利用danmaku技术分析在线课堂中学生的认知行为

《Expert Systems with Applications》：Using danmaku to analyze student cognitive behaviors in online classrooms

弹幕数据与认知行为分析在在线教育中的应用研究。通过构建基于Bloom分类法和COI理论的两维弹幕指标系统，结合多任务学习模型（Multi-head CNN和Bi-LSTM）实现弹幕文本分类，实证分析显示触发事件类认知行为对学业表现影响显著。研究为实时智能教育评估系统提供方法论支持。

　　

Jilan Wu|Huifang Qu|Fanchao Meng|Xin Xu|Pei Chen|Zhifang Shao

上海财经大学信息管理与工程学院，中国上海

摘要

为了解决在线直播课堂中缺乏实时和客观的认知行为评估定量工具的问题，本研究将danmaku（实时同步评论）数据的特点与教育理论相结合，构建了一个用于认知行为分析的专家系统基础框架，探讨了学生认知能力与学业表现评估之间的机制。首先，基于布鲁姆分类法和探究社区（COI）理论，建立了一个涵盖“认知能力”和“认知阶段”的二维danmaku指标系统——认知能力包括“记忆”和“理解”等类别，而认知阶段包括触发事件和探索等类别。随后，利用Rain Classroom平台的danmaku数据进行了成分句法分析，并通过Word2Vec微调优化了短文本语义表示。此外，设计了一个结合多头CNN和Bi-LSTM的多任务学习模型用于danmaku分类，该模型表现出优异的分类性能。最后，使用固定效应OLS、工具变量（IV）和一系列稳健性测试进行了实证分析。结果表明，danmaku所反映的认知行为与学生的通常表现显著正相关，其中“触发事件”行为对表现的影响尤为突出。本研究不仅为在线教育中的认知评估提供了一个可操作的指标系统和模型工具，还为构建支持学生评估的实时智能专家系统奠定了基础。

引言

COVID-19大流行深刻影响了教育模式，推动了全球在线教育的快速发展。截至2024年1月，中国的MOOC平台推出了超过76,000门课程，服务了12.7亿次学习体验，其建设和应用规模位居全球首位。得益于互联网技术和流媒体技术的进步，在线教育已成为一个重要的研究领域，尤其是实时流媒体已成为当代教育环境中不可或缺的工具（Zhang等人，2024；Wu & Zhang，2021；Sivakumar等人，2023）。在这一背景下，将danmaku（覆盖视频内容的实时同步评论）整合到实时流媒体教育中引起了广泛关注，因为它在促进互动学习环境方面发挥了重要作用。这促使人们开始研究学生认知能力与其表现评估之间的关系（Mou等人，2022；Zhang等人，2024），探索互动学习环境中的认知阶段动态。

现有研究表明，学生的认知能力与学业表现和参与度密切相关（Bloom，1956；Garrison等人，2001）。诸如布鲁姆分类法和探究社区（COI）模型等理论框架已被广泛应用于学习行为的研究，特别是在分析实时流媒体平台中的互动时（Garrison、Anderson和Archer，2001；Liu等人，2021）。

这些框架为探索教育环境中认知阶段与学生表现之间的相关性提供了坚实的基础。尽管有大量研究探讨了认知能力对表现评估的影响，但关于实时流媒体danmaku环境分析的研究却很少（Classace，2025）。因此，本研究旨在通过分析danmaku数据来探讨认知能力如何影响学生的表现评估。

视频danmaku是一种创新的在线视频内容交互设计。与传统的论坛评论不同，后者按时间顺序异步显示在视频下方，danmaku评论直接叠加在视频屏幕上，并随着播放的进行而动态滚动——类似于滚屏射击游戏中的“子弹幕”效果（Shurl，2023）。与其他形式的短文本通信相比，danmaku数据的特点是简洁、片段化、非结构化格式和高互动性。目前关于danmaku文本分类的研究主要集中在情感分析上（Wang等人，2024；Zhao等人，2024；Tzeng等人，2023）。

在线课堂danmaku继承了一般danmaku文本的固有属性，同时发展出了独特的特征。与一般danmaku相比，在线课堂danmaku来自一个同质的群体——注册的学生。另一个显著的区别在于其相对正式的上下文框架，产生了更实质性的内容，有助于更高层次的互动和学术讨论。此外，在线课堂danmaku表现出强烈的时间同步性，评论内容与前后讨论具有显著的相关性（Huaweiupsa，2024）。

因此，对在线课堂danmaku进行系统分析需要深入分析，以基于教育理论确定描述其属性的相关维度，准确反映学习者的认知和行为模式。

基于上述讨论，本研究旨在构建一个结合行为和教育理论的danmaku文本分类模型。它采用自然语言处理技术来识别认知能力分类指标和主题分割参数，根据在线课堂danmaku数据中固有的稳健时间序列进行主题分割。然后将分类结果反馈到教育理论中，以验证评估指标，验证实证数据分析和理论框架之间的机制。

部分摘录

实时流媒体学习中的认知能力与表现评估

认知能力被定义为与学习、解决问题和批判性思维相关的能力，长期以来一直被认为是影响教育成果的基本因素。布鲁姆分类法等理论框架提供了一个分层模型，将认知阶段分为六个连续层次：记忆、理解、应用、分析、评估和创造（Bloom，1956）。每个层次对应于不同的认知任务。

方法论

图1展示了danmaku文本分类模型的构建和执行框架。该过程包括四个关键阶段：（1）理论层；（2）数据标注层；（3）数据处理层；（4）模型运行层。

在理论层面，该模型基于一个稳健的框架，为文本分类提供了严谨的学术依据。数据标注层系统地组织和详细标注danmaku数据，建立了结构化的

danmaku文本分类模型的结果

本节展示了实验结果并进行了一系列比较研究。

实证分析

教学形式的演变——从传统的线下教学到异步学习，再到同步在线讲座——促使教育工作者创新评估工具。他们利用人工智能和大数据等现代信息技术，探索实施全流程、纵向评估以改革教育评估系统。通过分析教育理论——特别是布鲁姆的认知分类法

主要发现

基于本研究构建的danmaku文本分类模型和计量经济模型，本研究系统地探讨了学生在实时课堂danmaku中表现出的认知行为与其学业表现之间的关系。主要发现总结如下：

首先，第3章开发的多任务学习分类模型在danmaku文本分类任务中表现优异。

未引用的参考文献

Afzal等人，2023；Ajzen，2011；Asterhan和Bouton，2017；Bai等人，2021；Biswas等人，2021；Black和William，1998；Braver等人，2014；Breukelman等人，2023；Cai和Wei，2022；Carroll，1993；Carstens等人，2021；Celina等人，2020；Closs等人，2022；Co?gun ?geyik，2022；Garrett，2008；Gherghel等人，2023；Goldberg等人，2021；He和Wang，2020；Jiang，2014；Jin，2020；John和Samuel，2000；Kassab等人，2005；Kovanovi?等人，2018；Li等人，2024；Li等人，2018；Li等人

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。