汪碧云，楊新凱

(上海師范大學(xué)信息與機電工程學(xué)院，上海200234)

0 引言

隨著因特網(wǎng)和其他數(shù)字媒體資源的廣泛普及，E－Learning教學(xué)活動作為教育信息化、教育技術(shù)現(xiàn)代化和教育人性化的必然產(chǎn)物，其優(yōu)勢特點不言而喻，也越來越受到人們的普遍關(guān)注，其學(xué)習(xí)的隨時隨地性、資源共享性遠(yuǎn)勝傳統(tǒng)教育方式，打破了傳統(tǒng)課堂的禁錮，成為未來教育發(fā)展的重要方向之一［1－4］．然而，由于教師與學(xué)生之間存在空間上的間隔，E－Learning無法做到面對面教學(xué)那樣掌握學(xué)習(xí)者的情感動向與學(xué)習(xí)狀態(tài)，缺少了學(xué)習(xí)中的情感互動，使得學(xué)習(xí)者的學(xué)習(xí)情緒無法及時被了解，致使教學(xué)過程中情感缺失，達不到好的學(xué)習(xí)效果．因此，越來越多的研究者把情感因素納入E－Learning的研究中，使E－Learning系統(tǒng)可以識別學(xué)習(xí)者的情緒．

相關(guān)研究涉及到情感計算、人工智能、教育學(xué)、心理學(xué)等領(lǐng)域．目前的E－Learning中的情感計算大多以人的面部表情識別和語音識別，或者采集實驗信號，例如肌電圖、血容量搏動、皮膚電反應(yīng)、呼吸作用等作為情感計算的依據(jù)［5－9］．然而，在人的情緒反應(yīng)中，心理變化先于生理變化，每個人的人格不同也會導(dǎo)致不同的生命體對于同一事物的反應(yīng)和理解有所偏差，僅僅通過這些表象還不能很好地達到使計算機理解人的目的，甚至產(chǎn)生情感模糊．因此，本文作者將由希波克拉底體液學(xué)說［10］演變而來，已在現(xiàn)實中得到良好應(yīng)用的氣質(zhì)類型引入E－Learning系統(tǒng)中，使得對學(xué)習(xí)者的情感識別更為真實可靠，彌補了目前E－Learning教學(xué)中情感交互不足．

1 現(xiàn)有E－Learning系統(tǒng)結(jié)構(gòu)及改進

1．1 IEEE學(xué)習(xí)技術(shù)系統(tǒng)結(jié)構(gòu)標(biāo)準(zhǔn)(LTSA)

目前，較權(quán)威的E－Learning系統(tǒng)結(jié)構(gòu)是2003年提出的IEEE標(biāo)準(zhǔn)，即學(xué)習(xí)技術(shù)系統(tǒng)結(jié)構(gòu)標(biāo)準(zhǔn)(LTAS)．如圖1中右上部分所示，它是由指導(dǎo)進程通過查詢知識庫和成績庫來確定學(xué)習(xí)者的學(xué)習(xí)模式并將學(xué)習(xí)模式發(fā)送給學(xué)習(xí)進程，同時將知識庫的學(xué)習(xí)內(nèi)容傳達給傳達進程，并由傳達進程將具體的多媒體教學(xué)資料傳送給學(xué)習(xí)進程．當(dāng)次學(xué)習(xí)結(jié)束后，將學(xué)習(xí)進程中學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)發(fā)送給評價進程，加上由傳達進程發(fā)送來的標(biāo)準(zhǔn)答案，一并經(jīng)由評價進程對本次學(xué)習(xí)進行評估，并將成績導(dǎo)入成績庫．

1．2 對于LTSA的改進

作者提出的算法核心在于以利用氣質(zhì)類型測試得出的學(xué)習(xí)者的人格作為識別學(xué)習(xí)者性格的依據(jù)，并在IEEE學(xué)習(xí)技術(shù)系統(tǒng)結(jié)構(gòu)標(biāo)準(zhǔn)(LTSA)的基礎(chǔ)上添加人格庫，由以往單純通過攝像頭提取的面部表情來作為學(xué)習(xí)者當(dāng)前情感的依據(jù)，轉(zhuǎn)變?yōu)榍楦邢蛄拷?jīng)由人格庫情感強度計算，得出學(xué)習(xí)者當(dāng)前最為真實可靠的心理狀態(tài)和情感，完整了系統(tǒng)中情感交互的部分，從而達到智能化、人性化教學(xué)的目的(如圖1中情感進程、人格庫、評價進程部分及與之相關(guān)的箭頭部分)．

圖1 E－Learning結(jié)構(gòu)圖

加入的人格庫模塊起到作用有:(1)通過人的面部表情識別經(jīng)由性格分析后得出真實的情感狀態(tài)，并傳達給情感進程，反饋給指導(dǎo)進程，以便判斷學(xué)習(xí)者此刻情緒狀態(tài)下的學(xué)習(xí)能力，為其后續(xù)學(xué)習(xí)進行指導(dǎo);(2)評價進程在對學(xué)生當(dāng)次的學(xué)習(xí)效果進行評價時，通過人格庫獲得學(xué)習(xí)者的性格，以便更好地對學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)進行評價．

本文作者的研究重點在于通過氣質(zhì)類型人格庫對學(xué)習(xí)者的情感狀態(tài)和學(xué)習(xí)能力進行評價，對其后續(xù)學(xué)習(xí)進行指導(dǎo)．

2 算法設(shè)計

2．1 Knowledge－Map及難度設(shè)定

Knowledge－Map是對學(xué)習(xí)內(nèi)容的知識結(jié)構(gòu)進行規(guī)劃，建立起科學(xué)的知識樹，并根據(jù)學(xué)習(xí)者的學(xué)習(xí)進度對不同的知識點進行不同的難度標(biāo)記，使得系統(tǒng)在為學(xué)習(xí)者進行知識分配時，能夠更好地考慮到學(xué)習(xí)者對該知識點的學(xué)習(xí)能力，以及在情緒狀態(tài)下是否適合溫習(xí)或挑戰(zhàn)該知識點．Knowledge－Map是通過章節(jié)目錄形成的．

假定有n個章節(jié)，將其定義為C1，C2，C3，…，Cn共n個知識點，并生成一個n×n矩陣，表示章節(jié)之間的關(guān)聯(lián)度，其中cij(1≤i≤n，1≤j≤n)表示j知識點是否為i知識點的直接前置知識，若直接相關(guān)則cij=1，否則 cij=0．

同樣的，章節(jié)內(nèi)的子知識點也按這種方式生成劃分更細(xì)的Knowledge－Map．

圖2 Knowledge－Map示意圖

難度設(shè)定是根據(jù)學(xué)習(xí)者的當(dāng)前學(xué)習(xí)進度來進行的而不是一個固定值，以1個父節(jié)點及2個子節(jié)點為例，見圖3．未學(xué)過的兄弟節(jié)點保持相同難度．學(xué)過的知識點標(biāo)記為低難度．若C1、C2、C3均未學(xué)，則 C1為高難度，C2、C3為中等難度;C2、C3不全為低難度，則C1為高難度;若C2、C3均為已學(xué)低難度，而C1未學(xué)，則C1為中等難度．

通過建立Knowledge－Map及知識點難度設(shè)定，可以更好地幫助學(xué)習(xí)者了解知識結(jié)構(gòu)，在學(xué)習(xí)一門新的課程的時候可以找到適合自己的學(xué)習(xí)起點，避免了新手入門的困惑，節(jié)省了學(xué)習(xí)時間，提高了學(xué)習(xí)效率，并避免了因錯誤入門而導(dǎo)致的學(xué)習(xí)不快和學(xué)習(xí)倦?。?/p>

圖3 知識點難度設(shè)定

2．2 基于氣質(zhì)類型的情感算法

氣質(zhì)類型是一種有著歷史淵源的，已經(jīng)成熟運用的，通過人的體液來推斷人的性格的心理學(xué)方法，可以很好地展現(xiàn)及歸納人的性格和情感，如今該方法已發(fā)展為經(jīng)典的4種氣質(zhì)——多血質(zhì)、膽汁質(zhì)、粘液質(zhì)、抑郁質(zhì)．其主要特點分別為:(1)多血質(zhì):活潑、敏感、反應(yīng)敏捷，對新事物的接受能力強但印象不夠深刻，易轉(zhuǎn)移注意力，情緒易于產(chǎn)生易于消退;(2)膽汁質(zhì):精力旺盛，性格急躁，反應(yīng)迅速但準(zhǔn)確性差，情緒易外露;(3)粘液質(zhì):安靜穩(wěn)重，反應(yīng)緩慢，善于自制，情緒不易外露，注意力集中而不易轉(zhuǎn)移;(4)抑郁質(zhì):心細(xì)，情感深刻，情緒不易外露，感受性強，耐受性差．

定義1 在學(xué)習(xí)過程中，學(xué)習(xí)者的表情分為5類，分別為快樂、悲傷、憤怒、厭惡、平靜，并根據(jù)氣質(zhì)類型的特點，根據(jù)不同氣質(zhì)類型的感受性和情緒興奮性，得出情緒感受性矩陣A，

其中，行分別代表快樂、悲傷、憤怒、厭惡和平靜，列分別代表多血質(zhì)、膽汁質(zhì)、粘液質(zhì)、抑郁質(zhì)，aij(0＜i≤5，0＜j≤4)則表示某一種典型氣質(zhì)類型下，對應(yīng)的情感的強度(即不同氣質(zhì)類型對于快樂、悲傷、憤怒、厭惡、平靜的感受強度)．

每個人的氣質(zhì)類型往往不一定只包含其中一種，又分單一型和混合型．

定義2 通過經(jīng)典氣質(zhì)類型測試得出學(xué)習(xí)者的氣質(zhì)類型并用向量表示，記作氣質(zhì)類型向量B，則B=(p多血質(zhì)，p膽汁質(zhì)，p粘液質(zhì)，p抑郁質(zhì))T．其中0≤pi≤1(i=多血質(zhì)，膽汁質(zhì)，粘液質(zhì)，抑郁質(zhì))，分別代表在這位學(xué)生的性格中某一氣質(zhì)類型所占的比例，且p多血質(zhì)+p膽汁質(zhì)+p粘液質(zhì)+p抑郁質(zhì)=1．

定義3 根據(jù)情緒感受性矩陣A和氣質(zhì)類型向量B，可以得出情感強度向量P．

對應(yīng)的情感強度向量，0≤pi≤1(i=快樂，悲傷，憤怒，厭惡，平靜)．在前面3個定義基礎(chǔ)之上，具體的算法如下:

步驟1:根據(jù)人臉表情識別技術(shù)初步得出情感向量λ，例如快樂的情感向量為λ=(1，0，0，0，0)，悲傷為 λ =(0，1，0，0，0)等．由 λ ×P 得出相應(yīng)的 Pi，0≤Pi≤1，i=(快樂，悲傷，憤怒，厭惡，平靜)．

步驟2:根據(jù)Pi的值，i=(快樂，悲傷，憤怒，厭惡，平靜)，可以得出適合學(xué)習(xí)者當(dāng)前情緒狀態(tài)的知識點難度類型．

當(dāng)P快樂＞0．8時，表示學(xué)習(xí)者學(xué)習(xí)狀態(tài)及情感狀態(tài)為最佳，此時可以給學(xué)習(xí)者高難度的知識點予以學(xué)習(xí);當(dāng)P快樂≤0．8時，學(xué)習(xí)者學(xué)習(xí)狀態(tài)及情感狀態(tài)良好，給予學(xué)習(xí)者中等難度的知識點．

當(dāng)P悲傷＞0．8時，表示當(dāng)前的知識已經(jīng)令其費解，產(chǎn)生了負(fù)面情緒，此時不宜學(xué)習(xí)新的知識，應(yīng)建議其溫習(xí)已掌握的低難度知識;當(dāng)0．5＜P悲傷≤0．8時，應(yīng)推薦學(xué)習(xí)低于當(dāng)前難度的知識;當(dāng)P悲傷≤0．5時，可繼續(xù)嘗試當(dāng)前的挑戰(zhàn)性學(xué)習(xí)．

當(dāng)P憤怒＞0時，表示當(dāng)前的學(xué)習(xí)已經(jīng)使學(xué)習(xí)者完全無法接受，情緒達到暴躁的狀態(tài)，這種狀態(tài)是不適合進行學(xué)習(xí)的，應(yīng)該中止學(xué)習(xí)狀態(tài)，使學(xué)習(xí)者適當(dāng)?shù)男菹ⅲ綇?fù)心情．

當(dāng)P厭惡＞0時，表示學(xué)習(xí)者對當(dāng)前的學(xué)習(xí)內(nèi)容不感興趣或無法理解，此時應(yīng)該換成其他的知識內(nèi)容．

當(dāng)P平靜=1時，若此時是學(xué)習(xí)者當(dāng)次登錄的初次學(xué)習(xí)，則從中等難度的新知識點開始學(xué)習(xí)，若此時是學(xué)習(xí)者正在學(xué)習(xí)中的狀態(tài)，則繼續(xù)進行當(dāng)前的學(xué)習(xí)．

2．3 學(xué)習(xí)評價

學(xué)習(xí)者的學(xué)習(xí)評價是在每次學(xué)習(xí)過程后，通過當(dāng)天的學(xué)習(xí)進展或者當(dāng)天的測試后，由評價進程給出的，由于不同的氣質(zhì)類型的人的耐受性不同，適合的教學(xué)方式也不一樣，評價進程在對學(xué)習(xí)者的學(xué)習(xí)效果進行評價時，需要了解學(xué)習(xí)者氣質(zhì)類型的感受性與耐受性，從而得出其適合什么樣的評語．

表1 各氣質(zhì)類型的感受性與耐受性

學(xué)習(xí)者本次表現(xiàn)較差時，氣質(zhì)類型感受性越高耐受性越低的，對其的評價言辭越要以鼓勵為主，不可過于嚴(yán)苛批評;對于氣質(zhì)類型感受性低而耐受性高的，則可以客觀地指出其學(xué)習(xí)中的不足．在學(xué)習(xí)者本次表現(xiàn)一般時，要委婉指出其不足，勉勵之．當(dāng)表現(xiàn)良好時，予以鼓勵．

3 系統(tǒng)初步實現(xiàn)

基于氣質(zhì)類型情感計算的E－Learning系統(tǒng)模型可分為兩個大的部分:用戶信息登錄部分和知識學(xué)習(xí)指導(dǎo)部分．用戶信息登錄部分包括:(1)非注冊用戶初次登錄注冊時，填寫氣質(zhì)類型測試，得出的氣質(zhì)類型導(dǎo)入人格庫中;已注冊用戶登錄開始學(xué)習(xí)時，進行面部表情識別，再根據(jù)氣質(zhì)類型計算其情感狀態(tài)．(2)知識學(xué)習(xí)指導(dǎo)部分包括通過氣質(zhì)類型進行情感計算后得到情感狀態(tài)，進行適合當(dāng)前情感的學(xué)習(xí)，再根據(jù)當(dāng)次的學(xué)習(xí)得出分?jǐn)?shù)以及氣質(zhì)類型來對當(dāng)次學(xué)習(xí)進行評語，并導(dǎo)入成績庫．

圖4 系統(tǒng)流程圖

4 應(yīng)用實例

以《21天學(xué)通C語言》為例，本書一共分8個篇幅，分別為入門、基礎(chǔ)、結(jié)構(gòu)編程、數(shù)組和字符串、函數(shù)、指針、高級應(yīng)用、綜合案例．通過矩陣建立關(guān)聯(lián)度，生成章節(jié)矩陣

生成的Knowledge－Map如圖5．

圖5 仿真Knowledge－Map

起初，“入門”和“基礎(chǔ)”為中難度，其他均為高難度，當(dāng)“結(jié)構(gòu)體編程”為中難度時，“數(shù)組和字符串”也變?yōu)橹须y度，以此類推．

首先非注冊用戶注冊時，填寫60題的氣質(zhì)類型測試得出其氣質(zhì)類型向量 B，如 B=(0．5，0，0．5，0)T，將情緒感受性矩陣A與B的乘積導(dǎo)入數(shù)據(jù)庫，作為其情感強度向量 P，P=(0．75，0．75，0．75，0．75，1)，并將用戶的典型氣質(zhì)類型錄入數(shù)據(jù)庫．導(dǎo)入面部表情向量，經(jīng)由基于氣質(zhì)類型的情感計算，得出學(xué)習(xí)者當(dāng)前的真實情感及情感強度，并推薦給學(xué)習(xí)者適合其當(dāng)前學(xué)習(xí)能力的知識點．此例中，當(dāng)學(xué)習(xí)者心情愉悅時，P快樂=0．75，可推薦學(xué)習(xí)中等難度知識;當(dāng)學(xué)習(xí)者悲傷時，P悲傷=0．75，應(yīng)推薦學(xué)習(xí)低于當(dāng)前難度的知識，若無更低難度知識，則中止學(xué)習(xí);當(dāng)學(xué)習(xí)者憤怒時，P憤怒=0．75中止學(xué)習(xí);當(dāng)學(xué)習(xí)者厭惡時，P厭惡=0．75，更換學(xué)習(xí)同難度的其他知識;當(dāng)學(xué)習(xí)者平靜時，P平靜=1，繼續(xù)當(dāng)前學(xué)習(xí)．

5 結(jié)束語

現(xiàn)有的E－Learning中情感識別依賴于表情識別和語音識別，而這兩種識別方式對于掌握學(xué)習(xí)者的真實情感有著明顯的缺陷和不足，針對這一問題，本文作者提出了基于氣質(zhì)類型的情感算法，這一算法有心理學(xué)理論為基礎(chǔ)，更深入地表達了學(xué)習(xí)者發(fā)自內(nèi)心的情感，是E－Learning中情感計算的一個重要發(fā)展方向，能夠更好地掌握學(xué)習(xí)者的情緒動態(tài)和真實情感的強度．基于心理學(xué)方法論的情感算法作為一個全新的E－Learning情感計算思路，有著廣闊的發(fā)展前景，使未來的E－Learning更加人性化、個性化．

［1］汲業(yè)．E－Learning系統(tǒng)的研究［D］．遼寧:大連理工大學(xué)，2005．

［2］WANG Z L，QIAO X J，XIE Y G．An emotional intelligent E－learning system based on mobile agent technology［C］∥International Conference on Computer Engineering and Technology．Beijing:IEEE Computer Society，2009．

［3］PENG W H，LI J．Application study of the tracking of E－learning behavior using the net－based intelligent robot［C］∥First International Workshop on Education Technology and Computer Science．Hubei:IEEE Computer Society，2009．

［4］賀斌．E－Learning情感計算模型設(shè)計研究［J］．遠(yuǎn)程教育雜志，2011，29(4):103－110．

［5］解迎剛，王志良．學(xué)習(xí)者情緒空間定義及應(yīng)用［C］∥中國自動化學(xué)會控制理論專業(yè)委員會．第二十六屆中國控制會議論文集．湖南:中國學(xué)術(shù)期刊，2007．

［6］王濟軍．基于表情識別技術(shù)的情感計算在現(xiàn)代遠(yuǎn)程教育中的應(yīng)用研究［D］．天津:天津師范大學(xué)，2005．

［7］張利，張永皋．基于語音情感分析的 E－Learning研究［J］．軟件導(dǎo)刊，2011，10(6):148－150．

［8］張盛．漢語語音情緒識別［D］．安徽:中國科技大學(xué)，2007．

［9］WANG H P，CHEN CM．Assessing the Effects of Various Multimedia Curriculums to Learning Emotion and Performance based on Emotion Recognition Technology［C］∥International Symposium on Computer，Communication，Control and Automation．Taiwan:IEEE 3CA，2010．

［10］希波拉克底．希波拉克底文集［M］．北京:中國中醫(yī)藥出版社，2007．