重要交互方式，對學習體驗和學習效果有較大影響。為深度挖掘教師學習者在線異步交互過程中的情感狀態和認知水平，文章首先構建了面向在線異步交互文本的情感—認知自動化分析模型及其自動化分析流程，之后將模型應用于大規模教師在線培訓課程，通過采集異步交互數據作為訓練數據，從不同機器學習算法中選取最優算法，同時融合情感—認知詞典進行算法模型訓練，構建了面向具體應用場景的情感—認知算法模型。最后，文章得出研究結論：機器學習算法中支持向量機的文本自動化分析效果最好，融合詞典與機器學習的方法能更好地提升算法模型的準確率，采用網格搜索進行參數優化可以進一步提升算法模型的效果。文章的研究為在線異步交互文本的自動化分析提供了研究思路和技術支持，有利于深度挖掘教師學習者隱藏在交互文本中的情感狀態和認知水平，為自動反饋提供依據，對于優化異步交互學習過程具有重要意義。

在線異步交互；情感狀態；認知水平；機器學習；教師學習者

引言

全面提升教師的素質能力，是我國教育信息化工作的一項重要任務[1]。大規模在線教師培訓作為教師專業發展的一個重要途徑，得到了全球教育領域的廣泛關注[2]。其中，在線異步交互是一種非常重要的交流形式，教師學習者可以與學習同伴進行特定領域內容的深度交流，有助于保持學習興趣并提高課程參與度，促進高階思維發展，對學習者學習質量的提升有十分重要的作用[3]。此外，交互過程中的文本信息能夠清晰地再現教師學習者的情感、認知發展過程，有利于從中挖掘、提取隱藏的關鍵信息，為教師學習者提供自動干預和推理[4]。

然而，由于在線教師培訓的復雜特征，面向異步交互文本的情感狀態和認知水平的自動化分析面臨諸多挑戰，如情感狀態挖掘、認知水平判斷的過程均依賴于特定學習者群體的特征和特定領域知識的結構；情感狀態和認知水平具有較強的隱蔽性，難以精準判斷；網絡教研和專業學習過程中產生的大量過程性文本及其蘊含的大量認知、情感等方面的特征信息仍以人工分析為主[5]，不僅耗時費力，而且不具備高可靠性，因而很多時候容易被忽視或放棄。基于此，本研究以大規模教師在線培訓為例，采用融合詞典和機器學習的文本自動化分析方法，構建面向在線異步交互文本的情感—認知自動化分析模型，以實現對教師學習者在線異步交互過程中情感狀態和認知水平的深度挖掘，為提升教師在線培訓效果提供思路。

一 在線異步交互自動化分析

當前，對在線異步交互過程中學習者的自動化分析主要從以下四個維度進行：認知水平、行為模式、情感狀態和交互關系[6]。李艷燕等[7]比較了支持教師干預與反饋的自動化分析工具，發現多數工具聚焦于學習者的學習行為和交互關系分析，而缺少對情感狀態與認知水平的深入探討。可見，學習者異步交互過程中情感狀態與認知水平的自動化分析有待進一步研究。

1 在線異步交互過程的情感狀態自動化分析現狀

情感狀態自動化分析是指對學習者情緒反應水平的自動識別、判斷與分析。異步交互過程中的態度和情緒是學習者學習質量的關鍵因素[8]，且已有實證研究發現教師學習者在參與培訓時情感狀態具有顯著的波動性[9]。因此，深入挖掘學習者的情感狀態對于優化異步交互學習過程具有重要意義。目前，許多研究者聚焦于在現有情感識別框架的基礎上識別學習者的情感狀態，如Tian等[10]開發了一個面向在線學習者的情感識別框架，能夠對異步交互文本中的情感主題進行提取；馬相春等[11]開發了一個學習者學習社區，在其中挖掘文本中的情感信息，并通過情感字典計算學習者的學習情感傾向。也有部分研究者通過建立情感算法模型實現對學習者情感狀態的挖掘，如Liu等[12]將情感傾向納入異步交互算法模型，以探索特定討論主題下情感傾向的差異。

2 在線異步交互過程的認知水平自動化分析現狀

認知水平分析主要關注學習者在異步交互時使用的認知策略和心理資源。在異步交互過程中消除認知沖突、提高認知水平，對于實現教師的專業發展有重要意義[13]。因此，對教師學習者的認知水平進行精準、高效的判斷與分析尤為重要。目前，認知水平分析方法主要有問卷調查法、作品分析法、訪談法等，雖各具優勢，但也存在一些不足。為此，研究者開始嘗試使用內容分析法對交互內容做客觀、系統的量化并加以描述，如馬寧等[14]采用內容分析法，從知識建構層級的角度分析教師學習者參與培訓時的認知水平；孫雨薇等[15]運用Henri的交互分析框架，探索教師學習者交互時提出的問題以及問題回應的認知水平。但目前內容分析法仍以人工分析為主，在數據編碼與分析方面耗時巨大，難以完成大規模的數據挖掘，亟待突破技術限制。

在線異步交互過程中情感狀態與認知水平的自動化分析，是通過基于固定規則對異步交互文本進行監督學習，從而將相關文本自動劃分至某個類別的過程。目前，文本自動化分析方法主要有三種：①基于詞典的方法，即以詞典作為分類的主要依據，結合文本的語言特點和附加信息設計判斷規則，實現文本分類[16]。然而，該方法依賴于詞典的質量與覆蓋率，極大地限制了應用范圍。另外，目前還沒有專門針對教師在線培訓這一特定領域的情感和認知詞典，其中情感詞典也僅僅涉及正、負兩個極性，不適用于學習情境，亟需相關研究的探索。②基于機器學習的方法，是對人工標注的訓練集進行算法模型訓練，使算法模型很好地擬合訓練集和類別之間的關系，并預測未知類別的文檔[17]。③融合詞典和機器學習的方法，是將詞典信息作為一種特征與其他特征相組合進行特征提取，構建算法模型實現文本分類[18]。總的來說，融合詞典和機器學習的方法優化了前兩種單一文本分析方法的性能，可用于構建面向在線異步交互文本的情感—認知自動化分析模型，來深入挖掘教師學習者內隱的情感狀態和認知水平。

二 模型構建與流程設計

1 模型構建

本研究基于在線異步交互過程，深度挖掘教師學習者的情感狀態和認知水平，采用融合詞典和機器學習的文本分析方法，構建面向在線異步交互文本的情感—認知自動化分析模型，如圖1所示。該模型主要分為三大部分：①異步交互場景中的信息提取；②基于異步交互文本的情感—認知自動化分析；③基于異步交互文本的情感—認知自動化分析的應用。也就是說，基于在線學習平臺先從不同的異步交互場景中提取文本，然后對文本進行情感—認知自動化分析，從而確定教師學習者的情感—認知狀態，最后為教師學習者提供合適的反饋。

圖1 面向在線異步交互文本的情感—認知自動化分析模型

圖2 面向在線異步交互文本的情感—認知自動化分析流程

2 流程設計

依托面向在線異步交互文本的情感—認知自動化分析模型，本研究設計了如圖2所示的自動化分析流程，主要思路為：首先，通過采集在線異步交互文本數據，對種子語料的情感狀態和認知水平進行人工標注，并按比例分層抽取訓練集和測試集；接著，進行數據預處理，形成詞集；隨后，對詞集進行特征提取，結合評價指標從不同的機器學習算法中選取最優算法；最后，通過詞性篩選構建情感—認知種子詞集，詞典拓展后形成情感—認知詞典，同時融合詞典進行算法模型訓練，通過測試集不斷優化算法模型參數，從而獲得面向在線異步交互文本的情感—認知自動化分析算法模型（下文簡稱“情感—認知算法模型”）。

三 模型應用

本研究將面向在線異步交互文本的情感—認知自動化分析模型及其自動化分析流程應用于大規模教師在線培訓課程，通過比較不同機器學習算法對異步交互文本分析的效果，同時融合情感—認知詞典，構建面向具體應用場景的情感—認知算法模型，實現不同異步交互場景下教師學習者情感狀態和認知水平的自動化分析。

1 數據采集與人工標注

本研究依托北京師范大學學習元平臺[19]，開設了“混合式理念下的項目式學習（第二期）”課程，開展大規模教師在線培訓。整個課程為期5周，每周課程的學習時長為90分鐘，在線異步交互活動圍繞每周的學習主題開展。該課程共招募到1083名教師學習者參與課程學習，生成了12576條交互文本被平臺自動記錄。本研究借鑒情感狀態分析框架（含高確定性、低確定性、中立、挫折、緊張等五個維度）[20]、認知水平分析框架（含澄清、深度澄清、推理、判斷、策略等五個維度，在此基礎上本研究增加“其他”維度，將無關信息歸入其中）[21]，對少量種子語料（共2074條）進行詳細的人工標注；同時，將在線異步交互文本數據集分層隨機抽取80%、20%，分別作為訓練集和測試集。

2 數據預處理

數據預處理就是通過數據清洗、分詞、停用詞處理和詞性標記等方法，選擇對分類有較高價值的數據，并過濾無用或價值較小的數據。本研究采用N-gram統計語言算法模型對異步交互文本進行分詞處理，利用上下文相鄰詞之間的相關信息，選擇具有最大出現概率的詞語組合，實現自動分詞。詞性標記選擇LightSIDE軟件及其詞類，其中共包含30多種詞類。

3 機器學習算法的選取

（1）特征提取

特征提取直接影響算法模型的精確率、召回率及分類系統的效率[22]。目前，特征選取的方法主要有TF-IDF權重計算、頻率統計、信息增益、互信息等。本研究采用TF-IDF權重計算方法，通過計算某個特征詞對一個類別的重要程度進行特征提取，特征詞權重的計算如公式（1）所示。其中，TF為特征詞頻率，表示特征詞在文本中出現的頻率，用于衡量該特征詞在文本中的重要性；IDF為逆文檔頻率，是指某個特征詞的類別區分能力，其加入有利于區分文本的類別。但TF-IDF算法沒有考慮同義詞和詞性，這可能會減弱模型的分類效果。

公式（1）

（2）評價指標

常用的評價指標有準確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1值（F1-score）等。多分類問題可以通過將其轉化為多個二分類問題的方式展開評價，即在評價某一類別的分類性能時，將本類別看作正類、其他類別看作負類。用TP、FP分別表示分類正確、分類錯誤的正類數量，用TN、FN分別表示分類正確、分類錯誤的負類數量，其計算公式如表1所示。

表1 各評價指標公式表

與此同時，本研究運用Kappa系數值進行多分類算法模型準確度的評估，其計算基于混淆矩陣進行，可在一定程度上緩解數據集不同類別之間的不平衡問題（值越高，代表算法模型實現的分類準確度越高），具體如公式（6）所示。其中，P通過該類別中正確分類樣本數除以總樣本數得到，P通過所有類別實際樣本數和預測樣本數的乘積除以總樣本數的平方得到。

（3）機器學習算法選取

機器學習算法主要包括支持向量機、邏輯回歸、決策樹、樸素貝葉斯等四種。本研究將上述四種算法的評價結果進行對比，結果如表2所示。可以看出，與邏輯回歸、決策樹、樸素貝葉斯算法相比，支持向量機的準確率和Kappa系數值更高、分類也更準確。因此，本研究選用支持向量機作為機器學習算法，用來構建情感—認知算法模型。

在情感算法模型方面，四種機器學習算法在“高確定性”“中立”分類上的F1值普遍較高（均高于0.77），但在“挫折”“緊張”分類上的F1值普遍較低（均低于或等于0.68）。其中，支持向量機在“高確定性”“低確定性”分類上的F1值遠高于其他三種算法，說明支持向量機在“高確定性”“低確定性”分類上可以更好地提取相關的語義信息。但是，由于整體的“挫折”“緊張”分類樣本量過少，導致出現了數據集不同類別之間的不平衡，在一定程度上影響了算法模型的訓練。

在認知算法模型方面，四種機器學習算法在“澄清”“深度澄清”分類上的F1值普遍較低（均低于0.78）。其中，支持向量機在“推理”“策略”分類上的F1值明顯高于其他三種算法，說明支持向量機在“推理”“策略”分類上可以更好地提取相關的語義信息。但是，由于“澄清”“深度澄清”分類可能存在部分特征詞語義相近、卻被作為兩個不同特征進行權重分析的現象，不利于四種算法模型的訓練[23]，故有待進一步改進。

4 面向具體應用場景的情感—認知算法模型構建

詞典的詞性篩選與同義詞擴展，是提高算法模型準確率的一個有效方法。本研究融合詞典和機器學習，展開基于詞典的特征詞詞性篩選、同義詞擴展與合并，以提高算法模型的準確率。

（1）情感—認知詞典構建

詞語的詞性會影響詞典的表現。在構建情感詞典時保留名詞、動詞、形容詞、副詞等詞性，可以使構建出來的詞典更加全面、情感值計算更為合理。而在認知詞典中，連詞具有很強的認知意義。因此，對于情感詞集，本研究僅保留形容詞、名詞、動詞、副詞這四種詞性；對于認知詞集，本研究還另外保留了連詞，構成情感—認知的種子詞集。

表2 不同機器學習算法的評價結果

《同義詞詞林》是目前國內較為常用的中文語義詞典，已被廣泛應用于中文詞語相似度計算研究[24]。本研究采用詞關系擴展法，首先在《同義詞詞林》中查找與種子詞庫中詞語語義同義的詞語，接著將同義詞語加入到種子詞集，之后人工篩除無法作為教師培訓領域詞匯而又與種子詞相似度較高的詞語，最后經人工整合得到在線異步交互情感—認知詞典，其類別、詞數及例子如表3所示。

（2）算法模型訓練

為了提高算法模型的分類性能，本研究采用融合詞典和機器學習的方法，將在線異步交互情感—認知詞典納入算法模型特征集，并將語義相近的詞語合并為同一特征。文本自動化分析方法的評價結果如表4所示，可以看出：相較于基于機器學習的方法，融合詞典與機器學習的方法從整體上提升了算法模型的準確率和Kappa系數值，其中情感算法模型的準確率和Kappa系數值分別從0.8462、0.7956提高到了0.8702、0.8277，而認知算法模型的準確率和Kappa系數值分別從0.8058、0.7646提高到了0.8447、0.8118。

表3 在線異步交互情感—認知詞典中的類別、詞數及例子

表4 文本自動化分析方法的評價結果

（3）參數優化

參數選擇的優劣，將直接影響算法模型的分類效果。本研究采用帶交叉驗證的網格搜索來實現參數選擇，具有計算簡單的優點[25]，主要思路為：遍歷所有可能的參數組合，比較各種參數下情感—認知算法模型的準確率，將準確率最高的參數組合作為算法模型的最優參數。本研究通過人工篩選確定折數k，來實現多折網格搜索，得到的參數變化曲線如圖3所示。通過對相關數據進行比較，本研究發現：當折數k=17時，情感算法模型的準確率和Kappa系數值達到最高值（情感準確率=0.8846、情感Kappa系數值=0.8468）；當折數k=14時，認知算法模型的準確率和Kappa系數值達到最高值（認知準確率=0.8689、認知Kappa系數值=0.8411）。可見，在大規模教師在線培訓異步交互場景中，可運用經過參數優化的情感—認知算法模型，實現準確率較高的情感狀態和認知水平自動化分析。

圖3 參數變化曲線

四 結論與討論

本研究基于面向在線異步交互文本的情感—認知自動化分析模型及其自動化分析流程，以大規模教師在線培訓為例，采集異步交互文本作為訓練數據，從不同的機器學習算法中選取最優算法，同時融合情感—認知詞典進行算法模型訓練，通過訓練集不斷優化算法模型參數，構建了面向具體應用場景的情感—認知算法模型，所得研究結論主要如下：

1 機器學習算法中支持向量機的文本自動化分析效果更好

本研究對支持向量機、邏輯回歸、決策樹、樸素貝葉斯四種機器學習算法的文本自動化分析效果進行了對比，并根據準確率、精確率、召回率、F1值、Kappa系數值這五個評價指標，從中選取最優的機器學習算法，結果發現：相較于其他三種機器學習算法，支持向量機的準確率和Kappa系數值更高、分類也更準確。究其原因，可能在于支持向量機算法對未知實例的泛化能力較強[26]，故能較好地適用于教師培訓領域，可以剔除大量與培訓內容相關但與情感認知無關的冗余樣本——Lin等[27]的研究也得出了相似的結論。

2 融合詞典與機器學習的方法能更好地提升算法模型的準確率

本研究對基于機器學習的方法、融合詞典與機器學習的方法的評價結果進行了對比，發現采用融合詞典與機器學習的方法構建情感—認知算法模型，可在一定程度上改善數據集不同類別之間的不平衡、特征冗余等問題。此外，融合詞典與機器學習的方法從整體上提升了算法模型的準確率和Kappa系數值，這與Wang等[28]在文本自動評分領域的研究結論相似：將同義特征詞進行編碼、合并，以提高相關概念的“密度”，可使相似文本被成功地歸為同一類別，故有助于提高算法模型的準確率

3 采用網格搜索進行參數優化可以進一步提升算法模型的效果

本研究采用帶交叉驗證的網格搜索來實現參數優化，通過人工篩選，最終確定當折數k=17時，情感算法模型的準確率和Kappa系數值達到最高值；當折數k=14時，認知算法模型的準確率和Kappa系數值達到最高值。因此，通過遍歷各種參數組合，選擇最優參數，可以進一步提升大規模教師在線培訓異步交互場景中情感—認知算法模型的效果。

五 結語

如何改善教師學習者在線異步交互過程中的交互效果，是在線異步交互研究的一個應用領域和重要分支，具有較大的研究前景[29]。本研究聚焦于教師學習者群體，構建了面向在線異步交互文本的情感—認知自動化分析模型及其自動化分析流程，并基于具體應用場景開發了情感—認知算法模型。在模型應用的過程中，本研究發現支持向量機對異步交互文本的自動化分析效果更佳，融合詞典與機器學習的方法從整體上提升了算法模型的準確率和Kappa系數值，采用網格搜索方法進行參數優化可以進一步提升算法模型的效果。

本研究構建的面向在線異步交互文本的情感—認知自動化分析模型，可實現不同異步交互場景下教師學習者情感狀態和認知水平的自動化分析。后續研究可以結合時間序列，對教師學習者在線異步交互過程中隱藏的情感狀態和認知水平進行系統分析與診斷，深入了解教師學習者在連續時間段內的在線學習狀態，并為其提供適應性自動反饋，以促進教師學習者及時自我反思、自我調節，從而優化在線學習體驗、提升在線學習效果。

[1]汪茹.基于云服務正反饋的區域教師培訓策略研究[J].電化教育研究,2018,(12):123-128.

[2]嵩天.以在線開放課程為引領的大學課程改革新模式[J].中國大學教學,2019,(11):13-17.

[3]Li J, Tang Y, Cao M, et al. The moderating effects of discipline on the relationship between asynchronous discussion and satisfaction with MOOCs[J]. Journal of Computers in Education, 2018,(3):279-296.

[4]劉三女牙,彭晛,劉智,等.基于文本挖掘的學習分析應用研究[J].電化教育研究,2016,(2):23-30.

[5]Rosé C P, Ferschke O. Technology support for discussion based learning: From computer supported collaborative learning to the future of massive open online courses[J]. International Journal of Artificial Intelligence in Education, 2016,(2):660-678.

[6]鄭婭峰,徐唱,李艷燕.計算機支持的協作學習分析模型及可視化研究[J].電化教育研究,2017,(4):47-52.

[7]李艷燕,邢爽,包昊罡,等.在線協作學習中學習分析工具對教師干預的影響研究[J].中國電化教育,2019,(2):80-86.

[8]Liu Z, Yang C, Rüdian S, et al. Temporal emotion-aspect modeling for discovering what students are concerned about in online course forums[J]. Interactive Learning Environments, 2019,(5-6):598-627.

[9]劉清堂,武鵬,張思,等.教師工作坊中的用戶參與行為研究[J].中國電化教育,2016,(1):103-108.

[10]Tian F, Gao P, Li L, et al. Recognizing and regulating e-learners’ emotions based on interactive Chinese texts in e-learning systems[J]. Knowledge Based Systems, 2014,55:148-164.

[11]馬相春,鐘紹春,徐妲.大數據視角下個性化自適應學習系統支撐模型及實現機制研究[J].中國電化教育,2017,(4):97-102.

[12]Liu Z, Pinkwar N, Liu H, et al. Exploring students’ engagement patterns in SPOC forums and their association with course performance[J]. Eurasia Journal of Mathematics Science and Technology Education, 2018,(7):3143-3158.

[13]馬寧,李亞蒙,何俊杰.群體知識建構視角下教師混合式研訓的組內交互及知識建構層次分析[J].現代教育技術,2019,(4):47-53.

[14]馬寧,崔志軍,曾敏.以協同知識建構為核心的教師混合式研訓效果研究——基于內容分析的方法[J].中國電化教育,2018,(9):117-122、131.

[15]孫雨薇,馮曉英,王瑞雪.混合式教師研修課程中教師問題解決行為的研究[J].中國遠程教育,2018,(11):50-60、80.

[16]陳龍,管子玉,何金紅,等.情感分類研究進展[J].計算機研究與發展,2017,(6):1150-1170.

[17]Gao H, Zeng X, Yao C. Application of improved distributed naive bayesian algorithms in text classification[J]. The Journal of Supercomputing, 2019,(9): 5831-5847.

[18][22]李慧.面向學習體驗文本的學習者情感分析模型研究[J].遠程教育雜志,2021,(1):94-103.

[19]余勝泉,楊現民,程罡.泛在學習環境中的學習資源設計與共享——“學習元”的理念與結構[J].開放教育研究,2009,(1):47-53.

[20]Kim J, Shaw E, Wyner S, et al. Discerning affect in student discussions[J]. Proceedings of the annual meeting of the cognitive science society, 2010,(32):2344-2349.

[21]Henri F. Computer conferencing and content analysis[A]. Collaborative Learning Through Computer Conferencing[C]. Berlin Heidelberg: Springer,1992:117-136.

[23][27]Lin Y, Yu H, Wan F, et al. Research on classification of Chinese text data based on SVM[A]. IOP Conference Series: Materials Science and Engineering[C]. UK: IOP Publishing, 2017:012067.

[24]梅家駒,竺一鳴,高蘊琦.同義詞詞林(第二版)[M].上海:上海辭書出版社出版,1996:1-653.

[25]袁穎,于少將,王晨暉,等.基于網格搜索法優化支持向量機的圍巖穩定性分類模型[J].地質與勘探,2019,(2):608-613.

[26]楊劍鋒,喬佩蕊,李永梅,等.機器學習分類問題及算法研究綜述[J].統計與決策,2019,(6):36-40.

[28]Wang C, Liu X, Wang L, et al. Automated scoring of Chinese grades 7-9 Students’ competence in interpreting and arguing from evidence[J]. Journal of Science Education and Technology, 2021,(2): 269-282.

[29]Yoon S A, Miller K, Richman T, et al. Encouraging collaboration and building community in online asynchronous professional development: Designing for social capital[J]. International Journal of Computer-Supported Collaborative Learning, 2020,(3):351-371.

Research on the Emotion-Cognition Automatic Analysis Model for Online Asynchronous Interaction Text——Taking Large-scale Teacher Online Training as an Example

MA Ning1,2ZHANG Yan-ling1,3DU Lei1,4WANG Qi5

Online asynchronous interaction is an important interaction method of large-scale online education, which has a significant impact on learners’ learning experience and learning effect.In order to deeply explore teacher learners’ emotional states and cognitive levels in the online asynchronous interaction process, this paper firstly constructed an emotion-cognition automatic analysis model for online asynchronous interaction text and its automatic analysis process. Then, the model was applied to a large-scale teacher online training course, and the asynchronous interaction data were collected as training data, and the optimal algorithm was selected from different machine learning algorithms. Meanwhile, the algorithm training model was conducted by integrating the emotion-cognition dictionary, and further an emotion-cognition algorithm model was built for specific application scenarios. Finally, it was concluded in this paper that the machine learning algorithm based on a support vector machine had the best effect in text automatic analysis, and the method integrating dictionary and machine learning could better improve the accuracy of the algorithm model, and using grid search for parameter optimization could further improve the performance of the algorithm model.The research of this paper could provide research ideas and technical support for automatic analysis of online asynchronous interactive texts, and was conducive to excavating teacher learners’ emotional states and cognitive levels hidden in interactive texts, which could provide a basis for automatic feedback and have important meaning for optimizing the asynchronous interactive learning process.

online asynchronous interaction; emotion state; cognition level; machine learning; teacher learner

G40-057

A

1009—8097（2022）05—0083—10

10.3969/j.issn.1009-8097.2022.05.010

基金項目：本文為2020年度國家自然科學基金項目“在線異步交互的時間-情感-認知分析模型及自動反饋機制研究”（項目編號：62077007）的階段性研究成果。

馬寧,副教授，博士，研究方向為技術增強學習、技術支持的教師專業發展、STEM教育、在線學習設計與分析等，郵箱為horsening@bnu.edu.cn。

2021年8月18日

編輯：小米