揭示在线课程中学习者满意度的影响因素：一种使用非结构化评论的可解释机器学习技术

《The Internet and Higher Education》：Unveiling determinants of learner satisfaction in online courses: An explainable machine learning technique using unstructured reviews

　　

摘要
随着人工智能（AI）驱动的在线教育迅速扩张，确保高水平的学习者满意度已成为在日益激烈的数字学习环境中维持参与度并改善学习成果的关键。本研究分析了 Coursera 人工智能相关课程的 66,608 条学习者评论，以识别和预测学习者满意度的关键决定因素。利用整合的自然语言处理（NLP）和机器学习（ML）管道，我们应用 Top2Vec 进行主题提取，并使用递归神经张量网络（Recursive Neural Tensor Network）计算每个属性的细粒度情感分布。测试了八种有监督 ML 模型，其中 LightGBM（轻量梯度提升机）显示出最强的预测性能。为了增强模型透明度，采用 SHapley 加法解释（SHAP）来可视化和解释不同决定因素如何影响满意度。结果显示了五个主导因素，即编程难度、课程内容相关性、学习资源与支持、学习负荷以及讲师质量，这些因素共同塑造了人工智能课程中的满意度结果。通过量化这些决定因素及其情感动态，本研究深化了对满意度形成过程的理解，并为改进人工智能赋能在线学习中的课程设计、平台支持和教学策略提供了可行的见解。

引言
在过去十年中，人工智能、学习分析和数字平台的快速进步从根本上重塑了高等教育（Crompton & Burke, 2023）。随着大学和培训机构越来越多地采用人工智能驱动的教学工具，在线学习已从辅助补充手段演变为主流教育模式（Zhang, Huang, et al., 2025）。智能辅导系统、自动反馈机制、个性化学习路径和自适应评估技术显著丰富了学习者的体验，同时在学习过程中产生了广泛的数字足迹（Qin, Luo, et al., 2026; Qin, Zhao, & Wang, 2026）。此类技术的普及也导致了非结构化学习者生成内容的大幅增加，包括评论、讨论帖和开放式反馈，这为大规模理解学习者的认知、情感和行为动态提供了独特机会（Liu et al., 2025）。在此背景下，学习者满意度日益成为衡量在线课程质量的核心指标，影响着学习者感知价值、留存决策以及在人工智能赋能的教育环境中的长期参与度（Yal??n & Dennen, 2024）。

随着在线和基于人工智能的课程在各个机构和商业平台上不断增多，对学习者的参与度和忠诚度的竞争也日趋激烈（Wu & Wang, 2022）。课程提供者面临越来越大的压力，需要交付个性化的、具有激励性且高质量的学习体验，以吸引多元化的学习者群体（Fu et al., 2024）。然而，尽管在数字基础设施、学习平台和基于人工智能的教学设计方面投入巨大，确保持续的学习者满意度仍然是一项具有挑战性的任务。在线学习环境往往缺乏传统教室提供的即时性、社会临场感和情感支持，这使得学习者对内容结构不清、反馈不足、平台可用性问题或课程期望与结果之间的感知错位等问题更为敏感（Yildiz Durak, 2025）。此外，在线学习的可扩展性意味着即使是微小的设计缺陷也可能同时影响数千名学习者。特别是在人工智能课程中，学习者往往面临复杂的技术概念、陡峭的学习曲线和巨大的认知需求，满意度不仅受教学质量影响，还受学习者自信、自我效能感以及与人工智能驱动工具交互的影响（Ouyang et al., 2023）。这些挑战凸显了揭示塑造人工智能赋能在线学习环境满意度的决定因素的迫切需求。

尽管 prior 研究已调查了影响在线学习满意度的多种因素，如交互质量、平台可用性、教学设计和情感参与，但仍然存在一些缺口。首先，大多数研究依赖结构化调查数据，虽然这些数据很有价值，但往往无法捕捉非结构化评论中嵌入的学习者自发感知的丰富性（Getenet et al., 2024）。其次，现有的定量模型通常采用传统统计或黑箱机器学习方法，这些方法优先考虑预测准确性而非可解释性（Jang et al., 2022）。因此，它们对个人特征如何塑造满意度提供的见解有限，且缺乏透明度限制了其对于教育者和平台设计者的实用价值。最后，尽管对数字技能的需求日益增长，且与人工智能相关学习存在独特的教学挑战，但专门关注人工智能课程的研究仍然稀疏。此类技术性且认知密集型课程中的满意度决定因素可能与一般在线学习环境中的决定因素存在显著差异（Luchs et al., 2023）。因此，迫切需要利用非结构化学习者反馈和可解释机器学习技术的研究，以阐明人工智能聚焦在线教育中满意度的复杂、多维驱动因素。

为了弥补这些缺口，本研究提出了一种整合分析框架，利用高级文本挖掘、情感计算和可解释机器学习来系统性地揭示人工智能相关在线课程中学习者满意度的决定因素。基于 Coursera 评论的大型语料库，本研究从严格的数据预处理开始，然后采用 Top2Vec 通过人机协作主题解释提取潜在课程属性。为了超越粗略的情感标记，应用递归神经张量网络（RNTN）技术计算每个属性的细粒度情感分布向量，将定性表达转化为结构化评估数据。随后使用这些属性及其情感画像训练八个机器学习模型：随机森林（RF）、K 近邻（KNN）、多层感知机（MLP）、LightGBM、XGBoost、CatBoost、AdaBoost 和梯度提升决策树（GBDT），并通过贝叶斯搜索和交叉验证优化其超参数以确保稳健的预测性能。基于表现最佳的模型，引入 SHapley 加法解释（SHAP）分析来分解预测输出并量化每个课程属性对学习满意度的相对影响，从而产生全局和局部可解释性。通过这一多阶段计算管道，本研究不仅提高了预测准确性，还揭示了学习者在在线人工智能教育中形成满意度判断的潜在机制，从而提供了具有理论依据且可操作的实践见解。

本研究提供了几个关键贡献。首先，它引入了一种数据驱动的分析框架，超越了传统的基于调查的方法，通过利用大规模非结构化学习者评论来捕捉学生在人工智能相关在线课程中的真实感知、情感反应和体验叙事。其次，它通过结合多个机器学习模型和基于 SHAP 的解释，将强大的预测性能与透明的可解释性相结合，从而证明可解释算法如何为课程和平台设计者生成可操作的见解，而不仅仅是优化预测准确性。第三，响应文献中近期对更稳健地量化学习者情感态度的呼吁，本研究将情感分布计算操作化，为每个课程属性推导出细粒度的情感向量，并构建情感分布驱动的机器学习模型来预测满意度（Qin, Luo, & Ngai, 2025）。这种方法增强了预测精度，同时揭示了细微的情感模式（超越简单的情感极性得分）如何塑造在线人工智能学习中的满意度形成。最后，本研究通过突出几个关键因素的出现——编程难度、课程内容相关性、学习资源与支持、学习负荷以及讲师质量——丰富了当前对人工智能课程中满意度决定因素的理论理解，这些因素共同塑造了学习者对其人工智能课程体验的总体评估。

本研究的其余部分组织如下。第 2 节全面回顾了关于在线学习学习者满意度、教育环境中文本挖掘与主题建模以及具有可解释机器学习的预测分析方面的文献。第 3 节介绍了研究设计，包括数据来源、预处理程序和建模框架。第 4 节报告了实证结果，包括主题提取、预测模型性能和可解释性分析。第 5 节讨论了发现结果的理论和实践意义，第 6 节总结局限性并提出未来研究方向。

章节片段
在线课程中的学习者满意度
学习者满意度长期以来被视为感知在线学习质量和学习者参与度的重要体验指标，通常与学习坚持性相关，尽管其与客观学习成果和学业成绩之间的关系在文献中仍存在争议（Martin & Bolliger, 2022; Nguyen et al., 2017; Rienties & Toetenel, 2016）。现有研究通常将满意度概念化为学习者对其在线...

研究设计与框架
本研究旨在从非结构化在线评论中揭示在线课程中学习者满意度的决定因素，并评估其在预测满意度改善方面的相对重要性。为了实现这一目标，制定了一个五阶段的研究路线图，如图 1 所示。每个阶段阐述如下。
阶段 1。数据收集与预处理。在本阶段，收集了 Coursera 平台上人工智能相关课程的学习者生成评论作为主要数据...

学习者满意度决定因素的识别与提取
按照 3.3 小节描述的程序，采用 Top2Vec 模型从学习者评论语料库中提取潜在主题，并识别人工智能相关在线课程中学习满意度的潜在决定因素。为了确保主题的语义有效性和可解释性，对一系列潜在主题数量进行了基于连贯性的评估。如图 4 所示，连贯性分数随着...数量的增加而几乎线性下降。

主要发现
我们的发现并非仅仅旨在重新识别在线学习满意度的既定决定因素。相反，通过将可解释机器学习嵌入大规模非结构化学习者评论的分析中，我们将抽象的理论构念（例如感知有用性、教学临场感、学习设计和工作量）分解为细粒度、可计算和可排序的带有情感分布的属性。这使经典...的操作化更加细致入微。

总结
本研究通过利用从 Coursera 平台收集的非结构化学习者评论，探索了人工智能相关在线课程中学习满意度的决定因素。整合情感计算与可解释机器学习，我们开发了一种数据驱动框架，通过情感分布分析和预测建模将文本评论转化为结构化评估信息。使用 Top2Vec 进行主题提取以及包括 LightGBM、XGBoost 和...在内的多种机器学习算法。

CRediT 作者贡献声明
Yong Qin：写作 – 审阅与编辑，写作 – 原稿撰写，可视化，验证，监督，软件。
Chaoguang Luo：调查，资金获取，形式分析，数据整理，概念化。
Yuyan Luo：资源，项目管理，方法论，调查。
Luwei Wang：监督，软件，资源，项目管理，方法论，调查。

关于写作过程中使用生成式 AI 和 AI 辅助技术的声明
在本工作的准备过程中，作者使用了 ChatGPT 以提高研究的可读性和语言质量。在使用该工具/服务后，作者审阅并编辑了内容，并对出版物的内容承担全部责任。

利益冲突声明
作者声明他们没有任何已知的财务利益或个人关系可能被认为会影响本文报告的工作。

致谢
本工作得到了成都市哲学社会科学规划项目（项目编号：2026BS029）、成都理工大学哲学社会科学研究基金（项目编号：12400-000002-26YB001）、成都理工大学工会工作研究项目（项目编号：GHZX-2026003）、成都市成华区哲学社会科学规划项目（项目编号：chzz202611）、成都理工大学高等教育人才培养质量...的支持。

Yong Qin | Chaoguang Luo | Yuyan Luo | Luwei Wang
成都理工大学管理科学学院，中国成都 610059