教育机器人情感表达的最优特征模型研究

易军　凌坚韧

关键词：教育机器人 高兴和悲伤 情感表达 特征模型 学习效果

中图分类号：TB47 文献标识码：A

文章编号：1003-0069（2022）01-0106-04

引言

随着人工智能技术不断向各个领域延伸，教育机器人相关研究也不断增加。虽然仍集中在欧美国家，中国、日本、韩国等亚洲国家也开始重视教育领域机器人的发展潜力。教育机器人市场发展迅猛，小度、小艾同学、阿尔法等低成本教育机器人也迅速普及。

教育机器人拥有教学功能、娱乐功能和交流功能，交互方式也将随着技术的发展趋于多样化。然而，提升学习效果仍是教育机器人的主要目标。由于机器人无法通过技术应用的简单相加来保证学习收益，丰富的资源库和多功能语音交互等现代科技的叠加对儿童学习效果的影响是有限的，人们开始尝试将人类的情感表达能力赋予机器人，期望其能更好地辅助学习。

一、教育机器人的情感表达

（一）教育机器人

广义而言，教育机器人是面向教育领域专门研发的、以培养学生分析创造能力和实践能力为目标的机器人，部分教育机器人能够识别用户认知水平，感知表情、动作、语音和外界环境等因素实时调整系统，主要包含教学活动类机器人与教育服务类机器人两大类，其中教育服务机器人面向的用户群体主要是14岁以下的儿童，是本文的主要研究对象。

（二）机器人的情感表达

情感是人对于客观事物是否符合人的需要而产生的态度的体验，它可以通过词汇、姿势、音乐、行为等创造性的形式来表达;事实上机器人并不真正具有情感，而是操作者具有的“同理心”使我们能够将情感依附和扩展到机器人。人的情感表达通过感性认知可以产生模糊的感性综合表征，设计师可以将这种感性的综合表征抽象后应用于设计表达，用户可以通过对情感的认知经验来辨识机器人所表达的情感，专家们尽力使机器人的情感更加真实，这可以避免机器人对人类同理心的操控与欺骗。影响情感表达效果的因素有情感的种类、机器人的模态和角色、面向的用户群体、文化背景、使用情境、动态和个性化表达以及空间距离等。胡荣在与英语教学相关的教育机器人研究中，针对教育机器人的喜怒哀乐四种典型情绪设计了语音情感表达和肢体动作，教育机器人的情感表达将是交互设计未来的发展方向之一。

现有的研究中，机器人可以通过屏幕、眼睛、嘴唇、眉毛、肢体、声音与声调、肢体和头部运动等表达一些基本的情绪，主要包括：愤怒、厌恶、恐惧、惊讶、悲伤、高兴等。有些学者还研究了机器人情感的创造性表达方式，如舞蹈动作、触觉等。通过对小度、巴巴腾、阿尔法等11个中国品牌的二十多款教育机器人的调研发现，教育机器人主要借助视觉表情和语音向用户表达情感，本文将基于这两种模态进行研究。

（三）机器人的情感表达特征研究方法

机器人关键要素和特征的设计会影响人们对机器人情感的认知。评估人们对机器人情感表达的认知程度的量表主要有：机器人面部表情评估量表，同理心量表、心理状态三维度量表、机器人焦虑量表、积极—消极自我报告量表、测量个体对机器人感知的量表、语义差异量表和李克特量表等。本文将选取七点语义差异量表和联合分析法研究哪些要素和特征影响人们对机器人情感表达的认知，并探究群体认知差异。

（四）教育机器人情感表达最优特征模型的作用

机器人可以通过不同的要素和特征表达情感，当某个特征发生变化时，相应情感的识别度也会发生变化，特定情感的效用就会被削减。教育机器人情感表达的最优特征模型是指为教育机器人表达某种特定情感而设计的，能够被目标用户（儿童）准确识别的一种最优的特征组合。在教育机器人设计某种情感表达方式时可以依据相应的最优特征模型来进行细节设计，更加准确地表达情感和达到预期的目的，如图1。

二、教育机器人情感表达的最优特征模型研究（研究一）

高兴和悲伤是人类最基础的情感，机器人在表达这两种情感时均有较强的情绪传递能力，教育机器人表达高兴和悲伤的情感后可能对儿童的学习效果起到促进或抑制的作用，研究这两种情感具有重要意义。研究一探索的教育机器人情感表达的最优特征模型是基于脸部表情和声音两个模态来进行，研究的基础情感为高兴和悲伤。

（一）脸部表情和语音的要素与特征选取

人类绝大多数情感都能够通过面部表情来传达，机器人的面部表情也是传达情感的重要载体。Alisa等人将机器人的脸划分为眼睛、嘴巴、鼻子、眉毛等13个脸部要素，调查研究后发现，教育机器人中很少存在鼻子、脸颊/腮红、头发、耳朵、眼睑等过于具体的要素，通过仔细的筛选比较，实验最终选取了嘴巴、眉毛、眼睛形状、眼睛大小、瞳孔&虹膜、眼距、眼睛颜色和面部颜色这八个要素及相应的特征开展研究（见表1）。

语言也是人类传递情感的一种重要方式，被广泛用于机器人的情感表达。人类能够用语言或非语言（不具有语义含义）建立情感交流的纽带，语言可以较准确地反映情感，但会受到文化背景和情境的制约;非语言也能很好地表达情感，如拟声词汇、音乐、自制语言、乱语、语气词等。不同的情感在语音强度、响度、语调和语速也存在差异。本实验通过网络收集和总结，针对两种情感分别选取了6种不同特征的语音音效，包括3种无语义含义的语音：提示音（S1/H1;S代表Sad，H代表Happy）、拟声词（S2/H2）和音乐（S3/H3），和3种是有具体语义含义的语音：面向结果（S4/H4）和面向过程（S5/H5）的评价，以及语气词（S6/H6）。

（二）研究方法

1.正交试验设计：正交试验设计是指研究多因素多水平的一种试验设计方法。可根据试验的因素数、因素的水平数等需求查找相應的正交表进行试验，实现以最少的试验次数达到与大量全面试验等效的结果。本研究对脸部表情的八个要素及特征进行正交试验设计（L8（43）），得出18个表情组合（见图2），表情展示屏幕的大小参考一般教育机器人的尺寸确定。

2.七点语义差异量表：采用“高兴的—悲伤的”这对具有两极性的形容词对，将其划分7个等值的评定等级来记录被试者对该表情的整体评价（表2）。在设计问卷时，每个分数下增加了相应的程度描述，以便能够更加直观地理解题目的含义。被试将通过七点语义差异量表对每个脸部表情表达的情感评分。

3.联合分析法和均值分析：对评分结果进行联合分析，得出脸部要素的重要性值（表4）和效用值（表5），并确定表达两种情感的脸部特征最优组合;同时对每个语音评分，通过均值分析得出两种情感最优的语音表达方式具有的特征。最后得出高兴和悲伤情感表达的最优特征组合。

（三）实验过程与数据统计

被试包含12名儿童（A组）和12名成年人（B组），儿童年龄为9-13岁，均无教育机器人使用经历。问卷（表2）包含18道脸部表情测试题和12道语音表达测试题，题量适中，被试均能准确理解题目的含义，其中语音均经过处理后在响度上基本保持一致，测试过程中，每个语音播放三遍。实验在咖啡厅等较为安静的场所进行。

24份问卷均为有效问卷，统计后得出被试对正交实验设计的18组表情的评分均值如表3，对12个音效的评分均值如图3。

（四）实验结果分析

1.脸部要素的重要性值分析：总体来说脸部各要素重要性值（表4）最高的是嘴巴，其次是眼睛形状、是否有瞳孔或虹膜，再次是眼睛颜色和是否有眉毛，眼睛大小、眼距和面部颜色的影响较小。

2.脸部特征识别的群体差异和效用值分析（表5）：群体差异：在高兴的情感表达识别中具有群体差异，眼睛形状特征识别的群体差异最明显，儿童认为圆形的眼睛更能表达高兴，而成年人认为椭圆形的眼睛看起来更高兴。

效用值分析：由于本研究得出的最优特征模型的目标用户是儿童，因此，根据A组（儿童组）得出具有最高效用值的表达高兴情感的特征为向上的嘴巴、有眉毛、圆形的眼睛、眼睛较大、有虹膜、近眼距、黄色眼睛和黑色面部。具有最高效用值的表达悲伤情感特征为向下的嘴巴、无眉毛、有缺口的眼睛、眼睛小、无虹膜与瞳孔、中眼距、蓝色眼睛和白色面部。

3.语音特征分析（均值分析）：语音音效评估问卷的评分均值如图3。具有音乐特征的语音（S3/H3）被认为最能表达高兴和悲伤情感，且没有明显群体差异。

（五）最优特征模型

综合以上结果，表达高兴情感的最优特征模型为：高兴的脸部表情组合（向上的嘴巴、有眉毛、圆形的眼睛、眼睛较大、有虹膜、近眼距、黄色眼睛和黑色面部）和具有欢快音乐特征的语音。表达悲伤情感的最优特征模型为：悲伤的脸部表情组合（向下的嘴巴、无眉毛、有缺口的眼睛、眼睛较小、无虹膜与瞳孔、中眼距、蓝色眼睛和白色面部）和具有悲伤音乐特征的语音。经过再次验证，两种情感的最优特征组合具有很强的识别性。

三、教育机器人情感表达对学习效果的影响（实验二）

（一）研究背景

教育机器人的主要衡量标准是对学习产生的影响，如学习动机、学习效率、学习情绪与专注度、学习成果和学习体验等。教育机器人高兴和悲伤的情感表达被儿童识别接受后，能对学习有促进和抑制作用。由于机器人的情感和真实的情感有差异，对学习效果产生的影响也会有区别。相关的研究中，定量研究比较缺乏，然而儿童认知和语言发展水平有限，行为测量法和绩效测量法等定量研究方法具有较高的可信度。

（二）研究假设

实验二将基于研究一成果，探究教育机器人高兴和悲伤的情感表达对学习效果的影响。实验假设：教育机器人高兴的情感表达对学习效果有正面影响，悲伤的情感表达则产生负面影响;这种影响会因性别和任务难度的不同而有差异。

（三）研究方法

本文将通过行为测量（测量用户的答题时长和注意力转移次数）、答题错误率和来衡量对学习效果的影响，并通过配对样本T检验分析这种影响在不同的性别和任务难度下是否有显著差异。

设计简单的教育机器人原型来呈现情感表达方式（图5），用Visual Studio Code设计符合儿童认知的答题界面，并用电脑呈现，测试题为两位数乘除法。

（四）实验设置与被试

设置一个对照组（Ⅰ组：无反馈）和两个实验组（Ⅱ组：接受悲伤的情感反馈;Ⅲ组：接受教育机器人高兴的情感反馈），每个被试同时接受三组实验，实验顺序随机。

实验被试是来自湖南某一乡镇小学五年级的学生（10-11岁），16名被试均没有教育机器人的使用经验。实验共采集了14份有效数据，男女生均为7人，其中4男4女测试了较容易的题目，3男3女测试了较难的题目，如表6。

（五）实验过程

实验准备：提前布置录像设备，实验场景如图6、7。实验前，被试先体验3-5分钟的积木拼接游戲来平缓儿童的情绪，同时向被试详细解释实验的目的和操作流程，避免儿童因好奇心而中断作答流程。

实验中：在被试答题前，先体验三次教育机器人相应的情感反馈，每次答题后也会收到一次反馈。被试每完成一组实验，都会休息3-5分钟再进行另一组测试。

（五）实验结果分析

分别统计出总体、男性、女性、任务难度较低和任务难度较高这五组数据。将这五组数据的对照组（Ⅰ组）和两个实验组（Ⅱ组，Ⅲ组）分别进行配对样本T检验（表7）;答题时长、错误率、注意力转移次数的均值结果如图8，将作为辅助参考数据。分析结果如下：

1.总体分析：Ⅰ组（无处理）和Ⅲ组（接受高兴情感）总体注意力转移次数和错误率对比后p值〈0.05，机器人高兴情感表达对降低错误率和集中注意力有显著的作用;

2.悲伤情感表达效果的性别差异：Ⅰ组（无处理）和Ⅱ组（接受悲伤情感）答题时长p值〈0.05，悲伤的情感使女性的答题时长显著增加;且图8中Ⅱ组女性的注意力转移次数、答题错误率和时长均有提高，而男性的各项数值呈降低趋势，可以看出悲伤的情感对女性的负面影响更加明显，对男性反而存在正向影响，这可能是因为男孩只要被关注到，就会注意力更加集中。

3.高兴情感表达效果的性别差异：Ⅰ组和Ⅲ组男性的注意力转移次数、答题错误率和时长对比后p值〈0.05图8中Ⅲ组男性的注意力转移次数、答题错误率和时长均有所降低，可以看出高兴的情感表达对男性有显著的正向影响;Ⅲ组女性的变化不大，因此，高兴情感对女性影响不大;

4.情感表达与任务难度的关系：高兴和悲伤的情感表达效果与题目难易程度没有明显关联。

（六）對学习效果的影响与性别和任务难度的关联

综上所述，研究结果与实验假设有差异。悲伤的情感表达对女性具有消极影响，对男性反而存在正向影响;高兴的情感表达对男性的有显著的积极影响，对女性的影响则不明显;机器人的情感表达对学习效果的影响与任务难度关系不大。

四、教育机器人最优特征模型的应用

（一）保持设计的统一性

教育机器人高兴和悲伤情感的最优特征模型可以作为教育机器人情感表达设计的依据，使用户有更真实的情感体验，并更好地辅助完成教学目标。建议设计师在设计相应的情感表达方式时参考最优特征模型，并根据实际需要进行调整，例如：由于面部颜色的重要性值较低，对情感表达的准确性影响较小，为了保证设计的统一性，可以将颜色统一设置为黑色或白色。

（二）不同情感的差异性表达

1. 情感种类的差异性表达：总体来讲，高兴的情感表达对儿童学习效果的效果更显著，因此，要尽量多给予高兴的情感反馈。但目标用户的性别不同时，应当采用不同的情感表达模式：针对女性的情感表达模式应当尽量避免使用悲伤情感，而适当提高高兴情感的表达频率;针对男性的情感表达模式中则应当均衡使用这两种情感，并从一定程度上减少了学习过程中的沉默。

2.设计差异：为了提高高兴情感表达的正面影响，可以在音乐中增加有具体语义的语音内容，比如说“你真棒”或者“你真聪明”，还可以增加其他的通道来增强表达，如，使用点头的动作或与音乐频率相匹配的灯光效果，增加悲伤情感的感染力时也可以使用相应的方法。如果想要降低悲伤情感的影响，除了降低使用频率之外，也可以减少悲伤的特征要素，例如，不使用有缺口的眼睛或改变眼睛的颜色，用悲伤的语气词代替悲伤的音乐等。

结语

实验得出教育机器人高兴和悲伤情感表达的最优特征模型对设计有一定指导意义，且通过探究服务类教育机器人的情感表达及其影响发现：不同的年龄群体对教育机器人高兴和悲伤的情感表达有认知差异，教育机器人脸部不同的要素和特征对其情感表达的重要性值和效用值均有区别，在设计时应当充分考虑儿童的需求，根据具体要求进行取舍。就对学习效果的影响而言，教育机器人高兴的情感表达对男性儿童的学习效果提升更显著，而悲伤的情感表达对女性具有较大的负面影响，对男性则可能具有正面影响，可以在设计时考虑其性别差异。本研究主要是从学生的行为方面探究教育机器人情感表达的影响，如何分析儿童情绪的变化也将作为下一步的研究方向。

3334501908237