基于维度情感计算的E-Learning模型研究

石宜金，贾志洋

（1.云南大学旅游文化学院，云南丽江 674100；2.北京大学信息科学技术学院，北京 100871）

基于维度情感计算的E-Learning模型研究

石宜金1，2，贾志洋1

（1.云南大学旅游文化学院，云南丽江 674100；2.北京大学信息科学技术学院，北京 100871）

以维度情感模型为基础划分学习者学习情感，采用情感计算方法，定量表示学习情感和学习者性格，在学习过程中结合情感计算值和知识体系难度划分来动态进行知识点推荐和交互。提出了基于维度情感模型的情感计算方案，用以建设现有E-Learning系统，增加系统的个性化推荐策略，提高系统交互性，从而达到增加系统效用，为学习者服务的最终目的。

E-Learning；情感模型；情感计算；推荐策略

E-Learning将网络技术和多媒体技术进行整合作为一种教学辅助模式进入高校，在一定程度上打破了高校课堂的禁锢，成为学生学习的又一种学习辅助模式〔1〕。然而教师与学生之间在空间上存在的间隔，导致E-Learning系统的人性化和推荐策略遇到瓶颈，导致E-Learning系统难以发挥较佳的效用，主要表现在E-Learning现有系统利用率较低，教学内容和学生的需求不平衡，这将致使学生的学习情感缺失，甚至放弃使用E-Learning系统。Jay Cross曾指出E-Learning中学习（Learning）更为重要，因此在E-Learning系统中导入学习者的情感因素计算体系〔2〕，让网络学习系统能够识别学生情绪，提高人机交互，通过交互反馈向学习者进行动态课程推荐，在一定程度上提高E-Learning系统的效用，才能充分为学习者服务，达到E-Learing的最终目的和系统开发的初衷。

在Manouselis与C.Costopoulou〔3〕论文中对推荐系统进行了阐述，可以做出如下定义。

定义1 推荐系统是一种依据综合信息，来预测特定的系统用户对一个特定的物品（预测问题）是否喜欢或能否引起对该用户的兴趣的系统。

定义2 E-Learning推荐系统是利用推荐技术，来判断用户对系统中所提供的推荐的满意程度，同时为决策提供依据。

将推荐技术引入到E-Learning系统中的建设将能帮助学习者寻找适合自己的课程资源，同样的在推荐系统中引入学习者的个人情感元素将能进一步提高E-Learning系统的效用。

1 情感表示模型

伴随人类的认知过程而产生了情感，关于人的情绪方面的起伏变化定性表示可以分为喜、怒、哀、乐等。而将情感进行定量表示，是将情感进行量化便于情感进行计算，情感量化结果的好坏直接影响着情感识别的准确性，从而影响推荐系统的精确性。因此对各种情感进行表示成为进行情感研究的一个复杂而困难的问题。早在19世纪，就有学者将情感作为自然科学研究的对象，情感的研究主要涉及多门学科如：心理学、生理学、认知学等。笔者通过查阅文献发现，学者们将情感的表示分为两大类：一是维度（连续）情感模型；二是离散情感模型。笔者主要进行了维度情感模型的研究。关于维度情感模型的观点主要有以下几种。

Plutchik〔4〕表示情感具有强度、相似度、两极性3个维度，提出了情绪三维模型。

Russell〔5〕提出了环状模型。他将情绪分两个维度:愉快度和强度。愉快度分为愉快和不愉快，强度分为中等强度和高等强度。由此可以组合成4种类型:愉快-高等强度是高兴，愉快-中等强度是轻松，不愉快-中等强度是厌烦，不愉快-高等强度是惊恐。这种分类评价情感的方法，在许多国家都得到了一致的研究结果。

1996年Mehrabian〔6〕提出的PAD三维模型是目前在心理学界常用的模型。PAD又称为维度测量模型，愉悦度（P）、激活度（A）和优势度（D）3个维度。P（Pleasure-displeasure）指的是个人情感状态的特征；A（Arousal-non-arousal）展示的是个人的生理激活水平；D（Dominance-submissiveness）描述的是个体对于特定情景和他人的情形下的控制状态。

PAD模型给出了将情感空间进行描述的理论构想，同时还采用了量化的方法来帮助建立情感的模型进行进一步分析，在这基础上能够构建基于情感计算的个性空间〔7〕。

2 E-Learning系统情感计算模块导入

E-Learning系统通过信息技术运用，整合教学资源，通过指导进程来查询成绩库和知识库来确定特定学习者的学习模式并将学习确定后的学习模式发送给学习进程，最终将多媒体和网络教学资源（主要为视频资源）传送给学习进程〔8〕。系统情感计算模块的导入主要是改进了参考文献〔9〕中关于气质类型的情感计算算法，在原有算法的基础上进一步增加了推荐模块和反馈模块。学习结束后将学习者的学习表现发送给评价进程，对本次学习进行评价，并将成绩导入成绩库。根据目前已有情感计算算法，结合情感计算的理论基础，融合知识体系的难易程度，E-Learning系统中添加学习者性格库，对性格分析和学习情感进行分析，以分析结果指导学习者的学习进程和推荐合适难度的知识点，从而提高E-Learning个性化推荐系统的效用。

加入的学习者性格模块起到的作用有：

（1）通过学习者面部表情识别，经由性格分析后得出真实的情感状态，并传达给情感进程，反馈给指导进程，以便判断学习者此刻情绪状态下的学习能力，为其后续学习进行指导;

（2）评价进程在对学生当次的学习效果进行评价时，通过人格库获得学习者的性格，以便更好地对学习者的学习表现进行评价。本文作者的研究重点在于通过气质类型人格库对学习者的情感状态和学习能力进行评价，对其后续学习进行指导。

2.1知识体系图构建知识体系图是对学习内容的知识结构进行规划，建立起学科知识科学的知识树，并根据学习者的学习进度对不同的知识点进行不同的难度标记，使得系统在为学习者进行知识分配时，能够更好地考虑到学习者对该知识点的学习能力，以及在情绪状态下能否进行学习该难度的知识点〔9〕。建构原则如下：将一课程分为H个章节其中的第I个章节内部又划分为n个知识点，然后把这些知识点分别定义为K1，K2，K3，…，Kn共n个知识点，最后来生成一个n×n矩阵，表示各个章节之间的关联度，例如：Kij（1≤i≤n，1≤j≤n）所表示的是j知识点是否为i知识点的前置知识点内容，若直接相关联则cij=1，否则cij=0。假设n=5，且生成的章节矩阵为构建知识体系图，如图1所示。

图1 知识体系图

知识体系图构建以后可以进一步构建学科专业体系图，首先建立相应的数据结构，可以生成一个有向无圈图（Directed Acyclic Graph，DAG），然后由专业教师对专业学科课程内容进行排序，最终生成科学的学科课程的知识体系图。其中对于学科专业知识体系图的排序，由于在知识体系图的深度优先搜索中，顶点间（即课程内容或知识点）前后代关系按照边的指引（即课程之间的前后继关系），进而可以得到拓扑排序，给出一个学习整个专业课程的学习顺序。

2.2维度情感计算算法知识体系构建后，在ELearning系统中加入维度情感计算。根据学习者的初次学习性格测试，首先将学习者性格分为4类〔9〕：活泼敏捷型、精力旺盛型、安静稳重型和抑郁质类型。

定义3 根据PAD维度情感模型，在学习者学习的过程中将学习情感分为4类，并根据学习者性格类型的特点，得出情感感受矩阵Q，

其中，行代表快乐、轻松、厌烦、惊恐，列分别代表学习者的4种性格，Qij(0≤i≤4,0≤j≤4)则表示某一种性格类型下对应的学习情感的强度（即不同学习者的性格类型对于快乐、轻松、厌烦、惊恐的感受强度不同）。

定义4 通过对学习者和人的性格进行类型测试得出相应的学习性格类型向量X，则X=（qχ1活泼型，qχ2精力旺盛型，qχ3安静稳重型，qχ4抑郁质类型）T。其中4种人物性格：qχ1+qχ2+qχ3+qχ4=1表示学习者在学习过程中的各种性格个性所占比例。如在学习较难知识点时，活泼型比例和学习精力下降同时伴随抑郁参数值上升，则此时针对学习状态作出相应变化，系统需进行知识的学习调整或给出相应的推荐建议。

定义5 根据情绪感受性矩阵Q和学习性格类型向量X，可以得出情感强度向量QX。

表示系统学习者的情感学习向量，在推荐算法中根据对应采集数据得出一种改进算法。

步骤1:根据人脸表情识别技术初步计算得出情感向量λ，例如快乐的情感向量为λ=（1,0,0,0），厌烦的情感向量表示为λ=（0,1,0,0）等。具体识别以后的参数可根据具体使用系统后再重新进行一次调节，找出最佳参数。由λ×QX得出相应的QXi，0≤QXi≤1，i=（快乐，轻松，厌烦，惊恐）。

步骤2:根据QXi的值，可以得出适合学习者当前情绪状态的知识点难度类型。首先设定一定的比较参数值对应学习相应难度的知识点所需要的情感参数值。

步骤3：根据学习者的情感计算和知识反馈，对需要推荐的内容进行相应的调整，同时根据学习者最后的学习状态做出相应的评价，并做出适当的指导学习步骤，最后做出一定的推荐反馈。

3 系统初步设计

系统的设计引用了基于气质类型的情感计算模型，在该模型的基础上进行了改进，并将该模型引用于在建系统的系统设计中。改进的E-Learn⁃ing系统模型可分为两个大的部分：一是学习者信息登录部分，二是知识学习指导部分。可以将整个系统设计为如图2所示，在整个系统中，可以将其主要功能分为3个部分。

（1）第一次非注册用户初次登录注册时，需要填写一个任务性格类型测试，得出的性格类型导入人格库中;已注册用户登录开始学习时，进行面部的表情识别，再根据性格类型计算其情感状态。

图2 维度情感模型系统

（2）系统中包含已建设好的基于协同过滤的个性化推荐系统〔10〕，学习开始首先进行个性化推荐，推荐学习者所选学习内容的课程资源，课程资源是建设知识库的重要保证，同时也是影响E-Learning系统的关键因素之一〔11〕，在资源确定后，再根据学习者的学习情感进行难度推荐，学习结束后对学习结果进行分析，并作出评价，根据评价结果重新设定推荐知识点。

（3）系统跟踪计算学习者的情感状态，从学习者的性格库中分析当前学习者学习状态，根据情感状态值推荐相应学习知识点，在学习过程结束之后将学习结果进行分析，对知识库进行保存，同时记录相应的推荐知识内容，以便下次再进行划分。

4 初步设计应用

以《计算机基础二——VFP程序设计为例》，分为①数据库基础；②结构化程序设计；③数据库设计；④结构化查询语言；⑤查询与视图；⑥表单设计；⑦菜单设计。通过矩阵建立关联，生成知识难度结构图，见图3。

图3 知识结构图分类

数据库基础为中等难度，其余的知识点为高等难度。学习者进入到系统后进行问卷测试，通过性格类型测试得出（借鉴心理学研究的问卷调查）性格类型并表示为向量X，然后将情绪感受矩阵Q与X运算乘积引入数据库，作为测试者情感强度向量QX，最后把学习者个人的典型性格类型录入数据库。表情向量由维度情感模型进行计算，得出学习者学习时的个人情感及相应情感强度，依据情感强度向给学习者推荐适合其当前学习能力的知识点。例如当学习者快乐时学习效果好，系统则可以推荐学习者学习中等难度以上的知识；当学习者快乐度下降时应推荐学习者学习低于当前难度的知识点，若没有更低难度的知识，则可推荐学习者暂时性中止学习或者更换其他知识；当学习者学习情感稳定时，可建议其继续当前学习。

5 结束语

随着移动应用的出现和云计算服务对E-Learning应用起到了较好的推动作用〔12〕，教学系统的个性化研究和开发成为远程教育中的关键问题和热点〔13〕，作者在原有E-Learning个性化推荐系统基础上进行了情感计算模型的研究，通过对维度情感中的环状模型的研究，改进现有的情感计算模型，首先将学习者的情感定性划分为快乐、轻松、厌烦和惊恐4个维度，然后用矩阵进行定量表示，结合知识体系结构和知识难度的矩阵表示，对学习者的学习进行计算和评价，最终对通过评价体系进行知识内容和知识难点的推荐决策，做出适当的针对个体学习者的学习反馈，从而在情感关注度方面增强学习者和学习系统之间的交互性，同时可以对学习系统的知识库资源进行调整。情感计算在E-Learning系统中的应用将在一定程度上弥补目前E-Learning系统在交互上的不足而带来的学习效用下降，这将使E-Learning系统的建设更加人性化，能适当提高系统的效用。

〔1〕WANG Z L，QIAO X J，XIE Y G.An Emotional Intelli⁃gent E-learning System Based on Mobile Agent Technolo⁃ gy〔C〕∕∕Proceedings of the 2009 International Conference on Software Technology and Engineering.Beijing:World Sci⁃entific Pub.Co.Inc.，2009:51-54.

〔2〕PENG W H，PAN R X，LI J，et al.Application Study of the Tracking of e-Learning Behavior Using the Net-Based In⁃telligent Robot〔C〕∕∕2009 First International Workshop on Education Technology and Computer Science.USA:Idea Group，2009:529-533.

〔3〕MANOUSELIS N，COSTOPOULOU C.Analysis and Classifi⁃cation of Multi-Criteria Recommender Systems〔J〕.World Wide Web，2007，10（4）:415-441.

〔4〕PLUTCHIK R.The nature of emotions〔J〕.American Scien⁃tist，2001，89（4）:344-350.

〔5〕RUSSELL J A.A circumplex model of affect〔J〕.Journal of Personality and Social Psychology，1980，39（6）:1161-1178.

〔6〕MEHRABIAN A.Pleasure-arousal-dominance:a general framework for describingand measuring individual differ⁃ences in temperament〔J〕.Current Psychology，1996，14（4）:261-292.

〔7〕杨勇，张志瑜.基于PAD的个性化情感模型〔J〕.重庆邮电大学学报:自然科学版，2012，24（1）:96-103.

〔8〕贺斌.E-Learning情感计算模型设计研究〔J〕.远程教育杂志，2011，29（4）:103-110.

〔9〕汪碧云，杨新凯.E-Learning中一种基于气质类型的情感计算算法〔J〕.上海师范大学学报:自然科学版，2013, 42（1）:25-30.

〔10〕石宜金，马瑞英，贾志洋.E-Learning系统的个性化推荐方法研究〔J〕.信息技术与信息化，2012（2）:51-54.

〔11〕吴冰，张辰彦.知识库存对SNS企业知识社区中ELearning知识获取的影响〔J〕.系统工程理论与实践，2013（3）:726-732.

〔12〕杨健，杨邓奇，杜英国.基于云计算的移动智能旅游导览系统〔J〕.大理学院学报，2013，12（10）:14-18.

〔13〕陈丽花.基于Asp.net的个性化教学系统设计研究〔J〕.大理学院学报，2009，8（8）:22-27.

（责任编辑 袁 霞）

Study on Dimensional Model Based on the Affective Computing E-Learning

SHI Yijin1，2，JIA Zhiyang1
（1.College of Tourism and Culture，Yunnan University，Lijiang，Yunnan 674100，China；2.School of Electronics Engineering and Computer Science,Peking University,Beijing 100871,China）

This thesis divides learners'learning affect based on dimensional affective model,and introduces the method of affective semantics to quantitatively show learning affect and learners'character,and then recommends that the content should be studied and increases the interaction between learners and computers after the process of combining affective computing value and the degree of knowledge difficulty.This thesis also puts forward the plan of affective semantics based on affective model,to develop the existing learning system and diversify the recommendation of characteristic strategy,so as to improve the interaction of the system,and thus the effectiveness of the system is improved.In the end,the goal of serving the learners is fulfilled.

E-Learning;affective model;affective computing；recommendation strategy

TP393.092

A

1672-2345（2014）06-0015-05

10.3969∕j.issn.1672-2345.2014.06.005

云南省教育厅科研基金资助项目（2011y345）

2013-12-09

2014-01-08

石宜金，讲师，主要从事多媒体技术和机器学习研究.