陶小梅，牛秦洲

(桂林理工大學(xué)信息科學(xué)與工程學(xué)院，廣西 桂林 541004)

1 引言

本體(也稱“本體論”)源自于一個哲學(xué)概念，是指關(guān)于存在及其規(guī)律的學(xué)說。Neches R等人[1]將本體定義為“給出構(gòu)成相關(guān)領(lǐng)域詞匯的基本術(shù)語和關(guān)系，以及利用這些術(shù)語和關(guān)系構(gòu)成的規(guī)定這些詞匯外延的規(guī)則的定義”。智能教學(xué)系統(tǒng)指的是不需要由人干涉，可以直接給學(xué)生提供定制化教學(xué)和反饋的計算機(jī)系統(tǒng)[2]。情感智能教學(xué)系統(tǒng)指的是具有情感識別能力、能根據(jù)學(xué)生的情緒狀態(tài)進(jìn)行反饋的情感智能教學(xué)系統(tǒng)，這類系統(tǒng)主要是針對傳統(tǒng)智能教學(xué)系統(tǒng)中情感缺失的問題提出來的。關(guān)于情感學(xué)習(xí)的研究在情感識別方面已經(jīng)取得了很大的進(jìn)展，學(xué)習(xí)者的情感狀態(tài)可以通過多種不同的方法獲取，如采用情感認(rèn)知模型進(jìn)行推理[3]，或者通過學(xué)習(xí)者的面部表情、姿態(tài)行為、生物信號等進(jìn)行提取分析[4～6]。但是，關(guān)于理解學(xué)生情感狀態(tài)的產(chǎn)生原因以及如何生成合理的認(rèn)知和情感方面的反饋仍需進(jìn)一步研究。

目前，對本體在智能教學(xué)系統(tǒng)中的應(yīng)用的研究主要是關(guān)注領(lǐng)域模塊中的本體、學(xué)習(xí)對象元數(shù)據(jù)本體、教學(xué)本體和學(xué)習(xí)者本體。在我國教育信息化技術(shù)標(biāo)準(zhǔn)委員會制定的網(wǎng)絡(luò)教育技術(shù)標(biāo)準(zhǔn)體系中，標(biāo)準(zhǔn)學(xué)習(xí)者模型規(guī)范(CELTS-11)[7]缺乏對學(xué)習(xí)者的個性情感的描述，同樣在教學(xué)本體中涉及到的關(guān)于教學(xué)策略的描述也尚未涉及情感方面的反饋。因此，本文考慮將情感本體引入智能教學(xué)系統(tǒng)，提升系統(tǒng)在情感方面的反饋和支持。

傳統(tǒng)的智能教學(xué)系統(tǒng)是根據(jù)學(xué)習(xí)者的認(rèn)知信息進(jìn)行反饋的，比如說根據(jù)學(xué)生回答問題的答案是否正確、學(xué)生學(xué)習(xí)某個知識點的持續(xù)時間來指定相應(yīng)的反饋策略[8, 9]，稱之為“認(rèn)知觸發(fā)”的反饋。但是，在實際課堂教學(xué)中，在學(xué)生學(xué)習(xí)的過程中教師會根據(jù)學(xué)生的表情判斷學(xué)生的認(rèn)知狀態(tài)，并給出相應(yīng)的反饋，稱之為“情感觸發(fā)”的反饋[10, 11]。本文先前的工作研究了“情感觸發(fā)”的檢測，設(shè)計了一種通過檢測學(xué)習(xí)者眨眼頻率對學(xué)習(xí)過程中產(chǎn)生的情感狀態(tài)進(jìn)行分類的方法。該方法首先根據(jù)學(xué)習(xí)者的眨眼頻率將其情感狀態(tài)分為正向或者負(fù)向情感；然后再通過貝葉斯網(wǎng)絡(luò)根據(jù)學(xué)生信息及教學(xué)活動的上下文信息，將負(fù)向情感進(jìn)一步解析出具體的負(fù)向情感狀態(tài)[12]。本文主要研究當(dāng)檢測到情感狀態(tài)發(fā)生變化時，如何采用本體建模的方法解決智能教學(xué)系統(tǒng)中由“情感觸發(fā)”引起的情感理解和情感反饋策略的生成問題。構(gòu)建了一個情感學(xué)習(xí)本體用于描述在學(xué)習(xí)過程中出現(xiàn)的與情感相關(guān)的概念及概念之間的關(guān)系，對學(xué)習(xí)者情感和情感方面的反饋給出形式化的描述。將情感學(xué)習(xí)本體引入到智能教學(xué)系統(tǒng)中，使學(xué)習(xí)者在學(xué)習(xí)過程中能得到認(rèn)知和情感的支持。

2 情感本體

2.1 相關(guān)研究

目前，國內(nèi)外已有的關(guān)于情感本體的構(gòu)建的研究有關(guān)于情感線索、情感檢測、情感表達(dá)、情感分類的描述分類和推理[13～15]，不同語種的情感本體的構(gòu)建[16, 17]，以及如何自動構(gòu)建情感本體[18～20]。另有Leontidis M[21]、黃津津[22]、趙海燕[23]等人研究了如何結(jié)合情感和個體本體應(yīng)用在E-learning中。上述情感本體中大多都只是描述了關(guān)于情感的某些方面的概念，如情感分類、情感線索等，但是都未考慮到情感反饋的相關(guān)概念。Leontidis M等人[21]的研究中使用的情感本體包含情感分類及情感反饋策略，但并未對反饋策略進(jìn)行進(jìn)一步的組織分類，也未描述情感反饋策略和情感狀態(tài)之間的聯(lián)系。綜合上述參考文獻(xiàn)可以看出，由于在融合了情感支持的智能學(xué)習(xí)系統(tǒng)環(huán)境中，學(xué)習(xí)情境具有多樣性、異構(gòu)性、時序性和層次性等特點，因此應(yīng)該采用可擴(kuò)展的方式來管理，對其進(jìn)行組織、存儲和查找，對情境進(jìn)行語義表示，以便于計算機(jī)理解、利用和處理，以及人和計算機(jī)之間的交互與合作。采用本體建模對情境進(jìn)行語義表示后，可以通過語義的方式顯式地定義情境，實現(xiàn)情境共享，還可以使得情境推理變得可能，因此本體是對情感學(xué)習(xí)環(huán)境進(jìn)行建模的理想選擇。但是，仍需彌補(bǔ)目前的情感學(xué)習(xí)本體中存在的不足：第一，目前的情感學(xué)習(xí)本體沒有結(jié)合教學(xué)過程進(jìn)行情境建模，對學(xué)生所處在的認(rèn)知狀態(tài)信息缺乏明確的規(guī)范化的說明，以及缺乏認(rèn)知狀態(tài)與情感狀態(tài)之間的關(guān)聯(lián)關(guān)系的說明和推理；第二，對于反饋策略以及反饋資源缺乏合理的組織分類及共享，目前的情感本體主要是針對情感狀態(tài)情感產(chǎn)生的線索進(jìn)行分類建模，但是對于認(rèn)知和情感方面的反饋策略及資源并未進(jìn)行分類建模。

2.2 情感學(xué)習(xí)本體的構(gòu)建

構(gòu)建情感學(xué)習(xí)本體的目標(biāo)是獲得相關(guān)領(lǐng)域的知識，通過確定該領(lǐng)域認(rèn)可的詞匯，實現(xiàn)對該領(lǐng)域知識的共同理解，使其符合E-learning 中情感學(xué)習(xí)本體對語義互操作的要求。本文針對現(xiàn)有的情感本體存在的問題以及智能教學(xué)系統(tǒng)的具體應(yīng)用設(shè)計了一個情感學(xué)習(xí)本體，該本體包含對情感分類、情感反饋策略、教學(xué)過程、認(rèn)知狀態(tài)等的描述。該本體模型可用于推理學(xué)生的學(xué)習(xí)狀態(tài)并生成適用的認(rèn)知反饋策略和情感反饋策略集合。圖1描述了情感學(xué)習(xí)環(huán)境中的主要概念和關(guān)系，該本體從內(nèi)容上來看，概念和關(guān)系主要分為兩個部分，一是學(xué)習(xí)者個體相關(guān)的，如學(xué)生學(xué)習(xí)能力、個性、情感狀態(tài)、認(rèn)知狀態(tài)等；二是教學(xué)過程相關(guān)的，如教學(xué)步驟、知識點、反饋等。該本體在兩個方面有別于其它情感學(xué)習(xí)本體：一個是關(guān)于認(rèn)知狀態(tài)與教學(xué)步驟的，由于認(rèn)知與情感的緊密聯(lián)系，只有將認(rèn)知的過程和狀態(tài)與情感狀態(tài)聯(lián)系起來綜合建模，才能理解學(xué)生的情感狀態(tài)及產(chǎn)生的原因；另外一個是關(guān)于情感與認(rèn)知的反饋策略的，只有從認(rèn)知和情感兩個方面都對學(xué)習(xí)者提供支持，才能使學(xué)習(xí)者收益最大并伴隨良好的學(xué)習(xí)體驗。

Figure 1 Ontology model of affective learning圖1 情感學(xué)習(xí)本體模型

(1)學(xué)生相關(guān)的概念和關(guān)系。

Student表示在情感學(xué)習(xí)環(huán)境中學(xué)習(xí)的學(xué)習(xí)者，Student=〈Stu_ID,Name,Age,Sex〉，其中Stu_ID為學(xué)習(xí)者標(biāo)識。EmotionalState表示學(xué)生的情感狀態(tài)，由NegativeEmotionalState和PositiveEmotionalState組成。情感分類表示法是采用自然語言中的描述情感狀態(tài)的詞匯來表示情感狀態(tài)，如Ekman的基本情感分類模型中包含了憤怒、討厭、高興等六種基本情感狀態(tài)[24]。由于學(xué)生在學(xué)習(xí)過程中產(chǎn)生的情感狀態(tài)也只是所有情感狀態(tài)的一個子集，像憤怒等情感狀態(tài)一般是不會在學(xué)習(xí)過程中出現(xiàn)的。針對學(xué)習(xí)情景中出現(xiàn)的情感狀態(tài)，其中包含的PositiveEmotionalState有高興(Happiness)、感興趣(Interest)和流狀態(tài)(Flow)，NegativeEmotionalState有無聊(Boredom)、困惑(Confusion)和挫敗(Frustration)?！傲鳡顟B(tài)”[25]指的是學(xué)習(xí)過程中當(dāng)學(xué)習(xí)者的能力與學(xué)習(xí)任務(wù)難度相匹配的情況下出現(xiàn)的一種情感狀態(tài)，學(xué)習(xí)者對學(xué)習(xí)任務(wù)不會感覺很難或者很容易。為了增強(qiáng)該模型的描述能力，還增加了強(qiáng)度(Intensity)用于描述情感狀態(tài)的強(qiáng)烈程度。

CognitiveState表示學(xué)生所處在的認(rèn)知狀態(tài)，具體有Recepting、Anticipating、Retrieving、Perceiving、Encoding、Responding、Reinforcing和Generalising。根據(jù)Gagne R M[26]的教育心理學(xué)理論，在不同的教學(xué)步驟(InstructionalStep)中學(xué)生會產(chǎn)生相應(yīng)的認(rèn)知狀態(tài)。根據(jù)教學(xué)步驟可以確定學(xué)生所處在的認(rèn)知狀態(tài)，如在“呈現(xiàn)刺激材料”的教學(xué)步驟中，學(xué)生處在“感知(Perceiving)”認(rèn)知狀態(tài)中； 在“提供學(xué)習(xí)指導(dǎo)”的教學(xué)步驟中，學(xué)生處在“語義編碼(Semantic Encoding)” 認(rèn)知狀態(tài)中等等。具體的教學(xué)步驟和學(xué)生認(rèn)知狀態(tài)的對應(yīng)關(guān)系在文獻(xiàn)[26]中有詳細(xì)描述。

(2)教學(xué)相關(guān)的概念和關(guān)系。

KDPoint表示領(lǐng)域知識中的知識點，StandardAnswer指問題的標(biāo)準(zhǔn)答案，StuAnswer是指學(xué)生給出的答案。InstructionalStep表示教學(xué)步驟[27]，GainingAttention是表示獲取學(xué)生注意，InformingObjective是指告知學(xué)生學(xué)習(xí)目標(biāo)，StimulatingRecall是指復(fù)習(xí)前序相關(guān)知識，PresentingStimulus是指呈現(xiàn)刺激材料，ProvidingLearningGuidance是指提供學(xué)習(xí)指導(dǎo)，ElicitingPerformance是指引出學(xué)生表現(xiàn)，AssessingPerformance是指評估學(xué)生表現(xiàn)，ProvidingFeedback是指提供反饋，EnhancingRetentionandTransfer是指知識的鞏固和遷移。

本體模型中還定義了認(rèn)知狀態(tài)類和認(rèn)知反饋策略類。CognitiveFeedback表示從認(rèn)知層面對學(xué)生進(jìn)行反饋的策略。其中認(rèn)知反饋策略類包括繼續(xù)(GoOn)、重復(fù)(Repeat)、舉例(GiveExample)和提示(GiveHint)等。EmotionalFeedback表示從情感層面對學(xué)生進(jìn)行反饋的策略。關(guān)于情感反饋，文獻(xiàn)[28]定義了三種情感反饋方式，分別是正向情感反饋(PositiveEmotionalFeedback)、負(fù)向情感反饋(NegativeEmotionalFeedback)和控制負(fù)向情感反饋(ControlofNegativeEmotionalFeedback)。正向情感反饋是指向?qū)W習(xí)者表達(dá)正向情感，能讓學(xué)習(xí)者產(chǎn)生、維持和增加正向情感的反饋策略，如贊同(Acceptance)、祝賀(Congratulation)和獎勵(Reward)等。負(fù)向情感反饋是向?qū)W習(xí)者表達(dá)負(fù)向情感讓其更加努力，如批評(Criticism)和懲罰(Punishment)?？刂曝?fù)向情感反饋策略包括避免和防止負(fù)向情感的產(chǎn)生、控制負(fù)向情感的發(fā)展、減輕負(fù)向情感和將負(fù)向情感轉(zhuǎn)化為正向情感，如同情(Sympathy)、鼓勵(Encouragement)。

hasstudied表示學(xué)生已學(xué)習(xí)過某知識點，hasstudied={〈x，y〉|x∈Student∧y∈KDPoint∧x學(xué)習(xí)過y}。

hasinhabit表示學(xué)生正在學(xué)習(xí)某知識點，hasinhabit={〈x，y〉|x∈Student∧y∈KDPoint∧x正在學(xué)習(xí)y}。

isininstructionalstep表示學(xué)生正處在某個教學(xué)步驟，isininstructionalStep={〈x，y〉|x∈Student∧y∈InstructionalStep∧x正處在教學(xué)步驟y}。

hassequence表示KDPoint間存在一種傳遞性的時序關(guān)系，hassequence={〈x，y〉|x，y∈KDPoint∧x先于y}。

hasEmotionalFeedbackTactic描述情感狀態(tài)和情感反饋、認(rèn)知狀態(tài)和情感反饋之間的關(guān)系；hasCognitiveFeedbackTactic描述情感狀態(tài)和認(rèn)知反饋、認(rèn)知狀態(tài)和認(rèn)知反饋之間的關(guān)系。

3 情感分析推理

基于本體的推理方法通過本體描述語言將學(xué)習(xí)者的個人信息、學(xué)習(xí)狀態(tài)、學(xué)習(xí)過程、學(xué)習(xí)資源及這些概念之間的關(guān)系和推理規(guī)則定義成本體、本體的屬性和約束關(guān)聯(lián)關(guān)系，通過本體的推理實現(xiàn)對學(xué)生的學(xué)習(xí)狀態(tài)的推理分析，本文中通過情感推理引擎來實現(xiàn)。由前面情境信息本體模型里定義的所有相關(guān)概念及關(guān)系，可以分析出學(xué)習(xí)者在學(xué)習(xí)過程中不同情境下的學(xué)習(xí)狀態(tài)。推理引擎的特點是不僅采用學(xué)生學(xué)習(xí)情境中的認(rèn)知信息，還加入了學(xué)生情感狀態(tài)做為推理依據(jù)。具體推理規(guī)則如下：

推理1對學(xué)習(xí)活動合理性的推理規(guī)則。

(〈Stui,KDPi〉∈hasinhabit)∧((〈KDPi_pre,KDPi〉∈hassequence)∧(〈Stui,KDPi_pre〉∈hasstudied)) ∨((〈Stui,InformingObjective〉∈isininstructionalstep)∧(〈Stui, PositiveEmotionalState〉∈hasemotionalstate)))→學(xué)習(xí)活動合理，即學(xué)生Anticipating狀態(tài)為正，〈Anticipating, Positive〉∈hasvalue。

推理的依據(jù)為以下條件二者之一成立即認(rèn)為學(xué)習(xí)活動合理：一是學(xué)生正在學(xué)習(xí)知識點KDPi，并且Stui已經(jīng)學(xué)習(xí)過該知識點的先行知識點KDPi_pre；二是學(xué)生在知識點KDPi的告知學(xué)習(xí)目標(biāo)階段有正向的情感狀態(tài)值(包括Happiness、Interest或者Flow)。

推理2對學(xué)生先行知識點掌握情況的推理規(guī)則。

(〈Stui,KDPi〉∈hasinhabit)∧(〈KDPi_pre,KDPi〉∈hassequence)∧(〈Stui,KDPi_pre〉∈hasstudied)∧((〈StuAnsi_pre,AnsKDPi_pre〉?isconsistencewith)∨((〈Stui,StimulatingRecall〉∈isininstructionalstep)∧((〈Stui,Confusion〉∈hasemotionalstate)∨(〈Stui,Frustration〉∈hasemotionalstate))))→學(xué)生先行知識點KDPi_pre掌握情況不理想，即學(xué)生Retrieving值為負(fù)，〈Retrieving, Negative〉∈hasvalue。

推理的依據(jù)為以下條件二者之一成立即認(rèn)為學(xué)生先行知識點KDPi_pre掌握情況不理想：一是學(xué)生對當(dāng)前知識點的先行知識點的相關(guān)問題回答不正確；二是通過學(xué)生在學(xué)習(xí)當(dāng)前知識點的復(fù)習(xí)相關(guān)知識階段的情感狀態(tài)為困惑或者挫敗感，也可以推理得到學(xué)生的先行知識點掌握不理想。

推理3對當(dāng)前知識點感知情況的推理。

(1)(〈Stui,KDPi〉∈hasinhabit)∧(〈Stui, PresentingStimulus〉∈isininstructionalstep)∧ (〈Stui,Happiness〉∈hasemotionalstate∨〈Stui,Flow〉∈hasemotionalstate)→學(xué)生對知識點感知狀態(tài)為正向，即〈Perceiving, Positive〉∈hasvalue。

(2)(〈Stui,KDPi〉∈hasinhabit) ∧(〈Stui, PresentingStimulus〉∈isininstructionalstep)∧ (〈Stui,Confusion〉∈hasemotionalstate∨〈Stui,Frustration〉∈hasemotionalstate)→學(xué)生對知識點感知狀態(tài)為負(fù)向，即〈Perceiving, Negative〉∈hasvalue。

學(xué)生在教師呈現(xiàn)刺激材料的教學(xué)步驟中對應(yīng)處在的認(rèn)知狀態(tài)為Perceiving。若學(xué)生產(chǎn)生的情感狀態(tài)為Happiness或者是Flow，則認(rèn)為學(xué)生能正確感知當(dāng)前學(xué)習(xí)的知識點；若學(xué)生產(chǎn)生的情感狀態(tài)為Confusion或者是Frustration，則認(rèn)為學(xué)生不能正確感知當(dāng)前學(xué)習(xí)的知識點。

推理4對知識點理解效果的推理。

(1) (〈Stui,KDPi〉∈hasinhabit)∧(〈Stui,ProvidingLearningGuidance〉∈isininstructionalstep)∧ (〈Stui,Happiness〉∈hasemotionalstate∨〈Stui,Flow〉∈hasemotionalstate)→學(xué)生對知識點的理解狀態(tài)為正向，即〈Encoding, Positive〉∈hasvalue。

(2)(〈Stui,KDPi〉∈hasinhabit) ∧(〈Stui, ProvidingLearningGuidance〉∈isininstructionalstep)∧ (〈Stui,Confusion〉∈hasemotionalstate∨〈Stui,Frustration〉∈hasemotionalstate)→學(xué)生對知識點理解狀態(tài)為負(fù)向，即〈Encoding, Negative〉∈hasvalue。

學(xué)生在教師提供學(xué)習(xí)指導(dǎo)的教學(xué)步驟中對應(yīng)處在的認(rèn)知狀態(tài)為Encoding。若學(xué)生產(chǎn)生的情感狀態(tài)為Happiness或者是Flow，則認(rèn)為學(xué)生能理解當(dāng)前學(xué)習(xí)的知識點；若學(xué)生產(chǎn)生的情感狀態(tài)為Confusion或者是Frustration，則認(rèn)為學(xué)生不能理解當(dāng)前學(xué)習(xí)的知識點。

推理5對知識點掌握效果的推理。

(1)(〈Stui,KDPi〉∈hasinhabit)∧(〈Stui,ProvidingFeedback〉∈isininstructionalstep)∧(〈Stui,Happiness〉∈hasemotionalstate∨〈StuAnsi,AnsKDPi〉∈isconsistencewith)→ 學(xué)生對知識點掌握效果好，即〈Reinforcing, Positive〉∈hasvalue。

(2)(〈Stui,KDPi〉∈hasinhabit)∧(〈Stui,ProvidingFeedback〉∈isininstructionalstep)∧(〈Stui,Confusion〉∈hasemotionalstate∨〈Stui,Frustration〉∈hasemotionalstate∨〈StuAnsi,AnsKDPi〉?isconsistencewith)→ 學(xué)生對知識點掌握效果不好，即〈Reinforcing,Negative〉∈hasvalue。

學(xué)生在教師反饋的教學(xué)步驟中所處在的認(rèn)知狀態(tài)為Reinforcing。若學(xué)生產(chǎn)生的情感狀態(tài)為高興或者學(xué)生的答案正確，則認(rèn)為學(xué)生掌握了知識點。若學(xué)生產(chǎn)生的情感狀態(tài)為挫敗或者困惑，或者學(xué)生的答案不正確，則認(rèn)為學(xué)生沒有掌握知識點。

上述推理可以根據(jù)學(xué)生情感狀態(tài)、教學(xué)步驟等情境信息推斷出學(xué)生的認(rèn)知狀態(tài)。特別是推理2和推理3的增加，可以在不需要和學(xué)生進(jìn)行問答交互的情況下獲得學(xué)生學(xué)習(xí)過程的感知和理解狀態(tài)，這在以往的“認(rèn)知觸發(fā)”的反饋機(jī)制中是無法做到的。另外，由于無法僅根據(jù)情感狀態(tài)或者認(rèn)知狀態(tài)決定該采取怎樣的反饋策略，因此設(shè)計了一個基于情感學(xué)習(xí)本體的、綜合考慮學(xué)生情感狀態(tài)和認(rèn)知狀態(tài)的反饋策略生成算法。

4 基于情感學(xué)習(xí)本體的反饋策略的生成算法

在情感智能教學(xué)系統(tǒng)中反饋主要有兩種形式，一種是認(rèn)知層面的反饋，另一種是情感層面的反饋，這兩種反饋形式可以獨立存在，也可以同時存在。由于認(rèn)知和情感直接存在的相互影響的復(fù)雜關(guān)系，學(xué)生的認(rèn)知狀態(tài)和情感狀態(tài)都分別會對情感反饋策略和認(rèn)知反饋策略的選擇產(chǎn)生影響。本算法的主要思想是采集當(dāng)前場景中的信息并根據(jù)推理規(guī)則1～5進(jìn)行推理，獲取學(xué)生的認(rèn)知狀態(tài)，提取場景中學(xué)生的情感狀態(tài)和推理結(jié)果中的認(rèn)知狀態(tài)，并對本體中的hasEmotionalFeedbackTactic和hasCognitiveFeedbackTactic關(guān)系相關(guān)的三元組進(jìn)行操作，得到相應(yīng)場景需要的情感反饋策略和認(rèn)知反饋策略集合，再根據(jù)學(xué)習(xí)者個體信息進(jìn)行決策。算法主要步驟描述如下：

步驟1InfoSet=〈Stui,KDPi,instructionalstep,emotionalstate,StuAnsi,AnsKDPi〉/*獲取學(xué)生情境信息六元組并放置在信息采集集合InfoSet中*/

步驟2for(reseaoner_ID=1 to 5)

cognitivestate=reseasoning_service(reseaoner_ID,InfoSet)/*遍歷執(zhí)行推理1至推理5服務(wù)，獲取學(xué)生認(rèn)知狀態(tài)*/

步驟3A1=?;A2=?;B1=?;B2=?; /*初始化反饋策略選擇模型*/

步驟4PREFIXEmoOnto:http://www.owl-ontologies.com/lab/EmotionOntology.owl #

EmotionalStatees=GetEmotionalState();

CognitiveStatecs=GetCognitiveState();

A1=SELECT ?emotionalfeedbacktacticWHEREEmoOnto:esEmoOnto:hasEmotionalFeedbackTactic?emotionalfeedbacktactic

B1=SELECT ?cognitivefeedbacktacticWHEREEmoOnto:esEmoOnto:hasCognitiveFeedbackTactic?cognitivefeedbacktactic

A2=SELECT ?emotionalfeedbacktacticWHEREEmoOnto:csEmoOnto:hasEmotionalFeedbackTactic?emotionalfeedbacktactic

B2=SELECT ?cognitivefeedbacktacticWHEREEmoOnto:csEmoOnto:hasCognitiveFeedbackTactic?cognitivefeedbacktactic

/*獲取針對學(xué)生所處的認(rèn)知狀態(tài)和情感狀態(tài)適用的反饋策略集合A1、A2、B1、B2，表1和表2中給出了部分情感狀態(tài)、認(rèn)知狀態(tài)和反饋策略之間的關(guān)系*/

步驟5CognitiveFeedback=A1∩A2;

EmotionalFeedback=B1∩B2;

Result={CognitiveFeedback,EmotionalFeedback};

/*將查詢結(jié)果進(jìn)行求交處理并放入Result集合內(nèi)*/

步驟6若情感或認(rèn)知反饋策略不止一項時，根據(jù)學(xué)生的具體情況從認(rèn)知反饋策略集合和情感反饋策略集合中選擇個性化的認(rèn)知反饋策略和情感反饋策略。此步驟僅考慮對學(xué)生處在負(fù)向情感狀態(tài)時如何選擇反饋策略組合。

IF (RetrievingState==Negative&&ReviewPrerequisiteKnowledgePoint∈CognitiveFeedback)

THENCognitiveFeedback=ReviewPrerequisiteKnowledgePoint

ELSE IF(LearningCapability==High&&Pause∈CognitiveFeedback)

THENCognitiveFeedback=Pause

ELSE IF (GiveExampleorGiveHintorRepeat∈CognitiveFeedback)

THENCognitiveFeedback=GiveExampleorGiveHintorRepeat

/*根據(jù)先行知識點掌握情況和學(xué)生學(xué)習(xí)能力選擇不同的認(rèn)知反饋策略*/

IF(EmotionalStateIntensity==1 )

THENEmotionalFeedback=Encouragement

ELSE IF (EmotionalStateIntensity==2)

THENEmotionalFeedback=EncouragementandRelief

ELSE IF (EmotionalStateIntensity==3)

THENEmotionalFeedback=EncouragementandReliefand sympathy

/*當(dāng)情感狀態(tài)強(qiáng)度值取不同的值時選擇不同的情感反饋策略*/

步驟7Generating cognitive feedback and emotional feedback/*根據(jù)反饋策略實例化具體的反饋*/

Table 1 Relationship between emotional stateand emotional/cognitive feedback tactics

Table 2 Relationship between cognitive stateand emotional/cognitive feedback tactics

5 算法實例應(yīng)用

將基于情感學(xué)習(xí)本體的教學(xué)反饋策略生成算法應(yīng)用至一個情感智能教學(xué)系統(tǒng)，以生成具體的反饋信息，該系統(tǒng)采用JSP+Flex+MySQL技術(shù)開發(fā)。系統(tǒng)采用的主體教學(xué)資源為C語言程序設(shè)計教學(xué)視頻，預(yù)先將選取的教學(xué)視頻分段標(biāo)記出其表述的概念、所處在教學(xué)事件，并將這些信息存入MySQL數(shù)據(jù)庫中。系統(tǒng)支持FLV格式或者是MP4視頻文件。動畫Agent采用微軟agent中的可編程的即時交互性動畫角色Merlin角色作為導(dǎo)師角色。系統(tǒng)的情感學(xué)習(xí)本體(AffectiveLearningOntology)采用斯坦福大學(xué)的protégé OWL 4.0構(gòu)建，圖2為AffectiveLearningOntology的片段。通過Java的API接口Jena將C語言程序設(shè)計本體[29]讀入MySQL數(shù)據(jù)庫，并對本體進(jìn)行查詢。

Figure 2 Part of the AffectiveLearningOntology圖2 AffectiveLearningOntology的片段

5.1 應(yīng)用實例

應(yīng)用實例采用的教學(xué)視頻是C語言程序設(shè)計中的“指針與數(shù)組”章節(jié)的內(nèi)容，時長約30分鐘，該章節(jié)與前序知識點“指針”與“數(shù)組”關(guān)系密切，其難度在整個課程中處于中等偏上，在學(xué)習(xí)過程中容易引發(fā)學(xué)生的負(fù)向情感狀態(tài)。由于選取的章節(jié)處在教學(xué)進(jìn)程后期，因此實驗中用戶的前序知識點的學(xué)習(xí)情況需在系統(tǒng)中預(yù)先設(shè)定好，如表3所示。

另外，設(shè)定學(xué)習(xí)能力為“High”。由于重點是對反饋策略生成算法的驗證，為避免由于情感識別算法的準(zhǔn)確率帶來的影響，學(xué)生的情感狀態(tài)及強(qiáng)度是通過交互界面主動報告獲取的。在學(xué)習(xí)過程中由用戶通過交互界面輸入其情感狀態(tài)和強(qiáng)度，系統(tǒng)自動獲取情境信息并進(jìn)行推理，然后給出反饋，部分交互片段如表3所示，為方便描述，知識點采用編號表示。

Table 3 Parts of cases list produced in the study

圖3為基于本體的情感智能視頻教學(xué)系統(tǒng)片段5的運行截圖，當(dāng)學(xué)習(xí)者觀看視頻學(xué)習(xí)至“一維數(shù)組與指針”的程序舉例的時候，輸入情感狀態(tài)為困惑狀態(tài)2級，InfoSet=〈‘Tom’, ‘PointertoArray’, ‘ProvidingLearningGuidance’, ‘Confusion’, ‘2’, ‘?’, ‘?’ 〉。遍歷訪問推理服務(wù)1至5，可以與推理2和推理4匹配并生成推理結(jié)果。根據(jù)推理4的結(jié)果，可以得出學(xué)生Tom對于知識點PointertoArray(Kdp85)的理解狀態(tài)(Encoding)為負(fù)。根據(jù)推理規(guī)則2查找出信息元組中的PointertoArray的先行知識點PointerDataType的問題中學(xué)生答案和標(biāo)準(zhǔn)答案不一致，因此推理出對于PointertoArray的先行知識點掌握情況不理想。根據(jù)學(xué)生所處在的認(rèn)知狀態(tài)(Encoding〈Negative〉)和情感狀態(tài)(Confusion)查詢得到的認(rèn)知反饋策略和情感反饋策略。根據(jù)認(rèn)知反饋策略的選擇規(guī)則從中選擇的認(rèn)知反饋策略為復(fù)習(xí)先行知識點ReviewPrerequisiteKP。情感強(qiáng)度為2級，根據(jù)情感反饋策略的選擇規(guī)則情感反饋策略分別為Relief和Encouragement。最后將反饋策略實例化為具體的反饋語言和學(xué)習(xí)資源。情感反饋是對學(xué)生的安慰和鼓勵，即“別擔(dān)心，你能行的”，認(rèn)知反饋是對學(xué)生知識缺陷進(jìn)行彌補(bǔ)，即進(jìn)入到相應(yīng)的指針數(shù)據(jù)類型的視頻片段進(jìn)行播放復(fù)習(xí)。

5.2 實例分析

從表3的片段中可以看出，該算法可以根據(jù)教學(xué)的上下文環(huán)境及學(xué)生的情感信息生成不同的情感反饋和認(rèn)知反饋組合。片段1是對復(fù)習(xí)階段用戶產(chǎn)生的無聊情感狀態(tài)表示接受并建議跳過本段并直接進(jìn)入下一段；片段4是對復(fù)習(xí)階段的困惑情感狀態(tài)表示同情，并鼓勵安慰用戶，建議復(fù)習(xí)前序知識點；片段2、3、5、6是對在講解知識點的階段產(chǎn)生的困惑狀態(tài)提供了不同的反饋；片段7是對挫敗感表示同情并解釋答案。綜上所述，通過對用戶的情感狀態(tài)及上下文信息推理出用戶的認(rèn)知狀態(tài)，并根據(jù)情感本體生成情感反饋和認(rèn)知反饋組合的算法是可行的。根據(jù)對用戶的調(diào)查問卷表明，用戶能在學(xué)習(xí)過程中情感狀態(tài)發(fā)生變化時及時與系統(tǒng)交互，系統(tǒng)生成的及時情感反饋能幫助用戶在學(xué)習(xí)過程中及時調(diào)節(jié)情緒以利于繼續(xù)學(xué)習(xí)，系統(tǒng)生成的認(rèn)知反饋對用戶在領(lǐng)域知識方面的學(xué)習(xí)有一定的幫助作用，但認(rèn)知反饋的針對性還需進(jìn)一步增強(qiáng)。

Figure 3 A snap shot of the affective learning system on the basis of ontology圖3 基于本體的情感智能視頻教學(xué)系統(tǒng)運行截圖

5.3 算法比較

表4對本算法與其它算法的功能和性能從是否采用本體管理情感信息、是否能識別情感狀態(tài)、是否能提供認(rèn)知反饋、是否能提供情感反饋、是否提供實時反饋等幾方面進(jìn)行比較。從表4中可以看出，本文的算法除了仍需用戶主動報告情感狀態(tài)外，能采用本體對情感信息進(jìn)行組織管理和推理，并能提供實時的認(rèn)知和情感反饋。本算法的優(yōu)勢是結(jié)合教學(xué)過程建模并對反饋策略進(jìn)行分類，該算法可以適用于各類教學(xué)資源，包括定制的教學(xué)系統(tǒng)、教學(xué)網(wǎng)站、教學(xué)視頻等等，只需標(biāo)注出資源的教學(xué)過程屬性即可。另外，還能將誘發(fā)學(xué)生情感狀態(tài)的動畫、音樂、視頻片段等作為反饋資源，能提供良好的管理和擴(kuò)展。

Table 4 Comparison among different algorithms

6 結(jié)束語

為了使智能教學(xué)系統(tǒng)能夠?qū)W(xué)習(xí)者進(jìn)行更好的支持，特別是解決情感理解和情感反饋的問題，本文構(gòu)建了一個情感學(xué)習(xí)本體，用于描述在學(xué)習(xí)過程中出現(xiàn)的與情感相關(guān)的概念及概念之間的關(guān)系，該本體可以用于推理分析學(xué)生的學(xué)習(xí)情況，并設(shè)計了基于該本體的教學(xué)反饋策略生成算法。實驗結(jié)果表明，該算法能根據(jù)學(xué)習(xí)者的學(xué)習(xí)情況選擇適當(dāng)?shù)恼J(rèn)知反饋和情感反饋策略，使其在學(xué)習(xí)過程中能得到認(rèn)知和情感的支持。

下一步還將結(jié)合教育心理學(xué)進(jìn)一步完善反饋機(jī)制，進(jìn)一步增加結(jié)合知識點難度、學(xué)生個性等因素設(shè)計更為個性化的反饋。另外，情感反饋規(guī)則還需結(jié)合具體的教學(xué)事件進(jìn)一步細(xì)化，并將反饋的時機(jī)考慮至反饋的規(guī)則中。該系統(tǒng)目前僅對C語言程序設(shè)計課程知識本體中的部分對象性質(zhì)推理學(xué)生的認(rèn)知缺陷，還可以對該本體領(lǐng)域知識進(jìn)一步地應(yīng)用，擴(kuò)大對學(xué)生可能存在的知識缺陷的搜索范圍，為學(xué)生構(gòu)建完整的知識網(wǎng)絡(luò)提供幫助。

[1] Neches R, Fikes R E, Finin T, et al. Enabling technology for knowledge sharing [J]. AI magazine, 1991, 12(3):36.

[2] Psotka J. Intelligent tutoring systems:Lessons learned [M]. New Jersey:Lawrence Erlbaum, 1988.

[3] Qiao Xiang-jie, Wang Zhi-liang, Wang Wan-sen. Emotional modeling in an E-learning system based on OCC theory [J]. Computer Science, 2010, 37(5):214-218. (in Chinese)

[4] Akputu K O, Seng K P, Lee Y L. Facial emotion recognition for intelligent tutoring environment [C]∥Proc of the 2nd International Conference on Machine Learning and Computer Science, 2013:9-13.

[5] Sottilare R A, Proctor M. Passively classifying student mood and performance within intelligent tutors [J]. Educational Technology & Society, 2012, 15(2):101-114.

[6] Banda N, Robinson P. Multimodal affect recognition in intelligent tutoring systems[C]∥Proc of the 4th International Conference on Affective Computing and Intelligent Interaction, 2011:200-207.

[7] Learner model in E-learning technology standard(CELTS-11) [S]. Beijing:Chinese E-Learning Technology Standard Committee, 2012. (in Chinese)

[8] Feng Qing-yu. Research on self-adapting guidance of on-line teaching system based on SMIL [J]. Journal of Computer Applications, 2006, 26(3):754-756. (in Chinese)

[9] Liu Rui-xian, Gao Ling. On a personalised online teaching system [J]. Computer Applications and Software, 2009, 26(10):143-145. (in Chinese)

[10] Duo S, Song L X. An e-learning system based on affective computing[C]∥Proc of 2010 International Colloquium on Computing, Communication, Control, and Management, 2010:1.

[11] Xiaojian Z, Kaiji L. A context-aware model for mobile collaborative learning [J]. Computer Applications and Software, 2010, 27(12):33-36. (in Chinese)

[12] Tao Xiao-mei, Niu Qin-zhou. An emotion classification algorithm based on the blink frequency detection and Bayesian network in affective learning [J]. Computer Science, 2013, 40(12):287-291. (in Chinese)

[13] Obrenovic Z, Garay N, Lopez J, et al. An ontology for description of emotional cues[C]∥Proc of the 1st International Conference on Affective Computing and Intelligent Interaction, 2005:505-512.

[14] López J M, Gil R, García R, et al. Towards an ontology for describing emotions[C]∥Proc of the 1st World Summit on the Knowledge Society, 2008:96-104.

[15] Zhao Juan-juan. Studies on related technologies of the mapping between visual features of images and emotional semantics [D]. Taiyuan:Taiyuan University of Technology, 2010. (in Chinese)

[16] Yan J, Bracewell D B, Ren F, et al. The creation of a chinese emotion ontology based on HowNet [J]. Engineering Letters, 2008, 16(1):166-171.

[17] Baldoni M, Baroglio C, Patti V, et al. From tags to emotions:Ontology-driven sentiment analysis in the social semantic web [J]. Intelligenza Artificiale, 2012, 6(1):41-54.

[18] Ptaszynski M, Rzepka R, Araki K, et al. A robust ontology of emotion objects[C]∥Proc of the 18th Annual Meeting of the Association for Natural Language Processing (NLP-2012), 2012:1.

[19] Guo Chong, Wang Zhen-yu. Auto-construct of sentiment ontology tree for fine-grained opinion mining[J]. Journal of Chinese Information Processing, 2013, 27(5):75-83.(in Chinese)

[20] Shi Wei, Wang Hong-wei, He Shao-yi. Study on construction of fuzzy emotion ontology based on HowNet [J]. Journal of the China Society for Scientific and Technical Information, 2012, 31(6):595-602. (in Chinese)

[21] Leontidis M, Halatsis C, Grigoriadou M. MentorRing affectively the student to enhance his learning[C]∥Proc of the 2009 9th IEEE International Conference on Advanced Learning Technologies, 2009:1.

[22] Huang Jin-jin,Liu Yun,Zhan Yong-zhao.Personalized service processing in e-learning environments based on ontology[J]. Application Research of Computers, 2010, 27(1):184-188. (in Chinese)

[23] Zhao Hai-yan, Zhan Yong-zhao, Wang Chuan-an. Researching of E-learning system based on contextaware and ontology [J]. Computer Engineering and Applications, 2012, 48(16):51-56. (in Chinese)

[24] Ekman P. Universals and cultural differences in facial expressions of emotion [M]. Lincoln:University of Nebraska Press, 1971.

[25] Csikszentmihalyi M. The psychology of optimal experience [M]. New York:Harper Collins-ebooks, 1990.

[26] Gagne R M, Wager W W, Golas K, et al. Principles of instructional design[M]. Cambridge:Wadsworth Publishing,1974.

[27] Gagne R M, Wager W W, Golas K C, et al. Principles of instructional design [J]. Performance Improvement, 2005, 44(2):44-46.

[28] Economides A A. Emotional feedback in CAT [J]. International Journal of Instructional Technology & Distance Learning, 2006, 3(2):11-20.

[29] Sosnovsky S, Gavrilova T. Development of educational ontology for c-Programming [J]. International Journal of Information Theories & Applications, 2006,13(4):303-308.

[30] D′Mello S, Olney A, Williams C, et al. Gaze tutor:A gaze-reactive intelligent tutoring system [J]. International Journal of Human-Computer Studies, 2012, 70(5):377-398.

附中文參考文獻(xiàn)：

[3] 喬向杰, 王志良, 王萬森. 基于 OCC 模型的 E-learning 系統(tǒng)情感建模 [J]. 計算機(jī)科學(xué), 2010, 37(5):214-218.

[7] 中國網(wǎng)絡(luò)教育技術(shù)標(biāo)準(zhǔn)體系學(xué)習(xí)者模型(CELTS-11) [S]. 北京：教育信息化技術(shù)標(biāo)準(zhǔn)委員會，2012.

[8] 馮慶煜. SMIL 自適應(yīng)導(dǎo)學(xué)在線教學(xué)系統(tǒng)研究 [J]. 計算機(jī)應(yīng)用, 2006, 26(3):754-756.

[9] 劉瑞獻(xiàn), 高嶺. 一個個性化網(wǎng)絡(luò)教學(xué)系統(tǒng)研究 [J]. 計算機(jī)應(yīng)用與軟件, 2009, 26(10):143-145.

[11] 張曉健, 廖開際. 移動協(xié)作學(xué)習(xí)的上下文感知模型研究 [J]. 計算機(jī)應(yīng)用與軟件, 2010, 27(12):33-36.

[12] 陶小梅, 牛秦洲. 情感學(xué)習(xí)中基于檢測眨眼頻率和貝葉斯網(wǎng)絡(luò)的情感分類算法 [J]. 計算機(jī)科學(xué), 2013, 40(12):287-291.

[15] 趙涓涓. 圖像視覺特征與情感語義映射的相關(guān)技術(shù)研究 [D]. 太原：太原理工大學(xué), 2010.

[19] 郭沖, 王振宇. 面向細(xì)粒度意見挖掘的情感本體樹及自動構(gòu)建 [J]. 中文信息學(xué)報, 2013, 27(5):75-83.

[20] 史偉, 王洪偉, 何紹義. 基于知網(wǎng)的模糊情感本體的構(gòu)建研究 [J]. 情報學(xué)報, 2012, 31(6):595-602.

[22] 黃津津, 劉云, 詹永照. 基于本體的E-learning 環(huán)境個性化服務(wù)處理方法 [J]. 計算機(jī)應(yīng)用研究, 2010, 27(1):184-188.

[23] 趙海燕,詹永照,王傳安.基于情境感知和本體的E-learning 系統(tǒng)研究 [J]. 計算機(jī)工程與應(yīng)用, 2012, 48(16):51-56.