人工智能視域下在線學習情感投入測量研究：方法與動向

朱龍 謝雪淇 曹燦芬 楊婕妤

摘要：本研究采用內容分析法，基于2010-2022年間發表的21篇中文教育類核心期刊論文分析，發現在線學習情感投入的測量方法及影響因素，并提出了未來推進在線學習情感投入測量與應用的策略。

關鍵詞：人工智能；在線學習；情感投入；方法；動向

中圖分類號：G434? 文獻標識碼：A? 論文編號：1674-2117（2023）15-0092-05

引言

學習投入是衡量學習者在線學習狀態的重要指標，與學習者的學習持續性、學業完成情況以及學業滿意度顯著相關。在線學習投入包括認知投入、行為投入和情感投入。其中，情感投入是指學習者在學習過程中的情感反映，表現為學習者在學習過程中的情感態度與體驗，如興趣、價值觀、好奇、悲傷等。[1]情感投入是行為投入和認知投入的基礎，是影響學習質量的關鍵因素。如何測量在線學習情感投入，并據此采用有效的策略干預在線學習成為研究領域關注的焦點。人工智能賦能在線學習，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、學習行為大數據分析、腦電等技術的引入，無不在加速推動情感投入測量邁向科學化與精準化。但在人工智能視域下如何測量情感投入？其未來發展動向怎樣？鮮有研究回答上述問題。基于此，本研究選擇2010—2022年發表在中文教育學類核心期刊的論文，采用內容分析法進行系統分析，以期為在線學習情感投入研究與實踐提供參考與借鑒。

樣本選取與分析方法

1.樣本的選取

本研究在CNKI中國期刊全文數據庫中以“在線學習”與“情感投入”為組合關鍵詞，以“CSSCI”“核心期刊”為篩選條件，查找已發表期刊文獻，檢索跨度為2010—2022年，共檢索到21份樣本。

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

2.研究方法

本研究采用內容分析法對樣本論文進行統計分析。

在線學習中情感投入測量方法

情感投入測量準確與否對后續學習干預具有重要影響。在在線學習中，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查。

1.基于面部表情的情感投入測量研究

在教學過程中，學習者對不同教學內容、活動表現出喜歡、厭惡會產生不同的表情，這些表情能呈現學習者的情感狀態。采用面部情感識別技術獲取、分析面部表情，有助于科學識別學習者情感投入狀態，對學習者進行情感監督，從而有針對性地采取情感干預策略，提升在線學習效率。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，對其預處理，通過模型進行計算得到學習者情感狀態，準確度能達到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據庫，對影響人面部表情狀態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

在在線學習過程中，學習者眼動信息豐富，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習者的快樂、憤怒、驚訝、中性等情感狀態。[7]在研究中，研究者多基于眼動特征模型，運用眼動儀采用非侵入式的方法收集學習過程眼動數據，包括注視次數、注視時間、瞳孔直徑等，以此實現對學習過程情感投入狀態的分析。具體案例如表2所示。

眼動是學習者在信息提取過程中的重要行為表現，能有效反映學習者學習情感狀態，但當前相關研究采用的特征方法較為簡單，并且絕大多數實驗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習者的情況。此外，當前研究還存在學習者眼動特征指標不統一、眼動與情感之間的關聯有待明確等問題，上述問題制約了眼動研究與實踐的發展。

3.基于腦電信號的情感投入測量研究

科學家發現，人類的認知活動以及情感表達均可以通過腦電信號反映出來。基于腦電信號進行情感識別的研究大多采用基于皮層EEG傳感器數據的腦網絡，通過分析得出不同情感狀態下大腦神經元信號。腦電信號（Electroencephalogram，EEG）由于其具有實時差異性與不易偽裝性等特點，使用EEG識別在線學習情感狀態已成為一個新的研究熱點。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，不受學習者主觀意識的影響。但由于采集腦電信號對環境、設備要求較高，當前相關研究多集中于實驗室環境，如何在常態化環境中實現腦電信號采集與分析仍有待進一步探索。

4.基于問卷調查的情感投入測量研究

情感投入既可以是一種客觀狀態，也可體現為一種主觀的體驗。綜合研究分析發現，研究者多從消極情感體驗、積極情感體驗兩個方面構建情感投入模型，并據此展開問卷調查，然后再基于回歸分析、因素分析、相關分析等方法，并輔以互動內容的質性分析來識別學習投入情況。具體案例如表4

所示。

目前，基于問卷調查學生情感投入的測量方法主要是通過分析問卷結果來進行，這種方法比較簡單易行。但這種測量方法極易受學生主觀想法影響，具有不確定性，此外，當前研究主要是調查學生學習投入，從而得到情感投入、認知投入和行為投入的水平，專門針對情感投入較為公認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、微表情等模態可用于情感識別研究。[18]當前也有學者將兩種或兩種以上的模態融合起來，進行多模態情感識別計算研究，得到的情感識別結果更全面，準確率更高。

在線學習情感投入未來發展動向

1.整合腦電信號，推動投入度識別科學化

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習者主觀因素的影響。因為腦電信號情感投入識別是依托學習者的客觀生理信號，對學習者的腦電信號進行捕捉處理，既不受外界環境的影響，也不受學習者主觀行為的影響，腦電信號情感投入識別方法可信度更高，更加科學。因此，運用腦電信號識別在線學習投入正成為當前情感識別熱點領域，但受技術和設備的影響，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.多模態數據融合，精準識別情感投入度

單一的情感投入測量方法存在各式缺點，因而，需發展多模態的情感識別方法，運用多種情感數據來源客觀識別情感投入，以達到準確性更高、識別范圍更廣的情感投入識別。多模態情感識別結合兩種或兩種以上情感識別方法，聯合處理多個數據來源，使得情感識別結果更可靠。另外，在多模態情感識別中，將腦電、心電、皮膚電等生理信號作為數據輸入會更具客觀性。若同時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確性。多模態情感識別雖具挑戰性，但因其精確的情感識別結果逐漸受到眾多情感投入研究者的青睞。

3.情感驅動，深化在線課程情感投入設計

在在線學習過程中，師生時空分離，師生間缺乏面對面實時的溝通交流，從而使學習者在心理上產生孤獨感，并缺乏學習歸屬感。因而，教師在設計在線課程時，不僅要考慮內容的設計，還應該關注課程中的情感投入設計，當前較為普遍的做法是設計多樣的交互性活動，促進師生、生生間互動，從而提升情感投入度。此外，為學習者提供個性化的學習支持服務也是不容忽視的重要舉措。教師的學習支持服務包括對學習者情感方面的支持，即引導學習者深度參與在線課程，從而最大程度地協助學習者完成學習任務，提高學習者在線學習的情感投入。

4.聚焦過程，關注在線學習中的情感變化

情感投入在一定程度上能夠影響課程體驗、學習收獲以及學習績效，但情感體驗是一個動態變化的變量，這給情感識別與測量，以及后續調整教學策略與方法帶來了極大的挑戰。因此，在在線學習過程中，教師應關注學習者情感變化，可基于人工智能技術采用多種渠道持續性地采集學生情感數據，如學生腦電信號變化、眼動信號變化、面部表情變化等，獲取學生積極情感形成的證據，并據此總結與分析產生的原因，弄清楚是學習活動、學習內容還是學習方式導致學生產生積極的學習情感，并加以提煉和總結，融入到后續的課程設計中。

5.能力為核，提升學習者在線學習素養

由多元回歸分析研究可知，在在線學習中，學習者的情感投入水平提升主要從學習者個體特征、教師情感支持和同伴參與學習三個因素出發，學習者個體特征對在線學習情感投入的影響最大，其中學習者在線學習素養是保證在線學習績效的重要基礎。因此，有必要加快提升學習者在線學習素養，具體建議：第一，樹立正向的在線學習觀。在線學習觀是學習者有效參與在線學習的前提，這要求學習者摒棄功利心態，增強主動學習意識，正確認識在線學習，將在線學習看作是與線下學習同等重要的學習方式，用正向心態面對在線學習。第二，在在線學習過程中，學習者需要自覺培養在線學習能力，尤其是自我管理能力、在線協作能力，積極有效地參與各類在線學習活動，進而科學地提高學習績效。[19]第三，建立良好的在線學習倫理規范。良好的倫理規范要求在線學習者尊重知識產權，保護他人隱私，規范發言，不做違反法律和道德的事情。

參考文獻：

[1]周媛，韓彥鳳.混合學習活動中學習者學習投入的研究[J].電化教育研究，2018，39（11）：99-105.

[2]莊美琪，譚小慧，樊亞春，等.基于卷積神經網絡的三維動畫表情生成及情感監督方法[J].重慶理工大學學報：自然科學版，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驗教學過程評價[J].物理實驗，2020，40（09）：20-25+31.

[4]王永固，張晨燾，許家奇，等.基于深度學習的孤獨癥兒童學習情緒智能感知[J].現代教育技術，2021，31（07）： 105-111.

[5]謝盼，張賀.基于面部情緒識別的在線學習過程評價的研究與實現[J].吉林廣播電視大學學報，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.在線學習環境中基于眼動特征情感識別研究[J].計算機技術與發展，2021，31（03）：186-190.

[8]傅洪裕，吳蔚，李新德.面向自然狀態的眼動情感識別[J].指揮信息系統與技術，2021，12（04）：75-79+85.

[9]薛耀鋒，李卓瑋.基于眼動追蹤技術的在線學習認知負荷量化模型研究[J].現代教育技術，2019，29（07）：59-65.

[10]王改花，傅鋼善.知識類型、呈現方式與學習風格對大學生在線學習的影響—基于眼動的證據[J].現代教育技術，2021，31（09）：45-54.

[11]刁永鋒，劉明春，楊海茹.網絡視頻公開課程學習行為眼動實驗研究[J].現代教育技術，2014，24（11）：81-87.

[12]郝琰，石慧宇，霍首君，等.基于腦電信號深度學習的情感分類[J].應用科學報，2021，39（03）：347-356.

[13]晁浩，馬慶敏，劉永利.利用卷積回聲狀態網絡實現腦電情感識別[J].北京郵電大學學報，2022，45（02）：36-43.

[14]王璐，梁明晶，石慧宇，等.基于腦電時空頻多域特征融合的情感識別研究[J].計算機工程與應用，2023，59（04）：191-196.

[15]謝靜.小學生在線學習情感投入研究[D].武漢：華中師范大學，2021.

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

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

[18]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（07）：26-32+46.

[19]文書鋒，孫道金.遠程學習者學習參與度及其提升策略研究—以中國人民大學網絡教育為例[J].中國電化教育，2017（09）：39-46.

作者簡介：朱龍（1988.10—），副教授，博士，研究方向為信息化教學創新、智能教師教育。

基金資助：廣東省教育科學規劃課題“設計思維視域下高校混合式教學中深度學習活動的設計與應用研究”（2019GXJK173）；廣東省哲學社會科學規劃2023年度青年項目“人工智能視域下教師設計思維智能測評與應用研究”（GD23YJY05）；廣東第二師范學院2023年度國家級大學生創新創業訓練項目“國家智慧教育平臺賦能鄉村教師發展數字化轉型的現狀與策略研究”（202314278015）。