基于移动学习平台使用的学习特征挖掘方法

姚佩 罗熠

（江西理工大学建筑与设计学院 江西·赣州 341000）

1 问题缘起

当下，我国已经进入数字教学时代，知识和信息的边界逐步模糊，二者本身已经不再成为制约人类知识增长的关键因素。多渠道获取海量知识的途径将成为推动学习发展的重要手段，然而如何在便捷的知识获取渠道下完成对信息与知识的再加工成为数字学习时代师生所面临的重大问题之一。为此，学界便逐步开启了对于移动学习以及移动学习平台的研究，相关研究主要集中在以下几个方面：

一是基于微信的移动学习平台设计。这方面的研究强调了在微信APP的支撑下，进行移动学习平台的搭建与运营。有学者研究指出，微信平台本身就具有广阔的社交能力，其所存在的社交属性能够帮助学习者获取更多的学习资源和考试信息，因此基于微信平台的移动学习平台架构便具有了一定的开发价值。[1]

二是移动学习策略研究。各类网络教学平台给学生提供了海量的学习资源，但需要有策略的推荐学习资源，有目的的引导学生学习才能达到较好的学习效果。有学者指出，通过引入移动学习平台工具在各科学习中的应用，一方面能够提升学生的弹性学习策略，另一方面也构建起了良好的自学学习以及师生之间的协作学习的氛围，最大达到通过构建弹性移动学习策略提升学习效果的目的。[2]

三是基于移动学习平台的学习特征研究。移动学习本身作为传统学习方式的补充形式之一，它拥有了智能化的学习终端教学终端以及家长终端。因此，移动学习平台能够支持教师对学生的成绩及时、全方位以及个性化的学习反馈，这能够有效提升教学质量与效果，能够通过对这些反馈的挖掘发现学生的多元化学习延展性。[3]李气纠和杨常英认为移动学习平台具有时间和空间融合的特征、教学及时性和交互性、教学成果直观性。[4]

综上所述，基于移动学习平台的学习特征研究表明，移动学习平台的反馈本身作为一种教学反馈，应该被重视起来。此外，这种反馈也应该被更为深层次地挖掘，从而明确相关反馈的含义。在此背景之下，本研究认为移动学习平台的反馈本身作为一种重要的教学成果资源，理应被有效挖掘。但传统的挖掘方法无法针对大量的非结构化数据进行意义挖掘，因此需要采用全新的自然语言挖掘方法。

2 基于CBVS的学习反馈文本的学习特征挖掘方法

本研究提出一种具有分类能力的知识特征挖掘框架，该框架融合了 BERT和变分子编码器 VAE（Variational Auto-Encoder），用于挖掘基于移动学习平台的教学反馈。该方法能够有效挖掘学生的教学反馈文本中上下文语义之间的关联。此外，BERT将预训练模型和下游任务模型结合在一起，使得BERT模型天然地支持文本分类任务，从而省略了在做文本分类任务时不需要对模型做修改。该方法可被概括为以下三步：一是将文本序列输入至BERT模型进行编码，从而获取到隐藏层特征向量；二是进行VAE特征分类，该层需要对BERT输出结果进行解码，识别文档中的关系触发词；三是使用谱聚类方法对上述结果进行图关系表示，最终获得知识结构挖掘图谱结果。

2.1 BERT编码层

BERT模型于2018年被提出，它通过对海量文本的无监督预训练（Pre-training）后，能够在特定的下游任务上进行微调（Fine-tuning）。BERT模型内部采用Transformer编码结构，这相较于基于时间序列的循环神经网络等模型的语义挖掘能力具有典型的提升作用，这也使得BERT模型拥有了更为强大的上下文语义信息捕捉能力。

2.2 变分自编码器

变分自编码器（Variational Auto-Encoder，VAE）是基于无监督学习的深度生成网络模型，由Kingma和Welling在2014年提出。该模型是自动编码器的升级版本，其结构跟自动编码器较为类似，也由编码器和解码器构成。相比于自编码器，VAE更倾向于数据生成。正因如此，研究将BERT的词向量结果输入VAE，从而获得更好的分类结果。VAE的最大特点是模仿自动编码机的学习预测机制，在可测函数之间进行编码、解码。

2.3 谱聚类层面

谱聚类是从图论中演化出来的算法，后来在聚类中得到了广泛的应用。它的主要思想是把所有的数据看作空间中的点，这些点之间可以用边连接起来。通过对所有数据点组成的图进行切图，让切图后不同的子图间边权重和尽可能的低，而子图内的边权重和尽可能的高，从而达到聚类的目的。需要说明的是，谱聚类有两种切图方式，分别为“RatioCut切图”和“Ncut切图”，本研究采取前者。

2.4 研究数据

基于既往移动学习平台的教学反馈内容而进行的自然语言处理研究，旨在揭示学生使用移动学习平台的学习感受及其学习特征。因依据研究需要以及数据获得的便利性，研究以江西理工大学数字媒体艺术专业学生使用的移动教学平台的学习反馈作为原始资料，从而进行挖掘工作，以求帮助教师获得更好的教学反馈情况。此外，需要说明的是本研究所收集到的学生反馈文字资料共计6万余字。

3 研究结果

3.1 基于CBVS的学习反馈内容挖掘

通过以上基础统计信息，呈现出了教学反馈的多方面信息，但却没能有效挖掘出教学反馈的学习特征，因此研究根据CBVS的模型结构框架，运算CBVS方法，从而得到了教学反馈内容的学习特征矩阵，并使用谱聚类的方式对相关数据进行绘图，在选取前排名前50的运算结果后，绘制下图1：

根据谱聚类算法的衡量要求，研究在使用谱聚类算法时得到以下数据（见表1）：

根据CBVS的谱聚类结果图可知，当前的学习反馈挖掘大约形成了四个结构中心，学习反馈的CBVS挖掘所呈现出“移动平台”与“教学工作”并存的局面，且相应的研究成果具有一定的交差特性，这样显示出基于移动平台的学生学习特征具有典型的课程-问题导向特点。相关分析见下节。

图1：基于CBVS的学习反馈特征结果图

表1：谱聚类算法结果

3.2 研究结论

通过CBVS学习反馈内容挖掘方法，研究获得了“老师—学生”节点中心、“课程—内容”节点中心、“学习—平台”节点中心以及“信息—设备—发展”四个结构中心。这些节点之间具有一定的交融性，表明基于移动学习平台的学习特征之间具有一定的融合性，突显出以下特征：

（1）基于移动学习平台的学习特征反馈表明，学生的学习特征依旧遵循了“教师—学生”的节点规律。尽管基于移动学习平台的学习使得学生与教师无法面对面进行交流，但教学内容与知识的传递主体仍旧是教师与学生，移动学习平台更多地承担了教师与学生之间的学习沟通的桥梁。移动学习平台的使用更多地起到了“联通效果”，而较少地起到了学生自主学习以及逐步形成新的“学生—平台”的映射关系。

（2）基于移动学习平台的学习反馈表明，学生使用移动学习平台会逐步形成学习协作体。CBVS方法的图谱聚类结果呈现出了一定的向心特征，这说明基于移动学习平台的学习效果具有一定的凝聚性。首先，基于移动学习平台的学习会通过平台的中介作用，将学生内部之间的问题交流逐步引向某一焦点，并形成较为明显的“课程—内容”节点中心。围绕课程内容会使得学生们产出更多的疑问，而这些疑问一方面需要任课教师来进行解答，另一方面也需要学生通过移动学习平台自主搜寻答案。“课程—内容”的挖掘点体现了移动学习平台与师生之间的人机交互性，这种人机交互逐步将学生与教师指向了课程内容方向，因此才会逐步形成“课程—内容”这样的大聚类。

（3）基于移动学习平台的学习反馈表明，学生使用移动学习平台进行学习具有一定的视野广阔性。CBVS方法的图谱聚类结果从其文本挖掘的主题词“知识”“资源”“数据”“发展”“问题”等信息中推断，基于移动学习平台的学习能够引发学生对“发展知识”的渴望，呈现出了一定的视野广阔性。相关词汇表明，“信息—设备—发展”中心节点会越来越强大，侧面说明了在信息化时代，学生使用移动学习平台进行学习，一方面需要平台提供良好的教学内容，促进学生掌握基础知识；另一方面需要平台为学生的自主发展服务，培养学生的创造能力和创新能力，以开阔学生视野，获得良好的教学效果。

4 结语

研究以“基于移动学习平台的学习反馈挖掘”为主题，通过建构起CBVS学习反馈挖掘方法回答了基于移动学习平台的学习反馈具有何种意义的问题。结果表明：首先，基于移动学习平台的学习特征反馈表明，学生的学习特征依旧遵循了“教师—学生”的节点规律；其次，基于移动学习平台的学习反馈表明，学生使用移动学习平台会逐步形成学习协作体；最后，基于移动学习平台的学习反馈表明，学生使用移动学习平台进行学习具有一定的视野广阔性。尽管本研究使用CBVS方法作为基于移动学习平台学习反馈内容的挖掘方法，但其依旧存在一定的局限性。本研究仅构建了数字媒体艺术专业学生的学习反馈，其他专业的学习反馈没能够被囊括进来，这或许会导致无法显示更多的学习反馈的特征。今后的研究可扩大相关语料库容量，从而推进基于移动学习平台的学习反馈的学习特征认识。