张佳慧

摘 要：近年来，在线学习作为一种学习系统非常流行。但是目前的在线学习系统不能有效地指导学生，因为他们没有在教学的语境中考虑情感状态。情感计算理论的出现可以解决这个问题，并逐渐涉及至普通教学领域中，它可以使计算机的智能不再是纯粹的认知智能。本文通过阐述了情感计算的理论基础以及目前国内外在在线学习方面的情感计算的研究现状，帮助了解在在线学习领域的的情感计算的情况，从而可以为今后的研究提供理论性基础。

关键词：情感计算；在线学习；人脸识别；多模态

随着当代信息技术的不断发展与应用，教育模式正发生着不断的改变，在线学习就凭借着它不受时间、空间约束的的独特优势成为当代学习者的选择[1]。随着慕课、网易公开课、可汗学院等新型在线学习教育方式涌入人们的视线中，在线学习的各类网络平台就喷涌而出。但是由于在在线学习中，学习者主要通过与计算机网络进行情感交互，从而导致学习者无法及时获得反馈，从而出现了许多情感缺失等问题[2][3]，情感计算技术应运而生。因此，在当代的许多文献中，情感计算已经成为了一个极其重要的课题[4][5]。

一、情感计算理论支撑

近年来，情感计算的研究在不同领域都受到极大的重视。为了进行进一步的研究人类感情的识别的问题，国内外的研究学者们提出了各类情感建模的方式[6]，并基于神经科学、社会心理学等领域的研究，奠定了在线学习下的情感计算的理论基础。

情感计算的步骤一般包括以下四个部分，即情感数据采集、情感特征提取、情感特征分类和情感识别（美国麻神理工学院，Picard）[7]。而情感识别的方法一般基于以下几个方面，包括：人脸表情、人类声音语调、传达的文本信息或者是人体的肢体语言等信号信息。

二、情感计算技术与应用研究现状

（一）人脸识别技术

人脸识别技术就是通过一系列方法对人脸的表情所表现出的各类情感信息进行提取与分析，例如，学习者通过计算机和网络进行在线学习，人脸识别技术通过服务器获取学习者电脑摄像设备中的内容，从而获取学习者的情感的原始数据，再进一步提取学习者的情感特征并进行情感分类；紧接着，服务器将学习者的情感信息上传，系统通过对比以往所研究出的情感信息，分析出学习者所处的情感状态（如中性情感、开心、悲伤等），最终将得出的结果进行可视化处理，从而反过来对学习者进行学习过程的干预[8]。

而在当前的研究中，一般用于识别系统中的面部表情有三种主要的方法，下文将简要介绍这三种方法[9]。

首先是基于模型的方法：一些面部表情识别系统采用了清晰的面部解剖和物理模型，一个包含44个面部的几何网格肌肉，它们与皮肤的连接点，以及皮肤的弹性特性。根据人脸上6个点的位置，通过图像扭曲将人脸图像映射到物理模型上。在递归情绪控制框架下，利用物理模型对光流的运动估计进行了改进。那么面部表达式进行分类。在基于模型的系统中，分析精度受到模型有效性的限制。但是有很多因素会影响肌肉收缩后皮肤的运动，很难在一个确定性模型中准确地解释所有这些因素。

紧接着是基于特征的方法：这种方法是最常用的。脸可以通过用距离来描述眼睛、鼻子、下巴等特征之间的区域来表示，也可以通过用运动不变性来表示。这些参数是从完整的面部视图或轮廓中提取出来的，然后将每个面部作为“特征向量”存储在内存中的某个位置。表情识别包括三个步骤。首先，找出个人特征（眼睛，鼻子，下巴）；其次，测量统计参数来描述这些特征及其相互关系；第三提取描述，当选择的特性合适时，这些方法通常是有效的，但是适当的特性选择并不总是一项简单的任务。

最后是整体分析：与基于特征的图像分析不同，整体分析强调尽可能地保留原始图像。人脸以二维像素强度数组的形式表示。而一般关系可以是采用线性自关联建模，实现主成分分析；采用非线性三层自关联网络建模，或采用反向传播算法。

（二）情感状态跟踪技术

在在线学习中，对学习者的学习情感的关注往往是较少的，而又由于在在线学习中缺乏一定的情感交互，不同学习者会对相同的一个学习内容的学习进度有所不同。所以，通过在线学习的情感计算，也可以时刻把握学习者的学习状态，了解学习者是否跟上进度，是否喜欢目前的学习内容，又或是对当期的学习内容存在厌恶的情感。因此，在情感计算的研究中加入情感状态的跟踪技术，了解学习者不在学习状态的时间点，从而及时对教学策略和教学过程进行调节，及时对学习者的学习过程进行情感方面的干預，才可以保证学习者在一个适合的状态下进行学习[10]。这就是情感计算中一个重要部分，即情感信息处理的其中一个过程。

而情感信息处理的目的是跟踪学习者的情感和认知状态，识别认知态度，通过统计得出网络学习过程中整体的情感状态并将其传递给学习者主体学习者的情绪状态在学习过程中是非常复杂的。积极（兴趣）或消极（不感兴趣）的变化可能发生在新的电子课程。在新课开始时，学习者总是感到惊讶或困惑。随着时间的推移，他的情绪状态会发生变化。假使学习者总是出现困惑的状态，他会怀疑自己的能力，感到消沉。这种消极的变化会立即传递给教师，并修改教学策略。当采用适当的教学策略时，学习者就会感到自信，渴望新的知识。情感信息的处理是个体教学的关键，情感信息可以传递给学习者模型，一旦发现消极态度，教师就会及时修改教学策略[11]。

（三）多模态融合情感计算技术

情感计算和情感分析的另一个重要任务是多模态融合。随着最终用户设备（如智能手机、触控板或上网本）上安装的网络摄像头数量的增加，越来越多的情感信息正以音频或视听格式发布到社交网络服务上，而不是纯粹的文本形式。经前人统计，平均每分钟有两天的视频内容被上传到网络上。除了语音到文本的识别，它还允许对声音信息、面部表情和身体运动分析，甚至背景音乐或彩色滤镜的“情绪”进行额外的利用。

多模态融合是指将所有的单一模态集成到一个组合的单一表示中，采用特征层次要部分和决策层次两种融合技术，提高了多模态信息情感识别的可靠性[12]。

现有的情感计算和情感分析方法主要分为三类：基于知识的技术、统计方法和混合方法。基于知识的技术因其易用性和经济性而受到欢迎根据“快乐”、“悲伤”、“害怕”和“无聊”等情感词汇的出现，文本被分为情感类别。情感词或多词表达的流行来源包括情感词汇库、语言注释方案、词网情感、感知词网情感、概率知识库等基于知识的方法的主要缺点是当涉及到语言规则时，对影响的认识不足例如，尽管一个知识库可以正确地将“今天是快乐的一天”这句话归类为“快乐”，但在“今天根本不是快乐的一天”这句话上，它很可能失败。为了达到这个目的，技术将会更加成熟的。基于知识的方法利用语言学规则来区分文本中每个特定的知识库条目是如何使用的[13]。

（四）基于多Agent的人际和谐交互系统

基于多Agent的人际和谐交互系统，就是指构建一个让人与机器进行情感交互的一种情感计算模型。这种模型通过对情感的特征的明确规定，以Agent的形式，再通过融合多种Agent机制，将这些情感信息转变为情感手段，从而形成具有自适应能力的Agent，从而使得计算机能够模拟学习者内心的情感和心理活动，并帮助在一些具体实践上形成自适应功能，进而能够为学习者营造一种舒适、自在的学习环境，从而提高学习者的学习能力[14]。这种技术可以很大程度上帮助计算机形成学习者的逻辑思维和心理过程，并极大可能提高在线学习中人机交互的和谐性。

（五）可穿戴情感计算设备

从2015年起，针对去可穿戴设备的数量就开始不断增加，佩戴方式也多种多样，例如：佩戴于头部的可穿戴设备（比如GoogleGlass）；佩戴于肩部的可穿戴设备（比如Straps臂带）；佩戴于身上的可穿戴设备；佩戴于手腕的可穿戴设备（比如Apple Watch）等。这些设备通过检测人体的心率、脉搏、体温等条件进行身体信息的收集，伴随着科技的不断进步，进一步有了3D传感器设备等，并且这些设备已经不断扩大了适用范围，逐渐延伸至医疗、运动等方面，现正蔓延至教育领域[15]。伴随着研究的不断深入，研究学者们正将之运用于教育领域的情感计算方面，通过可穿戴设备的帮助，不断多学习者的学习状态进行情感计算，了解学习者的学习情感，从而不断地对教学策略进行调整，进而更好地帮助学习者们进行在线学习[16]。

三、总结

情感计算的能力是人类发展并智能化的一个重要标志。在在线学习的过程中，情感缺失成为了一个不可忽视的问题，不但会影响学习者的学习质量，更甚者会影响学习者的心理健康发展。通过在在线学习中进行情感计算，可以使网络学习更加人性化。通过对学习者学习过程中情感变化的不断追踪，也可以帮助计算机及时调整教学策略。系统的每个模块的分析表明与情感信息的智能反馈测量通过面部表情和姿势，电子学习系统可以管理和跟踪实时学习过程评价学习效果制定不同的学习方案不同的学习者提供反馈和评估因此设定个人学习环境激发学习兴趣增强学习意识和学习效果，从而提高教学质量。

参考文献：

[1]约翰·丹尼尔， 李薇. 灵活性：在线学习的核心要素[J]. 中国远程教育， 2017，（1）：5-14.

[2]李勇帆，李里程.论情感计算和Web3D技术支持的网络自主在线学习模式的设计与构建[J].中国电化教育，2011，8：129-133.

[3]牟智佳，俞显等.国际教育数据挖掘研究现状的可视化分析：热点与趋势[J].电化教育研究，2017，（4）：108-114.

[4]贺斌.e-Learning情感计算模型设计研究[J].远程教育杂 志，2011，（4）：103-110.

[5]趙慧勤，孙波.虚拟教师情感合成模型的研究[J].中国电化教 育，2012，（1）：121-126.

[6]夏炜，夏洪文，周晶晶.基于情感计算的情感Agent模型构建与应用[J].中国电化教育，2008，（10）：112-114.

[7]Picard R W， Picard R. Affective computing[M]. Cambridge： MIT press，1997.

[8]杨金朋，薛耀锋，李佳璇，等.基于人脸表情识别的在线学习情感计算研究[J]. 中国教育技术装备， 2017 （18）： 35-36.

[9]MS Bartlett， JC Hager， P. Ekman， and TJ Sejnowski. “Measuring facial expressions by computer image analysis”. Psychophysiology， 1999， 36：253--263

[10]罗奇，万力勇，吴彦文.情感计算在e-Learning系统中的应用探索[J].开放教育研究，2006，12（3）：80-83.

[11]Duo S， Song L X. An e-learning system based on affective computing[J]. physics Procedia， 2012， 24： 1893-1898.

[12]A. Konar and A. Chakraborty， Emotion Recognition： A Pattern Analysis Approach， Wiley & Sons， 2015.

[13]S. Poria et al.，“Sentiment Data Flow Analysis by Means of Dynamic Linguistic Patterns，” IEEE Computational Intelligence， vol. 10， no. 4， 2015， pp. 26–36.

[14]马希荣，王志良.远程教育中和谐人机情感交互模型的研究[J].计算机科学，2005，32（9）：182-183.

[15]赵楠.针对在线学习的可穿戴式情感计算设备的设计与研究[D].浙江大学， 2016.

[16]夏洪文.情感计算及其在人机交互设计中的应用[J].中国电化教育，2008（1）： 106-110.