共查询到20条相似文献，搜索用时 31 毫秒
1.
为了深入挖掘与分析在线课程评论文本,探索学习者参与在线课程学习时关注的话题及其情感态度,为提高在线课程质量提供帮助。首先采用词频分析方法,实现对学习者在线课程评论内容的整体认识|然后利用非监督学习方法潜在狄利克雷分布主题模型对评论文本信息的特征结构、语义内容进行自动挖掘和分析,得到学习者的关注话题|最后对每个话题的课程评论文本进行情感倾向分析,得到学习者的情感倾向分布。实验结果表明,在参与课程学习的过程中,学习者主要关注教师授课、课程内容和学习资源 3 个话题。情感分析结果显示,学习者对于该课程普遍表示满意和赞赏,但是对于该课程学习资源表达了较多负面情感。 相似文献
2.
情感是影响学习者认知和行为的关键性非智力因素。准确分析、识别学习者的情感状态,对教育的个性化、智能化发展尤为重要,它是情感计算的重要内容,已经成为人工智能和教育领域的交叉研究热点。学习体验文本是学习者情感分析的主要数据来源。面向学习体验文本,是在完善基础词典和情感词典的基础上,提出一种融合情感词典和机器学习的学习者情感分析模型,能够实现对段落级/篇章级学习体验文本的多级情感分类,从而挖掘学习者内隐的情绪状态。为了检验模型的有效性,采用宏平均指标全面评估情感分析模型的整体分类性能。研究结果表明:选择情感词特征和句子构成特征、采用SVM分类器时,该模型能够准确识别学习体验文本中的学习者情感;模型不仅为学习者多级情感分析提供新的研究思路,而且也为深入挖掘学习行为、改善在线教育的学情分析等,提供了技术支撑。这一研究结果,有助于进一步把握模型的应用前景、面临的问题和挑战等,并提出了相关建议。 相似文献
3.
在线教育师生情感缺失问题是当前教育研究亟待解决的难题之一。在线教育弹幕文本作为学习者对在线课程内容及自身学习状态的实时反馈，隐含了大量情感信息，对于上述问题的解决具有重要意义。然而，目前鲜有针对在线教育弹幕文本开展情感分析的研究。基于此，设计了一种融合变式情感词典与深度学习技术的在线教育弹幕情感智能识别模型。具体而言：通过构建弹幕种子情感词集，计算弹幕文本与情感种子短语间的相似度，实现极短弹幕文本情感识别；借助BERT动态表征弹幕文本，双向长短时记忆网络挖掘弹幕文本中的深层特征，实现常规弹幕文本情感识别；融合两类弹幕文本情感识别信息并更新后，完成在线教育弹幕文本情感信息的智能识别。研究通过模型对比实验检验模型性能有效性，并借助具体案例验证模型应用可行性。 相似文献
4.
5.
学习者情感挖掘,作为教育科学、软件技术、心理学等多学科交叉的领域,正日益发展为一个重要的教育技术研究领域。对学习者情感挖掘的研究动态进行了资料收集和内容分析,以窥探当前学习者情感挖掘研究的前沿动态和整体面貌,并从理论基础、实践开发等方面对学习者情感挖掘研究进行了展望。同时,紧扣当前信息时代背景,提出了“信息互动系统”视角的学习者情感词汇架构;基于当前软件技术,展望了学习者情感挖掘软件平台的设计开发。 相似文献
6.
7.
本文通过分析当前E—learning平台在服务方面存在的不足,将现代客户服务理念引入E—learning平台中,提出学习者关系管理（LRM）理论,其核心概念有学习者满意度、学习者忠诚度、学习者让渡价值、学习者终身价值、学习者细分等。把LRM理论与现有E—learning平台整合,提出一种在现代客户服务理念指导下的E—learning平台理论模型,尝试建设学习者服务中心,给出学习者服务中心的理论模型并分析具体功能,希望为E—learning平台建设提供一定参考。 相似文献
8.
针对目前国内外学者对微博情感只作二分类研究,仅仅从正面和负面研究微博情感不足的问题,选取NLPCC2013-2014年多情感的微博数据集,重点研究常用的3种机器学习算法、3种特征选择以及特征权重方法对中文微博情感多分类的影响。实验表明：不管选择哪种特征权重,使用SVM的微博文本分类准确率都最高,KNN的准确率最低;不同特征权重下,信息增益作为特征选择的方法时,3个算法各自准确率都是最高的;当信息增益为特征选择,TF-IDF为特征权重时,支持向量机的文本分类准确率最高。由于微博简短、口语化,词袋模型忽视了词与词间的联系,导致微博情感分类准确率不高。 相似文献
9.
近年来,电子商务发展迅速,对电商商品评论进行情感分析可为消费者购物、商家调整销售策略与电商平台个性化推荐提供重要参考意见,因此提出双通道卷积记忆神经网络文本情感分析模型。首先,通过词向量与由特征词典构造的扩展特征矩阵两个不同的通道进行卷积运算,再利用卷积神经网络提取文本局部最优信息,最后利用长短期记忆神经网络学习长距离的上下文情感,完成文本情感分析任务。实验结果表明,与多种文本情感分析方法相比,双通道卷积记忆神经网络文本分析算法具有较高的精度,达到95%,且考虑了文本语义信息与文本情感信息,可获得更好的文本表示,同时兼顾文本局部特征与上下文信息的学习,可有效提高文本情感分析准确率。 相似文献
10.
在线精品课程作为MOOC中的高质量教育资源,有效促进了教育公平和均衡发展。但在保持快速增长的态势时,仍存在质量参差不齐的困境。为促进教师深度反思,支持教学问题的诊断与改进,提升课程质量,构建在线精品课程评论情感分类与主题挖掘研究模型。首先,采用网络爬虫技术采集MOOC平台中25门“教育技术学”专业在线精品课程评论数据,并进行数据预处理和情感分类;其次,对负性课程评论进行词云分析、社会网络分析和主题挖掘。结果表明：教师教学能力、学习资源质量、课程内容设计、互动和反馈机制、课程考核评价是导致学生差评、影响课程学习体验和学习质量的主要因素。据此,提出促进在线教育中教师教学能力专业化提升、开发优质在线精品课程学习资源、打造实用生动的在线精品课程内容、优化互动和反馈机制、优化在线精品课程考核评价等课程优化建议。 相似文献
11.
理解学习者MOOC课程学习的体验和需求,是促进MOOC高质量可持续发展的重要途径。基于学习者评论数据挖掘,可以揭示学习者情感体验与课程质量因素之间的关系,并为分析不同学科课程的差异提供有效支持,弥补现有研究的不足。为此,开展了基于学习者视角的MOOC课程质量影响因素研究,首先以文本挖掘技术为基础,客观地从MOOC课程学习者评论数据中提取出课程管理、课程设计、学习平台、学习任务、学习材料、课程教师、课程内容及学习体验八个课程质量影响因素。其次,构建了基于学习者满意度和关注度的KANO分类模型,以评估课程质量影响因素的重要性程度,并对两类课程进行差异性分析和对影响因素之间进行相关性分析。结果表明：学习者对人文社科类和自然课程类课程的评价在课程设计、学习材料、课程教师、课程内容及学习体验上存在显著差异;而学习任务在两类课程中的评价均为最低;并且通过可视化揭示了不同类别课程的KANO模型分类结果和影响因素之间的关系。最后,针对不同学科课程的特点,提出课程优化建议,对MOOC课程质量的改进与提升具有重要指导意义。 相似文献
12.
计算机支持协作学习中的情感反馈系统将情感计算、机器学习与学习科学研究相结合,致力于研究如何利用快速发展的信息技术为学习者提供情感支持,进而推动学习者协作学习,现已成为信息科学和学习科学交叉融合的重要研究领域之一.CSCL环境中情感反馈系统框架由情感状态获取、情感状态分析和情感反馈处理三个部分组成:首先从情感状态的表征即... 相似文献
13.
在外语学习中,情感因素有着重要的作用。通过交际策略的培养,树立学习者的信心,创造轻松的课堂气氛等,充分利用正面因素而减少负面因素的影响,对口语教学有很大的帮助。 相似文献
14.
随着数字化学习的普及和发展,如何及时发现网络学习过程中学习者的个体学习需求,并实时地提供满足他们需求的数字化学习资源和学习服务已日渐成为E learning研究领域的关键问题之一。利用人工智能技术,通过提取数字化学习资源中的核心概念和对在线学习行为的自动捕获,建立基于概念图的知识模型,在此基础上智能地挖掘学习者个体认知状态和学习需求,为个性化学习服务提供支持。 相似文献
15.
E-learning环境是对各种数字化媒介为支持性条件的学习环境统合,旨在支持自主、探究、协作的解决问题。其设计存在着忽略交互的协同知识建构功能、学习目标线索的过于明晰化倾向、学习者的情感变迁机制依旧没有得到应有的研究以及新旧设计理念的冲突等问题。E—learning环境设计的重要性在于教和学不再是单纯的线形、封闭的过程,活动是E—learning环境的重要媒介,也是其中的产物,活动的社会化和情景化可以产生深度学习。E—learning的评价有其独特的一面,是预设评价和真实评价的结合。 相似文献
16.
高淑芳 《佳木斯教育学院学报》2012,(1):248-249
公共英语教学,以学生为中心,学生是学习语言的主体,教师是引导者、助学者、鼓励者、学习者的好朋友,反馈的提供者。培养学习者有自主学习、实际应用的能力,为学生终身发展打下基础;做好充分调查,有的放矢、因材施教;加强教师自身修养、提高综合素质,促进教学相长;课堂创设情感氛围,激发学生学习积极性、主动性,提升教学质量。 相似文献
17.
大学英语分级教学充分体现了＂分类指导、因材施教＂的教学原则和以人为本的教育理念,它承认学习者的个体差异,能够满足不同层次外语水平学生的需求。但实行分级教学后,无论身处哪一等级的学生,都会产生某些影响正常学习的情感问题,影响认知的顺利进行。本文将探讨大学英语分级教学模式下产生的情感问题及策略。 相似文献
18.
19.
在线论坛中的文本大数据,能够在一定程度体现学习者的个人情感与知识建构水平,对其进行深入挖掘能为个性化教学提供参考与依据。针对教育文本挖掘现有研究对兴趣和行为进行孤立分析的现状,将学习者潜在的兴趣主题和行为倾向纳入主题模型,构建了融合行为-情感-主题-时间的潜在语义分析模型,即BETTM(Behavior-Emotion-Time-Topic Model),以致力于挖掘四者之间的潜在关系。基于华中地区某高校开设课程的在线论坛数据,通过挖掘学习者在整个教学周期中的兴趣主题与行为倾向,探究二者与学习成绩的关系,以及二者随时间变化的规律。结果表明:(1)有关资源查找和组内成员之间交互的主题,对学习成绩有显著正向作用;(2)教学作品完成过程中学习者的信息发布行为,对学习成绩有正向影响作用;(3)兴趣主题和行为倾向联合后的12类行为分布,对学习成绩没有显著影响;(4)在时间上,前期学习者倾向于对资料进行查找与整合以及分配任务,中期则关注彼此的交互和个人观点的表达,后期更侧重于对作品修改和完善,以及对自己和他人在整个讨论过程中表现进行评价。研究所提出的模型,为在线论坛中学习者兴趣与行为主题挖掘、分析与预测,提供了参考和依据。 相似文献
20.
作为语文教师,我们要充分挖掘文本中的语言文字,去把握文本的情感基调,透视文本的情感焦点,让孩子们与文本产生情感共鸣,从而充分激活学生的内心世界,引发他们个性的张扬,让语文学习变得生气勃勃。 相似文献