本文由《開放教育研究》雜志授權(quán)發(fā)布 作者:潘怡,、葉輝、鄒軍華 摘要
一、引言 自2000年起,,伴隨計算機網(wǎng)絡(luò)技術(shù)及多媒體教育的興起,,E-learning(吳戰(zhàn)杰,2013)發(fā)展迅速,,在線學(xué)習(xí)與傳統(tǒng)課堂學(xué)習(xí)效果的比較成為研究熱點,。盡管多數(shù)學(xué)者相信E-Learning的學(xué)習(xí)效果和傳統(tǒng)授課方式的效果類似,但仍有不少人堅持認為前者的學(xué)習(xí)效果有待改進,。美國Pew研究中心對2124名成人抽樣調(diào)查結(jié)果表明,,僅29%的受訪者認為在線學(xué)習(xí)與傳統(tǒng)課堂授課效果相似(Bell & Federman,2013),。究其根本,,這與E-learning未能在講授者與學(xué)習(xí)者之間架起有效的溝通橋梁不無關(guān)系。由于講授者不能及時從學(xué)習(xí)者處獲得有效反饋,,各類E-learning平臺目前僅能呈現(xiàn)較低層次的學(xué)習(xí)過程,,講授者無法引導(dǎo)學(xué)習(xí)者展開深入探討。 文本情感分析,,又稱情感分析(Sentimen Analysis),,采用數(shù)據(jù)挖掘技術(shù)對用戶發(fā)布文本中所包含的觀點、情緒等進行分析,,對用戶的情感傾向如“贊同”“反對”或“無所謂”等作出判斷,。隨著Web2.0的興起與發(fā)展,用戶主動發(fā)布信息越來越多,,如各種新聞,、產(chǎn)品評論、論壇帖子,、Blog等,,他們不僅是信息瀏覽者,也是信息提供者,。這些由用戶主動發(fā)布的信息往往表達了他們對某一主題或事件的看法,,或?qū)δ骋划a(chǎn)品的意見,有的還蘊含了用戶的興趣愛好和個性特征,,反映了用戶對某一事物的情感或態(tài)度,。如果將文本分類研究視角擴展至發(fā)布在學(xué)習(xí)平臺上的評論,識別隱含其中的情感信息,,發(fā)現(xiàn)學(xué)習(xí)者情感變化的規(guī)律,并將這些規(guī)律及時反饋給講授者,,則有助于講授者判斷學(xué)習(xí)者對講授課程及講授方式所持有的情感傾向,,從而調(diào)整授課內(nèi)容及方式,有效促進E-learning的認知深度,,提高E-learning效果,。 早在1997年,,哈茲瓦斯羅和麥基翁就嘗試使用監(jiān)督學(xué)習(xí)方法(Hatzivassiloglou & McKeown,1997),,對英文詞語進行情感語義傾向性判別,,2002年龐等(Pang & Lillian,2002)提出了文本情感分類(Sentiment Classification),,并使用傳統(tǒng)的三種機器學(xué)習(xí)方法對電影評論按照“正面”和“負面”情感進行分類,。同年,特尼(Turney,,2002)提出了基于情感種子詞與PMI的無監(jiān)督情感分類方法,。2008年,第一屆中文傾向性分析評測會議(Chinese Opinion Analysis Evaluation)在北京召開,,與會專家指出文本傾向性分析已成為自然語言處理的熱點,。特征項選擇方式對分類算法效果有較大影響。王素格和朱嫣嵐等分別基于同義詞詞集和HowNet(《知網(wǎng)》)研究了中文詞匯的情感傾向(王素格,,魏英杰,,2008;朱嫣嵐等,,2006),,陳建美等(2009)通過語法特征提取,利用條件隨機場(Conditional Random Fields)自動發(fā)現(xiàn)情感詞匯,;王根等(2007)利用多重冗余標(biāo)記CRFs分析句子的情感傾向,;樊娜等(2009)利用主題概念和CRF研究了主題情感句的分析與提取,;夏云慶等(2010)提出情感向量空間模型,,并研究了歌詞情感分類的應(yīng)用,聞彬等(2010)和姚天昉等(2008)分別研究了文本情感分類和文本意見挖掘,;王洪偉等(2010)對Web文本情感分類的研究進行了探討,,將情感分類分為主客觀分類、極性判別和強度判別三類任務(wù),,分析了情感分類中的語料庫選擇和研究難點,。隨著情感分析技術(shù)的不斷成熟,目前許多大型公司都試圖應(yīng)用情感分析,,挖掘用戶對產(chǎn)品的看法和意見,,以此修改產(chǎn)品的相關(guān)設(shè)計或向用戶推薦符合個性需求的產(chǎn)品。例如,,貝爾開發(fā)了產(chǎn)品評論意見挖掘系統(tǒng)(Bell & Federman,,2013),通過對用戶評論的分析,統(tǒng)計用戶對產(chǎn)品的意見,,并以友好方式呈現(xiàn),,方便用戶選購時與其它產(chǎn)品進行比較。 在教育領(lǐng)域,,近年雖然出現(xiàn)了許多交互性E-learning平臺,,學(xué)習(xí)者可通過留言板、資源評論,、課程評論,、教師評論等提交評論,但這些評論信息卻沒有得到有效利用,,主要原因在于評論信息太多,,且正面與負面評價相互摻雜,難以分析學(xué)習(xí)者的看法,。如何應(yīng)用情感分析從這些評論文本中挖掘?qū)W習(xí)者對教育資源和網(wǎng)絡(luò)課程的情感態(tài)度,,對E-learning的發(fā)展意義重大。本文首先從技術(shù)層面概括了文本情感分析的一般過程原理和技術(shù),,提出了情感分類在E-learning中的應(yīng)用模型,,實現(xiàn)了評論文本情感分類引擎,并將其整合到“課程在線”中進行應(yīng)用評價,。本文為文本情感分析技術(shù)在教育中的研究與應(yīng)用跨出了第一步,,希望能起拋磚引玉的作用。 二,、文本情感分析及關(guān)鍵技術(shù) 情感分析有廣義和狹義之分,。廣義情感分析包含分析文本中說話人的心理,狹義情感分析則主要判斷說話人關(guān)于某物或某事的觀點是“贊同”還是“反對”,??梢姡M義的情感分類實際上是一種文本分類,,其基本過程和技術(shù)與文本分類近似,,涉及領(lǐng)域同樣包括人工智能、Web文本分類,、文本挖掘,、心理學(xué)等。與自動文本分類不同的是,,傳統(tǒng)的文本分類目標(biāo)是挖掘文本主題的歸屬,,不涉及用戶情感的內(nèi)容。本文探討的文本情感分類,,主要是分析并判別分類文本中所包含的各種用戶情感信息,,如積極或消極,、肯定或否定、喜愛或厭惡等,。 (一)基本過程 文本情感分類技術(shù)是文本分類技術(shù)的一種新形式,基本過程和分類算法與文本分類大致相同(見圖1),,主要區(qū)別在于特征提取階段,。文本情感分類更注重情感特征的提取,而非主題特征的提取,。 由圖1可以看出,,文本情感分類過程依次經(jīng)過五個環(huán)節(jié): 1)收集數(shù)據(jù)。要分析用戶對某一事物的情感態(tài)度,,首先需要收集用戶的評論信息,。目前,用戶評論數(shù)據(jù)的來源主要有網(wǎng)站留言板,、產(chǎn)品在線評論,、產(chǎn)品論壇、新聞評論等,。 2)預(yù)處理,。為了減少干擾,提高情感分類的效率和準(zhǔn)確性,,在特征提取和分類前需要對文本進行預(yù)處理,。根據(jù)不同的文本特性和算法要求,預(yù)處理需要完成不同的任務(wù),。對中文文本,,預(yù)處理一般需要進行中文分詞、詞性標(biāo)注,、去停用詞等操作,。 3)主觀句識別。對長文本,,往往需要借助情感語義詞典識別文本主觀性句子,,以在后期分類階段進行情感判斷。對內(nèi)容較短的評論文本,,一般不需要經(jīng)過主觀句識別,。 4)情感特征提取。情感特征提取是文本情感分類與普通文本分類的最大區(qū)別,。情感特征提取需提取反映用戶情感傾向的文本特征詞匯,,如形容詞、否定詞等,。而普通文本分類中提取的是反映文本內(nèi)容主題的特征詞匯,,如關(guān)鍵詞,、主題詞等。因此,,普通文本分類使用的TF-DF,、信息熵、互信息以及卡方檢驗等特征提取算法在文本情感分類中無法直接使用,。對于情感特征的提取目前主要通過情感語義詞典實現(xiàn),。 5)文本情感類別判斷。提取文本的情感特征后,,要構(gòu)建情感模型,,并使用常規(guī)文本分類算法完成文本情感類別分析,其主要分類算法有樸素貝葉斯,、支持向量機(Support Vector Machine,,SVM)等。目前對情感模型研究相對較少,,一般將評論文本的情感分正面,、負面和中性三類。當(dāng)然,,研究者也可以通過表意非常明顯的特征直接進行判斷,。 (二)基于情感單元的情感特征提取 情感特征提取是文本情感分析的主要任務(wù)之一。情感語義詞典是情感特征提取的主要來源,,算法將隱含在文本中,,表示情感的詞匯提取出來形成情感特征詞,然后將文本表示為向量空間模型SVM,,提交給Bayes或SVM分類器進行情感分類,。但是,以詞匯為特征的向量空間模型存在以下問題: 1)無法消除某些與情感表達無關(guān)的詞匯,;2)很多情感詞匯存在歧義,,SVM無法消除詞匯歧義;3)基于情感詞匯的SVM沒有考慮否定詞和修飾詞在情感表達中的重要作用,;4)評論文本一般較短,,基于情感詞匯的SVM中特征詞匯過多,容易導(dǎo)致產(chǎn)生數(shù)據(jù)稀疏的SVM,。針對以上問題,,清華大學(xué)夏云慶等(2010)提出“情感單元”概念,在定義對象的情感特征時將情感單元作為其單位元素,,組織構(gòu)成相應(yīng)的向量空間模型,。 基于情感單元的情感特征包括以下三部分(夏云慶等,2010): 1)情感詞典,。它可形式化地描述為一個三元組L={C,,N,,M},C={ci},,i=1,,…,I,;N={nj},,j=1,…J,;M={mt},t=1,,…,,T。其中C是情感詞集,,每個情感詞都被賦予一個表示正面或負面極性強度的數(shù)值,,正數(shù)表示正面情感,負數(shù)表示負面情感,。N是否定詞集,,M是修飾詞集,每個修飾詞用一個正數(shù)表示加強情感強度,,用一個負數(shù)表示減弱情感強度,。 2)情感單元。情感單元是在約定大小的上下文窗口中出現(xiàn)的情感詞,、否定詞和修飾詞及其強度數(shù)值,。它可形式化地表示為U={ci,nj,,mt},,ci表示窗口出現(xiàn)的情感詞及其對應(yīng)的極性強度,nj表示窗口出現(xiàn)的否定詞及其頻率,,mt表示窗口出現(xiàn)的修飾詞及其修飾強度,。 3)情感特征。根據(jù)情感單元定義和漢語情感表達習(xí)慣,,可總結(jié)如下6組12種情感特征(見表一),。 基于情感單元的情感特征去掉與情感表達無關(guān)的詞匯,通過上下文窗口能在一定程度上消除歧義,,還考慮了否定詞和修飾詞對情感表達的置反作用等,,能較好地提高情感分類的準(zhǔn)確性。此外,,只有12個情感特征,,向量維度低,,不僅可避免數(shù)據(jù)稀疏,還能提高情感分類計算的復(fù)雜度,。 三,、應(yīng)用模型 在Web2.0技術(shù)影響下,E-learning平臺中學(xué)習(xí)者,、教師,、管理者之間的交互變得容易、頻繁,、便捷,。除同步視頻,、在線聊天等實時,、同步交互方式外,留言板,、教育資源評論,、網(wǎng)絡(luò)課程評論等延時,、異步交互方式也扮演重要角色。E-learning相對于傳統(tǒng)教學(xué)的最大優(yōu)點在于它使學(xué)習(xí)可以發(fā)生在任何時間,、任何地點,。從這個角度講,延時,、異步的交互方式比實時,、同步交互方式更具重要作用。目前,,學(xué)習(xí)者通過留言板,、教育資源評論、網(wǎng)絡(luò)課程評論發(fā)布的正面信息與負面信息相互夾雜,,使教師和管理者無法從中挖掘?qū)W習(xí)者的真實需求,,嚴(yán)重阻礙學(xué)習(xí)者與教師和管理者間的交互。情感分類通過對評論文本的語義分析,,判斷評論者對某一事物的情感態(tài)度,,為評論文本的情感分類開辟了新道路。 通過對現(xiàn)有E-learning平臺各模塊的分析可知,,情感分類最直接,、最簡單的應(yīng)用就是對留言板、教育資源評論和網(wǎng)絡(luò)課程評論發(fā)布的信息進行情感判斷,,并按照情感分類顯示給學(xué)習(xí)者,、教師和管理者。具體應(yīng)用模型見圖2,。 將E-learning的評論文本引入情感分類,,從系統(tǒng)架構(gòu)的角度看,,需要從三個部分作出調(diào)整,它們分別為:E-learning平臺,、E-learning管理平臺和數(shù)據(jù)存儲,。從用戶使用角度看,情感分類會給三類成員帶來新的使用體驗,,他們是學(xué)習(xí)者,、教師和系統(tǒng)管理員。 E-learning平臺的主要功能是供學(xué)習(xí)者瀏覽學(xué)習(xí)資源,,學(xué)習(xí)網(wǎng)絡(luò)課程,,與教師和其他學(xué)習(xí)者相互交流。引入情感分類后的E-learning平臺出現(xiàn)的最大區(qū)別在于:學(xué)習(xí)資源和網(wǎng)絡(luò)課程的評論信息按照情感極性分類顯示,。學(xué)習(xí)者可較快了解某一學(xué)習(xí)資源或某門網(wǎng)絡(luò)課程的優(yōu)缺點,,選擇更加適合自己的學(xué)習(xí)資源和網(wǎng)絡(luò)課程。 為了實現(xiàn)評論信息按照情感極性分類顯示,,我們在系統(tǒng)模型中作了兩點調(diào)整:1)在留言板、資源評論和網(wǎng)絡(luò)課程評論中引入情感分類引擎,,用于判斷評論信息的情感極性,;2)在評論信息數(shù)據(jù)存儲中加入“情感極性”字段,用于存儲評論信息的情感類別和情感強度,;3)在向?qū)W習(xí)者展示評論信息時,,需要讀取數(shù)據(jù)存儲中保存的情感極性和強度,按照情感類別分組和按照情感強度排序顯示,。 E-learning教學(xué)管理平臺的主要功能是讓教師上傳,、發(fā)布和管理教學(xué)資源,遠距離實時授課,,布置學(xué)習(xí)任務(wù),,查看學(xué)習(xí)者留言并與學(xué)習(xí)者交流。引入情感分類后的教學(xué)管理平臺將使教師和管理者產(chǎn)生新的使用體驗:他們面對的不再是混雜,、海量的評論信息,,而是一份正面評論與負面評論的統(tǒng)計報告,外加一段簡短的建議,。要實現(xiàn)這種新的使用體驗,,教學(xué)管理平臺需作如下調(diào)整:1)從數(shù)據(jù)存儲中讀取評論信息的情感類別和強度,并進行簡單的統(tǒng)計,,如正面,、負面評論的條數(shù);2)對同類評論信息利用數(shù)據(jù)挖掘技術(shù),,發(fā)現(xiàn)評論的關(guān)鍵對象或?qū)傩?,并生成意見摘要?/p> 通過對上述應(yīng)用模型的分析可知,,對評論文本引入情感分類后具有如下特征:1)學(xué)習(xí)者通過分類顯示的評論信息,可更清晰,、快捷地發(fā)現(xiàn)優(yōu)質(zhì)的學(xué)習(xí)資源,,選擇適合自己學(xué)習(xí)風(fēng)格的網(wǎng)絡(luò)課程;2)教師和管理人員通過評論信息統(tǒng)計報告和建議摘要,,能夠制作滿足學(xué)習(xí)者需要的優(yōu)質(zhì)教學(xué)資源,,解決教學(xué)問題,提高教學(xué)能力,;3)通過對學(xué)習(xí)者評論信息的挖掘,,發(fā)現(xiàn)學(xué)習(xí)者的學(xué)習(xí)風(fēng)格等特質(zhì),提供個性化服務(wù),。 四,、情感分類系統(tǒng)的實現(xiàn) 長沙學(xué)院“課程在線”是典型的E-learning系統(tǒng),主要用于輔助課堂教學(xué)或網(wǎng)絡(luò)教學(xué),。教師可通過“課程在線”建設(shè)網(wǎng)絡(luò)課程,,包括課程大綱、講義,、課堂視頻和其它擴展性學(xué)習(xí)資源,,供學(xué)生下載;學(xué)習(xí)者可選修自己感興趣的課程,,通過審核后便可進入“課程在線”平臺瀏覽課程視頻,,下載相關(guān)學(xué)習(xí)資源,與其他學(xué)習(xí)者和教師討論交流,。學(xué)習(xí)者還可通過留言板,、學(xué)習(xí)資源評論和課程評論三模塊發(fā)表評論信息。根據(jù)E-Learning評論文本的情感分類應(yīng)用模型,,我們在三個評論模塊中引入情感分類技術(shù),,將評論信息按照情感極性分為正面評論、負面評論,、中性評論,,并統(tǒng)計每個類別評論的數(shù)量。 實現(xiàn)“課程在線”中評論文本的情感分類系統(tǒng),,關(guān)鍵在于情感分類引擎的實現(xiàn),。通過對情感分類基本過程及關(guān)鍵技術(shù)的研究,情感分類引擎中關(guān)鍵模塊的技術(shù)實現(xiàn)如下: 1)預(yù)處理,。主要工作包括:中文分詞,、詞性標(biāo)注、去停用詞。ICTCLAS是目前最成熟且綜合性能最優(yōu)的中文分詞軟件之一,,可實現(xiàn)中文分詞和詞性標(biāo)注,。各種詞典數(shù)據(jù)壓縮后不到3M,且支持用戶自定義詞典,。本文中使用的停用詞表在原有基礎(chǔ)上除去了形容詞,、副詞和動詞。 2)相關(guān)詞典,。本研究采用表一的12個情感單元作為情感特征,,系統(tǒng)的情感分類引擎實現(xiàn)需要三類詞典:情感詞典、否定詞詞典,、修飾詞詞典,。本文使用HowNet在2007年發(fā)布的“情感分析用詞語集”(董振東等,2007)中的中文評價和情感詞語作為情感詞典,,使用中文的程度級別詞語作為修飾詞詞典,。否定詞詞典由人工從HowNet中抽取22個否定副詞組成。 3)情感特征提取,。情感特征提取的關(guān)鍵是從預(yù)處理后的句子中找出情感詞,,然后在一定的窗口大小中找出情感詞的修飾詞和否定詞。本文通過對情感詞典中所有情感詞的詞性統(tǒng)計,,得出情感詞的詞性主要為名詞,、動詞、形容詞,,因而本文將選取文本中名詞、動詞和形容詞作為主要候選匹配詞,,并采用二叉樹形式存儲情感詞典,,以提高情感特征詞的匹配效率。如果匹配成功,,再根據(jù)夏云慶提出的五條抽取規(guī)則(夏云慶等,,2010),以七個詞語作為窗口大小,,抽取情感詞的修飾詞和否定詞,。根據(jù)情感詞極性,修飾詞和否定詞數(shù)量,,計算評論文本中每個情感單元的權(quán)值,,形成情感向量空間模型。 4)情感分類器,。在情感分類階段,,本研究選擇性能較好的SVM分類算法,采用LibSVM工具實現(xiàn)。臺灣大學(xué)開發(fā)的支持SVM的機器學(xué)習(xí)開源軟件,,能實現(xiàn)數(shù)據(jù)分類及回歸分析功能,,且靈活易擴展,應(yīng)用非常廣泛,。 五,、實驗結(jié)果及分析 為了驗證一般情感分類方法對E-learning評論文本進行情感分類的有效性,以及情感分類對E-learning的促進作用,,本文從兩方面進行實驗:一是情感分類的準(zhǔn)確性,;二是學(xué)習(xí)者、教師和管理員在使用情感分類后的評價,。 (1)情感分類準(zhǔn)確性 目前,,情感分類方法的準(zhǔn)確性主要采用準(zhǔn)確率評價。準(zhǔn)確率指對一個測試集進行情感分類后,,分類正確的文本數(shù)量占測試集文本總數(shù)的百分比,。為了計算基于情感單元和SVM的情感分類方法對評論文本分類的準(zhǔn)確率,首先需要構(gòu)建評論文本情感分類語料庫,。本文從“課程在線”平臺的留言板,、資源評論和課程評論三部分的評論文本中選擇450條評論作為實驗語料,對挑選的語料進行人工情感極性判斷,,人工分類后的語料(見表二),。 實驗采用LibSVM默認的參數(shù)配置,選取每種語料類型的2/3作為訓(xùn)練集,,將其余的1/3作為測試集,。 學(xué)習(xí)者、教師和系統(tǒng)管理員是E-learning平臺的直接使用者,,對情感分類的引入有切身體驗,。為了了解他們對情感分類的使用感受,本研究隨機抽取“課程在線”的42名教師,、72名學(xué)生和12名管理員作為調(diào)查樣本,,讓他們對情感分類功能打分,打分范圍為0~10,。0~4分代表負面(不準(zhǔn)確),,5~7分代表中性(基本準(zhǔn)確),8~10分代表正面(準(zhǔn)確),,統(tǒng)計結(jié)果見表三,。 由實驗結(jié)果可以看出,基于情感單元和SVM的情感分類方法基本可滿足E-learning評論文本情感分類的要求,,平均準(zhǔn)確率在80%以上,。但是,相對于一般的產(chǎn)品評論情感分類,E-learning評論文本的情感分類準(zhǔn)確率明顯略低,。這也從另外一方面證明E-learning評論文本在情感表達上有自身的特點,,研究針對E-learning中評論文本的情感分類方法是必要的。 (2)實用性評價 本研究還讓使用者進行實用性評價,,打分范圍為0~10,。0~2分代表“不實用”,3~4分代表“實用性較差”,,5~6分代表“較實用”,,7~8分代表“很實用”,9~10分代表“非常實用”,,結(jié)果見表四,。 由實驗結(jié)果可看出,所有學(xué)習(xí)者,、教師和管理員都肯定情感分類在E-learning中的實用性,。82.15%的受訪者認為非常實用或很實用。由此可見,,情感分類的引入有效地提高了E-learning平臺的可用性,。 六、結(jié)語 用戶在互聯(lián)網(wǎng)上發(fā)布信息直接或間接地表達他們對事物的情感態(tài)度,,從中挖掘他們的情感態(tài)度意義重要,。在E-learning平臺中,從學(xué)習(xí)者的評論文本或Blog中挖掘?qū)W習(xí)者對網(wǎng)絡(luò)課程,、學(xué)習(xí)資源和教學(xué)平臺的情感態(tài)度,,對促進E-learning發(fā)展作用重大。本文首先歸納了文本情感分類的五個步驟:數(shù)據(jù)收集,、文本預(yù)處理,、評價主觀句識別、提取文本情感特征詞匯以及分析并判讀文本所屬情感類別,,指出情感特征提取是文本情感分析與普通文本分類的主要區(qū)別,,也是文本情感分類的關(guān)鍵技術(shù),。目前以詞匯為特征的向量空間模型存在一定問題,,宜選用以情感單元為情感特征單位,構(gòu)建情感向量空間模型,,并將其引入具體課程在線論壇的情感文本分類引擎,,完成預(yù)處理、創(chuàng)建詞典,、提取情感特征及最后分類等工作,。實驗表明,基于情感單元和SVM的情感分類方法基本可以滿足E-learning評論文本情感分類的要求,平均準(zhǔn)確率在80%以上,;學(xué)習(xí)者,、教師和管理員肯定了情感分類在E-learning中的實用性。由此可見,,情感分類的引入有效地改進了E-learning平臺的可用性,。但是,文本情感分析技術(shù)在E-Learning中的應(yīng)用遠不止于此,,還需進一步研究,。此外,情感表達的復(fù)雜性與情感模型的科學(xué)性,,提取更合適的情感特征,,提高情感分類的準(zhǔn)確率等,這些都期待開展更深入的研究,。 [基金項目]湖南省普通高等學(xué)校教學(xué)改革研究項目“構(gòu)建有效激勵體系,,促進軟件工程專業(yè)實踐教育創(chuàng)新”(411)成果之一。 [作者簡介]潘怡,,博士,,長沙學(xué)院計算機學(xué)院副教授([email protected]);葉輝(通訊作者),,博士,,長沙學(xué)院計算機學(xué)院講師;鄒軍華,,博士,,湖北大學(xué)教育學(xué)院副教授。 轉(zhuǎn)載自:《開放教育研究》雜志 2014年4月第21卷第2期 排版,、插圖來自公眾號:MOOC(微信號:openonline)
|
|