在线学习行为与情感状态的显性化研究.docxVIP

在线学习行为与情感状态的显性化研究 一、 混合学习形态的在线学习研究 随着信息技术的快速发展和普及，网络学习和培训已成为各种教育形式的新标准。与此同时，与传统面对面教学相融合的混合学习，不仅改变了现有课程的教学模式，还产生了新的教学形态（ 在线学习研究涉及多个领域，当前主要集中在网络环境下学习行为特点及其影响因素研究，学习者学习状况的自我认知和相关决策研究（ 二、 基础工作工作 自动化学习行为检测手段在学习分析领域是一项十分重要的基础工作。学习分析过程极大地依赖于使用技术手段跟踪学习过程，监控学习状态，通过收集、分析和报告学习行为及其学习环境的相关数据，更好地理解和优化学习过程及学习环境（ （一） 单模态数据检测技术及其理论基础 美国学者弗雷德里克斯等人（ 1. 线学习行为监测系统的构建 依据行为主义和联通主义理论，当前大多数在线学习行为监测系统是通过监听学习过程、记录学习数据建立学习行为与学习评价之间的相互关联。比如， 对于情感识别，OCC模型（ 2. 下颌识别技术 心理学对情绪模型的研究已有丰富的研究成果。普拉契克（Plutchic）认为情绪包括相似性、两极性和强度3个维度，由此提出了离散的8种基本情绪（狂怒、警惕、狂喜、接受、惊喜、恐惧、憎恨和悲痛）轮状模型（ 情绪是人的内在心理活动，面部表情作为一种外显心理状态可以在一定程度上反映情绪。对于面部表情的识别，埃克曼（Paul Ekman,1966）等人依据面部动作编码系统（FACS）提出了6种基本表情，即高兴、悲伤、惊讶、恐惧、愤怒和厌恶。此后，计算机领域学者广泛将其用作表情识别的基本类型。 近二十年来对面部表情自动识别的研究和技术日益成熟，各种传统的机器学习算法在表情识别上的正确率已高达85%以上。人脸检测和表情识别技术对检测者造成的心理干扰较少，广泛应用于实时持续性、大规模的公安、交通等领域的日常应用场合。虽然该技术容易受到光照、遮挡、旋转、背景等因素的干扰，但通过多次反复检测可以弥补此缺陷。在教育领域，依据面部表情和身体行为特征，Hwang等（ 3. 情绪和生理特征检测 心理学研究表明，身体表面反馈出来的生物活动能反映情感对自主神经系统的影响（ 对于认知负荷，目前尚不能直接对其测量，常用的间接评估方法有任务绩效、主观评定和生理测量3类。 心理学实验相关传感器的测量精度高，在医疗诊断方面有着广泛的应用。但由于其设备价格昂贵，操作严格，多用于个体实验，而且不可避免地会对被测者产生干扰和影响。因此，此类传感器并不适合在教育心理测量领域大规模、常态化应用。 随着物联网传感技术的发展，硬件成本逐渐降低，测量精度不断提高，采集生理特征已经进入了实用阶段。一些可穿戴、便携式的手环产品已经在日常生活中用于监测体温、血压、皮电、心电等主要体征。还有一些可进行嵌入式开发和集成的元器件级别的传感器在工业和教育领域广泛应用。比如，PulseSensor用于实时监测长跑运动者的心率状态，测得的稳定心率数据误差维持在每分钟2次（ （二） 多模态数据融合模型分析与研究 相比单模态数据检测，利用多模态数据表征有利于全面而准确地把握学习过程中人机交互的个体情绪状态及认知状态的变化，在情绪建模、学习活动跟踪、学习者行为特征抽取、自适应学习等领域具有极大的潜能（ ）根据OCC模型认为学习者的认知状态与情感状态是相互影响且可以相互推断的，其构建的智能Agent的学习者情绪与认知识别模型中，情感状态识别结论由学习者表情数据和眼动数据相比对验证，并以表情为主；认知状态识别结论由学习者情绪状态、眼动数据得出的视线路径、学习内容共同推理得出，辅以询问交互。该理论模型尝试解决单一的情感模型或者单一的认知模型都难以准确、客观地描述学习者的状态这一问题，采用情感识别与认知识别过程相耦合来提高识别准确率。 ）基于语音、姿态、生理、文本等大数据分析流程构建了一个在线学习情绪测量模型，通过人体轮廓图描述学习状态。其认为情绪类型尚不统一，相同类型的情绪通过采集语音、姿态、生理和文本等多种数据进行测量，究竟应该以哪一种指标为主并没有统一的标准，这为在线学习情绪的精准识别带来了挑战。 ）系统解读了多模态数据的概念、多模态学习分析过程和技术发展趋势，提出了一种结合线上线下真实情境的时序数据，分层级开展可视化、评估、预测和干预，指导教学和环境改善的多模态学习数据分析流程。同时，作者对一门课程开展了行为层和心理层的案例研究，主要采用了课堂行为实录编码、毕博文本话语分析和调查问卷统计方法，发现个体和群体在混合学习中的特征。但是该研究未能全面收集和剖析学习者的行为层、心理层和生理层的多模态数据。 有研究通过跟踪17名用户在游戏中的点击事件流（ 综上所述，在线学习行为分析的研究已经利用了语音、文本、视频、生理、事件、问卷等多种数据类型。一方