表格可以将影响决策的多维度要素有序的存储并清晰的展示出来,是帮助管理者进行决策的有效工具。纵观现有对表格数据的分析方法,有以下问题值得关注:目前的分析方法仅针对包含类别特征与数字特征的表格,无法分析包含主观描述字段的表格;机器学习在表格数据挖掘领域中占主导地位,但决策因素的维度提升会影响分析结果。针对上述问题,如何同时对表格中的数字型特征、类别型特征、主观描述文本特征进行深层次的规律探究,进而辅助决策,变得尤为重要。本文提出了一种基于深度学习且结合语言模型的表格学习方法,针对北方工业大学中学生的可持续发展观点调查问卷结果进行规律探究并进行结果评定。该方法通过语言模型将主观描述字段分别转换为文本相似度和文本观点序列,将其与表格中的其他特征进行拼接后再送入表格模型进行分析决策。论文的主要工作内容如下:（1）针对考察概念的主观字段,使用TF-IDF提取学生作答的关键词与词频并用Jaccard系数作为评估指标;使用Word Embedding提取学生作答与官方文本的向量空间并进行相似度比较,此两者共同描述了概念空间。（2）针对考察学生是否具备正确观点的主观描述字段,本文提出ML＿BERT,以BERT语言模型为框架,通过微调模型结构与损失函数使其完成多标签观点提取任务,并通过实验证明了其有效性。（3）针对多标签文本观点提取任务中的标签不均衡问题,本文引入多标签Focal loss对分类任务进行优化。（4）本文将语言模型与表格学习模型相结合,并针对观点序列修改Tab Net使其避免特征离散的同时更关注于主观作答内容。实验证明本文选取的端到端表格学习模型相较于其他方法更适用于与语言模型相结合,且具有可解释性。