在线开放课程中教师教学行为研究

赵呈领 胡萍 梁云真 蒋志辉 黄琰 疏凤芳

【摘要】  在线学习中教师教学行为影响到在线学习者课程评价和学习体验。本文提出研究假设：教师主教行为与学习者课程评价正相关;教师助教行为与学习者课程评价正相关;教师管理行为与学习者课程评价正相关。主要运用自然语言处理（NLP）和内容分析的方法，从学习者评论中挖掘在线学习者观点。研究设计了学习者观点抽象模型和教师教学行为编码表，运用语言技术平台（LTP）依存句法分析识别观点句，并基于規则压缩抽取观点句中属性和观点词语，编码分析教师教学行为相关观点。分析教师教学行为与学习者课程评价的相关性发现：教师主教行为（讲授、指示、演示）与学习者课程评价正相关;教师助教行为（评价反馈、技术指导）和教师管理行为（组织讨论、课程管理、辅助学习资源管理）与学习者课程评价的相关关系未达到统计检验的显著水平。基于研究结果提出在线学习中教师教学行为发展建议。

【关键词】  在线开放课程;观点挖掘;教师教学行为;自然语言处理（NLP）;学习者观点抽象;观点要素;内容分析

【中图分类号】  G451.2      【文献标识码】  A      【文章编号】 1009-458x（2019）1-0058-09

一、引言

随着网络技术的发展，在线学习已成为用户的重要学习形式，在线教育规模与日俱增。据中国互联网数据平台CNNIC第40次《中国互联网络发展状况统计报告》（2017）统计，截至2017年6月，中国网民数量达到7.51亿，在线教育市场规模发展迅速，在线教育用户规模达到1.44亿。仅2016年12月至2017年6月，在线教育用户就增加了662万，增长率为4.8%。某在线学习平台一门课程的学习者高达18万人，该课程的学习者产生的课程评论文本和讨论数据达上万条。在线开放课程学习者数量巨大，不断在学习平台中产生数据，这些数据包括结构化数据和非结构化数据。非结构化数据以文本、图像、视频为主。文本仍是在线学习者表达观点的主要形式，然而，面对海量的学习者生成文本，对一个团队或某位教师来说要获取学习者观点耗时耗力，难以持续。观点挖掘技术为分析大规模的学习者生成文本提供了可行性，可运用观点挖掘技术深入挖掘学习者对教师教学行为的观点。

本研究运用自然语言处理和内容分析技术，深入挖掘和分析在线学习者生成课程评价数据。设计了学习者观点抽象模型和教师教学行为编码表，运用语言技术平台（LTP）依存句法分析识别观点句，并基于规则压缩抽取观点句中属性和观点词语，编码分析教师教学行为相关观点，分析教师教学行为与学习者课程评价的相关性，提出在线学习中教师教学行为发展建议。

二、研究现状

（一）观点挖掘应用研究

观点挖掘（opinion mining）是多学科交叉研究领域，涉及自然语言处理、机器学习、信息抽取、数据挖掘等方法和技术。当代汉语词典中对“观点”的定义是：①观察事物时所处的位置或采取的态度;②对事物或问题的看法。观点挖掘侧重挖掘观点持有者的看法和立场。观点挖掘一词最早是由Dave等人在国际万维网大会WWW会议上提出的（Dave， et al.， 2003）。此后潘波等做了比较深入的研究（Pang & Lee， 2008; Liu， 2012）。从观点挖掘数据分析粒度来看，有多文档级、篇章级、段落级、句子级、词汇级，分析粒度趋于精细化（Cambria， et al.， 2013）。

在教育领域，刘清堂等（Liu， et al.， 2017）用观点挖掘分析教师反思性思维，为教育政策制定者、教师培训管理者、教育研究者提供建议。普渡大学Chen等（Chen， et al.， 2014）着重分析工程类专业学生在推特上对学习问题及困难的分享帖，通过分析发现工程类专业学生面临学习负担过重、缺少社交活动、熬夜等问题。哈佛大学Reich等（Reich， et al.， 2015）在MOOC平台中运用观点挖掘主题模型，深入分析学生自我检测动机，识别学生讨论主题，探究课程评价反馈模式。在MOOC环境下，Yang等（Yang， et al.， 2014）使用主题模型分析论坛和学生社交网络，预测学生社群中的人员流失。日本学者Kumakawa（Kumakawa， 2017）运用观点挖掘聚类分析工程领域大一新生的学习海报和其中包含的重要关键词。西班牙学者Romero等（Romero， et al.， 2013）对学习计算机科学课程的114名大学生在一年期间在论坛中产生的文本进行观点挖掘和分析，预测学生期末表现，以便于教师针对预测结果采取干预措施。

（二）教师教学行为研究

教师教学行为是教师激发、保持、促进学习者学习的所有行为，即对学习者学习行为的指导、支持、服务行为的总和（李松林， 2005）。教师教学行为是复杂的社会行为，具有情境性（朱厚玉， 2013）。研究者从不同的角度，对教师教学行为提出了自己的分类，如表1。弗兰德斯（Flanders， 1974）的FIAS交互分析根据教师教学言语行为的直接影响和间接影响，将课堂教学中的教师行为分为：接受感、表扬/鼓励、认同/采用学生的想法、提问、讲授、指导、批评/调整权威。斯蒂格勒等（Stigler， et al.， 1999）在课堂录像分析TIMSS中将教师言语行为分为：提问、讲授、指示、接纳学生观点、回答学生提问、回答自己提问。傅德荣等（2001）的S-T分析依据视听传递信息行为，将课堂教学中教师行为分为：解说、示范、板书、借助媒体提示、提问与点名、评价与反馈。施良方等（1999）按教师的行为方式与功能将教师教学行为分为主教行为、助教行为和管理行为。其中，主教行为即主要教学行为，包括呈示行为、对话行为、指导行为;助教行为即有助于教学的行为，包括培养激发学习动机、有效课堂交流、课堂强化技术、积极教师期望;管理行为分为行为问题管理、课堂管理模式、课堂时间管理。刘繁华（2004）将网络教学中教师教学行为分为教学设计行为、教学准备行为、教学组织行为、教学评价与反馈行为。高巍（2012）按教师的课堂教学表现及其功能，将教师教学行为分为陈述、指导、展示、提问、反馈、管理、观察、倾听、反思、评价。顾小清等（2004）在FIAS、TIMSS、S-T分析的基础上融入了技术。韩后等（2015）改进了顾小清提出的教师操纵技术的具体行为。张屹等（2016）将教师技术评价行为融入教师言语和技术行为中，分析智慧教室中教师和学生互动行为的特征。

综上所述，观点挖掘技术在教育领域学习分析中已有较多应用研究，但有关教师教学行为的学习者观点研究还相对较少。目前，教师教学行为研究大多在课堂教学情境中进行，从研究者视角分析不同的教师教学行为。但是，从学习者视角研究教师教学行为更有利于其发展。本研究运用自然语言处理技术处理分析在线学习者生成的评论文本数据，深入分析学习者对教师教学行为的观点，并进一步分析教师教学行为与学习者课程满意度的相关性，提出改进教师教学行为的策略。

三、研究设计

（一）研究问题及假设

本研究的问题是在线学习情境中，学习者对教师教学行为的观点极性以及不同教师教学行为与学习者课程评价的相关性。针对研究问题，提出以下研究假设：

H1：教师主教行为与学习者课程评价正相关;

H2：教师助教行为与学习者课程评价正相关;

H3：教师管理行为与学习者课程评价正相关。

为验证以上研究假设，设计了在线学习者观点挖掘研究框架，学习者观点抽象模型，观点句压缩抽取的属性词、观点词抽取规则以及教师教学行为编码表。研究以某云课堂中一门课程为例，分析在线学习者对教师教学行为的观点，并为在线教师教学行为发展提出建议。

（二）研究框架

本研究主要分为数据获取与处理、学习者观点挖掘、教师教学行为分析、研究结论四部分。研究框架，获取学习者课程评价数据。运用爬虫获取在线学习平台中学习者某课程评价数据，获取的数据包括学习者、评论时间、课程评分、评价内容等。

课程学习者观点挖掘主要分四步，分别是观点抽象、观点句识别、观点词与属性词抽取、观点极性判断。观点抽象：学习者观点挖掘关键在于构建学习者观点抽象模型，确定需要挖掘的学习者观点信息要素，将学习者观点抽象为结构化数据。观点句识别：在获取的学习者课程评价内容中并非每个句子都包含观点，需运用自然语言处理技术识别评价内容中的观点句。观点词与属性词抽取：学习者对评价对象的态度和立场是从属性词与观点词中获取的，抽取属性词和观点词能获取观点信息主要内容。观点极性判断：根据抽取的观点词，运用词典匹配判断学习者观点，将观点极性分为积极、中立、消极三类，同时筛选出学习者对教师教学行为的观点。

教师教学行为分析主要分四步，分别是编码表设计、编码、信效度检验、相关性分析。编码表设计：考虑在线学习情境与课堂教学情境下，教师教学行为的差异，设计在线学习中教师教学行为编码表，提供教师教学行为编码量化依据，同时提出教师教学行为与学习者课程评价相关性的研究假設。编码：依据教师教学行为编码表将学习者观点转化为量化分析内容。信效度检验：随机抽样检验编码工具和编码结果信效度并修正编码工具。相关性分析：分析某一类型的教师教学行为与学习者课程评价的相关性，检验研究假设，从而得到研究结论。

（三）学习者观点抽象模型

学习者观点抽象模型的作用是将非结构化文本数据表示为结构化信息。观点挖掘是为了获取观点持有者的态度和立场。要从非结构化文本数据中获取观点信息，首先需要抽象学习者观点，将观点信息结构化。现有的观点挖掘抽象模型主要有三元组、四元组、五元组等。三元组的要素有<观点持有者，对象，态度>，四元组有<主题（Topic），观点持有者（Holder），陈述（Claim），情感（Sentiment）>（Kim & Hovy， 2004）。五元组是<实体（[ej]），属性（[ajk]），情感极性（[soijkl]），发布者（[hi]），发表时间（[t1]）>（Liu & Zhang， 2012）。五元组中[soijkl]表示观点持有者[hi]对实体[ej]的特征[ajk]在[t1]时刻的观点态度或立场。五元组与三元组相比，增加了评价对象属性和观点发表时间，能获取观点持有者细粒度的观点信息。五元组与四元组相比，增加了观点发表时间，有利于对比记录学习者观点变化。

研究根据Liu等人（2012b）的观点五元组构建学习者观点抽象模型。实体[ej]是学习者观点中的评价对象，可以是人、主题、知识点、事件、服务、产品等。属性[ajk]是被评价对象的某一个方面或特征，每一个实体都有属性集[a]。例如：教师教学行为、学习资源质量、学伴等，不同的教师教学行为是该实体的属性，每一种教师教学行为都是该实体的一个子集。如：讲授、提问、演示、指导等教学行为。观点极性用[oijkl]表示学习者[Li]在[t1]时刻对实体[ej]的某属性[ajk]的观点态度和立场。本研究按照三分类将学习者观点极性分为积极、消极、中立，着重分析积极和消极观点极性。不同学习者对同一实体和属性的观点有差异，即使同一学习者也可能在不同时间产生不同的观点。因此，有必要抽取观点持有者和观点发布时间，这也是本研究选取观点五元组获取学习者观点的原因。

在模型五个要素中学习者、发表时间是获取文本数据时的元数据，可直接抽取。实体是学习者观点中的评价对象，由于学习者产生的文本数据零散，评价对象范围广，实体可预先确定，或运用主题模型分类聚类确定。在本研究中预定实体为教师教学行为。属性、观点极性是观点信息抽取的关键部分，需要运用自然语言处理技术处理，结合依存句法分析获取文本数据中的关键属性观点词信息。

（四）研究方法与工具设计

研究设计了观点句中抽取属性词和观点词的压缩抽取规则以及教师教学行为编码表。研究主要运用到的研究方法有自然语言处理和内容分析。研究工具有哈尔滨工业大学的语言云LTP、IBM统计软件SPSS，LTP用于依存句法分析，SPSS用于相关性分析。数据预处理后，首先，结合学习者观点抽象模型，运用自然语言处理技术中的依存句法分析，从观点句中抽取五要素中的属性词与观点词;然后，分类抽取学习者与教师教学行为相关的观点，分析观点极性;最后，根据教师教学行为编码表，分析教师教学行为与学习者课程评价的相关性，提出在线学习中教师教学行为发展建议。

1. 属性词与观点词抽取

（1）观点句识别

前期观点挖掘研究表明，通常显式属性词词性为名词，观点词词性为形容词、动词或副词，观点句中包括主谓关系（SBV）和定中关系（ATT）（Che， et al.， 2015）。因此，运用哈尔滨工业大学的语言云LTP分析词性标注和依存句法，筛选出评价内容中包含词性为名词、形容词、动词或副词的句子，或句法结构中包含SBV关系或ATT关系的句子。图中文字下方词性标注[n]表示名词，[v]表示动词，[d]表示副词，[a]表示形容词;文字上方依存句法分析HED表示整个句子核心，SBV表示主谓关系，COO表示并列关系。

（2）压缩句子抽取属性词与观点词

借鉴车万翔等人提出的句子压缩规则，考虑到学习者生成文本的语法特性，制定观点句中属性词[a]和观点词[o]之间的句法压缩规则，见表2。句法压缩规则主要围绕句子主谓关系、定中关系、观点词或属性词并列关系制定压缩规则。规则中“*”表示任意词性词汇。

在符合以上句法结构的句子中，设计算法抽取句中名词为属性词，抽取句中形容词为观点词。但是，除以上压缩规则之外，学习者生成评价数据中可能存在一些特殊类型，需要人工校验压缩以获得更高准确率。这些特殊类型有：①对比部分。例如：老师比我预计的讲得好。压缩句为：老师讲得好。②句首的副词修饰语。例如：相对于其他课程来说内容易于理解是课程的优势。压缩句为：内容易于理解是课程的优势。③观点词前的副词修饰语。例如：老师看着感觉幽默。压缩句为：老师幽默。④特殊副词搭配。例如：在教学设计方面非常合理。压缩句为：教学设计非常合理。⑤缺主語。例如：给人学习体验很好。压缩句为：学习体验很好。⑥插入语和感叹词。例句：好实用的辅助学习材料哇，哈哈。压缩句为：好实用的辅助学习材料。⑦口语化词汇或短语。例如：再加上老师讲课生动。压缩句为：老师讲课生动。⑧连接词或短语。例如：但是老师讲得有趣。压缩句为：老师讲得有趣。

2. 教师教学行为编码表

综合弗兰德斯、斯蒂格勒、傅德荣、施良方等学者关于课堂教学情境下教师教学行为的前期研究，并考虑到在线教学情境，制定了教师教学行为编码表，见表3。

四、研究过程

（一）研究对象

选取的研究对象是某云课堂中选修“JAVA 零基础入门”并发表课程评价观点的学习者。该课程于2016年开设，每位学习者都能发表课程评价，也可自由选择发表课程评价文本。截至2018年1月共选取3，154位学习者的课程评价数据。

（二）数据预处理

1. 去除重复冗余数据

学习者课程评价数据中存在重复冗余数据，首先需要删除数据中重复和无实际意义的内容。经过数据观察发现，评价内容中有广告、纯数字、纯链接，包括感叹词、象声词。比如：“买学习资源上XX网”“12345”“www.xxx.com”“哈哈”等。

2. 分词与词性标注

中文观点挖掘与英文不同，英文单词之间有空格作为分隔符，但中文词汇之间不存在分隔符，需要分词操作并标注词性。目前已有较为成熟的中文分词工具可实现分词和词性标注，如NLPIR、语言云LTP。除分词软件以外，软件中的分词程序包也可以进行分词操作，如R语言中的Rwordseg和Python中的jieba分词。

3. 去停用词

观点句中包含一些符号和不影响表达学习者观点的词语，为提升数据处理速度和效率，使用哈尔滨工业大学停用词表，调用jieba分词去停用词。哈尔滨工业大学停用词表中的停用词包括符号、序号、中文词汇等。比如：“①②③……”“换句话说”“换言之”“或”“或是”等。

（三）学习者观点挖掘

根据所构建的学习者观点抽象模型，将学习者观点抽象为五要素[<ej]（实体），[ajk]（属性），[oijkl]（观点极性），[Li]（学习者），[t1]（发表时间）[>]，在学习者观点五要素中挖掘学习者观点以及观点极性。文本预处理后，从3，154位在线学习者课程评价内容中获得可用数据记录1，073条。

运用语言云对1，073条记录中的评价内容做依存句法分析，筛选出评价内容中包含词性为名词、形容词、动词或副词的句子，或句法结构中包含SBV关系或ATT关系的句子。经过语言云依存句法分析后，筛选出包含观点的数据记录562条，其中125条数据记录为复合句，能够运用依存句法分析从这些复合句中抽取多个SBV关系或ATT关系，即复合句中包含多个实体属性的观点。根据本研究制定的九种观点句压缩规则，分别对562条记录中的评价内容压缩抽取属性词和观点词，共抽取观点记录687条。属性词和观点词与其他观点要素的抽取结果。对属性词和观点词抽取结果进行分析，将结果分为三大类，分别是与教师、资源、学伴评价相关的观点内容。其中，与教师相关的观点为329条，与资源相关的观点为306条，与学伴评价相关的观点为52条。

分别统计在线学习者对教师、资源、学伴三方面评价的总体观点极性。在线学习者评价中与教师相关的积极观点为211条，消极观点为81条，态度中立为37条;与资源相关的积极观点为196条，消极观点为71条，态度中立为39条;与学伴评价相关的积极观点为12条，消极观点为40条，未发现态度中立的观点记录。在学习者观点记录中，围绕教师评价的内容居多，且观点极性多数趋于积极。

（四）教师教学行为分析

根据设计的教师教学行为编码表（表3），分析学习者观点中与教师教学行为数据相关的内容。为发现学习者观点内容中的隐含信息，并检验学习者观点挖掘准确率，聘请两位教育技术专业的研究生，分别对教师相关观点数据进行分类编码，复核学习者观点挖掘结果，观点极性采用1-5级分类。其中，积极观点极性根据强弱，强的标记为5，相对弱的标记为4，中立标记为3;消极观点极性根据强弱，强的标记为1，相对弱的标记为2。即总体而言标记数字越大越趋于积极。例如：“老师讲得很详细，很全面。”运用语言云依存句法分析的结果，“老师”与“讲”之间存在SBV主谓关系，在“细致”和“全面”之间存在COO并列关系。将该句中的教师教学行为编码为T1，观点极性标记为5。

数据中与教师相关的观点为329条，两位研究生复核修改记录共128条。研究采用Kappa值估计编码分析信度，若Kappa>0.6则为信度良好（里夫， 等， 2010）。本研究的编码信度Kappa值为0.85，信度良好。编码表中教师教学行为观点数据数量及所占比例见表4，其中行为T2、S1、S2、A3无相关记录。教师讲授行为T1相关观点记录数为149条，所占比例为45.3%;教师演示行为T4相关观点记录数为53条，所占比例为16.1%。总体来看，主要教学行为所占总比例最大，其次是管理行为，助教行为所占比例最小。

本研究假设教师主教行为、助教行为、管理行为与课程评价具有相关性。从学习者观点中可获取学习者对不同教学行为的1-5级观点极性编码，这些教学行为有T1、T3、T4、S3、S4、A1、A2、A4。从获取的原始数据中可获得学习者对课程评价（CA）的1-5级评分。将同一位学习者对教师教学行为的观点极性与课程评价相对应，采用Pearson相关系数双尾检验衡量两变量之间的相关性。相关性分析结果见表5，表中N表示与该教学行为相关的样本数。

相关性分析结果表明：T1行为与学习者课程评价正线性相关，且相关系数达到显著水平;主教行为T3、T4与学习者课程评价的相关系数未达到显著水平，部分验证了研究假设H1。助教行为S3、S4与学习者课程评价线性相关系数未达到显著水平，而学习者观点中未提及S1、S2，因此不能验证研究假设H2。管理行为A1、A2、A4与学习者课程评价线性系数未达到显著水平，也不能验证研究假设H3。

五、研究结论

通过学习者观点挖掘和教师教学行为分析，可得到以下研究结论：

（1）主教行为（讲授、指示、演示）与学习者课程评价正相关。在学习者观点中出现的行为是讲授行为（T1）、指示行为（T3）、演示行为（T4）。教师讲授行为与学习者课程评价有显著线性相关关系。提问行为T2并未在学习者观点中出现，这与在线学习情境相关。在线学习环境下，教师与学习者时空分离，缺乏实时有效的沟通条件。学习者对教师指示行为和演示行为的观点记录较少。学习者对讲授行为观点数量所占比例为45.3%，演示行为观点数量所占比例为16.1%，此外的各种行为观点数量所占比例均未超过10%。

（2）助教行为（评价反馈、技术指导）与学习者课程评价的相关系数未达到显著水平。在线学习者观点中未出现表扬鼓励（S1）、批评（S2）行为的相关记录，评价反馈（S3）和技术指导（S4）的相关记录总和仅为19条。经过相关性分析，评价反馈行为和技术指导行为与学习者课程评价的相关系数未达到显著水平。异步环境下，助教行为与主教行为脱节，学习者未感受到助教行为的重要性，对助教行为的观点在各类观点中最少。

（3）管理行为（组织讨论、课程管理、辅助学习资源管理）与学习者课程评价的相关系数未达到显著水平。在线学习者观点中未出现学情分析（A3）行为的相关记录，组织讨论（A1）、课程管理（A2）、辅助学习资源管理（A4）行为的相关记录共54条。

六、讨论

运用学习者观点挖掘技术分析在线学习平台中学习者对教师教学行为的观点，根据研究结论，提出以下在线学习中教师教学行为发展建议：

（1）注重教师专业性发展，提升教师在线讲授、演示、指示行为的积极影响，实现教师与学习者的异步提问行为，设置问答奖励机制。在在线学习者观点中，讲授行为是学习者观点中出现最多的行为，与学习者课程评价相关性较高。由此可见，在线学习是“内容为王”，在线学习者出于自身知识需求，期望通过教师对知识的演绎获取知识。教师提问行为是激发学习者积极思考的有效手段，而目前在線平台中实时提问行为受限。可围绕教学内容设置在线问答奖励机制，促进教师和学习者异步问答互动。例如授课教师提问可获得平台的经验绩点，学习者回答问题可获得辅助学习资源下载积分。用问答奖励机制促进在线教师与学习者深度交互，帮助在线学习者获取知识。

（2）减轻教师教学任务，借力人工智能与大数据分析技术，将在线学习平台中的教师助教行为自动化、智能化。研究中虽然未出现学习者对教师表扬、鼓励、批评行为的观点，相关性分析亦表明评价反馈、技术指导与学习者课程评价的相关系数未达到显著水平，但在线学习中助教行为缺失并不利于学习者持续学习课程。对于数量庞大的在线学习者，教师要对每位学习者给予表扬、鼓励，给出评价、反馈等，人工难以实现。人工智能与大数据分析技术的发展为在线学习中教师助教行为的自动化、智能化带来了可能性。可以运用大数据分析技术分析学习者的学习情况，针对每位学习者的学习情况自动给予反馈。

（3）重视课程资源和辅助学习资源管理，积极组织在线讨论，促进在线学习者协作学习。课程资源以及辅助学习资源是在线开放课程的重要组成部分。教师对资源进行管理是保障学习者顺利开展学习的前提条件。教师组织和参与在线讨论能激发学习者在线学习的积极性，也有助于教师从学习者的讨论内容中进一步了解学习者的课程学习进度、遇到的困难等。在在线学习情境下，教师对各类资源进行优化管理有利于学习者获得良好的在线学习体验。

（4）完善课程评价模块，丰富在线学习者课程评价维度和功能，注重在线学习者观点数据挖掘。目前，在线学习平台强调资源建设，相对忽视学习者课程评价，且平台评价模块维度单一，功能并不完善。本研究选取的课程其学习者数以十万计，评论者超过千人，但对教师和课程资源的相关评价数量偏低。深入挖掘在线学习者观点，需在课程评价中引入有效的评价干预机制，激发学习者评价课程的积极性，获取学习者真实的观点信息，从而促进教师教学行为发展和资源质量提高。

[参考文献]

丹尼尔·里夫，斯蒂文·赖斯，弗雷德里克·G. 菲克. 2010. 内容分析法：媒介信息量化技巧（第二版）[M]. 嵇美云，译. 北京：清华大学出版社：154-157.

傅德荣，章慧敏. 2001. 教育信息处理[M]. 北京：北京师范大学出版社：94-96.

高巍. 2012. 教师行为与学生行为的关系解析[J]. 教育研究，33（3）：100-106.

顾小清，王炜. 2004. 支持教师专业发展的课堂分析技术新探索[J]. 中国电化教育（7）：18-21.

韩后，王冬青，曹畅. 2015. 1∶1数字化环境下课堂教学互动行为的分析研究[J]. 电化教育研究，36（5）：89-95.

李松林. 2005. 课堂教学行为分析引论[J]. 教育理论与实践（7）：48-51.

刘繁华. 2004. 网络教学中教师的教学行为研究[J]. 电化教育研究（4）：38-40，44.

施良方，崔允漷. 1999. 教学理论：课堂教学的原理、策略与研究[M]. 上海：华东师范大学出版社.

张屹，祝园，白清玉，等. 2016. 智慧教室环境下小学数学课堂教学互动行为特征研究[J]. 中国电化教育（6）：43-48.

朱厚玉. 2013. 教师教学行为设计的原理与技术[M]. 昆明：云南大学出版社：9.

CNNIC中国互联网数据平台. 2017. 第40次《中国互联网络发展状况统计报告》[DB/OL]. http：//www.cnnic.cn/hlwfzyj/hlwxzbg/hlwtjbg/201708/P020170803598956435591.pdf

Cambria， E.， Schuller， B.， Xia， Y.， et al. （2013）. New avenues in opinion mining and sentiment analysis. IEEE Intelligent Systems， 28（2）， 15-21.

Chen， X.， Vorvoreanu， M.， & Madhavan， K. （2014）. Mining social media data for understanding students learning experiences. IEEE Transactions on Learning Technologies， 7（3）， 246-259.

Dave， K.， Lawrence， S.， & Pennock， D. M. （2003）. Mining the peanut gallery： Opinion extraction and semantic classification of product reviews. Proceedings of the 12th International Conference on World Wide Web. ACM， 519-528.

Flanders， N. A. （1974）. Interaction analysis： A technique for quantifying teacher influence. Behavior Change， 1-16.

Kim， S. M.， & Hovy， E. （2004）. Determining the sentiment of opinions. International Conference on Computational Linguistics. Association for Computational Linguistics， 1367.

Liu， B.， & Zhang， L. （2012）. A survey of opinion mining and sentiment analysis. Chicago： Springer US.

Liu， B. （2012）. Sentiment analysis and opinion mining. Chicago： Morgan & Claypool Publishers.

Liu， Q.， Zhang， S.， Wang， Q.， et al. （2017）. Mining online discussion data for understanding teachers reflective thinking. IEEE Transactions on Learning Technologies， pp（99）， 1-9.

Pang， B.， & Lee， L. （2008）. Opinion mining and sentiment analysis. California： Information Retrieval.

Reich， J.， Tingley， D. H.， Leder-Luis， J.， et al. （2015）. Computer-assisted reading and discovery for student generated text in massive open online courses. Journal of Learning Analytics， 2（1）， 156-184.

Romero， C.， López， M. I.， Luna， J. M.， et al. （2013）. Predicting students final performance from participation in on-line discussion forums. Computers & Education， 68， 458-472.

Stigler， J. W.， Gonzales， P.， Kawanaka， T.， Knoll， S.， & Serrano， A. （1999）. The TIMSS videotape classroom study： Methods and findings from an exploratory research project on eighth-grade mathematics instruction in Germany， Japan， and the United States. Washington， DC： Education Statistics Quarterly.

Takehisa Kumakawa. （2017）. A text mining examination of university students learning program posters. Open Access Library Journal， DOI： 10. 4236/oalib. 1103639， pp. 1-6

Che， W.， Zhao， Y.， Guo， H.， Su， Z.， Liu， T. （2015）. Sentence compression for aspect-based sentiment analysis. IEEE/ACM Transactions on Audio， Speech， and Language Processing. 23（12）， 2111 - 2124.

Yang， D.， Wen， M.， Kumar， A.， et al. （2014）. Towards an integration of text and graph clustering methods as a lens for studying social interaction in MOOCs. International Review of Research in Open & Distance Learning， 15（5）， 214-234.

收稿日期：2018-03-27

定稿日期：2018-08-26

作者簡介：赵呈领，教授，博士生导师;胡萍，博士研究生，副教授。华中师范大学教育信息技术学院（430079）。

梁云真，博士，讲师，河南师范大学教育学院（453007）。

蒋志辉，博士研究生，副教授;黄琰，博士研究生，讲师;疏凤芳，博士研究生，讲师。华中师范大学教育信息技术学院（430079）。

责任编辑 张志祯