教师网络研修学习倦怠预警模型构建及应用研究

朱珂 闻昕 张夷楠

（1.河南师范大学 教育学部，河南 新乡 453007； 2.华中师范大学 人工智能教育学部，湖北 武汉 430079）

引言

《教育信息化2.0行动计划》提到要坚持信息技术与教育教学深度融合，教育信息化要体现网络化、数字化、智能化、个性化、终身化。《中国教育现代化2035》指出要培养建设高素质专业化创新型教师队伍，夯实教师专业发展体系，推动教师终身学习和专业自主发展，强化职前教师培养和职后教师发展的有机衔接；要加快形成现代化的教育管理与监测体系，推进管理精准化和决策科学化。如何利用人工智能手段精准助推教师专业发展已经成为亟待解决的重要问题。

教师由于职业的特殊性，需要不断掌握复杂的教学技能、教学知识，因此教师自身有迫切的专业发展需求[1]。网络学习因其打通空间阻断、快速传递信息等优势而成为教师研修的第一选择。新的学习场景带来了新的问题，网络研修作为一种在线学习形式，在缺乏对学习者实时反馈、调节的状态下，极有可能催生教师的学习倦怠心理[2]。在线学习者的学习倦怠心理一旦产生很难被发现，且可能比参与线下研修的教师更早进入拒绝阶段[3]。因此，能够及时判断影响教师学习情绪的因素，适时调控学习倦怠者的情绪，对于保障教师网络研修的学习质量更加重要。有研究者发现：通过信息技术手段分析在线学习中的文本数据可以有效挖掘学习者的隐含学习特征。近年，在学习倦怠的相关研究中，研究者关注的对象主要为参与学习的学生，很少有研究者探讨教师作为学习者参与研修时的学习倦怠问题。

基于此，本研究希望利用文本挖掘技术构建教师网络研修学习倦怠预警模型。通过数据分析，实现及时发现教师学习倦怠心理的影响因素，快速寻找教师学习倦怠心理发展的规律，为研修管理者提供数据支持服务，从而保障教师网络研修的质量。

一、概念界定及技术基础

（一）教师网络研修学习倦怠概念界定

近年，研究者发现部分教师在职业发展的道路上由于受到内部心理或外部环境的影响而出现职业倦怠的问题[4]。教师有终身学习和专业发展的需求，教师研修学习是教师专业发展的必经之路，也是教师接受教育的重要途径之一。在这种境况下，教师不仅仅是知识的传授者，更是终身学习的践行者[5]。教师不仅仅会受到职业倦怠的困扰，在参与研修时也会受到学习倦怠的影响。教师参与研修时产生的学习倦怠不同于教师的职业倦怠，二者成因大不相同，但是二者都会对教师专业发展形成阻碍。

学习倦怠是学习者因为长期的课业压力或负荷而精力下降，从而对课业持负面态度，对学校课业及活动的热忱逐渐消失。学习倦怠是一种学习者普遍存在的消极心理现象，其发展具有连续性，一般会经历认识、低兴趣、倦怠、拒绝四个阶段。当学习者进入拒绝阶段时，任何形式的教学干预都无法转变其态度[6]。

（二）Word2Vec词向量相关研究

词向量是指通过向量化的方式[7]，将词语映射在向量空间中，以向量的形式表征词语的含义及词语之间的关系。目前，生成词向量的方法主要依赖于一个核心思想：任意一个词语的含义都能通过它周边的词语来表示，即任意一个词语的周边词语限制了该词语的含义。

随着机器学习技术的发展，Word2Vec作为文本挖掘领域的新星，在文本分析领域发挥出重要作用。邓君等通过Word2Vec结合支持向量机分类器的方法构建了情感分类模型，探究微博网民对于舆情热点的情感时序变化情况[8]。

（三）情感分类理论及情感计算相关研究

情感和情绪是指人对于客观事物的主观反映和心理、行为反应。人的情感被划分为正向情感、中性情感以及负向情感。近年，研究者利用情感计算方法挖掘用户在线讨论中的情感信息，对在线用户的文本讨论进行了情感分类、标记、分析等工作。李慧认为情感是影响学习者认知和行为的关键性非智力因素，针对在线学习者的话语文本进行了语句级的多级情感分类并构建了面向学习体验文本的情感分析模型，为教学设计提供了有效的支持[9]。在教师网络研修社区中，教师通过在线讨论传递个人学习期望、学习收获等信息，这些讨论在一定程度上也蕴含了个人情感[10]。若能在遵循教师在线话语的语义规则的基础上构建情感计算方法并抽取教师话语中隐含的情感信息，便可有效地获取教师参与学习时的情感状态。

二、研究设计与方法

（一）研究设计

本研究模型如图1所示。模型分为三个阶段，在数据获取与处理阶段，通过爬虫方法获取教师讨论帖，并完成数据预处理工作。在数据分析阶段，基于情感词典对教师讨论帖进行情感计算，得出讨论帖的情感分值，并根据情感分值的正负判断讨论帖的情感极性。参考情感极性将讨论帖划分为积极情感数据集和消极情感数据集。分别对两个数据集中的数据进行向量化处理，对训练好的词向量进行降维聚类，实现对教师的积极情感特征词汇和消极情感特征词汇的聚类可视化，并从消极情感信息中抽取教师学习倦怠心理的成因。在数据可视化阶段，对教师的消极情感进行时序演化分析，获取教师学习倦怠心理发展的规律，为研修管理者在遵循教师学习倦怠心理发展规律的基础上制定预防、减缓措施。

图1 教师网络研修学习倦怠预警模型

（二）研究方法

1.构建教师网络话语情感词典

情感计算的首要步骤是构建合理完善、具有针对性的情感词典[11]。部分教师在参与网络研修时发布的讨论帖偏向口语化，并非写作式话语。针对教师网络发言的特点，本研究融合了中国知网等情感词典（Hownet）。在融合之后的积极词典的基础上加入了“点个赞”“给力”“蛮不错”等口语化词语；在消极词典的基础上加入了“有点难”“就那样”等词语；在程度副词词典的基础上加入“very”“so”“more”等英文词语。经过合并和处理之后的情感词典包含了中文正面评价词语8656个、中文负面评价词语8893个、程度副词219个、否定词71个。

2.基于情感词典的情感计算

情感计算方法可以有效地将教师学习过程中产生的话语情感数值化，情感数值的变化情况可以作为预测教师消极学习情绪的重要依据。本研究在观察大量的教师网络话语之后，发现教师参与网络研修过程中的话语表达有一定的语义规则，教师热衷于通过“强烈的程度副词+形容词”的方式表述自己的情绪，部分教师倾向于使用双重否定来增强自己的情绪表达。因此，本研究在考虑程度副词和否定词的情况下构建了情感计算方法，计算流程如图2所示。

图2 情感计算流程

设定每条评论数据的初始情感分值为0。将数据集与情感词典进行比对，判断数据集词语出现在哪个情感词典中，若出现在积极情感词典中，则记为正；若出现在消极情感词典中，则记为负；若句子中存在感叹号，则记为“⋆1.5”；扫描情感词语前是否存在否定词，若存在否定词则执行“⋆（-1）”的加权指令；判断情感词语前是否存在程度副词，若有程度副词，则根据程度等级执行加权操作。程度副词等级加权如表1所示。

表1 程度副词等级加权方法

3.Word2Vec向量化及T分布随机近邻嵌入

本研究依据数据集特点不断调整Word2Vec模型参数，使用Skip-gram模型分别将积极情感集、消极情感集转化为150维度的词向量。针对生成的高维度词向量，本研究采用T分布随机近邻嵌入（T-distributed Stochastic Neighbor Embedding, 简 称TSNE） 方 法 在Word2Vec生成的词向量中抽取教师的隐含语义信息并实现数据可视化。通过不断调整TSNE的参数使降维聚类的效果达到最佳化，随后使用TSNE方法分别对维度为150的积极情感集和消极情感集的词向量进行降维聚类，分别从积极情感集和消极情感集中保留80个数据结果，最后实现情感特征信息可视化。

4.教师消极情感时序演化分析

当教师的网络研修话语表现出负面情绪时则可以将教师列入低学习兴趣阶段的风险用户。学习倦怠心理的发展会对教师在复杂任务环境下的学习造成阻碍。对教师的消极情感的演化情况进行分析能够快速掌握教师学习倦怠心理的变化规律，从而使研修管理者能够迅速对教师学习倦怠问题做出反应。

三、模型应用

（一）数据来源及数据处理

1.数据来源

本研究的数据来源于2020年某大学附属中学为主导的大型教师工作坊关于“教师如何做教学研究”的主题研修活动，通过爬虫方法获取了自2020年3月11日至2020年12月30日（第11期研修至第20期研修）的教师学习数据，包括发帖内容、发帖时间、研修期数。发布帖子的学习者均为一线教师。在研修期间教师可以按照自己的喜好或关注点进行交流互动，讨论内容较为多样化。讨论主要反映了一线教师关于课程的真实想法、学习的收获、学习之后的心得体会等。

2.数据处理

首先对数据进行去重、降噪，删除了20字以下的帖子。经过数据预处理之后保留的帖子共计1556条。因中文有一词多义、词语之间缺少分割的特点，将其直接用于模型会导致生成结果出现偏差，影响模型的质量[12]。为了降低数据误差对模型的质量造成的影响，本研究在现有的哈尔滨工业大学停用词表的基础上，整合了“搜狗输入法”中教育领域的细胞词库，添加了教育教学相关词汇。随后在保证数据的原始语义无损的情况下将数据集进行词语切分。

（二）情感特征词汇分析

本研究将计算之后的结果按照情感分值进行划分，得到了积极情感讨论帖（情感分值大于0分）共1361条、消极情感讨论帖（情感分值小于0分）共83条、无情感讨论帖（情感分值等于0分）共112条。本研究以人工判断的方法对计算结果进行了检验，最终确定积极情感讨论帖数量为1342条，消极情感帖数量为102条，该情感计算方法的正负情感分类准确度为81.4%。

本研究基于词频-逆文档频率(Term Frequency-Inverse Document Frequency，TF-IDF)方法抽取了积极情感集数据和消极情感集数据中的关键词。为使簇类之间的分离程度更好，便于聚类结果分析，本研究不断改变Word2Vec的维度以寻求最契合该数据集的维数，最终将Word2Vec的维度确定为150。随后，使用Word2Vec将关键词转化为150维度的词向量，最后采用TSNE方法将词向量映射至二维并完成聚类。

通过分析教师积极情感词汇聚类反映的信息可知，在研修中，教师的积极情感的指向对象主要分为三个簇类：（1）“聚类1”中的“课题”“讲解”“形式”“案例”等词语反映了教师讨论研修课程中的讲解内容、教学案例、课程形式；（2）“聚类2”中的“受益匪浅”“授课”“新颖”等词语说明了教师在学习的过程中分享了研修的收获；（3）“聚类3”中的“感谢”“谢谢”“学习”“知识”等词语说明教师表达了能够参与研修的喜悦之情，并且认为研修很有成效，认可研修的方法。

通过分析教师消极情感词语聚类反映的信息可知，在研修中，教师的消极情感的指向对象主要分为四个簇类：（1）“聚类1”中的词语反映了课程设置华而不实、大而空；（2）“聚类2”中的词语反映了教师认为课程内容费时费力，勉强能明白，但稍有不解便会感到困难；（3）“聚类3”中的词语反映了三个问题：课程内容存在难度，时间安排不够充分，教师的现有学习水平不能一概而论。（4）“聚类4”中的词语反映了两个问题：教师学习力不从心，专业术语难以理解。

通过观察计算教师讨论帖的平均情感分值发现：当教师把学习倦怠归结于外因时，教师讨论帖的情感分值最低，平均情感分值为-4.32；当教师把学习倦怠归结于内因时，教师讨论帖的平均情感分值为-2.27。由此可见，相较于教师自身出现的学习问题，外部学习环境更容易造成教师学习倦怠心理。

（三）教师网络研修学习倦怠时序演化分析

1.消极情感时序演化

为了探究教师在研修中学习倦怠发展的规律，本研究对研修中教师讨论帖中的消极情感集的情感分值进行了分析。

通过分析可知，教师的学习倦怠心理发展具有一定的规律：教师参加网络研修时产生的学习倦怠具有明显的周期性，呈现出多个“断崖”。其中第13期至第14期较为典型，首先呈现出一个“长下坡”，随后坡度骤降，最低值达到了-12。说明在该阶段的初期，教师反应的消极情绪较低且非常稳定，但是到了后期，这种消极情绪未得到有效克制，导致消极情绪愈演愈烈。综合来看，随着每期研修的开展，教师表现出的消极情感都呈现出由弱变强的趋势，印证了话语传播理论，说明当教师因种种原因表现出学习倦怠心理时，研修管理者未对此问题进行过多的关注和干预，也并没有及时采取有效反制学习倦怠心理的措施，导致部分教师群体在每期研修开始之后再次产生学习倦怠心理。

2.突出时间节点教师情感分析

由于第13期至第14期（2020年6月至2020年7月）阶段在图3中反映的消极情绪变化情况较为突出，因此本研究将该时期作为突出时间节点并抽取了该时期的全部帖子作为研究数据，共计726条。按照发帖的时间顺序排列帖子，检测为积极情感帖子时，情感走向在x轴移动1个距离，检测为消极情感帖子时，情感走向在y轴移动1个距离，以此为依据绘制了教师情感走向图，并基于发帖日期将数据划分为前期和后期，如图3所示。

图3 突出时间节点教师情感走向

由图3可见，前期教师讨论中表现的积极情感非常稳定，且这种积极情感具有明显的持续性，随后教师的情感出现变化，开始表现出消极情绪。后期前段，情感明显消极，线条呈现出上升趋势，且教师的这种消极情绪具有持续性。后期中段，教师情感发生变化，再次呈现出稳定的积极情感。后期尾声，教师再次表现出消极情绪。整体来看，前期教师整体的学习情感较为积极。到了后期教师学习情感开始朝负向发展，说明此时教师已经产生了学习倦怠心理。

3.教师学习倦怠心理数据可视化

本文将教师学习倦怠心理的严重性分为四种：无须预警、一般预警、中等预警、严重预警。随机抽取某一学习小组中4名教师的6次连续讨论数据，从教师的情感变化情况、情感紊乱程度（样本方差）、情感总值三个属性确定教师的学习倦怠心理严重程度。

由图4（见下页）可知，T32教师情感紊乱程度低、学习情感较积极，是较稳定的积极情感贡献者，但仍需适当引导，提高其学习积极性，因此属于一般预警状态；T87教师情感紊乱程度适中，学习情感非常积极，是较稳定的积极情感贡献者，因此属于无须预警状态；T21教师情感紊乱程度低，学习情感消极，是稳定的消极情感贡献者，因此属于严重预警状态；T16教师情感紊乱程度非常高，且学习情感消极，是不稳定的消极情感贡献者，因此属于中等预警状态。

图4 教师学习倦怠心理状况

为了确定T16、T21教师出现消极情绪的原因，通过TF-IDF方法抽取了教师学习前期和后期全部已发表帖子的关键词，按照TF-IDF权值由大到小进行排列并选取了数据中权重最大的5个词语，如表2所示。

表2 突出时间节点TF-IDF关键词

如表2所示，在前期T16教师讨论话语的关键词中，“豁然开朗”“有用”等多与课程评价有关；在T21教师讨论话语的关键词中，“培训”“增加”“知识”等多与学习收获有关。在后期T16教师讨论话语的关键词中，如“专业术语”“专业名词”“英文”“吃力”等多与研修内容难度有关；在T21教师讨论话语的关键词中，“时间”“有限”等多与教师自身的学习投入时间有关。

从关键词分析可以看出，T16教师前期的关注点集中在研修内容上，后期的关注点转移到了研修专业性强、个人能力不足的问题上。因此可以确定研修难度大、个人能力不足是引发T16教师出现消极情绪，造成学习倦怠的原因。T21教师前期的关注点集中在学习收获上，后期的关注点转移到了研修内容难度提高、自身学习时间不足的问题上。因此可以确定研修难度的提高和学习时间紧张是引发T21教师出现消极情绪，造成学习倦怠的原因。

四、研究结论

本研究使用教师网络研修学习倦怠预警模型实现了教师学习倦怠心理的自动化识别，结合学习倦怠心理形成的诱因与教师的消极情感特征，对近3年5000余名参与网络研修教师的累计数据进行了分析验证，得到了以下研究结论。

（一）教师学习倦怠更多来自课程设置和自身能力问题

通过分析聚类结果可以发现，课程内容设置的不合理性是教师消极情绪诱因之一，会影响教师的学习情绪。多数教师将学习倦怠归结于外因，认为研修的内容并不适用于所有教师、专业术语太多、视频案例不适用、时间安排过于紧张。研修管理者要重视课程的设置与安排，不宜在研修初期设置过难过重的研修任务，应酌情选择合适的教学课件。

教育研究者、实践者与政策制定者普遍认为，教师的自我效能感是教师的一项基本特征，且与教师的教学实践及教学质量密切相关[13]。本研究的聚类分析结果证实了这一理论，当教师处于自认为学习能力不足状态时，易诱发学习倦怠心理。通过聚类结果分析，多数教师将学习倦怠归结于内因，认为自己能力有限、自身教学任务繁重，无法及时参与研修。研修管理者应在研修过程中多给予鼓励，适当组织新手教师和熟练教师进行问题研讨。

（二）教师学习倦怠多由外部环境造成

相比较内部因素，外部环境带来的压力、教师对外部环境的不满情绪等因素更容易造成教师学习倦怠心理。针对这一问题，管理者不能一味地追求研修进度而忽视对教师学习情绪的关注，要合理控制研修的频次和时长。此外，管理者应在把握教师学习倦怠心理的发展规律的前提下，结合研修进度对研修做出调整：研修初期，教师表现出消极情感的概率相对较低，可以开设趣味讨论以促进教师交流互动，营造良好的沟通氛围，提高教师的研修参与度；同时管理者应预估本次学习任务的难度，选择是否提前安排预习任务。研修中期，针对出现学习倦怠心理的教师，可以通过调节研修内容平滑度、调整时间不充裕教师的研修安排、适时降低研修难度以增加教师自信等一系列措施，在学习倦怠心理形成之前及时对学习倦怠心理进行干预。研修后期，将研修活动设计的重点放在促进教师的个人反思上，为学困生提供个性化研修指导。

（三）教师学习倦怠心理具有传播性、持续增强性

教师研修中的学习倦怠发生在群体层面时，个体往往在群体的情绪体验中逐渐趋于一致，进而聚合成群体情绪。在初期，部分教师可能只是在言语中掺杂了少量的负面情绪，这些情绪在一定程度上会对其他教师造成影响。一旦有教师产生消极情感，则会在一定程度上影响研修中其他教师的学习情绪。这种消极情绪会持续增强，且并不会随着时间的推移而降低，若教师的消极情绪没有得到及时的调节，则这种情绪会在教师群体中蔓延，教师学习倦怠心理会随着研修进度的深入而发展。无论是何种原因导致教师个体产生学习倦怠心理，随着研修任务增加、研修内容难度增大，教师的学习倦怠心理都会进一步发展。

针对学习倦怠心理的传播特性，管理者应正确对待具有消极情绪的教师反映的问题，防止消极情绪扩散，并根据教师帖子反映的问题，适当对研修中学习目标的设计、学习任务的安排、学习资源的呈现形式进行调整，同时给予消极教师更多的学习鼓励。

五、总结与展望

网络研修更应借助信息技术手段，在研修初期及时识别教师的学习倦怠心理并降低或消除不良诱因，这是干预学习倦怠的最佳策略。研修管理者可以时刻关注教师在研修社区中发布的讨论帖，通过自动化的情感分析手段及时了解教师的研修状态并对学习倦怠心理加以干预。

本研究通过情感计算、Word2Vec词向量、TSNE降维聚类、消极情感时序演化分析构建了教师网络研修学习倦怠预警机制。该机制基于教师讨论帖情感分值筛选出在研修时遇到困难的教师的帖子，通过抽取这些帖子反映的消极情感特征，分析了在研修中引发教师学习倦怠心理的主要因素，在一定程度上能够帮助研修管理者及时了解教师学习情感变化与学习倦怠心理发展情况。

需要指出的是：本研究仅从学习倦怠中的情感因素出发分析了教师学习倦怠心理的影响因素，未来研究的重点是将教师的隐性情感和显性行为结合起来，探究潜在的学习倦怠教师的普遍情感行为特征。研究计划在未来探索基于编码器—解码器的双向语言表征模型的情感分析在教师研修领域的具体应用。