论文部分内容阅读
课堂是我国教育实施的主要场所,教学行为的有效性是影响课堂质量的重要因素。美国学者弗兰德斯(N.A.Flanders)指出,语言行为是课堂中主要的教学行为,占所有教学行为的80%左右。因此,对课堂语言行为进行分析可以有效地记录和研究教学的过程,把握课堂的规律和实质,进而定量或者定性地发现教学中存在的问题,以便教师提出相应的解决措施,提升课堂教学效果。传统的课堂语言行为分析方法主要包括以弗兰德斯互动分析系统(FIAS)为代表的一批定量课堂教学分析法,其主要研究过程是对教学视频进行人工切分和标注。随着信息技术朝着自动化、智能化的方向发展,全国教育信息化的全面推进,课堂教学中逐步融入新的教育理念和技术手段,传统分析方法已经不能适应教学发展的需求。利用信息技术实现课堂语言行为分析的自动化,促进教学分析法的完善与发展,将成为信息化大浪潮下迫切的需求。在课堂语言行为的量化分析领域,前期的数据处理工作主要包括对师生行为或信息进行切分、识别、归类和编码,而分类和编码正是文本分类技术中的主要环节。目前关于文本分类的研究比较成熟,且有较多的包括新闻、微博和网页等内容分类的应用,而在课堂语言行为分析方面的相关研究较少。基于文本分类过程与课堂语言行为分析过程的共性,本文将借助文本分类技术对课堂语言行为的内容进行分类处理,实现课堂语言行为的自动化识别。本文的主要工作包括:首先对课堂语言行为的理论进行梳理,总结现有课堂语言行为量化分析法的特点和存在的问题,并对文本分类的相关研究进行了详细地综述,将文本分类技术引入课堂语言行为的分析研究。其次,基于对课堂语言行为类型的研究,制定一套适用于本研究的课堂语言行为编码标准,并将实地采集的多位优秀教师的课堂教学录像通过转录、整理、分类,制作了可用的课堂话语文本集,包括讲授、指令、提问三类教师话语文本。再次,结合课堂话语文本的特点分析,本文基于TF-IDF算法提取话语文本的统计特征,利用Word2Vec模型训练获取文本的词向量特征,构建卷积神经网络(CNN)以提取文本的深度学习特征,并对三类特征进行加权、融合处理,以探究课堂话语自动分类效果的影响因素。最后,本文设计了 25个不同的话语文本表示模型,通过比较并分析不同特征、不同词向量权重对分类准确率的影响,形成如下结论:(1)在课堂话语文本自动分类研究中,词频TF容易增加非特征性词的影响,降低分类准确率,而逆文档频率IDF能够提升类文本中特征词的影响,提高分类准确率;(2)CNN能够学习到话语文本的深度特征,在课堂话语分类中具有更优良的文本表征能力;(3)一般而言,融合特征的表征能力优于单个特征,但并非融合的特征越多,话语文本的分类准确率越高;(4)本文通过探究实验,得到分类效果最好的文本表示模型,即融合TF-IDF统计特征和CNN深度学习特征的文本表示模型分类准确率最高,达 88.45%。