个性OCC模型的学习支持技术的设计与实现

开篇：润墨网以专业的文秘视角，为您筛选了一篇个性OCC模型的学习支持技术的设计与实现范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

【摘要】由于网络学习中的时空差距，情感缺失问题成为阻碍其发展的一大障碍。基于模糊情感分析的个性_occ情感模型，给出了网络学习中情感变量初始化和更新的一套规则，将个性与OCC情感模型相结合，利用模糊数学方法，综合评判引起情感变化的学习能力与学习过程因素。该模型克服了以往一些模型太过复杂、不能达到主体反应实时性的缺点，并考虑了个性对情感状态的影响。基于该模型的学习支持技术，有效解决了网络学习中情感缺失的问题，改善了网络学习的交互过程。

【关键词】 个性；OCC；网络学习；情感模型；模糊综合评判

【中图分类号】 G434 【文献标识码】 A 【文章编号】 1009—458x（2013）02—0026—06

一、引言

由于网络学习中的时空差距，情感缺失问题成为其与生俱来的短板。传统的面授课堂教学方式可以通过师生的语言、表情、动作等进行充分的情感交流，此时情感系统与认知系统协同工作、相互驱动；而网络学习中人与人之间处于时空分离的自主学习状态，这种学习方式容易引起的不良后果有：（1）认知与情感的失衡，导致无效或低效学习；（2）丧失必要的信任、友谊与人际支持；（3）人格异化[1]。从这个角度讲，结合情感技术的智能Agent助理技术无疑是一种理想的学习支持工具，它实质上是一种更加智能化的服务，实现更加人性化的交互手段，使网络学习内容的表现形式更加丰富、更具有吸引力，能够有力地提高学习者的学习兴趣和学习效率[2]。

将情感计算技术运用到网络学习环境的研究主要包括情感建模、教学情感、心理学等领域[3]。在情感建模领域，典型的建模方法有隐马尔科夫模型（HMM）[4]和认知情感评价模型（OCC）[5]等。

隐马尔可夫模型是一种用参数表示的、用于描述随机过程统计特性的概率模型。MIT媒体实验室的R.W.Picard在感知计算的技术报告中，正式提出将HMM应用于情感信号的识别。王巍、王志良等人针对HMM情感模型仅能产生基本情绪的问题，提出了一种改进模型，使其能够产生复合情绪[6]。但HMM 模型仅从概率的角度模拟情感，未考虑情感产生的认知和非认知因素，因此在相同的刺激下，HMM 模型的感知结果是确定的。

认知情感评价模型以情感是对价值的主观认知的思想为依据将人的情感分类，是目前应用最为广泛的情感模型[7]。OCC模型在教育领域已得到广泛的研究和应用。乔向杰、王志良、王万森等人根据OCC模型理论，提出一种在E-learning系统中基于认知评价的学生情感识别模型[8]。付彦飞、牛秦洲、陶小梅等人利用简化的OCC情感模型，设计了一个个性化的智能情感E-learning 教学系统[9]。吴茵、王万森、卢飞等人综合OCC情感模型和具有反向情绪的二维情绪模型，提出了一种适合学习情绪研究的情感建模方法，实现远程教学中认知和情感的交互[10]。但目前对基于OCC情感模型的研究很少论及非认知因素（例如个性）对情感状态的影响，而且较少阐述和讨论学习支持技术的设计与实现。

本文在E-learning学习支持技术中利用OCC情感模型，提出一种基于模糊综合评判的情感判别更新机制，用来模拟网络环境中学习者基本情绪的产生和迁移过程。通过加入Agent技术，适时引导学生情感的发展，恰当地干预学习过程，提供富有积极、真实的情感服务。

二、E-learning中学习支持技术的设计

我们在SQL Learning[11]中设计了如图1虚线框中所示的系统模型。在实际使用中，系统能为学生提供与认知水平相适应的学习资源、实验内容、测试题目等个性化服务内容。凭借条理的知识覆盖、及时的交互反馈、个性化的学习资源和实验内容，系统在提高学生的学习能力与成绩方面取得了很大进步。

对于图1中虚线框所示的系统，经过一段时间使用后，我们发现，学生利用该系统的主动学习兴趣并没有提高，表现为：学生上课上机时，利用系统在线实验学习时间较长，虽然偶尔与同学有交流，但并不影响兴趣的保持，并且情绪较好；相反，课下自主使用该系统学习时，在线时间较短。调查发现，学生无实体伙伴时，长时间在线学习普遍感到孤寂、苦闷，不能长时间保持注意。

为了改善系统的使用效果，在如图1所示的设计中加入情感Agent，利用情感计算学习支持技术在“《ACCESS技术及应用》网络学习系统”中收到了较好的效果。

三、基于个性的OCC情感初始化

情感在气质、性格方面的差异主要体现在情绪体验的强度、情绪状态变化的速度、情绪的稳定性与持久性，以及在同样刺激条件下产生某种情绪的倾向性的大小等[12]。在本文中，学生的个性特征数据以个性模型OCEAN（Openness，Conscientiousness，Extraversion，Agreeableness，Neuroticism）存储。个性模型OCEAN将性格分为开放型、责任型、外向型、愉悦型和神经质型五种类型。

四、情感状态的模糊综合评判及更新

学生登录后，系统采用上述方法获得初始化情感值。由于情感状态是受外界刺激不断变化的，本文参照基本情绪理论和认知评价理论作为建模的心理学依据，选择与网络学习活动紧密相关的刺激源作为情感状态变化的输入变量。

（一）刺激信号量的输入

技术实现时选择学生与系统的交互历史作为刺激信号的输入，进而形成短时情感的刺激变量。刺激变量分为两大类：学习能力类和学习过程类。具体如下：

（1）学习能力类包括识记、理解、应用、分析、综合、评价6项认知能力参数。系统在网络学习的交互项目（例如：在线实验、在线测试）中均设有认知能力观测点，如果测试项目通过，该认知能力观测点记为1，未通过记为-1，未测试记为0，所以学生的每一次活动都应当有反映一项或几项认知能力的参数记录在学生模型库中[17]。

⑤兴趣根据与学生注册信息中偏好的关联度和前序知识的学习情况来判定。兴趣值关联度+前序知识点的平均值/100，这里为调节系数，文中。

例如，一名学生经过一段时间的学习后，可得到数据库中的一组学习记录，转化为情感刺激变量的数据，如表3所示。

（二）基于模糊综合评判的情感更新规则

在情感更新过程中，由于情感刺激变量中有多个指标，本文采用模糊综合评判方法来操作，具体步骤如下：

（1）将因素分类。如表3所示，对当前时间段影响情感的因素分为两大类：学生的学习能力和学习过程，其中学习能力包括识记、理解、应用、分析、综合和评价，学习过程包括难易度值、测试正确率、在线值、交互值和兴趣。

五、学习支持技术的实现

本E-learning学习支持平台采用实现，后台数据库采用SQL Server2000。学生登录平台后，教学Agent智能引导学生的网上学习活动，生成用户的个性化实验任务、测试题目、学习资源等。情感Agent则初始化情感状态，并根据用户的学习活动随时更新。智能助理采用Microsoft Agent实现，利用动画精灵作为系统的交互助手来引导和提醒用户的操作，达到调节和干预学习情绪的目的。

在学习过程中，对不利于学习持续进行的情感状态，通过智能助理以文字或音乐方式进行提醒或干预，同时通知教学Agent调整教学策略。比如，在测试时，当用户的情感状态处于“兴奋”时，MS Agent会提示“你的表现很优秀，注意细心完成下面的学习，内容将会变难一些哦！”，如图3所示。教学Agent也会提高后续学习的难度。同样，在进行实验时，当用户的情感状态处于“生气”时，MS Agent则会提示“还需要努力，坚持就是胜利！”，同时播放一段《相信自己》的音乐旋律，如图4所示。教学Agent会降低后续学习的难度。

六、实验验证

为了验证学习支持技术中所用情感模型的实效性，2012年6月将忻州师范学院计算机系2008级未曾参与过实验的100名学生按班级分为两组，限定“SQL查询语言”这一章作为学习内容，要求学生在6月12日上午8点到12点在机房自由学习。

为了模拟松散的自主学习环境，指定第一组本0801班的40名学生在东综703、705、701三个机房的189个机位上自主学习，采用未加入情感模型学习支持技术的教学系统；指定第二组的60名学生在另一幢楼的8层机房306个机位上自主学习，采用加入本文有智能助理和情感学习支持工具的教学系统。

在4小时无教师监管的自主学习状态下，两个系统的后台数据库服务器记录了每个账号下学生的交互次数和在线时长。其中，交互次数的统计方法为：在系统的网页中点击一次按钮则为当前用户的交互次数累加1；在线时长的统计方法为：以10分钟为限，在此时间段内点击一次以上鼠标则认为当前在线，为该账号的在线时间累加10分钟，否则认为不在线，不进行累计。

最后，利用上述方法得到两组学生的平均交互次数和在线时长，如图5所示。

上述实验假定两个班的学生认知能力水平相当，个性特征正常分布，并且情感Agent对学生的学习无负面影响。由图5可以看出，第二组的平均在线时长和平均交互次数两项指标明显高于第一组。分析其原因，由于Agent的情感交互，在一定程度上弥补了系统中情感缺失的缺点，使学生兴趣提高，所以在线时长和交互次数要高于第一组。实验验证了该技术对提高学生学习兴趣方面的有效性和可用性。

在随后针对情感模型认可度的调查中，收到有效问卷59份，其中非常认可、认可和不认可的学生人数分别为40、11和8，该情感模型在受测试学生中的认可度达86.44%。

七、结束语

本文的学习支持技术基于个性的OCC情感模型，用模糊综合评判方法更新学生的情感状态，利用MS Agent技术进行远程学习交互，以期用便于实现的技术，更好地提高网络学习的兴趣，优化学习过程，更好地解决远程教育中情感缺失的问题。

但由于人工情感理论还不成熟，建立精确的数学情感模型还比较困难，因此，该学习支持技术的情感化、个性化程度还有待完善。未来的研究重点是，在此学习支持技术中融入更多的评价因素，并构建更灵活高效的情感模型，同时提高教学Agent与情感Agent的协调性。具体细节我们将做进一步的研究。