數字化學習中從旁輔助角色的研究*

劉小丹，趙 鑫，李玉斌

（遼寧師范大學計算機與信息技術學院，遼寧大連116081）

數字化學習中從旁輔助角色的研究*

劉小丹，趙 鑫，李玉斌

（遼寧師范大學計算機與信息技術學院，遼寧大連116081）

數字化學習近年來迅速發展，但由于師生分離的狀態導致其存在情感缺失、監控缺位的問題。本文在智能導師系統的基礎上，提出了一種具有從旁輔助角色的數字化學習系統。從旁輔助角色具有相對獨立的功能，運用表情識別技術獲取學習者的表情信息，可以更加準確地預測學習風格，同時，通過情緒監控及時了解學習者的學習狀態，給予一定的情感反饋和引導策略，可有效彌補情感缺失和監控缺位的問題，達到改善學習活動的持久性和有效性的目的。

數字化學習；智能導師；學生模型；學習風格；表情識別

一、引言

在教育教學活動中，良好的師生互動和情感注入必不可少，它既是教育的重要內容，同時也使知識和技能的傳授更加有效。［1］傳統靜態的數字化學習系統，通常只是在網頁上放置與課程有關的講義、習題等學習資源，與現實的課堂教學相比，雖在一定程度上增強了學習的自主性，但由于忽視了教師在教學過程中的主導作用，學習過程放任自流，易產生盲目性，造成學生對學習感到迷茫無助、無從下手。為了彌補這一缺陷，智能導師系統應運而生，至今已有許多這方面的研究。Hossein和Maryam［2］提出了具有專家導師的數字化學習系統，可根據學習者的學習風格、能力水平等特征進行適應性教學；美國加利福尼亞大學的Johnson和Shaw提出了一種名為Adele的教學代理，具有表達知識、監控學生、提供反饋等功能；美國南加州大學開發出了名為Steve的教學代理，Steve能夠在三維虛擬實驗室中演示技能操作、回答學生的問題［3］；北京郵電大學的Dang等［4］人提出了一種智能導師，在虛擬實驗課程中代替老師給予學生指導，該智能導師可運用自身知識庫識別問題并給出解決方案；程萌萌等［5］提出了一種應用表情識別和視線跟蹤技術的智能教學系統。

縱觀以上系統，雖然對學習者的個性化學習以及在學習過程中的情感因素進行了探索研究，但仍存在一些問題亟待解決：第一，情感交互程度較低。大多數系統與學習者之間沒有情感交流，對學生的回應過于冷漠。當學習者長時間面對這樣一個沒有情感的冷漠的計算機屏幕而感受不到師生交互的樂趣和教師情感的激勵時，不僅容易對學習產生反感，影響學習效果，而且還可能危害到學習者的心理健康。［6］第二，監控缺位。對學習者進行監控主要是為了及時了解學習者的情緒變化，推斷其當前學習狀態，在其出現負面情緒時給予一定的干預、引導措施，并調整教學策略和進度，維持和激發學習動機，保證學習活動的持久性。

情感計算的提出者，美國MIT媒體實驗室的Picard教授說，要讓電腦更有智慧更自然地與人類互動，必須賦予電腦認識、了解、甚至表達情緒的能力。［7］由此，本文提出了一種從旁輔助角色，來幫助智能導師系統進一步實現與學習者情感交互和監控學習狀態的功能。從旁輔助角色主要通過表情識別技術推斷學習者的心理狀態，以此作為修正學習風格、調整教學策略和采取干預手段的依據。通過了解學習者的心理狀態，可以獲知學習者對當前學習方案的滿意度評價，即該方案是否與學習者的學習風格相適應，若不適應，就實時對學習風格進行動態修正，直至達到滿意的狀態。同樣，根據表情信息也可推斷出學習者對知識的理解、掌握情況，以及學習者當前的心理狀態，決定是否調整教學進度和策略，或進行相應的干預。

二、從旁輔助角色

從旁輔助角色是以教育心理學、情緒心理學等理論為基礎，采用表情識別技術，推斷學習者的心理狀態，幫助系統準確分析學習者的個性特征，并對不同狀態下的學習者采取應對措施，不但能改善數字化學習中知識層面的個性化教學，而且可以增強情感層面的個性化教學。

從旁輔助角色具有一定的情感識別和處理能力，對學習者的學習活動進行監控和適時的引導。但它并不是智能導師的附加功能，而是獨立于智能導師系統的存在，其自身具有完整的情感識別與應對模塊，在智能導師系統進行知識教學的同時負責對學習者進行情感方面的教學輔助。

情緒是人行為的一部分，對人類的理性思維和決策能力具有重大影響。［8］心理學家認為，情緒在學習過程中是非常重要的影響因素，與學生的認知行為聯系密切。負向情緒（如緊張、抑郁、憤怒）可使知覺面變窄，思維變得遲鈍，不利于學習；而正向情緒（如愉快、滿意）可使知覺面變寬，思維敏捷，促進學習。［9］因此，在學習過程中及時了解學生的情緒，并針對負面情緒進行調控、干預，可以達到改善學習效果的目的。

情緒不但能影響人的學習活動，而且可以為教師提供重要的教學反饋。情緒的產生通常伴隨著一定的外部行為，即表情。根據表情推斷學習者的學習狀態，獲取教學反饋，是一種直接的、快捷的手段。在傳統教學中，教師可以根據觀察學生的表情和反應來了解學生當前的心理狀態，從而掌握他們的學習情況，為下一步的教學計劃作參考。例如，當學習者對課程內容理解或感興趣時，會流露出高興、愉悅的表情，反之，則會表現出情緒低落，眉頭緊鎖。因此，在數字化學習中，賦予系統類似人類教師這種情緒的感知和理解能力，能直觀地獲取教學反饋，以此作為調整教學內容和教學策略的依據，提高學習效果。但現行網絡遠程教育系統中學習者的人機交互，多是借助于鍵盤、鼠標和屏幕等被動式的中介手段，只追求方便和準確，無法理解和適應學習者的情緒和心境，無法理解以及適應人的情感和思維行為。［6］

隨著近年來表情識別技術的發展，為從旁輔助角色在情緒監控功能方面的實現提供了有效的技術支持。由于表情和情緒是緊密相連的，前者是后者的外在表現，后者是前者的內在體驗，大部分情況下，知道二者中的一者，可以反推另一者。［10］在學習過程中，從旁輔助角色通過攝像頭捕獲學習者的面部表情圖像，運用表情識別技術對獲得的表情信息進行識別和判斷，推測出學習者的心理狀態，再針對不同的心理狀態采取不同應對措施來維持學習活動的有效進行。

數字化學習面對的學習者千千萬萬，每個人之間都存在著差異，在教學中應該充分尊重學習者的個性特征進行個性化教學。學習風格是影響個性差異的一個最主要因素，如果在學習中考慮了學習者的學習風格，將會有效激發和維持學習者的學習動機，使學習變得很容易。［11］相反，若是不能準確預測學習者的學習風格，就很難因材施教，極有可能削弱學習者的學習興趣和動機。全面了解學生的個體差異，準確預測學習者的學習風格，是提高學習效果的有效途徑之一。

學習風格指在學習環境中個體表現出的比較穩定的處理方式和傾向，包括感覺偏好、認知風格、社會性環境偏好等。［12］例如有些學生喜歡通過閱讀文字來學習；有些同學則偏向于視覺性較強的教材，比如圖片、板書等；有些學生善于通過聽講來學習；有些學生善于通過動手操作學習；有些同學喜歡合作學習，而有些同學則比較愿意自學。

傳統的智能導師系統中對學習者學習風格的預測主要是依靠量表，然而采用這種方法存在一定缺陷，如靜態預測的局限，其不能根據學習行為的變化對學習風格進行動態更新，加之具有較強的主觀性，面對大量枯燥的預測量表時，學習者難免會失去耐心、隨意填寫，導致預測結果的不準確。從旁輔助角色采用量表測量和表情識別相結合的方式。先用量表測量的方式對學習風格進行初始化，進而在學習活動中通過觀察學習者對所呈現的學習材料類型的表情，分析學習者的心理狀態，推測其對當前的學習方案滿意與否。若學習者對教學內容和呈現方式比較滿意，會表現出高興等正面情緒，說明該學習方案符合其學習風格；反之，如果學習者表現出焦躁、厭煩等負面情緒特征，則說明當前學習方案不符合其學習風格，需對學習風格模型進行修正。在這樣反復學習與調整的過程中，最終可獲得較為準確的學習者學習風格。

由于時空的分離導致數字化學習中師生交互的局限性，極大地削弱了彼此之間的情感聯系，學生容易產生孤獨感，降低學習效率。如何加強數字化學習系統與學習者間的情感交互，也就成為提高學習效果的重要問題之一。良好的情感交互不僅要考慮學習者在學習過程中的心理狀態，而且需要增強系統對學習者的情感注入，即運用一定的教學手段，滿足學習者的情感需要，激發學習者的學習動機和興趣，增強學習活動的持久性和有效性。

從旁輔助角色的情感輸出功能，可以幫助提高系統與學生間的情感交互程度。從旁輔助角色在學習中為學習者提供一個虛擬形象，伴隨著學習活動能夠展現出語言、表情和肢體動作，針對學習者當前的心理狀態給予相應的情感回饋。當需要中斷學習時，為學習者提供音樂、小游戲、視頻等休閑項目。例如，若學習者完成了一項學習任務，虛擬教師會微笑著舉起大拇指說：“你很棒”等，對學習者進行表揚；若是學習者出現疲勞情緒，則會建議學習者適當休息，并彈出休閑項目供其選擇；當學習者遇到困難而沮喪時，給予一定的鼓勵。

相對于面對冰冷的電腦屏幕，有了生動的虛擬教師形象的陪伴，可以減少學習過程的孤獨感。擁有語言、表情和肢體動作的虛擬教師形象可以引起學習者的注意，喚起學習者的好奇心，使其很快進入到學習的氛圍中去。同時，學習動機影響學習者的學習行為，是學習者進行高效、持續學習的驅動力量。［13］當學習者取得一定的學習成果時，適當的肯定可以使學習者獲得滿足感和信心，可以在學習中設置一些任務獎勵，在學習者完成任務時獲得虛擬財富、電子寵物等。除了要激發學習者的學習動機外，還要從影響學習動機的負面因素著手，注意學習動機的維持。有時學習者在付出了極大努力后仍然失敗，表現出沮喪、痛苦的情緒，當從旁輔助角色監控到此類情緒時，應當給予鼓勵，以防學習動機的削弱。

三、從旁輔助角色的設計

本文在傳統智能導師系統中加入從旁輔助角色模塊，設計了具有從旁輔助角色的智能導師系統，系統主要由從旁輔助角色、學生模型、專業知識模塊、學習策略模塊四部分組成，如圖1所示。

圖1 具有從旁輔助角色的智能導師系統結構

從旁輔助角色一方面可以由多媒體情感輸出功能獨立完成對學習者的情感鼓勵和補償，另一方面又與學生模型直接相關，通過學生模型間接作用于教學策略模塊和專業知識模塊，實現個性化教學。學生模型將初始化的學習風格傳遞給從旁輔助角色，作為學習風格預測的基礎；從旁輔助角色將學習者學習風格和學習狀態的動態變化傳遞給學生模型使之更新。專業知識模塊和教學策略模塊與傳統智能導師系統的原有模塊作用差異不大。專業知識模塊用來存儲知識和多媒體資源，與教學策略模塊相互作用，在學習活動中為學習者設定任務、問題和解決的方案，為學習者知識水平的測定提供試題，組成教學方案，將學習起始點、知識點訪問、知識水平的改變等信息反饋給學生模型；教學策略模塊根據學生模型來選擇教學內容，以恰當的形式呈現給學習者，根據情況調整教學進度，將學生的學習情況、學習行為反饋給學生模型，作為學生模型動態修正的參考。

從旁輔助角色主要通過分析學習者當前的心理狀態，作用于學生模型，執行學習風格和學生心理狀態的修正，間接實現教學方案的改進，也可通過情感輸出模塊采取情感補償策略。

心理狀態的獲取是根據學習者的表情信息進行推測。在交互界面，用攝像頭捕獲學習者的學習畫面，通過表情識別技術識別表情信息，推測出學習者當前的心理狀態。表情識別主要分為三個步驟：人臉檢測、特征提取、表情分類識別。首先，運用Adaboost算法可實時快速地檢測人臉，［14］然后，采用Gabor小波變換進行特征提取，它可以提取表情信息中的細微變化，［15］能有效提高表情識別的精度。得到特征信息后，采用支持向量機為表情分類器，該方法在解決小樣本、非線性及高維模式識別問題方面具有優勢，且具有很強的泛化能力。

學生模型用來描述學生的特征，是現實中的學生在計算機中的抽象表示。通常，學生模型主要包括學生基本信息、學習風格、知識水平、學習歷史幾個方面，由于本文以學習者心理狀態作為學習風格修正和學習策略調整的依據，因此，需加入心理狀態這一重要因素。學生模型中的信息可分為動態和靜態兩類，靜態信息主要是學生的基本信息；動態信息包括學習風格、知識水平、心理狀態、學習歷史等，在學習過程中接受來自教學策略模塊、專業知識模塊、從旁輔助角色的反饋來對模型進行更新。

（1）基本信息

基本信息中主要存儲學習者的靜態信息，如用戶名、性別、年齡、專業、聯系方式等，用于學習者的身份識別。

（2）學習風格

Felder和Silverman將學習風格分為四個維度：感覺型——直覺型、活躍型——沉思型、視覺型——言語型、序列型——綜合型。其主要表現特征如表1所示。［16］

表1 學習風格特征分類

（3）知識水平

每個學習者的知識基礎都不完全相同，在學習活動開始之前，應對學習者的知識水平進行測試，這樣可以有效確定學習起點，便于制定學習方案。隨著學習活動的進行，學生的知識水平會產生變化，這就需要對學生在測驗中進行評估，根據測驗結果對模型中的知識水平狀態實時更新。

（4）心理狀態

本文在傳統學生模型的基礎上增加了心理狀態這一因素，可以直觀地了解學生的學習情況，為教學策略的制定提供更加可靠的依據，同時為系統的情感輸出提供支持。根據學習過程中可能出現的情緒狀態，本文定義了五種表情，分別為高興、厭惡、驚訝、疲勞和懊惱。如果檢測到學習者的心理狀態為高興，說明其學習活動進展順利，對當前的學習內容、進度等都比較滿意，學習活動可繼續進行；若檢測到學習者有厭惡情緒，則說明其對當前的學習活動有所抵觸，可能對學習內容和教學方法存在不滿，提醒系統進行調整；當學習者出現驚訝情緒時，代表其對當前的學習內容存在疑惑或不理解；若檢測到學習者出現疲勞狀態，系統應立即進行干預，彈出趣味問答或小游戲等，中斷枯燥的學習，等學習者的大腦活躍起來后再重新投入到正常進度中；當檢測到學習者出現懊惱情緒時，說明學習者當前的學習狀態較差，可能系統推送的學習內容超過了學習者可接受的范圍，導致其對自身能力產生懷疑以及自信心的丟失，削弱了內部動機，這時就需要采取鼓勵措施。

（5）學習歷史

學習歷史詳細記錄學生在學習過程中的行為，包括學生訪問的學習資源、試題測驗的結果與反饋、學習的起止時間、學習斷點等，形成學習日志。

隨著多媒體技術的發展，現在的計算機中不乏音頻、視頻等多媒體資源，在學習過程中利用這些資源，可以有效幫助學習者調節狀態。當學習者進入學習頁面，多媒體情感輸出模塊會向學習者輸送一個虛擬的教師形象，同步顯示在屏幕中，陪伴學生進行學習，并在適當的時候通過語言及肢體動作給予學習者鼓勵，使學習者有一定的歸屬感。學習者可以根據自己的喜好選擇喜歡的虛擬教師形象，如動物造型、卡通人物等。

一旦進入學習，從旁輔助角色就開始對學習者的心理狀態進行監控，并將結果傳遞給多媒體情感輸出模塊，對特定結果進行響應。多媒體情感輸出模塊并非會對任意表情下的心理狀態都做出響應，當學習者處于高興等積極學習狀態下時，不會打斷學習者的學習熱情，保證學習活動的持續進行；而當學習者出現厭惡、疲勞等消極情緒時，則會中斷學習，彈出對話框，詢問學習者是否需要中斷學習，并提供幾種休閑方式，插入一段視頻、音頻或小游戲，由學習者選擇，來幫助其消除負面情緒。

四、結束語

本文基于教育心理學、情緒心理學等理論提出了數字化學習中的從旁輔助角色，并給出其在智能導師系統中的結構設計，旨在改善數字化學習中情感缺失、監控缺位的問題。從監控學習者的心理狀態、改善學習風格的預測、加強對學習者的情感反饋等方面，幫助系統更加準確和及時地獲取學習者的個性特征和學習狀態，增強情感交互，為知識層面和情感層面的個性化教學提供依據，促進學習活動更加有效地進行。由于從旁輔助角色有獨立的情感識別和應對模塊，且不受學習系統知識類別的限制，功能上比較獨立，所以具有良好的通用性，能適用于任意的智能導師系統設計。

［1］唐志偉.遠程教育中的情感缺失應對策略探析——基于聯通主義學習理論為視角［J］.現代遠距離教育，2014 （2）:34-37.

［2］Hossein，Movafegn hadirli and Maryam Rastgarpour.AW eb-Based Adaptiveand Intelligent Tutorby Expert System［J］.Advances in Computing&Inform.Technology，2013（177）:87-95.

［3］趙慧勤，孫波，張春悅.虛擬教師研究綜述［J］.微型機與應用，2010（5）:1-8.

［4］Bowei Dang，Fuan Wen，Meisong Chen，et？al.The design and implementation of general tutor system for multi-disciplinary courses in virtualexperiment［A］.IEEE:International Conference on e-Education，Entertainment and e-M anagement［C］.Bali，2011:178-181.

［5］程萌萌，林茂松，王中飛.應用表情識別與視線跟蹤的智能教學系統研究［J］.中國遠程教育，2013（3）:59-64.

［6］李勇帆，李里程.情感計算在網絡遠程教育系統中的應用:功能、研究現狀及關鍵問題［J］.現代遠程教育研究，2013（2）:100-106.

［7］賀斌.E-learning情感計算模型設計研究［J］.遠程教育雜志，2011（4）:103-111.

［8］Juan Martinez-M iranda，Arantz Aldea.Emotions in human and artifical intelligenc［J］.Computer in Human Behavior，2005（21）:323-341.

［9］王有智，歐陽侖.心理學基礎——原理與應用［M］.北京:首都經濟貿易大學出版社，2003:374.

［10］雷婕，丁亞平.面部表情:一些爭論［J］.心理科學進展，2013，21（10）:1749-1754.

［11］姜強，趙蔚，王朋嬌.基于網絡學習行為模式挖掘的用戶學習風格模型建構研究［J］.電化教育研究，2012（11）: 55-61.

［12］張燕南，張力，周濤等.學習風格對網絡學習的影響:一項實證研究［J］.開放教育研究，2010，16（3）:160-166.

［13］胡凡剛，仇秀娟，劉瑋等.影響教育虛擬社區中學習動機激發因素的實證分析［J］.遠程教育雜志，2013（4）:52-29.

［14］張建利，段富.基于面部特征的學習狀態的研究［J］.計算機工程與設計，2013，34（7）:2460-2464.

［15］徐潔，章毓晉.基于多種采樣方式和Gabor特征的表情識別［J］.計算機工程，2011，37（18）:195-197.

［16］陳仕品，張劍平.適應性學習支持系統的學生模型研究［J］.中國電化教育，2010（5）:112-117.

（編輯：王曉明）

“數字布魯姆”推薦的信息化工具中只有少部分可以稱之為學習工具，其他大部分工具在實際生活運用中都是以娛樂和休閑為主，學習功能往往是研究者加上去的。在使用這些工具來開展學習活動時，學生很容易被偶爾跳出來的廣告或新聞等附加因素所干擾，影響學習進度。

這種情況在學習活動實際進行中是無法避免的。盡量減少這種附加干擾的手段之一就是在學習活動中加強對學生的監控，教師可在學生自主或協作進行學習任務時隨時走動，學生分散注意力時及時提醒。另一種方法是適當增加學習任務的困難度，比如要求學生在某一時間內必須完成某一任務并提交成果，這個時間限制盡量控制在絕大多數學生都能按時完成任務的條件下。這樣學生在緊迫的時間內，會減少對信息化工具其他附加干擾的關注度。

五、小結

利用“數字布魯姆”參與學習活動的設計，為信息化學習活動設計提供了一個新的思路。“數字布魯姆”中的每一個信息化工具都可以單獨參與學習活動設計，而選用多種信息化工具進行搭配使用，更會有無限的設計空間。本文是在智慧學習背景下對基于“數字布魯姆”的學習活動設計的一個嘗試，以期可以對教師開展信息化學習活動提供一定的參考和幫助。

參考文獻：

［1］陳丹，祝智庭.“數字布魯姆”中國版的建構［J］.中國電化教育，2011（1）:71-77.

［2］Churches，A.Bloom’s Digital Taxonomy［EB/OL］. http://edorigam i.w ikispaces.com/file/view/bloom%27s+ Digital+taxonomy+v3.01.pdf.2014-10-10.

［3］Penney，S.Bloom’s Digital Taxonomy Pyram id ［EB/OL］.http://www.usi.edu/distance/bdt.htm.2014-10-11.

［4］Cleaves，P.Bloom'sDigital Taxonomy and W eb 2 Tools［EB/OL］.http://prezi.com/gxgypkp67mka/bloomsdigital-taxonomy-and-web-2-tools/.2014-10-11.

［5］Whitby，T.Bloom's Digital Taxonomy PREZI ［EB/OL］.http://edupln.com/video/blooms-digital-taxonomy-prezi.2014-10-12.

［6］彭海蕾，宋生濤.參與式學習活動研究［J］.蘭州學刊，2004（1）:203-204.

［7］何克抗.從Blending Learning看教育技術理論的新發展（上）［J］.電化教育研究，2004（3）:1-6.

［8］黃榮懷，馬丁，鄭蘭琴，張海森.基于混合式學習的課程設計理論［J］.電化教育研究，2009（1）:9-14.

［9］蔡新春，蔡靜.基于SNS網站的混合式學習活動設計［J］.軟件導刊，2010（12）:213-215.

（編輯:王天鵬）

G434

A

1673-8454（2015）11-0038-05

本文受全國教育科學“十二五”規劃2011年度教育部重點課題“大學生網絡學習行為的分析模型與調控機制研究”資助（課題批準號:DCA11019）。