《Behavioral Sciences》：Leveraging Multi-Source Data Fusion Approach for Fine-Grained Affective-Appraisal Analysis in TPD-Oriented Online Professional Learning
编辑推荐：
教师专业学习(teacher professional development, TPD)日益通过在线平台开展，但该情境下的情感(emotion)分析仍不成熟，原因是教师的专业话语常具反思性、评价性并受专业规范形塑。为解决此问题，本研究提出一种面向TPD导向在
教师专业学习(teacher professional development, TPD)日益通过在线平台开展，但该情境下的情感(emotion)分析仍不成熟，原因是教师的专业话语常具反思性、评价性并受专业规范形塑。为解决此问题，本研究提出一种面向TPD导向在线专业学习的细粒度、低侵入性情感—评价(affective-appraisal)分析框架，将文本证据与平台交互日志相融合。该框架保留愉悦(pleasure)、唤醒度(arousal)和支配度(dominance)三维度（源自pleasure–arousal–dominance, PAD模型），并引入效用(utility)作为评价相关维度，以捕捉教师感知的有用性、价值判断及专业学习收益。方法上结合基于双向编码器表征来自变换器(Bidirectional Encoder Representations from Transformers, BERT)的文本表示、周内长短期记忆(long short-term memory, LSTM)时序聚合、可解释的行为日志特征及特征级融合(feature-level fusion)。数据来自107名职前教师参与的真实TPD导向在线课程，由4300篇文本和264,028条交互记录生成1276个教师—周样本。结果表明，周内时序建模较词频—逆文档频率结合支持向量机(term frequency–inverse document frequency plus support vector machine, TF-IDF+SVM)基线及BERT周文本拼接模型提升了宏平均F1值(Macro-F1)，且较非时序BERT拼接模型在四个维度上均有统计显著改善。加入交互日志提高了各维度准确率并提供互补的过程性证据，尤其对唤醒度(arousal)和效用(utility)。通过将四维情感—评价框架与文本—日志融合相结合，本研究为职前教师专业学习中的情感—评价分析提供了可扩展且情境敏感的方法。
论文解读：面向TPD导向在线专业学习中细粒度情感—评价分析的多源数据融合方法研究
该研究发表于《Behavioral Sciences》。当前教师专业学习(teacher professional development, TPD)大量迁移至在线平台，但既有情感分析多采用粗粒度的正负极性分类或单纯文本流水线，难以刻画教师专业话语中混合、低强度且带有价值判断的情感体验；自陈量表又无法做到细粒度、连续的过程监测；多模态情感识别虽发展较快但依赖复杂传感设备，难以在真实TPD平台大规模部署。此外，教师专业反思文本受制度与专业规范过滤，并非直接情绪宣泄，传统PAD(pleasure–arousal–dominance)模型未涵盖学习情境中的价值评价成分。因此，研究人员开展此项研究，旨在构建含效用(utility)维度的四维情感—评价(affective-appraisal)表征框架，并检验周内时序文本聚合及文本—平台交互日志融合对周级别情感—评价识别的效果，最终为在线TPD提供可扩展、低侵入的分析工具。
研究人员以某大学21周必修课程《现代教育技术应用》中107名职前教师(pre-service teachers)为对象，收集4300条讨论/反思文本及264,028条xAPI格式交互日志，按参与者ID和周对齐后得1276个有效教师—周样本。经三位受过培训的研究人员独立标注四维三分类标签（?1/0/1，Fleiss' kappa为0.83/0.75/0.76/0.81），采用5次重复×5折参与者分组交叉验证。文本分支用BERT-Base-Chinese编码单条文本取[CLS]向量，周内按时间排序输入LSTM得周级文本表示；日志分支由时间戳间隔划学习会话(session)，提取周操作次数、会话个数、总时长、平均及标准差会话时长五维行为特征并标准化；两路特征拼接做特征级融合(feature-level fusion)，各维度独立用三类支持向量机(three-class support vector machine, SVM)预测。对照设TF-IDF+SVM基线、BERT周文本直接拼接模型(Model A)、BERT–LSTM时序文本模型(Model B)、文本—日志融合模型(Model C)，通过Macro-P/Macro-R/Macro-F1及Accuracy评估，并对会话划分阈值(1–4 h)与最大周文本序列长度(3/5/7/10)做鲁棒性与敏感性分析。
4. Results（结果）
比较Model A(BERT周文本拼接)与Model B(BERT–LSTM时序聚合)：Model B在四个维度Macro-F1均显著提升(p<0.05，Holm–Bonferroni校正)，愉悦(pleasure)提升0.1798、唤醒度(arousal)提升0.1702、支配度(dominance)提升0.0924、效用(utility)提升0.0899，准确率先升。说明周内多条短文本的时序顺序与积累信息对捕捉分散的情感—评价线索尤为重要，简单拼接会丢失此结构。
比较Model B与Model C(文本—日志融合)：Model C在四维度Accuracy均显著优于Model B，最大增益在唤醒度(arousal)和效用(utility)各+0.0508；Macro-F1除支配度(dominance)达显著外其余维度增量较小，唤醒度(arousal)的Macro-R略降。表明交互日志提供参与强度、行为激活与持续性的过程证据，尤其辅助与行为激活相关的唤醒度(arousal)及与持续访问相关的效用(utility)，但未完全替代文本中对低频或弱表达类别的判别。
鲁棒性分析显示会话划分阈值1–4 h下Model C性能波动极小，3 h阈值为最优但差异微小；敏感性分析表明最大周文本序列长度设为5已保留95.2%文本且性能与更长序列(7/10)无实质差异，缩至3则性能下降。混淆矩阵显示误分多发生于相邻类别间(如中性?高分)，效用(utility)正类区分最清晰，唤醒度(arousal)相邻混淆相对多，符合专业话语克制表达及唤醒度多义特性。
5. Discussion（讨论）
研究人员指出，引入效用(utility)维度能区分"有挑战但有用"与单纯愉悦体验，契合控制—价值理论(Control–Value Theory)中价值评价先于情绪生成及技术接受模型(Technology Acceptance Model, TAM)的感知有用性(perceived usefulness)。周内LSTM时序聚合优于文本拼接，证实专业反思中情感—评价线索分布于多篇短文且具时序信息。交互日志融合提高整体分类稳定性，尤对唤醒度(arousal)与效用(utility)，但文本仍主导细粒度类别区分。误差多在相邻类别反映专业话语克制与混合评价靠近类别边界。该框架可作周级描述性指标辅助教师或课程设计者识别低效用、低支配度或高唤醒异常模式并提供适时支持，但须作为决策支持信号而非自动评判个体情绪或绩效。局限含样本为单一课程职前教师、周级聚合平滑了任务内波动、日志特征手工构造较精简、标注依赖专家判断且无同期自我报告效标校验。
6. Conclusions（结论翻译）
本研究开发并评估了一种用于分析TPD导向在线专业学习中情感相关线索的四维情感—评价(affective-appraisal)框架。通过在愉悦(pleasure)、唤醒度(arousal)和支配度(dominance)之外整合效用(utility)，该框架捕捉专业学****习话语中的情感与评价线索，并支持对混合评价模式的剖面(profile)式解读。以职前教师真实在线课程数据证明，周内时序建模较传统及非时序文本方法提升识别表现，说明保留周内文本生产时序组织的重要性。融入平台交互日志提供互补过程证据并提升整体分类稳定性，尤对唤醒度(arousal)和效用(utility)。结果表明文本—日志融合可支持职前教师学习中可扩展、低侵入、情境敏感的情感—评价分析，为监测专业学习进程与指导支持设计提供可解释基础，但仍需在更广泛在职TPD(in-service TPD)情境中进一步验证后方能推广。
