基于情感学习本体的教学反馈策略生成算法的研究*

陶小梅，牛秦洲

(桂林理工大学信息科学与工程学院，广西 桂林 541004)

1 引言

本体(也称“本体论”)源自于一个哲学概念，是指关于存在及其规律的学说。Neches R等人[1]将本体定义为“给出构成相关领域词汇的基本术语和关系，以及利用这些术语和关系构成的规定这些词汇外延的规则的定义”。智能教学系统指的是不需要由人干涉，可以直接给学生提供定制化教学和反馈的计算机系统[2]。情感智能教学系统指的是具有情感识别能力、能根据学生的情绪状态进行反馈的情感智能教学系统，这类系统主要是针对传统智能教学系统中情感缺失的问题提出来的。关于情感学习的研究在情感识别方面已经取得了很大的进展，学习者的情感状态可以通过多种不同的方法获取，如采用情感认知模型进行推理[3]，或者通过学习者的面部表情、姿态行为、生物信号等进行提取分析[4～6]。但是，关于理解学生情感状态的产生原因以及如何生成合理的认知和情感方面的反馈仍需进一步研究。

目前，对本体在智能教学系统中的应用的研究主要是关注领域模块中的本体、学习对象元数据本体、教学本体和学习者本体。在我国教育信息化技术标准委员会制定的网络教育技术标准体系中，标准学习者模型规范(CELTS-11)[7]缺乏对学习者的个性情感的描述，同样在教学本体中涉及到的关于教学策略的描述也尚未涉及情感方面的反馈。因此，本文考虑将情感本体引入智能教学系统，提升系统在情感方面的反馈和支持。

传统的智能教学系统是根据学习者的认知信息进行反馈的，比如说根据学生回答问题的答案是否正确、学生学习某个知识点的持续时间来指定相应的反馈策略[8, 9]，称之为“认知触发”的反馈。但是，在实际课堂教学中，在学生学习的过程中教师会根据学生的表情判断学生的认知状态，并给出相应的反馈，称之为“情感触发”的反馈[10, 11]。本文先前的工作研究了“情感触发”的检测，设计了一种通过检测学习者眨眼频率对学习过程中产生的情感状态进行分类的方法。该方法首先根据学习者的眨眼频率将其情感状态分为正向或者负向情感；然后再通过贝叶斯网络根据学生信息及教学活动的上下文信息，将负向情感进一步解析出具体的负向情感状态[12]。本文主要研究当检测到情感状态发生变化时，如何采用本体建模的方法解决智能教学系统中由“情感触发”引起的情感理解和情感反馈策略的生成问题。构建了一个情感学习本体用于描述在学习过程中出现的与情感相关的概念及概念之间的关系，对学习者情感和情感方面的反馈给出形式化的描述。将情感学习本体引入到智能教学系统中，使学习者在学习过程中能得到认知和情感的支持。

2 情感本体

2.1 相关研究

目前，国内外已有的关于情感本体的构建的研究有关于情感线索、情感检测、情感表达、情感分类的描述分类和推理[13～15]，不同语种的情感本体的构建[16, 17]，以及如何自动构建情感本体[18～20]。另有Leontidis M[21]、黄津津[22]、赵海燕[23]等人研究了如何结合情感和个体本体应用在E-learning中。上述情感本体中大多都只是描述了关于情感的某些方面的概念，如情感分类、情感线索等，但是都未考虑到情感反馈的相关概念。Leontidis M等人[21]的研究中使用的情感本体包含情感分类及情感反馈策略，但并未对反馈策略进行进一步的组织分类，也未描述情感反馈策略和情感状态之间的联系。综合上述参考文献可以看出，由于在融合了情感支持的智能学习系统环境中，学习情境具有多样性、异构性、时序性和层次性等特点，因此应该采用可扩展的方式来管理，对其进行组织、存储和查找，对情境进行语义表示，以便于计算机理解、利用和处理，以及人和计算机之间的交互与合作。采用本体建模对情境进行语义表示后，可以通过语义的方式显式地定义情境，实现情境共享，还可以使得情境推理变得可能，因此本体是对情感学习环境进行建模的理想选择。但是，仍需弥补目前的情感学习本体中存在的不足：第一，目前的情感学习本体没有结合教学过程进行情境建模，对学生所处在的认知状态信息缺乏明确的规范化的说明，以及缺乏认知状态与情感状态之间的关联关系的说明和推理；第二，对于反馈策略以及反馈资源缺乏合理的组织分类及共享，目前的情感本体主要是针对情感状态情感产生的线索进行分类建模，但是对于认知和情感方面的反馈策略及资源并未进行分类建模。

2.2 情感学习本体的构建

构建情感学习本体的目标是获得相关领域的知识，通过确定该领域认可的词汇，实现对该领域知识的共同理解，使其符合E-learning 中情感学习本体对语义互操作的要求。本文针对现有的情感本体存在的问题以及智能教学系统的具体应用设计了一个情感学习本体，该本体包含对情感分类、情感反馈策略、教学过程、认知状态等的描述。该本体模型可用于推理学生的学习状态并生成适用的认知反馈策略和情感反馈策略集合。图1描述了情感学习环境中的主要概念和关系，该本体从内容上来看，概念和关系主要分为两个部分，一是学习者个体相关的，如学生学习能力、个性、情感状态、认知状态等；二是教学过程相关的，如教学步骤、知识点、反馈等。该本体在两个方面有别于其它情感学习本体：一个是关于认知状态与教学步骤的，由于认知与情感的紧密联系，只有将认知的过程和状态与情感状态联系起来综合建模，才能理解学生的情感状态及产生的原因；另外一个是关于情感与认知的反馈策略的，只有从认知和情感两个方面都对学习者提供支持，才能使学习者收益最大并伴随良好的学习体验。

Figure 1 Ontology model of affective learning图1 情感学习本体模型

(1)学生相关的概念和关系。

Student表示在情感学习环境中学习的学习者，Student=〈Stu_ID,Name,Age,Sex〉，其中Stu_ID为学习者标识。EmotionalState表示学生的情感状态，由NegativeEmotionalState和PositiveEmotionalState组成。情感分类表示法是采用自然语言中的描述情感状态的词汇来表示情感状态，如Ekman的基本情感分类模型中包含了愤怒、讨厌、高兴等六种基本情感状态[24]。由于学生在学习过程中产生的情感状态也只是所有情感状态的一个子集，像愤怒等情感状态一般是不会在学习过程中出现的。针对学习情景中出现的情感状态，其中包含的PositiveEmotionalState有高兴(Happiness)、感兴趣(Interest)和流状态(Flow)，NegativeEmotionalState有无聊(Boredom)、困惑(Confusion)和挫败(Frustration)。“流状态”[25]指的是学习过程中当学习者的能力与学习任务难度相匹配的情况下出现的一种情感状态，学习者对学习任务不会感觉很难或者很容易。为了增强该模型的描述能力，还增加了强度(Intensity)用于描述情感状态的强烈程度。

CognitiveState表示学生所处在的认知状态，具体有Recepting、Anticipating、Retrieving、Perceiving、Encoding、Responding、Reinforcing和Generalising。根据Gagne R M[26]的教育心理学理论，在不同的教学步骤(InstructionalStep)中学生会产生相应的认知状态。根据教学步骤可以确定学生所处在的认知状态，如在“呈现刺激材料”的教学步骤中，学生处在“感知(Perceiving)”认知状态中； 在“提供学习指导”的教学步骤中，学生处在“语义编码(Semantic Encoding)” 认知状态中等等。具体的教学步骤和学生认知状态的对应关系在文献[26]中有详细描述。

(2)教学相关的概念和关系。

KDPoint表示领域知识中的知识点，StandardAnswer指问题的标准答案，StuAnswer是指学生给出的答案。InstructionalStep表示教学步骤[27]，GainingAttention是表示获取学生注意，InformingObjective是指告知学生学习目标，StimulatingRecall是指复习前序相关知识，PresentingStimulus是指呈现刺激材料，ProvidingLearningGuidance是指提供学习指导，ElicitingPerformance是指引出学生表现，AssessingPerformance是指评估学生表现，ProvidingFeedback是指提供反馈，EnhancingRetentionandTransfer是指知识的巩固和迁移。

本体模型中还定义了认知状态类和认知反馈策略类。CognitiveFeedback表示从认知层面对学生进行反馈的策略。其中认知反馈策略类包括继续(GoOn)、重复(Repeat)、举例(GiveExample)和提示(GiveHint)等。EmotionalFeedback表示从情感层面对学生进行反馈的策略。关于情感反馈，文献[28]定义了三种情感反馈方式，分别是正向情感反馈(PositiveEmotionalFeedback)、负向情感反馈(NegativeEmotionalFeedback)和控制负向情感反馈(ControlofNegativeEmotionalFeedback)。正向情感反馈是指向学习者表达正向情感，能让学习者产生、维持和增加正向情感的反馈策略，如赞同(Acceptance)、祝贺(Congratulation)和奖励(Reward)等。负向情感反馈是向学习者表达负向情感让其更加努力，如批评(Criticism)和惩罚(Punishment)。控制负向情感反馈策略包括避免和防止负向情感的产生、控制负向情感的发展、减轻负向情感和将负向情感转化为正向情感，如同情(Sympathy)、鼓励(Encouragement)。

hasstudied表示学生已学习过某知识点，hasstudied={〈x，y〉|x∈Student∧y∈KDPoint∧x学习过y}。

hasinhabit表示学生正在学习某知识点，hasinhabit={〈x，y〉|x∈Student∧y∈KDPoint∧x正在学习y}。

isininstructionalstep表示学生正处在某个教学步骤，isininstructionalStep={〈x，y〉|x∈Student∧y∈InstructionalStep∧x正处在教学步骤y}。

hassequence表示KDPoint间存在一种传递性的时序关系，hassequence={〈x，y〉|x，y∈KDPoint∧x先于y}。

hasEmotionalFeedbackTactic描述情感状态和情感反馈、认知状态和情感反馈之间的关系；hasCognitiveFeedbackTactic描述情感状态和认知反馈、认知状态和认知反馈之间的关系。

3 情感分析推理

基于本体的推理方法通过本体描述语言将学习者的个人信息、学习状态、学习过程、学习资源及这些概念之间的关系和推理规则定义成本体、本体的属性和约束关联关系，通过本体的推理实现对学生的学习状态的推理分析，本文中通过情感推理引擎来实现。由前面情境信息本体模型里定义的所有相关概念及关系，可以分析出学习者在学习过程中不同情境下的学习状态。推理引擎的特点是不仅采用学生学习情境中的认知信息，还加入了学生情感状态做为推理依据。具体推理规则如下：

推理1对学习活动合理性的推理规则。

(〈Stui,KDPi〉∈hasinhabit)∧((〈KDPi_pre,KDPi〉∈hassequence)∧(〈Stui,KDPi_pre〉∈hasstudied)) ∨((〈Stui,InformingObjective〉∈isininstructionalstep)∧(〈Stui, PositiveEmotionalState〉∈hasemotionalstate)))→学习活动合理，即学生Anticipating状态为正，〈Anticipating, Positive〉∈hasvalue。

推理的依据为以下条件二者之一成立即认为学习活动合理：一是学生正在学习知识点KDPi，并且Stui已经学习过该知识点的先行知识点KDPi_pre；二是学生在知识点KDPi的告知学习目标阶段有正向的情感状态值(包括Happiness、Interest或者Flow)。

推理2对学生先行知识点掌握情况的推理规则。

(〈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))))→学生先行知识点KDPi_pre掌握情况不理想，即学生Retrieving值为负，〈Retrieving, Negative〉∈hasvalue。

推理的依据为以下条件二者之一成立即认为学生先行知识点KDPi_pre掌握情况不理想：一是学生对当前知识点的先行知识点的相关问题回答不正确；二是通过学生在学习当前知识点的复习相关知识阶段的情感状态为困惑或者挫败感，也可以推理得到学生的先行知识点掌握不理想。

推理3对当前知识点感知情况的推理。

(1)(〈Stui,KDPi〉∈hasinhabit)∧(〈Stui, PresentingStimulus〉∈isininstructionalstep)∧ (〈Stui,Happiness〉∈hasemotionalstate∨〈Stui,Flow〉∈hasemotionalstate)→学生对知识点感知状态为正向，即〈Perceiving, Positive〉∈hasvalue。

(2)(〈Stui,KDPi〉∈hasinhabit) ∧(〈Stui, PresentingStimulus〉∈isininstructionalstep)∧ (〈Stui,Confusion〉∈hasemotionalstate∨〈Stui,Frustration〉∈hasemotionalstate)→学生对知识点感知状态为负向，即〈Perceiving, Negative〉∈hasvalue。

学生在教师呈现刺激材料的教学步骤中对应处在的认知状态为Perceiving。若学生产生的情感状态为Happiness或者是Flow，则认为学生能正确感知当前学习的知识点；若学生产生的情感状态为Confusion或者是Frustration，则认为学生不能正确感知当前学习的知识点。

推理4对知识点理解效果的推理。

(1) (〈Stui,KDPi〉∈hasinhabit)∧(〈Stui,ProvidingLearningGuidance〉∈isininstructionalstep)∧ (〈Stui,Happiness〉∈hasemotionalstate∨〈Stui,Flow〉∈hasemotionalstate)→学生对知识点的理解状态为正向，即〈Encoding, Positive〉∈hasvalue。

(2)(〈Stui,KDPi〉∈hasinhabit) ∧(〈Stui, ProvidingLearningGuidance〉∈isininstructionalstep)∧ (〈Stui,Confusion〉∈hasemotionalstate∨〈Stui,Frustration〉∈hasemotionalstate)→学生对知识点理解状态为负向，即〈Encoding, Negative〉∈hasvalue。

学生在教师提供学习指导的教学步骤中对应处在的认知状态为Encoding。若学生产生的情感状态为Happiness或者是Flow，则认为学生能理解当前学习的知识点；若学生产生的情感状态为Confusion或者是Frustration，则认为学生不能理解当前学习的知识点。

推理5对知识点掌握效果的推理。

(1)(〈Stui,KDPi〉∈hasinhabit)∧(〈Stui,ProvidingFeedback〉∈isininstructionalstep)∧(〈Stui,Happiness〉∈hasemotionalstate∨〈StuAnsi,AnsKDPi〉∈isconsistencewith)→ 学生对知识点掌握效果好，即〈Reinforcing, Positive〉∈hasvalue。

(2)(〈Stui,KDPi〉∈hasinhabit)∧(〈Stui,ProvidingFeedback〉∈isininstructionalstep)∧(〈Stui,Confusion〉∈hasemotionalstate∨〈Stui,Frustration〉∈hasemotionalstate∨〈StuAnsi,AnsKDPi〉∉isconsistencewith)→ 学生对知识点掌握效果不好，即〈Reinforcing,Negative〉∈hasvalue。

学生在教师反馈的教学步骤中所处在的认知状态为Reinforcing。若学生产生的情感状态为高兴或者学生的答案正确，则认为学生掌握了知识点。若学生产生的情感状态为挫败或者困惑，或者学生的答案不正确，则认为学生没有掌握知识点。

上述推理可以根据学生情感状态、教学步骤等情境信息推断出学生的认知状态。特别是推理2和推理3的增加，可以在不需要和学生进行问答交互的情况下获得学生学习过程的感知和理解状态，这在以往的“认知触发”的反馈机制中是无法做到的。另外，由于无法仅根据情感状态或者认知状态决定该采取怎样的反馈策略，因此设计了一个基于情感学习本体的、综合考虑学生情感状态和认知状态的反馈策略生成算法。

4 基于情感学习本体的反馈策略的生成算法

在情感智能教学系统中反馈主要有两种形式，一种是认知层面的反馈，另一种是情感层面的反馈，这两种反馈形式可以独立存在，也可以同时存在。由于认知和情感直接存在的相互影响的复杂关系，学生的认知状态和情感状态都分别会对情感反馈策略和认知反馈策略的选择产生影响。本算法的主要思想是采集当前场景中的信息并根据推理规则1～5进行推理，获取学生的认知状态，提取场景中学生的情感状态和推理结果中的认知状态，并对本体中的hasEmotionalFeedbackTactic和hasCognitiveFeedbackTactic关系相关的三元组进行操作，得到相应场景需要的情感反馈策略和认知反馈策略集合，再根据学习者个体信息进行决策。算法主要步骤描述如下：

步骤1InfoSet=〈Stui,KDPi,instructionalstep,emotionalstate,StuAnsi,AnsKDPi〉/*获取学生情境信息六元组并放置在信息采集集合InfoSet中*/

步骤2for(reseaoner_ID=1 to 5)

cognitivestate=reseasoning_service(reseaoner_ID,InfoSet)/*遍历执行推理1至推理5服务，获取学生认知状态*/

步骤3A1=∅;A2=∅;B1=∅;B2=∅; /*初始化反馈策略选择模型*/

步骤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

/*获取针对学生所处的认知状态和情感状态适用的反馈策略集合A1、A2、B1、B2，表1和表2中给出了部分情感状态、认知状态和反馈策略之间的关系*/

步骤5CognitiveFeedback=A1∩A2;

EmotionalFeedback=B1∩B2;

Result={CognitiveFeedback,EmotionalFeedback};

/*将查询结果进行求交处理并放入Result集合内*/

步骤6若情感或认知反馈策略不止一项时，根据学生的具体情况从认知反馈策略集合和情感反馈策略集合中选择个性化的认知反馈策略和情感反馈策略。此步骤仅考虑对学生处在负向情感状态时如何选择反馈策略组合。

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

THENCognitiveFeedback=ReviewPrerequisiteKnowledgePoint

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

THENCognitiveFeedback=Pause

ELSE IF (GiveExampleorGiveHintorRepeat∈CognitiveFeedback)

THENCognitiveFeedback=GiveExampleorGiveHintorRepeat

/*根据先行知识点掌握情况和学生学习能力选择不同的认知反馈策略*/

IF(EmotionalStateIntensity==1 )

THENEmotionalFeedback=Encouragement

ELSE IF (EmotionalStateIntensity==2)

THENEmotionalFeedback=EncouragementandRelief

ELSE IF (EmotionalStateIntensity==3)

THENEmotionalFeedback=EncouragementandReliefand sympathy

/*当情感状态强度值取不同的值时选择不同的情感反馈策略*/

步骤7Generating cognitive feedback and emotional feedback/*根据反馈策略实例化具体的反馈*/

Table 1 Relationship between emotional stateand emotional/cognitive feedback tactics

Table 2 Relationship between cognitive stateand emotional/cognitive feedback tactics

5 算法实例应用

将基于情感学习本体的教学反馈策略生成算法应用至一个情感智能教学系统，以生成具体的反馈信息，该系统采用JSP+Flex+MySQL技术开发。系统采用的主体教学资源为C语言程序设计教学视频，预先将选取的教学视频分段标记出其表述的概念、所处在教学事件，并将这些信息存入MySQL数据库中。系统支持FLV格式或者是MP4视频文件。动画Agent采用微软agent中的可编程的即时交互性动画角色Merlin角色作为导师角色。系统的情感学习本体(AffectiveLearningOntology)采用斯坦福大学的protégé OWL 4.0构建，图2为AffectiveLearningOntology的片段。通过Java的API接口Jena将C语言程序设计本体[29]读入MySQL数据库，并对本体进行查询。

Figure 2 Part of the AffectiveLearningOntology图2 AffectiveLearningOntology的片段

5.1 应用实例

应用实例采用的教学视频是C语言程序设计中的“指针与数组”章节的内容，时长约30分钟，该章节与前序知识点“指针”与“数组”关系密切，其难度在整个课程中处于中等偏上，在学习过程中容易引发学生的负向情感状态。由于选取的章节处在教学进程后期，因此实验中用户的前序知识点的学习情况需在系统中预先设定好，如表3所示。

另外，设定学习能力为“High”。由于重点是对反馈策略生成算法的验证，为避免由于情感识别算法的准确率带来的影响，学生的情感状态及强度是通过交互界面主动报告获取的。在学习过程中由用户通过交互界面输入其情感状态和强度，系统自动获取情境信息并进行推理，然后给出反馈，部分交互片段如表3所示，为方便描述，知识点采用编号表示。

Table 3 Parts of cases list produced in the study

图3为基于本体的情感智能视频教学系统片段5的运行截图，当学习者观看视频学习至“一维数组与指针”的程序举例的时候，输入情感状态为困惑状态2级，InfoSet=〈‘Tom’, ‘PointertoArray’, ‘ProvidingLearningGuidance’, ‘Confusion’, ‘2’, ‘∅’, ‘∅’ 〉。遍历访问推理服务1至5，可以与推理2和推理4匹配并生成推理结果。根据推理4的结果，可以得出学生Tom对于知识点PointertoArray(Kdp85)的理解状态(Encoding)为负。根据推理规则2查找出信息元组中的PointertoArray的先行知识点PointerDataType的问题中学生答案和标准答案不一致，因此推理出对于PointertoArray的先行知识点掌握情况不理想。根据学生所处在的认知状态(Encoding〈Negative〉)和情感状态(Confusion)查询得到的认知反馈策略和情感反馈策略。根据认知反馈策略的选择规则从中选择的认知反馈策略为复习先行知识点ReviewPrerequisiteKP。情感强度为2级，根据情感反馈策略的选择规则情感反馈策略分别为Relief和Encouragement。最后将反馈策略实例化为具体的反馈语言和学习资源。情感反馈是对学生的安慰和鼓励，即“别担心，你能行的”，认知反馈是对学生知识缺陷进行弥补，即进入到相应的指针数据类型的视频片段进行播放复习。

5.2 实例分析

从表3的片段中可以看出，该算法可以根据教学的上下文环境及学生的情感信息生成不同的情感反馈和认知反馈组合。片段1是对复习阶段用户产生的无聊情感状态表示接受并建议跳过本段并直接进入下一段；片段4是对复习阶段的困惑情感状态表示同情，并鼓励安慰用户，建议复习前序知识点；片段2、3、5、6是对在讲解知识点的阶段产生的困惑状态提供了不同的反馈；片段7是对挫败感表示同情并解释答案。综上所述，通过对用户的情感状态及上下文信息推理出用户的认知状态，并根据情感本体生成情感反馈和认知反馈组合的算法是可行的。根据对用户的调查问卷表明，用户能在学习过程中情感状态发生变化时及时与系统交互，系统生成的及时情感反馈能帮助用户在学习过程中及时调节情绪以利于继续学习，系统生成的认知反馈对用户在领域知识方面的学习有一定的帮助作用，但认知反馈的针对性还需进一步增强。

Figure 3 A snap shot of the affective learning system on the basis of ontology图3 基于本体的情感智能视频教学系统运行截图

5.3 算法比较

表4对本算法与其它算法的功能和性能从是否采用本体管理情感信息、是否能识别情感状态、是否能提供认知反馈、是否能提供情感反馈、是否提供实时反馈等几方面进行比较。从表4中可以看出，本文的算法除了仍需用户主动报告情感状态外，能采用本体对情感信息进行组织管理和推理，并能提供实时的认知和情感反馈。本算法的优势是结合教学过程建模并对反馈策略进行分类，该算法可以适用于各类教学资源，包括定制的教学系统、教学网站、教学视频等等，只需标注出资源的教学过程属性即可。另外，还能将诱发学生情感状态的动画、音乐、视频片段等作为反馈资源，能提供良好的管理和扩展。

Table 4 Comparison among different algorithms

6 结束语

为了使智能教学系统能够对学习者进行更好的支持，特别是解决情感理解和情感反馈的问题，本文构建了一个情感学习本体，用于描述在学习过程中出现的与情感相关的概念及概念之间的关系，该本体可以用于推理分析学生的学习情况，并设计了基于该本体的教学反馈策略生成算法。实验结果表明，该算法能根据学习者的学习情况选择适当的认知反馈和情感反馈策略，使其在学习过程中能得到认知和情感的支持。

下一步还将结合教育心理学进一步完善反馈机制，进一步增加结合知识点难度、学生个性等因素设计更为个性化的反馈。另外，情感反馈规则还需结合具体的教学事件进一步细化，并将反馈的时机考虑至反馈的规则中。该系统目前仅对C语言程序设计课程知识本体中的部分对象性质推理学生的认知缺陷，还可以对该本体领域知识进一步地应用，扩大对学生可能存在的知识缺陷的搜索范围，为学生构建完整的知识网络提供帮助。

[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.

附中文参考文献：

[3] 乔向杰, 王志良, 王万森. 基于 OCC 模型的 E-learning 系统情感建模 [J]. 计算机科学, 2010, 37(5):214-218.

[7] 中国网络教育技术标准体系学习者模型(CELTS-11) [S]. 北京：教育信息化技术标准委员会，2012.

[8] 冯庆煜. SMIL 自适应导学在线教学系统研究 [J]. 计算机应用, 2006, 26(3):754-756.

[9] 刘瑞献, 高岭. 一个个性化网络教学系统研究 [J]. 计算机应用与软件, 2009, 26(10):143-145.

[11] 张晓健, 廖开际. 移动协作学习的上下文感知模型研究 [J]. 计算机应用与软件, 2010, 27(12):33-36.

[12] 陶小梅, 牛秦洲. 情感学习中基于检测眨眼频率和贝叶斯网络的情感分类算法 [J]. 计算机科学, 2013, 40(12):287-291.

[15] 赵涓涓. 图像视觉特征与情感语义映射的相关技术研究 [D]. 太原：太原理工大学, 2010.

[19] 郭冲, 王振宇. 面向细粒度意见挖掘的情感本体树及自动构建 [J]. 中文信息学报, 2013, 27(5):75-83.

[20] 史伟, 王洪伟, 何绍义. 基于知网的模糊情感本体的构建研究 [J]. 情报学报, 2012, 31(6):595-602.

[22] 黄津津, 刘云, 詹永照. 基于本体的E-learning 环境个性化服务处理方法 [J]. 计算机应用研究, 2010, 27(1):184-188.

[23] 赵海燕,詹永照,王传安.基于情境感知和本体的E-learning 系统研究 [J]. 计算机工程与应用, 2012, 48(16):51-56.