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；動向

中圖分類號：G434? 文獻(xiàn)標(biāo)識碼：A? 論文編號：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)展動向怎樣？鮮有研究回答上述問題。基于此，本研究選擇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、眼動信號識別、腦電信號檢測以及問卷調(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)者對不同教學(xué)內(nèi)容、活動表現(xiàn)出喜歡、厭惡會產(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)。采用面部情感識別技術(shù)獲取、分析面部表情，有助于科學(xué)識別學(xué)習(xí)者情感投入狀態(tài)，對學(xué)習(xí)者進(jìn)行情感監(jiān)督，從而有針對性地采取情感干預(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別研究主要通過在視頻圖像中捕捉面部表情，對其預(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，面部情感識別還需針對人的表情建立更豐富的數(shù)據(jù)庫，對影響人面部表情狀態(tài)的因素做更深入的研究。

2.基于眼動信號的情感投入測量研究

在在線學(xué)習(xí)過程中，學(xué)習(xí)者眼動信息豐富，包含了瞳孔直徑大小、眼跳、眨眼頻率等生理信號，這些信號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，研究者多基于眼動特征模型，運(yùn)用眼動儀采用非侵入式的方法收集學(xué)習(xí)過程眼動數(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)者眼動特征指標(biāo)不統(tǒng)一、眼動與情感之間的關(guān)聯(lián)有待明確等問題，上述問題制約了眼動研究與實(shí)踐的發(fā)展。

3.基于腦電信號的情感投入測量研究

科學(xué)家發(fā)現(xiàn)，人類的認(rèn)知活動以及情感表達(dá)均可以通過腦電信號反映出來。基于腦電信號進(jìn)行情感識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。腦電信號（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別方法，基于腦電信號的情感識別更具客觀性，不受學(xué)習(xí)者主觀意識的影響。但由于采集腦電信號對環(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，并輔以互動內(nèi)容的質(zhì)性分析來識別學(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)情感識別計(jì)算研究，得到的情感識別結(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)展動向

1.整合腦電信號，推動投入度識別科學(xué)化

基于面部表情的情感投入識別、基于眼動信號的情感投入識別、基于問卷的情感投入分析相比于腦電信號情感投入識別都更容易受學(xué)習(xí)者主觀因素的影響。因?yàn)槟X電信號情感投入識別是依托學(xué)習(xí)者的客觀生理信號，對學(xué)習(xí)者的腦電信號進(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，腦電信號情感投入識別方法可信度更高，更加科學(xué)。因此，運(yùn)用腦電信號識別在線學(xué)習(xí)投入正成為當(dāng)前情感識別熱點(diǎn)領(lǐng)域，但受技術(shù)和設(shè)備的影響，腦電信號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)的情感識別方法，運(yùn)用多種情感數(shù)據(jù)來源客觀識別情感投入，以達(dá)到準(zhǔn)確性更高、識別范圍更廣的情感投入識別。多模態(tài)情感識別結(jié)合兩種或兩種以上情感識別方法，聯(lián)合處理多個(gè)數(shù)據(jù)來源，使得情感識別結(jié)果更可靠。另外，在多模態(tài)情感識別中，將腦電、心電、皮膚電等生理信號作為數(shù)據(jù)輸入會更具客觀性。若同時(shí)使用上述兩種或兩種以上的生理信號，將大大提高情感投入識別的準(zhǔn)確性。多模態(tài)情感識別雖具挑戰(zhàn)性，但因其精確的情感識別結(jié)果逐漸受到眾多情感投入研究者的青睞。

3.情感驅(qū)動，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，促進(jìn)師生、生生間互動，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)動態(tài)變化的變量，這給情感識別與測量，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)生腦電信號變化、眼動信號變化、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、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)主動學(xué)習(xí)意識，正確認(rèn)識在線學(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，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.基于面部情緒識別的物理實(shí)驗(yàn)教學(xué)過程評價(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.基于面部情緒識別的在線學(xué)習(xí)過程評價(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)境中基于眼動特征情感識別研究[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)的眼動情感識別[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.知識類型、呈現(xiàn)方式與學(xué)習(xí)風(fēng)格對大學(xué)生在線學(xué)習(xí)的影響—基于眼動的證據(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)思維視域下高校混合式教學(xué)中深度學(xué)習(xí)活動的設(shè)計(jì)與應(yīng)用研究”（2019GXJK173）；廣東省哲學(xué)社會科學(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)思維智能測評與應(yīng)用研究”（GD23YJY05）；廣東第二師范學(xué)院2023年度國家級大學(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）。