16、教育机器人资源的文本数据分析-优快云博客

本文链接：https://blog.youkuaiyun.com/echo99/article/details/153381975

教育机器人资源的文本数据分析

1. 引言

在教育领域，教师的实践教学内容知识（Enacted PCK，ePCK）是其在特定教学场景中运用的具体知识和技能，涵盖教学规划与反思等方面。由于其动态性，较难直接观察。而教师编写的教学资源可作为ePCK的一种体现。文本数据分析虽在教育领域并非主流方法，但已有一些研究将计算方法应用于教育文本分析。

2. 数据收集与方法

数据来源
- 第一部分是法国和瑞士职前教师在信息学教学研讨会上制作的59份教育资源，用于教育机器人活动。
- 第二部分是61份来自经验更丰富教师的在线教育资源，主题相同。
资源形式 ：这些资源主要是教学场景描述，包括学习目标、师生角色、教学安排和所需材料等，部分还包含遇到的困难反馈。职前教师的资源形式多样，如2 - 15页的PDF书面场景、用于口试的PPT演示、视频（提取并转录音频）；在线资源为4 - 20页的PDF文档。
数据预处理
1. 文本提取 ：从资源中提取所有文本，并添加分类变量作为文档元数据，如机器人类型（顺序或事件驱动）、教师经验（新手或有经验）、年级水平等。
2. 文本分割 ：为进行Reinert聚类，将语料库分割成约40个单词的片段，尽量保持完整句子，共得到4784个文本片段。
3. 词形还原 ：使用spacyr（R中spaCy Python库的包装器）和fr_dep_news_trf（法语变压器管道模型）将每个单词的屈折形式替换为其唯一的规范化形式，避免因屈折形式被视为不同单词而丢失信息。
4. 分词：将连续文本转换为单个标记或单词，去除标点、符号和URL，使用自定义的449个停用词列表去除停用词，专注于名词和动词所表达的概念。
5. 排除列表 ：在分类过程中创建排除列表，去除聚类中无分析意义的单词，如学年缩写、机构或学校名称等，共116个单词。
6. 文档 - 特征矩阵 ：预处理后得到一个包含2599个单词和4784个片段的文档 - 特征矩阵，作为Reinert聚类的基础。
Reinert聚类
- 这是一种无监督的分裂聚类方法，对文档 - 特征矩阵进行迭代二分，将片段分为两组，使组内片段尽可能相似，组间片段尽可能不同，通过Pearson卡方检验计算距离确定相似性。
- 采用双重聚类，分别设置最小片段大小为10和15进行两次简单聚类，交叉结果以获得更稳健的类别。最终保留11个聚类，生成包含与每个聚类强相关单词列表的图表。

以下是数据预处理流程的mermaid流程图：

graph LR
    A[提取文本] --> B[文本分割]
    B --> C[词形还原]
    C --> D[分词]
    D --> E[去除停用词]
    E --> F[创建排除列表]
    F --> G[生成文档 - 特征矩阵]

3. 结果分析

Reinert聚类结果
- 分类图展示了11个聚类，每个聚类显示30个最显著相关的标记。未分类片段有821个（约占17%），为保证聚类同质性，未强制分类。
- 主要聚类及相关词汇如下表所示：
  | 聚类编号 | 聚类名称 | 相关词汇示例 | 片段数量 |
  | ---- | ---- | ---- | ---- |
  | 1 | 目标 | 领域、年级、语言、能力、目标、教学、学习 | 1029 |
  | 5 | 移动 | 擦除、前进、记忆、左、右、转弯、旋转、Beebot | 203 |
  | 6 | 路径 | 路径、路线、覆盖、绘制、时间 | 230 |
  | 7 | 分享 | 制度化、学生、小组、集体、分享 | 531 |
  | 8 | 编程 | 指令、正方形、开始、程序、编程、检查、错误、Bluebot | 537 |
  | 10 | 事件 | 传感器、检测、行为、对象、事件、探索、Thymio | 543 |
  | 11 | 舞蹈 | 动作、舞蹈、平板电脑、代码、应用程序、Ozobot | 515 |
多重对应分析（MCA）结果
- 构建一个包含8个分类变量（聚类、机器人编程范式、机器人名称、教师专业水平、四个年级水平）的列联表，以4784个文本片段为行。去除很少出现的机器人相关片段和小聚类（2、3、4和9）中的片段，得到4216行8列的列联表。
- MCA结果显示，前两个轴分别保留了22%和10.3%的惯性。

4. 讨论

主题分析
- 通过聚类分析，可提取七个主要主题。根据Magnusson的PCK模型，五个聚类（5、6、8、10和11）与课程知识相关，一个（1）与计算机科学教学方向相关，一个（7）与教学策略知识相关。
机器人与词汇关系
- 四个聚类与特定机器人显著相关：
  - 聚类5（操作）与Beebot相关，涉及物体的移动和初步操作。
  - 聚类8（编程）与Bluebot相关，与编程概念和活动有关，代表计算机科学学习的更高级阶段。
  - 聚类10（事件）与Thymio相关，涉及机器、事件和行为。
  - 聚类11（舞蹈）与Ozobot相关，与舞蹈概念有关。
- 尽管这些关联可能对有经验的人来说看似平常，但它们是从数据中归纳得出，而非基于预设概念框架。此外，分析还揭示了Beebot和Bluebot在词汇使用上的差异，表明教师为它们关联了不同的概念。
变量关系分析
- MCA中，四个聚类与相关机器人位置接近，证实了它们之间的关联。
- 第一个轴显示事件驱动机器人（Thymio、Ozobot）和顺序机器人（Beebot、Bluebot）在词汇使用上存在对立。
- 第二个轴较难解释，似乎体现了中学或幼儿教育资源与小学教育资源之间的对立。
- 有趣的是，教师专业水平在MCA中不突出，其值接近平面中心，这与通常认为新手和有经验教师的PCK差异较大的观点不同。未与机器人明确关联的聚类（1、6和7）在MCA中未起到显著区分作用。

5. 结论

本研究将Reinert聚类和多重对应分析应用于教育机器人教学资源文本分析，通过分析聚类结果和相关词汇，能够确定教师编写教学资源时涉及的主要主题，为回答研究问题提供了依据。这种计算方法在计算机科学教育文本分析中具有价值，能处理大量文本，且聚类结果可帮助理解教师的思维主题，结合多重对应分析可解释特定变量与聚类之间的关系。

教育机器人资源的文本数据分析

6. 研究价值与应用

理解教师知识 ：教师的知识难以直接观察，而教学资源作为其规划活动的痕迹，反映了他们的实践教学内容知识（ePCK）。通过对教学资源内容进行文本分析，可以了解教师在教学规划中所运用的知识和概念，进而洞察他们的教学思维和专业认知。
课程设计优化 ：根据聚类分析得到的主题，可以为课程设计提供参考。例如，对于与课程知识相关的聚类（如编程、事件等），可以进一步丰富和深化课程内容；对于与教学策略知识相关的聚类（如分享），可以设计更多促进学生合作学习的活动。
机器人教学适配 ：明确不同机器人与特定词汇和概念的关联，有助于教师根据教学目标和学生特点选择合适的机器人。例如，对于初学者可以选择与操作相关的Beebot，对于有一定基础的学生可以选择与编程相关的Bluebot。

以下是研究价值与应用的列表总结：
- 理解教师知识，洞察教学思维和专业认知
- 优化课程设计，丰富课程内容和设计教学活动
- 适配机器人教学，根据教学目标和学生特点选择机器人

7. 研究局限与展望

数据格式差异 ：研究中教学资源的格式因来源不同而存在差异，这可能对分析结果产生一定影响。未来可以尝试统一数据格式，或者采用更灵活的分析方法来减少这种影响。
教师专业水平因素 ：在多重对应分析中，教师专业水平未成为显著的区分因素，这与预期不符。后续研究可以扩大样本规模，或者引入更多与教师专业水平相关的变量，进一步探究其在教学资源中的体现。
拓展研究领域 ：本研究仅聚焦于教育机器人领域的教学资源，未来可以将研究范围扩展到其他教育技术领域，如虚拟现实、人工智能教育等，以更全面地了解教师在不同教育技术环境下的教学知识和实践。

以下是研究局限与展望的表格呈现：
| 局限与展望 | 具体内容 |
| ---- | ---- |
| 数据格式差异 | 统一数据格式或采用更灵活分析方法 |
| 教师专业水平因素 | 扩大样本规模，引入更多相关变量 |
| 拓展研究领域 | 扩展到其他教育技术领域 |

8. 总结与启示

研究总结 ：本研究通过对教育机器人教学资源进行文本分析，运用Reinert聚类和多重对应分析方法，确定了教师编写资源时涉及的主要主题，揭示了机器人与词汇、不同变量之间的关系。
实践启示 ：
- 教师在教学过程中应充分利用教学资源分析结果，优化教学内容和方法，提高教学效果。
- 教育研究者可以进一步深入研究教师的ePCK，为教师专业发展提供更有针对性的支持。
- 教育机构可以根据研究结果，合理配置教育资源，推动教育机器人在教学中的有效应用。

以下是研究流程的mermaid流程图：

graph LR
    A[数据收集] --> B[数据预处理]
    B --> C[Reinert聚类]
    C --> D[多重对应分析]
    D --> E[结果分析与讨论]
    E --> F[总结与应用]

综上所述，对教育机器人资源进行文本数据分析是一种有价值的研究方法，能够为教育领域的教学实践和研究提供有益的参考和启示。通过不断改进和拓展研究方法，有望进一步深入了解教师的教学知识和实践，推动教育技术的发展和应用。