黃發(fā)良，楊 倩，閉應(yīng)洲，莫運(yùn)佳，熊冬春，吳蘭岸

(南寧師范大學(xué)廣西人機(jī)交互與智能決策重點(diǎn)實(shí)驗(yàn)室，廣西 南寧 530100)

課堂提問是教師課堂教學(xué)行為的關(guān)鍵組成部分，是師生之間傳遞知識(shí)和思想交流的紐帶，在課堂教學(xué)中起著不容替代的作用.有效的課堂教學(xué)提問是學(xué)生學(xué)習(xí)和思考的催化劑，不僅能夠吸引學(xué)生的注意力，激發(fā)學(xué)習(xí)興趣，而且能夠引導(dǎo)學(xué)生深入思考，及時(shí)評(píng)價(jià)教學(xué)效果.對(duì)教師的課堂提問進(jìn)行質(zhì)性研究，是區(qū)分新手教師與專家教師，促進(jìn)教師專業(yè)發(fā)展的有效途徑之一[1-3].

當(dāng)前，學(xué)者主要從觀察視角、觀察工具、觀察方式等方面對(duì)教師提問方式展開研究.在觀察視角方面，學(xué)者圍繞提問類型和深度觀察教學(xué)效果，葉立軍等[4]根據(jù)教師提問作用和培養(yǎng)學(xué)習(xí)者的認(rèn)知水平，將教師提問分為為管理型、識(shí)記型、理解型、補(bǔ)充型、重復(fù)型、提示型和評(píng)價(jià)型7種觀察教師提問；于國(guó)文等[5]從教師提問視角比較國(guó)際上4個(gè)國(guó)家的課堂，分別從提問頻率、提問對(duì)象、提問水平和提問話語量4方面分析和解讀，審視我國(guó)課堂教學(xué)實(shí)踐.教師課堂提問的觀察工具大致可分為2大類：以弗蘭德斯互動(dòng)分析系統(tǒng)FIAS[6](flanders interaction analysis system)、言語互動(dòng)分類系統(tǒng)VICS[7](verbal interaction category system)等非聚焦式工具和四何問題分類[8]、課堂對(duì)話方式觀察等聚焦式工具.FIAS以教師提問編碼方式對(duì)課堂言語行為進(jìn)行量化分析，進(jìn)而探究教學(xué)結(jié)構(gòu)和教學(xué)模式，該模型將教師提問籠統(tǒng)地劃為一類，無法進(jìn)行細(xì)致分析.基于信息技術(shù)的課堂互動(dòng)分析系統(tǒng)ITIAS[9-10](information technology-based interaction analysis system)通過添加提問的開放性和封閉性編碼對(duì)FIAS進(jìn)行改進(jìn)，但因該方法的提出動(dòng)機(jī)是為了評(píng)價(jià)教學(xué)，對(duì)教師提問分析的指導(dǎo)意義并不充分.VICS方法提出廣義、狹義提問等12種師生言語行為互動(dòng)的分類體系.在觀察方式上，課堂對(duì)話觀察方法只關(guān)注對(duì)話方式，對(duì)教師提問內(nèi)容不做指導(dǎo)，四何問題觀察方法聚焦對(duì)話方式和提問方式，將課題教師提問分為4大類，即：是何類、為何類、如何類與若何類，四類問題側(cè)重思維傾向的培養(yǎng)，但在問題深度方面有所欠缺.上述的這些方法都是基于鄰域?qū)＜业娜肆μ幚矸绞?，巨大的人力成本使其難以勝任分析教學(xué)行為大數(shù)據(jù)的任務(wù).

深度學(xué)習(xí)作為人工智能領(lǐng)域的熱門方向，其思想是模擬人腦對(duì)文本數(shù)據(jù)、圖像數(shù)據(jù)等信息，通過多層網(wǎng)絡(luò)提取和分析的學(xué)習(xí)模型.深度學(xué)習(xí)已經(jīng)在教育數(shù)據(jù)智能分析方面得到成功應(yīng)用.曾明星等[11]將人工智能賦能培養(yǎng)學(xué)習(xí)者的高階思維，利用智能交互、智能計(jì)算助力學(xué)習(xí)者的個(gè)性化學(xué)習(xí)體驗(yàn).黃昌勤等[12]關(guān)注學(xué)習(xí)者的情感構(gòu)建學(xué)習(xí)推薦系統(tǒng)，利用LSTM分析模型檢測(cè)和分析學(xué)習(xí)者的情感動(dòng)態(tài)，在學(xué)習(xí)云空間平臺(tái)得基礎(chǔ)上實(shí)現(xiàn)學(xué)習(xí)推薦功能.Sidney等[13]開發(fā)的智能輔導(dǎo)系統(tǒng)通過對(duì)學(xué)生的行為監(jiān)測(cè)，及時(shí)發(fā)現(xiàn)學(xué)生的游離以喚醒學(xué)生在課堂中的情感和狀態(tài).Akram等[14]設(shè)計(jì)基于LSTM模型的分析系統(tǒng)，在不干擾學(xué)生游戲過程前提下，隱形收集學(xué)生解決問題的行為用以評(píng)估學(xué)生學(xué)習(xí)狀況，取得良好實(shí)驗(yàn)效果.Cook等[15]基于決策樹技術(shù)設(shè)計(jì)自動(dòng)化教師反饋系統(tǒng)，通過開放性和封閉性詞匯表的結(jié)合對(duì)教師提出問題進(jìn)行預(yù)測(cè).馮翔等[16]構(gòu)建基于LSTM的學(xué)業(yè)情緒預(yù)測(cè)模型，用以快速反饋學(xué)業(yè)情緒類型.甄園宜等[17]采用多種深度學(xué)習(xí)網(wǎng)絡(luò)CNN、LSTM和Bi-LSTM模型對(duì)在線協(xié)作學(xué)習(xí)交互進(jìn)行分類，通過監(jiān)控和干預(yù)大規(guī)模在線學(xué)習(xí)過程，提高學(xué)習(xí)者在線協(xié)作學(xué)習(xí)的效率.羅梟[18]將Bi-LSTM和CNN相結(jié)合來實(shí)現(xiàn)主觀題自動(dòng)評(píng)分，采取分?jǐn)?shù)分段的方法將主觀題的判定轉(zhuǎn)化為文本多分類問題，使用文本相似度計(jì)算學(xué)生答案和參考答案文本之間的相似性實(shí)現(xiàn)主觀題的自動(dòng)評(píng)分.然而，據(jù)現(xiàn)有文獻(xiàn)，從深度學(xué)習(xí)的角度對(duì)教師課堂提問方式展開的研究還較為少見.

為此，本文借鑒布魯姆教育目標(biāo)分類學(xué)對(duì)四何問題模型進(jìn)行改進(jìn)，設(shè)計(jì)了細(xì)粒度四何問題分類方法探索教師提問的類型和傾向；將深度學(xué)習(xí)技術(shù)應(yīng)用于課堂觀察，采用自動(dòng)化技術(shù)分類教師課堂問題，為促進(jìn)教師教學(xué)實(shí)踐能力的發(fā)展和大規(guī)模教師課堂提問的觀察提供有效途徑.

1 課堂提問方式的分類模式

1.1 四何問題模型及其局限

基于人腦感知信息和處理信息的自然循環(huán)過程，四何問題模型將教師提出的問題分為四類，是何類、為何類、如何類及若何類，分別指向“是什么”、“為什么”、“用什么”、“如果什么”，即內(nèi)容、原因、方法和其他4類問題，四類問題側(cè)重培養(yǎng)學(xué)習(xí)者的深度學(xué)習(xí)思維，“是何”問題反映教師提問的開放性程度，是何問題提出的越多，課堂開放性越低；“如何”“為何”類問題注重學(xué)習(xí)者的原理性知識(shí)、策略性知識(shí)的獲取，側(cè)重培養(yǎng)學(xué)習(xí)者的問題解決能力；“若何”問題注重學(xué)習(xí)者的遷移能力的獲取，側(cè)重培養(yǎng)學(xué)習(xí)者的創(chuàng)造性和批判性能力[19](以下簡(jiǎn)稱創(chuàng)新性思維)，后3類問題反映學(xué)習(xí)者高階思維傾向的培養(yǎng).

本研究觀察40節(jié)課堂提問(考慮到文理課堂教學(xué)存在差異[20]，文科課堂與理科課堂均采樣20節(jié)課進(jìn)行分析)，課堂教學(xué)中的四何問題統(tǒng)計(jì)數(shù)據(jù)見表1.由該表可以看出：(1)教學(xué)提問在課堂教學(xué)活動(dòng)中極為重要，教師平均每節(jié)課的提問數(shù)為34個(gè)；(2)是何問題在四何問題分析模型平均占比達(dá)79.65%，無論是文科還是理科課堂，是何問題的占比都處于絕對(duì)統(tǒng)治地位，四何問題分析模型中存在著嚴(yán)重的類型不平衡問題；(3)在四何問題模型中，低開放性思維傾向問題占比79.65%，問題解決傾向占比10%.若將此表統(tǒng)計(jì)數(shù)據(jù)納入認(rèn)知水平分類模型[21]中，則記憶性問題與推理性問題的占比分別達(dá)40.67%與46.14%，這與四何問題模型反映的深度思維傾向數(shù)量相差較大.實(shí)際上，四何問題的劃分是基于教師問法、疑問詞等特征分類，為何、如何、若何3類問題語法策略的劃分限制嚴(yán)格，課堂問題堆聚是何類型，導(dǎo)致分布極其不均，不利于課堂提問的持續(xù)探索與研究；其次，是何問題歸屬為低開放性問題，卻包含豐富的思維訓(xùn)練問題，大大降低了課堂提問深度，從而難以達(dá)成培養(yǎng)學(xué)習(xí)者高階思維能力的目標(biāo).

表1 文理課堂中的四何問題分布情況Tab.1 The distribution of 4MAT question in the arts and sciences classroom

針對(duì)四何問題模型的不足，學(xué)者們提出了一些改進(jìn)方法.柯旺花[21]結(jié)合2種模型觀察教師提問，四何問題模型和能力培養(yǎng)模型，能力培養(yǎng)模型包括記憶性、推理性、批判性、創(chuàng)造性和常規(guī)管理類問題，多維度地聽評(píng)課堂提問.王陸等[20]改進(jìn)四何問題模型，加入“記憶性”、“推理性”、“創(chuàng)造性”和“批判性”能力培養(yǎng)角度，探究八類教師提問規(guī)律.兩種方法基于橫向擴(kuò)展策略改進(jìn)模型，關(guān)注教師提問方式和問題深度兩個(gè)維度，但模型實(shí)際上是對(duì)四何問題模型和能力體現(xiàn)模型的結(jié)合，觀察者重復(fù)兩次觀察動(dòng)作，數(shù)據(jù)重復(fù)記錄和處理造成觀察效率較低.因此，很有必要構(gòu)建縱向教學(xué)思維改進(jìn)四何模型，實(shí)現(xiàn)僅以一個(gè)模型完成提問類型和教學(xué)傾向2個(gè)維度的觀察，以便打破課堂言語行為觀察的僵化狀態(tài).

1.2 分類模式的改進(jìn)與應(yīng)用

圖1 細(xì)粒度四何問題模型Fig.1 Fine-grained 4MAT question model

圖2 課堂中的細(xì)粒度四何問題分布Fig.2 Distribution of fine-grained 4MAT questions in the classroom

基于授新知、知為何、懂如何、會(huì)若何的教學(xué)過程，布魯姆將學(xué)習(xí)目標(biāo)分為6類:知道、領(lǐng)會(huì)、應(yīng)用、分析、綜合和評(píng)價(jià)，其中前2種類型停留在簡(jiǎn)單復(fù)刻的淺層學(xué)習(xí)，后4種類型則反映更深層次的認(rèn)知[22].6類問題目標(biāo)相互支持，相互促進(jìn)，共同構(gòu)成整個(gè)課堂教學(xué).啟發(fā)于布魯姆教育目標(biāo)分類法與四何問題模型在培養(yǎng)能力目標(biāo)和思維構(gòu)建方面趨于一致，本文借鑒布魯姆認(rèn)知目標(biāo)分類法改進(jìn)四何問題模型.具體而言，將是何類型問題的高階思維傾向剝離出來以進(jìn)行細(xì)粒度處理，構(gòu)建包含2個(gè)層級(jí)(第1層級(jí)分類為是何、為何、如何和若何問題，第2層級(jí)分類為是何問題領(lǐng)會(huì)型、分析型和創(chuàng)造型的三類細(xì)分)的細(xì)粒度四何問題模型(圖1).細(xì)粒度四何問題延續(xù)四何模型能力培養(yǎng)模式，傾向培養(yǎng)學(xué)習(xí)者的記憶性、求知性和創(chuàng)新性3種思維能力.領(lǐng)會(huì)型問題對(duì)應(yīng)知識(shí)和領(lǐng)會(huì)目標(biāo)，是指初步認(rèn)知的具體知識(shí)和抽象知識(shí)，該問題的解決對(duì)應(yīng)著學(xué)習(xí)者記憶和理解能力的獲取，培養(yǎng)學(xué)習(xí)者的記憶性思維傾向；分析型問題對(duì)應(yīng)分析和評(píng)價(jià)目標(biāo)，是指事物間的邏輯關(guān)系和價(jià)值評(píng)價(jià)，該問題的解決對(duì)應(yīng)著問題解決能力的獲取，培養(yǎng)學(xué)習(xí)者的求知性思維傾向；創(chuàng)造型問題對(duì)應(yīng)創(chuàng)造目標(biāo)，是指教師運(yùn)用多種教學(xué)方法，提出與學(xué)習(xí)者經(jīng)驗(yàn)和實(shí)際生活相關(guān)的問題等，該問題的解決通常對(duì)應(yīng)著創(chuàng)新和批判能力的獲取，培養(yǎng)學(xué)習(xí)者的創(chuàng)新性思維.

隨機(jī)選取一節(jié)數(shù)學(xué)課作為研究課例對(duì)問題類型和問題傾向性進(jìn)行分析，結(jié)果見圖2與表2.課程中，教師采取基于問題的教學(xué)方式，即教師拋出問題后，學(xué)習(xí)者或?qū)W習(xí)小組自主探究匯報(bào)，最后由教師指導(dǎo)修正的探究過程.從“四何”問題來看，雖然教師課堂提問總數(shù)不盡相同，但都以低開放性問題為主，是何問題占比70.69%，其他3類高階問題占比29.31%，4種問題類型接近全國(guó)常模數(shù)據(jù)，其中相差相對(duì)較大的是何、為何類問題也相差無幾，是何問題(70.69%)略低于常模數(shù)據(jù)(72.09%)，為何問題(15.52%)略高于常模數(shù)據(jù)(13.06%)，這堂課的提問類型處理得當(dāng)，抓住高階思維和綜合能力培養(yǎng)的關(guān)鍵點(diǎn)，四何問題模型和細(xì)粒度四何問題模型都實(shí)現(xiàn)了該問題類型方面的觀察.由圖2中的問題分布情況“領(lǐng)會(huì)型占是何問題比例的63.41%，分析型、創(chuàng)造型占比34.15%、2.44%”可知，借助細(xì)粒度四何問題模型可進(jìn)一步分析問題的思維傾向.

進(jìn)一步利用認(rèn)知水平分類模型對(duì)這節(jié)課的思維傾向進(jìn)行觀察，結(jié)果見表3.對(duì)比表2與表3可以發(fā)現(xiàn)：(1)對(duì)于同一次課，四何問題模型所觀測(cè)的問題數(shù)要比認(rèn)知水平分類模型的問題數(shù)略少，這是由于四何模型不計(jì)入無關(guān)課堂內(nèi)容的問題；(2)在表2中，記憶性問題即領(lǐng)會(huì)型問題26個(gè)，占比44.83%，求知性問題29個(gè)，占比50%，創(chuàng)新性問題3個(gè)，占比5.17%.說明利用細(xì)粒度四何問題模型可以分析出教師的關(guān)注點(diǎn)(本節(jié)課的關(guān)注點(diǎn)為基礎(chǔ)原理的學(xué)習(xí)，通過求知性問題來培養(yǎng)學(xué)習(xí)者的知識(shí)遷移能力，并設(shè)計(jì)適當(dāng)?shù)膭?chuàng)新性問題培養(yǎng)學(xué)習(xí)者的高階思維)；(3)兩模型的記憶性、求知性(推理性)的問題數(shù)量基本一致，由于求知性問題與創(chuàng)新性問題都是傾向于培養(yǎng)學(xué)習(xí)者發(fā)現(xiàn)問題、解決問題的能力，說明細(xì)粒度四何問題模型能夠準(zhǔn)確地實(shí)現(xiàn)高低兩階思維傾向的觀察.

綜上所述，細(xì)粒度四何問題分類模型不但延續(xù)了四何問題模型的問題分類能力，而且能利用布魯姆教育目標(biāo)分類法對(duì)教師課堂提問的思維傾向進(jìn)行挖掘分析，克服了四何模型觀察維度單一的不足，可準(zhǔn)確地區(qū)分課堂提問中的高低階思維傾向，實(shí)現(xiàn)一個(gè)模型觀察問題類型和問題傾向2個(gè)維度的目標(biāo).

表3 認(rèn)知水平分類模型視角下的思維傾向分布Tab.3 Distribution of thinking dispositions in the perspective of cognitive level classification modell

2 實(shí)驗(yàn)與分析

本節(jié)將深度學(xué)習(xí)模型LSTM[23]實(shí)驗(yàn)性地應(yīng)用于教師課堂提問類型分類研究，實(shí)現(xiàn)課堂教學(xué)中細(xì)粒度四何問題的自動(dòng)化分類.

2.1 數(shù)據(jù)收集與標(biāo)注

國(guó)家教育資源平臺(tái)一師一優(yōu)課等平臺(tái)備受教育者的青睞，通過迅捷音頻錄制工具獲取課堂教學(xué)視頻296個(gè)，利用迅捷文字轉(zhuǎn)語音、八爪魚數(shù)據(jù)采集器等工具將課堂教學(xué)視頻轉(zhuǎn)換為文本，并采集課堂文本中的教師教學(xué)問題，獲取課堂問答11 000余條.

為了獲得問題類型標(biāo)簽，招募9名大學(xué)生參與數(shù)據(jù)集的標(biāo)注，每個(gè)標(biāo)注者根據(jù)細(xì)粒度四何定義標(biāo)注全部問題，然后根據(jù)high-voting機(jī)票原則來確定每個(gè)問題的類型歸屬，表4給出了細(xì)粒度四何問題的示例.觀察者從關(guān)鍵詞特征大概率能分類問題，再結(jié)合提問背景和四何問題特征完成分類，問題所屬類別取志愿者標(biāo)記數(shù)量最多的一類.原始語料經(jīng)過處理得到10 000條，具體地，是何問題3 000條，為何問題2 500條，如何問題2 500條，若何問題2 000條，細(xì)粒度分類中，領(lǐng)會(huì)型問題1 550條，分析型問題1 600條，創(chuàng)造型問題1 330條問題.

表4 細(xì)粒度四何問題示例Fig.4 Example of fine-grained 4MAT questions

2.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理是將最初的問答文本轉(zhuǎn)換成模型可辨認(rèn)的文本格式.研究從2方面處理數(shù)據(jù):去除語氣詞、停用詞和特殊字符；進(jìn)行分詞操作.

加載停用詞是為了保證分詞的準(zhǔn)確性，停用詞通常沒有實(shí)際含義，針對(duì)細(xì)粒度四何問題特點(diǎn)，將出現(xiàn)在文本內(nèi)容中的介詞、虛詞、或出現(xiàn)頻率較高的無用詞匯去除，比如“第一”“你們”“吧”，以減少問答文本數(shù)據(jù)集的噪聲.預(yù)處理后的語料如圖3所示，每句之間用回車作為分割.

圖3 預(yù)處理后的語料示例Fig.3 Example of pre-processed corpus

問題分類模型主要是對(duì)中文課堂進(jìn)行，中文中單獨(dú)的字多數(shù)不能準(zhǔn)確表達(dá)含義，因此先要對(duì)文本進(jìn)行分詞處理.模型運(yùn)用jieba分詞及精確模式劃分成詞，jieba分詞是基于Trie樹結(jié)構(gòu)動(dòng)態(tài)地切分回答文本，而對(duì)于未登錄詞，則采用HMM模型及Viterbi算法處理.

本研究采用Mikolov等[24]提出的word2vec嵌入詞，該向量模型是指將問答文本映射為向量空間的實(shí)數(shù)向量，其向量的相似度用以表示文本語義的相似度.訓(xùn)練所得的詞向量含語義信息，常用的詞向量訓(xùn)練模型包括CBOW和SkipGram模型，兩者的區(qū)別在于通過詞預(yù)測(cè)上下文和通過上下文預(yù)測(cè)詞，本文運(yùn)用SkipGram模型，維度設(shè)置為150維.

2.3 LSTM分類器模型

長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型LSTM作為RNN模型的變種模型，引入門結(jié)構(gòu)實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)記憶的控制，較好地解決了循環(huán)神經(jīng)網(wǎng)絡(luò)的梯度爆炸和消失問題，其在處理中長(zhǎng)度序列數(shù)據(jù)方面具備一定的優(yōu)勢(shì)，目前LSTM模型已經(jīng)在自然語言領(lǐng)域廣泛應(yīng)用.

在本文中，記憶單元的輸入為課堂問答文本的詞向量.記憶單元通過LSTM動(dòng)態(tài)門單元遺忘無用信息，對(duì)不同時(shí)刻的文本自動(dòng)加權(quán)，輸入ht-1和xt信息，輸出0到1之間的小數(shù)ft，計(jì)算得到要遺忘的信息的比例：

ft=σ(Wf[ht-1,xt]+bf),

(1)

式中，σ為激活函數(shù)，W為權(quán)重矩陣，b為偏置量.特征序列與特征向量的softsign激活函數(shù)σ線性組合得到下一時(shí)刻的狀態(tài).

it=σ(Wi[ht-1,xt]+bi),

(2)

(3)

LSTM單元在門結(jié)構(gòu)的處理過程不斷變化，遺忘門過濾、輸入門保留控制保留單元的信息，新狀態(tài)Ct決定舊狀態(tài)Ct-1的狀態(tài)變化，其過程表示為：

(4)

單元狀態(tài)利用新的參數(shù)控制輸出，t時(shí)刻傳遞給下一單元的特征信息為：

ot=σ(Wo[ht-1,xt]+bo),

(5)

LSTM模塊輸出的最終特征h為：

ht=ottanhCt.

(6)

確定好模型后，將LSTM模型的輸出輸入到softmax層計(jì)算，得到問答文檔向量在各類別維度的概率，根據(jù)概率歸類教師課堂提問類別.筆者將教師課堂提問的類別以矩陣表示，通過softmax函數(shù)計(jì)算后，輸出教師問答的預(yù)測(cè)概率，預(yù)測(cè)公式如下：

p=softmax(Wp+bp).

(7)

與網(wǎng)絡(luò)流行信息文本不同，課堂教學(xué)言語詞義較規(guī)范，而網(wǎng)絡(luò)交流文本容易出現(xiàn)歧義.這一特點(diǎn)為模型利用word2vec訓(xùn)練詞向量提供了良好的充分性.根據(jù)各種問題類型特點(diǎn)制定表達(dá)式自動(dòng)識(shí)別細(xì)粒度四何文本，提取類別問題核心詞，類別詞典中的詞越多，關(guān)系越密切，問題分類才越精確，訓(xùn)練的分類質(zhì)量才更好.

2.4 評(píng)價(jià)標(biāo)準(zhǔn)

性能評(píng)估是問答文本分類的最后一階段，本研究使用準(zhǔn)確率(Accuracy)對(duì)問答文本分類進(jìn)行評(píng)估，并延伸二分類的評(píng)價(jià)標(biāo)準(zhǔn)應(yīng)用于多分類，具體計(jì)算公式如下：

(8)

式中，TP與TN分別表示被正確分類的正樣本數(shù)和負(fù)樣本數(shù)，F(xiàn)P與FN分別表示被錯(cuò)誤分類的正樣本數(shù)和負(fù)樣本數(shù).Accuracy值表示預(yù)測(cè)正確的樣本數(shù)所占百分比，代表整個(gè)分類器的準(zhǔn)確程度.

2.5 實(shí)驗(yàn)結(jié)果分析

本研究使用2 000條和896條人工標(biāo)記的問答文本對(duì)LSTM問題分類模型進(jìn)行測(cè)試，結(jié)果見表5.觀察表5可知，基于詞特征的實(shí)驗(yàn)效果良好，四何問題比較細(xì)粒度是何問題效果更佳，該結(jié)果可能的原因是四何問題的關(guān)鍵詞少而出現(xiàn)頻數(shù)高，例如“該怎么去解決數(shù)據(jù)流失的問題？”、“你是如何解決數(shù)據(jù)流失的？”中“怎么”“如何”作為“如何”問題的高頻關(guān)鍵詞，更利于“如何”問題的識(shí)別.細(xì)粒度是何問題分類準(zhǔn)確率較低，其原因可能在于，教師提問方式多樣，又加之記憶、分析及創(chuàng)造性問題本就輔車相依，分類難度較大；還可能在于關(guān)鍵詞的詞性，詞性不同代表問題類型不同，例如細(xì)粒度分類中，“原命題和他的否命題之間的關(guān)系稱作？”考量學(xué)習(xí)者記憶理解能力，為領(lǐng)會(huì)型問題，“大家看到題目中a點(diǎn)和b點(diǎn)之間有什么關(guān)系？”考量學(xué)習(xí)者的分析能力，為分析型問題.兩句中都存在“關(guān)系”關(guān)鍵詞，分類卻不同，還要結(jié)合其他關(guān)鍵詞的權(quán)重分析類別，故分類準(zhǔn)確率較低.此外， LSTM模型在四何、細(xì)粒度是何類別訓(xùn)練集中的準(zhǔn)確率和Loss值的變化如圖4和圖5所示.可以看出，該模型在訓(xùn)練問答語料的過程中，準(zhǔn)確率和Loss值隨著樣本訓(xùn)練數(shù)據(jù)的增加平滑的變化，模型的訓(xùn)練過程表現(xiàn)良好.總體而言，四何問題分類達(dá)95%，細(xì)粒度四何問題分類達(dá)84%，能較大程度地實(shí)現(xiàn)教師課堂提問分析的自動(dòng)化，解決課堂言語觀察困境.

表5 LSTM模型分類結(jié)果Fig.5 LSTM model classification results

圖4 四何類別訓(xùn)練集的準(zhǔn)確率和Loss值變化趨勢(shì)圖 Fig.4 Trend of accuracy and Loss value of the training set of the 4MAT question category

圖5 細(xì)粒度類別訓(xùn)練集的準(zhǔn)確率和Loss值變化趨勢(shì)圖Fig.5 Trend of accuracy and Loss value of the training set of the granularity category

3 結(jié)論與展望

本文針對(duì)四何問題模型功能單一問題，聚焦教學(xué)傾向思維培養(yǎng)，提出細(xì)粒度四何問題分類方法，該方法實(shí)現(xiàn)細(xì)粒度四何問題模型觀察提問類型和提問傾向兩個(gè)維度的目標(biāo).課堂觀察應(yīng)用實(shí)驗(yàn)中，該模型與認(rèn)知水平模型相近證實(shí)其可實(shí)踐性.針對(duì)課堂問答文本的上下文較長(zhǎng)、語義表征聯(lián)系緊密等特點(diǎn)，引入LSTM神經(jīng)網(wǎng)絡(luò)分類模型.實(shí)驗(yàn)?zāi)Ｐ头诸惖募?xì)粒度四何問題結(jié)果，證明LSTM模型應(yīng)用于課堂言語觀察的有效性.

未來工作需要擴(kuò)大收集課堂言語中的其他課堂觀察方法的語料，如S-T分析方法、FIAS分析方法等，探索改進(jìn)深度學(xué)習(xí)技術(shù)應(yīng)用于其他的課堂觀察模型，構(gòu)建基于課堂觀察的教師成長(zhǎng)數(shù)據(jù)庫，提升課堂觀察智能化水平.