基于移動學(xué)習(xí)平臺使用的學(xué)習(xí)特征挖掘方法

姚佩 羅熠

（江西理工大學(xué)建筑與設(shè)計學(xué)院 江西·贛州 341000）

1 問題緣起

當(dāng)下，我國已經(jīng)進入數(shù)字教學(xué)時代，知識和信息的邊界逐步模糊，二者本身已經(jīng)不再成為制約人類知識增長的關(guān)鍵因素。多渠道獲取海量知識的途徑將成為推動學(xué)習(xí)發(fā)展的重要手段，然而如何在便捷的知識獲取渠道下完成對信息與知識的再加工成為數(shù)字學(xué)習(xí)時代師生所面臨的重大問題之一。為此，學(xué)界便逐步開啟了對于移動學(xué)習(xí)以及移動學(xué)習(xí)平臺的研究，相關(guān)研究主要集中在以下幾個方面：

一是基于微信的移動學(xué)習(xí)平臺設(shè)計。這方面的研究強調(diào)了在微信APP的支撐下，進行移動學(xué)習(xí)平臺的搭建與運營。有學(xué)者研究指出，微信平臺本身就具有廣闊的社交能力，其所存在的社交屬性能夠幫助學(xué)習(xí)者獲取更多的學(xué)習(xí)資源和考試信息，因此基于微信平臺的移動學(xué)習(xí)平臺架構(gòu)便具有了一定的開發(fā)價值。[1]

二是移動學(xué)習(xí)策略研究。各類網(wǎng)絡(luò)教學(xué)平臺給學(xué)生提供了海量的學(xué)習(xí)資源，但需要有策略的推薦學(xué)習(xí)資源，有目的的引導(dǎo)學(xué)生學(xué)習(xí)才能達到較好的學(xué)習(xí)效果。有學(xué)者指出，通過引入移動學(xué)習(xí)平臺工具在各科學(xué)習(xí)中的應(yīng)用，一方面能夠提升學(xué)生的彈性學(xué)習(xí)策略，另一方面也構(gòu)建起了良好的自學(xué)學(xué)習(xí)以及師生之間的協(xié)作學(xué)習(xí)的氛圍，最大達到通過構(gòu)建彈性移動學(xué)習(xí)策略提升學(xué)習(xí)效果的目的。[2]

三是基于移動學(xué)習(xí)平臺的學(xué)習(xí)特征研究。移動學(xué)習(xí)本身作為傳統(tǒng)學(xué)習(xí)方式的補充形式之一，它擁有了智能化的學(xué)習(xí)終端教學(xué)終端以及家長終端。因此，移動學(xué)習(xí)平臺能夠支持教師對學(xué)生的成績及時、全方位以及個性化的學(xué)習(xí)反饋，這能夠有效提升教學(xué)質(zhì)量與效果，能夠通過對這些反饋的挖掘發(fā)現(xiàn)學(xué)生的多元化學(xué)習(xí)延展性。[3]李氣糾和楊常英認為移動學(xué)習(xí)平臺具有時間和空間融合的特征、教學(xué)及時性和交互性、教學(xué)成果直觀性。[4]

綜上所述，基于移動學(xué)習(xí)平臺的學(xué)習(xí)特征研究表明，移動學(xué)習(xí)平臺的反饋本身作為一種教學(xué)反饋，應(yīng)該被重視起來。此外，這種反饋也應(yīng)該被更為深層次地挖掘，從而明確相關(guān)反饋的含義。在此背景之下，本研究認為移動學(xué)習(xí)平臺的反饋本身作為一種重要的教學(xué)成果資源，理應(yīng)被有效挖掘。但傳統(tǒng)的挖掘方法無法針對大量的非結(jié)構(gòu)化數(shù)據(jù)進行意義挖掘，因此需要采用全新的自然語言挖掘方法。

2 基于CBVS的學(xué)習(xí)反饋文本的學(xué)習(xí)特征挖掘方法

本研究提出一種具有分類能力的知識特征挖掘框架，該框架融合了 BERT和變分子編碼器 VAE（Variational Auto-Encoder），用于挖掘基于移動學(xué)習(xí)平臺的教學(xué)反饋。該方法能夠有效挖掘?qū)W生的教學(xué)反饋文本中上下文語義之間的關(guān)聯(lián)。此外，BERT將預(yù)訓(xùn)練模型和下游任務(wù)模型結(jié)合在一起，使得BERT模型天然地支持文本分類任務(wù)，從而省略了在做文本分類任務(wù)時不需要對模型做修改。該方法可被概括為以下三步：一是將文本序列輸入至BERT模型進行編碼，從而獲取到隱藏層特征向量；二是進行VAE特征分類，該層需要對BERT輸出結(jié)果進行解碼，識別文檔中的關(guān)系觸發(fā)詞；三是使用譜聚類方法對上述結(jié)果進行圖關(guān)系表示，最終獲得知識結(jié)構(gòu)挖掘圖譜結(jié)果。

2.1 BERT編碼層

BERT模型于2018年被提出，它通過對海量文本的無監(jiān)督預(yù)訓(xùn)練（Pre-training）后，能夠在特定的下游任務(wù)上進行微調(diào)（Fine-tuning）。BERT模型內(nèi)部采用Transformer編碼結(jié)構(gòu)，這相較于基于時間序列的循環(huán)神經(jīng)網(wǎng)絡(luò)等模型的語義挖掘能力具有典型的提升作用，這也使得BERT模型擁有了更為強大的上下文語義信息捕捉能力。

2.2 變分自編碼器

變分自編碼器（Variational Auto-Encoder，VAE）是基于無監(jiān)督學(xué)習(xí)的深度生成網(wǎng)絡(luò)模型，由Kingma和Welling在2014年提出。該模型是自動編碼器的升級版本，其結(jié)構(gòu)跟自動編碼器較為類似，也由編碼器和解碼器構(gòu)成。相比于自編碼器，VAE更傾向于數(shù)據(jù)生成。正因如此，研究將BERT的詞向量結(jié)果輸入VAE，從而獲得更好的分類結(jié)果。VAE的最大特點是模仿自動編碼機的學(xué)習(xí)預(yù)測機制，在可測函數(shù)之間進行編碼、解碼。

2.3 譜聚類層面

譜聚類是從圖論中演化出來的算法，后來在聚類中得到了廣泛的應(yīng)用。它的主要思想是把所有的數(shù)據(jù)看作空間中的點，這些點之間可以用邊連接起來。通過對所有數(shù)據(jù)點組成的圖進行切圖，讓切圖后不同的子圖間邊權(quán)重和盡可能的低，而子圖內(nèi)的邊權(quán)重和盡可能的高，從而達到聚類的目的。需要說明的是，譜聚類有兩種切圖方式，分別為“RatioCut切圖”和“Ncut切圖”，本研究采取前者。

2.4 研究數(shù)據(jù)

基于既往移動學(xué)習(xí)平臺的教學(xué)反饋內(nèi)容而進行的自然語言處理研究，旨在揭示學(xué)生使用移動學(xué)習(xí)平臺的學(xué)習(xí)感受及其學(xué)習(xí)特征。因依據(jù)研究需要以及數(shù)據(jù)獲得的便利性，研究以江西理工大學(xué)數(shù)字媒體藝術(shù)專業(yè)學(xué)生使用的移動教學(xué)平臺的學(xué)習(xí)反饋作為原始資料，從而進行挖掘工作，以求幫助教師獲得更好的教學(xué)反饋情況。此外，需要說明的是本研究所收集到的學(xué)生反饋文字資料共計6萬余字。

3 研究結(jié)果

3.1 基于CBVS的學(xué)習(xí)反饋內(nèi)容挖掘

通過以上基礎(chǔ)統(tǒng)計信息，呈現(xiàn)出了教學(xué)反饋的多方面信息，但卻沒能有效挖掘出教學(xué)反饋的學(xué)習(xí)特征，因此研究根據(jù)CBVS的模型結(jié)構(gòu)框架，運算CBVS方法，從而得到了教學(xué)反饋內(nèi)容的學(xué)習(xí)特征矩陣，并使用譜聚類的方式對相關(guān)數(shù)據(jù)進行繪圖，在選取前排名前50的運算結(jié)果后，繪制下圖1：

根據(jù)譜聚類算法的衡量要求，研究在使用譜聚類算法時得到以下數(shù)據(jù)（見表1）：

根據(jù)CBVS的譜聚類結(jié)果圖可知，當(dāng)前的學(xué)習(xí)反饋挖掘大約形成了四個結(jié)構(gòu)中心，學(xué)習(xí)反饋的CBVS挖掘所呈現(xiàn)出“移動平臺”與“教學(xué)工作”并存的局面，且相應(yīng)的研究成果具有一定的交差特性，這樣顯示出基于移動平臺的學(xué)生學(xué)習(xí)特征具有典型的課程-問題導(dǎo)向特點。相關(guān)分析見下節(jié)。

圖1：基于CBVS的學(xué)習(xí)反饋特征結(jié)果圖

表1：譜聚類算法結(jié)果

3.2 研究結(jié)論

通過CBVS學(xué)習(xí)反饋內(nèi)容挖掘方法，研究獲得了“老師—學(xué)生”節(jié)點中心、“課程—內(nèi)容”節(jié)點中心、“學(xué)習(xí)—平臺”節(jié)點中心以及“信息—設(shè)備—發(fā)展”四個結(jié)構(gòu)中心。這些節(jié)點之間具有一定的交融性，表明基于移動學(xué)習(xí)平臺的學(xué)習(xí)特征之間具有一定的融合性，突顯出以下特征：

（1）基于移動學(xué)習(xí)平臺的學(xué)習(xí)特征反饋表明，學(xué)生的學(xué)習(xí)特征依舊遵循了“教師—學(xué)生”的節(jié)點規(guī)律。盡管基于移動學(xué)習(xí)平臺的學(xué)習(xí)使得學(xué)生與教師無法面對面進行交流，但教學(xué)內(nèi)容與知識的傳遞主體仍舊是教師與學(xué)生，移動學(xué)習(xí)平臺更多地承擔(dān)了教師與學(xué)生之間的學(xué)習(xí)溝通的橋梁。移動學(xué)習(xí)平臺的使用更多地起到了“聯(lián)通效果”，而較少地起到了學(xué)生自主學(xué)習(xí)以及逐步形成新的“學(xué)生—平臺”的映射關(guān)系。

（2）基于移動學(xué)習(xí)平臺的學(xué)習(xí)反饋表明，學(xué)生使用移動學(xué)習(xí)平臺會逐步形成學(xué)習(xí)協(xié)作體。CBVS方法的圖譜聚類結(jié)果呈現(xiàn)出了一定的向心特征，這說明基于移動學(xué)習(xí)平臺的學(xué)習(xí)效果具有一定的凝聚性。首先，基于移動學(xué)習(xí)平臺的學(xué)習(xí)會通過平臺的中介作用，將學(xué)生內(nèi)部之間的問題交流逐步引向某一焦點，并形成較為明顯的“課程—內(nèi)容”節(jié)點中心。圍繞課程內(nèi)容會使得學(xué)生們產(chǎn)出更多的疑問，而這些疑問一方面需要任課教師來進行解答，另一方面也需要學(xué)生通過移動學(xué)習(xí)平臺自主搜尋答案。“課程—內(nèi)容”的挖掘點體現(xiàn)了移動學(xué)習(xí)平臺與師生之間的人機交互性，這種人機交互逐步將學(xué)生與教師指向了課程內(nèi)容方向，因此才會逐步形成“課程—內(nèi)容”這樣的大聚類。

（3）基于移動學(xué)習(xí)平臺的學(xué)習(xí)反饋表明，學(xué)生使用移動學(xué)習(xí)平臺進行學(xué)習(xí)具有一定的視野廣闊性。CBVS方法的圖譜聚類結(jié)果從其文本挖掘的主題詞“知識”“資源”“數(shù)據(jù)”“發(fā)展”“問題”等信息中推斷，基于移動學(xué)習(xí)平臺的學(xué)習(xí)能夠引發(fā)學(xué)生對“發(fā)展知識”的渴望，呈現(xiàn)出了一定的視野廣闊性。相關(guān)詞匯表明，“信息—設(shè)備—發(fā)展”中心節(jié)點會越來越強大，側(cè)面說明了在信息化時代，學(xué)生使用移動學(xué)習(xí)平臺進行學(xué)習(xí)，一方面需要平臺提供良好的教學(xué)內(nèi)容，促進學(xué)生掌握基礎(chǔ)知識；另一方面需要平臺為學(xué)生的自主發(fā)展服務(wù)，培養(yǎng)學(xué)生的創(chuàng)造能力和創(chuàng)新能力，以開闊學(xué)生視野，獲得良好的教學(xué)效果。

4 結(jié)語

研究以“基于移動學(xué)習(xí)平臺的學(xué)習(xí)反饋挖掘”為主題，通過建構(gòu)起CBVS學(xué)習(xí)反饋挖掘方法回答了基于移動學(xué)習(xí)平臺的學(xué)習(xí)反饋具有何種意義的問題。結(jié)果表明：首先，基于移動學(xué)習(xí)平臺的學(xué)習(xí)特征反饋表明，學(xué)生的學(xué)習(xí)特征依舊遵循了“教師—學(xué)生”的節(jié)點規(guī)律；其次，基于移動學(xué)習(xí)平臺的學(xué)習(xí)反饋表明，學(xué)生使用移動學(xué)習(xí)平臺會逐步形成學(xué)習(xí)協(xié)作體；最后，基于移動學(xué)習(xí)平臺的學(xué)習(xí)反饋表明，學(xué)生使用移動學(xué)習(xí)平臺進行學(xué)習(xí)具有一定的視野廣闊性。盡管本研究使用CBVS方法作為基于移動學(xué)習(xí)平臺學(xué)習(xí)反饋內(nèi)容的挖掘方法，但其依舊存在一定的局限性。本研究僅構(gòu)建了數(shù)字媒體藝術(shù)專業(yè)學(xué)生的學(xué)習(xí)反饋，其他專業(yè)的學(xué)習(xí)反饋沒能夠被囊括進來，這或許會導(dǎo)致無法顯示更多的學(xué)習(xí)反饋的特征。今后的研究可擴大相關(guān)語料庫容量，從而推進基于移動學(xué)習(xí)平臺的學(xué)習(xí)反饋的學(xué)習(xí)特征認識。