虞思慧 楊明 潘城杰 程俊豪 李文娟

摘要：學(xué)情分析是智慧教育的重要組成部分。云計算是存儲和處理大規(guī)模數(shù)據(jù)的最新技術(shù)手段。本文將云計算和深度學(xué)習(xí)技術(shù)相結(jié)合，提出了一款高效、智能的學(xué)情數(shù)據(jù)分析系統(tǒng)。本文首先構(gòu)建了基于云邊混合架構(gòu)的學(xué)情分析系統(tǒng)模型，接著詳細(xì)論述了平臺的設(shè)計、部署和實施過程，最后設(shè)計了一系列相關(guān)實驗進(jìn)行實證分析。通過對中國大學(xué)MOOC平臺真實數(shù)據(jù)的建模分析結(jié)果表明，該系統(tǒng)具備了良好的數(shù)據(jù)分析和挖掘能力，能夠為教師和教學(xué)管理者提供有益參考，從而為在線教學(xué)效果和滿意度提升提供技術(shù)支持。

關(guān)鍵詞：云計算；深度學(xué)習(xí)建模；學(xué)情分析系統(tǒng)；教學(xué)質(zhì)量評價

中圖分類號：TP393? ? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2024）07-0018-03

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）

0 引言

隨著互聯(lián)網(wǎng)的縱深發(fā)展，教育領(lǐng)域逐漸邁入數(shù)字化、智慧化時代。線上教學(xué)成為目前主流的教學(xué)形式之一。盡管線上教學(xué)平臺的課程內(nèi)容十分豐富，然而質(zhì)量卻良莠不齊，很難為學(xué)習(xí)者提供量身定制的個性化服務(wù)。學(xué)情分析系統(tǒng)提供了對教學(xué)內(nèi)容和學(xué)評教數(shù)據(jù)的分析總結(jié)，能夠輔助決策，是提高在線教學(xué)質(zhì)量、提升教學(xué)效果的重要技術(shù)手段。

學(xué)情分析系統(tǒng)的研究始于20世紀(jì)末，隨著深度學(xué)習(xí)技術(shù)的崛起而得到顯著發(fā)展。早期學(xué)情分析系統(tǒng)主要依賴于傳統(tǒng)機(jī)器學(xué)習(xí)算法，如決策樹、支持向量機(jī)等，這些方法在處理大規(guī)模數(shù)據(jù)時顯得力不從心。而深度學(xué)習(xí)算法，因其出色的特征學(xué)習(xí)和模式識別能力，在學(xué)情分析領(lǐng)域逐漸得到廣泛應(yīng)用。比如，王麗、談云兵[1]探討了深度學(xué)習(xí)模型在博客數(shù)據(jù)分析中的應(yīng)用和存在問題。景紅娜[2]構(gòu)建了基于Moodle教學(xué)平臺的深度學(xué)習(xí)模式，并通過實驗驗證了該模式的教學(xué)效果。段金菊[3]結(jié)合實踐案例剖析了深度學(xué)習(xí)的學(xué)習(xí)策略和效果。Meng等人[4]提出一種基于多層卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)方法。Deng等人[5]提出了結(jié)合CNN與BiLSTM的融合模型進(jìn)行文本情感分析，有效地提高了情感識別的準(zhǔn)確性。Szu-Yin Lin等人[6]使用集成學(xué)習(xí)技術(shù)和BERT模型實施情感分析取得了不錯的效果。

然而，目前學(xué)情分析系統(tǒng)的研究仍面臨諸多問題和挑戰(zhàn)，包括：1） 學(xué)情數(shù)據(jù)量大，且存在評價數(shù)據(jù)離散化、個性化等特點，而目前主流的學(xué)情分析平臺普遍存在數(shù)據(jù)存儲和計算能力不足的問題。2） 盡管深度學(xué)習(xí)算法的學(xué)習(xí)效果比較理想，但在處理教育大數(shù)據(jù)時，由于算法自身的開銷較大，導(dǎo)致數(shù)據(jù)分析結(jié)果的實時性不足。3） 大部分學(xué)情分析系統(tǒng)針對的并非真實的評價數(shù)據(jù)，數(shù)據(jù)統(tǒng)計分析的結(jié)果缺乏可信度和說服力。

針對上述問題，本文結(jié)合云計算和深度學(xué)習(xí)技術(shù)提出了一款基于云邊混合架構(gòu)的學(xué)情分析模型。云計算為存儲和分析大規(guī)模學(xué)情數(shù)據(jù)提供了強(qiáng)大的存儲和計算能力，深度學(xué)習(xí)算法則提供了處理復(fù)雜數(shù)據(jù)和提取高階特征的能力，有助實現(xiàn)對學(xué)生學(xué)習(xí)行為的精準(zhǔn)預(yù)測和個性化建議。

本文的主要貢獻(xiàn)包括：

1）提出了一款基于云邊混合架構(gòu)的學(xué)情分析模型，通過云邊協(xié)同提高學(xué)情分析處理的能力，降低處理時延。

2）比較了不同深度學(xué)習(xí)模型在實施學(xué)情數(shù)據(jù)挖掘的效果，以幫助學(xué)情分析選擇最佳模型，從而提高數(shù)據(jù)分類和挖掘的準(zhǔn)確性。

3）實現(xiàn)對中國大學(xué)幕客平臺真實數(shù)據(jù)的爬取和分析，實現(xiàn)對教學(xué)效果的縱橫向比較，有助于提升線上教學(xué)質(zhì)量。

本文余下部分的結(jié)構(gòu)如下：第1章介紹系統(tǒng)總體架構(gòu)和主要實施流程，第2章是系統(tǒng)建模與實驗設(shè)計，第3章對中國大學(xué)慕課的實證數(shù)據(jù)進(jìn)行學(xué)情分析并給出對比報告。最后是總結(jié)和展望。

1 系統(tǒng)總體架構(gòu)

1.1 系統(tǒng)模型

基于云邊混合架構(gòu)的學(xué)情分析系統(tǒng)模型架構(gòu)圖如圖1所示：

學(xué)情分析系統(tǒng)搭建在云計算和邊端環(huán)境中，實施基于云邊協(xié)同的深度學(xué)習(xí)過程。云主機(jī)實現(xiàn)學(xué)情大數(shù)據(jù)的存儲和離線分析，邊緣和終端設(shè)備實施小規(guī)模數(shù)據(jù)的本地在線學(xué)習(xí)。云邊協(xié)作加速了數(shù)據(jù)分析過程，降低處理時延。數(shù)據(jù)層實現(xiàn)數(shù)據(jù)存儲和事務(wù)處理，業(yè)務(wù)層則根據(jù)應(yīng)用需求構(gòu)建相關(guān)接口。前端搭建了友好的人機(jī)交互接口，便于使用者輕松掌握學(xué)情分析的結(jié)果。

1.2 系統(tǒng)功能模塊圖

本系統(tǒng)的功能模塊圖如圖 2所示：

該系統(tǒng)分析平臺將通過可視化方式展示學(xué)情數(shù)據(jù)的分析結(jié)果，并提供實時反饋和建議，為高校學(xué)生和教師提供全方位的學(xué)情分析服務(wù)，幫助學(xué)生改進(jìn)學(xué)習(xí)策略、提高學(xué)習(xí)效率，學(xué)生可以更清晰地了解自己的學(xué)情狀態(tài)和學(xué)習(xí)效果幫助教師更好地了解學(xué)生的學(xué)習(xí)情況和需求，提供有針對性的教育教學(xué)服務(wù)。

1.3 研究步驟

主要研究步驟是：1） 學(xué)情數(shù)據(jù)爬取。2） 數(shù)據(jù)預(yù)處理，包括去除重復(fù)數(shù)據(jù)、去除無用字符、使用jieba分詞、去除停用詞等，處理出本項目所需要的數(shù)據(jù)內(nèi)容，使用w2v生成詞向量并對數(shù)據(jù)集進(jìn)行劃分。3） 根據(jù)學(xué)情分析的任務(wù)需求選擇適合的深度學(xué)習(xí)模型，包括設(shè)計實驗對現(xiàn)有的深度模型進(jìn)行對比，采用交叉驗證等方法評估模型的性能，最終選出最合適的模型。4） 進(jìn)行調(diào)參和優(yōu)化以提高模型的精度、泛化性和可解釋性。5） 結(jié)果預(yù)測，將預(yù)測結(jié)果轉(zhuǎn)化為相應(yīng)的學(xué)情建議，例如課程推薦、個性化教學(xué)建議等。

2 建模與實驗設(shè)計

2.1 模型對比

本文重點比較了深度學(xué)習(xí)中的LSTM模型和BERT模型，如圖3所示。LSTM模型具有更低的損失分?jǐn)?shù)，因而表現(xiàn)更好。然而，兩種模型的準(zhǔn)確度基本相同，所以如果只關(guān)注準(zhǔn)確度，那么二者表現(xiàn)相當(dāng)。

2.2 實驗設(shè)計

2.2.1 環(huán)境配置

表1? 環(huán)境配置

[開發(fā)的硬件環(huán)境 處理器：Intel Core i7-1165G7 CPU @ 2.80GHz 內(nèi)存：16 GB DDR4 運行的硬件環(huán)境 處理器：Intel（R） Core（TM） i5-3230M CPU @ 2.60GHz 內(nèi)存：8GB 操作系統(tǒng) Windows 10/11 軟件開發(fā)環(huán)境/開發(fā)工具 PyCharm 2023.1.2、AutoDl 該軟件的運行平臺/操作系統(tǒng) PyCharm 2023.1.2、Windows 10/11 軟件運行支撐環(huán)境/支持軟件 Windows 7、Windows 10 編程語言 Python ]

2.2.2 實施訓(xùn)練

使用云主機(jī)Auto DL服務(wù)器，配合本地進(jìn)行數(shù)據(jù)集相關(guān)訓(xùn)練。

2.2.3 運行結(jié)果

系統(tǒng)運行結(jié)果如圖5所示，當(dāng)輸入隨機(jī)的評價內(nèi)容時，系統(tǒng)會給出評判結(jié)果。

3 學(xué)情數(shù)據(jù)分析

筆者爬取了中國大學(xué)幕客的評價數(shù)據(jù)，并對數(shù)據(jù)進(jìn)行了分析，以下是分析結(jié)果。

3.1 同一所學(xué)校內(nèi)部不同課程評分比較的結(jié)果

圖6展示幕客網(wǎng)中北京大學(xué)30門課程的評分?jǐn)?shù)據(jù)。從圖中可以看出，課程評分方差較大，這說明學(xué)生對課程的評價存在較大差異?？赡艿脑蚴菍W(xué)生對課程教學(xué)內(nèi)容的喜好程度不同，評價較為個體化。而對于此類評分方差較大的課程，學(xué)?？梢钥紤]進(jìn)一步探究評價意見差異化的具體原因，通過調(diào)整課程內(nèi)容、改進(jìn)教學(xué)方法或者增加師生互動的方式，提高整體課程質(zhì)量。

3.2 不同大學(xué)之間橫向比較的結(jié)果

圖7和圖8分別展示了不同大學(xué)的課程數(shù)量和評論數(shù)量的折線圖，不難看出：1） 課程數(shù)量的分布在不同大學(xué)間呈現(xiàn)較大的不均勻性，這可能受到大學(xué)規(guī)模、學(xué)科設(shè)置、在線教育發(fā)展等因素的影響。2） 評論數(shù)據(jù)呈現(xiàn)明顯的差異，這反映了學(xué)生對不同大學(xué)課程的關(guān)注和反饋程度，評論數(shù)量的分布可能受到課程內(nèi)容、教學(xué)質(zhì)量、學(xué)生參與度等因素的影響。3） 關(guān)聯(lián)性觀察：還可以觀察到課程數(shù)量和評論數(shù)量之間的關(guān)聯(lián)關(guān)系，借助這種關(guān)聯(lián)性可以幫助大學(xué)進(jìn)行在線教育課程的優(yōu)化和改進(jìn)。

4 總結(jié)與展望

本文提出了一款融合云計算和深度學(xué)習(xí)技術(shù)的學(xué)情分析系統(tǒng)。系統(tǒng)基于云邊混合計算模型，充分利用了云計算的高可用性、邊緣計算系統(tǒng)的低時延，以及深度學(xué)習(xí)的數(shù)據(jù)分析能力，能夠?qū)崿F(xiàn)對學(xué)生學(xué)習(xí)行為和課程評價數(shù)據(jù)的精準(zhǔn)分析。實驗設(shè)計和實證分析結(jié)果表明，本文模型在數(shù)據(jù)分析精度和性能方面的有效性。然而，本文提出的系統(tǒng)暫未考慮數(shù)據(jù)的安全和隱私保護(hù)問題，以及深度學(xué)習(xí)模型在云邊混合架構(gòu)的優(yōu)化和參數(shù)自適應(yīng)調(diào)整等，這是筆者接下去重點研究的方向。

參考文獻(xiàn)：

[1] 王麗，談云兵.基于博客的深度學(xué)習(xí)研究：以蘇州教育博客為例[J].中國遠(yuǎn)程教育，2009（12）：40-43，79.

[2] 景紅娜，陳琳，趙雪萍.基于Moodle的深層學(xué)習(xí)研究[J].遠(yuǎn)程教育雜志，2011，29（3）：27-33.

[3] 段金菊.e-Learning環(huán)境下促進(jìn)深度學(xué)習(xí)的策略研究[J].中國電化教育，2012（5）：38-43.

[4] MENG J N，LONG Y C，YU Y H，et al.Cross-domain text sentiment analysis based on CNN_FT method[J].Information，2019，10（5）：162.

[5] DENG H J，ERGU D J，LIU F Y，et al.Text sentiment analysis of fusion model based on attention mechanism[J].Procedia Computer Science，2022，199：741-748.

[6] LIN S Y，KUNG Y C，LEU F Y.Predictive intelligence in harmful news identification by BERT-based ensemble learning model with text sentiment analysis[J].Information Processing & Management，2022，59（2）：102872.

【通聯(lián)編輯：唐一東】