學(xué)習(xí)情緒是學(xué)習(xí)者模型的重要內(nèi)容,如何識別學(xué)習(xí)者的學(xué)習(xí)情緒是下一代智能教輔系統(tǒng)的關(guān)鍵技術(shù)。困惑是最常見的學(xué)習(xí)情緒之一,及時(shí)識別并解決困惑有助于提高學(xué)習(xí)效果,然而困惑情緒內(nèi)隱性較強(qiáng),識別難度較大。本研究設(shè)計(jì)了一組基于在線測評的困惑誘導(dǎo)實(shí)驗(yàn),提出了一種基于面部表情的學(xué)習(xí)困惑自動(dòng)識別算法。研究人員通過設(shè)定不同難度的測試題誘導(dǎo)被試產(chǎn)生困惑情緒,同時(shí)利用攝像設(shè)備實(shí)時(shí)捕捉學(xué)習(xí)者的面部表情,提取面部重要特征點(diǎn),進(jìn)而利用機(jī)器學(xué)習(xí)算法進(jìn)行困惑識別。在實(shí)驗(yàn)中,本研究使用邏輯回歸、支持向量機(jī)、K近鄰、決策樹、隨機(jī)森林和深度學(xué)習(xí)等機(jī)器學(xué)習(xí)算法建立學(xué)習(xí)困惑自動(dòng)檢測模型,并與被試自我報(bào)告確定的困惑標(biāo)簽進(jìn)行對比。實(shí)驗(yàn)結(jié)果表明,多數(shù)分類算法能有效檢測學(xué)生的學(xué)習(xí)困惑,隨機(jī)森林模型的預(yù)測性能最佳,平均準(zhǔn)確率為71.18%。本研究所提出的方法可為下一代智能教輔系統(tǒng)的學(xué)習(xí)者情緒建模提供技術(shù)支撐。 

【文章來源】：開放教育研究. 2018,24(04)北大核心CSSCI

【文章頁數(shù)】：8 頁

【部分圖文】：

學(xué)習(xí)困惑檢測研究路線

圖1學(xué)習(xí)困惑檢測研究路線(一)數(shù)據(jù)收集1．實(shí)驗(yàn)流程本實(shí)驗(yàn)選取了某大學(xué)20名在校研究生進(jìn)行英語測試，男女比例為1∶1;每位被試需完成30道英語測試題，試題來源于知名在線題庫“組卷網(wǎng)”(ht-tps://www．zujuan．com/)。研究者從題庫選擇難、中等和容易三種難度的選擇題，比例為1∶1∶1。被試人員英語水平分布為:通過大學(xué)生英語六級考試的40%，已通過四級考試的50%，未通過四級考試的10%。本次實(shí)驗(yàn)在實(shí)驗(yàn)室環(huán)境下進(jìn)行(見圖2)，被試在電腦上進(jìn)行試題作答，研究人員用另外一臺電腦通過攝像頭(型號:IntelNo．VF8010)實(shí)時(shí)采集被試面部表情。研究者采集學(xué)生解答每道題時(shí)的5張面部表情圖片，共采集每個(gè)學(xué)生150張表情圖片，整個(gè)實(shí)驗(yàn)共計(jì)采集3000張表情圖片。圖2實(shí)驗(yàn)室環(huán)境下收集學(xué)習(xí)困惑表情圖片2．定義數(shù)據(jù)標(biāo)簽在基于面部表情識別情緒的相關(guān)研究中，國外同行通常根據(jù)研究對象的自我報(bào)告定義數(shù)據(jù)標(biāo)簽(Dursoetal．，2012;Whitehillelal．，2014)。因此，在測試完成后，被試需要再次瀏覽所有試題，確定解答每道試題時(shí)的學(xué)習(xí)困惑狀態(tài)，并通過自我評價(jià)定義困惑標(biāo)簽。為了使被試對困惑標(biāo)簽的定義更客觀，本研究僅使用兩類學(xué)習(xí)困惑標(biāo)簽:困惑和不困惑。若被試對英語試題所表達(dá)的意思、選項(xiàng)答案、考察知識點(diǎn)等一或多個(gè)因素不了解，不知道如何選擇則被視為困惑;反之，被試對該道英語試題意思及考察知識點(diǎn)完全清楚，幾乎不需太多思考就能選定答案則定義為不困惑。(二)數(shù)據(jù)預(yù)處理1．?dāng)?shù)據(jù)清洗實(shí)驗(yàn)中，被試思考和解答試題時(shí)常會(huì)頭部晃動(dòng)，造成面部偏離圖像的中央位置，攝像頭不能正確捕捉面部特征點(diǎn)，因此，需要?

做歸一化處理，即將數(shù)據(jù)統(tǒng)一映射到［0，1］區(qū)間內(nèi)。歸一化有很多優(yōu)點(diǎn)，可以提升模型收斂的速度又能提高模型的精度。本文使用的是z-score標(biāo)準(zhǔn)化，也叫標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化，即對原始數(shù)據(jù)的均值和標(biāo)準(zhǔn)差進(jìn)行標(biāo)準(zhǔn)化。經(jīng)過處理的數(shù)據(jù)符合標(biāo)準(zhǔn)正態(tài)分布，即均值為0，標(biāo)準(zhǔn)差為1，其轉(zhuǎn)化函數(shù)為:x*=(x－μ)/σ。其中，x*為轉(zhuǎn)化后的值，μ、σ分別為所有樣本數(shù)據(jù)的均值和標(biāo)準(zhǔn)差。圖3面部特征提取過程(三)自動(dòng)檢測模型架構(gòu)本研究使用邏輯回歸、支持向量機(jī)、K近鄰、決策樹、隨機(jī)森林和深度前饋神經(jīng)網(wǎng)絡(luò)建立學(xué)習(xí)困惑自動(dòng)檢測分類模型。邏輯回歸(LogisticＲegression，簡稱LＲ)是最常見的分類方法之一，常用作預(yù)測建模等教育數(shù)據(jù)挖掘任務(wù)(宗陽等，2016)。二元邏輯回歸是最簡單的形式，即根據(jù)一或多個(gè)連續(xù)或離散自變量預(yù)測兩個(gè)離散因變量的廣義線性模型，本研究預(yù)測變量只有兩個(gè)類別，因此使用二元邏輯回歸。支持向量機(jī)(SupportVectorMachine，簡稱SVM)是一種具有堅(jiān)實(shí)的統(tǒng)計(jì)理論基礎(chǔ)的分類技術(shù)，可將數(shù)據(jù)映射到高維空間進(jìn)行非線性分類。SVM應(yīng)用于高維數(shù)據(jù)，可有效避免維度災(zāi)難問題，本研究采用的支持向量機(jī)核函數(shù)為高斯核。K近鄰(K-NearestNeighbor，簡稱KNN)是一種基于度量實(shí)例間的相似性或距離的“惰性學(xué)習(xí)”算法，通過距離度量找出訓(xùn)練集中與其最靠近的K個(gè)訓(xùn)練樣本，并使用“投票法”，選擇K個(gè)樣本中出現(xiàn)最多的類別作為預(yù)測結(jié)果。本研究K值設(shè)置為3，即通過最鄰近的三個(gè)樣本確定分類標(biāo)簽。決策樹(DecisionTree，簡稱DT)是一種解釋性很強(qiáng)的分類算法，模型可以通過由節(jié)點(diǎn)和

【參考文獻(xiàn)】：
期刊論文
[1]人工智能2.0重塑學(xué)習(xí)的技術(shù)路徑與實(shí)踐探索——兼論智能教學(xué)系統(tǒng)的功能升級[J]. 陳凱泉,沙俊宏,何瑤,王曉芳.  遠(yuǎn)程教育雜志. 2017(05)
[2]基于學(xué)業(yè)成績預(yù)測的教學(xué)干預(yù)研究[J]. 丁夢美,吳敏華,尤佳鑫,孫眾.  中國遠(yuǎn)程教育. 2017(04)
[3]MOOCs學(xué)習(xí)行為與學(xué)習(xí)效果的邏輯回歸分析[J]. 宗陽,孫洪濤,張亨國,鄭勤華,陳麗.  中國遠(yuǎn)程教育. 2016(05)
[4]學(xué)業(yè)困惑:概念、研究范式及其與學(xué)習(xí)的關(guān)系[J]. 馬惠霞,楊瑩瑩.  心理與行為研究. 2015(06)
[5]情感計(jì)算及其在人機(jī)交互設(shè)計(jì)中的應(yīng)用[J]. 夏洪文.  中國電化教育. 2008(01)



本文編號：3329427