在线学习环境下学习者情感的潜在剖面分析研究

关键词：在线学习；在线教育；学习情感；文本情感分析；潜在剖面分析

中图分类号：G424 文献标识码：A

文章编号：1009-3044（2025）03-0115-03 开放科学（资源服务） 标识码（OSID） ：

0引言

在线学习是教育服务的重要组成部分，推动着教育信息化的发展进程。《中国教育现代化2035》（2019） 指出，以“互联网+”为主要特征的在线学习将引领教育信息化发展[1]。依托网络技术和丰富的在线资源，在线学习突破了时空的局限性和封闭性，并在移动互联网和大数据技术发展的推动下蓬勃发展[2]。疫情期间，教育部“停课不停学”政策的实施更使其成为时代主流，在线学习被广泛应用于各级教育，客观上促进了在线教育的发展。新技术的出现赋予在线学习全新的学习环境和交互机制，有助于学习者达成学习目标[3]。然而，学习者在空间上的隔离导致他们之间情感交流不足，造成情感缺失，在线管理者难以及时进行情感疏导[4]。在素质教育“知行合一”理念的指引下，学习者情感在在线学习中的重要性日益凸显，相关研究也备受关注。积极情绪能够激发学习者的学习兴趣，促进有效认知；而消极情绪则会分散学习者的注意力，影响学习信心和耐心，最终阻碍有效认知[5]。然而，现有的在线学习者情感研究存在情感分类单一、情感体验机制不明确等问题[6]。

1 研究问题

综上所述，在线学习者的情感研究逐渐受到关注，国外学者开始研究学习者产生的文本信息中所蕴含的情感信息如何识别和利用的问题，但很少有研究运用潜在剖面分析方法来分析学习者在线学习中的情感。潜在剖面分析是一种以个体为中心的研究路径的典型分析技术，旨在识别异质性[7]。运用潜在剖面分析方法可以很好地帮助研究者进一步挖掘情感和学习表现的内在关系，为在线学习环境下学习者情感积极化干预的建议提供依据。主要研究问题如下：

1） 如何构建学习者多级情感分类编码表？

2） 如何运用潜在剖面分析方法分析在线学习中学习者情感的潜在类别？

3） 如何针对学习者情感的潜在类别提出情感积极化干预的建议？

2 在线学习环境下学习者情感类别分析

2.1 在线学习环境下学习者情感数据获取与指标量化

1） 参与者。本研究分析的样本来自MOOC平台中“翻转课堂教学法”在线课程的870名学习者，他们在为期10周的学习过程中至少参加了两次论坛讨论。参与者中，本科生占27%，教师占73%，其中教师成员来自不同的年段与科目。所有参与者均曾参加过一门及以上的在线课程，对在线学习平台的操作极为熟练，并对在线学习课程的流程非常熟悉。

2） 学习者细粒度情感分类。笔者通过文献分析，并借鉴Dillon et al.[7]和Bosch et al.[8]提出的认知情感界定，选择了七个与认知方面最密切相关的情感类别，即惊讶、好奇、赞同、困惑、焦虑和挫折。此外，正如Arguel、Lockyer、Chai等人[9]所指出，中性情绪是在构建知识时经常体验到的情感。在在线学习中，学习者的中性情绪经常出现[10]。因此，本研究将中性情绪纳入情感分类的考量范围。

此外，在对评论文本进行编码时，还发现了诸如“佩服”“感谢”“抱歉”等社交交流用语，这些互动体现出的学习者情感被笔者称为社交情感。在学习过程中，学习者的社交情感对于建立学习归属感具有重要价值[11]。学习者的社交情绪有助于缓解问题或认知不协调所造成的消极氛围，从而促进知识建构的学习过程。因此，中性情绪和社交情绪被编码为与学习者情感相关的两个额外类别。编码方案如表1所示。

在本研究中，首先对获取的在线课程数据进行初步处理，提取出本次研究所需的870名学习者的基本数据及其在在线学习平台中全过程的评论数据。具体步骤如下：首先，将提取出的数据按照学习者的ID，将每位学习者作为一个分析单元；然后，将870名学习者的评论文本中的各种网页格式、链接、空格等无关内容删除，仅保留文本数据；最后，对学习者的评论文本进行筛选，删除重复数据。经过数据预处理，最终得到870名样本，共计15918条文本数据。通过构建的在线学习环境中学习者情感编码表，对870名学习者的评论文本进行了人工编码的定性分析，从而将全体样本的评价文本量化为数值，为研究的下一步奠定基础，即对学习者情感的潜在剖面分析，得出学习者情感的潜在类型。

2.2 基于潜在剖面分析的学习者情感分析

潜在剖面分析是利用潜在类别变量来解释外显连续型指标之间关联的统计方法，使外显指标之间的关系能够通过潜在类别变量进行预测，从而保持外显指标间的局部独立性。其基础假设是，外显变量各种反应的概率分布可以由少数互斥的潜在类别变量来描述，各类别对外显变量反应的选择存在一定的倾向性。

本研究主要采用Mplus8.3软件进行潜在剖面分析。具体分析思路如下：

1） 对数据进行拟合，拟合不同类别的模型；

2） 根据多个拟合指标（AIC、BIC、aBIC、Entropy、LMR、BLRT等） 以及理论意义，综合判断应选择几分类的模型；

3） 报告各项拟合指标、条件概率和类别概率，并可额外作图，报告各类别人数（若某类别占比过小，则无实际意义） ；

4） 查看标准差残差，判断哪些类别人群与所选分类模型不匹配，并在下一次研究设计中对其进行改进。

2.3 基于潜在剖面分析的学习者情感结果

通过Mplus8.3软件对数据进行潜在剖面分析，所得结果如表2所示：

由表2数据可见，分为3种剖面类别的解决方案模型拟合优度较佳：依据BLRT值，可以保留2～6种类别；依据Entropy 值，保留3种类别时Entropy 值最高，表明将学习者划分为3种类别最为精确。AIC值和BIC值随类别数递减，但在保留4种类别以后递减速度降低，表明在此处存在拐点。进一步比较分为3 种和4种类别的估计条件均值表可以发现，分为3种类别时，每种类别间的重合和相似性较低，分类较为准确。因此，可以推断在线学习者情感剖面类别可分为3种。

将3种类别的模型制作后，得出图1。其自由估计参数为34，AIC 值为28737.309，BIC 值为28899.399，ABIC 值为28791.423，Entropy 值为0.993，LMR（p） 值为0.1932，BLRT（p） 值为0.0000，3种潜在类别的概率分别为6.3%、0.4%和93.3%。

由图1可知，在学习过程中，3种类别的学习者均表现出各种情感，但情感出现的次数存在明显差异。中性和赞同情感较为突出，但第2类别的社会情感出现次数远高于其他两类别，同时三者的挫折情感基本未出现。参考图1中学习者样本的情感呈现次数和变化频率，可将其划分为3种主要的剖面类别：

1） 多频情感变化学习者。该类别的学习者仅占总样本的0.3%，但其8类学习情感在学习过程中均有体现，且情感变化频率较高。其中，中性、赞同和社会情感尤为突出，但困惑、焦虑和挫折情感的出现频率极低，接近于0。

2） 中频情感变化学习者。该类别的学习者占总样本的6.3%，人数居中。这类学习者的8类学习情感在学习过程中均有体现，但情感变化频率适中。其中，中性情感和赞同情感出现频率较高，而惊讶、好奇、困惑和焦虑情感的出现频率适中。

3） 低频情感变化学习者。该类别的学习者占总样本的93.4%，人数最多。虽然这类学习者的8类情感在学习过程中均有体现，但出现频率均在10次以下，情感变化和出现频率极低。除中性和赞同情感外，其余六种情感的出现次数接近于0。

3 基于学习者潜在情感类别的积极化干预建议

3.1 优化课程资源及衍生性学习资源

课程资源和衍生性学习资源是课程的核心部分。对“翻转课堂教学法”在线课程的学习者研究发现，三种类别的学习者在学习课程时大部分表现为中性和赞同情感，但每种类别的学习者在学习过程中均出现了好奇、困惑和焦虑情感。这表明在线课程中的课程资源基本满足学习者的需求，但仍未完全满足其深入学习的需求。

持续优化与更新在线课程中的核心资源及衍生学习资源，是提升学习者在线体验的关键。因此，需要更多关注课程资源及其衍生性学习资源是否充分满足学习者需求，从而减少学习者在学习过程中的中性和困惑情感，提升学习者在学习过程中出现的惊讶、赞同和社会情感。

3.2提升教师教学行为

研究发现，多数学习者对授课教师表达了惊讶、赞同等积极情感，这表明教师的授课方式、内容及语言表达贴合学习者需求，赢得了广泛认可。在在线课程中，教师的授课、演示等教学行为对学习者参与讨论、思考内容、师生互动和知识建构至关重要，其正面影响相较于线下学习更为显著。

为提升学习者情感变化频率，教师可以设计针对性问题，激励学生参与线上讨论及完成课后任务，主动克服学习障碍，从而提升学习效果。

3.3重视课程评价

研究发现，高频情感变化学习者在学习过程中情感波动较大，但该群体仅占总样本的0.3%；中频情感变化学习者占6.3%；其余93.4%为低频情感变化学习者。这表明，在在线学习环境下，学习者情感的多样性和波动性仍较为有限。

为提升学习者情感变化的频率和次数，可鼓励其从多维度对课程进行评价，深入了解学习者的看法和需求，进而改进在线课程设计，提高学习者的情感参与度。

4结束语

本文运用潜在剖面分析方法对在线学习环境下学习者情感的潜在类别展开研究，发现学习者情感的潜在类别可以划分为高频、中频和低频情感变化3种类别，并针对这3种类别间的关联和差异，提出了对学习者情感进行积极化干预的建议。

由于研究者精力和知识能力有限，本研究仍存在许多需要完善的部分。例如：研究中仅涉及“翻转课堂教学法”这门课程一个学期的学习者，且研究对象主要为教师和学生。后续研究可以扩充样本数量和种类，以提高研究的精确性和普适性。此外，研究所采用的情感分析方法依赖于已有的情感分类和人工编码方式，后续研究可以考虑构建基于在线学习中学习者评论文本的情感词典，以提高情感分类的准确性和情感模型的科学性。同时，还可以尝试基于机器学习的方法对文本进行聚类和情感分析，从而进一步提升研究结果的准确性和可靠性。