基于深度神经网络的在线协作学习交互文本分类方法

摘要：

有效的在线协作学习可显著改善在线教学质量,而对在线协作学习过程的实时分析、监控和干预是促进协作学习行为有效发生的关键,这有赖于对在线协作学习交互文本的精准分类.为避免人工编码和传统机器学习方法分类效果欠佳的不足,采用基于深度神经网络的卷积神经网络(CNN)、长短时记忆(LSTM)、双向长短时记忆(Bi-LSTM)等模型构建面向在线协作学习交互文本的分类模型,以Word2Vec作为词向量,提出了包含数据收集整理、文本标签标注、数据预处理、词嵌入、数据采样、模型训练、模型调参和模型评价等步骤的在线协作学习交互文本自动分类方法.以知识语义类、调节类、情感类、问题类和无关信息类等作为交互文本的类别划分,对51组大学生所产生的16047条在线协作学习交互文本进行分类后发现:Bi-LSTM模型的分类效果最好,其整体准确率为77.42％;各文本分类模型在问题类、无关信息类交互文本上的准确率较低;CNN模型和LSTM模型在问题类交互文本上的分类效果更佳.该方法在面向在线协作学习的知识掌握度评估、学习活动维持、消极学习情绪干预、学习预警与提示等方面具有较高的应用价值.

关键词：在线协作学习、深度学习、深度神经网络、交互文本、文本分类

所属期刊栏目：32

分类号：G434(电化教育)

资助基金：国家自然科学基金青年项目"基于教育知识图谱的在线协作学习交互分析关键技术研究";北京师范大学教育学部2019年度学科建设综合专项资金资助

在线出版日期：2020-06-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：104-112