目的及意义：

教学过程中教师与学生之间的问答是课堂的一个重要组成部分，是师生之间交流互动的重要方式，是完成教学目标的一种重要手段。通过学生的问答，我们可以很好地了解学生课堂学习情况、知识点的理解掌握程度，师生之间的关系等。通过分析课堂问答提出改进意见或建议，这对于提升学习效率、增进师生感情等都是大有益处的。

然而，目前高校教师的教学任务繁重，每次授课可能有上百名学生，不同的课程专业知识跨度巨大，另外很多教师还有各种科研任务，想要依靠人力对课堂问答进行系统正确的分析难度非常大。

随着教育信息化的不断发展，越来越多信息技术与手段被应用于高校的教学之中。因此，本次课题提出利用命名实体识别、知识图谱、情感分析等技术来达到对大学生课堂问答情况进行智能分析的目的。

国内外研究现状：

目前，命名实体识别(NER)正朝着实体类型多样化的方向不断地发展，从原来简单的人名、地名、组织机构等逐渐扩展到了各个领域的各个方向，所涉及的语言多种多样，实现命名实体识别的技术手段也是在不断地发展进步。

Wu Y、 Jiang M等将命名实体识别的技术应用于临床数据中，帮助发现中文中医临床文本中的叙事文档中重要的医疗保健信息。通过深度神经网络（DNN）的方法，在较小的特征情况下，从大型未标记语料库中训练出模型，以达到命名实体识别的目的。

Aditya SatryaWibawa和AyuPurwarianti在为多分类的印度尼西亚新闻文章进行命名实体识别时通过比较实验发现在为15个类别的报纸构建印度尼西亚命名实体识别的情况下，将多个机器学习算法进行集成为一个机器学习算法的特征得到的算法精度比单一的机器学习算法精度更高。

李娜将命名实体识别的技术应用于数字化的方志古籍物产别名的自动抽取。在人工标注的基础上，通过分析特征构建了基于条件随机场的别名自动抽取模型。使古籍繁简字、符号、表达习惯等与现代文献差异较大的问题得到了很好的解决。

唐颖、曹春萍采用拼接Word2vec和GloVe的方法，更好地体现全局与局部信息。通过序列拼接，体现词的上下文依赖关系。采用BILPU实体标记法结合双向LSTM实体识别框架，并最后进行剪枝，以达到提取生物医学核心实体的目的。