数字化学习中从旁辅助角色的研究

刘小丹+++赵鑫+++李玉斌

摘 要：数字化学习近年来迅速发展，但由于师生分离的状态导致其存在情感缺失、监控缺位的问题。本文在智能导师系统的基础上，提出了一种具有从旁辅助角色的数字化学习系统。从旁辅助角色具有相对独立的功能，运用表情识别技术获取学习者的表情信息，可以更加准确地预测学习风格，同时，通过情绪监控及时了解学习者的学习状态，给予一定的情感反馈和引导策略，可有效弥补情感缺失和监控缺位的问题，达到改善学习活动的持久性和有效性的目的。

关键词：数字化学习；智能导师；学生模型；学习风格；表情识别

中图分类号：G434 文献标志码：A 文章编号：1673-8454（2015）11-0038-05

一、引言

在教育教学活动中，良好的师生互动和情感注入必不可少，它既是教育的重要内容，同时也使知识和技能的传授更加有效。[1]传统静态的数字化学习系统，通常只是在网页上放置与课程有关的讲义、习题等学习资源，与现实的课堂教学相比，虽在一定程度上增强了学习的自主性，但由于忽视了教师在教学过程中的主导作用，学习过程放任自流，易产生盲目性，造成学生对学习感到迷茫无助、无从下手。为了弥补这一缺陷，智能导师系统应运而生，至今已有许多这方面的研究。Hossein和Maryam[2]提出了具有专家导师的数字化学习系统，可根据学习者的学习风格、能力水平等特征进行适应性教学；美国加利福尼亚大学的Johnson和Shaw提出了一种名为Adele的教学代理，具有表达知识、监控学生、提供反馈等功能；美国南加州大学开发出了名为Steve的教学代理，Steve能够在三维虚拟实验室中演示技能操作、回答学生的问题[3]；北京邮电大学的Dang等[4]人提出了一种智能导师，在虚拟实验课程中代替老师给予学生指导，该智能导师可运用自身知识库识别问题并给出解决方案；程萌萌等[5]提出了一种应用表情识别和视线跟踪技术的智能教学系统。

纵观以上系统，虽然对学习者的个性化学习以及在学习过程中的情感因素进行了探索研究，但仍存在一些问题亟待解决：第一，情感交互程度较低。大多数系统与学习者之间没有情感交流，对学生的回应过于冷漠。当学习者长时间面对这样一个没有情感的冷漠的计算机屏幕而感受不到师生交互的乐趣和教师情感的激励时，不仅容易对学习产生反感，影响学习效果，而且还可能危害到学习者的心理健康。[6]第二，监控缺位。对学习者进行监控主要是为了及时了解学习者的情绪变化，推断其当前学习状态，在其出现负面情绪时给予一定的干预、引导措施，并调整教学策略和进度，维持和激发学习动机，保证学习活动的持久性。

情感计算的提出者，美国MIT媒体实验室的Picard教授说，要让电脑更有智慧更自然地与人类互动，必须赋予电脑认识、了解、甚至表达情绪的能力。[7]由此，本文提出了一种从旁辅助角色，来帮助智能导师系统进一步实现与学习者情感交互和监控学习状态的功能。从旁辅助角色主要通过表情识别技术推断学习者的心理状态，以此作为修正学习风格、调整教学策略和采取干预手段的依据。通过了解学习者的心理状态，可以获知学习者对当前学习方案的满意度评价，即该方案是否与学习者的学习风格相适应，若不适应，就实时对学习风格进行动态修正，直至达到满意的状态。同样，根据表情信息也可推断出学习者对知识的理解、掌握情况，以及学习者当前的心理状态，决定是否调整教学进度和策略，或进行相应的干预。

二、从旁辅助角色

从旁辅助角色是以教育心理学、情绪心理学等理论为基础，采用表情识别技术，推断学习者的心理状态，帮助系统准确分析学习者的个性特征，并对不同状态下的学习者采取应对措施，不但能改善数字化学习中知识层面的个性化教学，而且可以增强情感层面的个性化教学。

从旁辅助角色具有一定的情感识别和处理能力，对学习者的学习活动进行监控和适时的引导。但它并不是智能导师的附加功能，而是独立于智能导师系统的存在，其自身具有完整的情感识别与应对模块，在智能导师系统进行知识教学的同时负责对学习者进行情感方面的教学辅助。

1.从旁辅助角色与情绪监控

情绪是人行为的一部分，对人类的理性思维和决策能力具有重大影响。[8]心理学家认为，情绪在学习过程中是非常重要的影响因素，与学生的认知行为联系密切。负向情绪（如紧张、抑郁、愤怒）可使知觉面变窄，思维变得迟钝，不利于学习；而正向情绪（如愉快、满意）可使知觉面变宽，思维敏捷，促进学习。[9]因此，在学习过程中及时了解学生的情绪，并针对负面情绪进行调控、干预，可以达到改善学习效果的目的。

情绪不但能影响人的学习活动，而且可以为教师提供重要的教学反馈。情绪的产生通常伴随着一定的外部行为，即表情。根据表情推断学习者的学习状态，获取教学反馈，是一种直接的、快捷的手段。在传统教学中，教师可以根据观察学生的表情和反应来了解学生当前的心理状态，从而掌握他们的学习情况，为下一步的教学计划作参考。例如，当学习者对课程内容理解或感兴趣时，会流露出高兴、愉悦的表情，反之，则会表现出情绪低落，眉头紧锁。因此，在数字化学习中，赋予系统类似人类教师这种情绪的感知和理解能力，能直观地获取教学反馈，以此作为调整教学内容和教学策略的依据，提高学习效果。但现行网络远程教育系统中学习者的人机交互，多是借助于键盘、鼠标和屏幕等被动式的中介手段，只追求方便和准确，无法理解和适应学习者的情绪和心境，无法理解以及适应人的情感和思维行为。[6]

随着近年来表情识别技术的发展，为从旁辅助角色在情绪监控功能方面的实现提供了有效的技术支持。由于表情和情绪是紧密相连的，前者是后者的外在表现，后者是前者的内在体验，大部分情况下，知道二者中的一者，可以反推另一者。[10]在学习过程中，从旁辅助角色通过摄像头捕获学习者的面部表情图像，运用表情识别技术对获得的表情信息进行识别和判断，推测出学习者的心理状态，再针对不同的心理状态采取不同应对措施来维持学习活动的有效进行。

2.从旁辅助角色与学习风格

数字化学习面对的学习者千千万万，每个人之间都存在着差异，在教学中应该充分尊重学习者的个性特征进行个性化教学。学习风格是影响个性差异的一个最主要因素，如果在学习中考虑了学习者的学习风格，将会有效激发和维持学习者的学习动机，使学习变得很容易。[11]相反，若是不能准确预测学习者的学习风格，就很难因材施教，极有可能削弱学习者的学习兴趣和动机。全面了解学生的个体差异，准确预测学习者的学习风格，是提高学习效果的有效途径之一。

学习风格指在学习环境中个体表现出的比较稳定的处理方式和倾向，包括感觉偏好、认知风格、社会性环境偏好等。[12]例如有些学生喜欢通过阅读文字来学习；有些同学则偏向于视觉性较强的教材，比如图片、板书等；有些学生善于通过听讲来学习；有些学生善于通过动手操作学习；有些同学喜欢合作学习，而有些同学则比较愿意自学。

传统的智能导师系统中对学习者学习风格的预测主要是依靠量表，然而采用这种方法存在一定缺陷，如静态预测的局限，其不能根据学习行为的变化对学习风格进行动态更新，加之具有较强的主观性，面对大量枯燥的预测量表时，学习者难免会失去耐心、随意填写，导致预测结果的不准确。从旁辅助角色采用量表测量和表情识别相结合的方式。先用量表测量的方式对学习风格进行初始化，进而在学习活动中通过观察学习者对所呈现的学习材料类型的表情，分析学习者的心理状态，推测其对当前的学习方案满意与否。若学习者对教学内容和呈现方式比较满意，会表现出高兴等正面情绪，说明该学习方案符合其学习风格；反之，如果学习者表现出焦躁、厌烦等负面情绪特征，则说明当前学习方案不符合其学习风格，需对学习风格模型进行修正。在这样反复学习与调整的过程中，最终可获得较为准确的学习者学习风格。

3.从旁辅助角色的情感输出

由于时空的分离导致数字化学习中师生交互的局限性，极大地削弱了彼此之间的情感联系，学生容易产生孤独感，降低学习效率。如何加强数字化学习系统与学习者间的情感交互，也就成为提高学习效果的重要问题之一。良好的情感交互不仅要考虑学习者在学习过程中的心理状态，而且需要增强系统对学习者的情感注入，即运用一定的教学手段，满足学习者的情感需要，激发学习者的学习动机和兴趣，增强学习活动的持久性和有效性。

从旁辅助角色的情感输出功能，可以帮助提高系统与学生间的情感交互程度。从旁辅助角色在学习中为学习者提供一个虚拟形象，伴随着学习活动能够展现出语言、表情和肢体动作，针对学习者当前的心理状态给予相应的情感回馈。当需要中断学习时，为学习者提供音乐、小游戏、视频等休闲项目。例如，若学习者完成了一项学习任务，虚拟教师会微笑着举起大拇指说：“你很棒”等，对学习者进行表扬；若是学习者出现疲劳情绪，则会建议学习者适当休息，并弹出休闲项目供其选择；当学习者遇到困难而沮丧时，给予一定的鼓励。

相对于面对冰冷的电脑屏幕，有了生动的虚拟教师形象的陪伴，可以减少学习过程的孤独感。拥有语言、表情和肢体动作的虚拟教师形象可以引起学习者的注意，唤起学习者的好奇心，使其很快进入到学习的氛围中去。同时，学习动机影响学习者的学习行为，是学习者进行高效、持续学习的驱动力量。[13]当学习者取得一定的学习成果时，适当的肯定可以使学习者获得满足感和信心，可以在学习中设置一些任务奖励，在学习者完成任务时获得虚拟财富、电子宠物等。除了要激发学习者的学习动机外，还要从影响学习动机的负面因素着手，注意学习动机的维持。有时学习者在付出了极大努力后仍然失败，表现出沮丧、痛苦的情绪，当从旁辅助角色监控到此类情绪时，应当给予鼓励，以防学习动机的削弱。

三、从旁辅助角色的设计

本文在传统智能导师系统中加入从旁辅助角色模块，设计了具有从旁辅助角色的智能导师系统，系统主要由从旁辅助角色、学生模型、专业知识模块、学习策略模块四部分组成，如图1所示。

从旁辅助角色一方面可以由多媒体情感输出功能独立完成对学习者的情感鼓励和补偿，另一方面又与学生模型直接相关，通过学生模型间接作用于教学策略模块和专业知识模块，实现个性化教学。学生模型将初始化的学习风格传递给从旁辅助角色，作为学习风格预测的基础；从旁辅助角色将学习者学习风格和学习状态的动态变化传递给学生模型使之更新。专业知识模块和教学策略模块与传统智能导师系统的原有模块作用差异不大。专业知识模块用来存储知识和多媒体资源，与教学策略模块相互作用，在学习活动中为学习者设定任务、问题和解决的方案，为学习者知识水平的测定提供试题，组成教学方案，将学习起始点、知识点访问、知识水平的改变等信息反馈给学生模型；教学策略模块根据学生模型来选择教学内容，以恰当的形式呈现给学习者，根据情况调整教学进度，将学生的学习情况、学习行为反馈给学生模型，作为学生模型动态修正的参考。

1.从旁辅助角色的设计原理

从旁辅助角色主要通过分析学习者当前的心理状态，作用于学生模型，执行学习风格和学生心理状态的修正，间接实现教学方案的改进，也可通过情感输出模块采取情感补偿策略。

心理状态的获取是根据学习者的表情信息进行推测。在交互界面，用摄像头捕获学习者的学习画面，通过表情识别技术识别表情信息，推测出学习者当前的心理状态。表情识别主要分为三个步骤：人脸检测、特征提取、表情分类识别。首先，运用Adaboost算法可实时快速地检测人脸，[14]然后，采用Gabor小波变换进行特征提取，它可以提取表情信息中的细微变化，[15]能有效提高表情识别的精度。得到特征信息后，采用支持向量机为表情分类器，该方法在解决小样本、非线性及高维模式识别问题方面具有优势，且具有很强的泛化能力。

2.学生模型

学生模型用来描述学生的特征，是现实中的学生在计算机中的抽象表示。通常，学生模型主要包括学生基本信息、学习风格、知识水平、学习历史几个方面，由于本文以学习者心理状态作为学习风格修正和学习策略调整的依据，因此，需加入心理状态这一重要因素。学生模型中的信息可分为动态和静态两类，静态信息主要是学生的基本信息；动态信息包括学习风格、知识水平、心理状态、学习历史等，在学习过程中接受来自教学策略模块、专业知识模块、从旁辅助角色的反馈来对模型进行更新。

（1）基本信息

基本信息中主要存储学习者的静态信息，如用户名、性别、年龄、专业、联系方式等，用于学习者的身份识别。

（2）学习风格

Felder和Silverman将学习风格分为四个维度：感觉型——直觉型、活跃型——沉思型、视觉型——言语型、序列型——综合型。其主要表现特征如表1所示。[16]

（3）知识水平

每个学习者的知识基础都不完全相同，在学习活动开始之前，应对学习者的知识水平进行测试，这样可以有效确定学习起点，便于制定学习方案。随着学习活动的进行，学生的知识水平会产生变化，这就需要对学生在测验中进行评估，根据测验结果对模型中的知识水平状态实时更新。

（4）心理状态

本文在传统学生模型的基础上增加了心理状态这一因素，可以直观地了解学生的学习情况，为教学策略的制定提供更加可靠的依据，同时为系统的情感输出提供支持。根据学习过程中可能出现的情绪状态，本文定义了五种表情，分别为高兴、厌恶、惊讶、疲劳和懊恼。如果检测到学习者的心理状态为高兴，说明其学习活动进展顺利，对当前的学习内容、进度等都比较满意，学习活动可继续进行；若检测到学习者有厌恶情绪，则说明其对当前的学习活动有所抵触，可能对学习内容和教学方法存在不满，提醒系统进行调整；当学习者出现惊讶情绪时，代表其对当前的学习内容存在疑惑或不理解；若检测到学习者出现疲劳状态，系统应立即进行干预，弹出趣味问答或小游戏等，中断枯燥的学习，等学习者的大脑活跃起来后再重新投入到正常进度中；当检测到学习者出现懊恼情绪时，说明学习者当前的学习状态较差，可能系统推送的学习内容超过了学习者可接受的范围，导致其对自身能力产生怀疑以及自信心的丢失，削弱了内部动机，这时就需要采取鼓励措施。

（5）学习历史

学习历史详细记录学生在学习过程中的行为，包括学生访问的学习资源、试题测验的结果与反馈、学习的起止时间、学习断点等，形成学习日志。

3.多媒体情感输出

随着多媒体技术的发展，现在的计算机中不乏音频、视频等多媒体资源，在学习过程中利用这些资源，可以有效帮助学习者调节状态。当学习者进入学习页面，多媒体情感输出模块会向学习者输送一个虚拟的教师形象，同步显示在屏幕中，陪伴学生进行学习，并在适当的时候通过语言及肢体动作给予学习者鼓励，使学习者有一定的归属感。学习者可以根据自己的喜好选择喜欢的虚拟教师形象，如动物造型、卡通人物等。

一旦进入学习，从旁辅助角色就开始对学习者的心理状态进行监控，并将结果传递给多媒体情感输出模块，对特定结果进行响应。多媒体情感输出模块并非会对任意表情下的心理状态都做出响应，当学习者处于高兴等积极学习状态下时，不会打断学习者的学习热情，保证学习活动的持续进行；而当学习者出现厌恶、疲劳等消极情绪时，则会中断学习，弹出对话框，询问学习者是否需要中断学习，并提供几种休闲方式，插入一段视频、音频或小游戏，由学习者选择，来帮助其消除负面情绪。

四、结束语

本文基于教育心理学、情绪心理学等理论提出了数字化学习中的从旁辅助角色，并给出其在智能导师系统中的结构设计，旨在改善数字化学习中情感缺失、监控缺位的问题。从监控学习者的心理状态、改善学习风格的预测、加强对学习者的情感反馈等方面，帮助系统更加准确和及时地获取学习者的个性特征和学习状态，增强情感交互，为知识层面和情感层面的个性化教学提供依据，促进学习活动更加有效地进行。由于从旁辅助角色有独立的情感识别和应对模块，且不受学习系统知识类别的限制，功能上比较独立，所以具有良好的通用性，能适用于任意的智能导师系统设计。

参考文献：

[1]唐志伟.远程教育中的情感缺失应对策略探析——基于联通主义学习理论为视角[J].现代远距离教育，2014（2）：34-37.

[2]Hossein，Movafegn hadirli and Maryam Rastgarpour.A Web-Based Adaptive and Intelligent Tutor by Expert System[J].Advances in Computing & Inform. Technology ，2013（177）：87-95.

[3]赵慧勤，孙波，张春悦.虚拟教师研究综述[J].微型机与应用，2010（5）：1-8.

[4]Bowei Dang，Fuan Wen，Meisong Chen，et？al. The design and implementation of general tutor system for multi-disciplinary courses in virtualexperiment[A]. IEEE： International Conference on e-Education， Entertainment and e-Management[C].Bali，2011：178-181.

[5]程萌萌，林茂松，王中飞.应用表情识别与视线跟踪的智能教学系统研究[J].中国远程教育，2013（3）：59-64.

[6]李勇帆，李里程.情感计算在网络远程教育系统中的应用：功能、研究现状及关键问题[J].现代远程教育研究，2013（2）：100-106.

[7]贺斌.E-learning情感计算模型设计研究[J].远程教育杂志，2011（4）：103-111.

[8]Juan Martinez-Miranda，Arantz Aldea.Emotions in human and artifical intelligenc[J].Computer in Human Behavior， 2005（21）：323-341.

[9]王有智，欧阳仑.心理学基础——原理与应用[M].北京：首都经济贸易大学出版社，2003：374.

[10]雷婕，丁亚平.面部表情：一些争论[J].心理科学进展，2013，21（10）：1749-1754.

[11]姜强，赵蔚，王朋娇.基于网络学习行为模式挖掘的用户学习风格模型建构研究[J].电化教育研究，2012（11）：55-61.

[12]张燕南，张力，周涛等.学习风格对网络学习的影响：一项实证研究[J].开放教育研究，2010，16（3）：160-166.

[13]胡凡刚，仇秀娟，刘玮等.影响教育虚拟社区中学习动机激发因素的实证分析[J].远程教育杂志，2013（4）：52-29.

[14]张建利，段富.基于面部特征的学习状态的研究[J].计算机工程与设计，2013，34（7）：2460-2464.

[15]徐洁，章毓晋.基于多种采样方式和Gabor特征的表情识别[J].计算机工程，2011，37（18）：195-197.

[16]陈仕品，张剑平.适应性学习支持系统的学生模型研究[J].中国电化教育，2010（5）：112-117.

（编辑：王晓明）