摘要
学习分析中学习者的学业成绩预测有利于教师进行教学决策，并采取教学干预以提升学生成绩。当前该领域主要是通过学习者的人口学信息和行为特征来预测学业成绩，忽略了文本数据所蕴含的情感与学业成绩之间的关系。因此，本文尝试利用学习情感进行学业成绩预测。具体而言，本文首先识别文本所蕴含的情感极性，然后从情感角度来预测学业成绩。为提升情感识别准确性，本文加入与学习行为相关的主题文本，包含“教师授课”、“获得证书”和“习题设置”，该类主题蕴含了影响学生学业成绩的主要因素;另外，为更准确地预测学业成绩，本文采用BERT模型设计了基于隋感的学业成绩预测模型。最后，在实证分析环节，可以依据实验结果来发现影响学生成绩的主要因素，以此可以对学习者进行教学干预和推荐针对性的在线学习课程。综上所述，本文的主要工作如下。 首先，识别学习者评论文本的情感信息。因为hn-attention机制[1](输入文本表征经过LSTM编译的最后一个包含上下文信息的向量hn与attention机制结合得来)能够提升文本特征提取的质量，所以本文引用hn-attention机制提出了hn-capsule模型进行主题级别的情感分析。hn-capsule模型包含四个部分，分别是主题表示、主题概率计算、情感表示和情感分布计算。主题表示部分可以获得文本的主题向量表示，主题概率计算部分在获得文本的主题向量表示基础之上计算主题概率，情感表示部分可以获得文本的情感向量表示，情感分布计算部分在获得文本的情感向量表示基础之上计算情感分布。该模型能提升文本特征提取的质量，并在主题捕获的同时进行情感分析，提升了情感分析准确性。 然后，预测学习者学业成绩。本文采用BERT模型构建了基于情感的学习者学业成绩预测模型。具体来说，首先，基于hn-capsule模型分析得到的情感极性，将文本与所对应的情感极性相融合:然后，输入BERT模型提取文本的语义特征;最后，利用softmax归一化模型进行成绩预测，获得文本对应的成绩。 最后，针对上述模型展开实验评估。本文基于真实的在线学习社区文本数据集，从Accuracy和F1值来评估hn-capsule模型的有效性;针对学习者学业成绩预测模型则采用Accuracy和RMSE指标进行评估。实验结果表明，本文所提出的hn-capsule模型和学业成绩预测模型均有良好性能。
NETL