多模態數據下混合協作學習者情感投入分析

王小根 陳瑤瑤

[摘? ?要] 情感投入在混合協作學習中發揮重要作用，厘清其作用機制是當前亟待解決的問題。混合協作學習場景下多模態情感計算技術的支持為更加精準地分析學習者情感投入提供了可能。文章從情感數據的多模態融合、情感發生的情境解釋、情感狀態的動態變化、情感發展的層級建構和情感反饋的調節干預五個層面構建了混合協作學習者情感投入的研究框架，并從改善混合協作學習過程和探索混合協作學習規律出發，闡述了混合協作學習者情感投入的分析路徑。一方面，融合多模態數據，輸出可視化的情感狀態識別結果;根據環境、認知、行為、動機及任務等因素，進行情感歸因;預防情感危機，采取反饋與調節措施。另一方面，探索情感投入與人際互動、學習資源、認知發展的關系，以期揭示混合協作學習的內在規律。

[關鍵詞] 多模態數據; 情感計算; 混合協作學習; 情感投入

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 王小根（1965—），男，浙江湖州人。教授，博士，主要從事網絡多媒體技術教育應用研究。E-mail：vctwang@126.com。

一、引? ?言

線上線下融合的混合式學習正在成為高等院校師生開展學習活動的新常態[1]，混合協作學習也成為高等教育領域重要的學習方式[2]。然而，目前在混合協作學習的實踐中仍然存在學習者協作水平不高、學習投入較低等問題[3]，增強學習投入和互動可以改善這一現象[4]。組員持續進行有效互動是促進協同知識建構的關鍵，情感投入在這一過程中扮演重要角色[5]。

近年來，研究者關注到情感投入對協作學習者的分享、互動、協商等有重要影響，并通過學習平臺日志中的情感數據和學習者自我報告，分析學習者情感特征及其發生作用的機理。然而，致力于理解情感是如何隨著學習的互動過程而變化的研究尚不足，因此，情感的演變機制并不清晰[6]。采集線上線下多模態的情感數據，才能更精準地分析混合協作學習者情感投入特征和變化情況[7]，為學習者反思和教師干預提供決策支持。多模態情感計算技術可以為這一學習分析過程提供技術支撐。因此，本研究基于混合協作學習環境的多模態情感數據，構建了混合協作學習者情感投入的研究框架和分析路徑，以期為后續研究提供借鑒。

二、混合協作學習投入與情感投入

（一）混合協作學習投入

學習投入是學習者在學習過程中由行為、認知、情感的相互作用或融合引發的身體能量和心理能量的總和，是行為卷入、思維發展、情緒反應的綜合過程。學習投入度是這種身體能量和心理能量總和的大小，其高低是影響學習效果的重要因素，是衡量高等教育質量的重要過程性指標。

混合協作學習強調建立學習者之間的社會性聯結，促進學習者之間的交流，增強情感參與，從而提升投入度與協作質量。混合協作學習投入主要包含群體圍繞知識建構、問題解決的認知投入和組員維系互賴關系、增強小組凝聚力而進行的社會情感投入兩個核心過程[8]。

（二）混合協作學習中的情感投入

學習情感投入是存在于師生之間、課堂、學業或學校活動中積極或消極的情緒體驗，指向學習者的興趣、體驗感、價值感、認同感和歸屬感。Lee等認為，情感投入關注的是學習者的滿意度、學習過程中的愉悅感和同伴交互中的價值感[9]。Fredricks等認為，情感投入是學習者對教師、同伴、學校、學業的情感反應程度，體現在興趣、熱情、焦慮、無聊和歸屬感等方面[10]。Pekrun等人將情感投入視作認知投入和行為投入發生的前提，認為學習情感投入主要由成就情緒、主題情緒、社交情緒和認知情緒四部分構成[11]。

從學習投入的視角來看，混合協作學習中的情感投入，是學習者借助混合學習空間，在動機、支持工具、學習方式和協作任務的調控下，與學習共同體、學習資源進行情感互動時態度、體驗感、認同感與價值感的動態累加過程。混合協作學習以任務為中心展開互動，其互動主要可以分為認知互動、社會—情感互動兩類：認知互動包括知識的分享、闡述、協商以及對協作過程的監控、調節，這是協作學習得以持續展開的基礎;社會—情感互動是指學習者之間會發生情緒交互，有意或無意地營造社交氛圍，這種情緒的表達可能涉及認知和元認知過程，也可能是由個體需求得到或未得到滿足而做出的回應[12]。無論是積極的還是消極的情緒交互，都會對個體的參與傾向和群體的社交氛圍產生影響，從而導致群體凝聚力、群體學習投入度等發生變化。同時，學習者對觀點的理解、同伴的互動、學習任務的感知都伴隨著一定程度的情感投入。高質量的情感投入可以使學習者獲得更多來自教師和同伴的互動與支持，而低質量的情感投入往往使學習者感到邊緣化和效率低下。可見，情感投入是協作學習有效發生的必要條件。

三、混合協作學習中情感投入的相關研究

（一）情感交互的類型

情感交互是指學習者與同伴、教師之間針對學習內容進行有意識的情感交流的過程。情感分類是研究情感交互的基礎，Harris等提出了六維情感分類法，包括積極、消極、中立、有洞察力、困惑和開玩笑，并以此分析在線論壇會話文本中的學習者情感[13]。之所以將困惑單獨作為一類情感，是因為困惑對學習可能是有益的，困惑的出現通常意味著學習者遇到了認知沖突，解決了困惑，學習者就能從矛盾的信息中學習到新知識[14]。

根據交互的內涵及意義，還可以將情感交互分為情感回應、情感評價和情感表達三種類別：情感回應是觀點一致與否在情感上的回應，有利于維持交互持續進行;情感評價包括鼓勵、感謝、不滿和責備等，能夠促進學習者的元認知意識;情感表達是學習者對自己情感狀態的表達，自然真實的情感表達可以營造坦誠的氛圍，促進協作學習的發生[15]。

（二）情感投入的轉換與發展

為了探究情感投入與學習者互動、學習投入度和知識建構的深層關系，有研究者從不同類型情感的轉換與發展視角展開研究，發現在知識建構的不同階段，不同類別的情感發生頻率不一樣，隨著認知交互的加深，學習共同體情感經歷了產生、碰撞與融合、改進、穩定的情感發展四個階段[16]。Corey認為，群體情感發展經歷了初始階段、過渡階段、工作階段和終結階段：初始階段的學習者較為興奮并致力于相互熟悉;過渡階段的學習者會權衡他們在小組中的參與度，控場問題會出現，這往往是沖突的原因;工作階段，學習者越來越多地進行觀點協商和知識改進，組員無需帶有防御心理，并且會感受到情感支持;終結階段的學習者已經建立互賴關系，期待下一次酣暢淋漓的表達體驗[17]。基于Corey劃分的四個階段，Hod等利用認知網絡分析法探索了混合協作學習者不同類型情感投入的轉換規律。初始階段，小組的情感投入特征表現為組員具有強烈的團結協作意愿;過渡階段，組員感受到的消極情緒、困惑和挫折感較多;工作階段的小組情感投入的特征表現為移情;終結階段的小組情感投入則表現為關切同伴[18]。

四、基于多模態數據的混合協作學習者

情感投入的測量方法

（一）學習者情感投入的常見測量方法

學習者情感投入的測量方法是開展相關研究的基礎。根據分析的數據對象，可以將情感投入測量方法分成三類：基于文本分析、基于外顯行為感知、基于生理信號表征。基于文本分析的測量方法有兩種：依賴人工分析的文本測量方法有情感量表、學習者自我報告和訪談法;自動化文本挖掘技術有基于規則的情感詞典和基于機器學習的方法。文本分析法成本較低，使用廣泛。基于外顯行為感知的測量方法，即從面部表情、語音語調和肢體動作中識別情感，優點是實時反饋，弊端是如果學習者故意掩飾自己的真實感受而故作平靜，那么識別結果的可靠性就難以保證。基于生理信號的測量方法是使用可穿戴設備或者生理傳感器測量生理信號來表征潛意識的情感反應。此方法需要做到無侵入式感知，以降低外接設備對學習者的干擾。

（二）多模態情感計算

情感計算聚焦于應用特征提取與分類技術實現對人類情感的識別、解釋、反饋與模仿，試圖讓機器理解人類情感，以實現人與機器的情感互動[19]。人類表達情感情緒涉及多種模態通道，依據單模態進行情感分析準確度不高，雙模態情感分析的可解釋性也不能令人十分滿意，只有盡可能地融合更多模態，才能進一步提高情感識別的準確度，還原真實完整的情感反應過程。

目前，多模態情感計算技術主要依靠文本、面部表情、語音和生理信號進行情感特征提取（見表1），再將多種單模態特征進行融合得到更精準的情感狀態。相較于單模態，多模態情感計算最大的挑戰在于多模態信息的融合與理解[20]，這不僅意味著算法持續提高精度，而且牽涉到情感本質的進一步揭示、個體情感個性化度量、外部因素對情感變化的影響等多方面的問題[21]。

（三）基于多模態數據的混合協作學習者情感投入測量與分析

1. 采集多模態情感數據的必要性

學習者在混合協作學習過程中能夠產生文本、對話、表情、肢體動作、眼動等多種類型的交互數據以及腦波、皮膚電、脈搏率等肉眼難以觀察的生理數據，只有實現多模態數據融合才能精準反映小組成員的情感投入狀態。然而，現有研究大多依靠學習者自我報告和在線討論文本對學習者情感投入進行回溯，情感數據采集通道較為單一，難以全面反映學習者情感狀態的變化情況，需要挖掘、整合多模態數據表征混合協作學習者的情感投入，分析其內部狀態和情感變化。

2. 多模態情感數據的采集通道

在混合協作學習中，涉及情感投入的多模態數據主要包括文本、行為、心理、生理四種模態數據（見表2）。文本數據包括聊天軟件和在線學習平臺記錄的文本以及根據面對面學習活動錄音整理的文本。行為數據是指與人的外在可見行為表現相關的數據，如面部表情等。心理數據是指學習者對協作認知任務、社交、情感動機的心理活動反應數據，獲取來自學習者填寫的情感測驗量表或自我報告。心理數據依賴學習者主動輸入，雖然即時性和自動化程度不高，但可以與其他模態數據進行互證，還能夠獲悉學習者的歷時性體驗。生理數據則包括腦電波、眼動、皮膚電、心電、脈搏率等人的生理體征數據。

3. 多模態情感數據的分析方法

混合協作學習主要有線下面對面交流和在線討論兩種學習場景。對于面對面學習場景，使用視頻錄像的方法記錄學習活動的畫面和聲音，以采集即時情感數據，通過視頻情感分析系統可以自動化地識別學習者的情感序列;對于在線討論學習場景，情感數據來源主要是平臺記錄的文本和學習者自我報告，可以通過LSTM分類方法進行快速有效的情感分類。若條件允許，給學習者佩戴生理手環或腦電耳麥，采集更多數據通道提供的信息，為多模態融合提供更多選擇。獲取精確的情感分類結果后，研究者可以采用滯后分析法從情感投入交互類型和學習階段兩個方面交叉分析情感投入的縱深數據，探索學習者情感投入隨時間和情境的變化規律及對協作學習效果的影響。

五、基于多模態數據的混合協作學習者

情感投入研究框架

基于多模態情感數據，本研究提出了包含情感數據的多模態融合、情感發生的情境解釋、情感狀態的動態變化、情感發展的層級建構和情感反饋的調節干預五個層面的混合協作學習者情感投入研究框架，如圖1所示。

（一）情感數據的多模態融合

學習者情感會通過在線討論文本、表情包、語音語調、面部表情、肢體動作和自我報告等進行顯性化表達，還可以借助傳感器設備對學習者情感進行主動感知，因而獲取情感數據的渠道豐富多樣。對多來源、多通道、多場景的情感數據進行融合分析，已成為重點研究方向。情感模態融合的方式主要有特征級融合和決策級融合：特征級融合是指提取特征后立即通過拼接等方法集成特征，但容易過度擬合;決策級融合是指深度學習模型先對不同的模態進行訓練，再對多個模型輸出的結果執行集成，但不允許分類器同時訓練所有數據[23]。因此，出現了兩者混合的融合方法，在綜合兩者優點的同時，也增加了模型結構復雜度和訓練難度。對于協作學習場域下的情感分析而言，一方面，利用多模態數據之間的信息互補進行交叉驗證，生成連貫、互證的證據圖景，可以降低單模態情感識別帶來的誤差，提升情感分析的準確度;另一方面，多模態數據融合能夠突破時間和空間的限制，對不同場景下學習者的情感數據進行全方位的采集，有助于實現對學習者情感發生的情境解釋和對情感狀態時序變化的追蹤與干預。

（二）情感發生的情境解釋

混合協作學習者的情感發生涉及成員對小組協作任務的關注、維持群體凝聚力的努力、任務執行過程的調控等協作學習過程[24]，不論是愉快的還是倦怠的，學習情感都發生在融合物理、活動、社交和心理等要素的情境之中，受情境的刺激并隨著情境的改變而變動。尤其是在真實的物理學習空間中，這種情境性刺激對學習者情感投入的效用更加明顯。質疑、協商、贊賞、反對、游離、沉默等行為可能會引發不同的學習情感。同時，學習者情感投入在混合協作學習過程中具有多種功能，包括提高或降低互動質量和認知投入。認知性評價也可以發動或轉變情感體驗。因此，在分析學習者產生了什么情感、為什么會產生這種情感、這種情感會有什么影響時，必須要考慮情感發生的情境，并解釋情感發生與情境要素之間的關聯，探究情感與認知、行為的關系。多模態情感計算關注真實、開放、融合的學習情境，克服了以計算機學習平臺為媒介的情感分析過度關注數字化學習環境的局限。

（三）情感狀態的動態變化

混合協作學習有一套相對確定的流程，在不同階段，學習者的情感投入可能會呈現出與認知發展具有相關性的特征，如學習者情感投入隨著協同認知的發展而發生從困惑到富有洞察力的轉變。因此，研究者需要關注混合協作學習全過程的情感投入在時間序列上的變化。有研究者發現，中性情感不會轉化為積極情感[25]，另有研究者則認為，中性情感可以轉化為積極情感[9]，這種轉化規律尚待更多實證研究來驗證。剖析情感投入的動態變化機制，揭示學習者情感變化的規律，有助于教師根據學習者情感狀態變化情況，給予適當的學習干預，從而提升學習效果。

（四）情感發展的層級建構

協作學習者通常涉及個體、小組、整體三個層級。研究者主要關注個體情感狀態的動態變化、小組情感交互結構與階段特征、整體情感投入的評估及對學習效果的影響。個體情感狀態動態變化的功能性影響包括兩個方面：一是改變自身參與認知任務的投入度;二是改變小組社交情感氛圍，促使同伴做出情感回應。組內和組間的情感交互為衡量小組協作質量增加了一個評價指標。在組內互動時，小組成員的社交情感體驗和他們對互動的解釋與評價決定了協作學習期間小組整體情感動機。組間對比可以探究學習情感投入度高低對協同認知水平影響的程度。歸納多個小組情感發展階段的共性特征，有助于構建混合協作學習的情感發展模型。

（五）情感反饋的調節干預

準確的反饋能夠引導學習者及時感知、調整學習狀態，提升元認知意識。混合協作學習中，學習者的情感互動既來自教師，也來自同伴，起到調節和干預學習進程的作用。同伴反饋使學習者作為信息源相互影響，維持群體共享的社會化調節。教師反饋主要針對消極情緒進行預警，采取干預措施引導學習者轉向積極情緒。調節干預是為了保證學習者處在適當的情感狀態和維持小組良好的情感氛圍，從而提高交互質量，促進認知深入發展。同時，應盡量避免非必要的干預造成學習者陷入兩相矛盾的情緒漩渦，以免增添心理負荷，妨礙知識建構。

六、基于多模態數據的混合協作學習者

情感投入分析路徑

聚焦交互分析和內容分析的協作學習分析，目的在于改善協作學習過程，提升學習質量。收集多模態數據進行情感投入分析，一方面幫助學習者洞悉協作狀態和過程，及時發現問題并作出調整;另一方面以數據化的證據探索協作學習的內在規律，支撐協作學習的設計與應用。為此，本研究提出基于多模態數據的混合協作學習者情感投入分析路徑，如圖2所示。

（一）改善混合協作學習過程

1. 融合多模態數據，輸出可視化的情感狀態識別結果

根據前文所述，通過多模態情感計算技術，將線上線下的學習情感投入信息進行收集和特征提取，根據樣本容量和模態特性選擇適當的模態融合方法與建模方法，輸出學習者和協作小組的情感狀態識別結果，呈現方式可采用可視化的氣泡圖、堆積條形圖和箱線圖等動態式的情感儀表盤和情緒地圖，為師生呈現真實可察的情感歷程，小組成員可以看到自身的情緒起伏和小組的情感氛圍變化。可視化儀表盤還可以允許學習者修正數據或添加注釋，使呈現結果更具有解釋力。

2. 根據環境、認知、行為、動機及任務等因素，進行情感歸因

人的學習過程是認知、行為和情感情緒的相互作用過程，學習環境、認知水平、行為選擇、學習動機和學習任務的復雜度與完成度等因素都會對學習者的情感情緒產生影響。控制—價值理論認為，學習者對學習活動及結果的主觀控制感和價值感是影響學習情緒產生和變化的兩個核心要素，學習者想要獲得什么樣的成就則是控制感和價值感的基礎[11]。社會性交互、認知性交互是觸發混合協作學習情感的交互性因素。因此，從影響混合協作學習情感投入的因素入手，分析學習者與小組產生某種情感狀態或者發生某種情感變化的原因，判斷情感與認知、行為等的因果關系，以便對學習者和小組實施有效的反饋，增強學習者成就情緒的控制感和價值感。

3. 預防情感危機，采取反饋與調節措施

結合協作任務與情感歸因，動態干預與調節學習過程。通過可視化工具將協作過程的組員認知、情感狀態和協同投入情況及時反饋和共享給組員[26]。既可以幫助學習者自我評價，也可以對團隊成員進行評價，促進個體獨立反思和共享反思，引導學習者自我調節和小組共享的社會化調節，從而形成彼此深刻理解的學習共同體。認知沖突是推動知識重組的重要環節，但是在發生認知沖突的過程中很可能會造成人際關系的緊張乃至敵對。教師可以根據學習者的異常情感峰值（如憤怒）及時采取干預措施，如鼓勵、開玩笑，化解學習者的情感危機。針對消極情感，可以采用任務難度調節、適當工具支持、材料情感設計等干預策略，促使學習者的情感轉向中性或積極狀態。

（二）探索混合協作學習規律

1. 情感投入與人際互動的關系

人際互動包含人際溝通和人際關系兩個維度。通過溝通，組員可以交換觀念、態度和行為等多方面的信息。合理有效的溝通能夠加深彼此的情感聯系;溝通不當則可能造成組員關系變得疏遠。不同的人際關系會讓人產生不同的情感體驗。借助社會網絡分析技術將組員互動的疏密程度可視化，結合學習者與協作組的情感投入儀表盤分析人際互動與情感投入的關系。研究表明，群體內情感支持對構成認知存在、社交存在和教學存在有著極為重要的作用，良好持續的師生互動、生生互動可以提供積極而顯著的情感支持[27]。

2. 情感投入與學習資源的關系

混合協作學習的學習資源涵蓋觀點表達工具、可供查找資料的知識庫、明確任務角色流程的協作腳本、監控和評估學習過程的評價反思工具、具備群體感知功能的社會調節工具、支持自我調節的自適應學習系統等。在學習資源尤其是技術工具的耦合下，組員交流的客觀阻礙降到最低，便捷的社交工具和協作工具有助于促進學習者的情感表達，增加良性情感體驗。企圖偷懶者、不良情緒者（如游離、暴躁、失望等）由可視化學習分析工具呈現給教師或助教進而施加干預，其他組員也可以給予其友情提醒，使其獲得情感支持，將注意力轉向協作任務，從而改善個別組員投入度低、搭便車、無建構的現象。

3. 情感投入與認知發展的關系

協同知識建構需要不同觀點進行碰撞融合，然而事實表明，學習者往往很難進行深入辯論。很多時候辯論不是自然發生的，需要教師引導學習者思考并營造積極發聲的氛圍。在具有較強凝聚力和歸屬感的群體中，組員能積極參與辯論。學習者的情感投入一定程度上決定了其對群體的歸屬感、信任感和參與知識建構的主動性。然而，情感投入度并非越高越好。例如：高喚醒度的情緒沖突不利于團隊協作，因為組員往往傾向于停止辯論來避免緊張局勢;在高喚醒度的愉快氛圍下，持有不同觀點者可能會由于不愿意破壞氣氛而保留意見。因此，越來越多的研究者使用情感調節工具培養學習者的元認知意識，協調情感投入與認知發展的關系。

七、結? ?語

本研究基于混合協作學習場景存在的多模態情感數據，構建了混合協作學習者情感投入的研究框架，闡述了分析路徑，以期提升學習者投入度，實現高質量的協同知識建構。后續研究擬在真實協作情境中采集實證數據，對提出的研究框架和分析路徑進行驗證和優化，并進一步探索情感在協作學習中的作用機制。

[參考文獻]

[1] 祝智庭，胡姣.技術賦能后疫情教育創變：線上線下融合教學新樣態[J].開放教育研究，2021，27（1）：13-23.

[2] LEI M， MEDWELL J. Impact of the COVID-19 pandemic on student teachers： how the shift to online collaborative learning affects student teachers' learning and future teaching in a Chinese context[J]. Asia pacific education review， 2021，22（2）：169-179.

[3] 李海峰，王煒.面向問題解決的在線協作知識建構[J].電化教育研究，2018，39（1）：36-41.

[4] 李艷燕，彭禹，康佳，等.在線協作學習中小組學習投入的分析模型構建及應用[J].中國遠程教育，2020（2）：40-48.

[5] REIS R C D， ISOTANI S， RODRIGUEZ C L， et al. Affective states in computer-supported collaborative learning： studying the past to drive the future[J].Computers & education， 2018，120（5）：29-50.

[6] HUANG C Q， HAN Z M， LI M， et al. Sentiment evolution with interaction levels in blended learning environments： using learning analytics and epistemic network analysis[J]. Australasian journal of educational technology， 2021，37（2）：81-95.

[7] SAKR M， JEWITT C， PRICE S. Mobile experiences of historical place： a multimodal analysis of emotional engagement[J]. Journal of the learning sciences， 2016，25（1）：51-92.

[8] OUYANG F， CHANG Y H. The relationships between social participatory roles and cognitive engagement levels in online discussions[J]. British journal of educational technology， 2019，50（3）：1396-1414.

[9] LEE E， PATE J A， COZART D. Autonomy support for online students[J]. Techtrends， 2015，59（4）：54-61.

[10] FREDRICKS J A， BLUMENFELD P C， PARIS A H. School engagement： potential of the concept， state of the evidence[J]. Review of educational research， 2004，74（1）：59-109.

[11] PEKRUN R， LICHTENFELD S， MARSH H W， et al. Achievement emotions and academic performance： longitudinal models of reciprocal effects[J]. Child development， 2017，88（5）：1653-1670.

[12] ISOH？魧T？魧L？魧 J， N？魧YKKI P， J？魧RVEL？魧 S. Cognitive and socio-emotional interaction in collaborative learning： exploring fluctuations in students' participation[J]. Scandinavian journal of educational research， 2019（5）：1-12.

[13] HARRIS S C， ZHENG L， KUMAR V. Multi-dimensional sentiment classification in online learning environment[C]//2014 IEEE Sixth International Conference on Technology for Education. Clappana： IEEE， 2014.

[14] D' MELLO S， LEHMA B， PEKRUN R， et al. Confusion can be beneficial for learning[J]. Learning and instruction， 2014，29（1）：153-170.

[15] 劉君玲，張文蘭，劉斌.在線協作交互文本編碼體系的設計與應用——基于情緒交互視角的研究[J].電化教育研究，2020，41（6）：53-59.

[16] HUANG C Q， HAN Z M， LI M X， et al. Investigating students' interaction patterns and dynamic learning sentiments in online discussions[J]. Computers & education， 2019，140（10）：1-18.

[17] COREY M S， COREY G， COREY C. Groups： process and practice[M]. 10th ed. Belmont， CA： Brooks/Cole-Cengage Learning， 2010.

[18] HOD Y， KATZ S. Fostering highly engaged knowledge building communities in socioemotional and sociocognitive hybrid learning spaces[J]. British journal of educational technology， 2020，51（4）：1117-1135.

[19] 周進，葉俊民，李超.多模態學習情感計算：動因、框架與建議[J].電化教育研究，2021，42（7）：26-32.

[20] 劉繼明，張培翔，劉穎，等.多模態的情感分析技術綜述[J].計算機科學與探索，2021，15（7）：1165-1182.

[21] 饒元，吳連偉，王一鳴，等.基于語義分析的情感計算技術研究進展[J].軟件學報，2018，29（8）：2397-2426.

[22] 傅小蘭.情緒心理學[M].上海：華東師范大學出版社，2015.

[23] 何俊，張彩慶，李小珍，等.面向深度學習的多模態融合技術研究綜述[J].計算機工程，2020，46（5）：1-11.

[24] 馬志強，岳蕓竹，王文秋.基于多模態交互信息的協作學習投入分析[J].現代教育技術，2021，31（1）：47-53.

[25] 王云，李志霞，白清玉，等.在線討論中動態學習情緒和認知行為序列的關系研究[J].電化教育研究，2020，41（6）：60-67.

[26] 柴陽麗，陳向東，陳佳雯.CSCL中的團隊反思及其支架開發[J].電化教育研究，2021，42（4）：93-100.

[27] NURIA H S， PABLO C， MUNOZ C. Computer-supported collaborative learning： an analysis of the relationship between interaction， emotional support and online collaborative tools[J]. Computers & education， 2019，138（9）：1-12.