一种基于语义理解的教师情感关怀特征检测方法及系统

技术领域

本发明涉及计算机信息处理领域，具体涉及一种基于语义理解的教师情感关怀特征检测方法及系统。

背景技术

在线教学活动中教师为学生提供情感支持和关怀的重要作用日益凸显，对提高学习者学习动机、促进学生自我调节学习、提升学生在线学习投入、表现和发展具有重要影响。开展在线教学环境中教师情感关怀特征检测研究有利于准确了解教师情感关怀状况和机制，对促进师生有效交流互动、提升在线教学效果具有重要意义。目前在线教学环境中教师情感关怀特征检测研究以主观数据为主，难以标准化、规模化开展。当前教师情感关怀特征检测中存在的困难：(1)缺乏对文本内容的情感极性和分类的综合处理，难以全面识别体现教师情感关怀特征；(2)评价手段和方法以问卷调查为主，数据来源和依据受主观影响较大，数据客观性、准确性难以保证；(3)缺乏统一的检测模型和流程，检测重点难以统一规范，致使规模化、自动化、客观化的教师情感关怀特征检测难以实现。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于语义理解的教师情感关怀特征检测方法及系统，其目的在于，对在线教学活动中教师情感关怀特征进行自动识别和全面检测，理清教师情感关怀现状和机制，促进在线教学环境中师生有效互动和提升在线教学效果。

本发明的目的是通过以下技术措施实现的。

本发明提供一种基于语义理解的教师情感关怀特征检测方法，包括以下步骤：

(1)教师情感关怀特征框架构建。确定教师情感关怀特征，建立包含关注、理解和鼓励的教师情感关怀特征框架。

(2)教师情感关怀特征检测模型建立。采用语义理解技术提取教师在线反馈文本内容的情感表征信息，确定情感关怀特征分析问题，建立教师情感关怀特征检测模型，通过情感极性分类和情感关怀特征指标匹配，实现对情感关怀特征的有效检测与处理。

(3)检测结果可视化反馈。计算教师个体和群体的情感关怀特征检测结果，采用折线图、三维散点图可视化处理检测结果，形成并反馈教师情感关怀特征的可视化检测结果。

本发明还提供一种基于语义理解的教师情感关怀特征检测系统，包括以下模块：

框架构建模块，用于建立包含关注、理解和鼓励的教师情感关怀特征框架，并存储到评价指标表中；

数据采集模块，用于采集教师在线反馈文本内容，包括教师ID、相关内容、时间，并存储到文本数据表中；

样本准备模块，用于分别针对情感极性分类、情感关怀特征指标匹配任务，准备对应的样本语料，并存储到训练样本表中；

情感关怀特征检测模块，用于建立教师情感关怀特征检测模型，对教师在线反馈文本内容的语义信息进行判断，识别检测教师情感关怀特征，并存储到分析数据表中；

模型训练及检验模块，用于对BERT、BERT+TextCNN、BERT+BiLSTM、BERT+TextRCNN、BERT+DPCNN备选检测模型进行训练检验，计算各备选检测模型的准确率计算、精确率计算、召回率计算和F1值，并存储到检验结果数据表中；

可视化呈现模块，用于采用折线图、三维散点图处理情感关怀特征检测结果，形成教师情感关怀特征的可视化检测结果。

本发明的有益效果在于：

构建全面的教师情感关怀特征框架，提出基于语义理解的情感关怀特征检测模型，通过对教师在线反馈文本内容的自动挖掘与语义理解，实现在线教学环境中教师情感关怀特征的智能识别与检测，填补了教师情感关怀特征研究空白，促进师生有效在线互动、提升在线教学效果。

附图说明

图1是本发明实施例教师情感关怀特征检测方法构建的总流程图。

图2是本发明实施例中教师情感关怀特征框架示意图。

图3是本发明实施例中教师情感关怀特征检测模型建立流程图。

图4是本发明实施例中网络学习空间中师生交互内容示意图。

图5是本发明实施例中教师个体的情感关怀特征检测结果示意图。

图6是本发明实施例中教师群体的情感关怀特征检测结果示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，本发明实施例提供一种基于语义理解的教师情感关怀特征检测方法，包括如下步骤：

(1)教师情感关怀特征框架构建。如图2所示，从社会情感互动角度确定教师情感关怀特征，建立包含关注、理解和鼓励的教师情感关怀特征框架。

(1-1)教师情感关怀特征确定。根据师生在线互动特点，从社会情感互动角度，确定教师情感关怀为教师对学生表达关注、理解和鼓励。因此，教师情感关怀特征包括关注、理解和鼓励。

(1-2)情感关怀特征框架构建。建立与教师情感关怀特征对应的情感关怀特征框架，该框架包括维度关注、理解和鼓励三个指标，其中：

关注指标：用于评价教师是否对学生行为、情绪状态表示关注和关心；

理解指标：用于评价教师是否对学生的困难和观点表示理解；

鼓励指标：用于评价教师是否鼓励学生参与学习活动。

(2)教师情感关怀特征检测模型建立。采用语义理解技术提取教师在线反馈文本内容的情感表征信息，确定情感关怀特征分析问题，建立教师情感关怀特征检测模型，通过情感极性分类和情感关怀特征指标匹配，实现对情感关怀特征的有效检测与处理。

如图3所示，所述教师情感关怀特征检测模型建立的具体过程包括如下步骤：

(2-1)教师在线反馈文本内容采集。面向各类在线教学活动，采集师生交互过程中教师为学生提供的反馈文本内容，包括长短句文本、长篇文章、表情符号。

(2-2)情感关怀特征分析问题确定。在情感关怀特征检测过程中，将正向情感文本作为教师情感关怀特征检测的前提条件，进一步判断正向情感文本的语义信息与关注、理解和鼓励指标的匹配程度，以此作为情感关怀特征检测依据。基于此，教师情感关怀特征分析问题E被确定为文本内容与情感关怀特征指标匹配问题G、文本情感极性分类问题H的组合。该问题可表示为如下公式：

其中，E(content

(2-2-1)文本内容与情感关怀特征指标匹配问题确定。G(content

其中，g为计算文本内容与情感关怀特征指标匹配度的函数；当当文本内容与情感关怀特征指标匹配时，g函数值为1，否则为0；L

(2-2-2)文本情感极性分类问题确定。文本情感极性分类指根据文本内容的词汇语义和关系判断该文本内容为正向情感或负向情感，问题可表示为如下：

其中，H为计算文本内容情感极性类别的函数，H(content

(2-2-3)情感关怀特征分析问题简化表示。由于与情感关怀特征指标匹配的正向情感文本才能作为检测的依据，则当且仅当H(content

其中，E(content

(2-3)教师情感关怀特征检测模型建立。针对上述情感极性识别和指标匹配的组合问题，使用自然语言处理和语义理解技术，将BERT、BERT+TextCNN、BERT+BiLSTM、BERT+TextRCNN、BERT+DPCNN作为备选检测模型进行训练检验，以建立最终的教师情感关怀特征检测模型。

(2-3-1)样本语料准备。分别准备针对情感极性分类和情感关怀特征指标匹配的样本语料，包括情感极性样本语料A和指标匹配样本语料B，如表1所示。情感极性样本语料A来源于新浪微博评论的公开数据集，该数据集包含10万条评论，每个评论被标记为正向情感或负向情感，通过删除乱码、空字符等无效评论，最终保留65535条数据。指标匹配样本语料B通过采集网络学习空间中师生交互内容(如图4所示)，并进行人工标注的方式获取，包括四种标签类别：与关注指标匹配的语料被标记为Label 1、与理解指标匹配的语料被标记为Label 2、与鼓励指标匹配的语料被标记为Label 3、与上述各指标均不匹配的语料被标记为Label 4。

表1样本语料数据集基础信息

(2-3-2)模型训练与确定。针对情感极性分类任务，将样本语料A分别导入BERT、BERT+TextCNN、BERT+BiLSTM、BERT+TextRCNN、BERT+DPCNN模型，并进行训练、优化和检验。针对情感关怀特征指标匹配任务，将样本语料B分别导入BERT、BERT+TextCNN、BERT+BiLSTM、BERT+TextRCNN、BERT+DPCNN进行模型的训练和检验。两个任务的模型参数设置基本一致，具体如下：文本序列长度设置为64，模型学习率learning rate的初始值设为10

情感极性分类任务使用F1值作为模型预测效果的评判指标；情感关怀特征指标匹配任务使用准确率Accuracy作为模型预测效果的评判指标。

Precison＝TP/(TP+FP)

Recall＝TP/(TP+FN)

F1＝(2×Precison×Recall)/(Precison+Recall)

Accuracy＝(TP

其中，Precison表示精确率，即预测为正向情感的语料中预测正确的样本比例；Recall表示召回率，即所有正向情感语料中被正确预测的样本比例；TP表示被正确预测为正向情感的样本数量，FP表示被错误预测为正向情感的样本数量，FN表示被错误预测为负向情感的样本数量；F1值是为了避免样本语料中正向情感和负向情感数量不匹配导致的模型效果判断失真而产生的，它通过综合分析精确率和召回率进行模型效果的整体评价。Accuracy表示情感关怀特征指标匹配的准确率，TP

分别检验在两类任务中各模型的预测效果，各模型在情感极性分类的效果如表2所示，各模型在情感关怀特征指标匹配的效果如表3所示。结果表明，BERT+TextCNN模型的效果最佳，因此将该模型作为最终的教师情感关怀特征检测模型。

表2各模型在情感极性分类的效果

表3各模型在情感关怀特征指标匹配的效果

(3)检测结果可视化反馈。计算教师个体和群体的情感关怀特征检测结果，采用折线图、三维散点图可视化处理检测结果，形成并反馈教师情感关怀特征的可视化检测结果。具体如下：

(3-1)检测结果计算。应用教师情感关怀特征检测模型处理教师在线反馈文本内容，获取各文本内容对应的情感关怀特征检测结果，并统计固定周期内教师发表文本内容与关注、理解、鼓励三个情感关怀特征指标关联的频次。

(3-2)结果可视化展示。应用折线图展示教师个体在固定周期内，教师发表文本内容与情感关怀特征关联的时序分布图，如图5所示；应用三维散点图展示不同教师群体在关注、理解、鼓励三个情感关怀特征指标的发布文本内容频次图，如图6所示。

本发明实施例还提供一种基于语义理解的教师情感关怀特征检测系统，包括以下模块：

框架构建模块，用于建立包含关注、理解和鼓励的教师情感关怀特征框架，并存储到评价指标表中；

数据采集模块，用于采集教师在线反馈文本内容，包括教师ID、相关内容、时间，并存储到文本数据表中；

样本准备模块，用于分别针对情感极性分类、情感关怀特征指标匹配任务，准备对应的样本语料，并存储到训练样本表中；

情感关怀特征检测模块，用于建立教师情感关怀特征检测模型，对教师在线反馈文本内容的语义信息进行判断，识别检测教师情感关怀特征，并存储到分析数据表中；

模型训练及检验模块，用于对BERT、BERT+TextCNN、BERT+BiLSTM、BERT+TextRCNN、BERT+DPCNN备选检测模型进行训练检验，计算各备选检测模型的准确率计算、精确率计算、召回率计算和F1值，并存储到检验结果数据表中；

可视化呈现模块，用于采用折线图、三维散点图处理情感关怀特征检测结果，形成教师情感关怀特征的可视化检测结果。

本说明书中未作详细描述的内容，属于本专业技术人员公知的现有技术。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进，均应包含在本发明的保护范围之内。