在線學習環境下學習者情感的潛在剖面分析研究

關鍵詞：在線學習；在線教育；學習情感；文本情感分析；潛在剖面分析

中圖分類號：G424 文獻標識碼：A

文章編號：1009-3044（2025）03-0115-03 開放科學（資源服務） 標識碼（OSID） ：

0引言

在線學習是教育服務的重要組成部分，推動著教育信息化的發展進程。《中國教育現代化2035》（2019） 指出，以“互聯網+”為主要特征的在線學習將引領教育信息化發展[1]。依托網絡技術和豐富的在線資源，在線學習突破了時空的局限性和封閉性，并在移動互聯網和大數據技術發展的推動下蓬勃發展[2]。疫情期間，教育部“停課不停學”政策的實施更使其成為時代主流，在線學習被廣泛應用于各級教育，客觀上促進了在線教育的發展。新技術的出現賦予在線學習全新的學習環境和交互機制，有助于學習者達成學習目標[3]。然而，學習者在空間上的隔離導致他們之間情感交流不足，造成情感缺失，在線管理者難以及時進行情感疏導[4]。在素質教育“知行合一”理念的指引下，學習者情感在在線學習中的重要性日益凸顯，相關研究也備受關注。積極情緒能夠激發學習者的學習興趣，促進有效認知；而消極情緒則會分散學習者的注意力，影響學習信心和耐心，最終阻礙有效認知[5]。然而，現有的在線學習者情感研究存在情感分類單一、情感體驗機制不明確等問題[6]。

1 研究問題

綜上所述，在線學習者的情感研究逐漸受到關注，國外學者開始研究學習者產生的文本信息中所蘊含的情感信息如何識別和利用的問題，但很少有研究運用潛在剖面分析方法來分析學習者在線學習中的情感。潛在剖面分析是一種以個體為中心的研究路徑的典型分析技術，旨在識別異質性[7]。運用潛在剖面分析方法可以很好地幫助研究者進一步挖掘情感和學習表現的內在關系，為在線學習環境下學習者情感積極化干預的建議提供依據。主要研究問題如下：

1） 如何構建學習者多級情感分類編碼表？

2） 如何運用潛在剖面分析方法分析在線學習中學習者情感的潛在類別？

3） 如何針對學習者情感的潛在類別提出情感積極化干預的建議？

2 在線學習環境下學習者情感類別分析

2.1 在線學習環境下學習者情感數據獲取與指標量化

1） 參與者。本研究分析的樣本來自MOOC平臺中“翻轉課堂教學法”在線課程的870名學習者，他們在為期10周的學習過程中至少參加了兩次論壇討論。參與者中，本科生占27%，教師占73%，其中教師成員來自不同的年段與科目。所有參與者均曾參加過一門及以上的在線課程，對在線學習平臺的操作極為熟練，并對在線學習課程的流程非常熟悉。

2） 學習者細粒度情感分類。筆者通過文獻分析，并借鑒Dillon et al.[7]和Bosch et al.[8]提出的認知情感界定，選擇了七個與認知方面最密切相關的情感類別，即驚訝、好奇、贊同、困惑、焦慮和挫折。此外，正如Arguel、Lockyer、Chai等人[9]所指出，中性情緒是在構建知識時經常體驗到的情感。在在線學習中，學習者的中性情緒經常出現[10]。因此，本研究將中性情緒納入情感分類的考量范圍。

此外，在對評論文本進行編碼時，還發現了諸如“佩服”“感謝”“抱歉”等社交交流用語，這些互動體現出的學習者情感被筆者稱為社交情感。在學習過程中，學習者的社交情感對于建立學習歸屬感具有重要價值[11]。學習者的社交情緒有助于緩解問題或認知不協調所造成的消極氛圍，從而促進知識建構的學習過程。因此，中性情緒和社交情緒被編碼為與學習者情感相關的兩個額外類別。編碼方案如表1所示。

在本研究中，首先對獲取的在線課程數據進行初步處理，提取出本次研究所需的870名學習者的基本數據及其在在線學習平臺中全過程的評論數據。具體步驟如下：首先，將提取出的數據按照學習者的ID，將每位學習者作為一個分析單元；然后，將870名學習者的評論文本中的各種網頁格式、鏈接、空格等無關內容刪除，僅保留文本數據；最后，對學習者的評論文本進行篩選，刪除重復數據。經過數據預處理，最終得到870名樣本，共計15918條文本數據。通過構建的在線學習環境中學習者情感編碼表，對870名學習者的評論文本進行了人工編碼的定性分析，從而將全體樣本的評價文本量化為數值，為研究的下一步奠定基礎，即對學習者情感的潛在剖面分析，得出學習者情感的潛在類型。

2.2 基于潛在剖面分析的學習者情感分析

潛在剖面分析是利用潛在類別變量來解釋外顯連續型指標之間關聯的統計方法，使外顯指標之間的關系能夠通過潛在類別變量進行預測，從而保持外顯指標間的局部獨立性。其基礎假設是，外顯變量各種反應的概率分布可以由少數互斥的潛在類別變量來描述，各類別對外顯變量反應的選擇存在一定的傾向性。

本研究主要采用Mplus8.3軟件進行潛在剖面分析。具體分析思路如下：

1） 對數據進行擬合，擬合不同類別的模型；

2） 根據多個擬合指標（AIC、BIC、aBIC、Entropy、LMR、BLRT等） 以及理論意義，綜合判斷應選擇幾分類的模型；

3） 報告各項擬合指標、條件概率和類別概率，并可額外作圖，報告各類別人數（若某類別占比過小，則無實際意義） ；

4） 查看標準差殘差，判斷哪些類別人群與所選分類模型不匹配，并在下一次研究設計中對其進行改進。

2.3 基于潛在剖面分析的學習者情感結果

通過Mplus8.3軟件對數據進行潛在剖面分析，所得結果如表2所示：

由表2數據可見，分為3種剖面類別的解決方案模型擬合優度較佳：依據BLRT值，可以保留2～6種類別；依據Entropy 值，保留3種類別時Entropy 值最高，表明將學習者劃分為3種類別最為精確。AIC值和BIC值隨類別數遞減，但在保留4種類別以后遞減速度降低，表明在此處存在拐點。進一步比較分為3 種和4種類別的估計條件均值表可以發現，分為3種類別時，每種類別間的重合和相似性較低，分類較為準確。因此，可以推斷在線學習者情感剖面類別可分為3種。

將3種類別的模型制作后，得出圖1。其自由估計參數為34，AIC 值為28737.309，BIC 值為28899.399，ABIC 值為28791.423，Entropy 值為0.993，LMR（p） 值為0.1932，BLRT（p） 值為0.0000，3種潛在類別的概率分別為6.3%、0.4%和93.3%。

由圖1可知，在學習過程中，3種類別的學習者均表現出各種情感，但情感出現的次數存在明顯差異。中性和贊同情感較為突出，但第2類別的社會情感出現次數遠高于其他兩類別，同時三者的挫折情感基本未出現。參考圖1中學習者樣本的情感呈現次數和變化頻率，可將其劃分為3種主要的剖面類別：

1） 多頻情感變化學習者。該類別的學習者僅占總樣本的0.3%，但其8類學習情感在學習過程中均有體現，且情感變化頻率較高。其中，中性、贊同和社會情感尤為突出，但困惑、焦慮和挫折情感的出現頻率極低，接近于0。

2） 中頻情感變化學習者。該類別的學習者占總樣本的6.3%，人數居中。這類學習者的8類學習情感在學習過程中均有體現，但情感變化頻率適中。其中，中性情感和贊同情感出現頻率較高，而驚訝、好奇、困惑和焦慮情感的出現頻率適中。

3） 低頻情感變化學習者。該類別的學習者占總樣本的93.4%，人數最多。雖然這類學習者的8類情感在學習過程中均有體現，但出現頻率均在10次以下，情感變化和出現頻率極低。除中性和贊同情感外，其余六種情感的出現次數接近于0。

3 基于學習者潛在情感類別的積極化干預建議

3.1 優化課程資源及衍生性學習資源

課程資源和衍生性學習資源是課程的核心部分。對“翻轉課堂教學法”在線課程的學習者研究發現，三種類別的學習者在學習課程時大部分表現為中性和贊同情感，但每種類別的學習者在學習過程中均出現了好奇、困惑和焦慮情感。這表明在線課程中的課程資源基本滿足學習者的需求，但仍未完全滿足其深入學習的需求。

持續優化與更新在線課程中的核心資源及衍生學習資源，是提升學習者在線體驗的關鍵。因此，需要更多關注課程資源及其衍生性學習資源是否充分滿足學習者需求，從而減少學習者在學習過程中的中性和困惑情感，提升學習者在學習過程中出現的驚訝、贊同和社會情感。

3.2提升教師教學行為

研究發現，多數學習者對授課教師表達了驚訝、贊同等積極情感，這表明教師的授課方式、內容及語言表達貼合學習者需求，贏得了廣泛認可。在在線課程中，教師的授課、演示等教學行為對學習者參與討論、思考內容、師生互動和知識建構至關重要，其正面影響相較于線下學習更為顯著。

為提升學習者情感變化頻率，教師可以設計針對性問題，激勵學生參與線上討論及完成課后任務，主動克服學習障礙，從而提升學習效果。

3.3重視課程評價

研究發現，高頻情感變化學習者在學習過程中情感波動較大，但該群體僅占總樣本的0.3%；中頻情感變化學習者占6.3%；其余93.4%為低頻情感變化學習者。這表明，在在線學習環境下，學習者情感的多樣性和波動性仍較為有限。

為提升學習者情感變化的頻率和次數，可鼓勵其從多維度對課程進行評價，深入了解學習者的看法和需求，進而改進在線課程設計，提高學習者的情感參與度。

4結束語

本文運用潛在剖面分析方法對在線學習環境下學習者情感的潛在類別展開研究，發現學習者情感的潛在類別可以劃分為高頻、中頻和低頻情感變化3種類別，并針對這3種類別間的關聯和差異，提出了對學習者情感進行積極化干預的建議。

由于研究者精力和知識能力有限，本研究仍存在許多需要完善的部分。例如：研究中僅涉及“翻轉課堂教學法”這門課程一個學期的學習者，且研究對象主要為教師和學生。后續研究可以擴充樣本數量和種類，以提高研究的精確性和普適性。此外，研究所采用的情感分析方法依賴于已有的情感分類和人工編碼方式，后續研究可以考慮構建基于在線學習中學習者評論文本的情感詞典，以提高情感分類的準確性和情感模型的科學性。同時，還可以嘗試基于機器學習的方法對文本進行聚類和情感分析，從而進一步提升研究結果的準確性和可靠性。