“線上學習”輿情分析與在線教學提升策略

郭榮榮，閔素芹

(中國傳媒大學 數(shù)據(jù)科學與智能媒體學院，北京 100024)

1 引言

自2020年1月，突如其來的新冠疫情對我國各個行業(yè)產生了巨大的沖擊。教育工作面臨空前未有的挑戰(zhàn)，開學時間不斷延后，網上教學成為教育教學新常態(tài)，科技與教育的融合得以深化。為做好防控措施，教育部決定實施2020年春季學期延期開學，提出“停課不停學”的舉措，全國各地認真落實教育部的通知，安排學生進行一段時間的線上學習。

網絡輿情分析不僅可以幫助研究大眾的情感變化，也可以為政府和媒體引導輿論趨勢提供建議。

它主要的辦法是利用網絡爬蟲，從知乎、微博等平臺爬取輿論數(shù)據(jù)信息，利用情感特征提取等方法對輿情數(shù)據(jù)進行分析處理。例如：王樹義等[1]、HAN等[2]以新浪微博為載體，利用Python完成數(shù)據(jù)采集，通過量化分析、情感特征提取等方法對爬取的數(shù)據(jù)做出分析，研究相關輿情信息的內容，探討輿情期間的公眾情感。同時在輿情分析中最為重要的一部分內容是情感分析，與它有關的應用研究也在迅速發(fā)展。張琛等[3]、譚熒等[4]、Isa Maks等[5]以搜索微博關鍵字的微博數(shù)據(jù)為信息基底，包括使用SnowNLP對語料進行情感傾向性抽取完成正負向的情感分類；總結在社交媒體平臺情感分析的適用方法并提出改進；為情感分析與觀點挖掘提出了詞典模型。由于疫情的原因，2020年春季學期的教學方式為線上教學，許多學者對于“停課不停學”的在線學習和教學展開研究。例如：劉燚和張輝蓉[6]、賈文軍等[7]通過網絡調查或采集新浪微博關于學生在線學習的情況，通過情感分析、詞頻統(tǒng)計的方法對數(shù)據(jù)進行分析，發(fā)現(xiàn)學生在線學習自主能力總體不高，教學平臺功能不完善和網絡卡頓問題比較明顯，并提出改善的有效建議。

本文以“線上學習”這一熱點事件為研究事件，基于“后羿采集器”爬取輿情數(shù)據(jù)，運用實證研究方法分析“線上學習”微博信息的時間序列、詞頻、詞云、文本情感，進而得出網絡輿情的傳播特征，有助于了解、引導網絡輿情。通過分析“線上學習”的輿情信息，可以了解學生的學習情況，并對這一輿情事件提出有效的建議。

2 研究方法

2.1 輿情信息獲取平臺

微博是指一種基于用戶關系信息分享、傳播以及獲取的通過關注機制分享簡短實時信息的廣播式的社交媒體、網絡平臺。它具有傳播性、便捷性、原創(chuàng)性的特點。通過爬取微博的數(shù)據(jù)研究，結果具有準確性和代表性。同時，新浪微博具有高級搜索功能，能夠依據(jù)需求按照特定的關鍵詞，在一定時間范圍內對微博用戶發(fā)表的微博內容進行搜索，這個功能為搜集輿情信息提供了便捷[8]。

2.2 輿情信息采集工具

“后羿采集器”是本次輿情信息采集的工具。它是一個網絡爬蟲軟件，可以提供豐富的采集功能，包含打開網頁、頁面滾動、循環(huán)翻頁等功能。因此，利用“后羿采集器”，可以對新浪微博指定時間范圍內的博文信息進行采集。

2.3 輿情數(shù)據(jù)來源

經過調查發(fā)現(xiàn)，大部分高校開展“線上學習”的時間是2月17日，故選取這一個月內的微博數(shù)據(jù)進行輿情分析。本文對2020年2月17日0時到2020年3月17日24 時之間(合計30天)以“線上學習”為關鍵詞的微博內容進行時段分割，每天為一小段，共計30段，每一小段按發(fā)文時間抓取微博，刪除重復數(shù)據(jù)和無效信息，共計9904條微博數(shù)據(jù)。每條微博爬取內容包含的是用戶昵稱、發(fā)文內容、地區(qū)、發(fā)文時間、評論數(shù)、轉發(fā)數(shù)等。

2.4 分析方法

2.4.1 詞頻分析

詞頻分析起源于情報學，通過詞頻分析可以敘述和預測事物發(fā)展的趨勢，判別事物之間的關聯(lián)性[9]。詞頻的一些波動與熱點事件的出現(xiàn)具有內在關聯(lián)。通過 Python的jieba[10]庫對博文內容進行分詞，統(tǒng)計詞語的出現(xiàn)頻數(shù)，并依據(jù)出現(xiàn)的頻數(shù)由大到小對詞語進行排序，作成高頻詞匯表。通過分析高頻詞匯，能夠反映出人們對某一社會熱點事件的整體態(tài)度、觀點。

2.4.2 詞云展示

詞云是一種基于語言分析技術對文本進行分析后產生可視化圖像的技術，可以直觀清楚地將關鍵信息顯示出來[11]。將Python的Jieba庫與Wordcloud[12]庫結合，制作詞云圖，圖中字體大小反映詞頻大小，清楚的展示了“線上學習”不同時間內受大眾關心話題的變化，并分析總結出微博用戶的情感變化，從而展示了微博用戶關注的輿情熱點信息。

2.4.3 情感分析

新浪微博用戶數(shù)量眾多，產生了很多用戶參與評論的熱點事件，從中搜集的新浪微博內容信息是屬于一分為二的極性研究，即“肯定”和“否定”。對于新浪微博的發(fā)文內容，利用Python的SnowNLP庫進行情感分析。可以對2月17日到3月17日的每一條微博進行情感分析，得到每天的每條微博的情感分數(shù)，再對每天的每條微博情感分數(shù)加權平均就可以得到這一天的情感分數(shù)，最后對得到的每天平均情感分數(shù)作出基于時間的排列，用Excel繪制折線圖，可以更清晰地顯示出微博用戶對于“線上學習”網絡教學平臺的情感變化趨勢。

3 輿情分析與討論

3.1 微博時間序列分析

2020年突如其來的新冠疫情對我國各行各業(yè)產生了巨大的沖擊。教育部先后下文，采取政府主導、高校主體、社會參與的方式，統(tǒng)籌各類在線教育資源，力求實現(xiàn)“停課不停學”，高等教育領域迅速掀起“線上學習”熱潮[13]。根據(jù)網絡輿情的周期演化理論，統(tǒng)計單位為天數(shù)，在微博上對以“線上學習”為關鍵詞的微博發(fā)文量進行時間序列分析。如圖1所示，得到日微博發(fā)布數(shù)量隨時間變化的曲線圖。

圖1 微博發(fā)布數(shù)量時間序列變化

由圖1可見，“線上學習”微博發(fā)布數(shù)量的曲線圖高低起伏，在線上學習期間工作日的發(fā)文數(shù)量明顯高于非工作日。通過分析博文內容可以發(fā)現(xiàn)其原因有以下三點：(1)學生上網課期間學習費力、課程內容學不會、自律性差，經常會做與學習無關的事；(2)學習場所從學校轉變?yōu)榫蛹疑瞽h(huán)境，從集體學習轉變?yōu)閭€體單獨學習；(3)發(fā)布微博的對象大多數(shù)為學生。當這些原因在網課期間出現(xiàn)的時候，這些學生往往會在微博發(fā)布相關言論，因此就使得微博數(shù)量波動、工作日發(fā)文數(shù)量高。同時，也符合實際情況疫情居家學習學生發(fā)布微博討論的時間特點。總體而言，微博發(fā)文數(shù)量曲線符合實際規(guī)律，并且在周一達到了幾次的高潮點。

3.2 微博地域分析

將“線上學習”微博數(shù)據(jù)信息依據(jù)地域進行數(shù)量統(tǒng)計，統(tǒng)計了我國34個省級行政地區(qū)(包括臺灣、香港、澳門)和海外/其他地區(qū)的輿情信息數(shù)量情況，詳細統(tǒng)計結果如表1所示。分析表1的數(shù)據(jù)可以知道，這一個月內微博發(fā)文數(shù)量最多的地域是北京，然后是安徽、河南、江蘇等地，發(fā)布微博數(shù)量最少的地域是西藏。

表1 微博地域分布統(tǒng)計表

“線上學習”輿情信息地域分布情況如圖2所示，從圖2可以看出微博關于“線上學習”輿情信息數(shù)量最多的地區(qū)是北京和廣東，其次是分布在我國東部、東南部地區(qū)，中部地區(qū)也有較多的微博發(fā)文數(shù)量，而在我國的西北部、西南部地區(qū)有關“線上學習”的微博發(fā)文數(shù)量就比較少。

圖2 微博信息地域分布情況

3.3 微博用戶關注話題

詞頻分析在網絡輿情研究中被廣泛應用，通過分析博文內容的高頻詞語，能夠反映出人們對“線上學習”事件的態(tài)度和觀點。微博用戶發(fā)布的博文內容能夠反映出“線上學習”的網絡輿情熱點。通過對博文內容的詞頻分析，獲取高頻詞語，得到頻數(shù)排名前10的詞語如圖3所示。

圖3 詞頻分析柱狀圖

其中“學習”、“線上”、“疫情”這些詞跟事件直接相關，因此出現(xiàn)頻次最高。

此外，“教學”、“教育”的出現(xiàn)頻次也比較高，表明在新冠肺炎疫情防控的時期期，全國各個學校積極配合教育部提出的“停課不停學”的措施，開展線上教學方案。同時，還有兩個角色“學生”和“老師”的出現(xiàn)頻次也很高，這是因為線上教學期間，在物理空間上老師和學生被迫分離，老師的主導作用減弱，學生的自主學習能力則需增加[6]。然而傳統(tǒng)的教師心中更難以接受與適應，新型的“教為主導，學為主體”的師生關系也將受到挑戰(zhàn)，從而引發(fā)了熱議?？傮w來說，微博用戶對于“線上學習”關注的話題是較為積極的，高頻詞語中并未出現(xiàn)任何消極的詞語，人們關注的話題是如何更好的在疫情期間展開教學。

在詞云統(tǒng)計圖中，字體越大表明詞語出現(xiàn)頻次越多。圖4為詞頻排名前32的詞語可視化分布圖。除去圖3詞頻分析柱狀圖上的這些高頻詞語，可以看到此外的其它熱議話題。首先“直播”、“網課”、“在家” 等詞匯在詞云中清晰地呈現(xiàn)了出來，這表明了網課可以采用直播的方式進行實時教學，學習地點從學校搬到了家中。其次，詞云中還出現(xiàn)了“疫情”、“肺炎”、“開學”，反映了新冠肺炎疫情的產生，導致開學時間不斷延后，微博用戶不僅對此討論熱度增高，而且持續(xù)時間較長。此外，還有詞云圖上的“上課”、“作業(yè)”，“打卡”也較為明顯，研究發(fā)現(xiàn)微博博文中學生對于平臺體驗也發(fā)表了很多的言論，平臺體驗也是影響學生學習的重要因素之一。

圖4 線上學習話題詞云圖

3.4 微博用戶情感趨勢

3.4.1 情感傾向

在高頻詞語中，位于前面的都是對“線上學習”事件的客觀描寫，這些詞匯不帶有感情色彩。從詞頻分析的結果里，挑選出帶有感情色彩的詞匯，就能在一定程度上掌握微博用戶的情感傾向[8]。帶有感情色彩且出現(xiàn)頻數(shù)較高的詞語如表2所示。

由表2可知，微博用戶對“線上學習”事件的感情傾向大概分為2類：

(1)積極與努力?！凹佑汀薄ⅰ跋Ｍ?、“順利”這些詞的頻數(shù)出現(xiàn)很高，說明網絡輿論對“線上學習”的主流情感是正向的。大多數(shù)微博用戶對“線上學習”的教育模式表示贊同，并且對此保持一種積極正向的心態(tài)。以這些詞為關鍵詞檢索微博發(fā)文內容，發(fā)現(xiàn)“積極”表示各個學校對展開線上教學的高度配合，同時也體現(xiàn)了老師線上授課內容設計新穎，以激發(fā)學生線上學習的積極性與主動性；“努力”表示學習環(huán)境雖然局限于家中一隅天地，但是大多數(shù)學生還是有較強的自律性，能夠完成學習的目標；“順利”表示借助“騰訊會議”、“釘釘”等這些網絡平臺，教學、班會、活動可以用線上形式開展，并順利完成。

(2)困難。通過表2的數(shù)據(jù)可以看出來，“困難”出現(xiàn)的頻率很高。以“困難”為關鍵詞檢索微博發(fā)文內容可以發(fā)現(xiàn)產生困難的原因主要有兩個：(1)網絡卡頓。教師直播使用“學習通”、“一直播”、“ 騰訊會議”等軟件有時候會出現(xiàn)簽到閃退，頁面卡死，直播延遲這些問題，會造成學生聽課產生困難；(2)家庭困難。教育部在面對疫情的時期提出“停課不停學”的教育方針，并提出了“線上學習”的教學模式，但對于困難家庭的學生來說，因為缺少電腦、智能手機等終端設備，想要居家線上聽課并不是一件容易的事情。

3.4.2 情感變化

本文研究“線上學習”的微博發(fā)文內容時間是2020年2月17日到2020年3月17日，選取這一個月中間的日期3月2日(周一)為分界的日期，研究展開“線上學習”前后時間段內微博用戶的情感變化。對3月2日前后的微博發(fā)文內容利用Python進行詞頻分析，用來探究微博用戶的情感趨勢變化，分析結果如圖5所示，其中柱狀圖代表詞語出現(xiàn)的頻數(shù)，折線圖代表頻數(shù)與相應時間段內博文總數(shù)量的比值。

圖5 3月2日前后微博用戶的情感變化

從圖5可以看出，在3月2日之后，“堅持”、“喜歡”、“順利”這三個詞的出現(xiàn)頻率幾乎沒有變化。變化比較明顯的是“積極”、“困難”，相比于3月2日之前，出現(xiàn)頻率幾乎增長了一倍?！凹佑汀?、“希望”這二個詞出現(xiàn)的頻率相對于3月2日之前有點減小?！芭Α?、“認真”出現(xiàn)的頻率相對于3月2日之前略有增加。

“積極”出現(xiàn)頻率的增加，表明微博用戶在進行一段時間的“線上學習”后能夠逐步適應網課的教學形式，同時也表明了全國各地為了把在線教學工作做好都積極作出了有力的貢獻?！袄щy”一詞出現(xiàn)的頻率增加，以它為關鍵詞檢索博文，可以發(fā)現(xiàn)各地為了在特殊時期關心家庭困難的學生，調動各種資源，想盡各種辦法讓他們能夠進行線上的學習。在疫情防控的期間，努力做到“停課不停學，一個都不能少”，體現(xiàn)了國家關愛家庭困難學生的社會正能量。以上分析說明在展開“線上學習”的這一個月內，隨著時間的不斷變化，微博用戶對于“線上學習”的感情傾向也在不斷發(fā)生變化，通過對比可以發(fā)現(xiàn)隨著時間的增加“線上學習”的網絡輿情是朝向正能量的方向發(fā)展的。

3.5 線上教學平臺基本特征

3.5.1 線上教學平臺信源分布

從“線上學習”的信源來看，結果如圖6所示?？梢园l(fā)現(xiàn)有關教學平臺的輿情信息量中，“釘釘”約占整體的35%、“學習通”約占整體的34%，是線上教學平臺的主要渠道；“騰訊會議”約占整體8%；“慕課”約占整體8%；“雨課堂”約占整體6%；“騰訊課堂”約占整體5%。總體來看“釘釘”和“學習通”成為教學平臺輿論主要來源，總計占比達到73%。

圖6 線上學習期間教學平臺來源分布

3.5.2 線上教學平臺微博信息TF-IDF計算及Kmeans文本聚類

TF-IDF(Term Frequency-InversDocument Frequency)是一種經常用在信息分析和數(shù)據(jù)挖掘的技術。它是依據(jù)詞語在文檔中出現(xiàn)的次數(shù)和在整個語料中出現(xiàn)的文檔頻率來計算一個詞語在整個語料中的重要程度。它的優(yōu)點是能過濾掉一些常見的卻無關緊要的詞語，同時保留影響整個文本的重要字詞。計算公式如下所示：

TF-IDF=TF*IDF

其中TF(Term Frequency)表示某個關鍵詞在整篇文章中出現(xiàn)的頻率；IDF(InversDocument Frequency)表示計算倒文本頻率，文本頻率是指某個關鍵詞在整個語料所有文章中出現(xiàn)的次數(shù)，它是文檔頻率的倒數(shù)[14]。

從“線上學習”的微博數(shù)據(jù)下篩選出網絡教學平臺的微博數(shù)據(jù)，組成線上教學平臺的微博信息數(shù)據(jù)。通過利用Python分析計算線上教學平臺微博輿情信息的TF-IDF，得到的結果如圖7所示，可以發(fā)現(xiàn)“學習”、“教學”、“疫情”、“學生”等都是出現(xiàn)的高頻詞語，同時也是在這些線上教學平臺輿情信息里大眾普遍關注的主題。

圖7 TF-IDF關鍵詞

通過利用Python編程，Kmeans文本聚類的方法，可以將線上教學平臺微博信息進行簡單的文本聚類，結果如圖8所示。可以發(fā)現(xiàn)線上教學平臺微博輿情信息被聚為了兩類，黃色是輿情信息中積極主題的一類，黑色是輿情信息中消極主題的一類。

圖8 線上教學平臺微博輿情信息文本挖掘聚類

3.5.3 線上教學平臺微博用戶情感傾向

選擇Python的開源分詞庫Jieba進行中文分詞，得到分詞結果后的數(shù)據(jù)集，利用SnowNLP進行情感分析。SnowNLP情感分析得到的數(shù)值在0到1之間，當結果大于0.5時，情感較為積極，越接近1，情感越正向；當結果小于0.5時，情感較為消極，越接近0，情感越負面[15]。從“線上學習”的微博數(shù)據(jù)下篩選出網絡教學平臺的微博數(shù)據(jù)，進行分析每天的線上教學平臺微博情感分數(shù)變化，對情感分數(shù)結果做了取平均值的處理，如圖9所示。

圖9 線上教學平臺每日博文SnowNLP情感分析數(shù)值(平均值)

由曲線的變化趨勢來分析，這一個月內微博用戶對“網絡教學平臺”的情感態(tài)度大概可以分成兩個階段。第一階段為2月17日～3月9日，這段時間內微博用戶情緒上下波動，較不平穩(wěn)，出現(xiàn)了正負面情緒交替的狀態(tài)；第二階段為3月10日～3月17日，這段時間內微博用戶情緒從負面轉到了正面，逐步上升并且穩(wěn)定在正面的、積極的情感狀態(tài)。

“網絡教學平臺”第一個階段在2月17日～3月9日之間的波動較大。從圖9中可以看出其中2月17日，2月24日是最低值，通過分析可以發(fā)現(xiàn)在這兩天內為大多數(shù)高校開學的日期，由于在線人數(shù)過多，造成了“慕課”、“學習通”、“騰訊會議”軟件的崩潰并且出現(xiàn)了卡頓狀況，網課軟件崩了的消息一時間也成為微博的熱門話題，說明面對網課軟件的崩潰，微博用戶出現(xiàn)了強烈的不滿、擔憂的負面傾向。然而在其它的時間內也呈現(xiàn)了積極的情緒，這表示了網絡教學平臺的便利，能使得教學順利進行。

“網絡教學平臺”的第二個階段在3月10日～3月17日之間逐步爬升。從圖9可以看出經歷了3月10日的負值，到11日之后，轉變?yōu)檎?。這是因為經歷了一段時間的網絡教學后，3月10日“釘釘”等學習軟件再此崩潰，微博用戶對軟件的崩潰表現(xiàn)出了負向的情緒?！搬斸敾貞浖罎ⅰ币渤蔀槲⒉衢T話題，引起了強烈的討論。在3月11日之后情感數(shù)值變?yōu)檎?，這說明在第二階段，微博用戶對網絡教學軟件在態(tài)度上是積極向上的，在情緒上由擔憂轉向贊同。

4 在線教學提升策略

本文使用“后羿采集器”對微博“線上學習”話題進行數(shù)據(jù)抓取，利用Python的Jieba、Wordcloud庫得到“線上學習”的高頻詞語和詞云圖，并對采集到微博博文進行情感分析。結果初步驗證了微博用戶對在線學習的情感態(tài)度變化趨勢，總結了在這段時間內微博用戶關注的多個話題。研究發(fā)現(xiàn)的意義主要有以下幾個方面：

(1)微博用戶對“線上學習”事件頗為關注，積極討論引起了很高的熱度，體現(xiàn)了輿情信息的爆發(fā)性。輿論的主流傾向是對“線上學習”呈現(xiàn)積極的正向情感，希望能夠使得“停課不停學”的政策順利進行；

(2)通過分析高頻詞柱狀圖和詞云圖，可以發(fā)現(xiàn)線上學習期間微博用戶關心的熱點事件，大多數(shù)與如何更好地開展在線教學活動與如何更好地進行疫情防控有關，這體現(xiàn)了輿情的主要話題導向；

(3)通過微博用戶的情感變化，了解到“線上學習”開展時間的前后，情感傾向發(fā)生了變化并且輿情情感是朝著正能量積極的方向發(fā)生變化的，這與實際情況開展“線上學習”民眾的情感傾向相符合。同時，利用SnowNLP得到的情感分數(shù)，可以發(fā)現(xiàn)輿情情感也是朝向正向的情況發(fā)展。

依據(jù)研究結果，本文為在線教學工作提出幾點建議：

(1)借助線上教學契機，轉變教學方式。疫情期間線下教學及時轉向線上，是學校、老師、學生都沒有經歷過的新型教育模式，提出了新挑戰(zhàn)的同時也迎來了教育的新機遇，推動了教育教學方式的轉變[16]。開展高質量的線上教學，應該利用網絡技術設計以學生為中心的教學方式。老師在線上教學時候應該充分利用網絡信息化優(yōu)勢，及時掌握分析學生的學習進度以及學習過程中遇到的困難，從而保證線上學習的效果；

(2)合理使用電子產品，促進學生身心健康發(fā)展?！熬€上學習”不僅給學生近視防控帶來了很大的挑戰(zhàn)，而且疫情造成了部分學生焦慮、不認真學習的心理狀態(tài)，因此學校應當重視對學生的心理輔導，引導學生科學合理化的使用電子產品，控制好線上學習的時間，并應該注重培養(yǎng)好良好的用眼習慣；

(3)跟蹤輿情熱點，加強網絡管理。關注“線上學習” 網絡輿情不同時期的情感變化和可能出現(xiàn)的極性觀點，針對性地選擇內容重點進行推送，可以提高用戶的熱點話題的關注程度從而有效引導網絡輿論。同時，通過情感分析還能有效控制負面情緒，應該避免負向情緒匯聚過快導致的群體極化現(xiàn)象，營造良好的網絡輿情環(huán)境。