一种基于深度学习模型的教师微能力评价方法

1.本发明涉及教育人工智能与文本挖掘技术领域，尤其是一种基于深度学习模型的教师微能力评价方法。


背景技术：

2.教师信息化教学能力是衡量信息技术与教育教学融合程度的重要内容，能力测评作为能够反馈与反促教师信息化教学能力的分析手段，受到了研究者的关注。现有的主流教师微能力测评方式主要有两种：其一是大规模调研，研究者根据不同测评情境设计调研问卷并回收数据进行分析，可以得到粗略的教师微能力发展水平或发展指数。这种方式具有主观性强、颗粒度大和反馈迟滞等不足。其二是基于充分证据进行微能力认证，这种方式能够做到关注能力本位，用证据来测评教师的微能力表现，适用于教师发展项目的终结性考核。然而，对群体教师进行教学和研修证据收集、分析与认证是一项长周期、高难度、大成本的工程，对专家人力资源负担产生较大挑战。因此，有必要设计一种基于对深度学习模型的教师信息化教学微能力分析方法，来达到证据易获得、分析自动化、反馈常态化的目的。


技术实现要素：

3.本发明的目的是针对现有技术的不足而提出的一种基于深度学习模型的教师微能力评价方法，采用构建教师微能力分类框架的方法，设计教师微能力分类标准和评价标准，从移动听评课系统采集评课数据，清洗和变换评课文本，对评课文本进行微能力分类标准和微能力水平评价，通过预测和加权平均得到教师微能力分类预测结果和微能力水平评价结果，自动高效地对教师微能力进行评价，方法简便，证据易获得、分析自动化、反馈常态化，减少了大量的人工分析成本，尤其适用于教师发展项目的终结性考核，公正、客观，具有较高的研究实践价值。
4.实现本发明的技术方案是：一种基于深度学习模型的教师微能力评价方法，其特点是该方法具体包括以下步骤：1）基于中小学多媒体教学环境特征构建信息化教学教师微能力分类框架，该框架结合实际课堂教学情境，从学情分析、教学设计、教学实施和学业测评4个维度设计13个微能力点；2）在步骤1教师微能力分类框架基础上，分别对13个教师微能力点制定分类标准，并对每个微能力点制定相应的评价标准；3）从移动听评课系统中采集教师评课数据，进行脱敏处理，每条评课数据具有的属性包括：课程id，开课老师id，开课时间，评课人姓名id，弹幕实际时间，弹幕视频时间，弹幕内容和弹幕长度；4）对步骤3采集得到的属性缺失和重复的数据，利用数据清理工具进行变换和处理。同时利用属性子集选择的基本启发式方法对步骤3采集得到的数据进行检测，删除相关程度不高或者冗余属性的数据。所述属性子集选择的基本启发式方法包括以下算法：逐步
向前选择、逐步向后删除、步向前选择和逐步向后删除的组合和决策树归纳；5）对步骤4处理完成的教师评课文本数据标注，标注工作主要分成两个部分，第一部分标注的内容为教师评课文本对应教师微能力分类标注，第二部分标注的内容为教师评课文本对应教师微能力评价标注；6）构建基于预训练的深度学习模型完成教师评课文本对应教师微能力的分类。
5.7）构建基于注意力机制的深度学习模型完成教师评课文本对应教师微能力的评价。
6.8）对于每名教师，根据教师id从移动听评课系统中提取所有与教师id相匹配的评课数据，形成每名教师的评课集合，首先使用步骤6的基于预训练的深度学习模型对集合内所有数据完成分类，然后使用步骤7的基于注意力机制的深度学习模型对分类后的评课文本进行评价。
7.9）对于每名教师，使用加权求平均的方式计算集合里面每个微能力点的得分值，并使用关键词提取技术从教师的评课文本集合中根据不同微能力点分别提取关键词，使用可视化工具将其进行表征。
8.所述步骤1）的具体过程为：从学情分析维度设计1个微能力点，该微能力点为学情分析；从教学设计维度设计3个微能力点，分别为教学资源设计、学习过程设计和学习活动设计；从教学实施维度设计6个微能力点，分别为课堂导入、课堂讲授与互动、总结与提升、学习方法指导、小组学习组织和展示交流支持；从学业测评维度设计3个微能力点，分别为评价设计与应用、评价数据伴随性采集和评价结果分析。
9.所述步骤2）的具体过程为：学情分析：评课文本中含有体现学生经验、知识储备、学习能力、学习风格以及学习条件等分析学情内容，该微能力评价教师是否能：精准确定教学的适切目标；为教学重难点的突破、教学策略的选择和教学活动的设计提供科学依据；为教学中动态调整教学内容和方法提供参考。
10.教学资源设计：评课文本中含有体现教师关于数字教育资源的设计内容，该微能力评价教师是否能：熟练运用信息检索方法；丰富教育教学资源的媒体形式；根据教学主题判断资源的适用性；保证数字教育资源的科学性和时效性。
11.学习过程设计：评课文本中含有体现有效整合学习内容、学习策略、学习环境等要素设计学习过程的内容，该微能力评价教师是否能激发学生学习兴趣，促进学生参与，帮助学生掌握学习方法，发展学生能力与思维，促进学生在真实情境中迁移和应用相关知识与方法，鼓励开展探究学习，营造平等开放的课堂学习氛围，发展学生的必备品格与价值观念。
12.学习活动设计：评课文本中含有体现依据课程标准和学习目标，合理借助信息化手段支持学习活动设计的内容，该微能力评价教师是否能整合学校、家庭、社会等多方资源，拓展学生学习空间，为学生开展合作学习、过程记录提供交流和协作的工具或平台，为教师过程跟踪、行为分析与及时干预提供支持，提升学生利用网络资源和技术工具开展学
习的能力。
13.课堂导入：评课文本中含有体现教师合理利用信息技术手段设计并实施课堂教学的导入环节的内容，该微能力评价教师是否能：引起学生兴趣，激发学生学习动机；让学生感到切身相关，认同学习目标；建立所学内容与学生已有知识间的关联；帮助建立学习信心、获得学习成就感；奠定良好的课堂学习基调。
14.课堂讲授与互动：评课文本中含有体现教师借助合适的信息技术手段设计与优化讲解、启发、示范、指导、评价等课堂讲授与互动的内容，该微能力评价教师是否能：有助于知识和技能的形象化与直观化；通过多种方式建立知识之间的关联；有助于学生理解重点和关键问题；为学生参与知识理解和建构提供了丰富的学习支持；关注学生的不同需要；引发学生感知、记忆、想象、创造等思维活动。
15.总结与提升：评课文本中含有体现教师合理应用信息技术资源或工具开展课堂总结与提升活动的内容，该微能力评价教师是否能：提升知识巩固的效果；促进学生对所学知识和技能的整体理解与应用；帮助学生更为直观地理解和发现知识之间的关联；帮助教师发现教学活动中存在的问题并进行针对性指导；有助于学生在活动中体验和掌握联系、归纳、对比等总结方法。
16.学习方法指导：评课文本中含有体现应用信息技术手段或资源支持写作表达、推理演算、调研分析等方法的教学，该微能力评价教师是否能：清晰、准确地进行方法示范和指导；创设更为丰富、适切的方法体验、习得和迁移的情景；有助于检验学生方法掌握的情况；提高教师反馈与指导的效果。
17.小组学习组织：评课文本中含有体现教师借助信息技术进行学习小组的组织与管理，该微能力评价教师是否能：丰富学习小组产生方式；提高小组成员学习活动的参与度；保证小组成员平等地获得学习资源；及时了解并有效推进小组学习进展；促进小组成员及时交流与深度互动；推动了集体智慧的沉淀和分享。
18.展示交流支持：评课文本中含有体现教师利用信息技术手段支持课堂内外的讨论、辩论、成果展示等活动，该微能力评价教师是否能：提升学生的参与度与积极性；拓展展示与交流的时间和空间；实时展示与分享过程性学习成果；实现基于成果的批判性思考和深度互动；推动过程性成果的沉淀与积累。
19.评价设计与应用：评课文本中含有体现在教学中设计并应用评价量规，该微能力评价教师是否能：提升对教学目标和过程的精细化设计；帮助学生准确理解学习目标和评价要求；适时引导学生调整学习过程和学习策略；促进学生对学习过程和学习成果进行反思；支持学生开展自评和互评活动；保持评价标准一致性、提升评价科学性；提高学生在学习过程中的参与度和积极性。
20.评价数据伴随性采集：评课文本中含有体现教师利用技术工具实时、全面采集学生学习过程信息，该微能力评价教师是否能：从多种渠道收集学生学习行为，全面反映学习过程；能够实时、有序记录学习过程和学习成果；优化数据采集过程，丰富数据类型；有助于及时发现学习问题，实施针对性干预；为学生综合素质评价提供丰富的数据支持。
21.评价结果分析：评课文本中含有体现教师选用恰当的方式或借助信息技术工具呈现评价结果并进行分析解读，该微能力评价教师是否能：明确学生学习中存在的问题；发掘数据间的潜在联系，寻找学生学习问题的可能原因；为调整教学方案、开展针对性指导提供
证据支持。
22.所述步骤5）的具体过程为：教师微能力分类标注：对步骤4）处理得到的评课本文随机选取部分数据，依据步骤2）的教师微能力点分类标准进行人工标注，对每条评课文本数据选取至少两名数据标注人员进行标注，并统计标注结果的kappa系数，对kappa系数小于0.81的评课文本数据将再次选择其他数据标注人员进行标注，对不满足kappa系数要求的评课数据选取标注人员标注结果最多的类别作为分类结果。待数据标注完成后，对13类标注结果按5%的比例进行质量抽查，准确率需达到90%才能通过标注检测，进入教师微能力水平标注步骤，否则需重新对没达到90%准确率的类别重新安排标注人员标注，待达到准确率才进入教师微能力水平标注步骤。
23.教师微能力水平标注：对教师微能力分类标注步骤处理得到的评课文本数据依据步骤2）的教师微能力点分类标准进行教师微能力水平标注，教师微能力水平标注阈值为[0,5]，值越大表示水平越高，否则越低。对每条评课文本数据选取至少两名数据标注人员进行标注，统计标注人员的标注分数差，对分数相差大于0.8的评课文本数据将再次选择其他数据标注人员进行标注，对不满足分数相差的评课数据选取标注人员标注平均值作为水平标注结果。对13类标注结果按5%的比例进行质量抽查，均方误差需少于0.64才能通过标注检测，进入步骤6），否则需重新对均方误差大于0.64的类别重新安排标注人员标注，待小于均方误差阈值才进入步骤6）。
[0024]
所述步骤6）的具体过程为：文本预处理：文本预处理操作包括对清洗和标注后的数据进行去除指定符号、文本分词、去除停用词、过滤低频词等。对步骤5通过标注检测的评课标注文本，首先去除评课文本的空格和表情符号，接着使用中文分词工具进行文本分词，然后使用中文停用词表以优化分词结果，再设置低频词阈值去除分词中的低频词，最后将文本数据按6:2:2的比例分为训练集、验证集和测试集，所述中文分词工具包括：jieba分词工具，lac（lexical analysis of chinese）工具等；所述中文停用词表包括：哈工大中文停用词表，百度中文停用词表等。
[0025]
模型预训练：构建基于预训练的深度学习模型，选择预训练的教育类文本数据作为预训练语料，将预训练语料库输入到所构建的预训练深度学习模型bert-wwm中进行模型预训练，预训练的任务为预测词语和预测下个句子两个任务，所述基于预训练的深度学习模型原型为bert-wwm；所述预训练的教育类文本包括thucnews数据集中的教育类新闻，今日头条客户端教育类新闻等。
[0026]
模型训练：在模型预训练基础上，本发明将bert-wwm连接循环卷积神经网络（recurrent cnn, rcnn），最后连接神经网络全连接层作为分类输出，模型简称为bert-wwm-rcnn。此时bert-wwm保留模型预训练之后获得的模型参数，循环卷积神经网络和全连接层的参数使用xavier初始化方法初始化。将文本预处理后的训练集输入到bert-wwm-rcnn进行模型训练，训练过程中选择交叉熵作为模型的训练误差，使用增加偏移修正的adam权重衰减方法进行优化训练，待达到训练结束条件后结束训练，进入到模型评价与验证步骤，所述训练结束条件为达到模型训练迭代次数，误差下降到阈值等。在该步骤中，使用文本预处理后的验证集调整模型bert-wwm-rcnn的超参数，调整超参数的方法为网格搜
索（grid search）；模型评价与验证：模型训练完成后，使用文本预处理后的测试集测试模型的性能，所述的测试方法为使用分类准确率、精准率、召回率和f1 score等方法。选择一个或多个测试方法后，为每个测试方法设置达标率，只有所有测试方法都通过达标率后，模型才能达标，为后续步骤所使用。如果不能达标，需要进行增量训练，所述的增量训练方法为标注更多的文本数据提供训练，减少学习率并增加模型迭代次数等。
[0027]
所述步骤7）的具体过程为：模型训练：构建基于注意力机制的双向长短期记忆网络（bilstm model of attention mechanism），模型连接全连接层获得回归输出。模型所有参数使用xavier初始化，选择步骤6）的预处理文本，将其中的训练集输入到基于注意力机制的双重长短期记忆网络中，在训练过程中使用均方误差作为训练误差，同时使用adam优化器优化训练过程，待达到训练结束条件后结束训练，进入到模型评价与验证步骤，所述训练结束条件为达到模型训练迭代次数，误差下降到阈值等。在该步骤中，使用步骤6）文本预处理后的验证集调整基于注意力机制的双向长短期记忆网络的超参数，调整超参数的方法为网格搜索（grid search）；模型评价与验证：步骤7）的模型训练完成后，使用步骤6）文本预处理后的测试集进行模型的性能测试，所述的测试方法为使用平均绝对误差损失、均方差损失、huber损失等方法。选择一个或多个测试方法后，为每个测试方法设置达标率，只有所有测试方法都通过达标率后，模型才能达标，为后续步骤所使用。如果不能达标，需要进行增量训练，所述的增量训练方法为标注更多的文本数据提供训练，减少学习率并增加模型迭代次数等。
[0028]
本发明与现有技术相比具有紧密结合中小学实际课堂教学情境，从多角度科学评价教师课堂能力，在数据采集上使用真实教师听评课平台的数据，不仅提升数据真实性，而且减少人工采集工作量。在数据预处理上利用数据清洗和数据规约方法来预处理数据，并采取严谨的数据标注方式为后续模型分析提供了精准的评课文本训练数据。在教师微能力分析模型上引入了预训练的方式，融合了外部教育领域的知识，给教师微能力分类提高了较多的准确率。教师微能力分析模型训练完成后，后续教师微能力评价方法均由模型分析得出，减少了大量的人工分析成本，具有较高的研究实践价值。
附图说明
[0029]
图1为本发明的流程图；图2为实施例1的教师微能力可视化结果。
具体实施方式
[0030]
参阅图1，本发明按下述步骤进行教师微能力评价：s1：基于中小学多媒体教学环境特征构建信息化教学教师微能力分类框架，该框架结合实际课堂教学情境，从学情分析、教学设计、教学实施和学业测评4个维度设计13个微能力点；从学情分析维度设计1个微能力点，该微能力点为学情分析；从教学设计维度设计3个微能力点，分别为教学资源设计、学习过程设计和学习活
动设计；从教学实施维度设计6个微能力点，分别为课堂导入、课堂讲授与互动、总结与提升、学习方法指导、小组学习组织和展示交流支持；从学业测评维度设计3个微能力点，分别为评价设计与应用、评价数据伴随性采集和评价结果分析。
[0031]
s2：在步骤s1教师微能力分类框架基础上，分别对13个教师微能力点制定分类标准，并对每个微能力点制定相应的评价维度，具体参考发明内容。
[0032]
s3：从移动听评课系统中采集教师评课文本数据，进行脱敏处理，每条评课文本数据具有的属性为：课程id，开课老师id，开课时间，评课人姓名id，弹幕实际时间，弹幕视频时间，弹幕内容和弹幕长度。
[0033]
s4：对步骤s3采集得到的属性缺失和重复的数据，利用数据清理工具进行变换和处理。同时利用属性子集选择的基本启发式方法对步骤s3采集得到的数据进行检测，删除相关程度不高或者冗余属性的数据，所述属性子集选择的基本启发式方法包括以下算法：逐步向前选择、逐步向后删除、步向前选择和逐步向后删除的组合和决策树归纳。
[0034]
s5：对步骤s4处理完成的教师评课文本标注，标注工作主要分成两个部分，第一部分标注的内容为教师评课文本对应教师微能力分类标注，第二部分标注的内容为教师评课文本对应教师微能力评价标注，该步骤具体过程为：步骤s5-1、教师微能力分类标注：对步骤s4处理得到的评课本文选取部分数据依据步骤s2的教师微能力点分类标准进行人工标注，对每条评课文本数据选取至少两名数据标注人员进行标注，并统计标注结果的kappa系数，对kappa系数小于0.81的评课文本数据将再次选择其他数据标注人员进行标注，对不满足kappa系数要求的评课数据选取标注人员标注结果最多的类别作为分类结果。待数据标注完成后，对13类标注结果按5%的比例进行质量抽查，准确率需达到90%才能通过标注检测，进入步骤s5-2，否则需重新对没达到90%准确率的类别重新安排标注人员标注，待达到准确率才进入步骤s52。
[0035]
步骤s5-2、教师微能力水平标注：对步骤s5-1处理得到的评课文本数据依据步骤s-2的教师微能力点分类标准进行教师微能力水平标注，教师微能力水平标注阈值为[0,5]，值越大表示水平越高，否则越低。对每条评课文本数据选取至少两名数据标注人员进行标注，统计标注人员的标注分数差，对分数相差大于0.8的评课文本数据将再次选择其他数据标注人员进行标注，对不满足分数相差的评课数据选取标注人员标注平均值作为水平标注结果。对13类标注结果按5%的比例进行质量抽查，均方误差需少于0.64才能通过标注检测，进入步骤s6，否则需重新对均方误差大于0.64的类别重新安排标注人员标注，待小于均方误差阈值才进入步骤s6。
[0036]
s6：构建基于预训练的深度学习文本分类模型完成教师评课数据对应教师微能力点的分类，该步骤具体过程为：步骤s6-1、文本预处理：文本预处理操作包括对清洗和标注后的数据进行去除指定符号、文本分词、去除停用词、过滤低频词等。对步骤s5通过标准检测的评课标注文本，首先去除评课文本的空格和表情符号，接着使用中文分词工具进行文本分词，所述中文分词工具包括：jieba分词工具，lac（lexical analysis of chinese）工具等。然后使用中文停用词表以优化分词结果，所述中文停用词表包括：哈工大中文停用词表，百度中文停用词表
等。再设置低频词阈值去除分词中的低频词，最后将文本数据按7:2:2的比例分为训练集，验证集和测试集。
[0037]
步骤s6-2、模型预训练：首先，构建基于预训练的深度学习模型，所述基于预训练的深度学习模型原型为bert-wwm。其次，选择预训练的教育类文本数据作为预训练语料，所述预训练的教育类文本包括thucnews数据集中的教育类新闻，今日头条客户端教育类新闻等。接着，将预训练语料库输入到所构建的预训练深度学习模型bert-wwm中进行模型预训练，预训练的任务为预测词语和预测下个句子两个任务。
[0038]
步骤s6-3、模型训练：在步骤s62的模型基础上，本发明将bert-wwm连接循环卷积神经网络（recurrent cnn, rcnn），最后连接神经网络全连接层作为分类输出，模型简称为bert-wwm-rcnn。此时bert-wwm保留步骤s62预训练之后获得的模型参数，循环卷积神经网络和全连接层的参数使用xavier初始化方法初始化。将步骤s61处理后的文本数据训练集输入到bert-wwm-rcnn进行模型训练，训练过程中选择交叉熵作为模型的训练误差，使用增加偏移修正的adam权重衰减方法进行优化训练，待达到训练结束条件后结束训练，进入到步骤s6-4，所述训练结束条件为达到模型训练迭代次数，误差下降到阈值等。在该步骤中，使用步骤s6-1处理后的文本数据验证集调整模型bert-wwm-rcnn的超参数，调整超参数的方法为网格搜索（grid search）。
[0039]
步骤s6-4、模型评价与验证：模型训练完成后，使用步骤s6-1处理后的文本数据测试集测试步骤s63训练模型的性能，所述的测试方法为使用分类准确率、精准率、召回率和f1 score等方法。选择一个或多个测试方法后，为每个测试方法设置达标率，只有所有测试方法都通过达标率后，模型才能达标，为后续步骤所使用。如果不能达标，需要回到步骤s63进行增量训练，所述的增量训练方法为标注更多的文本数据提供训练，减少学习率并增加模型迭代次数等。
[0040]
s7：构建基于注意力机制的深度学习模型完成教师评课数据对应教师微能力点的评价，该步骤具体过程为：步骤s7-1、模型训练：构建基于注意力机制的双向长短期记忆网络（bilstm model of attention mechanism），模型接全连接层获得回归输出。模型所有参数使用xavier初始化，选择步骤s61的教师评课数据文本，将其中的训练集输入到基于注意力机制的双重长短期记忆网络中，在训练过程中使用均方误差作为训练误差，同时使用adam优化器优化训练过程，待达到训练结束条件后结束训练，进入到步骤s72，所述训练结束条件为达到模型训练迭代次数，误差下降到阈值等。在该步骤中，使用步骤s61处理后的文本数据验证集调整模型bilstm model of attention mechanism的超参数，调整超参数的方法为网格搜索（grid search）。
[0041]
步骤s7-2、模型评价与验证：步骤s7-1的模型训练完成后，使用步骤s6-1处理后的文本数据测试集进行测试模型的性能，所述的测试方法为使用平均绝对误差损失、均方差损失、huber损失等方法。选择一个或多个测试方法后，为每个测试方法设置达标率，只有所有测试方法都通过达标率后，模型才能达标，为后续步骤所使用。如果不能达标，需要回到步骤s71进行增量训练，所述的增量训练方法为标注更多的文本数据提供训练，减少学习率并增加模型迭代次数等。
[0042]
s8：对于每名教师，根据教师id从教师听评课系统中提取所有与教师id相匹配的
评课数据，形成每名教师的评课数据集合，首先使用步骤6的基于预训练的深度学习文本分类模型对集合内所有数据完成分类，然后使用步骤7的基于注意力机制的深度学习模型对分类后的评课数据进行评价。
[0043]
s9：对于每名教师，使用加权求平均的方式计算集合里面每个微能力点的得分值，并使用关键词提取技术从教师的评课文本集合中根据不同微能力点分别提取关键词，使用可视化工具将其进行展示。
[0044]
以下通过某教师的所有评课数据为具体实施例对本发明作进一步的说明：实施例11）从移动听评课系统中采集教师评课数据进行脱敏处理从系统中采集该老师一条评课数据为：{课程id：440764231，开课老师id：2341，开课时间：2018-09-19 14:01:50，弹幕实际时间：2018-09-20 08:03:50，弹幕视频时间：05:21，弹幕内容：“视频稍微有点长，但是传递给学生的有效信息不是很多[捂脸]，建议要让学生带着问题看，可以挖掘的再深入一下”，弹幕长度：52}。
[0045]
2）利用数据清理工具进行变换和处理对步骤1）采集得到的属性缺失和重复的数据，利用数据清理工具进行变换和处理。同时，利用属性子集选择的基本启发式方法对步骤1）采集得到的数据进行检测，删除相关程度不高或者冗余属性的数据。
[0046]
3）教师评课文本标注根据教师微能力分类框架对步骤2）处理完成的教师评课文本标注，标注工作主要分成两个部分，第一部分标注的内容为教师评课文本对应教师微能力分类标注，第二部分标注的内容为教师评课文本对应教师微能力评价标注；如该老师的评课文本为“视频稍微有点长，但是传递给学生的有效信息不是很多[捂脸]，建议要让学生带着问题看，可以挖掘的再深入一下”，选取2名数据标注人员进行标注，2名数据标注人员将其微能力标注为“教学资源设计”，微能力评价为2.8。
[0047]
4）教师微能力点的分类构建基于预训练的深度学习模型完成教师评课文本对应教师微能力点的分类，对步骤3）通过标注检测的评课标注文本，首先去除评课文本的空格和表情符号，接着使用lac中文分词工具进行文本分词，然后使用百度中文停用词表以优化分词结果，再设置低频词阈值去除分词中的低频词。将文本数据按6:2:2的比例分为训练集，验证集和测试集；接着对bert-wwm模型进行预训练。使用预训练的教育类文本包括thucnews数据集中的教育类新闻，今日头条客户端教育类新闻等，预训练的任务为预测词语和预测下个句子两个任务；在模型预训练基础上，将bert-wwm连接循环卷积神经网络，最后连接神经网络全连接层作为分类输出。此时bert-wwm保留模型预训练之后获得的模型参数，循环卷积神经网络和全连接层的参数使用xavier初始化方法初始化。将文本预处理后的训练集输入进行模型训练，训练过程中选择交叉熵作为模型的训练误差，使用增加偏移修正的adam权重衰减方法进行优化训练，待达到模型训练迭代次数后结束训练，进入到模型评价与验证步骤，在该步骤中，使用文本预处理后的验证集调整模型的超参数，调整超参数的方法为网格搜索（grid search）；模型训练完成后，使用文本预处理后的测试集测试模型的性能，所使用的测试方法为使用分类准确率方法。只有分类准确率达到85%后，模型才能达标，为后续步骤所使用。
如果不能达标，需要进行增量训练，使用的增量训练方法为标注更多的文本数据提供。
[0048]
5）教师微能力的评价构建基于注意力机制的深度学习模型完成教师评课文本对应教师微能力的评价，使用基于注意力机制的双向长短期记忆网络，模型连接全连接层获得回归输出。模型所有参数使用xavier初始化，选择步骤4）的预处理文本，将其中的训练集输入到基于注意力机制的双重长短期记忆网络中，在训练过程中使用均方误差作为训练误差，同时使用adam优化器优化训练过程，待达到模型训练迭代次数后结束训练，进入到模型评价与验证步骤。在该步骤中，使用步骤4）文本预处理后的验证集调整基于注意力机制的双向长短期记忆网络的超参数，调整超参数的方法为网格搜索（grid search）。模型训练完成后，使用步骤4）文本预处理后的测试集进行模型的性能测试，所使用的测试方法为使用平均绝对误差损失方法。只有绝对误差小于0.64后，模型才能达标，为后续步骤所使用。如果不能达标，需要进行增量训练，所使用的增量训练方法为标注更多的文本数据提供训练。
[0049]
6）对该老师的评课数据集合，首先使用步骤4）的基于预训练的深度学习模型对集合内所有数据完成分类，然后使用步骤5）的基于注意力机制的深度学习模型对分类后的评课数据进行评价，选取随机三条该老师的数据，模型为其分类和评价结果如下所示：{“弹幕内容”：“演示前步骤在下面，后面学生看不清楚”，微能力分类：“展示交流支持”，“微能力评价”：“2”} ；{“弹幕内容”：“实验操作戴上了护目镜，规范，下次科学课做这个实验，我也要用护目镜[呲牙]”，微能力分类：“学习过程设计”，“微能力评价”：“4.2”}；{“弹幕内容”：“可以提问，实验材料需要满足什么条件，再进行比较”，微能力分类：“课堂讲授与互动”，“微能力评价”：“3”} 。
[0050]
7）设计可视化界面参阅图2，对该周丽老师使用加权求平均的方式计算集合里面每个微能力点的得分值，并使用关键词提取技术从该老师的评课集合中根据不同微能力点分别提取关键词，设计可视化界面将其进行展示。
[0051]
本发明所构建教师信息化教学微能力分类框架，该框架结合实际课堂教学情境，从学情分析、教学设计、教学实施和学业测评4个维度设计13个微能力点。构建基于预训练的教师评课文本分类模型，并且对现有的基于预训练的深度学习分类模型进行技术创新，即引入更深层次的神经网络结构和更优的训练方法，使得模型提高了分类准确率。构建教师微能力水平评价模型，为教师微能力评价提供了深度学习分析的参考。当两个模型训练完成之后，可对大量未标注的教师评课文本进行分类和质量评估，在保证准确率的情况下有效提高了效率，并且该评价方法能较清晰展现教师每个微能力点的情况，给后续教学改进和教师教研提供了一定的参考价值。
[0052]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。