|
本文由《開放教育研究》雜志授權(quán)發(fā)布 作者：潘怡、葉輝、鄒軍華 摘要
一、引言 自2000年起，伴隨計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)及多媒體教育的興起，E-learning(吳戰(zhàn)杰，2013)發(fā)展迅速，在線學(xué)習(xí)與傳統(tǒng)課堂學(xué)習(xí)效果的比較成為研究熱點(diǎn)。盡管多數(shù)學(xué)者相信E-Learning的學(xué)習(xí)效果和傳統(tǒng)授課方式的效果類似，但仍有不少人堅(jiān)持認(rèn)為前者的學(xué)習(xí)效果有待改進(jìn)。美國Pew研究中心對2124名成人抽樣調(diào)查結(jié)果表明，僅29%的受訪者認(rèn)為在線學(xué)習(xí)與傳統(tǒng)課堂授課效果相似(Bell & Federman，2013)。究其根本，這與E-learning未能在講授者與學(xué)習(xí)者之間架起有效的溝通橋梁不無關(guān)系。由于講授者不能及時(shí)從學(xué)習(xí)者處獲得有效反饋，各類E-learning平臺(tái)目前僅能呈現(xiàn)較低層次的學(xué)習(xí)過程，講授者無法引導(dǎo)學(xué)習(xí)者展開深入探討。 文本情感分析，又稱情感分析(Sentimen Analysis)，采用數(shù)據(jù)挖掘技術(shù)對用戶發(fā)布文本中所包含的觀點(diǎn)、情緒等進(jìn)行分析，對用戶的情感傾向如“贊同”“反對”或“無所謂”等作出判斷。隨著Web2.0的興起與發(fā)展，用戶主動(dòng)發(fā)布信息越來越多，如各種新聞、產(chǎn)品評論、論壇帖子、Blog等，他們不僅是信息瀏覽者，也是信息提供者。這些由用戶主動(dòng)發(fā)布的信息往往表達(dá)了他們對某一主題或事件的看法，或?qū)δ骋划a(chǎn)品的意見，有的還蘊(yùn)含了用戶的興趣愛好和個(gè)性特征，反映了用戶對某一事物的情感或態(tài)度。如果將文本分類研究視角擴(kuò)展至發(fā)布在學(xué)習(xí)平臺(tái)上的評論，識(shí)別隱含其中的情感信息，發(fā)現(xiàn)學(xué)習(xí)者情感變化的規(guī)律，并將這些規(guī)律及時(shí)反饋給講授者，則有助于講授者判斷學(xué)習(xí)者對講授課程及講授方式所持有的情感傾向，從而調(diào)整授課內(nèi)容及方式，有效促進(jìn)E-learning的認(rèn)知深度，提高E-learning效果。 早在1997年，哈茲瓦斯羅和麥基翁就嘗試使用監(jiān)督學(xué)習(xí)方法(Hatzivassiloglou & McKeown，1997)，對英文詞語進(jìn)行情感語義傾向性判別，2002年龐等(Pang & Lillian，2002)提出了文本情感分類(Sentiment Classification)，并使用傳統(tǒng)的三種機(jī)器學(xué)習(xí)方法對電影評論按照“正面”和“負(fù)面”情感進(jìn)行分類。同年，特尼(Turney，2002)提出了基于情感種子詞與PMI的無監(jiān)督情感分類方法。2008年，第一屆中文傾向性分析評測會(huì)議(Chinese Opinion Analysis Evaluation)在北京召開，與會(huì)專家指出文本傾向性分析已成為自然語言處理的熱點(diǎn)。特征項(xiàng)選擇方式對分類算法效果有較大影響。王素格和朱嫣嵐等分別基于同義詞詞集和HowNet(《知網(wǎng)》)研究了中文詞匯的情感傾向(王素格，魏英杰，2008；朱嫣嵐等，2006)，陳建美等(2009)通過語法特征提取，利用條件隨機(jī)場(Conditional Random Fields)自動(dòng)發(fā)現(xiàn)情感詞匯；王根等(2007)利用多重冗余標(biāo)記CRFs分析句子的情感傾向；樊娜等(2009)利用主題概念和CRF研究了主題情感句的分析與提??；夏云慶等(2010)提出情感向量空間模型，并研究了歌詞情感分類的應(yīng)用，聞彬等(2010)和姚天昉等(2008)分別研究了文本情感分類和文本意見挖掘；王洪偉等(2010)對Web文本情感分類的研究進(jìn)行了探討，將情感分類分為主客觀分類、極性判別和強(qiáng)度判別三類任務(wù)，分析了情感分類中的語料庫選擇和研究難點(diǎn)。隨著情感分析技術(shù)的不斷成熟，目前許多大型公司都試圖應(yīng)用情感分析，挖掘用戶對產(chǎn)品的看法和意見，以此修改產(chǎn)品的相關(guān)設(shè)計(jì)或向用戶推薦符合個(gè)性需求的產(chǎn)品。例如，貝爾開發(fā)了產(chǎn)品評論意見挖掘系統(tǒng)(Bell & Federman，2013)，通過對用戶評論的分析，統(tǒng)計(jì)用戶對產(chǎn)品的意見，并以友好方式呈現(xiàn)，方便用戶選購時(shí)與其它產(chǎn)品進(jìn)行比較。 在教育領(lǐng)域，近年雖然出現(xiàn)了許多交互性E-learning平臺(tái)，學(xué)習(xí)者可通過留言板、資源評論、課程評論、教師評論等提交評論，但這些評論信息卻沒有得到有效利用，主要原因在于評論信息太多，且正面與負(fù)面評價(jià)相互摻雜，難以分析學(xué)習(xí)者的看法。如何應(yīng)用情感分析從這些評論文本中挖掘?qū)W習(xí)者對教育資源和網(wǎng)絡(luò)課程的情感態(tài)度，對E-learning的發(fā)展意義重大。本文首先從技術(shù)層面概括了文本情感分析的一般過程原理和技術(shù)，提出了情感分類在E-learning中的應(yīng)用模型，實(shí)現(xiàn)了評論文本情感分類引擎，并將其整合到“課程在線”中進(jìn)行應(yīng)用評價(jià)。本文為文本情感分析技術(shù)在教育中的研究與應(yīng)用跨出了第一步，希望能起拋磚引玉的作用。 二、文本情感分析及關(guān)鍵技術(shù) 情感分析有廣義和狹義之分。廣義情感分析包含分析文本中說話人的心理，狹義情感分析則主要判斷說話人關(guān)于某物或某事的觀點(diǎn)是“贊同”還是“反對”?？梢姡M義的情感分類實(shí)際上是一種文本分類，其基本過程和技術(shù)與文本分類近似，涉及領(lǐng)域同樣包括人工智能、Web文本分類、文本挖掘、心理學(xué)等。與自動(dòng)文本分類不同的是，傳統(tǒng)的文本分類目標(biāo)是挖掘文本主題的歸屬，不涉及用戶情感的內(nèi)容。本文探討的文本情感分類，主要是分析并判別分類文本中所包含的各種用戶情感信息，如積極或消極、肯定或否定、喜愛或厭惡等。 (一)基本過程 文本情感分類技術(shù)是文本分類技術(shù)的一種新形式，基本過程和分類算法與文本分類大致相同(見圖1)，主要區(qū)別在于特征提取階段。文本情感分類更注重情感特征的提取，而非主題特征的提取。 由圖1可以看出，文本情感分類過程依次經(jīng)過五個(gè)環(huán)節(jié)： 1)收集數(shù)據(jù)。要分析用戶對某一事物的情感態(tài)度，首先需要收集用戶的評論信息。目前，用戶評論數(shù)據(jù)的來源主要有網(wǎng)站留言板、產(chǎn)品在線評論、產(chǎn)品論壇、新聞評論等。 2)預(yù)處理。為了減少干擾，提高情感分類的效率和準(zhǔn)確性，在特征提取和分類前需要對文本進(jìn)行預(yù)處理。根據(jù)不同的文本特性和算法要求，預(yù)處理需要完成不同的任務(wù)。對中文文本，預(yù)處理一般需要進(jìn)行中文分詞、詞性標(biāo)注、去停用詞等操作。 3)主觀句識(shí)別。對長文本，往往需要借助情感語義詞典識(shí)別文本主觀性句子，以在后期分類階段進(jìn)行情感判斷。對內(nèi)容較短的評論文本，一般不需要經(jīng)過主觀句識(shí)別。 4)情感特征提取。情感特征提取是文本情感分類與普通文本分類的最大區(qū)別。情感特征提取需提取反映用戶情感傾向的文本特征詞匯，如形容詞、否定詞等。而普通文本分類中提取的是反映文本內(nèi)容主題的特征詞匯，如關(guān)鍵詞、主題詞等。因此，普通文本分類使用的TF-DF、信息熵、互信息以及卡方檢驗(yàn)等特征提取算法在文本情感分類中無法直接使用。對于情感特征的提取目前主要通過情感語義詞典實(shí)現(xiàn)。 5)文本情感類別判斷。提取文本的情感特征后，要構(gòu)建情感模型，并使用常規(guī)文本分類算法完成文本情感類別分析，其主要分類算法有樸素貝葉斯、支持向量機(jī)(Support Vector Machine，SVM)等。目前對情感模型研究相對較少，一般將評論文本的情感分正面、負(fù)面和中性三類。當(dāng)然，研究者也可以通過表意非常明顯的特征直接進(jìn)行判斷。 (二)基于情感單元的情感特征提取 情感特征提取是文本情感分析的主要任務(wù)之一。情感語義詞典是情感特征提取的主要來源，算法將隱含在文本中，表示情感的詞匯提取出來形成情感特征詞，然后將文本表示為向量空間模型SVM，提交給Bayes或SVM分類器進(jìn)行情感分類。但是，以詞匯為特征的向量空間模型存在以下問題： 1)無法消除某些與情感表達(dá)無關(guān)的詞匯；2)很多情感詞匯存在歧義，SVM無法消除詞匯歧義；3)基于情感詞匯的SVM沒有考慮否定詞和修飾詞在情感表達(dá)中的重要作用；4)評論文本一般較短，基于情感詞匯的SVM中特征詞匯過多，容易導(dǎo)致產(chǎn)生數(shù)據(jù)稀疏的SVM。針對以上問題，清華大學(xué)夏云慶等(2010)提出“情感單元”概念，在定義對象的情感特征時(shí)將情感單元作為其單位元素，組織構(gòu)成相應(yīng)的向量空間模型。 基于情感單元的情感特征包括以下三部分(夏云慶等，2010)： 1)情感詞典。它可形式化地描述為一個(gè)三元組L={C，N，M}，C={ci}，i=1，…，I；N={nj}，j=1，…J；M={mt}，t=1，…，T。其中C是情感詞集，每個(gè)情感詞都被賦予一個(gè)表示正面或負(fù)面極性強(qiáng)度的數(shù)值，正數(shù)表示正面情感，負(fù)數(shù)表示負(fù)面情感。N是否定詞集，M是修飾詞集，每個(gè)修飾詞用一個(gè)正數(shù)表示加強(qiáng)情感強(qiáng)度，用一個(gè)負(fù)數(shù)表示減弱情感強(qiáng)度。 2)情感單元。情感單元是在約定大小的上下文窗口中出現(xiàn)的情感詞、否定詞和修飾詞及其強(qiáng)度數(shù)值。它可形式化地表示為U={ci，nj，mt}，ci表示窗口出現(xiàn)的情感詞及其對應(yīng)的極性強(qiáng)度，nj表示窗口出現(xiàn)的否定詞及其頻率，mt表示窗口出現(xiàn)的修飾詞及其修飾強(qiáng)度。 3)情感特征。根據(jù)情感單元定義和漢語情感表達(dá)習(xí)慣，可總結(jié)如下6組12種情感特征(見表一)。 基于情感單元的情感特征去掉與情感表達(dá)無關(guān)的詞匯，通過上下文窗口能在一定程度上消除歧義，還考慮了否定詞和修飾詞對情感表達(dá)的置反作用等，能較好地提高情感分類的準(zhǔn)確性。此外，只有12個(gè)情感特征，向量維度低，不僅可避免數(shù)據(jù)稀疏，還能提高情感分類計(jì)算的復(fù)雜度。 三、應(yīng)用模型 在Web2.0技術(shù)影響下，E-learning平臺(tái)中學(xué)習(xí)者、教師、管理者之間的交互變得容易、頻繁、便捷。除同步視頻、在線聊天等實(shí)時(shí)、同步交互方式外，留言板、教育資源評論、網(wǎng)絡(luò)課程評論等延時(shí)、異步交互方式也扮演重要角色。E-learning相對于傳統(tǒng)教學(xué)的最大優(yōu)點(diǎn)在于它使學(xué)習(xí)可以發(fā)生在任何時(shí)間、任何地點(diǎn)。從這個(gè)角度講，延時(shí)、異步的交互方式比實(shí)時(shí)、同步交互方式更具重要作用。目前，學(xué)習(xí)者通過留言板、教育資源評論、網(wǎng)絡(luò)課程評論發(fā)布的正面信息與負(fù)面信息相互夾雜，使教師和管理者無法從中挖掘?qū)W習(xí)者的真實(shí)需求，嚴(yán)重阻礙學(xué)習(xí)者與教師和管理者間的交互。情感分類通過對評論文本的語義分析，判斷評論者對某一事物的情感態(tài)度，為評論文本的情感分類開辟了新道路。 通過對現(xiàn)有E-learning平臺(tái)各模塊的分析可知，情感分類最直接、最簡單的應(yīng)用就是對留言板、教育資源評論和網(wǎng)絡(luò)課程評論發(fā)布的信息進(jìn)行情感判斷，并按照情感分類顯示給學(xué)習(xí)者、教師和管理者。具體應(yīng)用模型見圖2。 將E-learning的評論文本引入情感分類，從系統(tǒng)架構(gòu)的角度看，需要從三個(gè)部分作出調(diào)整，它們分別為：E-learning平臺(tái)、E-learning管理平臺(tái)和數(shù)據(jù)存儲(chǔ)。從用戶使用角度看，情感分類會(huì)給三類成員帶來新的使用體驗(yàn)，他們是學(xué)習(xí)者、教師和系統(tǒng)管理員。 E-learning平臺(tái)的主要功能是供學(xué)習(xí)者瀏覽學(xué)習(xí)資源，學(xué)習(xí)網(wǎng)絡(luò)課程，與教師和其他學(xué)習(xí)者相互交流。引入情感分類后的E-learning平臺(tái)出現(xiàn)的最大區(qū)別在于：學(xué)習(xí)資源和網(wǎng)絡(luò)課程的評論信息按照情感極性分類顯示。學(xué)習(xí)者可較快了解某一學(xué)習(xí)資源或某門網(wǎng)絡(luò)課程的優(yōu)缺點(diǎn)，選擇更加適合自己的學(xué)習(xí)資源和網(wǎng)絡(luò)課程。 為了實(shí)現(xiàn)評論信息按照情感極性分類顯示，我們在系統(tǒng)模型中作了兩點(diǎn)調(diào)整：1)在留言板、資源評論和網(wǎng)絡(luò)課程評論中引入情感分類引擎，用于判斷評論信息的情感極性；2)在評論信息數(shù)據(jù)存儲(chǔ)中加入“情感極性”字段，用于存儲(chǔ)評論信息的情感類別和情感強(qiáng)度；3)在向?qū)W習(xí)者展示評論信息時(shí)，需要讀取數(shù)據(jù)存儲(chǔ)中保存的情感極性和強(qiáng)度，按照情感類別分組和按照情感強(qiáng)度排序顯示。 E-learning教學(xué)管理平臺(tái)的主要功能是讓教師上傳、發(fā)布和管理教學(xué)資源，遠(yuǎn)距離實(shí)時(shí)授課，布置學(xué)習(xí)任務(wù)，查看學(xué)習(xí)者留言并與學(xué)習(xí)者交流。引入情感分類后的教學(xué)管理平臺(tái)將使教師和管理者產(chǎn)生新的使用體驗(yàn)：他們面對的不再是混雜、海量的評論信息，而是一份正面評論與負(fù)面評論的統(tǒng)計(jì)報(bào)告，外加一段簡短的建議。要實(shí)現(xiàn)這種新的使用體驗(yàn)，教學(xué)管理平臺(tái)需作如下調(diào)整：1)從數(shù)據(jù)存儲(chǔ)中讀取評論信息的情感類別和強(qiáng)度，并進(jìn)行簡單的統(tǒng)計(jì)，如正面、負(fù)面評論的條數(shù)；2)對同類評論信息利用數(shù)據(jù)挖掘技術(shù)，發(fā)現(xiàn)評論的關(guān)鍵對象或?qū)傩?，并生成意見摘要?/p> 通過對上述應(yīng)用模型的分析可知，對評論文本引入情感分類后具有如下特征：1)學(xué)習(xí)者通過分類顯示的評論信息，可更清晰、快捷地發(fā)現(xiàn)優(yōu)質(zhì)的學(xué)習(xí)資源，選擇適合自己學(xué)習(xí)風(fēng)格的網(wǎng)絡(luò)課程；2)教師和管理人員通過評論信息統(tǒng)計(jì)報(bào)告和建議摘要，能夠制作滿足學(xué)習(xí)者需要的優(yōu)質(zhì)教學(xué)資源，解決教學(xué)問題，提高教學(xué)能力；3)通過對學(xué)習(xí)者評論信息的挖掘，發(fā)現(xiàn)學(xué)習(xí)者的學(xué)習(xí)風(fēng)格等特質(zhì)，提供個(gè)性化服務(wù)。 四、情感分類系統(tǒng)的實(shí)現(xiàn) 長沙學(xué)院“課程在線”是典型的E-learning系統(tǒng)，主要用于輔助課堂教學(xué)或網(wǎng)絡(luò)教學(xué)。教師可通過“課程在線”建設(shè)網(wǎng)絡(luò)課程，包括課程大綱、講義、課堂視頻和其它擴(kuò)展性學(xué)習(xí)資源，供學(xué)生下載；學(xué)習(xí)者可選修自己感興趣的課程，通過審核后便可進(jìn)入“課程在線”平臺(tái)瀏覽課程視頻，下載相關(guān)學(xué)習(xí)資源，與其他學(xué)習(xí)者和教師討論交流。學(xué)習(xí)者還可通過留言板、學(xué)習(xí)資源評論和課程評論三模塊發(fā)表評論信息。根據(jù)E-Learning評論文本的情感分類應(yīng)用模型，我們在三個(gè)評論模塊中引入情感分類技術(shù)，將評論信息按照情感極性分為正面評論、負(fù)面評論、中性評論，并統(tǒng)計(jì)每個(gè)類別評論的數(shù)量。 實(shí)現(xiàn)“課程在線”中評論文本的情感分類系統(tǒng)，關(guān)鍵在于情感分類引擎的實(shí)現(xiàn)。通過對情感分類基本過程及關(guān)鍵技術(shù)的研究，情感分類引擎中關(guān)鍵模塊的技術(shù)實(shí)現(xiàn)如下： 1)預(yù)處理。主要工作包括：中文分詞、詞性標(biāo)注、去停用詞。ICTCLAS是目前最成熟且綜合性能最優(yōu)的中文分詞軟件之一，可實(shí)現(xiàn)中文分詞和詞性標(biāo)注。各種詞典數(shù)據(jù)壓縮后不到3M，且支持用戶自定義詞典。本文中使用的停用詞表在原有基礎(chǔ)上除去了形容詞、副詞和動(dòng)詞。 2)相關(guān)詞典。本研究采用表一的12個(gè)情感單元作為情感特征，系統(tǒng)的情感分類引擎實(shí)現(xiàn)需要三類詞典：情感詞典、否定詞詞典、修飾詞詞典。本文使用HowNet在2007年發(fā)布的“情感分析用詞語集”(董振東等，2007)中的中文評價(jià)和情感詞語作為情感詞典，使用中文的程度級別詞語作為修飾詞詞典。否定詞詞典由人工從HowNet中抽取22個(gè)否定副詞組成。 3)情感特征提取。情感特征提取的關(guān)鍵是從預(yù)處理后的句子中找出情感詞，然后在一定的窗口大小中找出情感詞的修飾詞和否定詞。本文通過對情感詞典中所有情感詞的詞性統(tǒng)計(jì)，得出情感詞的詞性主要為名詞、動(dòng)詞、形容詞，因而本文將選取文本中名詞、動(dòng)詞和形容詞作為主要候選匹配詞，并采用二叉樹形式存儲(chǔ)情感詞典，以提高情感特征詞的匹配效率。如果匹配成功，再根據(jù)夏云慶提出的五條抽取規(guī)則(夏云慶等，2010)，以七個(gè)詞語作為窗口大小，抽取情感詞的修飾詞和否定詞。根據(jù)情感詞極性，修飾詞和否定詞數(shù)量，計(jì)算評論文本中每個(gè)情感單元的權(quán)值，形成情感向量空間模型。 4)情感分類器。在情感分類階段，本研究選擇性能較好的SVM分類算法，采用LibSVM工具實(shí)現(xiàn)。臺(tái)灣大學(xué)開發(fā)的支持SVM的機(jī)器學(xué)習(xí)開源軟件，能實(shí)現(xiàn)數(shù)據(jù)分類及回歸分析功能，且靈活易擴(kuò)展，應(yīng)用非常廣泛。 五、實(shí)驗(yàn)結(jié)果及分析 為了驗(yàn)證一般情感分類方法對E-learning評論文本進(jìn)行情感分類的有效性，以及情感分類對E-learning的促進(jìn)作用，本文從兩方面進(jìn)行實(shí)驗(yàn)：一是情感分類的準(zhǔn)確性；二是學(xué)習(xí)者、教師和管理員在使用情感分類后的評價(jià)。 (1)情感分類準(zhǔn)確性 目前，情感分類方法的準(zhǔn)確性主要采用準(zhǔn)確率評價(jià)。準(zhǔn)確率指對一個(gè)測試集進(jìn)行情感分類后，分類正確的文本數(shù)量占測試集文本總數(shù)的百分比。為了計(jì)算基于情感單元和SVM的情感分類方法對評論文本分類的準(zhǔn)確率，首先需要構(gòu)建評論文本情感分類語料庫。本文從“課程在線”平臺(tái)的留言板、資源評論和課程評論三部分的評論文本中選擇450條評論作為實(shí)驗(yàn)語料，對挑選的語料進(jìn)行人工情感極性判斷，人工分類后的語料(見表二)。 實(shí)驗(yàn)采用LibSVM默認(rèn)的參數(shù)配置，選取每種語料類型的2/3作為訓(xùn)練集，將其余的1/3作為測試集。 學(xué)習(xí)者、教師和系統(tǒng)管理員是E-learning平臺(tái)的直接使用者，對情感分類的引入有切身體驗(yàn)。為了了解他們對情感分類的使用感受，本研究隨機(jī)抽取“課程在線”的42名教師、72名學(xué)生和12名管理員作為調(diào)查樣本，讓他們對情感分類功能打分，打分范圍為0~10。0~4分代表負(fù)面(不準(zhǔn)確)，5~7分代表中性(基本準(zhǔn)確)，8~10分代表正面(準(zhǔn)確)，統(tǒng)計(jì)結(jié)果見表三。 由實(shí)驗(yàn)結(jié)果可以看出，基于情感單元和SVM的情感分類方法基本可滿足E-learning評論文本情感分類的要求，平均準(zhǔn)確率在80%以上。但是，相對于一般的產(chǎn)品評論情感分類，E-learning評論文本的情感分類準(zhǔn)確率明顯略低。這也從另外一方面證明E-learning評論文本在情感表達(dá)上有自身的特點(diǎn)，研究針對E-learning中評論文本的情感分類方法是必要的。 (2)實(shí)用性評價(jià) 本研究還讓使用者進(jìn)行實(shí)用性評價(jià)，打分范圍為0~10。0~2分代表“不實(shí)用”，3~4分代表“實(shí)用性較差”，5~6分代表“較實(shí)用”，7~8分代表“很實(shí)用”，9~10分代表“非常實(shí)用”，結(jié)果見表四。 由實(shí)驗(yàn)結(jié)果可看出，所有學(xué)習(xí)者、教師和管理員都肯定情感分類在E-learning中的實(shí)用性。82.15%的受訪者認(rèn)為非常實(shí)用或很實(shí)用。由此可見，情感分類的引入有效地提高了E-learning平臺(tái)的可用性。 六、結(jié)語 用戶在互聯(lián)網(wǎng)上發(fā)布信息直接或間接地表達(dá)他們對事物的情感態(tài)度，從中挖掘他們的情感態(tài)度意義重要。在E-learning平臺(tái)中，從學(xué)習(xí)者的評論文本或Blog中挖掘?qū)W習(xí)者對網(wǎng)絡(luò)課程、學(xué)習(xí)資源和教學(xué)平臺(tái)的情感態(tài)度，對促進(jìn)E-learning發(fā)展作用重大。本文首先歸納了文本情感分類的五個(gè)步驟：數(shù)據(jù)收集、文本預(yù)處理、評價(jià)主觀句識(shí)別、提取文本情感特征詞匯以及分析并判讀文本所屬情感類別，指出情感特征提取是文本情感分析與普通文本分類的主要區(qū)別，也是文本情感分類的關(guān)鍵技術(shù)。目前以詞匯為特征的向量空間模型存在一定問題，宜選用以情感單元為情感特征單位，構(gòu)建情感向量空間模型，并將其引入具體課程在線論壇的情感文本分類引擎，完成預(yù)處理、創(chuàng)建詞典、提取情感特征及最后分類等工作。實(shí)驗(yàn)表明，基于情感單元和SVM的情感分類方法基本可以滿足E-learning評論文本情感分類的要求，平均準(zhǔn)確率在80%以上；學(xué)習(xí)者、教師和管理員肯定了情感分類在E-learning中的實(shí)用性。由此可見，情感分類的引入有效地改進(jìn)了E-learning平臺(tái)的可用性。但是，文本情感分析技術(shù)在E-Learning中的應(yīng)用遠(yuǎn)不止于此，還需進(jìn)一步研究。此外，情感表達(dá)的復(fù)雜性與情感模型的科學(xué)性，提取更合適的情感特征，提高情感分類的準(zhǔn)確率等，這些都期待開展更深入的研究。 [基金項(xiàng)目]湖南省普通高等學(xué)校教學(xué)改革研究項(xiàng)目“構(gòu)建有效激勵(lì)體系，促進(jìn)軟件工程專業(yè)實(shí)踐教育創(chuàng)新”(411)成果之一。 [作者簡介]潘怡，博士，長沙學(xué)院計(jì)算機(jī)學(xué)院副教授(panyi@ccsu.cn)；葉輝(通訊作者)，博士，長沙學(xué)院計(jì)算機(jī)學(xué)院講師；鄒軍華，博士，湖北大學(xué)教育學(xué)院副教授。 轉(zhuǎn)載自：《開放教育研究》雜志 2014年4月第21卷第2期 排版、插圖來自公眾號：MOOC（微信號：openonline）
|
|
|
