教师教学情绪综合评价分析

郑誉煌

摘  要： 教师教学情绪对课堂教学效果和学生的学习状态有重大的影响。基于自然语言处理理论，建立了分析教师教学情绪的情感倾向指标、情感波动指标和敏感词指标。为了对比不同教师之间的总体教学情绪，采用离差权评价模型建立了教师情绪综合评价方法。实验表明，上述指标和综合评价方法能有效体现教师课堂教学情绪和他们的情绪差异。本研究成果为智能分析教师教学情绪提供了客观依据，为教师及时改善教学效果提供有力支持。

关键词： 教师教学情绪; 自然语言处理; 综合评价; 指标

中图分类号：TP391.1          文献标识码：A     文章编号：1006-8228（2021）03-104-04

Comprehensive evaluation of teachers' emotions in teaching

Zheng Yuhuang

（Academic Affairs Office， Guangdong University of Education， Guangzhou， Guangdong 510303， China）

Abstract： Teachers' emotions may have a significant impact on students' learning in teaching activities. Based on the theory of natural language processing， the criterions of emotional tendency， emotional fluctuation and sensitive words are defined to analyze teachers' emotion in teaching. In order to compare the overall teaching emotions among different teachers， a comprehensive evaluation method of teachers' emotion is established by using the deviation weight evaluation model. The experiment results show that these criterions and the comprehensive evaluation method of teachers' emotion can effectively reflect their teaching emotions. The research results provide references for the intelligent analysis of teachers' emotions in teaching， and provide technical support for teachers to improve their teaching in time.

Key words： teachers' emotions in teaching; natural language processing; comprehensive evaluation; criterions

0 引言

教师教学是一种典型的情绪劳动。教师在执行教学任务的活动过程，通过语调、表情、动作影响着教学信息的传递和接收。教师教学情绪是影响课堂教学质量的重要因素之一。在课堂环境中，教师积极的情绪可以促进学习者产生积极的情绪状态，从而强化学生的学习动机，提高学习认知效果。

Yelinek J.等[1]通过人为观察并记录了儿童与幼儿教师之间的对话，发现教师使用积极和消极的情绪，会影响儿童产生积极和消极的行为。Jeon L.等[2]以美国1129名学龄前教师为样本，发现影响教师情绪的相关工作氛围因素。Uzuntiryaki等[3]采用积极与消极情绪量表、情绪控制量表、教师效能感量表获取336名公立中学科学教师的情绪状态，并建立相应的结构化方程模型分析。Moreira等[4]采集了350名在职中学教师的问卷数据，并采用两步结构方程模型（SEM）来分析教师情绪。Park等[5]采集韩國公立本科大学14名职前教师的脸部表情，并采用Emotient软件分析这些面部表情所表示的情绪。Kim等[6]提出基于智能教室平台实现对教师情绪分析，量化教学过程的各种参数。Estrada[7]提出使用机器学习、深度学习和进化方法分析学生关于学习状态语料的情感极性。Cabada[8]使用深度学习技术来检测学生的学习情绪。

上述研究存在以下问题：①研究对象面向宏观的教师群体而不是微观的教师个体;②采集教师的情绪手段单一，以主观观察法和教师自主填表为主;③没有充分依托信息化手段自动分析教师的教学情绪。

本文提出了一种描述教师教学情绪的多参数模型及教师情绪的综合评价方法。在已经获得教师授课讲话稿的基础上，这个方法首先基于自然语言处理，建立了包含情感倾向、情感波动、敏感词这三个关键参数的教师情绪模型;然后采用离差权评价方法，综合评价教师情绪模型的三个参数，从而获得教师课堂综合情绪。本研究实现对每一教师课堂教学情绪的识别和记录，并将自动分析结果及时反馈给任课教师，依托这些客观数据的分析，实现教师课堂教学全过程的精细控制，有效的保证教学质量。

1 教师授课的情感指标

教师授课过程中的情感倾向能显著影响学生情绪和认知水平。教师授课的情感倾向分析采用基于Character-Based Generative Model分词模型和朴素贝叶斯模型（Naive Bayes）统计分析。

1.1 分词原理

本研究采用Character-Based Generative Model模型实现分词。设状态值集合是Q={B，E，M，S}，分别表示词状态是的开始Begin、结束End、中间Middle和独立成词Single，观测序列即为中文句子。中文分词的任务本质是一个解码问题，即对于字符串[cn1=[c1，…，cn]]，求解最大条件概率[maxP（t1，…，tn|c1，…，cn]]，其中，ti表示字符ci对应的状态。

对于一句话字符串[cn1=[c1，…，cn]]，分词序列[wm1=[w1，…，wm]]，[m≤n]，设[wm1=[c，t]n1]，则可得式⑴和式⑵。

[P（wm1cn1=Pc，tn1|cn1=Pcn1|c，tn1×Pc，tn1Pcn1] ⑴

[argmaxPc，tn1=argmaxi=1nP[c，t]i|[c，t]i-1i-k] ⑵

对于n不大的情况下，可以采用枚举法，其基本思想是列举出所有可能的分词情况，逐个判断有哪些分词符合所规定的条件，从而得到全部分词。据统计，成年人情绪激动紧张的情况下人的呼吸可以增快可以到达每分钟20～30次，按教育学要求，标准语速为200～250字/分，即每次换气形成一句话，则每句话大约是10字～13字左右，即n<13。这对一般计算机完全可以胜任n！的计算量。

1.2 情感倾向指标

通过分词，可以将教师授课的每句话分成由若干个词组构成的集合。在此基础上，采用朴素贝叶斯模型进行情感分析。情感分析本质是两个类别积极（pos）和消极（neg）的分类问题，设一句话的特征向量由多个特征词组成[[w1，…，wm]]，特征之间是相互独立的，属于类别pos的贝叶斯模型的基本过程为：

[s=Ppos|w1，…，wm]

[=][Pw1，…，wm|posP（pos）Pw1，…，wm|posPpos+Pw1，…，wm|negP（neg）]

[=11+Pw1，…，wm|negP（neg）Pw1，…，wm|posPpos]

[=11+explnPw1，…，wm|negP（neg）Pw1，…，wm|posPpos]

[=11+explnPw1，…，wm|negP（neg）-lnPw1，…，wm|posPpos]

可得这句话的正向情感概率如式⑶。

[s=11+expi=1mlnPwi|neg+lnPneg-i=1mlnPwi|pos-lnPpos] ⑶

贝叶斯模型的训练过程实质上是在统计每一个特征词出现的频次。正向情感概率越趋向于1，表示教师的上课情感倾向约越正面，低于0.5则上课情感倾向偏于负面。

设教师在课堂中所讲的q句话正向情感概率[s=[s1，…，sq]]，则教师课堂情感倾向指标是q句话的正向情感概率均值，即如式⑷。

[μ=s=1qi=1qsi]  ⑷

1.3 教师情感波动指标

为了评估教师的上课感情离散程度，引入样本标准差，评估教师情感的波动程度。情感波动指标是式⑸。

[σ=1-i=1q（si-s）2q-1] ⑸

当[si=s]时，[σ=1]，此时教师情感没有任何波动;

当[s=0，1，…，0，1]，此时离散程度最高，教师情感波动最强烈，此时

[σ=1-i=1q（0.5）2q-1]

[=1-12qq-1→1-limq→∞12qq-1=12]

即情感波动指标范围是[0.5，1]，指标越大，表征教师情绪波动越低。

1.4 敏感词指标

DFA（Deterministic Finite Automaton，即确定有穷自动机）算法一种重要的敏感词过滤算法。DFA算法计算少，其核心是状态转移的描述。本文将开源的2017版敏感词库中的违禁文字列表构造成一个状态机，并用HashMap的数据结构予以描述。

基于DFA的教师授课敏感词分析的思路是遍历教师授课语音转换稿的每个文字，查看该字在敏感词库中是否存在，如果不存在，则继续查询下一个文字直至转换稿的最后一个字。该字在敏感词库存在，则获取该关键词的集合，并获取该集合的isEnd属性值为True，此时累加NumSentive的值。则定义敏感词指标为式⑹。

[ω=1-NumSentiveq] ⑹

即教师每句话中没有说出的平均敏感词数，敏感词指标越大，表征教师授课时出现敏感词数越少。

2 综合评价算法

综合分析教师授课的情感倾向指标、情感波动指标和敏感词指标，可以获得对教师教学情绪综合评价。本研究采用离差权评價模型。上述定义的情感倾向指标、情感波动指标和敏感词指标都符合在[0，1]范围之间，0表示该指标达到最差，1该指标达到最优。若某一指标对所有数据都相等或相差不大，则此项指标包含评价所需的信息量不大，其权系数应很小，反之，若某项指标对所有样品相差很大，则这项指标包含评价所需的信息就很大，其权系数应很大。据此，可用每一项指标的标准差作为该项指标的权数，即离差权评价模型。设xij是i个教师授课文本的j项指标，则第i个教师教学情绪综合评价是[αi，]如式⑺～式⑽。

[αi=j=1pφjxij×100] ⑺

[φj=δjj=1pδj] ⑻

[δj=1n-1i=1n（xij-xj）2] ⑼

[xj=1ni=1nxij] ⑽

其中[δj]是第j项指标值的标准差。

3 实验与结论

3.1 实验

本项目的16个测试视频来源于视频网站haokan.baidu.com公开的教学示范课，每个示范课时长大约在8-12分钟，视频展示了在教师在黑板前的教学活动情况。这些视频覆盖了小学和初中的语文、数学、化学、物理等主干课程。数据预处理阶段采用迅捷云语音识别技术，将教师的授课录音转化为文字。实验结果如表1所示，基本示范课的教师情感波动是比较小的，一般可以保持情绪稳定。但是每位教师的说话风格有很大差异，虽然总体授课情绪是积极的，但是情感倾向差异比较大，还有个别老师不小心说出了一两个敏感词。可见算法能比较好地获得各个教师的授课情感指标。

綜合评价教师的情感倾向、情感波动、敏感词这三个指标时，离差权评价模型能够很好跟踪变化比较大的指标值，避免了变化小但幅值大的指标值对综合评价的影响。

3.2 结论

本项目为了分析教师的教学情绪，建立评价教师教学情绪的情感倾向指标、情感波动指标和敏感词指标，并采用离差权评价模型综合评价这三个指标，从而获得教师教学情绪综合评价。通过对16个教学示范课视频的算法验证表明了本方法是可行的。这对于实现教师全教学过程的智能化分析和自动化评价提供了有益的参考。本算法具有较好的扩展性，可以根据进一步的研究需要增加新的评价指标。

然而，教师教学情绪分析是一个崭新的研究领域，还有很多值得深入研究的问题，如：教师教学行为与教学情绪之间的关联、教师教学内容与敏感词之间的有效区分等，这些问题有待进一步的深入研究。

参考文献（References）：

[1] YELINEK J， GRADY J S. 'Show me your mad faces！'preschool teachers' emotion talk in the classroom[J]. Early Child Dev Care，2019.189（7）： 1063-71

[2] JEON L， ARDELEANU K. Work Climate in Early Care andEducation and Teachers' Stress： Indirect Associations through Emotion Regulation[J].Early Education and Development，2019.31（7）：1031-51

[3] UZUNTIRYAKI-KONDAKCI E， KIRBULUT Z D， SARICIE， et al. Emotion regulation as a mediator of the influence of science teacher emotions on teacher efficacy beliefs[J]. Educational Studies，2019.7（14）：1-19

[4] MOREIRA-FONTAN E，GARCIA-SENORAN M， CONDE-RODRIGUEZ A， et al. Teachers' ICT-related self-efficacy， job resources，and positive emotions：Their structural relations with autonomous motivation and work engagement[J].Computers & Education，2019.134（6）：63-77

[5] PARK S， RYU J. Exploring Preservice Teachers' EmotionalExperiences in an Immersive Virtual Teaching Simulation through Facial Expression Recognition[J]. International Journal of Human-Computer Interaction，2019.35（6）：521-33

[6] KIM Y， SOYATA T， BEHNAGH R. Towards EmotionallyAware AI Smart Classroom：Current Issues and Directions for Engineering and Education[J].Ieee Access，2018.6（1）：5308-31

[7] ESTRADA M L B， CABADA R Z， BUSTILLOS R O， et al.Opinion mining and emotion recognition applied to learning environments [J]. Expert Syst Appl，2020.150（7）：12-23

[8] CABADA R Z， ESTRADA M L B， BUSTILLOS R O.Mining of Educational Opinions with Deep Learning[J]. J Univers Comput Sci， 2018.24（11）：1604-26