基于SnowNLP框架的人工智能教学实践

摘要

在当前我国大力推行中小学人工智能教育的背景下，人工智能课程在教学实施中存在的问题日益凸显，如课程定位模糊、模型被过度封装等。针对这些问题，提出一种基于SnowNLP框架的人工智能教学实践路径。界定了SnowNLP人工智能框架的核心概念，分析了我国中小学人工智能教育的现状，并在此基础上阐述了SnowNLP人工智能框架的优势，最后以真实的项目案例“商品评价数据可视化”为例，详细讨论了具体的教学方法，以期为一线教师开展人工智能教育提供借鉴。

Graphical abstract

关键词

SnowNLP框架 / 人工智能教育 / 商品评价 / 数据可视化

当前我国中小学人工智能教育仍面临课程定位模糊、模型被过度封装等问题，严重影响着青少年学生智能素养的提升。针对现阶段我国中小学人工智能教育面临的问题，提出一种基于SnowNLP框架的人工智能教育实践路径，并以“商品评价数据可视化”为例，通过真实的人工智能问题，让学生参与利用SnowNLP人工智能框架解决问题的全过程，从而全面提升其人工智能素养。

1 SnowNLP人工智能框架概述

SnowNLP是一个基于Python的中文文本情感分析工具，主要通过分析文本中的词汇、语法和语义信息来判断文本的情感倾向。SnowNLP采用了基于情感词典的方法，结合了词汇语义、句法分析和情感强度计算等多种技术。其核心技术包括：①构建一个包含正面和负面情感词汇的情感词典；②对输入文本进行分词、词性标注和依存句法分析；③计算每个词汇的情感得分，并结合词汇间的语法关系进行情感强度的传递和合并；④最后得到整个文本的情感得分，从而判断其情感倾向。

2 我国中小学人工智能教育的现状

2.1 课程定位模糊

在中小学阶段，人工智能课程定位仍然较为模糊。部分学校缺乏对人工智能核心概念的清晰界定，错误地将简单改造后的创客、编程以及STEM课程等同于人工智能教育，开展了“名义”上的人工智能教育，这种课程定位的模糊导致教学方向的严重偏离。

2.2 模型被封装

模型是人工智能解决问题的核心，换句话说，运用人工智能解决问题实际上是利用“模型”解决问题。现阶段中小学人工智能教育为了降低学习难度，将模型进行了过度封装，从而省去数据采集、模型训练等人工智能解决问题的核心过程。以“二哈视觉传感器”为例，硬件封装了人脸识别、颜色识别、物体识别等图像识别核心算法，学生只专注于运用这些硬件解决真实问题，绕过了人工智能核心算法和原理的学习。

3 SnowNLP人工智能框架的优势

3.1 课程定位清晰

人工智能具有广泛的应用领域，其核心技术涵盖了自然语言处理、计算机视觉、机器学习、专家系统等多个方向^［1］。其中自然语言处理是人工智能技术中的一个重要领域，基于该领域开发的人工智能课程，属于典型的人工智能课程，而非简单的冠之以名。

3.2 支持模型训练

SnowNLP框架支持模型训练。SnowNLP框架为用户提供了一个轻量级的文本情感分析的模型，如果用户感觉模型不能满足自己的项目需要，可以基于该模型进行再次训练，这一功能赋予用户优化和拓展框架功能的能力，使SnowNLP能够更贴合人工智能教学的实际需求。从而打破传统课程框架中模型被过度封装、难以灵活拓展的现状。

4 教学实践：商品评价数据可视化与销量趋势预测

4.1 创设情境，发布主题

当今社交网络与电商平台的评价数据呈爆炸性增长态势。这些海量的文本数据往往隐藏着丰富的情感倾向与消费者偏好，深度挖掘这些评价数据对用户具有重要的研究价值。请学生选择某一热销商品的用户评价数据进行分析，直观呈现评价结果，预测销售趋势。教师以学生日常生活中密切相关的问题为任务切入点，创设真实的问题情境，发布研究主题。

4.2 选择工具，采集数据

计算机的“智能”源自“数据”的喂养。数据为模型训练提供了不可或缺的学习素材和依据。教师指导学生选择电商平台上某一热销男鞋的评价数据为数据源，并运用爬虫技术实现网页数据爬取。在课程教学中，教师应引导学生树立正确的信息获取与使用观念，培养他们具备高度的信息社会责任意识，为未来的职业生涯奠定坚实的道德和法律基础。

4.3 清洗数据，保存数据

在获取原始数据后，进行数据清洗。主要包括去除空值、异常值、重复值等。经过数据清洗，获取830条有效网评数据，并将其整理成结构化的“评价数据.csv”文件进行保存。该文件记录了商品评价、商品名以及顾客需求3个维度的信息。表1中展示了830条评价数据中的前15条记录，为后续的情感分析提供数据样本。

4.4 提供支架，扫清盲区

在启动“商品评价数据可视化”课程的教学之前，学生已经熟练掌握了Python编程的基础知识，并具备运用这些基础知识解决一些简单问题的能力。然而，面对SnowNLP文本情感分析人工智能框架，学生缺乏相应的了解和实践经验。为了填补这一空白，教师需要构建相关的学习支架，具体涵盖SnowNLP库的工作原理、应用场景以及详细的调用方法，从而为后续的模型评估做准备。

4.5 测试模型，发现不足

模型是人工智能的核心，是机器具有智能化的关键，所以让学生体验基于模型解决的过程至关重要。在教师的指导下，学生从“评价数据”表中甄选出部分典型评论，并根据教师提供的学习支架进行情感分析，以验证SnowNLP模型在处理商品评价数据中的普适性，测试结果如表2所示。教师通过进一步引导学生发现，SnowNLP模型在常规商品评价分析中具有较好的通用性，而在精确识别情感程度上还存在一定的局限性。比如，对于“非常好”和“好看”这样表达不同情感强度的词汇，该模型未能有效进行区分。

4.6 训练模型，优化改进

SnowNLP允许用户进行自定义语料的情感分析模型训练。为了解决模型难以区分情感程度的问题，在课程教学中，教师引导学生收集这些表达情感程度的文本语料，并标注其情感倾向（正面、负面或中性），然后使用这些数据来训练一个新的情感分析模型。自定义语料训练的好处是，它可以使模型更加贴近用户的实际需求，从而提高情感分析的准确性。在此过程中，让学生深刻理解数据标准、数据集划分等模型训练的核心技术。

4.7 迁移应用，实现数据可视化

训练模型的目的就是迁移应用，以解决真实问题。教师引导学生将优化后的SnowNLP模型应用于“评价数据”表“comments”列所有的数据，进行文本情感分析，以得到每一则评论对应的情感分析倾向值。为了更直观地展示分析结果，教师指导学生利用Matplotlib库进行数据可视化，绘制“某男鞋评价数据情感分析”结果（图1），横坐标代表评论条数，纵坐标代表情感倾向值。图1显示情感分析倾向值在0.8~1.0区间内分布较为密集，表明该商品的总体评价较好，即受到了大多数用户的好评。

5 结语

针对当前我国中小学人工智能教育面临定位模糊、模型被过度封装等问题，提出一种基于SnowNLP框架的人工智能教学实践路径，让学生亲历利用数据模型解决真实问题的过程，在做中学、用中学、创中学中培养其问题解决能力，提升其人工智能素养。基于SnowNLP框架的人工智能教育，不仅有效地解决了当前人工智能教育存在的问题，还能较好地培养学生的人工智能意识、智能技术应用能力、实践创新思维和智能社会责任^［2］，全面提升青少年学生的人工智能素养。

教师通过明晰校内资源、联系校外资源、拓展网络资源、开发个性资源、推动实验设备场室配套等做法，实现因地制宜，充分发挥自主能动性，创造条件，应对困境，助力信息科技实验教学的开展。

参考文献

[1] 陈岳飞，王理，喻准，等.融合型智能控制技术研究与应用［J］.计量科学与技术， 2023， 67（06）： 29-36，21.

[2] 项慧芳，陈琦，陈旎.巧用UMU平台创新人工智能课程教学模式：以“智能桌椅”项目教学为例［J］.中小学电教，2022（09）：61-63. （上接第164页）

[3] 的条件及可能性。

[4] 教师可结合自身专业技术优势，利用国产、开源等平台，设计开发简易的实验模拟软件和平台，用于模拟对硬件需求较高的实验（如小型网络的搭建与配置、物联系统的搭建等）；用于可视化实验效果较为后台化的实验（如数据加密等）。同时，还可基于已有的开源硬件设备，结合3D打印、激光切割等技术，设计开发物联网系统相关的实验教学教具^［6］ 。这是教师通过发挥自主能动性，为实验教学所创造的软件、平台、教具等设备资源条件。

[5] 教师可关注国家及地方出台的实验室配置政策、各类信息科技实验教学实验器材的研发情况及实验室的设计方案，把握时机，主动向学校或上级提出增配实验器材、实验室的需求，进而促进信息科技配套实验教学设备、功能室的配置与建设。

[6] 结语