多模态数据下混合协作学习者情感投入分析

王小根 陈瑶瑶

[摘   要] 情感投入在混合协作学习中发挥重要作用，厘清其作用机制是当前亟待解决的问题。混合协作学习场景下多模态情感计算技术的支持为更加精准地分析学习者情感投入提供了可能。文章从情感数据的多模态融合、情感发生的情境解释、情感状态的动态变化、情感发展的层级建构和情感反馈的调节干预五个层面构建了混合协作学习者情感投入的研究框架，并从改善混合协作学习过程和探索混合协作学习规律出发，阐述了混合协作学习者情感投入的分析路径。一方面，融合多模态数据，输出可视化的情感状态识别结果;根据环境、认知、行为、动机及任务等因素，进行情感归因;预防情感危机，采取反馈与调节措施。另一方面，探索情感投入与人际互动、学习资源、认知发展的关系，以期揭示混合协作学习的内在规律。

[关键词] 多模态数据; 情感计算; 混合协作学习; 情感投入

[中图分类号] G434            [文献标志码] A

[作者简介] 王小根（1965—），男，浙江湖州人。教授，博士，主要从事网络多媒体技术教育应用研究。E-mail：vctwang@126.com。

一、引   言

线上线下融合的混合式学习正在成为高等院校师生开展学习活动的新常态[1]，混合协作学习也成为高等教育领域重要的学习方式[2]。然而，目前在混合协作学习的实践中仍然存在学习者协作水平不高、学习投入较低等问题[3]，增强学习投入和互动可以改善这一现象[4]。组员持续进行有效互动是促进协同知识建构的关键，情感投入在这一过程中扮演重要角色[5]。

近年来，研究者关注到情感投入对协作学习者的分享、互动、协商等有重要影响，并通过学习平台日志中的情感数据和学习者自我报告，分析学习者情感特征及其发生作用的机理。然而，致力于理解情感是如何随着学习的互动过程而变化的研究尚不足，因此，情感的演变机制并不清晰[6]。采集线上线下多模态的情感数据，才能更精准地分析混合协作学习者情感投入特征和变化情况[7]，为学习者反思和教师干预提供决策支持。多模态情感计算技术可以为这一学习分析过程提供技术支撑。因此，本研究基于混合协作学习环境的多模态情感数据，构建了混合协作学习者情感投入的研究框架和分析路径，以期为后续研究提供借鉴。

二、混合协作学习投入与情感投入

（一）混合协作学习投入

学习投入是学习者在学习过程中由行为、认知、情感的相互作用或融合引发的身体能量和心理能量的总和，是行为卷入、思维发展、情绪反应的综合过程。学习投入度是这种身体能量和心理能量总和的大小，其高低是影响学习效果的重要因素，是衡量高等教育质量的重要过程性指标。

混合协作学习强调建立學习者之间的社会性联结，促进学习者之间的交流，增强情感参与，从而提升投入度与协作质量。混合协作学习投入主要包含群体围绕知识建构、问题解决的认知投入和组员维系互赖关系、增强小组凝聚力而进行的社会情感投入两个核心过程[8]。

（二）混合协作学习中的情感投入

学习情感投入是存在于师生之间、课堂、学业或学校活动中积极或消极的情绪体验，指向学习者的兴趣、体验感、价值感、认同感和归属感。Lee等认为，情感投入关注的是学习者的满意度、学习过程中的愉悦感和同伴交互中的价值感[9]。Fredricks等认为，情感投入是学习者对教师、同伴、学校、学业的情感反应程度，体现在兴趣、热情、焦虑、无聊和归属感等方面[10]。Pekrun等人将情感投入视作认知投入和行为投入发生的前提，认为学习情感投入主要由成就情绪、主题情绪、社交情绪和认知情绪四部分构成[11]。

从学习投入的视角来看，混合协作学习中的情感投入，是学习者借助混合学习空间，在动机、支持工具、学习方式和协作任务的调控下，与学习共同体、学习资源进行情感互动时态度、体验感、认同感与价值感的动态累加过程。混合协作学习以任务为中心展开互动，其互动主要可以分为认知互动、社会—情感互动两类：认知互动包括知识的分享、阐述、协商以及对协作过程的监控、调节，这是协作学习得以持续展开的基础;社会—情感互动是指学习者之间会发生情绪交互，有意或无意地营造社交氛围，这种情绪的表达可能涉及认知和元认知过程，也可能是由个体需求得到或未得到满足而做出的回应[12]。无论是积极的还是消极的情绪交互，都会对个体的参与倾向和群体的社交氛围产生影响，从而导致群体凝聚力、群体学习投入度等发生变化。同时，学习者对观点的理解、同伴的互动、学习任务的感知都伴随着一定程度的情感投入。高质量的情感投入可以使学习者获得更多来自教师和同伴的互动与支持，而低质量的情感投入往往使学习者感到边缘化和效率低下。可见，情感投入是协作学习有效发生的必要条件。

三、混合协作学习中情感投入的相关研究

（一）情感交互的类型

情感交互是指学习者与同伴、教师之间针对学习内容进行有意识的情感交流的过程。情感分类是研究情感交互的基础，Harris等提出了六维情感分类法，包括积极、消极、中立、有洞察力、困惑和开玩笑，并以此分析在线论坛会话文本中的学习者情感[13]。之所以将困惑单独作为一类情感，是因为困惑对学习可能是有益的，困惑的出现通常意味着学习者遇到了认知冲突，解决了困惑，学习者就能从矛盾的信息中学习到新知识[14]。

根据交互的内涵及意义，还可以将情感交互分为情感回应、情感评价和情感表达三种类别：情感回应是观点一致与否在情感上的回应，有利于维持交互持续进行;情感评价包括鼓励、感谢、不满和责备等，能够促进学习者的元认知意识;情感表达是学习者对自己情感状态的表达，自然真实的情感表达可以营造坦诚的氛围，促进协作学习的发生[15]。

（二）情感投入的转换与发展

为了探究情感投入与学习者互动、学习投入度和知识建构的深层关系，有研究者从不同类型情感的转换与发展视角展开研究，发现在知识建构的不同阶段，不同类别的情感发生频率不一样，随着认知交互的加深，学习共同体情感经历了产生、碰撞与融合、改进、稳定的情感发展四个阶段[16]。Corey认为，群体情感发展经历了初始阶段、过渡阶段、工作阶段和终结阶段：初始阶段的学习者较为兴奋并致力于相互熟悉;过渡阶段的学习者会权衡他们在小组中的参与度，控场问题会出现，这往往是冲突的原因;工作阶段，学习者越来越多地进行观点协商和知识改进，组员无需带有防御心理，并且会感受到情感支持;终结阶段的学习者已经建立互赖关系，期待下一次酣畅淋漓的表达体验[17]。基于Corey划分的四个阶段，Hod等利用认知网络分析法探索了混合协作学习者不同类型情感投入的转换规律。初始阶段，小组的情感投入特征表现为组员具有强烈的团结协作意愿;过渡阶段，组员感受到的消极情绪、困惑和挫折感较多;工作阶段的小组情感投入的特征表现为移情;终结阶段的小组情感投入则表现为关切同伴[18]。

四、基于多模态数据的混合协作学习者

情感投入的测量方法

（一）学习者情感投入的常见测量方法

学习者情感投入的测量方法是开展相关研究的基础。根据分析的数据对象，可以将情感投入测量方法分成三类：基于文本分析、基于外显行为感知、基于生理信号表征。基于文本分析的测量方法有两种：依赖人工分析的文本测量方法有情感量表、学习者自我报告和访谈法;自动化文本挖掘技术有基于规则的情感词典和基于机器学习的方法。文本分析法成本较低，使用广泛。基于外显行为感知的测量方法，即从面部表情、语音语调和肢体动作中识别情感，优点是实时反馈，弊端是如果学习者故意掩饰自己的真实感受而故作平静，那么识别结果的可靠性就难以保证。基于生理信号的测量方法是使用可穿戴设备或者生理传感器测量生理信号来表征潜意识的情感反应。此方法需要做到无侵入式感知，以降低外接设备对学习者的干扰。

（二）多模态情感计算

情感计算聚焦于应用特征提取与分类技术实现对人类情感的识别、解释、反馈与模仿，试图让机器理解人类情感，以实现人与机器的情感互动[19]。人类表达情感情绪涉及多种模态通道，依据单模态进行情感分析准确度不高，双模态情感分析的可解释性也不能令人十分满意，只有尽可能地融合更多模态，才能进一步提高情感识别的准确度，还原真实完整的情感反应过程。

目前，多模态情感计算技术主要依靠文本、面部表情、语音和生理信号进行情感特征提取（见表1），再将多种单模态特征进行融合得到更精准的情感状态。相较于单模态，多模态情感计算最大的挑战在于多模态信息的融合与理解[20]，这不仅意味着算法持续提高精度，而且牵涉到情感本质的进一步揭示、个体情感个性化度量、外部因素对情感变化的影响等多方面的问题[21]。

（三）基于多模态数据的混合协作学习者情感投入测量与分析

1. 采集多模态情感数据的必要性

学习者在混合协作学习过程中能够产生文本、对话、表情、肢体动作、眼动等多种类型的交互數据以及脑波、皮肤电、脉搏率等肉眼难以观察的生理数据，只有实现多模态数据融合才能精准反映小组成员的情感投入状态。然而，现有研究大多依靠学习者自我报告和在线讨论文本对学习者情感投入进行回溯，情感数据采集通道较为单一，难以全面反映学习者情感状态的变化情况，需要挖掘、整合多模态数据表征混合协作学习者的情感投入，分析其内部状态和情感变化。

2. 多模态情感数据的采集通道

在混合协作学习中，涉及情感投入的多模态数据主要包括文本、行为、心理、生理四种模态数据（见表2）。文本数据包括聊天软件和在线学习平台记录的文本以及根据面对面学习活动录音整理的文本。行为数据是指与人的外在可见行为表现相关的数据，如面部表情等。心理数据是指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，获取来自学习者填写的情感测验量表或自我报告。心理数据依赖学习者主动输入，虽然即时性和自动化程度不高，但可以与其他模态数据进行互证，还能够获悉学习者的历时性体验。生理数据则包括脑电波、眼动、皮肤电、心电、脉搏率等人的生理体征数据。

3. 多模态情感数据的分析方法

混合协作学习主要有线下面对面交流和在线讨论两种学习场景。对于面对面学习场景，使用视频录像的方法记录学习活动的画面和声音，以采集即时情感数据，通过视频情感分析系统可以自动化地识别学习者的情感序列;对于在线讨论学习场景，情感数据来源主要是平台记录的文本和学习者自我报告，可以通过LSTM分类方法进行快速有效的情感分类。若条件允许，给学习者佩戴生理手环或脑电耳麦，采集更多数据通道提供的信息，为多模态融合提供更多选择。获取精确的情感分类结果后，研究者可以采用滞后分析法从情感投入交互类型和学习阶段两个方面交叉分析情感投入的纵深数据，探索学习者情感投入随时间和情境的变化规律及对协作学习效果的影响。

五、基于多模态数据的混合协作学习者

情感投入研究框架

基于多模态情感数据，本研究提出了包含情感数据的多模态融合、情感发生的情境解释、情感状态的动态变化、情感发展的层级建构和情感反馈的调节干预五个层面的混合协作学习者情感投入研究框架，如图1所示。

（一）情感数据的多模态融合

学习者情感会通过在线讨论文本、表情包、语音语调、面部表情、肢体动作和自我报告等进行显性化表达，还可以借助传感器设备对学习者情感进行主动感知，因而获取情感数据的渠道丰富多样。对多来源、多通道、多场景的情感数据进行融合分析，已成为重点研究方向。情感模态融合的方式主要有特征级融合和决策级融合：特征级融合是指提取特征后立即通过拼接等方法集成特征，但容易过度拟合;决策级融合是指深度学习模型先对不同的模态进行训练，再对多个模型输出的结果执行集成，但不允许分类器同时训练所有数据[23]。因此，出现了两者混合的融合方法，在综合两者优点的同时，也增加了模型结构复杂度和训练难度。对于协作学习场域下的情感分析而言，一方面，利用多模态数据之间的信息互补进行交叉验证，生成连贯、互证的证据图景，可以降低单模态情感识别带来的误差，提升情感分析的准确度;另一方面，多模态数据融合能够突破时间和空间的限制，对不同场景下学习者的情感数据进行全方位的采集，有助于实现对学习者情感发生的情境解释和对情感状态时序变化的追踪与干预。

（二）情感发生的情境解释

混合协作学习者的情感发生涉及成员对小组协作任务的关注、维持群体凝聚力的努力、任务执行过程的调控等协作学习过程[24]，不论是愉快的还是倦怠的，学习情感都发生在融合物理、活动、社交和心理等要素的情境之中，受情境的刺激并随着情境的改变而变动。尤其是在真实的物理学习空间中，这种情境性刺激对学习者情感投入的效用更加明显。质疑、协商、赞赏、反对、游离、沉默等行为可能会引发不同的学习情感。同时，学习者情感投入在混合协作学习过程中具有多种功能，包括提高或降低互动质量和认知投入。认知性评价也可以发动或转变情感体验。因此，在分析学习者产生了什么情感、为什么会产生这种情感、这种情感会有什么影响时，必须要考虑情感发生的情境，并解釋情感发生与情境要素之间的关联，探究情感与认知、行为的关系。多模态情感计算关注真实、开放、融合的学习情境，克服了以计算机学习平台为媒介的情感分析过度关注数字化学习环境的局限。

（三）情感状态的动态变化

混合协作学习有一套相对确定的流程，在不同阶段，学习者的情感投入可能会呈现出与认知发展具有相关性的特征，如学习者情感投入随着协同认知的发展而发生从困惑到富有洞察力的转变。因此，研究者需要关注混合协作学习全过程的情感投入在时间序列上的变化。有研究者发现，中性情感不会转化为积极情感[25]，另有研究者则认为，中性情感可以转化为积极情感[9]，这种转化规律尚待更多实证研究来验证。剖析情感投入的动态变化机制，揭示学习者情感变化的规律，有助于教师根据学习者情感状态变化情况，给予适当的学习干预，从而提升学习效果。

（四）情感发展的层级建构

协作学习者通常涉及个体、小组、整体三个层级。研究者主要关注个体情感状态的动态变化、小组情感交互结构与阶段特征、整体情感投入的评估及对学习效果的影响。个体情感状态动态变化的功能性影响包括两个方面：一是改变自身参与认知任务的投入度;二是改变小组社交情感氛围，促使同伴做出情感回应。组内和组间的情感交互为衡量小组协作质量增加了一个评价指标。在组内互动时，小组成员的社交情感体验和他们对互动的解释与评价决定了协作学习期间小组整体情感动机。组间对比可以探究学习情感投入度高低对协同认知水平影响的程度。归纳多个小组情感发展阶段的共性特征，有助于构建混合协作学习的情感发展模型。

（五）情感反馈的调节干预

准确的反馈能够引导学习者及时感知、调整学习状态，提升元认知意识。混合协作学习中，学习者的情感互动既来自教师，也来自同伴，起到调节和干预学习进程的作用。同伴反馈使学习者作为信息源相互影响，维持群体共享的社会化调节。教师反馈主要针对消极情绪进行预警，采取干预措施引导学习者转向积极情绪。调节干预是为了保证学习者处在适当的情感状态和维持小组良好的情感氛围，从而提高交互质量，促进认知深入发展。同时，应尽量避免非必要的干预造成学习者陷入两相矛盾的情绪漩涡，以免增添心理负荷，妨碍知识建构。

六、基于多模态数据的混合协作学习者

情感投入分析路径

聚焦交互分析和内容分析的协作学习分析，目的在于改善协作学习过程，提升学习质量。收集多模态数据进行情感投入分析，一方面帮助学习者洞悉协作状态和过程，及时发现问题并作出调整;另一方面以数据化的证据探索协作学习的内在规律，支撑协作学习的设计与应用。为此，本研究提出基于多模态数据的混合协作学习者情感投入分析路径，如图2所示。

（一）改善混合协作学习过程

1. 融合多模态数据，输出可视化的情感状态识别结果

根据前文所述，通过多模态情感计算技术，将线上线下的学习情感投入信息进行收集和特征提取，根据样本容量和模态特性选择适当的模态融合方法与建模方法，输出学习者和协作小组的情感状态识别结果，呈现方式可采用可视化的气泡图、堆积条形图和箱线图等动态式的情感仪表盘和情绪地图，为师生呈现真实可察的情感历程，小组成员可以看到自身的情绪起伏和小组的情感氛围变化。可视化仪表盘还可以允许学习者修正数据或添加注释，使呈现结果更具有解释力。

2. 根据环境、认知、行为、动机及任务等因素，进行情感归因

人的学习过程是认知、行为和情感情绪的相互作用过程，学习环境、认知水平、行为选择、学习动机和学习任务的复杂度与完成度等因素都会对学习者的情感情绪产生影响。控制—价值理论认为，学习者对学习活动及结果的主观控制感和价值感是影响学习情绪产生和变化的两个核心要素，学习者想要获得什么样的成就则是控制感和价值感的基础[11]。社会性交互、认知性交互是触发混合协作学习情感的交互性因素。因此，从影响混合协作学习情感投入的因素入手，分析学习者与小组产生某种情感状态或者发生某种情感变化的原因，判断情感与认知、行为等的因果关系，以便对学习者和小组实施有效的反馈，增强学习者成就情绪的控制感和价值感。

3. 预防情感危机，采取反馈与调节措施

结合协作任务与情感归因，动态干预与调节学习过程。通过可视化工具将协作过程的组员认知、情感状态和协同投入情况及时反馈和共享给组员[26]。既可以帮助学习者自我评价，也可以对团队成员进行评价，促进个体独立反思和共享反思，引导学习者自我调节和小组共享的社会化调节，从而形成彼此深刻理解的学习共同体。认知冲突是推动知识重组的重要环节，但是在发生认知冲突的过程中很可能会造成人际关系的紧张乃至敌对。教师可以根据学习者的异常情感峰值（如愤怒）及时采取干预措施，如鼓励、开玩笑，化解学习者的情感危机。针对消极情感，可以采用任务难度调节、适当工具支持、材料情感设计等干预策略，促使学习者的情感转向中性或积极状态。

（二）探索混合协作学习规律

1. 情感投入与人际互动的关系

人际互动包含人际沟通和人际关系两个维度。通过沟通，组员可以交换观念、态度和行为等多方面的信息。合理有效的沟通能够加深彼此的情感联系;沟通不当则可能造成组员关系变得疏远。不同的人际关系会让人产生不同的情感体验。借助社会网络分析技术将组员互动的疏密程度可视化，结合学习者与协作组的情感投入仪表盘分析人际互动与情感投入的关系。研究表明，群体内情感支持对构成认知存在、社交存在和教学存在有着极为重要的作用，良好持续的师生互动、生生互动可以提供积极而显著的情感支持[27]。

2. 情感投入与学习资源的关系

混合协作学习的学习资源涵盖观点表达工具、可供查找资料的知识库、明确任务角色流程的协作脚本、监控和评估学习过程的评价反思工具、具备群体感知功能的社会调节工具、支持自我調节的自适应学习系统等。在学习资源尤其是技术工具的耦合下，组员交流的客观阻碍降到最低，便捷的社交工具和协作工具有助于促进学习者的情感表达，增加良性情感体验。企图偷懒者、不良情绪者（如游离、暴躁、失望等）由可视化学习分析工具呈现给教师或助教进而施加干预，其他组员也可以给予其友情提醒，使其获得情感支持，将注意力转向协作任务，从而改善个别组员投入度低、搭便车、无建构的现象。

3. 情感投入与认知发展的关系

协同知识建构需要不同观点进行碰撞融合，然而事实表明，学习者往往很难进行深入辩论。很多时候辩论不是自然发生的，需要教师引导学习者思考并营造积极发声的氛围。在具有较强凝聚力和归属感的群体中，组员能积极参与辩论。学习者的情感投入一定程度上决定了其对群体的归属感、信任感和参与知识建构的主动性。然而，情感投入度并非越高越好。例如：高唤醒度的情绪冲突不利于团队协作，因为组员往往倾向于停止辩论来避免紧张局势;在高唤醒度的愉快氛围下，持有不同观点者可能会由于不愿意破坏气氛而保留意见。因此，越来越多的研究者使用情感调节工具培养学习者的元认知意识，协调情感投入与认知发展的关系。

七、结   语

本研究基于混合协作学习场景存在的多模态情感数据，构建了混合协作学习者情感投入的研究框架，阐述了分析路径，以期提升学习者投入度，实现高质量的协同知识建构。后续研究拟在真实协作情境中采集实证数据，对提出的研究框架和分析路径进行验证和优化，并进一步探索情感在协作学习中的作用机制。

[参考文献]

[1] 祝智庭，胡姣.技术赋能后疫情教育创变：线上线下融合教学新样态[J].开放教育研究，2021，27（1）：13-23.

[2] LEI M， MEDWELL J. Impact of the COVID-19 pandemic on student teachers： how the shift to online collaborative learning affects student teachers' learning and future teaching in a Chinese context[J]. Asia pacific education review， 2021，22（2）：169-179.

[3] 李海峰，王炜.面向问题解决的在线协作知识建构[J].电化教育研究，2018，39（1）：36-41.

[4] 李艳燕，彭禹，康佳，等.在线协作学习中小组学习投入的分析模型构建及应用[J].中国远程教育，2020（2）：40-48.

[5] REIS R C D， ISOTANI S， RODRIGUEZ C L， et al. Affective states in computer-supported collaborative learning： studying the past to drive the future[J].Computers & education， 2018，120（5）：29-50.

[6] HUANG C Q， HAN Z M， LI M， et al. Sentiment evolution with interaction levels in blended learning environments： using learning analytics and epistemic network analysis[J]. Australasian journal of educational technology， 2021，37（2）：81-95.

[7] SAKR M， JEWITT C， PRICE S. Mobile experiences of historical place： a multimodal analysis of emotional engagement[J]. Journal of the learning sciences， 2016，25（1）：51-92.

[8] OUYANG F， CHANG Y H. The relationships between social participatory roles and cognitive engagement levels in online discussions[J]. British journal of educational technology， 2019，50（3）：1396-1414.

[9] LEE E， PATE J A， COZART D. Autonomy support for online students[J]. Techtrends， 2015，59（4）：54-61.

[10] FREDRICKS J A， BLUMENFELD P C， PARIS A H. School engagement： potential of the concept， state of the evidence[J]. Review of educational research， 2004，74（1）：59-109.

[11] PEKRUN R， LICHTENFELD S， MARSH H W， et al. Achievement emotions and academic performance： longitudinal models of reciprocal effects[J]. Child development， 2017，88（5）：1653-1670.

[12] ISOH？魧T？魧L？魧 J， N？魧YKKI P， J？魧RVEL？魧 S. Cognitive and socio-emotional interaction in collaborative learning： exploring fluctuations in students' participation[J]. Scandinavian journal of educational research， 2019（5）：1-12.

[13] HARRIS S C， ZHENG L， KUMAR V. Multi-dimensional sentiment classification in online learning environment[C]//2014 IEEE Sixth International Conference on Technology for Education. Clappana： IEEE， 2014.

[14] D' MELLO S， LEHMA B， PEKRUN R， et al. Confusion can be beneficial for learning[J]. Learning and instruction， 2014，29（1）：153-170.

[15] 劉君玲，张文兰，刘斌.在线协作交互文本编码体系的设计与应用——基于情绪交互视角的研究[J].电化教育研究，2020，41（6）：53-59.

[16] HUANG C Q， HAN Z M， LI M X， et al. Investigating students' interaction patterns and dynamic learning sentiments in online discussions[J]. Computers & education， 2019，140（10）：1-18.

[17] COREY M S， COREY G， COREY C. Groups： process and practice[M]. 10th ed. Belmont， CA： Brooks/Cole-Cengage Learning， 2010.

[18] HOD Y， KATZ S. Fostering highly engaged knowledge building communities in socioemotional and sociocognitive hybrid learning spaces[J]. British journal of educational technology， 2020，51（4）：1117-1135.

[19] 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.

[20] 刘继明，张培翔，刘颖，等.多模态的情感分析技术综述[J].计算机科学与探索，2021，15（7）：1165-1182.

[21] 饶元，吴连伟，王一鸣，等.基于语义分析的情感计算技术研究进展[J].软件学报，2018，29（8）：2397-2426.

[22] 傅小兰.情绪心理学[M].上海：华东师范大学出版社，2015.

[23] 何俊，张彩庆，李小珍，等.面向深度学习的多模态融合技术研究综述[J].计算机工程，2020，46（5）：1-11.

[24] 马志强，岳芸竹，王文秋.基于多模态交互信息的协作学习投入分析[J].现代教育技术，2021，31（1）：47-53.

[25] 王云，李志霞，白清玉，等.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.

[26] 柴阳丽，陈向东，陈佳雯.CSCL中的团队反思及其支架开发[J].电化教育研究，2021，42（4）：93-100.

[27] NURIA H S， PABLO C， MUNOZ C. Computer-supported collaborative learning： an analysis of the relationship between interaction， emotional support and online collaborative tools[J]. Computers & education， 2019，138（9）：1-12.