人工智能视域下在线学习情感投入测量研究：方法与动向

朱龙 谢雪淇 曹灿芬 杨婕妤

摘要：本研究采用内容分析法，基于2010-2022年间发表的21篇中文教育类核心期刊论文分析，发现在线学习情感投入的测量方法及影响因素，并提出了未来推进在线学习情感投入测量与应用的策略。

关键词：人工智能；在线学习；情感投入；方法；动向

中图分类号：G434  文献标识码：A  论文编号：1674-2117（2023）15-0092-05

引言

学习投入是衡量学习者在线学习状态的重要指标，与学习者的学习持续性、学业完成情况以及学业满意度显著相关。在线学习投入包括认知投入、行为投入和情感投入。其中，情感投入是指学习者在学习过程中的情感反映，表现为学习者在学习过程中的情感态度与体验，如兴趣、价值观、好奇、悲伤等。[1]情感投入是行为投入和认知投入的基础，是影响学习质量的关键因素。如何测量在线学习情感投入，并据此采用有效的策略干预在线学习成为研究领域关注的焦点。人工智能赋能在线学习，为情感投入测量提供新的方法与路径，特别是深度识别方法、学习行为大数据分析、脑电等技术的引入，无不在加速推动情感投入测量迈向科学化与精准化。但在人工智能视域下如何测量情感投入？其未来发展动向怎样？鲜有研究回答上述问题。基于此，本研究选择2010—2022年发表在中文教育学类核心期刊的论文，采用内容分析法进行系统分析，以期为在线学习情感投入研究与实践提供参考与借鉴。

样本选取与分析方法

1.样本的选取

本研究在CNKI中国期刊全文数据库中以“在线学习”与“情感投入”为组合关键词，以“CSSCI”“核心期刊”为筛选条件，查找已发表期刊文献，检索跨度为2010—2022年，共检索到21份样本。

从整体来看，在线学习情感投入论文呈现上升的趋势，最早的文章发表于2016年，随后逐年增加，2020年在线学习与线下学习逐步迈向融合化。此外，论文标题分析显示，研究在线学习的论文有12篇，占57.1%，研究混合学习及其他模式的有9篇，占42.8%。

2.研究方法

本研究采用内容分析法对样本论文进行统计分析。

在线学习中情感投入测量方法

情感投入测量准确与否对后续学习干预具有重要影响。在在线学习中，情感投入测量方法主要包括面部表情检测、眼动信号识别、脑电信号检测以及问卷调查。

1.基于面部表情的情感投入测量研究

在教学过程中，学习者对不同教学内容、活动表现出喜欢、厌恶会产生不同的表情，这些表情能呈现学习者的情感状态。采用面部情感识别技术获取、分析面部表情，有助于科学识别学习者情感投入状态，对学习者进行情感监督，从而有针对性地采取情感干预策略，提升在线学习效率。具体案例如表1所示。

面部情感识别通过获取面部表情来量化和表征情感投入的程度。[6]基于面部表情的情感识别研究主要通过在视频图像中捕捉面部表情，对其预处理，通过模型进行计算得到学习者情感状态，准确度能达到80%以上。但其仅能识别出快乐、厌恶、讨厌、嫌弃等简单的表情信息，而人的表情是复杂多变的，所以，面部情感识别还需针对人的表情建立更丰富的数据库，对影响人面部表情状态的因素做更深入的研究。

2.基于眼动信号的情感投入测量研究

在在线学习过程中，学习者眼动信息丰富，包含了瞳孔直径大小、眼跳、眨眼频率等生理信号，这些信号在一定程度上能够反映学习者的快乐、愤怒、惊讶、中性等情感状态。[7]在研究中，研究者多基于眼动特征模型，运用眼动仪采用非侵入式的方法收集学习过程眼动数据，包括注视次数、注视时间、瞳孔直径等，以此实现对学习过程情感投入状态的分析。具体案例如表2所示。

眼动是学习者在信息提取过程中的重要行为表现，能有效反映学习者学习情感状态，但当前相关研究采用的特征方法较为简单，并且绝大多数实验均选择了视力无需矫正的被试者，未考虑近视或有其他视力问题的学习者的情况。此外，当前研究还存在学习者眼动特征指标不统一、眼动与情感之间的关联有待明确等问题，上述问题制约了眼动研究与实践的发展。

3.基于脑电信号的情感投入测量研究

科学家发现，人类的认知活动以及情感表达均可以通过脑电信号反映出来。基于脑电信号进行情感识别的研究大多采用基于皮层EEG传感器数据的脑网络，通过分析得出不同情感状态下大脑神经元信号。脑电信号（Electroencephalogram，EEG）由于其具有实时差异性与不易伪装性等特点，使用EEG识别在线学习情感状态已成为一个新的研究热点。具体案例如表3所示。

相比于面部表情、行为和言语等情感识别方法，基于脑电信号的情感识别更具客观性，不受学习者主观意识的影响。但由于采集脑电信号对环境、设备要求较高，当前相关研究多集中于实验室环境，如何在常态化环境中实现脑电信号采集与分析仍有待进一步探索。

4.基于问卷调查的情感投入测量研究

情感投入既可以是一種客观状态，也可体现为一种主观的体验。综合研究分析发现，研究者多从消极情感体验、积极情感体验两个方面构建情感投入模型，并据此展开问卷调查，然后再基于回归分析、因素分析、相关分析等方法，并辅以互动内容的质性分析来识别学习投入情况。具体案例如表4

所示。

目前，基于问卷调查学生情感投入的测量方法主要是通过分析问卷结果来进行，这种方法比较简单易行。但这种测量方法极易受学生主观想法影响，具有不确定性，此外，当前研究主要是调查学生学习投入，从而得到情感投入、认知投入和行为投入的水平，专门针对情感投入较为公认的理论模型尚未形成。除以上四种情感识别的方法之外，还有文本、语音、微表情等模态可用于情感识别研究。[18]当前也有学者将两种或两种以上的模态融合起来，进行多模态情感识别计算研究，得到的情感识别结果更全面，准确率更高。

在线学习情感投入未来发展动向

1.整合脑电信号，推动投入度识别科学化

基于面部表情的情感投入识别、基于眼动信号的情感投入识别、基于问卷的情感投入分析相比于脑电信号情感投入识别都更容易受学习者主观因素的影响。因为脑电信号情感投入识别是依托学习者的客观生理信号，对学习者的脑电信号进行捕捉处理，既不受外界环境的影响，也不受学习者主观行为的影响，脑电信号情感投入识别方法可信度更高，更加科学。因此，运用脑电信号识别在线学习投入正成为当前情感识别热点领域，但受技术和设备的影响，脑电信号采集存在易受外界干扰，难以大面积同步采集等问题。

2.多模态数据融合，精准识别情感投入度

单一的情感投入测量方法存在各式缺点，因而，需发展多模态的情感识别方法，运用多种情感数据来源客观识别情感投入，以达到准确性更高、识别范围更广的情感投入识别。多模态情感识别结合两种或两种以上情感识别方法，联合处理多个数据来源，使得情感识别结果更可靠。另外，在多模态情感识别中，将脑电、心电、皮肤电等生理信号作为数据输入会更具客观性。若同时使用上述两种或两种以上的生理信号，将大大提高情感投入识别的准确性。多模态情感识别虽具挑战性，但因其精确的情感识别结果逐渐受到众多情感投入研究者的青睐。

3.情感驱动，深化在线课程情感投入设计

在在线学习过程中，师生时空分离，师生间缺乏面对面实时的沟通交流，从而使学习者在心理上产生孤独感，并缺乏学习归属感。因而，教师在设计在线课程时，不仅要考虑内容的设计，还应该关注课程中的情感投入设计，当前较为普遍的做法是设计多样的交互性活动，促进师生、生生间互动，从而提升情感投入度。此外，为学习者提供个性化的学习支持服务也是不容忽视的重要举措。教师的学习支持服务包括对学习者情感方面的支持，即引导学习者深度参与在线课程，从而最大程度地协助学习者完成学习任务，提高学习者在线学习的情感投入。

4.聚焦过程，关注在线学习中的情感变化

情感投入在一定程度上能够影响课程体验、学习收获以及学习绩效，但情感体验是一个动态变化的变量，这给情感识别与测量，以及后续调整教学策略与方法带来了极大的挑战。因此，在在线学习过程中，教师应关注学习者情感变化，可基于人工智能技术采用多种渠道持续性地采集学生情感数据，如学生脑电信号变化、眼动信号变化、面部表情变化等，获取学生积极情感形成的证据，并据此总结与分析产生的原因，弄清楚是学习活动、学习内容还是学习方式导致学生产生积极的学习情感，并加以提炼和总结，融入到后续的课程设计中。

5.能力为核，提升学习者在线学习素养

由多元回归分析研究可知，在在线学习中，学习者的情感投入水平提升主要从学习者个体特征、教师情感支持和同伴参与学习三个因素出发，学习者个体特征对在线学习情感投入的影响最大，其中学习者在线学习素养是保证在线学习绩效的重要基础。因此，有必要加快提升学习者在线学习素养，具体建议：第一，树立正向的在线学习观。在线学习观是学习者有效参与在线学习的前提，这要求学习者摒弃功利心态，增强主动学习意识，正确认识在线学习，将在线学习看作是与线下学习同等重要的学习方式，用正向心态面对在线学习。第二，在在线学习过程中，学习者需要自觉培养在线学习能力，尤其是自我管理能力、在线协作能力，积极有效地参与各类在线学习活动，进而科学地提高学习绩效。[19]第三，建立良好的在线学习伦理规范。良好的伦理规范要求在线学习者尊重知识产权，保护他人隐私，规范发言，不做违反法律和道德的事情。

参考文献：

[1]周媛，韩彦凤.混合学习活动中学习者学习投入的研究[J].电化教育研究，2018，39（11）：99-105.

[2]庄美琪，谭小慧，樊亚春，等.基于卷积神经网络的三维动画表情生成及情感监督方法[J].重庆理工大学学报：自然科学版，2022，36（01）：151-158.

[3]龚雅云，唐小煜，刘思睿，等.基于面部情绪识别的物理实验教学过程评价[J].物理实验，2020，40（09）：20-25+31.

[4]王永固，张晨焘，许家奇，等.基于深度学习的孤独症儿童学习情绪智能感知[J].现代教育技术，2021，31（07）： 105-111.

[5]谢盼，张贺.基于面部情绪识别的在线学习过程评价的研究与实现[J].吉林广播电视大学学报，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，陈心怡.在线学习环境中基于眼动特征情感识别研究[J].计算机技术与发展，2021，31（03）：186-190.

[8]傅洪裕，吴蔚，李新德.面向自然状态的眼动情感识别[J].指挥信息系统与技术，2021，12（04）：75-79+85.

[9]薛耀锋，李卓玮.基于眼动追踪技术的在线学习认知负荷量化模型研究[J].现代教育技术，2019，29（07）：59-65.

[10]王改花，傅钢善.知识类型、呈现方式与学习风格对大学生在线学习的影响—基于眼动的证据[J].现代教育技术，2021，31（09）：45-54.

[11]刁永锋，刘明春，杨海茹.网络视频公开课程学习行为眼动实验研究[J].现代教育技术，2014，24（11）：81-87.

[12]郝琰，石慧宇，霍首君，等.基于脑电信号深度学习的情感分类[J].应用科学报，2021，39（03）：347-356.

[13]晁浩，马庆敏，刘永利.利用卷积回声状态网络实现脑电情感识别[J].北京邮电大学学报，2022，45（02）：36-43.

[14]王璐，梁明晶，石慧宇，等.基于脑电时空频多域特征融合的情感识别研究[J].计算机工程与应用，2023，59（04）：191-196.

[15]谢静.小学生在线学习情感投入研究[D].武汉：华中师范大学，2021.

[16]代晋军，龚菂，冯宁文.在线教学的学习投入度分析[J].教師教育论坛，2021，34（07）：41-45+58.

[17]朱丹丹，杨滨.后疫情时代大学生在线学习投入度提升策略研究[J].中国教育信息化，2021（10）：1-6.

[18]周进，叶俊民，李超.多模态学习情感计算：动因、框架与建议[J].电化教育研究，2021，42（07）：26-32+46.

[19]文书锋，孙道金.远程学习者学习参与度及其提升策略研究—以中国人民大学网络教育为例[J].中国电化教育，2017（09）：39-46.

作者简介：朱龙（1988.10—），副教授，博士，研究方向为信息化教学创新、智能教师教育。

基金资助：广东省教育科学规划课题“设计思维视域下高校混合式教学中深度学习活动的设计与应用研究”（2019GXJK173）；广东省哲学社会科学规划2023年度青年项目“人工智能视域下教师设计思维智能测评与应用研究”（GD23YJY05）；广东第二师范学院2023年度国家级大学生创新创业训练项目“国家智慧教育平台赋能乡村教师发展数字化转型的现状与策略研究”（202314278015）。