教育大數據背景下融入情感分析的生成性學習路徑推送策略研究*

摘" 要：隨著教育大數據時代的到來，學習路徑推送作為教育大數據助力個性化學習的重要內容，引起研究人員的廣泛關注。現有研究普遍存在情感缺失和學習迷航等問題，主要原因是學習路徑推送的理論與應用尚未滿足學習者的個性化需求。為此，將個性化學習理念融入在線教育，從教育學、信息科學、人工智能、心理學等多學科、跨學科視角出發，綜合定性、定量、結構化系統開發等多種研究方法，著力探討教育大數據背景下融入情感分析的生成性學習路徑推送策略。在情感詞典和情境知識庫的基礎上，建立學習者情感挖掘模型，并對影響學習者情感狀態的情境要素進行歸因分析，根據學習者的學習過程和情感狀態建立學習畫像，生成性地推送個性化的學習路徑。通過研究，建立融入情感分析的個性化學習路徑推送策略，緩解目前個性化學習服務與學習者深層次需求之間的矛盾，豐富教育信息技術領域的理論體系和方法體系，推進智慧教育建設。

關鍵詞：教育大數據；在線教育；學習路徑；學習畫像

文章編號：1671-489X（2025）04-000-04

DOI：10.3969/j.issn.1671-489X.2025.04.00

0" 引言

隨著信息技術與教育的深度融合，在線教育大規模興起。然而，隨著應用的深入，在線教育面臨兩大挑戰：一方面，師生在時空上大多處于分離狀態，難以感受對方的情感，普遍存在情感缺失問題；另一方面，由于缺少教師的干預和指導，學習者很難找到滿足自身需求的學習路徑，常常面臨“選擇學什么”“接下來學什么”等問題。為了解決上述問題，本文將個性化學習理念融入在線教育，根據學習者的學習過程和情感狀態精準地推送個性化的學習路徑，提供針對性的學習內容和學習方法。

1" 研究現狀

目前，不少研究成果與學習路徑推送有關，典型代表如下。

YUDELOSN M等[1]利用模糊神經網絡，通過判斷學習者的知識水平、動機、態度、興趣偏好，進行學習內容推送和學習路徑定制。VANITHA V等[2]將蟻群優化和遺傳算法相結合，提出一種協同優化算法，為學習者提供個性化的學習路徑。ZHU Hai-ping等[3]在知識地圖的基礎上，提出一種多約束學習路徑推送算法。由于該算法沒有考慮學習者對推送結果的反饋信息，因而推送效果有待于進一步檢驗。鑒于學習者學習完成度不高，NABIZADEH A H等[4]根據學習者的學習時間和背景知識，引入深度優先算法推送學習路徑。為了提高推送的適應性和多樣性，WAN Shanshan等[5]引入自組織理論，將學習目標導向的推送機制引入以學習者為中心的推送系統。上述算法在一定程度上解決了學習者的學習迷途問題，提高了學習者的學習效率，但隨著學習行為數據規模的增大，這些算法往往面臨計算效率低的問題，這在一定程度上影響了推送的實效性和準確性。隨著人工智能技術的發展，特別是深度學習模型的涌現，研究人員開始關注基于深度學習模型的學習路徑推送研究。ZHOU Yuwen等[6]基于學習者特征的相似性，在對學習者特征聚類的基礎上，利用長短期記憶網絡預測其學習路徑和學習效果。

姜強等[7]采用基于規則的方法、貝葉斯網絡等挖掘學習行為數據生成個性化學習路徑。申云鳳[8]在尊重學習用戶個體化差異前提下，將協同過濾算法和蟻群算法相結合進行個性化學習路徑推送，有效規避了協同過濾算法面臨的馬太效應問題。楊淼等[9]結合大數據背景下個性化學習的特征，建立學習者模型，利用數據挖掘技術深入分析學習者的學習行為以及知識之間的關系，設計個性化學習路徑推送的具體方案。牟智佳等[10]將慕課案例中的學習者行為數據與學習者特征進行耦合，構建學習者學習畫像特征模型，并在此基礎上使用多種算法完成學習畫像與個性化學習路徑的擬合，進而實現學習路徑的生成與推送。楊林等[11]通過對學習過程中的海量數據進行概念相關性分析，借助相關概念連接的復雜網絡表示不同領域知識，提出一種基于知識概念網絡拓撲結構的優化學習路徑方法。唐燁偉等[12]基于學習者的基本屬性、學習過程和學習結果數據對學習者畫像進行建模，并在此基礎上規劃個性化的學習路徑。

通過比較不同的學習路徑推送研究可以發現：一些學者以學習者為研究對象，將學習者的個人特質和行為數據、學習過程數據作為研究學習路徑推送的切入點，體現了“以學習者為中心”的思想。有的研究側重于使用智能優化算法，對學習者的學習方式、學習風格、知識水平等進行分析并應用于學習路徑推送；有的研究則側重于利用數據挖掘和學習分析等技術分析學習者的個性特征，并基于此研究學習路徑推送問題。

總體來看，學習路徑推送研究不斷深入，相關研究成果不斷涌現，但由于受到研究理念和技術實現等方面的局限，大多數方法根據學習者的學習行為來推送課程資源，無法滿足學習者的學習需求；與此同時，學習者的學習能力和學習水平是動態變化的，一次性推送學習路徑難以保證推送的精準性；此外，推送結果沒有考慮學習者在學習過程中的情感變化，無法保證學習效果。由此可見，學習路徑推送的理論與應用沒有完全滿足學習者的需求，沒有充分發揮其在在線教育中的優勢。隨著教育大數據時代的到來，學習路徑推送面臨新的挑戰：如何利用海量的學習者行為數據，構建具有精準刻畫能力的學習者情感模型，并以此為基礎形成個性化的學習路徑推送策略？這一問題成為研究人員關注的熱點問題之一，也正是本文的選題依據。

2" 研究框架

本文以謀刻網在線教育平臺（目前已關閉）為研究對象，針對學習者面臨的情感缺失、學習迷航等問題，著重研究教育大數據環境下融入情感分析的生成性學習路徑推送策略，以期在一定程度上解決個性化學習問題，進而提高學習者在線學習效率。研究框架如圖1所示，主要由學習過程監控、學習者情感挖掘、情感歸因分析和學習路徑推送等部分組成：學習過程監控提取與學習者情感密切相關的情境要素；學習者情感挖掘動態地獲取學習者在不同時間的情感狀態；情感歸因分析用于分析影響學習者情感狀態的情境要素；學習路徑推送根據學習者的學習畫像向學習者推送符合其個性特征的學習路徑。

2.1" 學習者情感挖掘

從謀刻網采集與學習者交互行為有關的情感數據，提取其中包含的情感特征詞，構建在線教育領域的情感詞典，在此基礎上建立隨情感動態變化的情境知識庫和情感分析模型。

2.2" 學習過程監控

通過實時監控謀刻網上的學習行為數據，根據學習者個人特質，提取與學習者情感密切相關的情境要素，并將其在情境知識庫中分類歸檔。情境知識庫隨學習者情感狀態的變化而更新，實時反映學習者最新的學習情境。

2.3" 情感歸因分析

在量化表征學習者情感狀態和相應情境要素的基礎上建立情感歸因分析模型，用以發現學習者情感與情境要素之間的因果關系以及影響程度，以便找出具有重要影響的情境要素。

2.4" 學習路徑推送

從學習內容、學習活動、學習效果和學習情感四方面構建學習畫像，根據學習者當前學習狀態以及與之相關的其他學習者的學習情境，生成性地為學習者推送個性化的學習路徑。

3" 研究過程

3.1" 情感詞典和情境知識庫的構建

情感詞典和情境知識庫是學習者情感挖掘的主要依據。構建情感詞典的思路是：首先，采集學習者學習行為數據并從中發現學習者情感數據；其次，借助知網情感詞典，并結合教育技術、在線教育領域詞匯，經去重、人工過濾等操作，形成情感詞典。情境知識庫完整地記錄學習者在學習過程中的情感變化情況，是情感歸因分析、學習路徑推送的重要依據。構建情境知識庫的思路是：首先，根據人格特質理論，從神經質和內外傾角度，將學習者分為低神經質外傾、高神經質內傾、低神經質內傾、高神經質外傾等四類（其中，神經質反映的是學習者傾向的穩定性，內外傾反映的是學習者情緒的外在表現）；其次，根據上述四類特征，將隨情感變化的情境要素存儲于情境知識庫，并將學習者在學習過程中的情感變化動態反映在情境知識庫，確保情境知識庫的實時性和完整性。

3.2" 學習者情感挖掘與歸因分析

鑒于長短期記憶網絡（LSTM，Long Short-Term"Memory）模型擅長快速學習和識別具有時序性特征的數據，利用該模型對學習者在學習過程中的情感變化進行建模。首先，對采集到的學習者相關文本數據（如評論文本、交互文本、學習日志等）進行預處理，經向量化表示后得到情感特征向量；其次，將上述特征向量輸入LSTM模型，根據Softmax函數分類結果，得到輸入特征向量的情感傾向。考慮到學習者的情感狀態與情境要素密切相關，因此建立反映情感狀態與情境要素之間關系的映射模型：

SP=αPPP⊕αTTP⊕αWWP⊕αLLP⊕αRRP⊕αEEP

其中⊕為相關性運算符，SP表示學習者的情感狀態，PP、TP、WP、LP、RP、EP分別表示學習者的個人特質、學習主題、學習方式、知識水平、學習效果和學習期望值，αP、αT、αW、αL、αR、αE表示情境要素的重要程度。

在對情境要素量化表示的基礎上，建立三層貝葉斯網絡，以找出影響學習者情感的情境因素。頂層變量由學習者的個人特質組成，其原因是個人特質不受其他變量影響；中層變量由學習主題、學習方式、知識水平、學習效果和學習期望值組成，其原因是這些因素受個人特質影響；底層變量由學習者情感狀態組成，其原因是該因素受上述所有因素影響。利用多元回歸模型分析情境要素對情感狀態的影響程度，建立表示情感狀態與情境要素之間因果關系的回歸模型：

S=β1y1+β2y2+…+βkyk，k∈[1，6]

其中，S表示情感狀態，yk表示三層貝葉斯網絡選出的情境要素，βk表示情境要素的重要程度。經過多次訓練，可得到模型中的βk值。利用三層貝葉斯網絡與多元回歸模型即可得到與當前學習者情感狀態相關的情境要素及其影響程度。

3.3" 融入情感的學習畫像建模

融入情感的學習畫像模型用以刻畫學習者的學習過程和情感狀態。該模型由學習元序列組成。學習元由學習內容、學習活動、學習情感和學習效果四部分組成，如圖2所示。學習內容由學材、習材、創材組成：學材提供學習內容，主要包括各類多媒體學習資源；習材用于夯實和內化學習內容，主要包括工具箱、習題集等；創材用于應用和深化學習內容，主要包括案例、虛擬實驗等。學習活動分為活動、行為、操作三個層次：活動是指為了達到學習目標而采取的學習行為；操作是學習活動的最小單元，直接作用于學習內容；行為是與學習目標相關的操作關聯起來構成的學習行為。一個學習活動可以看作一個學習行為序列。學習情感表征學習者在學習過程中的情感狀態，包括積極、中性、消極等情感。學習效果表明學習者完成一個學習活動后對學習成果測量的結果。測量指標用流暢度表示，流暢度利用學習者測試的準確度和速度來體現學習者的學習效果。

3.4" 學習路徑推送策略

充分考慮學習畫像的差異，采用不同的匹配策略，進而生成性地形成面向學習畫像的學習路徑。所謂生成性推送策略，與傳統的學習路徑推送策略存在顯著差異，它不是一次性生成學習路徑，而是根據學習者的學習畫像，先推送一個學習元，再根據學習者的后續學習情況，更新其學習畫像，再據此推送下一個學習元，直至最終生成完整的學習路徑。具體流程：首先，根據學習者的學習過程和情感狀態，采用合適的匹配策略，向其推送學習元列表；其次，學習者從中選擇一個適合的學習元作為學習對象；最后，全程監控學習者的學習過程，形成學習者的學習畫像。

學習畫像的形成是一個不斷迭代的過程，其中最關鍵的是學習畫像匹配策略。本文將學習者分為三類，并基于此給出匹配策略：第一類學習者的歷史學習數據很少，無法直接推送學習元，故借鑒協同推薦思想，將與其學習內容類似的優秀學習者的學習元作為推送對象；第二類學習者的歷史學習數據有一些，但不多，將與其學習元最為相似的優秀學習者的下一個學習元作為推送對象；第三類學習者的歷史學習數據規模較大，將與其前序學習元序列較為相似的學習者的下一個學習元作為推送對象。根據完成學習活動后的學習效果確定優秀學習者。值得關注的是，學習者的人格特質會影響在線學習的情感狀態，因此，在學習元推送時，學習者和優秀學習者之間需要滿足人格特質和情感狀態的互補性。

4" 結束語

近年來，隨著信息技術的普及，在線教育逐漸成為人們接受教育的主要方式之一。在線教育在消除教育差距方面發揮了重要作用，但仍存在兩大問題：一是面對海量的學習資源，學習者不知道如何學習；二是師生在時空上大多處于分離狀態，普遍存在情感缺失問題。鑒于此，本文在情感詞典和情境知識庫的基礎上建立學習者情感挖掘模型，并對影響學習者情感狀態的情境要素進行歸因分析，根據學習者的學習過程和情感狀態建立學習畫像，生成性地推送個性化的學習路徑。本文研究有助于緩解個性化學習服務與學習者深層次需求之間的矛盾，提高學習者的在線學習效率。如何將本文所提方法和模型應用于教學實踐是筆者下一步的工作。

5" 參考文獻

[1] YUDELOSN M， HOSSEINI R， VIHAVAINEN A， et al. In-vestigating automated student modeling in a JavaMOOC[C].Proceedings of the 7th International Conference on Educational Data Mining.London，2014：261-264.

[2] VANITHA V， KRISHNAN P， ELAKKIYA R. Collaborative"optimization algorithm for learning path con-struction in E-learning[J].Computers and Elec-trical Engineering，2019，77：325-338.

[3] ZHU Haiping， TIAN Feng， WU Ke， et al. A multi-constraint learning path recommendation algori-thm based on knowledge map[J].Knowledge-Based Systems，2018，143：102-114.

[4] NABIZADEH A H， GON?ALVES D， GAMA S， et al. Adap-tive learning path recommender approach using auxiliary learning objects[J].Computers amp; Educa-tion，2020，147：103777.

[5] WAN Shanshan， NIU Zhengdong. An E-learning Reco-mmendation Approach Based on the Self-Organiza-tion of Learning Resource[J].Knowledge-Based Sys-tems，2018，160：71-87.

[6] ZHOU Yuwen， HUANG Changqin， HU Qintai， et al. Personalized learning full-path recommendation"model based on LSTM neural networks[J].InformationSciences，2018，444：135-152.

[7] 姜強，趙蔚，李松，等.大數據背景下的精準個性化學習路徑挖掘研究：基于AprioriAll的群體行為分析[J].電化教育研究，2018，39（2）：45-52.

[8] 申云鳳.基于多重智能算法的個性化學習路徑推薦模型[J].中國電化教育，2019（11）：66-72.

[9] 楊淼，董永權，胡玥.基于學習者建模和數據挖掘的個性化學習路徑推薦研究[J].上海教育評估研究，2019，8（5）：58-61.

[10] 牟智佳，李雨婷，商俊超.教育大數據環境下基于學習畫像的個性化學習路徑設計研究[J].中國教育信息化，2019（11）：55-59，65.

[11] 楊林，張力，詹承華，等.基于知識網絡的智能學習路徑優化[J].計算機工程與設計，2019，40（8）：2378-2383.

[12] 唐燁偉，茹麗娜，范佳榮，等.基于學習者畫像建模的個性化學習路徑規劃研究[J].電化教育研究，2019，40（10）：53-60.

*項目來源：西藏自治區教育科學研究2023年度課題“基于情感分析的西藏大學生學習路徑推薦策略研究”（基金編號：XZEDUP230121）。

作者簡介：劉忠寶，博士，教授。