马宁 刘春平 郭佳惠 路瑶

[摘   要] 情感研究是当前在线教育中的重要研究问题，涉及的领域十分广泛。研究力图对在线教育中情感领域的研究进行系统的总结和归纳，从而更好地促进在线教育的发展。研究通过文献计量法和内容分析法，以近十年来发表在国内外核心期刊上关于在线教育领域情感研究的235篇文献为研究对象，对其研究主题、研究场景、研究对象、研究方法等进行统计分析，并从情感分析、情感参与、情感交互、情感设计等方面对相关研究热点进行深入剖析。在此基础上，从聚焦即时智能化的情感时序性研究、深度探究多元因素的协同作用机制、提高情感分析算法的准确性和可解释性、扩大情感的研究场景和研究群体范围、加强情感设计和情感系统的应用与效果评价等五个方面对相关领域的研究提出了建议，以期更好地促进学习者在线情感投入，提升在线学习质量。

[关键词] 学业情感； 多模态学习情感分析； 情感交互； 情感设计； 情感导学系统

[中图分类号] G434            [文献标志码] A

[作者简介] 马宁（1977—），女，河北衡水人。教授，博士，主要从事技术增强学习、技术支持的教师专业发展、学习分析、STEM教育等研究。E-mail：horsening@bnu.edu.cn。

一、引   言

随着智能时代的发展，在线教育成为重要的学习方式。相比于传统线下学习，在线学习不受时间、空间的限制，但在一定程度上阻碍了学习者之间的情感交流[1]，严重影响师生关系和教育绩效[2]。诸多研究表明，情感对学习者具有重要意义[3]，当学习者有积极的态度体验时，就会加强对所学内容的情感联系，进一步提高学习投入度，因此，在线教育越来越多地考虑情感因素。

在线教育的兴起促成了在线教育情感研究的丰富。数据来源实现了从单一的学习者发布文本到多模态数据的转向，数据采集方式更加多元化和智能化，大数据、机器学习和深度学习等技术的发展使情感分析技术得到了质的飞跃。对情感的研究能够反映学习者的认知与动机，深入挖掘学习者深层次的认知风格和学习偏好，有助于精准教学和个性化学习的开展。

近几年来，在线教育中关于情感的研究较为丰富，对国内外关于情感的研究成果进行梳理有助于探析情感研究发展趋势，为教育领域的理论创新和实践研究提供参考。鉴于此，本文深入分析近十年来发表在国内外核心期刊上的在线情感研究文献，通过总结在线教育领域的研究热点，为在线教育中情感研究的发展提出了进一步建议，为实践应用提供有益借鉴。

二、研究设计

本研究选取16本国内外教育技术领域知名核心期刊，以在2010—2021年发表的有关在线教育中情感研究的文献为主，中文期刊以“情感”“情绪”为检索词进行检索，英文期刊以“Emotion”“Feelings”“Affection”“Sentiment” 为检索词进行检索。最初查询到2030篇文献，为了挑选符合本研究的文献，制定了如下标准进行进一步筛选：（1）研究主题聚焦情感研究；（2）研究领域为在线教育。通过阅读摘要和全文，共获得235篇满足筛选标准的文献。后续对这些文献从研究主题、研究场景、研究对象、研究方法等方面进行深入分析。具体检索与筛选过程如图1所示。

三、核心概念与基本数据统计分析

（一）核心概念

1. 情绪与情感

目前，学者对情绪和情感仍缺乏一个广泛接受的定义，大多数教育研究并不将二者进行严格区分。通过对文献的大量调研，本研究认为，情感、情绪是在特定场景下参与者所产生的态度体验。例如：Lee认为，情感是一套激励行为的心理过程，能够支持或抑制情感目标的实现，分为积极情感和消极情感[4]；药文静等认为，情感是认知活动的一种心理反应，能够对个体认知行为产生重要影响[5]。

2. 情感分析

通过大量文献的调研，本研究总结出在线教育中情感分析的一般定义：情感分析指通过提取和分析来自学习者的生理信号和行为特征等相关信息，实现对学习者的情感状态的计算。具体来说包含两个任务：一是情感测量，包括识别、打标签等内容；二是情感计算，即把测量所得的情感标签进行情感状态分类。情感计算过程通常以情感分类框架为依据，例如，常用的艾克曼六种基本情感理论将基本情感分为高兴、惊讶、悲伤、愤怒、恐惧、厌恶[6]。

3. 情感参与、情感交互和情感设计

当学习者对学习活动感兴趣时，会发生情感参与[7]，情感参与主要指学习投入中的具体情感状态；情感交互是指学习者为了实现学习目标围绕学习内容进行情感交流达到情感共鸣的过程[8]；情感设计是通过设计和不断修改学习材料中能够影响情感体验的相关元素，促进学习者产生积极情感，增强其学习动机，从而促进深度学习[9]。

（二）基本数据统计分析

本研究聚焦国内外在线教育情感研究，从研究主题、研究场景、研究对象、研究方法四个维度出发，具体分析关于在线教育中情感研究的基本特点。从研究主题来看，国内外关于在线教育情感研究的主题相对丰富，并且差异不大。具体占比情况如图2所示。通过对所選的114篇英文文献、121篇中文文献的关键词及摘要进行梳理和总结，本研究将研究主题分为以下四个方面：情感分析、情感参与、情感交互、情感设计。另外，还有关于移情、共情、情感存在等研究，但占比较少，因此，本研究重点关注前四个研究主题，并将其他主题的文献归入“其余”类别中。

共有88篇文献详细标明了研究场景，其中，英文文献46篇，中文文献42篇。具体占比情况如图3所示。情感研究的场景主要是在线学习平台，其次是虚拟社区、移动学习、线上线下混合场景和社会媒体/数据库。大量研究的研究场景聚焦于在线学习平台，特别是MOOC。由于在线课程存在情感缺失等问题，学习者学习体验不佳，辍课率过高，为了解决该问题，众多研究者着力于在线教育中的情感研究。除了在线学习平台，近几年移动学习中关于情感的研究也开始增加，可能是近年来随着Pad、手机等移动设备的普及，因此，如何使移动学习更具备情感特征也成了研究方向之一。

共有82篇文献详细标明了研究对象，从类别看主要是大学生，对中小学生以及成人的关注相对较少。具体如图4所示。这可能是由于中小学的课程更偏向于线下开展，并且对中小学生的隐私保护更为严格，所以在线课程的数据收集会遇到一定的困难。国内外情感研究所涉及的研究方法十分多样，共有171篇文献指出了研究方法，其中，英文文献89篇，中文文献82篇。研究方法具体包括量化研究、质性研究和混合研究方法。如图5所示，国内外都更关注量化研究。

四、研究热点剖析

通过基本数据统计分析，本研究梳理出以下四个研究热点：多元化的情感数据分析方法、多手段促进学业情感投入、全方位提升情感辅导质量和多感官的情感要素设计。

（一）情感分析：多元化的情感数据分析方法

在线教育中，文本、行为、生理信号等方式可用于测量和分析情感。文本情感分析被认为是最广泛的情感测量手段，主要通过学习者的论坛评论文本、在线学习交互文本等数据对学习者的情感状态进行识别，从而促进教学设计的改进、学生个性化学习以及智能教学系统的构建等[10]。随着技术的发展，多模态数据建模也已成为洞察学习规律的新范式[11]，极大地拓展了情感分析的研究方法和應用领域。

1. 学习情感测量方法

通过文献调研，在线教育中的情感数据测量方法可以总结为心理测量、行为测量、生理测量三个维度，具体见表1。

心理测量的数据来源于学习者对协作认知任务、社交、情感动机的心理活动反应数据，主要通过在线交互文本和自我报告法等获得[12]。由于心理测量的便捷性和易用性，大多数研究将其用作学习者在学习事件后的情感状态测量。但是，相关方法使用的前提是用户能够识别自己的情感并且准确报告。因此，测量结果受参与者的主观因素影响，需要结合行为测量或者生理测量数据进行分析。

行为测量主要是利用视频设备等追踪学习者的面部表情以及头部、手臂与身体的运动数据并将其建模，从而对其内心情感状态进行分析[3]。进行面部表情识别时，需要进行特征分解，从而排除个体特征对表情识别的影响，使情感识别结果更为准确。与面部表情相比，肢体动作更多样化，表达了更复杂、更丰富的情感。因此，目前的主流研究通常是将面部数据和姿态数据相结合来进行分析。除了面部表情识别和肢体动作识别，语音情感也能够传达基本情感，研究者可以通过机器学习等方法进行语音情感识别。

随着可穿戴设备在学习、生活中的逐步应用，获取在线学习者的生理信号越来越便捷。基于生理信号的数据测量能够真实地追踪学习者的生理变化，从而更全面、深入地了解学习者的情感状态[13]。常用的情感测量方法有脑电图、心电图、肌电图和皮肤电、心率、眼动追踪等。皮肤电和心电数据相对容易获得，在教学应用上研究相对比较多。脑电数据虽然不容易获得，但其具有极高的时间分辨率，所以日益受到在线教育研究的重视。

2. 多模态学习情感分析

研究者可以通过情感特征提取、数据融合等方法实现多模态情感分析。情感特征选择与提取能够降低数据噪音、提高数据质量，是进行后续数据融合和效果验证的关键[14]。根据不同模态的数据，情感特征选择与提取用到的算法不同，目前，最常用的算法是机器学习和深度学习。机器学习包括支持向量机、朴素贝叶斯、逻辑回归等。机器学习算法能够缩短情感识别时间，适用于大规模课程，例如，Hew等采用监督机器学习算法等方法建模分析了6393名学生对于MOOC的情感感知[15]。但是，基于机器学习的算法依赖于特征词的提取和情感计算模型的构建，对于语义不明的文本句子分析结果并不理想。因此，大多数研究将情感词典与传统机器学习相结合来对文本数据进行处理。例如，马宁等提出一种融合情感词典和机器学习的方法，构建了面向具体应用场景的情感—认知算法模型，能够实现对在线交互文本的多级情感分类，从而挖掘学习者情感状态[16]。深度学习算法是机器学习算法中的一项新技术，主要包括卷积神经网络、循环神经网络、长短时记忆网络等。深度学习算法能够通过样本学习模拟人的思维，进行复杂繁琐的分类预测工作，目前已有研究通过实验证明其比机器学习算法准确率更高[17]。其中，卷积神经网络适用于大部分种类的数据，特别擅长处理图像数据；循环神经网络适用于处理序列数据，如语音数据、视频数据等；长短时记忆网络具备特征学习能力，可以进行序列数据的双向处理。

数据融合阶段涉及对不同模态信息的整合。有学者通过研究发现，当姿势、面部表情和语言组合三种数据同时存在时，情感识别效果最好[18]。随着技术的发展，通过多模态数据的融合来测量学习者情感，并采用深度学习等方法对其进行深入分析，有望弥补传统情感测量和分析方法的不足。

（二）情感参与：多手段促进学业情感投入

在线教育中最常关注的是学业情感。学业情感是在学习过程中所有与学生学习活动体验相关的各种情感的统称[19]，不仅包括学生在得知学业成功与否后所体验到的各种情感，还包括在学习活动中以及在考试期间的情感体验。学业情感可细分为成就情感、认知情感、主题情感和社会情感[20]。成就情感即与成就活动或成就结果直接相关的情感[21]，认知情感在处理新的、非常规的任务时由认知问题引发，主题情感与课程主题相关，社会情感是社会背景下个体之间进行情感互动产生的态度体验。

有关学业情感的研究可归为两类，一类研究聚焦于挖掘影响学业情感的因素，进而通过改善这些因素来提升学习者的学业情感。这些因素可能包括学习平台、技术使用、课程质量、教师态度和学习者自身内部因素。例如：Heckel等通过研究发现，在线学习情境下自我效能感与学业情感呈正相关[22]；药文静等通过实证研究发现，认知质量、任务价值、自主支持显著影响感知评估，进而影响学业情感[5]。另一类是学业情感的影响研究，即探究学业情感对学习者行为、绩效、能力等方面的影响。例如：马宁等通过评价支架的研究发现，其能通过改善学习者的情感，从而进一步提高学习者的评价参与度[23]；谭金波等通过实验法发现，学业情感对问题回答能力和网页阅读能力有显著影响[24]。

（三）情感交互：全方位提升情感辅导质量

情感交互能够帮助学习者集中注意力、提升学习效率、增强深层次交互，是影响在线协作学习认知、行为的关键因素之一。通过文献调研发现，情感交互主要包含两层含义：一是在线协作背景下的社会情感互动，主要通过情感交互模型或策略来实现，例如，张文兰等从情感交互视角提出了提升在线学习者协作知识建构水平的策略[25]；二是情感导学系统通过情感反馈达到人机情感交互。

情感导学系统将情感表达和交流技术相结合，能够在学习过程中实时计算学习者的情感表达，并利用已有情感知识为学生提供个性化学习指导，有潜力成为课堂的一种常态化应用。情感导学系统包括智能教学代理、教育机器人、虚拟教师等。智能教学代理又称教育智能体，能够通过表情、动作、语言等表现出不同的情感状态，为不同学段的学习者提供相应的反馈信息，促进学习者在动机、认知、情感和社交方面的发展[26]。教育机器人通常充当智能导师或智能学伴的角色，通过拟人化情感交互功能，选择针对性的激励响应、情感支持等干预措施，为学生提供个性化人机交互性的社交支持和情感反馈[27]。虚拟教师可以模拟真实教师的教学功能和情感行为，在虚拟教学情境下辅助教学。然而，目前关于虚拟教师的研究多集中于知识内容的交互，主要是完成日常教學、学生学习测评这类重复性、常规性的工作。在学生的情感教育和社会性培养方面的研究成果尚不丰富。

（四）情感设计：多感官的情感要素设计

许多情感设计特征，如多媒体学习材料的颜色、形状、声音，在线教学视频中教师的语言、表情、肢体动作等，能够影响学习者情感，促进学习者创造性思维及发散性思维的发展[28]。

学者们总结了情感设计假说理论。情感设计假说是假设以视觉上吸引人的方式设计的多媒体教学材料可以促进学习结果[29]。这种影响的潜在机制是情感设计元素引导学习者的注意力，从而改善认知过程。该理论已被应用到多媒体教学文本的情感设计中[30]。还有学者根据具体学习材料提出了微课情感设计模型。例如，陈明选等构建了数字学习资源情感化设计模型[31]，王雪等进一步凝练出教学视频中视听觉情绪设计的三条优化策略[32]。在未来的情感设计研究中，要综合考虑媒体类型、教学方式、适用学科、学段等维度进行建模。

在情感设计研究中，情感测量方法主要采用问卷和自我报告的方式，这可能会使研究结果具有一定的主观性；现有研究场景主要是实验室环境，缺失真实课程情境下的研究；对于情感设计激发积极情感的关键因素存在争议。例如：Plass等通过研究表明，拟人化元素是诱发积极情绪的关键元素[33]；但Park等的研究实验结果显示，拟人化元素并不会诱发积极情感[34]。因此，需要更多的实证研究进行探索。

五、展望和发展

（一）聚焦即时智能化的情感时序性研究

基于时间序列的情感分析能够描述学习者情感的时序性变化，有利于探究学习者情感变化规律，帮助教师根据变化情况对学习者进行适当的干预[35]。目前，关于情感时序性的研究主要是在学习结束后对学习情感的序列模式进行人工编码和分析，情感数据主要来源于数据库提取，从情感产生到时序性分析，往往存在较大延时性，这可能会导致教学策略调整的延迟。如果增强情感时序性的即时性和自动化，系统便能实时分析出学习者的情感状态变化趋势并将其可视化，从而根据情感状态变化情况为学习者提供调节性学习资源和智能化情感支持。教师也能够根据群体情感时序性变化情况及时调整教学策略，以降低学习者的不良情感，保持其学习积极性。因此，未来的研究可以进一步聚焦群体和个体情感时序性研究，实时智能化为学习者提供情感支持，深入探究学习者情感的变化规律。

（二）深度探究多元因素的协同作用机制

认知、元认知、行为和情感都能影响学习过程和学习结果。未来的研究者不仅需要对“认知、行为、情感”之间的潜在作用关系进行深度的挖掘分析，还要考虑情感与元认知的相互作用机制。不同的学科对于情感研究的重点也存在很大差异。心理学比较专注于学习者的认知和行为变化，计算机科学比较关注技术支持的情感计算模型设计与开发，教育学则比较关注学习者的情感投入和情感体验。因此，在未来的情感研究领域，研究者可以充分结合心理学、计算机科学和教育学等学科，融合多元因素和多种情感分析方法，采集多源数据，在理论层面更好地探究多元因素的协同作用机制，在应用层面更好地激发学习者的积极情感，全面促进深度学习。

（三）提高情感分析算法的准确性和可解释性

优化情感数据采集方式和提高算法准确性可被用于增强情感分析效果。有研究发现，学习者在进行实验时受到可穿戴设备的影响[36]，自身的学习状态很有可能会受到干预，从而影响情感识别的准确性。因此，使用对学习者侵入性较小的设备，提高快速、准确的数据采集和识别方式十分重要。

深度学习算法能够通过构建良好的分类模型和训练海量的数据，来学习更有用的特征，从而提高情感分析结果的准确率。但是深度学习算法复杂多样，各种模型以及其不同的组合适用的范围，优缺点都不同，寻求最优的深度学习算法对于突破情感分析壁垒至关重要。另外，对于多模式数据的收集应该遵循一定的原则，实现跨人机的情感规则形塑，在不影响学生心理状态和确保算法、技术以及数据安全的情况下完成信息采集，以减少信息滥用的风险。对于多模态数据的情感建模和处理也需要提高模型的透明性和算法的可解释性，避免算法本身存在的黑箱、偏见等问题。

（四）扩大情感的研究场景和研究群体范围

不同的研究群体在不同的研究场景下会产生不一样的情感。例如，在学习过程中产生的情感为学业情感，在社区交互过程中产生的情感为社会情感，在数学教育教学中产生的情感为数学情感。只有把握情感概念的情境性特征，才能够对其更精准地进行测量和分析，从而更好地把握情感以及情感分析的本质。根据不同的研究对象，情感又可分为教师情感、师范生情感、儿童情感等。目前，国内外关于情感的研究对象主要关注大学生，研究群体范围有待进一步扩展。例如，中小学生群体、成人学习者群体、自闭症儿童、阅读障碍学习者、留守儿童等群体在进行线上学习时遇到的困难、情感体验与情感关怀等。教师或管理者可以采取特殊方法，对其情感状态进行分析和干预，消减学习及社会互动过程中体验到的消极情感，同时提升、唤醒积极情感，促使学习者增加对学习的情感投入，从而改善其学习效果。

（五）加强情感设计和情感系统的应用与效果评价

无论是情感分析模型还是情感导学系统，都能够为学生提供深度的人机交互和情感反馈，从而提供有效的学习支持服务。很多研究者为情感研究模型提供了理论框架，但是情感模型在教学中的实践与应用效果需要更多的实证研究来支持。未来研究者可以根据自身教学需求创新情感模型的实践与应用，不断优化教学设计与交互策略，将模型应用到具体教学实践中，从而提升在线教学质量。例如，在课程设置和教材开发过程中进行情感设计，开发能唤醒学习者积极情感的课程及教学材料，在课程进行中应用情感导学系统等与学习者进行情感交流，促进学习者情感投入。随着移动学习在当前教育系统中的快速发展，开发能够嵌入到手机、Pad等移动设备中的情感模型，随时随地为学习者进行情感支持和情感交互更为重要。无论是移动设备中的学习程序还是大型在线学习平台，具备情感识别能力指日可待。同时，鉴于教育在社会、知识和技术发展中的重要作用，教育政策制定者和实践者应制定适当的计划，分配必要的资源，以支持未来在情感识别和表达方面的研究和发展。

六、结   语

情感是影响学生在线学习投入的重要因素，在线教育中，对情感研究的探析有助于更好地促进学习者情感投入，提升在线学习质量。通过对235篇文献进行内容分析和基本数据统计分析，本研究从四个方面对当前在线教育中情感研究的研究热点进行了深度剖析，在此基础上，提出了在未来情感研究方面的建议，以期能为情感研究的发展做参考。

[参考文献]

[1] MA N， LI Y M， GUO J H， et al. A learning model for improving in-service teachers' course completion in MOOCs[J]. Interactive learning environments， 2022： 1-16.

[2] 张青，袁媛.在线教育中师生疏离感的形成原因、演绎路径与干预策略[J].电化教育研究，2022，43（9）：37-44.

[3] TONGU G， OZKARA B O. Automatic recognition of student emotions from facial expressions during a lecture[J]. Computers & education， 2020， 148（2）： 1-12.

[4] LEE J Y， CHEI M J. Latent profile analysis of Korean undergraduates' academic emotions in e-learning environment[J]. Educational technology research and development， 2019， 68（1）：1521-1546.

[5] 药文静，姜强，李月，赵蔚. 众包知识建构下学业情绪影响因素及唤醒机制的科学学研究——面向深度学习的课堂教学结构化变革研究之五[J].现代远距离教育，2020（5）：33-42.

[6] 李慧. 面向学习体验文本的学习者情感分析模型研究[J].远程教育杂志，2021，39（1）：94-103.

[7] 楊刚，陈雨婷，方建文，王佑镁. 体验式学习中的情感参与：SVVR支持写作学习的实证研究[J].现代远程教育研究，2021，33（2）：33-42.

[8] BAKHTIAR A， WEBSTER E A， HADWIN A F. Regulation and socio-emotional interactions in a positive and a negative group climate[J]. Metacognition and learning， 2017，13（1）：57-90.

[9] 孙田琳子，沈书生，张舒予. 微课情感化设计的“三五维度”策略探究[J].现代教育技术，2017，27（6）：80-86.

[10] 郁晓华，战晓瑜.教师评语知多少？——探析文本后面的情感价值[J].电化教育研究，2022，43（7）：97-105.

[11] 张琪，王红梅. 学习投入的多模态数据表征：支撑理论、研究框架与关键技术[J].电化教育研究，2019，40（12）：21-28.

[12] 王小根，陈瑶瑶. 多模态数据下混合协作学习者情感投入分析[J].电化教育研究，2022，43（2）：42-48，79.

[13] 韩颖，董玉琦，毕景刚. 学习分析中情绪的生理数据表征——皮肤电反应的应用前瞻[J].现代教育技术，2018，28（10）：12-19.

[14] 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（7）：26-32，46.

[15] HEW K F， XIANG H， CHEN Q， et al. What predicts student satisfaction with MOOCs： a gradient boosting trees supervised machine learning and sentiment analysis approach[J]. Computers & education，2020，145：1-16.

[16] 马宁，张燕玲，杜蕾，王琦.面向在线异步交互文本的情感—认知自动化分析模型研究——以大规模教师在线培训为例[J].现代教育技术，2022，32（5）：83-92.

[17] 徐振国，张冠文，孟祥增，党同桐，孔玺. 基于深度学习的学习者情感识别与应用[J].电化教育研究，2019，40（2）：87-94.

[18] VISSCHEDIJK G C， LAZONDER A W， HULST A， et al. Modelling human emotions for tactical decision-making games[J]. British journal of educational technology， 2013，44（2）：197-207.

[19] PEKRUN R. The control-value theory of achievement emotions： assumptions， corollaries， and implications for educational research and practice[J]. Educational psychology review， 2006，18（4）：315-341.

[20] ZHANG F， MARKOPOULOS P， BEKKER T. Children's emotions in design-based learning： a systematic review[J]. Journal of science education and technology， 2020，29（4）：459-481.

[21] YOU J W， KANG M. The role of academic emotions in the relationship between perceived academic control and self-regulated learning in online learning[J]. Computers & education， 2014， 77：125-133.

[22] HECKEL C， RINGEISEN T. Pride and anxiety in online learning environments： achievement emotions as mediators between learners' characteristics and learning outcomes[J]. Journal of computer assisted learning， 2019， 35（5）：667-677.

[23] 马宁，路瑶，郭佳惠，刘春平.评价支架对教师在线同伴互评质量的影响研究[J].电化教育研究，2022，43（2）：34-41.

[24] 谭金波，王广新. 学习情绪与查询任务类型的交互作用对网络信息搜索体验的影响[J].中国远程教育，2017（9）：19-25，79.

[25] 张文兰，刘君玲，刘斌. 情绪交互对在线协作学习者知识建构的影响[J].电化教育研究，2021，42（1）：72-79.

[26] ARGUEDAS M， DARADOUMIS T. Analysing the role of a pedagogical agent in psychological and cognitive preparatory activities[J]. Journal of computer assisted learning， 2021， 37（4）：1167-1180.

[27] 單美贤，张瑞阳，史喆.“智能+”教育场域中的认知计算与教育应用研究[J].远程教育杂志，2021，39（2）：21-33.

[28] 杨红云，陈旭辉，顾小清.多媒体学习中视觉情绪设计对学习效果的影响——基于31项实验与准实验研究的元分析[J].电化教育研究，2020，41（1）：76-83.

[29] MAYER R E， ESTRELLA G. Benefits of emotional design in multimedia instruction[J]. Learning and instruction，2014（33）：12-18.

[30] LISA S， ROLAND B， BABETTE P. Emotional text design in multimedia learning： a mixed-methods study using eye tracking[J]. Computers & education， 2018，120（1）：185-196.

[31] 陈明选，董楠. 数字学习资源情感化设计与效果分析[J].现代教育技术，2019，29（4）：54-60.

[32] 王雪，韩美琪，高泽红，王志军. 教学视频中视听觉情绪设计的作用机制与优化策略研究[J].远程教育杂志，2020，38（6）：50-61.

[33] UM E R， PLASS J L， HAYWARD， ELIZABETH O， et al. Emotional design in multimedia learning[J]. Journal of educational psychology，2012，104（2）：485-498.

[34] PARK， KNORZER L， PLASS J L， et al. Emotional design and positive emotions in multimedia learning： an eye tracking study on the use of anthropomorphisms[J]. Computers & education， 2015， 86：30-42.

[35] 王云，李志霞，白清玉，姚海莹. 在线讨论中动态学习情绪和认知行为序列的关系研究[J].电化教育研究，2020，41（6）：60-67.

[36] MANGAROSKA K， MARTINEZCMLDONADO R， VESIN B， et al. Challenges and opportunities of multimodal data in human learning： the computer science students' perspective[J]. Journal of computer assisted learning， 2021， 37（4）：1030-1047.

Analysis of Current Situation and Development Trend of

Emotion Research in Online Education

MA Ning，  LIU Chunping，  GUO Jiahui，  LU Yao

（Faculty of Education， Beijing Normal University， Beijing 100875）

[Abstract] Emotion is an important research issue in online education， which involves a wide range of fields. This paper attempts to systematically summarize the research on emotion in online education， so as to better promote the development of online education. Through bibliometric method and content analysis method， 235 papers published in core journals at home and abroad in the past ten years on emotion research in the field of online education are taken as research objects， and their research themes， research scenarios， research objects and research methods are statistically analyzed. And the relevant research hot issues are deeply analyzed from the emotional analysis， emotional engagement， emotional interaction， emotional design and other aspects. On this basis， suggestions are put forward for the research in related fields from five aspects： focusing on emotional timing research of instant intelligence， exploring the synergistic mechanism of multiple factors deeply， improving the accuracy and interpretability of sentiment analysis algorithm， expanding the emotional research scene and the scope of study groups， and strengthening the emotional design and the application and effect evaluation of emotion system， in order to better promote learners' online emotional engagement and enhance the quality of online learning.

[Keywords] Academic Emotion; Multimodal Learning Emotion Analysis; Emotional Interaction; Emotional Design; Affective Tutoring System