个性化学习资源推荐中文本情感识别的作用及关键技术

基于数据智能分析的学习资源推送是精准支持个性化学习的教学服务方式之一。随着人工智能技术和学习分析技术的发展，通过对行为数据、测评数据和日志数据等的分析进行资源推送虽已有较成功应用，但未能实现学习者个人情感状态为引导的资源推送。为此，该研究针对个性化学习资源推荐中情感价值、情感控制理论和实践的缺失，以实现个性化学习多维度情感识别为目标，采用BERT模型和TextCNN构建个性化学习资源推荐文本情感识别模型，并提出了基于学习者作业、论坛内容等的文本情感识别模型实现过程。学习资源推荐文本情感识别模型和实现过程可为真实应用提供方法支持和技术路线指引。     

面向学习体验文本的学习者情感分析模型研究

情感是影响学习者认知和行为的关键性非智力因素。准确分析、识别学习者的情感状态,对教育的个性化、智能化发展尤为重要,它是情感计算的重要内容,已经成为人工智能和教育领域的交叉研究热点。学习体验文本是学习者情感分析的主要数据来源。面向学习体验文本,是在完善基础词典和情感词典的基础上,提出一种融合情感词典和机器学习的学习者情感分析模型,能够实现对段落级/篇章级学习体验文本的多级情感分类,从而挖掘学习者内隐的情绪状态。为了检验模型的有效性,采用宏平均指标全面评估情感分析模型的整体分类性能。研究结果表明:选择情感词特征和句子构成特征、采用SVM分类器时,该模型能够准确识别学习体验文本中的学习者情感;模型不仅为学习者多级情感分析提供新的研究思路,而且也为深入挖掘学习行为、改善在线教育的学情分析等,提供了技术支撑。这一研究结果,有助于进一步把握模型的应用前景、面临的问题和挑战等,并提出了相关建议。     

基于智能Agent的远程学习者情感与认知识别模型——眼动追踪与表情识别技术支持下的耦合

情感与认知状态的准确识别是实现远程学习者与教学Agent有效互动的基础。只有有效识别出学习者的情感与认知状态,教学Agent在改变学习者行为态度、帮助学习者获取和理解知识、支持学习者认知发展方面才能取得预期的效果。现有的教学Agent普遍存在两方面问题:一是缺乏情感交互性,容易使远程学习者产生厌倦情绪;二是认知推断功能薄弱,对学习效果的促进作用不稳定。这主要是由于Agent对学习者状态的识别不够充分造成的。已有的学习者状态识别方法虽然在学习者情绪状态的识别方面各有优势,但却无法同时检测学习者的视域、学习情绪与认知状态。学习者的眼动追踪数据是判断学习者实时状态的重要指标,也是学习者与Agent进行情感交互的重要依据。结合表情识别和眼动追踪技术构建的基于智能Agent的远程学习者情感与认知识别模型,将眼动追踪与表情监控迭代识别、情感与认知识别过程相耦合,以提高远程学习者状态的识别准确率,改进Agent对学习者的情感和认知支持,为智能教学Agent与远程学习者交互机制的研究提供新的思路和方法。     

教育智能体的发展历程、应用现状与未来展望

教育智能体是人工智能领域的重要研究方向,可助力实现教育的智能化、精准化和个性化,其对学习者的学习动机、学习情感、学习效果等有着直接且显著的影响.人工智能与教育的结合愈加紧密,但教育智能体尚处于探索阶段,为使教育智能体更好地服务教与学,文章通过对既有文献的梳理和归纳,对教育智能体的发展历程和应用现状进行了总结,并进一步明确了教育智能体的内涵和特征.教育智能体已在支持个性化学习、扮演虚拟教学角色、实现人机情感交互等领域取得应用,但仍存在决策精度较弱、对话能力有限、外观设计简单、情感交互不足等问题.未来,教育智能体将与大数据、深度学习、情感计算等技术深度融合,以其"智能"促进学习者的"智慧"发展,赋能教与学的变革与重构.     

脑机接口教育应用:原理、潜能与障碍

脑机接口教育应用目前仍处于非主流地位，其理论基础、技术设备、制度保障等依然存在诸多障碍。本研究从技术原理、应用潜能和应用障碍三方面阐述了脑机接口技术教育应用的优势和不足。线上教学为脑机接口教育应用提供了新的机遇，但脑机接口技术对于主流教学方式的改变有限。如果两者能有机融合、优势互补，将有助于提高学生学习积极性和学习效率，这可能也是脑机接口等非主流技术在后疫情时代的生存之路。     

国外人工智能教学应用研究综述

人工智能技术在教育教学中的应用日渐丰富,国内关于人机协同的研究多偏向于宏观理论探索,实践研究较少。鉴于此,研究以近三年三本具有国际影响力的期刊中人工智能教学应用相关文献为样本,以人工智能局部替代教学、赋能教学为焦点,分析国外人工智能教学应用研究现状。从中可以看出,当前国外研究者在探索认知特征、学习本质和教育规律的基础上,关注将机器学习、逻辑推理、自然语言理解等人工智能技术嵌入各类教学、学习、决策等工具、系统、平台中,支持构建体验学习情境、规范学习行为、评估学业水平和能力结构、制定个性化学习路径和内容等研究,旨在通过人机协同优化教学方式与路径,为学习者提供个性化学习服务。这些研究成果对开发人工智能教学产品、理解学习的本质、探索教学规律等提供了方法指导和可供借鉴的研究范式,但也存在人工智能教学应用研究狭窄化、碎片化、微观化等问题,后期还需从宏观、中观层面开展人工智能与教学的关系研究、人工智能教学应用关键技术研究、人工智能赋能教师的理论基础研究、人工智能与教学融合形态研究、人机协同背景下的教师人工智能教学应用素养研究等。     

基于虚拟助理的远程学习支持服务及技术难点

以人工智能与模式识别为核心的虚拟助理是当前备受各领域关注的智能化应用技术,在远程教育个性化支持服务领域存在巨大的应用潜力,其技术发展和市场需求集中体现在资源推送、教学互动、情绪调节和生活辅助四个方面。已有研究显示,虚拟助理可以智能化地判断和理解学习者的需求,改善远程学习系统中资源与知识单向传输和缺乏互动的情况,适时引导学习者进行学习并解答疑难问题;还可以监测学习者远程学习过程中的情绪变化,缓解由于时空分离而造成的负面情绪,为远程学习者提供更自然和人性化的交互方式与学习支持,以及更多的生活便利。随着虚拟现实、人工智能、传感器和模式识别技术的发展,人们已经越来越多地看到了它在适应学习者需求和喜好、提供个性化学习支持服务方面的优势,但是其进一步发展还需攻克资源推送算法、人机互动模式、情绪状态识别等技术难点。     

学习情感计算研究——基于国际研究的系统性文献综述

情感计算为感知与理解学习者情感、增强情感交互、促进人机协同提供了技术支撑。近年来,围绕学习情感计算的研究迅速增加,但缺乏对相关研究理论基础、技术方法和应用场景的系统梳理与总结。鉴于此,本研究采用系统性文献综述法对国际上发表的该主题研究进行内容分析,旨在为我国学者开展相关研究提供更多的实践参考。分析发现,学习情感计算研究以离散型情感理论为主,基本情感理论是研究焦点;情感测量的数据来源丰富,多模态情感识别成为研究趋势;情感测量方法以机器学习技术为主,支持向量机和卷积神经网络是应用最多的两种算法;学习情感计算的应用场景单一,以在线学习场景为主。今后我国学者在开展相关研究时,需要重视情感理论的情景化、数据的多源化、方法的多样化、应用场景的丰富化,拓展学习情感计算研究的深度和广度。     

人工智能赋能个性化学习评价：价值意蕴与实践路径

个性化学习评价是教育评价改革的内在要求和重要趋势。人工智能为个性化学习评价的实现提供了技术支撑,其价值体现在促进对学习者多模态数据的采集、实现学习过程与状态的智能分析、支持学习评价结果的智能化反馈、推动人机协同评价等方面。人工智能支持下个性化学习评价的实现,需要推进学校智能教育环境建设及其应用、构建人工智能支持下个性化学习评价的实施框架、制定个性化学习评价中人工智能的应用规范、提升教师应用人工智能开展个性化学习评价的能力。     

脑机接口赋能教育教学的基本立场与应用边界——以保障学生身心健康为核心展开北大核心

随着脑机接口技术的发展与普及,该技术逐渐被教育教学领域所重视与应用。文章以学生身心健康为核心分析了脑机接口在教育教学中的应用潜力与衍生风险,脑机接口的“读脑”“脑控”“控脑”等三项基本功能可以用于解读学生深层状态、增强学生身体功能以及激发学生认知潜能等潜在场景,但是脑机接口赋能教育教学也存在增加学生精神压力、损伤学生身体健康、动摇学生主体地位等衍生风险。为了保障学生安全、兼顾技术效益,文章认为,在教育教学领域中应用脑机接口应当采用严厉限制的基本立场。在严厉限制基本立场的指导下,脑机接口的应用场景应当被明确划定限制区域,包括年龄限制、类型限制、用途限制、意志限制等。在限制区域之外的应用场景中,脑机接口方可被允许使用以发挥技术对教育教学的变革推动作用。     

社交学习网络中基于学习认知的情感交互研究

在分析社交学习网络特点的基础上,文章探讨了情感识别与学习者学习状态之间的关系;通过将学习者脸部表情、眼动、人体姿态与情感图文等多模情感作为识别的指标,并结合学习者的学习认知状态和学习行为,构建了社交学习网络情感交互模型。该模型可以促进学习者的认知发展,支持大规模的远程学习;也可以对社交学习网络进行更好的监督与指导,为该网络在学习上的应用提供新思路与新方法。     

脑机接口的智能化课堂教学应用研究

基于移动学习终端的智能化课堂学习数据分析多是基于教学互动和学习结果反馈等显性学习行为实现的,可穿戴的脑机接口设备能够测量学生的认知负荷、注意力、情感等内隐状态,为智能化课堂教学提供新的技术支持。本文构建了基于脑机接口的智能化课堂应用模型,通过脑机接口与移动终端的结合,实现师生教与学风格识别匹配、学习者脑波状态测量、教师教学行为智能化支持、学生复杂能力评测等智能化教学任务。为验证模型的可行性,本文开展了两项实证研究,验证基于脑机接口实现学习风格分类的可能性,分析了常态课堂教学中学生注意力特征,并基于学生教学活动的注意力特征提出课堂教学优化策略。     

计算机支持协作学习中的情感反馈系统框架研究

计算机支持协作学习中的情感反馈系统将情感计算、机器学习与学习科学研究相结合,致力于研究如何利用快速发展的信息技术为学习者提供情感支持,进而推动学习者协作学习,现已成为信息科学和学习科学交叉融合的重要研究领域之一.CSCL环境中情感反馈系统框架由情感状态获取、情感状态分析和情感反馈处理三个部分组成:首先从情感状态的表征即...     

生成未来：教育新视界中的人工智能与高等教育变革——《2023地平线报告（教与学版）》的解读

全球教育领域正在经历一场由人工智能,尤其是生成式人工智能所引发的深刻革新。EDUCAUSE《2023地平线报告（教与学版）》聚焦生成式人工智能影响下全球高等教育发展的趋势与挑战,阐述影响未来高等教育领域的社会、技术、经济、环境、政治维度的宏观趋势,分析“支持预测和个人学习的人工智能应用”“生成式人工智能”“模糊学习边界”“灵活学习”“微认证”和“支持学习者归属感和联结感”这六项关键技术与实践。基于对报告内容的分析和思考,未来我国高等教育应充分把握智能时代和生成式人工智能发展的机遇,积极应对教育生态系统重构、师生数字能力发展、灵活化学习模式和情感联结智能技术发展的挑战,通过技术赋能加快推动高等教育的变革和创新。     

基于图像分析的教育视觉情感识别

情感识别是情感计算的基础,为了促进视觉情感识别技术与教育的深度融合,文章定义了教育视觉情感识别的概念,随后从技术视角分析了面部表情识别和肢体动作识别的三方面内容,即特征提取方法、分类器算法和常用数据库。此外,文章构建了双模态教育视觉情感识别模型,以解决单一模态的情感特征不能充分表达学习者学习情感信息的问题。期望这种更全面的模型,能为未来教育领域学习者情感识别研究提供参考。     

多模态数据下混合协作学习者情感投入分析

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。     

学习者情感挖掘：一个重要的教育技术研究领域

学习者情感挖掘,作为教育科学、软件技术、心理学等多学科交叉的领域,正日益发展为一个重要的教育技术研究领域。对学习者情感挖掘的研究动态进行了资料收集和内容分析,以窥探当前学习者情感挖掘研究的前沿动态和整体面貌,并从理论基础、实践开发等方面对学习者情感挖掘研究进行了展望。同时,紧扣当前信息时代背景,提出了“信息互动系统”视角的学习者情感词汇架构;基于当前软件技术,展望了学习者情感挖掘软件平台的设计开发。     

人工智能时代的个性化学习:内涵、技术支持与实现路径

利用人工智能技术实现个性化学习是当前教育改革发展的现实诉求.个性化学习的内涵包括以学习者的个性化需求和特征为前提、以学习者个性化的学习过程为核心、以学习者的个性化发展为最终目标等三个要点.人工智能技术为个性化学习的实现提供了强有力的支持,主要体现在智能识别、智能分析与处理、智能测评等方面.人工智能时代个性化学习的实现路径包括精准识别学习者的个性化特征、动态生成个性化的学习目标、智能推荐个性化的学习资源、灵活设计个性化学习策略、数据驱动个性化学习评价等.     

国外教育人工智能研究主题及趋势分析——基于Web of Science文献关键词的可视化分析

文章基于对Web of Science数据库中文献关键词的可视化分析,梳理并呈现了国外教育人工智能的研究主题和趋势,研究发现,目前国外教育人工智能的研究可概括为四个主题领域:基于自然语言处理的教育智能研究、知识管理与运算的可视化研究、机器教学的应用案例研究以及指向深度学习的自适应教育技术研究。另外,国外教育人工智能研究呈现三个趋势:基于大数据的机器学习研究、深度学习理念引领下的在线学习变革研究、智能识别技术支撑下的智能导师系统研究。文章通过对国外教育人工智能研究的主题和趋势进行可视化呈现,旨在揭示国外教育人工智能的研究现状,将为我国教育人工智能的研究与发展提供参考。     

E-learning评论文本的情感分类研究

自本世纪初起,E—learning作为一种灵活、丰富、高效的学习方式,被越来越多的学习者接受,而伴随着学习技术的逐步成熟,学习者对E—learning应用的要求也从最初的知识推送提升到能够在讲授者与学习者之间搭建有效的沟通桥梁,将零反馈的封闭式学习变成多反馈的协作学习。E—learning的评论信息隐含了学习者在学习中遇到的问题和建议,从中可挖掘学习者对学习资源及授课者的意见。这对改善教学模式、完善教学支持服务意义重要。现有E—learning系统所提供的海量评论信息中正面评论与负面评论夹杂,给挖掘学习者的真实意见和需求带来困难。本文对文本情感分类过程进行归纳,构建了一种情感分类应用模型,在完成预处理、创建词典、提取情感特征后实现了一个情感分类引擎,并将该引擎与实际系统整合。改进后的系统能够将学习者的评论文本自动分为正面评论、负面评论和中性评论,实际性能及用户体验评价结果表明,新的基于情感单元的情感分类方法能满足E—learning评论文本的情感分类需求。