郑安琪 王宇琪 郝川艳

摘  要： 通过分析在线学习平台中的教育文本，能挖掘其所蕴含的情感、认知等信息进行学业预测。然而目前在线学习成绩预测大多基于结构化数据，难以深入、精准地挖掘学习者的状态、情感等信息，影响到预测的准确性。采用深度学习技术，其中CNN模型能够有效提取局部特征，而LSTM模型能够考虑全局文本顺序的优势，能对教育短文本数据进行分类和细粒度情感倾向分析，挖掘其包含的影响学习成绩的因素，实现对在线学习成绩的有效预测。

关键词： 深度学习; 成绩预测; 文本分析; 教育数据挖掘; 情感分析

中圖分类号：TP391          文献标识码：A     文章编号：1006-8228（2021）12-69-04

Abstract： By analyzing the educational texts in the online learning platform， the emotional and cognitive information contained in them can be mined to make academic achievement prediction. However， at present， online academic performance prediction is mostly based on structured data， which makes it difficult to excavate learners' state， emotion and other information deeply and accurately， thus affecting the accuracy of the prediction. Adopting deep learning technology， in which CNN model can effectively extract local features and LSTM model has the advantage of considering global text order， can classify educational short text data and analyze fine-grained emotional tendency， mining the factors that influence academic performance to achieve effective prediction of online learning performance.

Key words： deep learning; performance prediction; text analysis; educational data mining; sentiment analysis

0 引言

在线学习中蕴含的教育大数据资源与人工智能等新兴技术的融合，提升了教育大数据研究的深度与广度;深度探索教育过程中各因素之间的内在关系，为教育发展及策略改进提供了有力的支持，将成为教育发展的重要方向[1]。同时，在教育大数据支持下，学习预测已经成为教育数据挖掘的重点内容，通过揭示学习过程各因素与成绩之间的关系，形成预测模型，能够预判学习者的最终表现及成绩类别，从而为学业预警、调整教学策略及学习计划制定等提供重要依据[2]。

当前有关学习情况预测的研究中，所选用的数据类型单一，大多局限于较为整齐的结构化数据，使用学习过程的文本数据进行预测的工作仍较少;而文本数据中蕴含着大量的情感信息和学习状态信息，有效捕捉其中的情感倾向，诊断当前的学习状态，能够为学习成绩预测提供重要的依据。……