張 瑾 張夷楠 葉海智 朱 珂 張 思

（1.河南師范大學 教育學部，河南新鄉(xiāng) 453007；2.華中師范大學 教育信息技術(shù)學院，湖北武漢 430079）

一、引言

教師教育是教育事業(yè)的工作母機。隨著我國教育規(guī)模的不斷擴大，學校、社會對于教師素質(zhì)的要求也日益提高。2018年，國務院印發(fā)的《關(guān)于全面深化新時代教師隊伍建設(shè)改革的意見》明確指出，要大力振興教師教育，不斷提升教師專業(yè)素質(zhì)能力[1]。優(yōu)化教師隊伍結(jié)構(gòu)，構(gòu)建規(guī)模更大、效果更好的教師培訓質(zhì)量保障體系勢在必行。當下，互聯(lián)網(wǎng)的高速發(fā)展及應用，使在線學習社區(qū)已然成為學習的重要途徑，學習形式變得多樣化，支持人人皆學、處處能學、時時可學[2]。為了打破教師與教師之間交流的時空界限、擴大學習的規(guī)模，針對教師培訓的在線學習社區(qū)被迅速搭建起來[3]。在線學習社區(qū)是指用于支持、促進、激發(fā)或增強學習和教學的“線上場所”[4]。在學習社區(qū)中，教師主要通過共同協(xié)作完成任務、討論實際教學中出現(xiàn)的問題等方式，交換觀點、促進反思，從而從多個角度思考教學問題，并使其更加細化。當前，在線學習社區(qū)研修模式研究尚處于起步階段，如何通過技術(shù)手段為教師在線學習提供學習狀態(tài)預測、學習激勵等支持，仍有待深入研究和規(guī)范[5]。

教師在合作研討過程中會產(chǎn)生大量的交互數(shù)據(jù)，主要以文本的形式呈現(xiàn)，對這些數(shù)據(jù)進行觀察分析，能夠快速了解教師在研修中的學習體驗、學習關(guān)注點、學習態(tài)度等信息。通過對教師交互數(shù)據(jù)進行主題挖掘，有助于追蹤教師的關(guān)注點，從而調(diào)整和干預研修計劃[6]。主題模型作為篇章級別的文本語義理解工具，其理念是能夠從一組文本數(shù)據(jù)中，抽取出若干組關(guān)鍵詞來表達文章的中心思想。主題模型目前廣泛應用于文章檢索、產(chǎn)品推薦、詞向量訓練等相關(guān)研究中。

國內(nèi)外研究者已為主題模型建立較為完整的體系架構(gòu)，常用的主題建模方法有：VSM（Vector Space Model）、PLSA（Probabilistic Latent Semantic Analysis）以及LDA（Latent Dirichlet Allocation）主題模型[7]。其中，LDA 算法被視為最經(jīng)典的主題模型之一，且常被作為各類改進模型的基準方法。然而，LDA 并不能解決所有的主題分類問題，傳統(tǒng)LDA 主題模型主要適用于長篇章級別的文本，當遇到數(shù)據(jù)矩陣更加稀疏的短文本時，無法有效地提取主題信息。黃佳佳等[8]認為，LDA 主題模型在應用于短文本分類時，由于文檔的平均長度較短，難以實現(xiàn)最佳的聚類效果。

鑒于現(xiàn)有研究的不足，本研究利用Word2Vec詞向量模型結(jié)合K-means 聚類的方法，對教師在線學習社區(qū)中某教師工作坊的學習者討論話題進行主題分類，并按照時間順序，構(gòu)建了學習者話題演化模型，從而為主題模型在教師在線學習社區(qū)中高質(zhì)量地預測參訓教師的關(guān)注點，提供數(shù)據(jù)分析依據(jù)。

二、文獻研究

（一）教師在線學習社區(qū)中的會話活動及特征

會話是一種交互性的合作活動，會話參與者不僅要保證自身話語有較高質(zhì)量、有足夠數(shù)量、與主題有關(guān)聯(lián)性，更要保證話語方式契合會話主題。一次完整的會話不只是獨立句子的簡單累積，還需具有連貫的層次結(jié)構(gòu)。教師在學習社區(qū)中進行的在線討論，能夠有效促進其個人反思和集體反思，被認為是教師在線學習的重要驅(qū)動力[9]；同時，由在線討論產(chǎn)生的文本數(shù)據(jù)，也被認為是評定學習者投入程度的重要指標[10]。

隨著信息技術(shù)的發(fā)展，許多基于社交媒體工具、在線學習平臺的教師在線學習社區(qū)，為教師提供了新的學習交流場景。在線學習社區(qū)匯聚了具有共同學習目標、專業(yè)發(fā)展愿景的職前或在職教師，學習社區(qū)提供優(yōu)質(zhì)的視頻教學案例、在線論壇等學習資源，為在職教師參與非正式、及時的專業(yè)培訓增添了新的途徑[11]。為了督促教師積極參與課程學習、及時反思，學習社區(qū)的管理者會在研修的不同階段，開展靈活多樣的討論活動，如，課前議課、課中研討、同伴互評、課后點評、反思研討等。教師們在不同學習階段圍繞不同的“高教學價值問題”展開在線討論，通過交換觀點、相互評價來拓展思路，細化教學問題。

教師們討論的內(nèi)容主要為：分享對某個會話主題的看法或?qū)W習感悟，共同探討與學習內(nèi)容相關(guān)的概念及含義，對課程內(nèi)容或?qū)W習平臺提出改進建議。教師在線會話的形式可以分為：自發(fā)的評論和回復、有組織的坊內(nèi)和坊間討論。教師在線會話是指教師有組織或自發(fā)的、在興趣或?qū)W習任務的驅(qū)動下，與其他教師或教師管理者共同探討、解決教學問題的一種合作活動，具有顯著的交互性。這種交互活動既能夠促進教師對知識概念的深入理解，又能夠幫助教師建立友誼、維護良好的學習關(guān)系[12]。

（二）主題模型及相關(guān)研究

在自然語言處理領(lǐng)域，主題模型是針對文本中的隱含語義結(jié)構(gòu)進行聚類的統(tǒng)計模型。在主題模型中，經(jīng)典LDA模型是一種基于三層貝葉斯的文檔主題生成模型，即每篇文章中的每個詞都是以一定概率選擇了某個主題，并從這個主題以一定概率選擇了某個詞語。LDA 被認為是目前處理長文本最有效的方法。劉三女牙等[13]針對MOOC 課程中的學習者評論，利用LDA模型實現(xiàn)評論文本的自動建模，并追蹤熱點話題演化的趨勢。何皓怡等[14]基于LDA 主題模型，在教師工作坊中，抽取教師在研修過程中產(chǎn)生的交互式文本，并結(jié)合TPACK模型，對教師在研修的不同階段的關(guān)注點進行研究，結(jié)果指出：教師工作坊應注重學習者之間的交流，實時監(jiān)測研修活動狀態(tài)并提供針對性指導，主動跟蹤學習者話題熱度，促進學習者反思。譚春輝等[15]為獲取國內(nèi)外數(shù)據(jù)挖掘領(lǐng)域的研究熱點，利用LDA 主題模型，將1998年—2018年數(shù)據(jù)挖掘領(lǐng)域出現(xiàn)兩篇以上的文章進行主題建模，發(fā)現(xiàn)了國外研究的主題熱度分布均勻，而國內(nèi)研究分布差異化明顯這一數(shù)據(jù)特點。劉江華[16]為了解決LDA模型在數(shù)據(jù)處于非常態(tài)分布狀態(tài)且數(shù)量較小時，導致的計算正確率較低的問題，將Kmeans 聚類算法融入到主題模型檢索中，并通過實驗結(jié)果分析得出，主題模型在耗時和準確率上有所提升，檢驗了K-means 在處理短文本時的有效性。

隨著深度學習研究的推進，我們可以基于米科洛夫（Mikolov T.）等[17]提出的Skip-gram模型，以及CBOW模型生成的Word2Vec 詞向量工具，根據(jù)給定的語料，通過訓練模型將一個詞語表達成向量形式。通過該方法可以用向量表示詞語之間的關(guān)系，且在Word2Vec 詞向量空間中，充分考慮了詞語的上下文順序。這一技術(shù)，為自然語言處理領(lǐng)域打開了新的技術(shù)突破口。

（三）話題演化及相關(guān)研究

在教師在線學習社區(qū)中，學習者之間的交互主要以論壇討論的形式進行[18]。隨著學習的不斷深入，教師討論的內(nèi)容也會隨之變化[19]。分析教師話題演化規(guī)律、探究教師關(guān)注點變化，有利于對教師話題進行精準預測，進一步調(diào)整研修計劃。劉智等[20]基于學習者學習興趣的時序性及其與積極情感的伴隨性特點，提出了“情感—主題”時序模型，以挖掘?qū)W習者興趣主題及其演化趨勢；他們通過分析學習者興趣主題的演化趨勢與學習者在不同時期的學習效果，說明了學習者的學習效果會隨著學習者興趣主題的變化而變化的規(guī)律。

安璐[21]等將深度學習思想引入微博輿情的主題分析中，基于Word2Vec模型結(jié)合K-means 聚類方法，對輿情演化進行了融合情感特征的主題演化研究，針對2016年“寨卡病毒”事件，將輿情趨勢劃分為起始階段、爆發(fā)階段、第一次衰退階段、第二次增長階段、第二次衰退階段、平息階段六個階段；把微博發(fā)帖用戶的情感分為 “樂”“衰”“怒”“驚”“懼”五種，并分析出了微博用戶在不同階段不同主題中的情緒變化情況，提供了輿情預測新方法。彭晛等[22]基于高校SPOC 論壇中的話題數(shù)據(jù)，構(gòu)建了基于確定性時間信息的DTI-LDA模型，分析了SPOC 論壇中學習者的話題強度演化趨勢以及內(nèi)容演化趨勢，為在線學習干預機制提供了新的技術(shù)支持方法。張佩瑤[23]等利用Word2Vec 詞向量，結(jié)合BTM 主題模型，構(gòu)建了基于時序的互聯(lián)網(wǎng)話題焦點模型。

三、研究設(shè)計

（一）研究問題

參與研修的教師作為一個會話群體，教師個體之間的交流互動具有規(guī)律性，討論的話題內(nèi)容具有連貫性。教師在學習社區(qū)中以會話的形式針對某個話題進行討論，會話產(chǎn)生的文本數(shù)據(jù)蘊含著豐富的潛在主題信息，這些數(shù)據(jù)為研究學習者的會話焦點及其話題演化趨勢提供了條件。本研究分析的問題如下：（1）在線學習社區(qū)中，教師會話主題有何演化趨勢？ （2）在線學習社區(qū)中，教師會話主題能否反映教師的學習狀態(tài)？（3）社區(qū)中積極參與會話討論的教師，能否影響其他教師的話題關(guān)注點？

根據(jù)以上研究問題，我們針對教師在線學習社區(qū)中的話題帖子，進行數(shù)據(jù)分析，抽取其中的關(guān)鍵詞，再基于關(guān)鍵詞進行主題建模。最后，基于時序生成話題演化與參訓教師交互網(wǎng)絡(luò)圖，探尋學習者之間交互與會話主題的時序演化趨勢。

（二）研究方法

從問題出發(fā)，我們將研究分為三個部分：第一部分，使用爬蟲技術(shù)采集教師在線學習社區(qū)中的帖子，針對收集到的帖子進行文本預處理工作，將這些帖子數(shù)據(jù)制作成可以滿足實驗需要的語料集；第二部分，使用TF-IDF 加權(quán)方法抽取數(shù)據(jù)集中的關(guān)鍵詞，隨后采用Word2Vec 詞向量技術(shù)對關(guān)鍵詞進行主題建模，采用K-means 方法將屬于同一類別的關(guān)鍵詞進行聚類，再從得到的最終聚類結(jié)果中，挖掘社區(qū)討論中的主題信息；第三部分，結(jié)合本次研修主題，對教師會話的主題進行聚類，根據(jù)時間順序生成教師會話主題演化趨勢圖，并劃分話題演化階段。整體研究框架如圖1所示。

（三）數(shù)據(jù)來源及數(shù)據(jù)處理

1.數(shù)據(jù)來源

本研究利用數(shù)據(jù)爬蟲的方法，獲取國內(nèi)某在線課程平臺中“信息技術(shù)與中小學數(shù)學課堂” 課程自2019年10月至2020年5月期間參訓教師發(fā)表的話題帖子，通過初步篩選整理，共計2342條帖子作為研究的原始數(shù)據(jù)，且全部以中文文本的形式呈現(xiàn)。該社區(qū)累積有294名教師參與學習，多為中小學一線教師。通過觀察原始數(shù)據(jù)可以發(fā)現(xiàn)，參訓教師發(fā)布帖子的目的，主要是交流學習體驗、記錄學習經(jīng)歷、分享學習感悟。

2.數(shù)據(jù)處理

本研究收集到的數(shù)據(jù)，是由詞組、短語共同構(gòu)成的、能夠表達特定含義的文本數(shù)據(jù)[24]。為了使后續(xù)研究的開展更加順利，我們需要針對這些數(shù)據(jù)進行文本預處理工作[25]。文本預處理的首要任務是通過篩選數(shù)據(jù)集，刪除重復數(shù)據(jù)，以避免后續(xù)工作中出現(xiàn)重復數(shù)據(jù)導致詞語權(quán)重受到影響；次要任務是剔除拼寫錯誤、表述模糊的數(shù)據(jù)，避免錯誤的詞語拼寫影響模型質(zhì)量。

經(jīng)過文本預處理之后保留的數(shù)據(jù)共計2322條。隨后使用Python 中的“jieba”中文分詞工具，對收集到的話題帖子進行詞語切分處理，例如：將“信息技術(shù)改變了教學方式” 切分為“信息技術(shù)”“改變”“教學”“方式”。

（四）構(gòu)建主題模型

1.TF-IDF關(guān)鍵詞

為提高模型對主題的呈現(xiàn)能力，本研究采用基于詞頻統(tǒng)計的TF-IDF 加權(quán)方法，選取能夠代表文本特征的詞匯，詞語的重要程度隨著它在文檔中出現(xiàn)的頻次增多而減少，同時也隨著它在整個語料集中出現(xiàn)的頻率降低而增加。基于詞頻統(tǒng)計的TFIDF 算法在查準率、查全率等指標方面的表現(xiàn)均比傳統(tǒng)TF-IDF 算法良好，能有效降低關(guān)鍵詞提取所耗時間[26]。本研究將數(shù)據(jù)以詞頻為基礎(chǔ)，進行TF-IDF權(quán)值計算，不斷調(diào)整參數(shù)以求得語料集中權(quán)重較高的關(guān)鍵詞。為了確定關(guān)鍵詞總數(shù)保留多少時，話題間的分離度最高、話題內(nèi)部質(zhì)量最好，我們分別將關(guān)鍵詞計算結(jié)果，保留為關(guān)鍵詞總數(shù)的4/5、2/3、1/2，保留情況如表1所示；把每一組結(jié)果按照TF-IDF 權(quán)值，從高到低排列之后，通過觀察數(shù)據(jù)發(fā)現(xiàn)，在保留關(guān)鍵詞總數(shù)的2/3 時，關(guān)鍵詞的表達效果最佳；最后，將這些關(guān)鍵詞整合為新的語料集。

表1 TF-IDF關(guān)鍵詞保留情況

2.Word2Vec 向量化

Word2Vec是一種基于深度學習思想，利用淺層神經(jīng)網(wǎng)絡(luò)語言模型，將文本轉(zhuǎn)化為向量以進行模型訓練的方法[27]。模型通過獨熱（One-hot Representation）編碼方式，將詞語以“0”“1”矩陣的形式表現(xiàn)出來，即將每個詞語映射到N 維向量空間中，并使用“0”“1”來表示詞語的空間位置[28]。本研究采用的Word2Vec模型相較于傳統(tǒng)主題模型的優(yōu)勢在于：詞向量技術(shù)充分考慮了目標詞語與“前詞”“后詞”之間的聯(lián)系，使其能將計算機無法理解的自然語言符號轉(zhuǎn)換為能夠被計算機識別的特定向量，從而有效解決短文本主題難以提取的問題。Word2Vec 不僅解決了傳統(tǒng)向量空間模型的“維度災難”問題，還兼顧了詞語之間的語義聯(lián)系[29]。

Word2Vec中包含兩種常用的模型：CBOW模型和Skip-gram模型。CBOW模型是將目標詞的上下文作為輸入來預測目標詞，而Skip-gram模型是通過輸入目標詞來預測上下文，因此，Skip-gram模型對于出現(xiàn)頻次低，但是重要程度高的詞語，有更好的預測能力。Skip-gram模型假設(shè)給定的詞序列D={w1，w2，……，wM}和詞匯的上下文c，目標詞wi的上下文是從大小為k的窗口中選取的詞匯wi+c，并根據(jù)上下文預測wi。Skip-gram的任務是將整個詞序列最大化，如公式（1）所示：

其中，p （wi+c│wi）=softmax（wi+c·wi），wi、wi+c是目標詞wi及上下文詞匯wi+c的詞向量。

通過使用Python 編程語言，我們在Pycharm 平臺上調(diào)用Word2Vec 詞向量工具包，使用Skip-gram模型，將語料集中的每一條數(shù)據(jù)進行訓練，并轉(zhuǎn)換成維度為150的詞向量[30]。

3.K-means 聚類話題

K-means是典型的迭代求解的聚類算法。Kmeans 在執(zhí)行聚類操作之前，首先將數(shù)據(jù)分成N 組，每一組都含有一個聚類中心。隨后，計算每一個對象與各個聚類中心之間的距離，并將對象傳遞至距離最近的聚類中心以形成簇類。每當有新對象加入分組，都會根據(jù)現(xiàn)有聚類對象的特征重新選定聚類中心。最后，聚類計算在所有對象都進入分組后終止[31]。

SSE 和平均輪廓系數(shù)是選擇最佳聚類數(shù)目的主要指標[32]。為了確定語料集的最佳聚類數(shù)目，本研究利用簇類誤方差SSE（Sum of The Squared Errors）[33]，來確定最佳聚類K值的不斷增加會導致SSE的變化。當K值低于真實聚類數(shù)時，K值的增大會增加每個簇的聚合程度，因此，SSE 會呈現(xiàn)出大幅下降的趨勢；而當K值接近真實聚類數(shù)時，增加K值所得到的聚合程度會迅速變小，因此，SSE的下降幅度驟減，然后隨著K值的繼續(xù)增加而趨于平緩。因此SSE和K值的關(guān)系圖近似一個手肘的形狀，“肘部” 即為最佳K值區(qū)間。經(jīng)過計算得出：當K（簇數(shù)）值為20時，聚類效果最好。因此，本研究指定使用的模型生成主題數(shù)量為20個。

為檢驗該模型性能，我們通過計算召回率、準確度及F1值（具體數(shù)值如表2所示），發(fā)現(xiàn)本研究所采用的主題建模方法性能優(yōu)于LDA模型。

表2 模型質(zhì)量評價

4.話題演化

基于學習過程的話題演化分析，可快速追蹤學習活動的進展情況，為實現(xiàn)針對性指導提供數(shù)據(jù)支持服務[34]。本研究對學習社區(qū)中參訓教師每月發(fā)帖總數(shù)進行統(tǒng)計，并繪制折線圖。如圖2所示，參訓教師討論帖子的數(shù)量變化趨勢呈現(xiàn)“雙峰”狀：2019年10月研修剛剛開始，參與話題討論的教師發(fā)帖數(shù)量較少，共計69條；隨著課程的深入開展，參訓教師在2019年11月、12月分別發(fā)帖635條、422條，在圖中呈現(xiàn)出“高峰”；隨后在2020年1月、2月，參訓教師分別發(fā)帖36條、32條，數(shù)量較少，因此出現(xiàn)“低谷”；2020年3月，參訓教師發(fā)帖數(shù)量共計506條，2020年4月，參訓教師發(fā)帖數(shù)量共計606條，再次出現(xiàn)“高峰”；2020年5月，課程接近尾聲，參訓教師發(fā)帖數(shù)量僅有16條，再次出現(xiàn)“低谷”。

本研究根據(jù)數(shù)據(jù)變化趨勢，將參訓教師發(fā)帖數(shù)量變化情況劃分為四個階段，分別是：第一次上升階段（2019年10月—2019年11月）、第一次下降階段（2019年12月—2020年1月）、第二次上升階段（2020年2月—3月）、第二次下降階段 （2020年4月—5月），具體如圖2所示。

四、研究結(jié)果與分析

（一）TF-IDF關(guān)鍵詞分析

本研究為探究參訓教師會話關(guān)鍵詞的變化情況，通過TF-IDF關(guān)鍵詞抽取的方法，依據(jù)數(shù)據(jù)的四個變化階段，分別將四個階段中權(quán)值排前五的關(guān)鍵詞抽取出來進行觀察，如表3所示。

由關(guān)鍵詞的變化可以發(fā)現(xiàn)：在第一次上升階段呈現(xiàn)的“信息技術(shù)”“兩面性”“雙刃劍”等關(guān)鍵詞，反映了該階段參訓教師對信息技術(shù)存有質(zhì)疑；在第一次下降階段呈現(xiàn)的“中學數(shù)學”“教學質(zhì)量”“輔助教學”等關(guān)鍵詞，反映了該階段參訓教師對于中學教學與學生的關(guān)注；在第二次上升階段，“PowerPoint”“動畫”“flash” 等關(guān)鍵詞反映了該階段參訓教師對于信息化教學工具的關(guān)注；在第二次下降階段，“一目了然”“一舉多得”“最優(yōu)解” 等關(guān)鍵詞反映了該階段參訓教師對于信息化教學的正面評價。

表3 TF-IDF關(guān)鍵詞表

（二）主題聚類結(jié)果分析

本研究通過Word2Vec+K-means 方法生成主題聚類結(jié)果，為了對參訓教師關(guān)注的主題有更高效的觀測和認識，根據(jù)聚類結(jié)果的分離程度，將20組主題聚類結(jié)果整合為六類；為了便于分析會話主題的演化趨勢，將語料集中的帖子進行相應的主題標注，部分具有典型性的主題聚類結(jié)果，如表4所示。

表4 部分典型性主題聚類結(jié)果

結(jié)合本次工作坊的學習主題以及原始數(shù)據(jù)帖子分析表4數(shù)據(jù)，可以看出：

“主題1” 中出現(xiàn)的“中小學”“學習者”“思維”“數(shù)學”“多角度”等詞匯，反映了教師對于信息技術(shù)與中小學學習者的數(shù)學思維的關(guān)系、信息技術(shù)與學生學習效果的關(guān)系的討論，因此，將該主題確定為“信息技術(shù)與學生”。在原始數(shù)據(jù)中，如“多媒體教學激發(fā)了學生的學習興趣和潛能的發(fā)揮，使課堂教學從一開始就確立了學生的主體地位，讓學生帶著濃厚興趣主動地接受了知識的引入”之類帖子，也印證了這一主題分類。在該主題下，參訓教師認為，在信息技術(shù)支持下的教學，更能激發(fā)學生的學習興趣，能夠為教學效果提供高質(zhì)量的保障。

“主題2”中出現(xiàn)的“多媒體教學”“幾何”“公式”“具體化”等詞匯，反映了教師對于多媒體教學與數(shù)學教學關(guān)系的討論，因此，將該主題確定為“信息技術(shù)與數(shù)學”。在原始數(shù)據(jù)中，如“多媒體對幾何的教學特別有效，能夠把抽象的事物比較直觀的展現(xiàn)給學生；對于數(shù)學教學能夠節(jié)省書寫時間”之類帖子也印證了這一主題分類。在該主題下，參訓教師認為，信息技術(shù)能夠?qū)⒊橄蟮臄?shù)學概念直觀具體地表現(xiàn)出來，且能讓學生更深層次地理解數(shù)學公式與規(guī)則。

“主題3” 中出現(xiàn)的“恰當”“華而不實”“分散”“多媒體”“效率”等詞匯，旨在討論信息技術(shù)在教育教學中發(fā)揮的作用以及信息技術(shù)應用于教學的利弊，因此，將該主題確定為“評價信息技術(shù)”。在原始數(shù)據(jù)中，如“華而不實的課件不但不能優(yōu)化課堂教學，還會令學生分散注意力”“信息技術(shù)大大提高課堂效率，有利于幫助學生進行探索和發(fā)現(xiàn)”等帖子，也印證了這一主題分類。在該主題下，參訓教師討論與信息技術(shù)相關(guān)的內(nèi)容，且教師對信息化教學褒貶不一。

“主題4” 中出現(xiàn)的“傳統(tǒng)”“傳承”“手段”“取代”等詞匯，反映了教師對于信息化教學與傳統(tǒng)教學之間差異的討論，因此，將該主題確定為“信息化教學與傳統(tǒng)教學”。在原始數(shù)據(jù)中，如“在九年級拋物線上的動點問題教學時，用傳統(tǒng)教學手段的話，由于以靜態(tài)為主，很難在黑板上將這種復雜的現(xiàn)象展示出來，更不用說借助情境來分析。信息技術(shù)使抽象的動點問題很形象直觀地呈現(xiàn)出來，學生很容易地接受知識，提高了學生的學習積極性等”，這類帖子也印證了該主題分類。在這一主題下，教師討論了信息技術(shù)支持下的教學與傳統(tǒng)教學之間的差別。

“主題5” 中出現(xiàn)的“教師”“信息技術(shù)”“利用”“分析”等詞匯，旨在突出信息技術(shù)與教師之間的關(guān)系，因此，將該主題確定為“信息技術(shù)與教師”。在原始數(shù)據(jù)中，如“課堂上有了信息技術(shù)的加入，教師教學方式也多種多樣了”“教師掌握和運用多媒體技術(shù)，一方面提高本身素質(zhì)，另一方面可以拓寬學生的思維想象能力和知識面”等帖子，證實了該主題分類的合理性。在這一主題下的帖子，普遍反映了“教師要順應信息化教學的時代變革，努力培養(yǎng)自身信息化能力”等觀念。

“主題6” 中出現(xiàn)的“充分利用”“創(chuàng)設(shè)”“分解”“教學內(nèi)容” 等詞匯，旨在討論信息技術(shù)與教學過程、教學情景、教學任務之間的關(guān)系，因此，將該主題確定為“信息技術(shù)與教學”。在原始數(shù)據(jù)中，如“在教學中，若能充分利用信息技術(shù)這一優(yōu)點，變抽象為直觀，變靜為動，通過向?qū)W生展示教學情境，有效地完成教學任務”等帖子，表達了參訓教師認可信息技術(shù)對于教學的輔助作用，證實了該主題分類的合理性。

綜上所述，該教師在線學習社區(qū)的在線討論主要包括“信息技術(shù)與學生”“信息技術(shù)與數(shù)學”“評價信息技術(shù)”“信息化教學與傳統(tǒng)教學”“信息技術(shù)與教師”“信息技術(shù)與教學”六個主題。

（三）話題演化結(jié)果分析

我們通過對整個學習期間的各類帖子數(shù)量進行統(tǒng)計得出：信息技術(shù)與教學—602條（約占25.93%），評價信息技術(shù)—508條（約占21.88%），信息技術(shù)與學生—514條（約占22.13%），信息技術(shù)與數(shù)學—268條（約占11.54%），信息技術(shù)與教師—226條（約占9.73%），信息化教學與傳統(tǒng)教學—204條 （約占8.79%）。為了探究會話參與者與討論主題導向之間的關(guān)系、教師關(guān)注的話題變化與學習進度之間的關(guān)系，本研究基于時序，將四個階段中參訓教師討論的帖子數(shù)據(jù)，制作成話題網(wǎng)絡(luò)圖。

如網(wǎng)絡(luò)定義圖（圖3）所示，圖中節(jié)點代表參訓教師，節(jié)點大小反映參訓教師發(fā)帖數(shù)量，節(jié)點越大代表參訓教師的發(fā)帖數(shù)量越多。箭頭連線代表話題交互的導向方向，對應的編號分別代表不同的主題類別：編號1 對應“信息技術(shù)與學生”、編號2 對應“信息技術(shù)與數(shù)學”、編號3 對應 “信息技術(shù)與教學”、編號4 對應“信息技術(shù)與教師”、編號5 對應“信息化教學與傳統(tǒng)教學”、編號6 對應 “評價信息技術(shù)”。為了判斷教師之間話題導向性的強弱，本研究逐一計算了每一條數(shù)據(jù)與后一條數(shù)據(jù)的文本相似度，并依據(jù)文本相似度賦予連線權(quán)重。節(jié)點之間的話題連線越粗，說明帖子之間的話題相似度越高，也說明上一個發(fā)布帖子的參訓教師對下一個參訓教師的影響性越強。

（1）學習初期——第一次上升階段的交互情況如圖4所示?？梢钥闯觯倦A段網(wǎng)絡(luò)圖表現(xiàn)出最顯著的特征是：主題分布較為均衡，交互線條稠密但普遍較細，大節(jié)點數(shù)量多且交互線條多指向大節(jié)點。由“評價信息技術(shù)”主題產(chǎn)生的交互最多，說明參訓教師在本階段圍繞 “評價信息技術(shù)” 主題的討論更熱烈、交互頻率更高。在本階段“評價信息技術(shù)”原始數(shù)據(jù)中，如“信息技術(shù)是一把雙刃劍，用的好效果也并不明顯，用不好就毀了課堂了”“多媒體技術(shù)能實現(xiàn)課堂的增容，讓課堂變得高效”等帖子，反映了參訓教師在這一主題下對信息技術(shù)應用于教學褒貶不一的態(tài)度。觀察節(jié)點可以發(fā)現(xiàn)，T92、T208、T104、T115、T72 等參訓教師在本階段擁有的交互線條數(shù)量最多且線條較粗，說明這五名參訓教師在本階段參與的交互最頻繁且話題主導性強，這也表明他們是本階段討論交互的主要參與者，由他們產(chǎn)生的討論主題更多傾向于“評價信息技術(shù)”。

（2）學習中期——第一次下降階段的交互情況如圖5所示?？梢钥闯?，在這一階段參訓教師討論交互的熱烈程度遠低于上一階段，呈現(xiàn)出線條稀疏、節(jié)點數(shù)量少的特點。對比上一階段，本階段參與討論的參訓教師數(shù)量降低，參訓教師之間的交流互動減少。參訓教師的討論主要圍繞 “信息技術(shù)與教學”“信息技術(shù)與學生”兩個主題，其他主題的分布也較為均勻，而“評價信息技術(shù)”主題的帖子數(shù)量大幅減少。原始數(shù)據(jù)中如“數(shù)學課程與信息技術(shù)的整合，是數(shù)學教學改革中的一種新型教學手段，不僅豐富了教學內(nèi)容，也活躍了課堂氣氛，還提高學生的學習興趣，調(diào)動學生求知的自覺性和積極性”等帖子，表明參訓教師逐漸意識到本次學習的意義，正在進入學習狀態(tài)，開始接受學習任務的引導，并將學習的主要關(guān)注點從評價對信息技術(shù)教學的看法，轉(zhuǎn)移至信息技術(shù)和教與學之間的關(guān)系。觀察節(jié)點可以發(fā)現(xiàn)，T92、T154、T215、T234 等參訓教師為本階段討論的主要參與者。相較上一階段，本階段主要參與者擁有的交互線條數(shù)量有所減少，主要參與者傾向討論的主題為“信息技術(shù)與教學”與“信息技術(shù)與學生”。

（3）學習中期——第二次上升階段的交互情況如圖6所示。可以看出，本階段交互圖表現(xiàn)出節(jié)點普遍較大、線條稠密且粗線條較多的特點。這說明本階段學習者參與討論的積極性普遍較高，且話題之間的相互影響作用較強。這一階段討論話題，主要圍繞“評價信息技術(shù)”“信息技術(shù)與教學”“信息技術(shù)與學生”三個主題展開。原始數(shù)據(jù)中如“借助多媒體的演示，能把知識直觀地顯示出來，有助于學生的理解，促進學生的‘建構(gòu)’”等帖子，反映參訓教師對于信息技術(shù)與教學有了全新的認識。觀察節(jié)點可以發(fā)現(xiàn)，T11、T55、T261 等參訓教師為主要參與者，從交互連線數(shù)量看，他們發(fā)揮的話題影響作用相較于上一階段有所提高。本階段主要參與者傾向討論的主題主要為“信息技術(shù)與教學”與“信息技術(shù)與學生”。

（4）學習末期——第二次下降階段的交互情況如圖7所示。可以看出，本階段交互圖呈現(xiàn)出節(jié)點數(shù)量多、線條稀疏的特點，說明參與討論的教師數(shù)量多，但是參訓教師之間的交互較少。本階段討論話題主要圍繞“信息技術(shù)與教學”“評價信息技術(shù)”兩個主題，由“信息技術(shù)與教學”產(chǎn)生的交互最多。原始帖子中如“不學不知道，信息技術(shù)真的能把抽象的數(shù)學直觀化！ ”表明參訓教師在本階段已經(jīng)完全融入到學習中，對信息技術(shù)支持下的數(shù)學教學有了全新認識。觀察節(jié)點可以發(fā)現(xiàn)，本階段的主要參與者為T181、T216 等，其中，T216 在“信息技術(shù)與教學”主題中起到了較大影響作用。這一階段主要參與者傾向討論的主題為“信息技術(shù)與教學”與“評價信息技術(shù)”。

五、結(jié)論與啟示

本研究首先利用TF-IDF 加權(quán)方法，抽取了教師討論話語中的關(guān)鍵詞，其次利用Word2Vec 詞向量技術(shù)，對關(guān)鍵詞進行訓練并轉(zhuǎn)化為詞向量，使用K-means 聚類方法對生成的詞向量進行聚類，最后針對教師在線學習社區(qū)中的討論內(nèi)容，進行基于時序的主題演化分析。我們通過對教師討論的話題進行主題聚類，以交互網(wǎng)絡(luò)圖的形式，展現(xiàn)了參訓教師在學習各個階段中的學習關(guān)注點以及交互的變化情況。針對參訓教師話題討論的主題及其變化趨勢，圍繞研究問題及研究結(jié)果，本研究對學習社區(qū)管理者預測和干預學習，具有以下啟示：

（一）教師會話主題隨學習進度推進發(fā)生變化

在學習初期，社區(qū)的學習活動處于起步階段，此時參訓教師會話帖子，傾向于“評價信息技術(shù)”主題。結(jié)合會話討論中如“信息技術(shù)是一把雙刃劍”“信息技術(shù)的應用要為教學服務，計算機也是與黑板一樣是一種教學工具，信息技術(shù)的應用只是一種教學手段，而不是用來炫耀的新事物”等帖子表達的內(nèi)容，可以發(fā)現(xiàn)，參訓教師對于信息技術(shù)的教學應用存有質(zhì)疑。在學習中期，隨著學習進度的推進、學習活動的逐步展開，參訓教師有計劃地按照研修任務進行學習，進一步了解了信息化教學與課堂有效融合的優(yōu)秀教學成果，使得教師對使用信息技術(shù)制作數(shù)學教學課件有了全新認識，因此，話題開始轉(zhuǎn)向“信息技術(shù)與教學”“信息技術(shù)與學生”。在原始數(shù)據(jù)中，如“老師利用信息技術(shù)進行教學，真實感強、立體效果逼真，變化過程真實、全程、全方位、多維度的展現(xiàn)出來”等帖子，說明教師正在深入學習如何使用信息技術(shù)制作數(shù)學課件。在學習末期，教師重新審視了信息技術(shù)對數(shù)學課堂的作用，因此，出現(xiàn)了“信息技術(shù)與教學”和“評價信息技術(shù)”兩個話題最為突出的情況。

由此可見，參訓教師會話主題的變化情況與學習進度是密不可分的。參訓教師會話主題的改變反映出：隨著學習深度的增加、學習任務的不斷拓展，參訓教師的學習狀態(tài)呈現(xiàn)出由淺層次領(lǐng)會到深層次理解的變化趨勢。

因此，建議學習社區(qū)的主管教師或管理者，將組織會話討論活動作為課堂興趣導入的關(guān)鍵方法。在學習初期布置學習任務、開展課堂學習之前，通過安排合理的話題為后續(xù)學習任務做鋪墊，激發(fā)教師對于學習內(nèi)容的興趣，使教師更快地進入學習狀態(tài)。在學習中期，管理者要注意引導學習相關(guān)話題的主題走向，多設(shè)置與實際教學問題相關(guān)的話題板塊，激勵教師們圍繞話題進行討論，通過對問題的探討，進一步促進教師對新知識的理解。在學習末期，管理者應注意及時安排有趣味性的話題討論，防止教師出現(xiàn)懈怠心理。

（二）教師最關(guān)注教學相關(guān)的話題

通過分析話題演化結(jié)果可以看出，教師對于討論信息技術(shù)與教學、學生之間的關(guān)系更感興趣。例如，在第一次上升階段，當參訓教師的會話中大量出現(xiàn)“評價信息技術(shù)”“信息技術(shù)與教學”“信息技術(shù)與學生”時，網(wǎng)絡(luò)圖變得更復雜，這表明參訓教師之間的交互更加密集。由此可見，在教師在線學習社區(qū)中，參訓教師對于教與學相關(guān)的話題討論更感興趣。通過觀察數(shù)據(jù)帖子發(fā)現(xiàn)，參訓教師在“評價信息技術(shù)”這一話題下，討論的內(nèi)容與本次學習目標的相關(guān)性并不高。參訓教師在討論與教學或?qū)W生相關(guān)的話題時，帖子的內(nèi)容最能表達教師的學習體驗、最具建設(shè)性，因此，該類型的話題帖子參考價值最高。

（三）社區(qū)會話討論中的主要參與者至關(guān)重要

會話的主要參與者傾向討論的話題，往往與整個階段的會話主題相契合，且由主要參與者發(fā)起的會話，往往能夠得到其他參與者的響應。會話主要參與者的數(shù)量越多，教師之間產(chǎn)生的交互越多。因此，建議學習社區(qū)管理者在學習早期，盡快發(fā)掘會話討論中具有影響力的教師，并安排他們適時參與會話討論、擔任會話督促者，從而提高整體教師的會話參與度，調(diào)動其學習積極性。

（四）對改進教師在線學習社區(qū)的啟示

教師一般在學習任務的驅(qū)動下參與話題討論，其參與過程具有被動性。而當前在線討論作為教師學習的重要驅(qū)動力，并沒有發(fā)揮長效的影響作用。主管教師、學習社區(qū)管理者應充分利用數(shù)據(jù)分析手段來預測教師的學習狀態(tài)，并適時調(diào)整學習計劃；針對狀態(tài)不佳的參訓教師，恰當?shù)夭捎脝l(fā)式語言或“制造認知沖突”的方法，促進教師進行個人反思，激發(fā)其分享學習體驗的主動性與交互積極性。主管教師、學習社區(qū)管理者應密切關(guān)注參訓教師的討論內(nèi)容，注意監(jiān)控教師的研修狀態(tài)，利用數(shù)據(jù)支持服務，實現(xiàn)對參訓教師興趣點的預測和監(jiān)控；建議在研修全面展開之前，通過對參訓教師發(fā)布的帖子進行分析，及時修正研修方案，注重圍繞參訓教師的關(guān)注點設(shè)計研修任務。