教师工作坊中学员话题挖掘方法范文

本站小编为你精心准备了教师工作坊中学员话题挖掘方法参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

摘要：教师工作坊为校际间教师的协同研修提供了良好的平台，是促进教师专业发展的主要方式之一。该文针对教师工作坊研修过程中难以进行有效监测和及时指导的问题，利用学员研讨产生的交互式文本数据，提出了一种教师工作坊中学员话题挖掘方法。该方法利用内容语义分析法对学员评论反思内容进行整体分析；运用LDA模型自动挖掘不同类型学员发表的评论中的隐含话题和跟踪学员热点话题演化趋势。论文以典型的教师工作坊为例进行实验，实验结果表明：学员们能围绕研修主题进行讨论；相比普通学员，成绩优秀学员在学习态度上更显主动；如在多媒体、微课的技术应用等方面有着更深的认识和理解；而有关“技术支持的总结与复习”和“技术支持的教学评价”的话题并没有出现。话题演化趋势的实时反馈可视化分析，为引导研修活动深化发展提供了重要支持；也为教师工作坊的学习分析提供了一些可借鉴的思路。

关键词：教师工作坊；话题挖掘；LDA模型

百年大计，教育为本；教育大计，教师为本。促进教育质量提升，教师队伍建设是关键[1]。而优化教师队伍结构，提升教师专业水平，需完善教师培养培训体系，做好培养培训规划[2]。教育信息化的发展使得教师培训方式发生了转变，线上线下相结合的混合式研修成为促进教师专业发展的主要手段。在网络学习空间中，支持创建、参与、关注教师研修工作坊[3]，开展跨校教师协同研修。教师工作坊是一种体验式、参与式、互动式的学习模式，一般以富有经验的教师为中心，形成30-50人的学习研究共同体，主要通过讨论、活动等多种形式，共同探讨和尝试解决课堂教学中存在的问题。助学者(坊主)在教师工作坊中扮演协助、观测、支持、引导等作用，需要了解研修过程中学员认知水平、学习状态等，及时发现存在的问题，并提供学习支持服务。学员们在进行网络研修主题研讨过程中产生了大量的交互式文本，能客观地反映出学员的兴趣话题、学习体验和研修状态等特征，这为优化研修过程、提升培训质量等提供了大量线索。然而，传统的内容分析方法通过文本分析、内容编码、统计阐释等过程，不仅费时费力而且还存在评价的主观性和反馈的滞后性等问题[4]；并且随着培训规模的扩大、研修数据的急剧增加，使得指导者难以及时洞察研修活动的过程和状态，并进行针对性的指导。论文聚焦教师工作坊研修过程中难以进行有效监测和及时指导的问题，对教师工作坊的研修特征及当前话题挖掘的研究情况进行了分析，针对性的构建了教师工作坊学员话题挖掘框架。利用教师工作坊中学员研讨产生的交互式文本数据，并结合教师信息化教学TPACK能力模型，分析了研修过程中的高频词汇特征；采用LDA(LatentDirichletAllocation)模型重点分析了研修内容的话题结构、分布情况以及研修过程的话题演化等。

一、相关研究

(一)教师工作坊及特征教师工作坊是由若干成员组成(包括坊主、研修学员等)，他们聚焦于特定教学主题，开展观摩、体验、讨论、反思等活动，旨在通过相互交流、经验分享、协同研讨来解决教学实际问题，促进教师实践性知识的发展[5][6]。教师工作坊是具有共同愿景、互惠互助性质的学习型组织[7]。相关理论基础主要包括建构主义理论、认知学徒制、活动理论、情境学习理论、知识转移及知识共享理论等。王陆[8]基于活动理论将教师在线实践社区视为一种活动系统。刘清堂等[9]认为教师混合式培训是一个研修活动序列，序列的展开构成了多层次教师混合式培训活动流，活动流中的活动亦可依次序展开。张思等[10]认为在教师工作坊的活动序列设计上，通过搭建脚手架实现学员学习的渐进有序，知识与技能的逐步递增，使得学员能够顺利跨越“最近发展区”，达到学习目标。杨卉等[11]提出在远程职业教育中，应为教师提供监测工具支持教师对学生(团体)活动过程进行观察，以便推送学习支架，帮助学生顺利完成任务。王陆[12]基于情境学习理论，并根据培训项目的实施阶段，采用内容分析法对教师在线实践社区中学习共同体的实践性知识发展过程进行评估。栾学东[13]认为，促进教师在线实践社区中知识的转移，应对非结构化和半结构化数据进行挖掘和分析，寻找知识转移服务对象，并提供支持策略促进知识拥有方与知识需求方之间的知识转移。已有的研究为教师工作坊研修过程的分析提供了启示和参考。但相关研究大多聚焦于活动过程的实施和实践性知识的迁移等方面，而对于研修过程中的话题内容特征与教师信息化教学能力的关联性及能力水平的监测与评价等尚缺乏深度思考。

(二)话题挖掘及相关研究话题挖掘(TopicMining)较早出现在TDT领域，TDT技术(TopicDetectionandTracking，话题识别与跟踪)是一项信息处理技术[14]，主要应用于舆情监测。话题识别(TopicDetection)是指自动识别信息片断集合中的各个未知话题,并能在线检测出新话题。话题跟踪(TopicTracking)是指在各种信息来源中追踪那些讨论目标话题的相关信息片段[15]。目前，话题挖掘已普遍应用于产品推荐服务、新闻热点追踪和社交网络交互等多个方面。常用的话题挖掘算法有VSM(VectorSpaceModel)、LSA(LatentSemanticAnalysis)、PLSA(ProbabilisticLatentSemanticAnalysis)及LDA(LatentDirichletAllocation)等[16]，其中比较有代表性是LDA模型。LDA是机器学习领域的一种非监督话题建模方法，用于发现数据集中隐藏的话题结构和内容[17]，如今应用也较为广泛。如Mao等[18]通过挖掘用户评论数据构建用户兴趣话题模型，实现电影的个性化推荐。Mahajan等[19]通过对财经新闻主题的挖掘预测股市涨跌。Zhang等[20]通过对微博话题的挖掘发现热点主题。在教育领域，Ramesh等[21]基于MOOC论坛内容进行话题挖掘，以及时发现学生学习过程中的相关问题，进而针对性实施早期干预，提高课程留存率。刘三等[22]应用LDA模型自动挖掘和解析MOOC文本评论信息的特征结构和语义内容，并分别对已完成和未完成两种类型的学习者展开定性的学习分析研究，探究和追踪学习者关注的热点话题演化趋势，以进行适应性反馈与干预。在教师工作坊中，学员们在进行网络研讨活动时产生了大量的交互式文本数据，这些数据作为活动过程的重要信息载体，可真实地反映学员关注的焦点、知识和能力的变化等情况，通过对这些数据的挖掘，有助于及时发现学员在研修过程中隐藏的内在信息，从而实现对学员研修状态的实时跟踪、评估和干预。LDA为数据驱动的网络研修培训分析提供了一种新的论证方法，该方法突破了教学过程互动话语分析中过度人为干预和经验式判断的局限[23]，能为教师工作坊的研修过程分析提供一种新思路，为教师的研修实践提供数据支撑服务。

二、教师工作坊学员话题挖掘方法

教师工作坊的实施流程是由若干个活动组成的活动流。本研究以组成活动流的各个活动为单位划分时间窗口，对每个时间窗口(活动阶段)中生成的讨论文本分别进行话题挖掘，追踪各活动阶段学员关注话题的热度情况，并进行话题演化分析，以观测教师工作坊研修活动进程，及时发现问题和需求，并提供学习支持服务。在研修活动的最后阶段，教学管理者根据学员的课程学习、活动参与及作业完成等情况给予一个最终考核成绩。本研究以成绩的高低划分不同类型的学员，并挖掘不同类型学员之间话题分布的特征结构和语义内容，探究其相似性和差异性，为研修活动的设计和知识转移策略的实施提供支持。

(一)教师工作坊学员话题挖掘框架基于以上分析，本文设计了教师工作坊学员话题挖掘框架。如下页图1所示，整个分析流程可分为数据收集、信息加工和结果应用三个环节。1.数据收集。学员是模型的出发点也是最终的受益者，学员在参与网络研修活动过程中形成了大量的交互式文本数据，在对数据进行采集和预处理过后，形成交互式文本数据集。2.信息加工。对数据集进行挖掘、分析并予以可视化呈现。采用高频词汇分析发现学员可能关注的话题；面向学员类型的话题分析，是按最终考核成绩将学员分为优秀、普通两种类型，应用LDA模型挖掘不同类型学员的话题分布并进行分析；基于研修过程的话题演化分析，是运用LDA模型对各活动阶段数据集进行话题分布和话题热度计算，追踪研修过程中学员关注话题的热度变化并进行分析。3.结果应用。管理者和坊主根据可视化呈现的结果监控和分析学员的研修状态，改进和优化研修计划、研修内容和研修策略等，从而形成对学员的干预。同时，分析结果也为学员提供可视化反馈，以便其进行自我反思，实时调节自己的研修行为。

(二)教师工作坊学员话题挖掘方法研究1.结合TPACK模型的内容语义分析结合TPACK模型[24]对学员研讨的知识进行分析，TPACK(TechnologicalPedagogicalContentKnowledge)是由科勒和米什拉于2005年提出的，该框架包含三类核心知识：技术知识(TK)、教学法知识(PK)和学科内容知识(CK)，以及四类复合知识(PCK、TCK、TPK和TPCK)。本文基于科勒和米什拉所提出的TPACK概念，并参考TPACK概念精致化的相关研究[25]和话语分析规则[26][27]，对所提取的高频词汇进行分析。2.结合LDA模型的话题挖掘LDA模型，最早是由学者Blei等在2003年提出，它是一个三层贝叶斯概率生成模型，LDA假定文档集中有确定的主题数，每个文档均是由多个主题混合而成，而每个主题则是多个词汇上的概率分布[28]，如图2所示。图2中，变量φ(z)、θ(d)和z均为不可观察到的潜在变量，其中φ(z)代表主题—单词概率分布、θ(d)代表文档—主题概率分布。单词w为可观察变量，超参数α和β是模型的先验参数，T为设定的主题数。有向箭头代表条件概率。方框代表重复采样。D表示文档集，外部方框代表文档集中每个文档迭代采样的主题概率分布。Na代表文档d的单词数，内部方框则表示从主题分布中迭代抽取产生的文档的单词。

三、教师工作坊学员话题挖掘方法的应用

(一)实验数据及预处理本研究采集了“国培计划(2016)教师信息技术应用能力提升工程”某语文教师工作坊中的评论数据作为样本来开展实验。本次工作坊以“信息技术在语文课堂教学中应如何运用？”为主题，整个实施流程可分为4个活动阶段：研修计划、学技术、会应用和研修总结。

(二)高频词汇分析为了能对学员评论进行整体的观测和认识，首先通过词频分析的方法列出学员评论中排名前20的高频词汇。

(三)不同类型学员的话题特征分析本实验根据学员最终取得的考核成绩，将学员分为两种类型(优秀/普通)，对这两类学员发表的评论分别进行挖掘和分析。应用LDA话题模型来挖掘学员发表的评论中所隐含的话题结构和语义内容，对他们的话题进行观察和对比，探究其相似性和差异性，进而了解不同类型学员的话题特征，为研修活动的设计、知识转移及知识共享策略的实施提供支持。在设置模型参数时，依据α=50/T，β=0.01来进行设置[31]，α和β是模型的两个先验参数，T为选择的话题数，T值的确定依赖于数据集的大小[32]。本研究中实验效果的衡量主要考虑话题间的分离度和话题内部质量两个指标[33][34]，结合数据集的大小并经过反复实验确定T值。对于成绩普通学员的数据集，T值设置为5，则实验参数设置为α=10，β=0.01，根据话题间的相似程度选出3个具有代表性的话题。如图4所示。每个可能话题下依据词汇出现的概率值大小，列出了10个词汇表示话题语义内容。对于成绩优秀学员的数据集，T值设置为10，实验参数设置为α=5，β=0.01，同样根据话题间的相似程度选出5个具有代表性的话题。

四、结束语

教师工作坊中学员进行网络研讨产生的交互式文本数据，为分析学员的研修状态提供了资源，而如何有效地对这些数据进行挖掘和分析就变得尤为重要。本文旨在探究教师工作坊中学员话题的挖掘和分析方法，并应用于“国培计划(2016)教师信息技术应用能力提升工程”某语文教师工作坊中，对学员们的话题结构、分布及演化情况进行挖掘和分析。首先，利用对高频词汇的内容语义分析实现对学员评论内容的整体分析；然后，运用LDA模型自动挖掘不同类型学员发表的评论中的隐含话题；最后，呈现了学员热点话题的演化趋势。从实验结果看，学员们都能围绕研修主题进行讨论；相比成绩普通学员，成绩优秀学员在学习态度上更显主动，在多媒体技术及应用和微课技术及应用方面有着更深的认识和理解，而有关“技术支持的总结与复习”和“技术支持的教学评价”的话题并没有出现。分析结果将有助于管理者改进和优化研修计划、研修内容和研修策略，提供更高契合度的学习内容和更有针对性的学习指导，以满足培训标准和学员需求，从而实现按需施训。通过话题演化趋势的实时可视化反馈，为引导研修深化发展提供重要支持，管理者和坊主可据此跟踪评价研修过程优化教学设计；另外，还有助于学员审视自我话语的贡献度、契合度及与其他学员的异同，从而调节自身的研修行为，提升研修效果。由此可以验证，该方法具有一定的自动分析在线交互式文本内容和结构的能力，可为教师工作坊的学习分析研究提供一些借鉴和参考。

作者;何皓怡1，刘清堂1，吴林静1，邓伟1，郝怡雪2 单位：1.华中师范大学,2.华中师范大学