人工智能視域下在線學(xué)習(xí)情感投入測量研究：方法與動(dòng)向

朱龍 謝雪淇 曹燦芬 楊婕妤

摘要：本研究采用內(nèi)容分析法，基于2010-2022年間發(fā)表的21篇中文教育類核心期刊論文分析，發(fā)現(xiàn)在線學(xué)習(xí)情感投入的測量方法及影響因素，并提出了未來推進(jìn)在線學(xué)習(xí)情感投入測量與應(yīng)用的策略。

關(guān)鍵詞：人工智能；在線學(xué)習(xí)；情感投入；方法；動(dòng)向

中圖分類號(hào)：G434? 文獻(xiàn)標(biāo)識(shí)碼：A? 論文編號(hào)：1674-2117（2023）15-0092-05

引言

學(xué)習(xí)投入是衡量學(xué)習(xí)者在線學(xué)習(xí)狀態(tài)的重要指標(biāo)，與學(xué)習(xí)者的學(xué)習(xí)持續(xù)性、學(xué)業(yè)完成情況以及學(xué)業(yè)滿意度顯著相關(guān)。在線學(xué)習(xí)投入包括認(rèn)知投入、行為投入和情感投入。其中，情感投入是指學(xué)習(xí)者在學(xué)習(xí)過程中的情感反映，表現(xiàn)為學(xué)習(xí)者在學(xué)習(xí)過程中的情感態(tài)度與體驗(yàn)，如興趣、價(jià)值觀、好奇、悲傷等。[1]情感投入是行為投入和認(rèn)知投入的基礎(chǔ)，是影響學(xué)習(xí)質(zhì)量的關(guān)鍵因素。如何測量在線學(xué)習(xí)情感投入，并據(jù)此采用有效的策略干預(yù)在線學(xué)習(xí)成為研究領(lǐng)域關(guān)注的焦點(diǎn)。人工智能賦能在線學(xué)習(xí)，為情感投入測量提供新的方法與路徑，特別是深度識(shí)別方法、學(xué)習(xí)行為大數(shù)據(jù)分析、腦電等技術(shù)的引入，無不在加速推動(dòng)情感投入測量邁向科學(xué)化與精準(zhǔn)化。但在人工智能視域下如何測量情感投入？其未來發(fā)展動(dòng)向怎樣？鮮有研究回答上述問題?；诖耍狙芯窟x擇2010—2022年發(fā)表在中文教育學(xué)類核心期刊的論文，采用內(nèi)容分析法進(jìn)行系統(tǒng)分析，以期為在線學(xué)習(xí)情感投入研究與實(shí)踐提供參考與借鑒。

樣本選取與分析方法

1.樣本的選取

本研究在CNKI中國期刊全文數(shù)據(jù)庫中以“在線學(xué)習(xí)”與“情感投入”為組合關(guān)鍵詞，以“CSSCI”“核心期刊”為篩選條件，查找已發(fā)表期刊文獻(xiàn)，檢索跨度為2010—2022年，共檢索到21份樣本。

從整體來看，在線學(xué)習(xí)情感投入論文呈現(xiàn)上升的趨勢，最早的文章發(fā)表于2016年，隨后逐年增加，2020年在線學(xué)習(xí)與線下學(xué)習(xí)逐步邁向融合化。此外，論文標(biāo)題分析顯示，研究在線學(xué)習(xí)的論文有12篇，占57.1%，研究混合學(xué)習(xí)及其他模式的有9篇，占42.8%。

2.研究方法

本研究采用內(nèi)容分析法對(duì)樣本論文進(jìn)行統(tǒng)計(jì)分析。

在線學(xué)習(xí)中情感投入測量方法

情感投入測量準(zhǔn)確與否對(duì)后續(xù)學(xué)習(xí)干預(yù)具有重要影響。在在線學(xué)習(xí)中，情感投入測量方法主要包括面部表情檢測、眼動(dòng)信號(hào)識(shí)別、腦電信號(hào)檢測以及問卷調(diào)查。

1.基于面部表情的情感投入測量研究

在教學(xué)過程中，學(xué)習(xí)者對(duì)不同教學(xué)內(nèi)容、活動(dòng)表現(xiàn)出喜歡、厭惡會(huì)產(chǎn)生不同的表情，這些表情能呈現(xiàn)學(xué)習(xí)者的情感狀態(tài)。采用面部情感識(shí)別技術(shù)獲取、分析面部表情，有助于科學(xué)識(shí)別學(xué)習(xí)者情感投入狀態(tài)，對(duì)學(xué)習(xí)者進(jìn)行情感監(jiān)督，從而有針對(duì)性地采取情感干預(yù)策略，提升在線學(xué)習(xí)效率。具體案例如表1所示。

面部情感識(shí)別通過獲取面部表情來量化和表征情感投入的程度。[6]基于面部表情的情感識(shí)別研究主要通過在視頻圖像中捕捉面部表情，對(duì)其預(yù)處理，通過模型進(jìn)行計(jì)算得到學(xué)習(xí)者情感狀態(tài)，準(zhǔn)確度能達(dá)到80%以上。但其僅能識(shí)別出快樂、厭惡、討厭、嫌棄等簡單的表情信息，而人的表情是復(fù)雜多變的，所以，面部情感識(shí)別還需針對(duì)人的表情建立更豐富的數(shù)據(jù)庫，對(duì)影響人面部表情狀態(tài)的因素做更深入的研究。

2.基于眼動(dòng)信號(hào)的情感投入測量研究

在在線學(xué)習(xí)過程中，學(xué)習(xí)者眼動(dòng)信息豐富，包含了瞳孔直徑大小、眼跳、眨眼頻率等生理信號(hào)，這些信號(hào)在一定程度上能夠反映學(xué)習(xí)者的快樂、憤怒、驚訝、中性等情感狀態(tài)。[7]在研究中，研究者多基于眼動(dòng)特征模型，運(yùn)用眼動(dòng)儀采用非侵入式的方法收集學(xué)習(xí)過程眼動(dòng)數(shù)據(jù)，包括注視次數(shù)、注視時(shí)間、瞳孔直徑等，以此實(shí)現(xiàn)對(duì)學(xué)習(xí)過程情感投入狀態(tài)的分析。具體案例如表2所示。

眼動(dòng)是學(xué)習(xí)者在信息提取過程中的重要行為表現(xiàn)，能有效反映學(xué)習(xí)者學(xué)習(xí)情感狀態(tài)，但當(dāng)前相關(guān)研究采用的特征方法較為簡單，并且絕大多數(shù)實(shí)驗(yàn)均選擇了視力無需矯正的被試者，未考慮近視或有其他視力問題的學(xué)習(xí)者的情況。此外，當(dāng)前研究還存在學(xué)習(xí)者眼動(dòng)特征指標(biāo)不統(tǒng)一、眼動(dòng)與情感之間的關(guān)聯(lián)有待明確等問題，上述問題制約了眼動(dòng)研究與實(shí)踐的發(fā)展。

3.基于腦電信號(hào)的情感投入測量研究

科學(xué)家發(fā)現(xiàn)，人類的認(rèn)知活動(dòng)以及情感表達(dá)均可以通過腦電信號(hào)反映出來?；谀X電信號(hào)進(jìn)行情感識(shí)別的研究大多采用基于皮層EEG傳感器數(shù)據(jù)的腦網(wǎng)絡(luò)，通過分析得出不同情感狀態(tài)下大腦神經(jīng)元信號(hào)。腦電信號(hào)（Electroencephalogram，EEG）由于其具有實(shí)時(shí)差異性與不易偽裝性等特點(diǎn)，使用EEG識(shí)別在線學(xué)習(xí)情感狀態(tài)已成為一個(gè)新的研究熱點(diǎn)。具體案例如表3所示。

相比于面部表情、行為和言語等情感識(shí)別方法，基于腦電信號(hào)的情感識(shí)別更具客觀性，不受學(xué)習(xí)者主觀意識(shí)的影響。但由于采集腦電信號(hào)對(duì)環(huán)境、設(shè)備要求較高，當(dāng)前相關(guān)研究多集中于實(shí)驗(yàn)室環(huán)境，如何在常態(tài)化環(huán)境中實(shí)現(xiàn)腦電信號(hào)采集與分析仍有待進(jìn)一步探索。

4.基于問卷調(diào)查的情感投入測量研究

情感投入既可以是一種客觀狀態(tài)，也可體現(xiàn)為一種主觀的體驗(yàn)。綜合研究分析發(fā)現(xiàn)，研究者多從消極情感體驗(yàn)、積極情感體驗(yàn)兩個(gè)方面構(gòu)建情感投入模型，并據(jù)此展開問卷調(diào)查，然后再基于回歸分析、因素分析、相關(guān)分析等方法，并輔以互動(dòng)內(nèi)容的質(zhì)性分析來識(shí)別學(xué)習(xí)投入情況。具體案例如表4

所示。

目前，基于問卷調(diào)查學(xué)生情感投入的測量方法主要是通過分析問卷結(jié)果來進(jìn)行，這種方法比較簡單易行。但這種測量方法極易受學(xué)生主觀想法影響，具有不確定性，此外，當(dāng)前研究主要是調(diào)查學(xué)生學(xué)習(xí)投入，從而得到情感投入、認(rèn)知投入和行為投入的水平，專門針對(duì)情感投入較為公認(rèn)的理論模型尚未形成。除以上四種情感識(shí)別的方法之外，還有文本、語音、微表情等模態(tài)可用于情感識(shí)別研究。[18]當(dāng)前也有學(xué)者將兩種或兩種以上的模態(tài)融合起來，進(jìn)行多模態(tài)情感識(shí)別計(jì)算研究，得到的情感識(shí)別結(jié)果更全面，準(zhǔn)確率更高。

在線學(xué)習(xí)情感投入未來發(fā)展動(dòng)向

1.整合腦電信號(hào)，推動(dòng)投入度識(shí)別科學(xué)化

基于面部表情的情感投入識(shí)別、基于眼動(dòng)信號(hào)的情感投入識(shí)別、基于問卷的情感投入分析相比于腦電信號(hào)情感投入識(shí)別都更容易受學(xué)習(xí)者主觀因素的影響。因?yàn)槟X電信號(hào)情感投入識(shí)別是依托學(xué)習(xí)者的客觀生理信號(hào)，對(duì)學(xué)習(xí)者的腦電信號(hào)進(jìn)行捕捉處理，既不受外界環(huán)境的影響，也不受學(xué)習(xí)者主觀行為的影響，腦電信號(hào)情感投入識(shí)別方法可信度更高，更加科學(xué)。因此，運(yùn)用腦電信號(hào)識(shí)別在線學(xué)習(xí)投入正成為當(dāng)前情感識(shí)別熱點(diǎn)領(lǐng)域，但受技術(shù)和設(shè)備的影響，腦電信號(hào)采集存在易受外界干擾，難以大面積同步采集等問題。

2.多模態(tài)數(shù)據(jù)融合，精準(zhǔn)識(shí)別情感投入度

單一的情感投入測量方法存在各式缺點(diǎn)，因而，需發(fā)展多模態(tài)的情感識(shí)別方法，運(yùn)用多種情感數(shù)據(jù)來源客觀識(shí)別情感投入，以達(dá)到準(zhǔn)確性更高、識(shí)別范圍更廣的情感投入識(shí)別。多模態(tài)情感識(shí)別結(jié)合兩種或兩種以上情感識(shí)別方法，聯(lián)合處理多個(gè)數(shù)據(jù)來源，使得情感識(shí)別結(jié)果更可靠。另外，在多模態(tài)情感識(shí)別中，將腦電、心電、皮膚電等生理信號(hào)作為數(shù)據(jù)輸入會(huì)更具客觀性。若同時(shí)使用上述兩種或兩種以上的生理信號(hào)，將大大提高情感投入識(shí)別的準(zhǔn)確性。多模態(tài)情感識(shí)別雖具挑戰(zhàn)性，但因其精確的情感識(shí)別結(jié)果逐漸受到眾多情感投入研究者的青睞。

3.情感驅(qū)動(dòng)，深化在線課程情感投入設(shè)計(jì)

在在線學(xué)習(xí)過程中，師生時(shí)空分離，師生間缺乏面對(duì)面實(shí)時(shí)的溝通交流，從而使學(xué)習(xí)者在心理上產(chǎn)生孤獨(dú)感，并缺乏學(xué)習(xí)歸屬感。因而，教師在設(shè)計(jì)在線課程時(shí)，不僅要考慮內(nèi)容的設(shè)計(jì)，還應(yīng)該關(guān)注課程中的情感投入設(shè)計(jì)，當(dāng)前較為普遍的做法是設(shè)計(jì)多樣的交互性活動(dòng)，促進(jìn)師生、生生間互動(dòng)，從而提升情感投入度。此外，為學(xué)習(xí)者提供個(gè)性化的學(xué)習(xí)支持服務(wù)也是不容忽視的重要舉措。教師的學(xué)習(xí)支持服務(wù)包括對(duì)學(xué)習(xí)者情感方面的支持，即引導(dǎo)學(xué)習(xí)者深度參與在線課程，從而最大程度地協(xié)助學(xué)習(xí)者完成學(xué)習(xí)任務(wù)，提高學(xué)習(xí)者在線學(xué)習(xí)的情感投入。

4.聚焦過程，關(guān)注在線學(xué)習(xí)中的情感變化

情感投入在一定程度上能夠影響課程體驗(yàn)、學(xué)習(xí)收獲以及學(xué)習(xí)績效，但情感體驗(yàn)是一個(gè)動(dòng)態(tài)變化的變量，這給情感識(shí)別與測量，以及后續(xù)調(diào)整教學(xué)策略與方法帶來了極大的挑戰(zhàn)。因此，在在線學(xué)習(xí)過程中，教師應(yīng)關(guān)注學(xué)習(xí)者情感變化，可基于人工智能技術(shù)采用多種渠道持續(xù)性地采集學(xué)生情感數(shù)據(jù)，如學(xué)生腦電信號(hào)變化、眼動(dòng)信號(hào)變化、面部表情變化等，獲取學(xué)生積極情感形成的證據(jù)，并據(jù)此總結(jié)與分析產(chǎn)生的原因，弄清楚是學(xué)習(xí)活動(dòng)、學(xué)習(xí)內(nèi)容還是學(xué)習(xí)方式導(dǎo)致學(xué)生產(chǎn)生積極的學(xué)習(xí)情感，并加以提煉和總結(jié)，融入到后續(xù)的課程設(shè)計(jì)中。

5.能力為核，提升學(xué)習(xí)者在線學(xué)習(xí)素養(yǎng)

由多元回歸分析研究可知，在在線學(xué)習(xí)中，學(xué)習(xí)者的情感投入水平提升主要從學(xué)習(xí)者個(gè)體特征、教師情感支持和同伴參與學(xué)習(xí)三個(gè)因素出發(fā)，學(xué)習(xí)者個(gè)體特征對(duì)在線學(xué)習(xí)情感投入的影響最大，其中學(xué)習(xí)者在線學(xué)習(xí)素養(yǎng)是保證在線學(xué)習(xí)績效的重要基礎(chǔ)。因此，有必要加快提升學(xué)習(xí)者在線學(xué)習(xí)素養(yǎng)，具體建議：第一，樹立正向的在線學(xué)習(xí)觀。在線學(xué)習(xí)觀是學(xué)習(xí)者有效參與在線學(xué)習(xí)的前提，這要求學(xué)習(xí)者摒棄功利心態(tài)，增強(qiáng)主動(dòng)學(xué)習(xí)意識(shí)，正確認(rèn)識(shí)在線學(xué)習(xí)，將在線學(xué)習(xí)看作是與線下學(xué)習(xí)同等重要的學(xué)習(xí)方式，用正向心態(tài)面對(duì)在線學(xué)習(xí)。第二，在在線學(xué)習(xí)過程中，學(xué)習(xí)者需要自覺培養(yǎng)在線學(xué)習(xí)能力，尤其是自我管理能力、在線協(xié)作能力，積極有效地參與各類在線學(xué)習(xí)活動(dòng)，進(jìn)而科學(xué)地提高學(xué)習(xí)績效。[19]第三，建立良好的在線學(xué)習(xí)倫理規(guī)范。良好的倫理規(guī)范要求在線學(xué)習(xí)者尊重知識(shí)產(chǎn)權(quán)，保護(hù)他人隱私，規(guī)范發(fā)言，不做違反法律和道德的事情。

參考文獻(xiàn)：

[1]周媛，韓彥鳳.混合學(xué)習(xí)活動(dòng)中學(xué)習(xí)者學(xué)習(xí)投入的研究[J].電化教育研究，2018，39（11）：99-105.

[2]莊美琪，譚小慧，樊亞春，等.基于卷積神經(jīng)網(wǎng)絡(luò)的三維動(dòng)畫表情生成及情感監(jiān)督方法[J].重慶理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2022，36（01）：151-158.

[3]龔雅云，唐小煜，劉思睿，等.基于面部情緒識(shí)別的物理實(shí)驗(yàn)教學(xué)過程評(píng)價(jià)[J].物理實(shí)驗(yàn)，2020，40（09）：20-25+31.

[4]王永固，張晨燾，許家奇，等.基于深度學(xué)習(xí)的孤獨(dú)癥兒童學(xué)習(xí)情緒智能感知[J].現(xiàn)代教育技術(shù)，2021，31（07）： 105-111.

[5]謝盼，張賀.基于面部情緒識(shí)別的在線學(xué)習(xí)過程評(píng)價(jià)的研究與實(shí)現(xiàn)[J].吉林廣播電視大學(xué)學(xué)報(bào)，2021（06）：24-27.

[6]Nezami O M， Dras M， Hamey L， et al. Automatic Recognition of Student Engagement Using Deep Learning and Facial Expression[C].2019 14th IEEE International Conference on Automatic Face & Gesture Recognition，2019：1-6.

[7]陶小梅，陳心怡.在線學(xué)習(xí)環(huán)境中基于眼動(dòng)特征情感識(shí)別研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2021，31（03）：186-190.

[8]傅洪裕，吳蔚，李新德.面向自然狀態(tài)的眼動(dòng)情感識(shí)別[J].指揮信息系統(tǒng)與技術(shù)，2021，12（04）：75-79+85.

[9]薛耀鋒，李卓瑋.基于眼動(dòng)追蹤技術(shù)的在線學(xué)習(xí)認(rèn)知負(fù)荷量化模型研究[J].現(xiàn)代教育技術(shù)，2019，29（07）：59-65.

[10]王改花，傅鋼善.知識(shí)類型、呈現(xiàn)方式與學(xué)習(xí)風(fēng)格對(duì)大學(xué)生在線學(xué)習(xí)的影響—基于眼動(dòng)的證據(jù)[J].現(xiàn)代教育技術(shù)，2021，31（09）：45-54.

[11]刁永鋒，劉明春，楊海茹.網(wǎng)絡(luò)視頻公開課程學(xué)習(xí)行為眼動(dòng)實(shí)驗(yàn)研究[J].現(xiàn)代教育技術(shù)，2014，24（11）：81-87.

[12]郝琰，石慧宇，霍首君，等.基于腦電信號(hào)深度學(xué)習(xí)的情感分類[J].應(yīng)用科學(xué)報(bào)，2021，39（03）：347-356.

[13]晁浩，馬慶敏，劉永利.利用卷積回聲狀態(tài)網(wǎng)絡(luò)實(shí)現(xiàn)腦電情感識(shí)別[J].北京郵電大學(xué)學(xué)報(bào)，2022，45（02）：36-43.

[14]王璐，梁明晶，石慧宇，等.基于腦電時(shí)空頻多域特征融合的情感識(shí)別研究[J].計(jì)算機(jī)工程與應(yīng)用，2023，59（04）：191-196.

[15]謝靜.小學(xué)生在線學(xué)習(xí)情感投入研究[D].武漢：華中師范大學(xué)，2021.

[16]代晉軍，龔菂，馮寧文.在線教學(xué)的學(xué)習(xí)投入度分析[J].教師教育論壇，2021，34（07）：41-45+58.

[17]朱丹丹，楊濱.后疫情時(shí)代大學(xué)生在線學(xué)習(xí)投入度提升策略研究[J].中國教育信息化，2021（10）：1-6.

[18]周進(jìn)，葉俊民，李超.多模態(tài)學(xué)習(xí)情感計(jì)算：動(dòng)因、框架與建議[J].電化教育研究，2021，42（07）：26-32+46.

[19]文書鋒，孫道金.遠(yuǎn)程學(xué)習(xí)者學(xué)習(xí)參與度及其提升策略研究—以中國人民大學(xué)網(wǎng)絡(luò)教育為例[J].中國電化教育，2017（09）：39-46.

作者簡介：朱龍（1988.10—），副教授，博士，研究方向?yàn)樾畔⒒虒W(xué)創(chuàng)新、智能教師教育。

基金資助：廣東省教育科學(xué)規(guī)劃課題“設(shè)計(jì)思維視域下高?；旌鲜浇虒W(xué)中深度學(xué)習(xí)活動(dòng)的設(shè)計(jì)與應(yīng)用研究”（2019GXJK173）；廣東省哲學(xué)社會(huì)科學(xué)規(guī)劃2023年度青年項(xiàng)目“人工智能視域下教師設(shè)計(jì)思維智能測評(píng)與應(yīng)用研究”（GD23YJY05）；廣東第二師范學(xué)院2023年度國家級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項(xiàng)目“國家智慧教育平臺(tái)賦能鄉(xiāng)村教師發(fā)展數(shù)字化轉(zhuǎn)型的現(xiàn)狀與策略研究”（202314278015）。