基于细粒度情感分析的情感目标过程性评价机理与路径研究＊

王宇琪，郑安琪，郝川艳

(南京邮电大学教育科学与技术学院，江苏 南京 210023)

0 引言

情感目标评价机制具有内隐性、长期性、动态性等特点。过程性评价与情感目标评价机制相契合，适合用于对学习的动机、过程以及与学习密切相关的非智力因素进行全面评价。但在实际教学过程中如何对情感目标进行过程性评价，仍是教育评价改革的难题。

情感目标过程性评价常常采用问卷法、访谈法、档案袋法等方法，但这些方法效率较低，不适于长期跟踪与大规模分析。而深度学习方法可高效地提取观点并进行情感分类，实现智能化存储信息。近年来基于深度学习技术分析评语中情感信息成为对教学过程性评价的一种有效方式。然而，这类研究聚焦于教学目标过程性评价，较少利用情感分析专门探究情感目标过程性评价，故借助情感分析技术进行情感目标评价是很有意义的。其中细粒度情感分析是情感分析的方法之一，能在复杂的语境中准确识别评价对象的多属性及其对应的情感倾向。因此本文借助细粒度情感分析方法，探究学生在情感、价值观等方面的变化，以实现情感目标的过程性评价。

1 细粒度情感分析技术及其教育应用的可行性分析

1.1 细粒度情感分析技术概述

随着人们日益提高的情感分析需求，细粒度情感分析应运而生。评论发布者从对象属性层面的各功能部分做出评价，而细粒度的情感分析技术能够准确识别这些属性及其对应情感倾向。可见，细粒度情感分析与以往情感分析技术最大不同之处在于它可以分析出一条评论中具有情感倾向的各个要素，即情感词指向的最小对象，例如一位学生写道：我很喜欢老师的上课风格，但老师若能结合时代背景多为我们讲解文学作品背后的故事会更好。该评语中包含着两个属性，即教师的教学风格与情感素养的培养。

细粒度情感分析一般分三个步骤：①识别评论对象属性及其对应情感词；②对识别出的评论对象属性情感进行极性分类；③汇总（聚集）分类结果。其中，评论对象属性指相关领域中的属性词，如在教育领域内，属性词包括“教学态度”、“应变能力”等。而与之对应的情感词，主要指情感词和相关修饰部分，包括形容词、副词、动词和名词；抽取的主要方法有基于人工定义的方法、基于自动提取的方法、使用主题模型的方法。之后，依据事先定义的情感值对评论对象属性进行分类，分类方式根据实际细分。最终汇总分类结果，具体流程如图1所示。

图1 细粒度情感分析的流程

1.2 教育应用可行性分析

细粒度情感分析弥补了以往情感目标过程性评价方法低效处理数据的缺点，能快速地识别学生学习态度、道德素养等信息。随着长期挖掘学习过程中多源评语，获取评语中间接反映学生情感变化走向的信息，从而达到情感目标过程性评价目的。利用细粒度情感分析进行情感目标过程性评价，以实现数据驱动的“因材施教”。

情感目标过程性评价一直缺乏切实可行的评价标准和手段，使得教师只能关注成长档案袋记录等事实记录，再加上难以对所有学生档案做全面分析，最终演变为片面地看资料厚度来做评价。随着深度学习在自然语言处理领域不断发展，情感分析技术取得了很多成果，研究者将情感分析应用于教育情境以挖掘学生的情感倾向。细粒度情感分析技术是实现情感目标过程性评价的新式工具，基于人工神经网络广泛地挖掘同侪互评、学生自评、学生讨论等数据中的观点和态度，实现全方位智能化立体评价，既增加工具使用的便利性，又多角度观察学生的情感变化。

2 基于细粒度情感分析的情感目标过程性评价机制

基于以上论述，细粒度情感分析为情感目标过程性评价提供了一种新的评价方法与思路。该评价机制的特点在于无需预先设立评价指标体系，而是直接从各个场景的文本中挖掘有关评价对象的多属性及其情感倾向，在最大程度上抽取了与学生情感相关的所有信息。基于细粒度情感分析的情感目标过程性评价机制如图2所示。

图2 基于细粒度情感分析的情感目标过程性评价机制

横向上，根据学生学习形式不同，将文本数据分为课堂内与课堂外两类。纵向上，根据对象不同将数据分为教师评价、同伴评价、自我评价三类文本，借助Python语言编码收集数据。

课堂内评价文本源于教师对学生课堂表现、每日作业的过程性评价；课堂外评价文本源于课堂教学结束后，学生在网络空间中延续学习内容进行的同伴互评与自我评价。具体而言，同伴互评数据来自线上作业的同伴评价区，以及平台的自由讨论区。自我评价数据来自学生周期性的自我学习小结。

深度学习方法，通过学习标记的样本集来提取评论对象属性及其情感倾向，不仅能准确高效地提取文本属性，而且可灵活处理千变万化的文本内容。因此，深度学习方法是抽取评论对象属性与情感的有效方式。具体分析流程如图3所示。

图3 基于细粒度情感分析的过程性评价流程

为保证情感分析的准确度，要进行数据预处理。先标注评语的情感标签即标记样本，根据事先规定的情感极性分类对评语中出现的情感倾向依次评分。接着，分割过长评语以及标注方面标签（评论对象属性），标注依据为评语中是否出现方面词，方面词来自基于语义人工构建方面的词典。如“学习态度”的词典包含“态度”“认真仔细”等词语。然后，使用词嵌入技术将非结构化的评语转化为计算机可识别的数据，把评语中每个词映射成对应向量。再将向量输入到基于深度记忆网络的深度学习模型。最后，将得到的情感特征输入到分类器完成情感分类。

因为该机制针对不同场景与群体收集数据，通过不同方面提取学生的情感倾向变化，所以采取群体、方面、场景的三维度对比分析形式来呈现结果。其中，群体有学生、教师、同伴；方面由抽取的文本确定；场景有课堂教学和课后学习。

首先，以特定群体、不同方面为主题，生成情感分析结果，明晰学生各方面的表现情况。分析结果以表格形式呈现，如表1所示，特定群体为教师。

表1 情感分析结果的统计信息——以模型数据为例

其次，以特定方面、不同群体为主题生成情感分析结果，便于教师观察学生个体情感发展的独特性。最后，以不同场景确定情感分析结果。文本抽取场景的变化会带来评价重心偏移，进而情感分析的“方面”也不同。为了使结果呈现得更清晰，采取一分为二的方式。其一，结果由特定方面、课堂教学场景、不同群体组成；其二，结果由特定方面、在线学习平台场景、不同群体组成。

评价结果决定着反馈的方向与内容，本文提出的机制以三维结果呈现，所以反馈内容相应地分为以下三个维度。

首先，由特定群体、不同方面构成结果的反馈对象为教师和学生。教师反馈的重点落在情感目标的设置，通过比较情感目标的设置与所呈现不同情感标签的差异，寻找所设计的情感目标与实际情感目标进展之间的契合程度。教师知悉目标实施进展后，及时设计反馈教学流程。

其次，由特定方面、不同群体构成结果的反馈对象为教师，其侧重学生个体差异带来的个性化反馈。教师从同一情感标签下、不同态度中了解每个学生的差异性，并给予学生个性化、及时的反馈，从微观层面把握情感目标的实施进度。

最后，由课堂内、课堂外两个环境的特定方面、不同群体的对比情感分析结果，聚焦学生情感变化的全过程，以连续性视角看待学生情感变化，宏观层面把握情感目标实施进展。教师综合比较两个环境中同一情感标签变化，向学生提出具体建议，提高学生对反馈目的和内容的感知程度与理解力。

3 基于细粒度情感分析的情感目标过程性评价的应用路径

基于细粒度情感分析的情感目标过程性评价机制于在线教学平台、课程思政及师德评价三个领域的具体应用路径如下。

3.1 助力在线教学平台

基于细粒度情感分析的情感目标过程性评价机制作为插件安装于在线教学平台中，具有数据抽取、分析等功能。第一类课堂教学场景数据来源于教师对学生作业表现作出的过程性评价、学生在讨论区发表的内容。第二类课后场景数据包括在线平台中作业互评区与自我学习小结区文本。

抓取文本数据后，提取评论对象属性及其情感，进行极性分类。详细呈现分类结果频次排名前十的方面级标签。结果呈现分为教师界面和学生界面。在教师界面，主要呈现三维结果，以便教师把握情感目标实施进展。在学生界面，呈现由特定群体、特定方面组成的对比分析，利于学生反思、调整。在反馈阶段，教师及时利用音视频的数字化教学反馈形式与同学们互动，促进学生感知反馈。此外，在线过程性评价的时间节点也十分重要，时间点由远程教育工作者的网络授课次数决定，根据首次评价的情况调整后续评价的节点。

3.2 推进高校课程思政

当前一些高校对课程思政育人的具体实施过程、育人成效等方面的评价尚缺乏一套精准的考核测评体系。本文提出的过程性评价机制提供了一种较为可行的方法，用以间接评测教师教育性教学成果。

课堂教学场景下，教师根据学生作业、课堂表现、小组汇报、成果展示进行过程性评价。同侪互评围绕学生个人作业、小组作业等方面。同时，学生应周期性作出自我评价。抓取这些数据需借助某个在线学习平台中讨论、评价、记录功能区来实现，平台中建构的学习社区也是同伴互评文本的采集来源。数据采集后，以教师授课班级为单位分析细粒度情感倾向，结果呈现由特定群体、特定方面、特定场景的对比分析构成，并且将方面级标签聚类整理后，对比分析结果与该学期伊始设计的学科德育内容。之后，教师应及时利用技术资源管理反馈信息，促进学生明确学习目标、激发其动力、增加他们对反馈的感知。

3.3 赋能师德评价

发展性师德考评机制对建设高质量教师队伍具有重要现实意义。面向师德评价的数据收集方向为教师自评和学生评价。学生评价分为学生作出的师德评价，以及校园讨论区等社交平台上发表的评论这两大类。为便于采集、分析文本数据，学校应组织教师综合考核评比小组，负责定期收集与分析数据。在数据分析前，综合考核评比小组应先与教师共同制定教师个人目标，细化各项指标。在标记样本集方面标签时，依据之前确定的指标分类标注，以明晰目标与实施情况之间的契合度，之后经过情感分析得到各个方面标签下学生态度倾向。分析结果由特定方面下教师与学生态度对比、学生态度与教师个人目标对比两部分组成。教师与考评小组沟通后明确反馈方向，作出教学调整设计，合作提高反馈效能。同时，教师也应基于师德评价的师生差异性积极地与学生交流。

4 结束语

随着科技的发展和学习需求的提升，人工智能等现代信息技术与教育的深度融合推动了教育的变革与发展。本文从学生学习态度、学科素养、道德观念等情感方面变化的角度，结合深度学习技术，构建了基于细粒度情感分析的过程性评价机制。该机制主要从评价文本来源、细粒度情感分析过程、结果呈现与反馈形式四个方面展开。基于此机制，聚焦在线教学平台、课程思政及师德评价三个领域，描述在真实场景下的具体应用路径，为未来信息技术应用于教育评价可持续发展提供参考。

本文提出的细粒度情感分析方法在技术实现方面还存有尚未解决的问题，如情感分析所采用的深度学习技术在抽取评论对象属性前，需要人工标注大量的样本集，耗时耗力。同时，方面级别的情感分析的数据资源非常重要，但是教育评价领域还未出现成熟、公开的语料库，这也给细粒度情感分析带来一定难度。因此本研究后续将继续探究深度学习技术的应用方法，集中采集真实的学生自评、同侪互评、教师评价数据进行分析，了解学生的情感变化，从而达到测评教师学科德育效果的目的。