基于情感學習本體的教學反饋策略生成算法的研究*

陶小梅，牛秦洲

(桂林理工大學信息科學與工程學院，廣西 桂林 541004)

1 引言

本體(也稱“本體論”)源自于一個哲學概念，是指關于存在及其規律的學說。Neches R等人[1]將本體定義為“給出構成相關領域詞匯的基本術語和關系，以及利用這些術語和關系構成的規定這些詞匯外延的規則的定義”。智能教學系統指的是不需要由人干涉，可以直接給學生提供定制化教學和反饋的計算機系統[2]。情感智能教學系統指的是具有情感識別能力、能根據學生的情緒狀態進行反饋的情感智能教學系統，這類系統主要是針對傳統智能教學系統中情感缺失的問題提出來的。關于情感學習的研究在情感識別方面已經取得了很大的進展，學習者的情感狀態可以通過多種不同的方法獲取，如采用情感認知模型進行推理[3]，或者通過學習者的面部表情、姿態行為、生物信號等進行提取分析[4～6]。但是，關于理解學生情感狀態的產生原因以及如何生成合理的認知和情感方面的反饋仍需進一步研究。

目前，對本體在智能教學系統中的應用的研究主要是關注領域模塊中的本體、學習對象元數據本體、教學本體和學習者本體。在我國教育信息化技術標準委員會制定的網絡教育技術標準體系中，標準學習者模型規范(CELTS-11)[7]缺乏對學習者的個性情感的描述，同樣在教學本體中涉及到的關于教學策略的描述也尚未涉及情感方面的反饋。因此，本文考慮將情感本體引入智能教學系統，提升系統在情感方面的反饋和支持。

傳統的智能教學系統是根據學習者的認知信息進行反饋的，比如說根據學生回答問題的答案是否正確、學生學習某個知識點的持續時間來指定相應的反饋策略[8, 9]，稱之為“認知觸發”的反饋。但是，在實際課堂教學中，在學生學習的過程中教師會根據學生的表情判斷學生的認知狀態，并給出相應的反饋，稱之為“情感觸發”的反饋[10, 11]。本文先前的工作研究了“情感觸發”的檢測，設計了一種通過檢測學習者眨眼頻率對學習過程中產生的情感狀態進行分類的方法。該方法首先根據學習者的眨眼頻率將其情感狀態分為正向或者負向情感；然后再通過貝葉斯網絡根據學生信息及教學活動的上下文信息，將負向情感進一步解析出具體的負向情感狀態[12]。本文主要研究當檢測到情感狀態發生變化時，如何采用本體建模的方法解決智能教學系統中由“情感觸發”引起的情感理解和情感反饋策略的生成問題。構建了一個情感學習本體用于描述在學習過程中出現的與情感相關的概念及概念之間的關系，對學習者情感和情感方面的反饋給出形式化的描述。將情感學習本體引入到智能教學系統中，使學習者在學習過程中能得到認知和情感的支持。

2 情感本體

2.1 相關研究

目前，國內外已有的關于情感本體的構建的研究有關于情感線索、情感檢測、情感表達、情感分類的描述分類和推理[13～15]，不同語種的情感本體的構建[16, 17]，以及如何自動構建情感本體[18～20]。另有Leontidis M[21]、黃津津[22]、趙海燕[23]等人研究了如何結合情感和個體本體應用在E-learning中。上述情感本體中大多都只是描述了關于情感的某些方面的概念，如情感分類、情感線索等，但是都未考慮到情感反饋的相關概念。Leontidis M等人[21]的研究中使用的情感本體包含情感分類及情感反饋策略，但并未對反饋策略進行進一步的組織分類，也未描述情感反饋策略和情感狀態之間的聯系。綜合上述參考文獻可以看出，由于在融合了情感支持的智能學習系統環境中，學習情境具有多樣性、異構性、時序性和層次性等特點，因此應該采用可擴展的方式來管理，對其進行組織、存儲和查找，對情境進行語義表示，以便于計算機理解、利用和處理，以及人和計算機之間的交互與合作。采用本體建模對情境進行語義表示后，可以通過語義的方式顯式地定義情境，實現情境共享，還可以使得情境推理變得可能，因此本體是對情感學習環境進行建模的理想選擇。但是，仍需彌補目前的情感學習本體中存在的不足：第一，目前的情感學習本體沒有結合教學過程進行情境建模，對學生所處在的認知狀態信息缺乏明確的規范化的說明，以及缺乏認知狀態與情感狀態之間的關聯關系的說明和推理；第二，對于反饋策略以及反饋資源缺乏合理的組織分類及共享，目前的情感本體主要是針對情感狀態情感產生的線索進行分類建模，但是對于認知和情感方面的反饋策略及資源并未進行分類建模。

2.2 情感學習本體的構建

構建情感學習本體的目標是獲得相關領域的知識，通過確定該領域認可的詞匯，實現對該領域知識的共同理解，使其符合E-learning 中情感學習本體對語義互操作的要求。本文針對現有的情感本體存在的問題以及智能教學系統的具體應用設計了一個情感學習本體，該本體包含對情感分類、情感反饋策略、教學過程、認知狀態等的描述。該本體模型可用于推理學生的學習狀態并生成適用的認知反饋策略和情感反饋策略集合。圖1描述了情感學習環境中的主要概念和關系，該本體從內容上來看，概念和關系主要分為兩個部分，一是學習者個體相關的，如學生學習能力、個性、情感狀態、認知狀態等；二是教學過程相關的，如教學步驟、知識點、反饋等。該本體在兩個方面有別于其它情感學習本體：一個是關于認知狀態與教學步驟的，由于認知與情感的緊密聯系，只有將認知的過程和狀態與情感狀態聯系起來綜合建模，才能理解學生的情感狀態及產生的原因；另外一個是關于情感與認知的反饋策略的，只有從認知和情感兩個方面都對學習者提供支持，才能使學習者收益最大并伴隨良好的學習體驗。

Figure 1 Ontology model of affective learning圖1 情感學習本體模型

(1)學生相關的概念和關系。

Student表示在情感學習環境中學習的學習者，Student=〈Stu_ID,Name,Age,Sex〉，其中Stu_ID為學習者標識。EmotionalState表示學生的情感狀態，由NegativeEmotionalState和PositiveEmotionalState組成。情感分類表示法是采用自然語言中的描述情感狀態的詞匯來表示情感狀態，如Ekman的基本情感分類模型中包含了憤怒、討厭、高興等六種基本情感狀態[24]。由于學生在學習過程中產生的情感狀態也只是所有情感狀態的一個子集，像憤怒等情感狀態一般是不會在學習過程中出現的。針對學習情景中出現的情感狀態，其中包含的PositiveEmotionalState有高興(Happiness)、感興趣(Interest)和流狀態(Flow)，NegativeEmotionalState有無聊(Boredom)、困惑(Confusion)和挫敗(Frustration)。“流狀態”[25]指的是學習過程中當學習者的能力與學習任務難度相匹配的情況下出現的一種情感狀態，學習者對學習任務不會感覺很難或者很容易。為了增強該模型的描述能力，還增加了強度(Intensity)用于描述情感狀態的強烈程度。

CognitiveState表示學生所處在的認知狀態，具體有Recepting、Anticipating、Retrieving、Perceiving、Encoding、Responding、Reinforcing和Generalising。根據Gagne R M[26]的教育心理學理論，在不同的教學步驟(InstructionalStep)中學生會產生相應的認知狀態。根據教學步驟可以確定學生所處在的認知狀態，如在“呈現刺激材料”的教學步驟中，學生處在“感知(Perceiving)”認知狀態中； 在“提供學習指導”的教學步驟中，學生處在“語義編碼(Semantic Encoding)” 認知狀態中等等。具體的教學步驟和學生認知狀態的對應關系在文獻[26]中有詳細描述。

(2)教學相關的概念和關系。

KDPoint表示領域知識中的知識點，StandardAnswer指問題的標準答案，StuAnswer是指學生給出的答案。InstructionalStep表示教學步驟[27]，GainingAttention是表示獲取學生注意，InformingObjective是指告知學生學習目標，StimulatingRecall是指復習前序相關知識，PresentingStimulus是指呈現刺激材料，ProvidingLearningGuidance是指提供學習指導，ElicitingPerformance是指引出學生表現，AssessingPerformance是指評估學生表現，ProvidingFeedback是指提供反饋，EnhancingRetentionandTransfer是指知識的鞏固和遷移。

本體模型中還定義了認知狀態類和認知反饋策略類。CognitiveFeedback表示從認知層面對學生進行反饋的策略。其中認知反饋策略類包括繼續(GoOn)、重復(Repeat)、舉例(GiveExample)和提示(GiveHint)等。EmotionalFeedback表示從情感層面對學生進行反饋的策略。關于情感反饋，文獻[28]定義了三種情感反饋方式，分別是正向情感反饋(PositiveEmotionalFeedback)、負向情感反饋(NegativeEmotionalFeedback)和控制負向情感反饋(ControlofNegativeEmotionalFeedback)。正向情感反饋是指向學習者表達正向情感，能讓學習者產生、維持和增加正向情感的反饋策略，如贊同(Acceptance)、祝賀(Congratulation)和獎勵(Reward)等。負向情感反饋是向學習者表達負向情感讓其更加努力，如批評(Criticism)和懲罰(Punishment)。控制負向情感反饋策略包括避免和防止負向情感的產生、控制負向情感的發展、減輕負向情感和將負向情感轉化為正向情感，如同情(Sympathy)、鼓勵(Encouragement)。

hasstudied表示學生已學習過某知識點，hasstudied={〈x，y〉|x∈Student∧y∈KDPoint∧x學習過y}。

hasinhabit表示學生正在學習某知識點，hasinhabit={〈x，y〉|x∈Student∧y∈KDPoint∧x正在學習y}。

isininstructionalstep表示學生正處在某個教學步驟，isininstructionalStep={〈x，y〉|x∈Student∧y∈InstructionalStep∧x正處在教學步驟y}。

hassequence表示KDPoint間存在一種傳遞性的時序關系，hassequence={〈x，y〉|x，y∈KDPoint∧x先于y}。

hasEmotionalFeedbackTactic描述情感狀態和情感反饋、認知狀態和情感反饋之間的關系；hasCognitiveFeedbackTactic描述情感狀態和認知反饋、認知狀態和認知反饋之間的關系。

3 情感分析推理

基于本體的推理方法通過本體描述語言將學習者的個人信息、學習狀態、學習過程、學習資源及這些概念之間的關系和推理規則定義成本體、本體的屬性和約束關聯關系，通過本體的推理實現對學生的學習狀態的推理分析，本文中通過情感推理引擎來實現。由前面情境信息本體模型里定義的所有相關概念及關系，可以分析出學習者在學習過程中不同情境下的學習狀態。推理引擎的特點是不僅采用學生學習情境中的認知信息，還加入了學生情感狀態做為推理依據。具體推理規則如下：

推理1對學習活動合理性的推理規則。

(〈Stui,KDPi〉∈hasinhabit)∧((〈KDPi_pre,KDPi〉∈hassequence)∧(〈Stui,KDPi_pre〉∈hasstudied)) ∨((〈Stui,InformingObjective〉∈isininstructionalstep)∧(〈Stui, PositiveEmotionalState〉∈hasemotionalstate)))→學習活動合理，即學生Anticipating狀態為正，〈Anticipating, Positive〉∈hasvalue。

推理的依據為以下條件二者之一成立即認為學習活動合理：一是學生正在學習知識點KDPi，并且Stui已經學習過該知識點的先行知識點KDPi_pre；二是學生在知識點KDPi的告知學習目標階段有正向的情感狀態值(包括Happiness、Interest或者Flow)。

推理2對學生先行知識點掌握情況的推理規則。

(〈Stui,KDPi〉∈hasinhabit)∧(〈KDPi_pre,KDPi〉∈hassequence)∧(〈Stui,KDPi_pre〉∈hasstudied)∧((〈StuAnsi_pre,AnsKDPi_pre〉?isconsistencewith)∨((〈Stui,StimulatingRecall〉∈isininstructionalstep)∧((〈Stui,Confusion〉∈hasemotionalstate)∨(〈Stui,Frustration〉∈hasemotionalstate))))→學生先行知識點KDPi_pre掌握情況不理想，即學生Retrieving值為負，〈Retrieving, Negative〉∈hasvalue。

推理的依據為以下條件二者之一成立即認為學生先行知識點KDPi_pre掌握情況不理想：一是學生對當前知識點的先行知識點的相關問題回答不正確；二是通過學生在學習當前知識點的復習相關知識階段的情感狀態為困惑或者挫敗感，也可以推理得到學生的先行知識點掌握不理想。

推理3對當前知識點感知情況的推理。

(1)(〈Stui,KDPi〉∈hasinhabit)∧(〈Stui, PresentingStimulus〉∈isininstructionalstep)∧ (〈Stui,Happiness〉∈hasemotionalstate∨〈Stui,Flow〉∈hasemotionalstate)→學生對知識點感知狀態為正向，即〈Perceiving, Positive〉∈hasvalue。

(2)(〈Stui,KDPi〉∈hasinhabit) ∧(〈Stui, PresentingStimulus〉∈isininstructionalstep)∧ (〈Stui,Confusion〉∈hasemotionalstate∨〈Stui,Frustration〉∈hasemotionalstate)→學生對知識點感知狀態為負向，即〈Perceiving, Negative〉∈hasvalue。

學生在教師呈現刺激材料的教學步驟中對應處在的認知狀態為Perceiving。若學生產生的情感狀態為Happiness或者是Flow，則認為學生能正確感知當前學習的知識點；若學生產生的情感狀態為Confusion或者是Frustration，則認為學生不能正確感知當前學習的知識點。

推理4對知識點理解效果的推理。

(1) (〈Stui,KDPi〉∈hasinhabit)∧(〈Stui,ProvidingLearningGuidance〉∈isininstructionalstep)∧ (〈Stui,Happiness〉∈hasemotionalstate∨〈Stui,Flow〉∈hasemotionalstate)→學生對知識點的理解狀態為正向，即〈Encoding, Positive〉∈hasvalue。

(2)(〈Stui,KDPi〉∈hasinhabit) ∧(〈Stui, ProvidingLearningGuidance〉∈isininstructionalstep)∧ (〈Stui,Confusion〉∈hasemotionalstate∨〈Stui,Frustration〉∈hasemotionalstate)→學生對知識點理解狀態為負向，即〈Encoding, Negative〉∈hasvalue。

學生在教師提供學習指導的教學步驟中對應處在的認知狀態為Encoding。若學生產生的情感狀態為Happiness或者是Flow，則認為學生能理解當前學習的知識點；若學生產生的情感狀態為Confusion或者是Frustration，則認為學生不能理解當前學習的知識點。

推理5對知識點掌握效果的推理。

(1)(〈Stui,KDPi〉∈hasinhabit)∧(〈Stui,ProvidingFeedback〉∈isininstructionalstep)∧(〈Stui,Happiness〉∈hasemotionalstate∨〈StuAnsi,AnsKDPi〉∈isconsistencewith)→ 學生對知識點掌握效果好，即〈Reinforcing, Positive〉∈hasvalue。

(2)(〈Stui,KDPi〉∈hasinhabit)∧(〈Stui,ProvidingFeedback〉∈isininstructionalstep)∧(〈Stui,Confusion〉∈hasemotionalstate∨〈Stui,Frustration〉∈hasemotionalstate∨〈StuAnsi,AnsKDPi〉?isconsistencewith)→ 學生對知識點掌握效果不好，即〈Reinforcing,Negative〉∈hasvalue。

學生在教師反饋的教學步驟中所處在的認知狀態為Reinforcing。若學生產生的情感狀態為高興或者學生的答案正確，則認為學生掌握了知識點。若學生產生的情感狀態為挫敗或者困惑，或者學生的答案不正確，則認為學生沒有掌握知識點。

上述推理可以根據學生情感狀態、教學步驟等情境信息推斷出學生的認知狀態。特別是推理2和推理3的增加，可以在不需要和學生進行問答交互的情況下獲得學生學習過程的感知和理解狀態，這在以往的“認知觸發”的反饋機制中是無法做到的。另外，由于無法僅根據情感狀態或者認知狀態決定該采取怎樣的反饋策略，因此設計了一個基于情感學習本體的、綜合考慮學生情感狀態和認知狀態的反饋策略生成算法。

4 基于情感學習本體的反饋策略的生成算法

在情感智能教學系統中反饋主要有兩種形式，一種是認知層面的反饋，另一種是情感層面的反饋，這兩種反饋形式可以獨立存在，也可以同時存在。由于認知和情感直接存在的相互影響的復雜關系，學生的認知狀態和情感狀態都分別會對情感反饋策略和認知反饋策略的選擇產生影響。本算法的主要思想是采集當前場景中的信息并根據推理規則1～5進行推理，獲取學生的認知狀態，提取場景中學生的情感狀態和推理結果中的認知狀態，并對本體中的hasEmotionalFeedbackTactic和hasCognitiveFeedbackTactic關系相關的三元組進行操作，得到相應場景需要的情感反饋策略和認知反饋策略集合，再根據學習者個體信息進行決策。算法主要步驟描述如下：

步驟1InfoSet=〈Stui,KDPi,instructionalstep,emotionalstate,StuAnsi,AnsKDPi〉/*獲取學生情境信息六元組并放置在信息采集集合InfoSet中*/

步驟2for(reseaoner_ID=1 to 5)

cognitivestate=reseasoning_service(reseaoner_ID,InfoSet)/*遍歷執行推理1至推理5服務，獲取學生認知狀態*/

步驟3A1=?;A2=?;B1=?;B2=?; /*初始化反饋策略選擇模型*/

步驟4PREFIXEmoOnto:http://www.owl-ontologies.com/lab/EmotionOntology.owl #

EmotionalStatees=GetEmotionalState();

CognitiveStatecs=GetCognitiveState();

A1=SELECT ?emotionalfeedbacktacticWHEREEmoOnto:esEmoOnto:hasEmotionalFeedbackTactic?emotionalfeedbacktactic

B1=SELECT ?cognitivefeedbacktacticWHEREEmoOnto:esEmoOnto:hasCognitiveFeedbackTactic?cognitivefeedbacktactic

A2=SELECT ?emotionalfeedbacktacticWHEREEmoOnto:csEmoOnto:hasEmotionalFeedbackTactic?emotionalfeedbacktactic

B2=SELECT ?cognitivefeedbacktacticWHEREEmoOnto:csEmoOnto:hasCognitiveFeedbackTactic?cognitivefeedbacktactic

/*獲取針對學生所處的認知狀態和情感狀態適用的反饋策略集合A1、A2、B1、B2，表1和表2中給出了部分情感狀態、認知狀態和反饋策略之間的關系*/

步驟5CognitiveFeedback=A1∩A2;

EmotionalFeedback=B1∩B2;

Result={CognitiveFeedback,EmotionalFeedback};

/*將查詢結果進行求交處理并放入Result集合內*/

步驟6若情感或認知反饋策略不止一項時，根據學生的具體情況從認知反饋策略集合和情感反饋策略集合中選擇個性化的認知反饋策略和情感反饋策略。此步驟僅考慮對學生處在負向情感狀態時如何選擇反饋策略組合。

IF (RetrievingState==Negative&&ReviewPrerequisiteKnowledgePoint∈CognitiveFeedback)

THENCognitiveFeedback=ReviewPrerequisiteKnowledgePoint

ELSE IF(LearningCapability==High&&Pause∈CognitiveFeedback)

THENCognitiveFeedback=Pause

ELSE IF (GiveExampleorGiveHintorRepeat∈CognitiveFeedback)

THENCognitiveFeedback=GiveExampleorGiveHintorRepeat

/*根據先行知識點掌握情況和學生學習能力選擇不同的認知反饋策略*/

IF(EmotionalStateIntensity==1 )

THENEmotionalFeedback=Encouragement

ELSE IF (EmotionalStateIntensity==2)

THENEmotionalFeedback=EncouragementandRelief

ELSE IF (EmotionalStateIntensity==3)

THENEmotionalFeedback=EncouragementandReliefand sympathy

/*當情感狀態強度值取不同的值時選擇不同的情感反饋策略*/

步驟7Generating cognitive feedback and emotional feedback/*根據反饋策略實例化具體的反饋*/

Table 1 Relationship between emotional stateand emotional/cognitive feedback tactics

Table 2 Relationship between cognitive stateand emotional/cognitive feedback tactics

5 算法實例應用

將基于情感學習本體的教學反饋策略生成算法應用至一個情感智能教學系統，以生成具體的反饋信息，該系統采用JSP+Flex+MySQL技術開發。系統采用的主體教學資源為C語言程序設計教學視頻，預先將選取的教學視頻分段標記出其表述的概念、所處在教學事件，并將這些信息存入MySQL數據庫中。系統支持FLV格式或者是MP4視頻文件。動畫Agent采用微軟agent中的可編程的即時交互性動畫角色Merlin角色作為導師角色。系統的情感學習本體(AffectiveLearningOntology)采用斯坦福大學的protégé OWL 4.0構建，圖2為AffectiveLearningOntology的片段。通過Java的API接口Jena將C語言程序設計本體[29]讀入MySQL數據庫，并對本體進行查詢。

Figure 2 Part of the AffectiveLearningOntology圖2 AffectiveLearningOntology的片段

5.1 應用實例

應用實例采用的教學視頻是C語言程序設計中的“指針與數組”章節的內容，時長約30分鐘，該章節與前序知識點“指針”與“數組”關系密切，其難度在整個課程中處于中等偏上，在學習過程中容易引發學生的負向情感狀態。由于選取的章節處在教學進程后期，因此實驗中用戶的前序知識點的學習情況需在系統中預先設定好，如表3所示。

另外，設定學習能力為“High”。由于重點是對反饋策略生成算法的驗證，為避免由于情感識別算法的準確率帶來的影響，學生的情感狀態及強度是通過交互界面主動報告獲取的。在學習過程中由用戶通過交互界面輸入其情感狀態和強度，系統自動獲取情境信息并進行推理，然后給出反饋，部分交互片段如表3所示，為方便描述，知識點采用編號表示。

Table 3 Parts of cases list produced in the study

圖3為基于本體的情感智能視頻教學系統片段5的運行截圖，當學習者觀看視頻學習至“一維數組與指針”的程序舉例的時候，輸入情感狀態為困惑狀態2級，InfoSet=〈‘Tom’, ‘PointertoArray’, ‘ProvidingLearningGuidance’, ‘Confusion’, ‘2’, ‘?’, ‘?’ 〉。遍歷訪問推理服務1至5，可以與推理2和推理4匹配并生成推理結果。根據推理4的結果，可以得出學生Tom對于知識點PointertoArray(Kdp85)的理解狀態(Encoding)為負。根據推理規則2查找出信息元組中的PointertoArray的先行知識點PointerDataType的問題中學生答案和標準答案不一致，因此推理出對于PointertoArray的先行知識點掌握情況不理想。根據學生所處在的認知狀態(Encoding〈Negative〉)和情感狀態(Confusion)查詢得到的認知反饋策略和情感反饋策略。根據認知反饋策略的選擇規則從中選擇的認知反饋策略為復習先行知識點ReviewPrerequisiteKP。情感強度為2級，根據情感反饋策略的選擇規則情感反饋策略分別為Relief和Encouragement。最后將反饋策略實例化為具體的反饋語言和學習資源。情感反饋是對學生的安慰和鼓勵，即“別擔心，你能行的”，認知反饋是對學生知識缺陷進行彌補，即進入到相應的指針數據類型的視頻片段進行播放復習。

5.2 實例分析

從表3的片段中可以看出，該算法可以根據教學的上下文環境及學生的情感信息生成不同的情感反饋和認知反饋組合。片段1是對復習階段用戶產生的無聊情感狀態表示接受并建議跳過本段并直接進入下一段；片段4是對復習階段的困惑情感狀態表示同情，并鼓勵安慰用戶，建議復習前序知識點；片段2、3、5、6是對在講解知識點的階段產生的困惑狀態提供了不同的反饋；片段7是對挫敗感表示同情并解釋答案。綜上所述，通過對用戶的情感狀態及上下文信息推理出用戶的認知狀態，并根據情感本體生成情感反饋和認知反饋組合的算法是可行的。根據對用戶的調查問卷表明，用戶能在學習過程中情感狀態發生變化時及時與系統交互，系統生成的及時情感反饋能幫助用戶在學習過程中及時調節情緒以利于繼續學習，系統生成的認知反饋對用戶在領域知識方面的學習有一定的幫助作用，但認知反饋的針對性還需進一步增強。

Figure 3 A snap shot of the affective learning system on the basis of ontology圖3 基于本體的情感智能視頻教學系統運行截圖

5.3 算法比較

表4對本算法與其它算法的功能和性能從是否采用本體管理情感信息、是否能識別情感狀態、是否能提供認知反饋、是否能提供情感反饋、是否提供實時反饋等幾方面進行比較。從表4中可以看出，本文的算法除了仍需用戶主動報告情感狀態外，能采用本體對情感信息進行組織管理和推理，并能提供實時的認知和情感反饋。本算法的優勢是結合教學過程建模并對反饋策略進行分類，該算法可以適用于各類教學資源，包括定制的教學系統、教學網站、教學視頻等等，只需標注出資源的教學過程屬性即可。另外，還能將誘發學生情感狀態的動畫、音樂、視頻片段等作為反饋資源，能提供良好的管理和擴展。

Table 4 Comparison among different algorithms

6 結束語

為了使智能教學系統能夠對學習者進行更好的支持，特別是解決情感理解和情感反饋的問題，本文構建了一個情感學習本體，用于描述在學習過程中出現的與情感相關的概念及概念之間的關系，該本體可以用于推理分析學生的學習情況，并設計了基于該本體的教學反饋策略生成算法。實驗結果表明，該算法能根據學習者的學習情況選擇適當的認知反饋和情感反饋策略，使其在學習過程中能得到認知和情感的支持。

下一步還將結合教育心理學進一步完善反饋機制，進一步增加結合知識點難度、學生個性等因素設計更為個性化的反饋。另外，情感反饋規則還需結合具體的教學事件進一步細化，并將反饋的時機考慮至反饋的規則中。該系統目前僅對C語言程序設計課程知識本體中的部分對象性質推理學生的認知缺陷，還可以對該本體領域知識進一步地應用，擴大對學生可能存在的知識缺陷的搜索范圍，為學生構建完整的知識網絡提供幫助。

[1] Neches R, Fikes R E, Finin T, et al. Enabling technology for knowledge sharing [J]. AI magazine, 1991, 12(3):36.

[2] Psotka J. Intelligent tutoring systems:Lessons learned [M]. New Jersey:Lawrence Erlbaum, 1988.

[3] Qiao Xiang-jie, Wang Zhi-liang, Wang Wan-sen. Emotional modeling in an E-learning system based on OCC theory [J]. Computer Science, 2010, 37(5):214-218. (in Chinese)

[4] Akputu K O, Seng K P, Lee Y L. Facial emotion recognition for intelligent tutoring environment [C]∥Proc of the 2nd International Conference on Machine Learning and Computer Science, 2013:9-13.

[5] Sottilare R A, Proctor M. Passively classifying student mood and performance within intelligent tutors [J]. Educational Technology & Society, 2012, 15(2):101-114.

[6] Banda N, Robinson P. Multimodal affect recognition in intelligent tutoring systems[C]∥Proc of the 4th International Conference on Affective Computing and Intelligent Interaction, 2011:200-207.

[7] Learner model in E-learning technology standard(CELTS-11) [S]. Beijing:Chinese E-Learning Technology Standard Committee, 2012. (in Chinese)

[8] Feng Qing-yu. Research on self-adapting guidance of on-line teaching system based on SMIL [J]. Journal of Computer Applications, 2006, 26(3):754-756. (in Chinese)

[9] Liu Rui-xian, Gao Ling. On a personalised online teaching system [J]. Computer Applications and Software, 2009, 26(10):143-145. (in Chinese)

[10] Duo S, Song L X. An e-learning system based on affective computing[C]∥Proc of 2010 International Colloquium on Computing, Communication, Control, and Management, 2010:1.

[11] Xiaojian Z, Kaiji L. A context-aware model for mobile collaborative learning [J]. Computer Applications and Software, 2010, 27(12):33-36. (in Chinese)

[12] Tao Xiao-mei, Niu Qin-zhou. An emotion classification algorithm based on the blink frequency detection and Bayesian network in affective learning [J]. Computer Science, 2013, 40(12):287-291. (in Chinese)

[13] Obrenovic Z, Garay N, Lopez J, et al. An ontology for description of emotional cues[C]∥Proc of the 1st International Conference on Affective Computing and Intelligent Interaction, 2005:505-512.

[14] López J M, Gil R, García R, et al. Towards an ontology for describing emotions[C]∥Proc of the 1st World Summit on the Knowledge Society, 2008:96-104.

[15] Zhao Juan-juan. Studies on related technologies of the mapping between visual features of images and emotional semantics [D]. Taiyuan:Taiyuan University of Technology, 2010. (in Chinese)

[16] Yan J, Bracewell D B, Ren F, et al. The creation of a chinese emotion ontology based on HowNet [J]. Engineering Letters, 2008, 16(1):166-171.

[17] Baldoni M, Baroglio C, Patti V, et al. From tags to emotions:Ontology-driven sentiment analysis in the social semantic web [J]. Intelligenza Artificiale, 2012, 6(1):41-54.

[18] Ptaszynski M, Rzepka R, Araki K, et al. A robust ontology of emotion objects[C]∥Proc of the 18th Annual Meeting of the Association for Natural Language Processing (NLP-2012), 2012:1.

[19] Guo Chong, Wang Zhen-yu. Auto-construct of sentiment ontology tree for fine-grained opinion mining[J]. Journal of Chinese Information Processing, 2013, 27(5):75-83.(in Chinese)

[20] Shi Wei, Wang Hong-wei, He Shao-yi. Study on construction of fuzzy emotion ontology based on HowNet [J]. Journal of the China Society for Scientific and Technical Information, 2012, 31(6):595-602. (in Chinese)

[21] Leontidis M, Halatsis C, Grigoriadou M. MentorRing affectively the student to enhance his learning[C]∥Proc of the 2009 9th IEEE International Conference on Advanced Learning Technologies, 2009:1.

[22] Huang Jin-jin,Liu Yun,Zhan Yong-zhao.Personalized service processing in e-learning environments based on ontology[J]. Application Research of Computers, 2010, 27(1):184-188. (in Chinese)

[23] Zhao Hai-yan, Zhan Yong-zhao, Wang Chuan-an. Researching of E-learning system based on contextaware and ontology [J]. Computer Engineering and Applications, 2012, 48(16):51-56. (in Chinese)

[24] Ekman P. Universals and cultural differences in facial expressions of emotion [M]. Lincoln:University of Nebraska Press, 1971.

[25] Csikszentmihalyi M. The psychology of optimal experience [M]. New York:Harper Collins-ebooks, 1990.

[26] Gagne R M, Wager W W, Golas K, et al. Principles of instructional design[M]. Cambridge:Wadsworth Publishing,1974.

[27] Gagne R M, Wager W W, Golas K C, et al. Principles of instructional design [J]. Performance Improvement, 2005, 44(2):44-46.

[28] Economides A A. Emotional feedback in CAT [J]. International Journal of Instructional Technology & Distance Learning, 2006, 3(2):11-20.

[29] Sosnovsky S, Gavrilova T. Development of educational ontology for c-Programming [J]. International Journal of Information Theories & Applications, 2006,13(4):303-308.

[30] D′Mello S, Olney A, Williams C, et al. Gaze tutor:A gaze-reactive intelligent tutoring system [J]. International Journal of Human-Computer Studies, 2012, 70(5):377-398.

附中文參考文獻：

[3] 喬向杰, 王志良, 王萬森. 基于 OCC 模型的 E-learning 系統情感建模 [J]. 計算機科學, 2010, 37(5):214-218.

[7] 中國網絡教育技術標準體系學習者模型(CELTS-11) [S]. 北京：教育信息化技術標準委員會，2012.

[8] 馮慶煜. SMIL 自適應導學在線教學系統研究 [J]. 計算機應用, 2006, 26(3):754-756.

[9] 劉瑞獻, 高嶺. 一個個性化網絡教學系統研究 [J]. 計算機應用與軟件, 2009, 26(10):143-145.

[11] 張曉健, 廖開際. 移動協作學習的上下文感知模型研究 [J]. 計算機應用與軟件, 2010, 27(12):33-36.

[12] 陶小梅, 牛秦洲. 情感學習中基于檢測眨眼頻率和貝葉斯網絡的情感分類算法 [J]. 計算機科學, 2013, 40(12):287-291.

[15] 趙涓涓. 圖像視覺特征與情感語義映射的相關技術研究 [D]. 太原：太原理工大學, 2010.

[19] 郭沖, 王振宇. 面向細粒度意見挖掘的情感本體樹及自動構建 [J]. 中文信息學報, 2013, 27(5):75-83.

[20] 史偉, 王洪偉, 何紹義. 基于知網的模糊情感本體的構建研究 [J]. 情報學報, 2012, 31(6):595-602.

[22] 黃津津, 劉云, 詹永照. 基于本體的E-learning 環境個性化服務處理方法 [J]. 計算機應用研究, 2010, 27(1):184-188.

[23] 趙海燕,詹永照,王傳安.基于情境感知和本體的E-learning 系統研究 [J]. 計算機工程與應用, 2012, 48(16):51-56.