随着教育信息化的发展,在线学习社区逐渐成为学习者在非课堂环境下获取知识的重要途径。在线学习社区具有允许学习者随时随地进行网上学习的时空优势,弥补了教育资源的不均衡分布,令学习者得到了更多的学习机会,从中受益匪浅。由于学习者在学习过程中所产生的情感状态会对其学习效果产生一定的影响,积极的情感有助于提升学习者的学习动机,促进认知过程的有效性,而消极情感会影响学习者的耐心和注意力,阻碍认知过程,这些情感因素终将影响到学习者的学习成效,但是由于在线学习环境下师生在时空上分离,教师难以把握学生在学习过程中的情感状态,存在所谓的情感缺失问题。在在线学习社区中存在情感缺失问题的背景下,识别出线上学习者在学习过程中产生的情感,以实现数据驱动的学习诊断与学习干预,对学习者进行个性化指导,这是一个值得研究的问题。为此,本文所做的主要研究工作如下。第一,构建学习者情感识别模型。首先,融合文本的词序信息和依存句法信息构建出文本的语义图,通过图嵌入技术计算得出含有语义信息的词向量;然后,基于迁移学习技术提取文本情感特征,即先利用一个层次化注意力网络,得到不同领域的共享情感特征,再使用另一个层次化注意力网络将不同领域的独有情感特征映射到共享情感特征空间中;最后,联合上述的两个层次化注意力网络对在线学习社区学习者评论数据进行文本情感识别。第二,设计并实现学习分析系统,将学习者情感识别模型应用到学习分析系统中,作为系统的支撑性应用之一。学习分析系统以在线学习社区中的数据为基础,对学习者的行为、情感、知识进行建模并分析之后为教师、学生以及在线学习系统提供各项服务,优化教学过程,促进学习者的有效学习。在设计上,基于在线学习平台的数据和对象交互过程,从数据挖掘的角度构建一个以学生、教师、在线学习社区三个主体为核心的学习分析系统模型。在实现上,基于B/S架构编码实现上述学习分析系统,将不同的学习分析应用封装成独立的服务模块,从而提升系统整体的可扩展性。在此学习系统内,学习者情感识别模型作为一个支撑性功能模块,可以完成学习者课程评论数据情感识别结果可视化、课程评论情感极性分布计算及在线学习社区学习者潜在兴趣课程推荐等学习分析工作。在5门在线课程组成的真实数据集上进行了对照实验,结果表明本文方法能有效对学习社区课程评论文本进行情感识别,验证了本文所使用的情感识别模型的有效性。在实现算法的基础上,进一步将此情感识别模型应用于学习分析系统中,作为学习分析系统的一部分,为个性化学习资源推荐等学习分析工作提供数据支撑。