学术情感学视域下的情感智能结构

提 要：学术情感学作为情感学（即情感科学）的应用分支，是将情感—情绪神经建模应用于教学过程。本研究首次深入阐释该学科内涵，并着重论述在自然和人工智能言语行为情感特征分析模型方面的研究成果。鉴于当前对交际中的情感评估以及行为矩阵中的情绪评估缺乏有效的离散方法，本研究开创性地提出情感智能及其相应的情感人工智能分级结构，涵盖了总体情感智能、情绪生成智能和情感处理智能。基于仿生概念，我们开发了一种新的“智能助手”模型——数字讲师，该模型能够赋予教育智能系统情感处理能力，并进一步创建类似于人类的情感人工智能系统。本研究的实践意义在于，依托人类大脑的神经心理语言学机制，在教学过程中使用神经调节模型，开发深层神经认知构建工具，并通过生物启发的神经调节架构，为创建具有心理情感状态的计算系统提供了可行性方案。①

关键词：学术情感学；神经认知科学；情感智能；共情人工智能；情感模型；AI讲师

中图分类号：H030 """"文献标识码：A """"文章编号：1000-0100（2024）06-0032-9

DOI编码：10.16263/j.cnki.23-1071/h.2024.06.005

1 引言

神经认知科学的迅速发展以及自然智能核心机制研究的新发现，为生物认知系统领域带来新的启发和机遇。这些研究成果为开发全新类型的数字技术奠定了基础，并提供了神经认知“锚点”，大大提升了教育效率，并基于情感反应增强了对新信息的适应能力。（Bachler et al. 2023；Balgabayeva et al. 2024；Brígido Mero et al. 2010；Kaur et al. 2021；Khasilova" 2024；Ponsonn et al. 2022；Zubanova et al. 2023）。

20世纪末，俄罗斯学者В.И. Шаховский首次提出了情感理论假设，强调区分情感学基本概念的必要性。最新研究表明，“情感”作为一个多学科概念，是所有认知过程架构的基础，而这一点在先前研究中往往被忽视（Minsky 1988，2007；Kolmogorova et al. 2024；Мозолевская 2021）。

研究证明，情感在自然智能及适应性行为中发挥关键作用（Damasio 1998，2008；Picard et al. 2001）。这种内在的心理动力促进了学习者掌握新知识，其作用类似于虚拟模型的多重编码机制，使学习者能够更好地适应目标语言国家的语言文化（Baimakhan et al. 2024）。

鉴于共情在教学中的主导作用，许多国家开始研发先进的数字技术，这些技术注重在教学中激活共情机制，优化教师的教学风格、教学材料的选择以及教学方法的应用，进而强化学生对语言文化特性的理解（Lawrence，Tar 2018； Kaur et al. 2021）。然而，数字化呈现的虚拟现实并非目标语言及其文化景观的完整再现，而是受到技术、自然科学及人文社会学科等多种因素影响的数字化版本（Baimakhan et al. 2024）。

因此，学术情感学可视为情感学在语言学领域的一个新分支，而情感教育学则是神经教育学的组成部分。这两门新兴学科都利用了情感参与的深层机制管理新知识的学习过程，不同之处在于，学术情感学更多是在语言学范式内阐释研究成果，而情感教育学则是在教育学范畴内探讨研究成果的实际应用。学术情感学还依赖于神经心理语言学的研究成果，后者探讨大脑运作及其对个体在语言中或通过语言产生的行为、思维及情感的影响。情感教育学与心理语言学、神经语言学、神经心理学和神经教育学等学科协同发展。与此同时，神经心理学与神经生物学的紧密结合有助于理解如何最大限度地挖掘大脑潜能，以解决包括外语学习在内的诸多问题。神经教育学为现代教育提供一个全新的视角，基于对大脑功能的研究，提出相应的教育策略并开发相关技术。因此，现代学术情感学和神经教育学的理论基础涵盖教育学、心理学、神经科学、控制论、语言学及自然语言处理（NLP）等经典学科的基本原理。

2 情感智能结构及其要素

在解读信息的情感接收时，我们提出“情感生成性”（эмоциогенность）这一术语，其内涵不同于“情感性”（эмоциональность）和“情感表现性”（эмотивность）。俄罗斯学者Л.А. Пиотровская指出，情感性是说话人通过语言和非语言交际手段所展现出的个性特征（Piotrovskaya 2023）。“情感表现性”涵盖所有带有情感成分的语言手段，即情感语素（Karabulatova et al. 2023），这些语言特征构成对信息的情感评价。“情感生成性”指信息在引发情感感知方面的特性（Буянова，Нечай 2016；Piotrovskaya 2023）。

人类行为或信息的情感性程度可以通过感知的评估参数确定。在这种情况下，对感知结果的评估包括副语言特征（如语调、声调韵律）、语言特征（如情感性描述、情绪状态和感受表达）和超语言特征（如仿生参数，特别是多巴胺、血清素和肾上腺素系统的激素指标，参见Talanov et al. 2019）。

基于对情感智能、神经心理生理情感智能、情感表现智能和情感生成智能的区分，我们为每个子类型设定不同标识，使纯理论方法与实际功能有机结合。情感智能结构呈现出高层次架构，其中各个要素之间紧密相联，形成一个整体（见图1）。

情绪作为神经生理过程的表现形式，在Р. Плутчик的“情绪轮”和Х. Лёвхейм的“情绪立方体”两种模型中得到充分阐释，二者构成了神经生理情绪智能模块（Lvheim 2012， Plutchik 2011）。“情绪轮”是一个二维模型，划分出8种基本情绪，即喜悦、信任、恐惧、惊讶、悲伤、厌恶、愤怒和期待。该模型直观易懂，区分不同强度的一级和二级情绪，特别适用于情感素养教育和理解情感对行为的影响。心理情感状态的语言表达有直接和隐喻两种方式。Бабенко（2021）在《情感词典》中首次尝试收录俄语中的民族文化情感符号，但没有对情感学基本概念，如心理情感状态等进行明确界定，也未能指明某些基本情感标识。该词典的问世具有重要意义，标志着俄语语言文化正逐步形成对情感和情感性概念的认知。

Буянова和Нечай（2016）指出区分情感和情感性的必要性，并强调这两个概念共同构成语言的情感符号（Буянова， Нечай 2016：5）。А. Вежбицкая指出，情感性、情感表现性和情绪生成性的概念模糊，源自心理情感领域对这些概念界定不一致，这也是导致交际失败的因素之一（Wierzbicka 2010）。通过分析现有研究发现，神经心理生理情感智能与情感表现智能之间的界限尚未明确，这也是心理情感状态语言标识尚未完善的原因。

情感人工智能的构建是基于机器人技术领域中对共情仿真的需求，目标是成为交际伙伴。因此，其关键原则在于广泛验证人类情感谱系，开发情感识别能力，并通过共情做出反馈。例如，像Empath、XiaoIce聊天机器人或“智能助手”一样，能够在与人类互动中识别情感并做出相应反应。

神经心理语言学方法在教学活动中的应用体现为神经语言教学法目标的制定，包括一系列研究人类行为和智能程序的方法，并结合各种影响心理情感和行为反应的手段，以此优化学习者对学习材料的掌握和理解。

在研究教育问题时，若忽视情感因素，是无法全面理解学习过程的（Lawrence， Tar 2018）。目前，学界已达成共识，惊讶和喜悦等情感在认知过程中不可或缺（Karabulatova et al. 2023），在自然和人工双语能力发展中，情感的作用尤为凸显（Chen et al. 2023；Chung-Fat-Yim et al. 2022）。通过对语言中情感世界图景的参数化处理，细化个体的心理情感背景，可以更加精准地绘制出自然智能的情感地图，并为后续人工智能情感地图的建模奠定基础。

作为学术情感学的核心方法，情感神经建模可以对目标受众产生主导性影响。在自然物理现实与数字世界之间不断“转换”数据的过程中，这种方法能够创造新的认知联结，增强在学习新知识时的多巴胺分泌。因此，数字孪生技术的应用被视为优先选择（Shahat et al. 2021；Gapanyuk et al. 2024）。该技术利用大脑将物理对象及其视觉、语言和其他表现形式整合的能力，使得数字孪生体能够映射客观现实（Fuller et al. 2020；Hulme et al. 2022）。

机器学习方法已成为分析多码和多模态视听超文本的有效工具，例如，在超文本中，利用机器学习方法，可以通过处理图像、文本、语言和音乐来提取意义，实现语言和非语言信息的传递。这一进展加深了对复杂图形系统的理解，这些系统中的信息通过不同的语义边界进行交换（Calla-han et al. 2023）。基于此，提出一个假设，即利用多种信息渠道作为统一的神经认知信息整体来呈现信息（见图2）。这一结构包含神经认知范畴下信息传递的语用常量和变量，这些常量和变量受特定语境中言语互动和意图向量的影响。

词语（W）既是常量，又是变量，因为词语可以引发人类（HR）的不同反应，这些反应在词语与情感反应的生物心理生理指标之间建立了关联，这一点在Лёвхейм（2012）的“情绪立方体”理论中，通过无条件反射和条件反射（UR-CR）的表现得以证实。这些反射通过信息感知渠道（RP）形成中枢神经系统的神经体液复合体（A）。然而，词语所触发的反应模式有其内在逻辑性和有限性，有学者借助Плутчик（2012）的“情绪轮”理论，基于新闻话语，研究受众心理情感反应（Mohsin， Beltiukov" 2019；Jain 2023）。研究表明，大多数认知架构都具有普遍适用的元素和功能（Самсонович 2010；Vallverdú et al. 2016，2023）。

在认知神经心理语言学视域下，法国学者证实，后期习得双语者或单语者相比早期双语者，其语言功能在大脑中的单侧定位更为凸显（Pallier et al. 2003）。他们还揭示了大脑语言区和数学区的激活有着共同的遗传前提（Le Guen et al. 2018）。

基于此，双语家庭中双语儿童所表现出的大脑神经可塑性，不仅提升了他们语言学习质量和速度，还表明，有必要重新评估多语言环境中情感反应的区域和特征（Спиридонов， Эзрина 2015； Polivara， Karabulatova" 2018）。最终，形成一种新的言语行为规范，映射出双语个体多层次心理情感管理中语言和非语言行为的共性和独特性（Лю et al. 2024）。

与此同时，元图信息涵盖了标识顶点和边的各种注释、符号和标签，通过这些附加标识，可以全面展示研究对象。在复杂的图形结构中，标记为多图顶点的大型模块通过不同类型的关系系统相互连接，这些关系系统称为多图的边或弧。

鉴于对构成情感“核心”观念复杂性的理解，其高级条件系统模型（УСМЭ）呈现为一个有向元图（见图3）。该图包含两个方向：一个自下而上，另一个自上而下。在语言信息的编码和解码过程中，这两个方向同时存在，有助于解读带有情感色彩概念的隐含逻辑。

由此可见，预设（P）是在认知分段中对具体情感概念定义进行论证的原子判断。通过预设集合，从多个层次（П）推导出情感（Э）结论。

同时，该定义也具有元图（Proletarsky et al. 2018）和推导图的结构，呈现出自上而下和自下而上的双向运动，形成一种条件矩阵形式（Самохвалов 2015， Золотов 2003），从而实现与不同矩阵的互动（Danesh et al. 2023）。换言之，一旦掌握了“情感”（Э）的概念内涵，就可以通过预设集合（PS）的原子推理，理解与该范畴（П）相关的任何概念特征。

语言学领域认为，词语的情感性通过对强调预设得以揭示，与蕴涵、言外之意及其隐含概念密切相关（见表1）。

根据格赖斯（P. Grice）的理论，会话含意是一种特定的逻辑过程，表现为А→Б的符号形式，其中一个判断是显性的，另一个判断是隐含的（Burge，Grice 1989）。

在实验科学中，这种结构通过图论得到解释。图论作为研究对象（顶点）及其相互关系（边）的抽象体系，对于未来开发文本自动化综合分析系统至关重要（Ганичева， Ганичев 2016；Золотов 2021；Самохвалов et al. 2015）。

基于上述背景，计算语言学中引入了多图复杂模型的概念。例如，学界熟知的语言歧视或语言攻击现象（Fu et al. 2022）构成复杂的多图结构，其中涵盖“易怒”（Царёва 2015）、“报复”（Чесноков 2015）、“记仇”（Афанасенко， Люц 2010）和“侮辱”（Галицкова 2016）等图示，其内部结构体现为彼此紧密相联的复杂神经认知、心理生理、神经生物学、心理语言学和民族社会文化架构。同时，研究人员揭示了教师在教学过程中对自身心理情感背景内省的动态变化，并区分对立的表现形式（Siry 2016）。然而，仅对教师经历的负面情绪进行简单的定量列举，未详细阐述学术话语中引发特定负面情绪的条件，信息量远远不足，并且这些情绪在研究中往往被忽略。

现代外语教学方法基于综合教育模型，积极利用情感评价态度看待神话意向，如“美国梦”（Bhatia，Jenks 2018）、“中国梦”（Li 2022）、“俄罗斯世界”（Heinz 2018）、“条条大路通罗马”（Литинская 2014）、“看见巴黎死而无憾”（Душенко 2021）等。这些方法不仅在虚拟空间中提升了受众对母语文化的兴趣，还改变了语言在全球地缘政治中的地位。例如，电影《哈利·波特》中对虚拟城市的描绘，极大地提升了人们对现实中英格兰文化、历史和地理空间的持久且浓厚的兴趣，同时让来自不同国家的观众接触到英式英语。随后，年轻人发现哈尔滨火车站与《哈利·波特》中的霍格沃茨建筑风格相似。中国研究者还从社会学视角探究《哈利·波特》系列小说在青年群体中的流行度和翻译接受度，并在游戏教育学和社会工程学领域展开相关研究（Kung 2017）。此外，动画片《降世神通：最后的气宗》及其续集《科拉传奇》激发了全球青少年对中国古代传统哲学思想的兴趣。

心理情感反应的调节基于对个体共情差异性的认可，这种差异与学术环境中普遍存在的民族社会文化语境中的语义触发点密切相关。因此，尽管面部表情中存在固定的情感参照物，但对表情和手势语言的单义解码仍存在困难（Cao et al. 2017）。而且由于缺乏适当的模型，难以评估其方法的有效性。本研究展示了评估学习材料掌握效果的可行路径，具有重要的实践价值。

3 教育领域新一代共情人工智能

随着情感人工智能的发展，情感模型的开发推动传统研究领域的学术情感学数字转型。当代人文科学和技术科学就情感智能的主导地位达成共识，它驱动语言使用者在各类话语中的言语思维活动，进一步凸显在教育背景下整合神经认知知识与情感模型的必要性（Dalton 2019； Gunderman， Brown 2011； Brígido Mero et al. 2010）。

借助神经调节剂（如去甲肾上腺素NA、多巴胺DA和血清素5-HT），可以开发出更精细的学习系统，该系统能够调控“战斗或逃跑”反应，从而简化学习过程中多个环节（Talanov et al. 2017； Karabulatova et al. 2024；Kolmogorova et al. 2024；Zubanova et al. 2023），并将其纳入情感智能领域的数字计算研究。这种跨学科的方法融合神经生物学、信息学、认知科学和神经心理语言学，旨在创建使用合成神经调节剂的认知系统，以模拟人类的认知过程（Talanov 2019）。

情感人工智能的开发以模拟共情为基础，这在聊天机器人技术领域尤为关键，其核心原则在于验证尽可能广泛的人类情感谱系，并通过共情对其作出相应反应，这在智能系统、聊天机器人和“智能助手”等应用中得以体现。例如，Empath情感人工智能系统通过声音的声学特征实时识别情感，且该算法无须依赖所识别语言的具体内容（Шляпников 2022）。Empath的API和SDK工具已在全球五十多个国家社会经济领域中得到验证和广泛应用，包括呼叫中心、“智能”语音助手、汽车、船舶制造业和精神病学治疗等领域。另一个共情人工智能的实例是微软聊天助手小冰（XiaoIce）（Zhou et al. 2020），该系统通过情感联系满足人类在交流、情感依附和社会交往方面的需求，尤其是满足对特定群体归属感的需求。

尽管虚拟工具在教育过程中的应用有助于增强记忆，但由于对高级神经活动的调节机制缺乏理解，可能会影响多语交际能力和专业技能的培养。这种调节机制不仅受年龄和心理生理因素的影响，还受到教育过程中参与者的民族社会文化模式的制约。使用其他语言文化的数字模拟工具表明，在融入另一种语言文化过程中，家庭和社会教育以及环境问题可能会被淡化，因为现代教育的紧凑节奏和高强度更倾向于信息的简明呈现。这反过来影响言语的心理生理基础，使其在接收新信息时变得过于不稳定。基于此，研究人员提出了当代交流中的伪病理心理语言现象（Karabulatova et al. 2021），这种现象与人工智能“幻觉”表现有相似之处，如推理断裂、过度委婉、隐喻繁杂、表达夸张、因果关系混乱、判断失误以及“跳跃思维”等。须要强调的是，这里讨论的是言语交际的常态，而非病理心理语言学范畴，这表明在信息技术影响下，年轻一代互联网用户的认知过程正在发生转变（Лысак， Белов 2013）。

我们发现，“数字一代”言语中的新趋势与心理情感领域密切相关。因此，随着自然情感智能的演变，有必要探索新的情感表达方式。若脱离神经心理语言生理学理论，仅仅罗列数据，无法建立与受访者心理情感状态及其神经体液特征波动之间的关联。

因此，利用与学习者母语文化不同的目标语言文化的虚拟城市数字模拟器，有助于追踪外语学习中生物反馈形成的速度，这展示了基于教育神经靶向技术的学习进程。该技术在现实社会中广泛应用于管理言语行为策略（Temirgalinova et al. 2021；Tillmann et al. 2013；Yan et al. 2024）。

在这种复杂的层级结构中，教师和学生在学术话语空间中彼此都受到心理情感因素的影响。教师承受着巨大的压力，源于其在教学过程中需要模拟情境、内省其言语行为策略，并选择能够帮助学生有效掌握学习内容的情感语言手段。

学术情感学的顶层架构为一个多元系统，它专注于在科学教育话语中识别情感，并进一步在课堂上对学生进行情感社会管理（见图4）。

这些模块不仅限于所描述的连接关系，在多维空间中，它们之间还存在着额外的外围联系。因此，我们可以从自我情感验证模块延伸出单独的边，连接到与自我教育和自我完善的社会工程模块。同时，复杂图形“情感验证”也与“情感识别”图形相连。情感因素还可以根据其对批判性思维和创造性思维发展的影响进行分类，这两种思维类型在科研和教学实践中都至关重要。

同时，教师可以通过言语、非言语以及副言语的情感工程手段来模拟受众的心理情感状态（Hashmi" 2017）。例如，与大多数人文学科的研究人员一样，Антонова（2019）仅关注到非语言手段在对外俄语教学中提升外国学生词汇量的有效性，但并未考虑学术情感学在这种情况下所发挥的关键作用。这种片面性研究归咎于对经院哲学和俄罗斯语言教学法传统原则的固守。此外，情感学作为一个学科方向尚未成熟，情感因素在教育过程中的作用未得到充分重视，教育话语中情感生成因素未得到单独考量（Шаховский 2019）。

随着教学活动逐步转向虚拟空间，情绪状态的图示化呈现愈发重要，有助于在“发话人—受话人”系统中更准确地理解所生成的情感。情绪状态图示化不仅推动了情感人工智能的发展（Шаховский 2021），还加深了对自然情感智能的理解（Дударева， Шпильная 2023），从而极大地提升虚拟交际中的情感目标定位。

4 情感模型对比分析

现代神经教育学的社会技术手段（Honcharuk et al. 2023；Tsymbal-Slatvinska et al. 2022）通过在教育过程中使用情感元素，建构学习主题的情感共鸣形象，并设计了教学信息呈现策略（Schutz，Pekrun 2007），旨在培养学生的交际能力。该方法奠定教育策略中游戏成分的基础地位，考虑到神经认知领域的延迟性交流现象，即虚拟间接交流（Balgabayeva et al. 2024）。

早在20世纪70年代，人工智能技术首次被引入教育领域，当时推出了SCHOLAR程序，该程序成为智能教学系统的原型（Izmailova 2024）。

用于处理自然语言理解复杂任务的语言标注模型属于可解释的人工智能模型（eXplainable AI， 即XAI）。这种模型不仅可以评估工作质量，还能够进行定性分析，识别并解释发现的错误。评估标注模型质量的主要挑战在于，如何制定相对量化指标（以百分比计算），将算法水平与专家水平进行对比。另一个挑战在于，在处理自然语言理解复杂任务时，不同专家对同一文本的标注往往存在较大差异。

现代技术促使我们抛弃数千年来的经院哲学原则，探索新的原则和方法，以更快、更有效地学习新兴学科领域，包括促进跨文化交流的外语学科。现代技术首要任务是为教学和科研提供学习信息，并基于多学科视域下情感研究最新成果，对其进行情感化设计（MacCann et al. 2020；Тютюнник et al. 2016；Powell， Kusuma-Powell 2010；Picard et al. 2001）。

使用技术影响受众意识已有悠久历史，而如今，情感性已经成为神经靶向的显著特征。它不仅在文学（Bulegenova et al. 2023；Ренц 2011）、体育（Hoffmann 2019）、外交（Беляков 2015）、新闻（Zappettini et al. 2021）等领域的话语研究中广泛应用，还被引入学术（MacCann et al. 2020）和舞台音乐（Лосева et al. 2024）的话语分析中。心理—情感领域为社会情感场搭建了复杂元图（Burunat 2019； Ганичев， Ганичева 2016； Goertzel 2021； Шаховский 2019），为借助言语互动工具进行语境翻译奠定了基础（Гуань 2021； Erick Eremita Dias 2022）。

第四次工业革命及各种IT技术的广泛应用突显了神经心理生理学对语言和言语研究的重要性（Биркин 2006， Хохлова 2017， Мозолевская 2021， Русалов 2012）。这标志着围绕人类本质、意识与思维关系、客观世界以及社会工程如何利用神经心理情感影响和操纵人类行为的讨论进入新阶段。Лурия的开创性研究早已探讨了这些议题，他的前瞻性研究至今仍具有重要意义（Лурия 2002）。

与此同时，精神病学家Залкинд预见到大脑皮层高度的神经可塑性，认为通过引导和调控，能够改变实条件反射和非条件反射的反应模式，这一观点与现代神经靶向和语言营销策略密切相关（Korsakov 2010）。

在教育中，情感的理解与学习至关重要，因为它有助于情感素养和自我意识的提升，从而促进个人成长。神经心理语言学作为一门新兴的综合性学科应运而生，致力于研究大脑的功能及其如何通过语言或在语言中影响人的行为、思维和情感。它与心理语言学、神经语言学、神经心理学和神经教育学紧密协作，推动跨学科研究与应用。

因此，神经心理学与神经生物学的紧密结合使我们能够知晓如何提升认知能力，充分发挥大脑潜能，以应对各种挑战（如外语学习），并提升整体生活质量。

同时，神经教育学基于对大脑功能的研究，旨在开发教学策略和技术，为教育教学提供了全新的视角。因此，现代神经教育学的理论基础涵盖教育学、心理学、神经科学、控制论、语言学以及自然语言处理（NLP）等经典学科的核心理论。

由此，神经心理语言学方法在外语教学中的应用体现为制定神经语言教学靶向。该过程包含一整套研究学生行为的方法，并通过多样化手段对其心理情感和行为反应进行干预，以提升外语学习效果。在此背景下，使用目标语言国家的数字孪生技术以及虚拟现实（VR）技术进行历史和语言文化沉浸式体验，正逐渐从游戏领域转向严谨的教学法和研究领域（Rüth， Kaspar 2021）。

双语者大脑神经解剖图的最新研究展示了语言功能区的进化过程，也已证实传统地将语言分为生成与接受过程与通过神经心理生理学工具所获得的数据并不完全吻合。因此，通过磁共振成像（МРТ）和脑磁图（МЭГ）技术，基于不同语言结构的双语研究，能够更为精确地区分大脑皮层中参与言语处理的区域（Chen et al. 2022， Cowan et al. 2022）。这种研究揭示了不同语言发音模式的不同变体，可能导致双语者在发某个音时出现错误，这与其神经—肌肉张力系统的差异性策略、发音方式及神经认知联系的惯常路径密切相关。因此，双语者在感知某些音或音素组合时，其情感标准表现出不同的个性特征。

模拟能力取决于神经系统从外部环境实时接收的某一类信号，包括声音、色光、电磁语音信号、视觉/书写信号、神经肌肉脉冲或神经体液波动（作为神经生理通讯的行为）。它们除传递基本信息外，还附加情感价值，即“情感要素”（эмотикема）（Karabulatova et al. 2023）。附加的情感色彩在信息解码过程中发挥关键作用，使得信息能够在特定情感节点上被准确解码。

因此，情感智能的范畴远比简化模型要广泛，简化模型利用现代多元的机器学习技术分析神经数据，但由于未能充分考虑神经心理语言学因素，影响了预测的准确性和分类器的开发（Rao 2019）。

外部信号各个组成部分并非总是能被有意识地识别和验证，但它们依然能够通过神经系统实时转化为内部的二进制代码，随后在处理过程中被解码，从而在“危险—非危险”的标尺中确定信息筛选的优先级，确保信息的有效接收与理解（Blouw et al. 2019）。同时，研究人员指出，情感理论模型（如辅助学习模型、基于生物物理的网络模型）与基于深度学习和/或集成方法的适应性模型之间存在不一致性（Fellous et al. 2019）。

我们认为，正是因为没有充分认识到构建清晰的情感学术语体系以及明确功能界限的重要性，导致这类模型的结果出现不同解读和分歧。

研究者指出，在交际语言心理生理学范畴，人脑的主要功能资源被用于信息解码过程（Тютюнник et al. 2016）。一方面，自然智能的计算能力有限，这是由于作为其基本组成单位的神经元无法持续工作，活体细胞不应性的神经生物学特质使得神经元须要定期休息以恢复功能（Barer et al. 1953；Lee et al. 2024）。另一方面，学术情感学旨在培养学生对外部环境信号变体的解读能力，这些信号表明人们已脱离舒适区，进而触发了进化过程中同步形成的初级防御反应模式。

基于此，我们提出具有同理心的智能代理，即AI讲师（见图5）。该模型呈现出与情感生成AI相关联的复杂结构。情感生成AI是一个处理社会情感反应的系统，依赖于大脑负责意识的区域，尽管这些区域是后期发育的。基于情感智能的复杂结构，可以构建出作为讲师的智能代理高级架构（见图5），具体设计如下：（1）识别学生情绪；（2）建立学生心理情感状态模型；（3）通过主观体验，将学生的心理情感状态投射到自身情感模型中；（4）生成对学生（即受访者）的情感回应。

因此，我们提出开发一个能够在对话中与学生保持情感反馈的智能代理，将情感内容融入教育信息，从而提升学习的沉浸体验，改善教学效果。

5 结束语

如今，人工智能作为一个新兴的高科技产业领域，展现出广阔的发展前景，迫切需要对其进行深入研究与探讨。当前研究在开发情感模型时，主要关注其作为一种实现人机高效交互的技术创新，往往忽略了自然情感智能学科基础中的一些重要问题，以及人工智能情感模型的复杂性。

情感智能在学术话语中的应用依赖于对输入信息的心理情感反应。制定神经认知知识与情感模型有机融合的原则成为现代神经教育学面临的新挑战，结合大数据和深度学习技术，利用人工神经网络（ANN）收集数据并对其进行初步处理，通过再加工获得的新信息为推进现实复杂环境下有效决策提供依据和支持。

本文提出的共情智能代理/讲师模型展示了整合不同文化、社会群体及学科情感表现模型的可能性。然而，构建统一的情感智能结构仍面临挑战。未来的研究需要进一步探索情感智能的多层次逻辑，结合层次性、时空背景和数据模糊性来构建更为完善的推理框架。

通过进一步分析，我们可以构建一个包含多个子模型的复杂多图模型，具体包括：（1）情绪的历史演变模型；（2）情绪的生物学基础模型；（3）情绪的心理参数模型；（4）情绪的神经生理学参数模型；（5）情绪的社会学变量模型；（6）情绪的语言学模型；（7）情绪非语言参数模型（如肢体语言、面部表情等）；（8）情绪的副语言参数模型（如音高、音色饱满度等）。

在项目分析初期阶段，有必要首先对情感智能现象进行全面而深入的分析，涵盖神经心理生理情感智能、情绪生成智能以及情感处理智能。全面识别不同层级的情感性和表情性标识，进而建构用于教学的情感人工智能和神经网络的操作指令和多层次模型，最终实现人工智能讲师的高级架构，使其在与学生互动时能够生成情感反馈。③④

注释

①I.S.Karabulatova和M.Talanov为“数字人文：经验、问题与前景”会议的特邀专家，经协商将本文作为此次会议推介的译文。本文翻译已获得原作者授权。

②本表由作者整理，详见Karabulatova et al. 2021。

③本论文为首次发表，经原作者同意，译者对原文内容进行压缩，保留原文中关于学术情感学理论基础及情感人工智能建构路径等内容，力求呈现研究的核心内容。

④限于版面，文中参考文献未列出，如有需求可联系译者获取。

定稿日期：2024-10-10【责任编辑 陈庆斌】