随着互联网普及程度的上升,网络直播教学、微课、MOOC等多种在线学习方式也如雨后春笋般发展壮大。在教育领域内,教学评价是教学活动中极为重要的一部分,其主要构成是教师教学过程的评估和学生学习效果的价值判断,目的是使得教学的改进工作有的放矢。当前,各类网络学习技术不断完善,但教学的评价工作却相对滞后,导致各大网络学习平台虽有百家争鸣之势,内容却纷繁芜杂,无法让学生快速定位,为了提高在线课堂的质量,提升学生的学习兴趣,加强教学评价环节已是刻不容缓。当前网络在线学习平台的教学评价的形式主要是等级评定和留言评论,对于数量庞大的评论文本,要快速定位评价内容,使用机器学习方法进行情感分析也是必然趋势。综合国内外研究现状来看,当下情感分析的研究主要采用SVM、ANN等监督式的学习类方法,不管采用哪种方法进行情感分析的研究,方法自身都有一定的局限性,从而影响实验操作过程,或无法得到理想的实验结果。例如,支持向量机(SVM)算法难以对大规模的样本进行模拟训练,在多分类问题方面表现较差。本文所涉主题范围主要为在线课程学习,本研究旨在探究情感分析新方法,拓展情感分析方法的多样性,以便在面对不同的研究样本类型时,研究者可以有更多的选择空间,同时能选取更适合研究样本的研究方法。本研究方法是通过获得开放式在线教学的反馈评论并采用的新的情感分类方法,并将语境的情感分为正面或负面,来确定教学情感语境下对开放式反馈的最佳分类。本研究采用了一种基于关联挖掘,称为情感短语模式匹配的新方法。模型分析的对象为网络在线学习平台课程的开放式评论,从在线学习平台中提取参与者对课程的观后评论作,并允许学生向教师或平台反馈影响教学和学习的因素。所采用的方法由四个主要阶段组成:(1)通过情感词典收集反馈数据并执行标记;(2)使用基于关联挖掘方法,情感短语模式匹配(SPPM)分析情感分析短语,结合情感词组频率,利用前向双向遍历,将教学反馈句子中的多个词组分离出来;(3)根据已有的情感词典的情感极性分值进行情感分析;(4)使用支持向量机(SVM)算法对数据进行二次分析,再与本研究实验结果进行横向对比,验证情感分析结果,校验本研究实验的有效性。本研究方法的优越性主要在于方法的易操作性,早先的大多数研究操作过程过于专业化,难以推广使用。本研究实验结果是根据评价指标体系(准确率、精准率、召回率、F1分数)判断研究效果,本研究采用的方法所得出的结果在多方面优于支持向量机(SVM)算法的表现。经对比试验证实,本研究采用的方法——情感短语模式匹配,在文本情感分析方面能达到情感分析的真实目的。在研究过程中发现,国内的情感分析研究与国外相比还有很大差距,主要表现在情感词典方面,分类不够详细多样,缺少极性值评估,词库更新力度不足。希望今后的研究学者们可以加强该方面的研究,促进文本情感分析的健全发展。