“人工智能促进未来教育发展研究”专刊系列|在线教育中的学习情感计算研究——基于多源数据融合视角
现阶段,实现规模化与个性化的有机结合,是落实《中国教育现代化2035》的主要任务。特别是在后疫情时代,在线课程成为规模化教育教学的有效补充形式,然而在线课程尚未解决师生及生生间的“温度”问题,即无法实时对学习者的情感进行分析和精准干预。如何利用智能技术促进在线课程教学是未来规模化教育的重要挑战。因此,探讨优化现有情感计算技术,进行有效情感识别,适应新需求下的在线教育具有重要理论价值和实践意义。
研究过程与方法
(一)实验组织
实验对象
杭州市某中学通过方便取样法抽取高一年级的36名中学生,其中男生19名,女生17名。被试年龄范围在14—16岁之间,均为自愿参加本次实验,同意并知情实验内容。实验工具
基本信息问卷。包括实验对象的姓名、性别、年龄和班级。
实验过程学习情感问卷。该问卷的作用是及时记录学习者观看不同教学视频时最直接的情感表现和状态,为后续的学习情感标注提供较为科学的参考依据。
摄像头。该摄像头为具有自动对焦功能的高清摄像头。
在线课程资源。课程资源来自网络中的在线视频。
ELAN6.0标注工具。该工具的作用是帮助被试标记自己的学习情感。
学习情感标注工具。该工具为基于PyQt5自主开发的一款简易情感标注软件,包括文件导入、图像基本信息、标签按键三个部分。
(二)数据收集
数据采集和筛选
数据标注
学习情感的划分和选取
数据集划分
(三)多模态数据融合模型设计
- 深度学习神经网络模型选择
- 多源数据融合的方法
- 多源数据融合模型总体架构
结果分析
基于多源数据融合的学习情感识别模型比基于面部表情和人脸姿态的单源数据学习情感识别准确率高、效果好;
多源数据融合模型中,模型整体输出中不同情感概率赋予不同权重要比模型整体输出赋予不同权重的准确率要高;
多源数据融合模型对厌倦情感的识别效果最好,其次是开心情感、平静情感、困惑情感。
反思挑战
(一)在线学习情感计算反思
多源数据集的构建是在线学习情感计算的基础环节;基于深度学习的多源数据融合是在线学习情感计算的有效方法;学习情感计算的最终目的是应用于教育教学的不同场景,从而提升教师教学质量,促进学生学习。在大规模在线教育中,学习情感计算将在个性化学习资源推荐、自适应测验、无差错学习等教育场景应用中发挥重要作用。
(二)在线学习情感计算面临的挑战
面向教育现代化远景目标,人工智能将随时、随地、随需对学习者的成长产生影响,开启教育领域个性化的新浪潮。在线情感计算作为人工智能教育研究领域的高地,在具备巨大研究价值和应用前景的同时还要面临学习者个体差异、数据融合以及伦理问题的挑战。
参考文献
[1]翟雪松,许家奇,王永固.在线教育中的学习情感计算研究——基于多源数据融合视角[J].华东师范大学学报(教育科学版),2022,40(09):32-44.