教育情感计算的价值、困境与出路

/教育情感计算的价值、困境与出路【摘要】教育情感计算涉及教育场景中情感的感知与理解、建模与预测、干预与调节、生成与表达等方面，对于学生状态表征、教学过程评价、学习机理阐释、学习干预实施具有重要意义。然而，教育情感计算面临情感指标体系不完善、无感知情感数据采集分析难实现、情感发生机理难解释、情感建模预测机制未建立、情感干预机制难落地等困境，严重削弱了情感计算对于教育创新变革的实践价值。为破解上述困境，文章提出教育情感计算的发展方向：构建面向教育领域的情感计算指标体系，开发无感知教育情感智能计算系统，探究多学段、多学科、多场景的情感发生机理，开展基于情境感知的学习者情感建模分析，完善智能教育系统的情感反馈与干预机制，健全教育领域的情感计算风险防控机制。文章的研究可为教育情感计算提供方向指引，并助力教育研究与实践的创新发展。【关键词】教育情感计算；情感发生机理；情感干预；情感建模；智能教育 引言 近年来，智能教育领域在认知层面的研究取得了突破性进展，但在学生情感的感知、理解、干预、表达等方面，研究进展仍然相对缓慢。而对学生情感状态的刻画，既是学习过程表征的重要方式，也是课堂教学评价的重要途径，对于教育研究和实践的创新发展具有重要意义。教育情感计算是人工智能与教育科学研究相结合的关键领域，关于教育领域情感计算方法、发生机理和干预机制的研究是近年来国家自然科学基金教育信息科学与技术(F0701)关注的重要选题[1]。从研究范畴来看，教育情感计算涉及教育场景中情感的感知与理解、建模与预测、干预与调节、生成与表达研究等方面，是人工智能与教育的交叉研究领域。教育情感计算的目标是通过对学生情感的识别、分析和建模，表征学生状态、阐释学习机理、改进教学策略、完善智能学习干预策略、优化智能教育服务与产品、创设自然和谐的人机交互，以此来推动生成式人工智能背景下教育情感计算研究与实践的创新发展。 目前，教育领域情感计算的研究尚处于起步阶段，现有研究更多关注基于智能技术的情感识别算法研究[2]、基于多模态数据的情感识别框架构建[3]，但对于情感计算技术在真实教育场景中的应用缺乏探索，无法有效发挥情感计算技术对于教育过程评价、课堂教学改进、教育规律研究、学习干预设计、教育产品开发的实践价值。鉴于此，本研究立足于智能技术赋能教育研究范式变革的时代背景，分析情感计算技术赋能教育研究与实践的价值定位，厘清教育情感计算的现实困境与发展方向，以期为教育领域情感计算研究的深入开展提供借鉴。 一、教育情感计算的实践价值 教育情感计算是指利用智能技术手段对学生的情感状态进行智能感知和精准建模，揭示情感发生的内在机理，并利用机器模拟、生成和表达人类情感，实现人机自然情感交互，强化情感干预与调节。教育情感计算是近年来教育人工智能研究的热点话题，对于学生状态表征、教学过程评价、学习机理阐释、学习干预实施具有重要的现实意义。 1.教育情感计算为学生状态表征提供新方法 基于多模态数据的学生状态表征是智能教育研究的重要组成部分，近年来关于学习者建模的相关研究大多聚焦于学生的知识、认知、情感等方面[4]，衍生出了知识图谱、认知诊断、知识追踪、情感计算等细分领域。从学生状态表征的维度来看，情感体验是学生完整学习体验的重要组成部分，如何对学习过程中学生的情感状态进行深入、全面的精准刻画，是当前智能教育研究着力探索的关键问题。情感状态能够客观反映学生在学习过程中的情绪体验，以及学生对学习内容、学习资源、学习活动、学习环境的情感偏好。通过对学生情感状态细粒度、时序性、动态性的精准刻画，研究者能够挖掘学生的认知偏好、学习风格、学习动机等深层次特征，从“多源数据感知-外显状态表征-内隐特征刻画”等多个层次构建系统化的学习者模型，以更好地表征学习者的本体特征[5]。从这个意义上来说，教育情感计算能够为学生状态的表征提供新方法，有助于理解学习的发生过程，挖掘教育现象的本质特征。 2.教育情感计算为教学过程评价提供新途径 2020年10月，中共中央、国务院印发《深化新时代教育评价改革总体方案》，提出要改进结果评价、强化过程评价、探索增值评价、健全综合评价，利用信息技术手段提高教育评价的科学性、专业性和客观性[6]。从课堂教学评价的视角来看，认知和情感是课堂教学质量在学生层面的直观表征。但就两者的表征机制而言，认知状态具有较强的渐变性、内隐性和不易测量性，往往需要通过学业测评或学生主观陈述的方式去测量，且对认知状态的测量往往具有较强的滞后性，无法有效反馈动态变化的学习过程；而学生的情感状态具有较强的即时性、外显性和易测量性，通过对学生话语、表情、手势、姿态、生理等多模态数据的采集和汇聚，研究者能够对其情感状态进行实时、精准的监测分析，以表征教学过程中学生真实的情感体验。更进一步来讲，学生外显的情感状态与内隐的认知状态之间具有较强的关联，当学生对所学知识的掌握程度较高时，往往会表现出好奇、兴奋等积极的情绪状态；反之，当学生认为所学内容晦涩难懂时，往往会表现出困惑、焦虑、倦怠等消极的情绪状态。从这个意义上来说，学生的情感状态能够表征学生对课堂教学的主观感受，丰富教学过程的表征样态，为课堂教学的过程性评价提供可靠保障。因此，教育情感计算能够为教学过程评价提供新途径，助力破解课堂教学的“黑箱”，为教育规律的挖掘和教学策略的改进提供新的技术手段。 3.教育情感计算为学习机理阐释提供新证据 学习科学研究的目标是揭示“学习是如何发生的”，而以往关于学习发生机理的研究往往过于重视对学生认知状态的表征和认知能力的测评，忽视了对学生情感状态的关照。从个体发展的视角来看，认知与情感是不可分割的统一整体，学习是认知与情感相统一的精神活动[7]，两者在学习过程中存在着复杂的相互作用关系。因此，对学习机理的研究除了要进一步加强对学生认知层面的研究，还要逐步重视对学生情感的测评与分析，挖掘情感状态的动态演化机制，探究情感与认知之间的复杂关系，以探究深层次的学习发生机理。相关研究主要涉及以下内容：①情感状态的动态演化机制，关注在真实教学过程中学生情绪状态的动态变化规律，以探究教学环境、教学内容、教学活动的变化对学生情感体验的影响机制。②情感状态对学习结果的影响机制。学习是一个复杂的系统工程，积极的情感状态不一定会对学习产生正向影响，而消极的情感状态也不一定会对学习产生负面影响。只有系统分析学生情感状态的动态变化序列，探究情感状态变化与学习效果之间的复杂关系，才能更好地揭示学习的发生机理。③情感与认知之间的复杂作用机理，涉及情感与认知之间的动态演化和耦合关系，旨在探究情感状态的变化会对认知状态产生何种影响，以挖掘认知与情感之间的关系。由此可见，教育情感计算能够为学习机理阐释提供新证据，有助于拓宽学习科学的研究范畴，丰富学习规律研究的证据来源。 4.教育情感计算为学习干预实施提供新依托 随着智能教育产品的逐渐成熟和生成式人工智能技术的快速发展，智能技术赋能的精准化学习干预成为智能教育研究的重要议题[8]。以往的学习干预主要指向学生的认知层面，如通过对学生知识掌握程度和认知发展水平的智能分析，为其提供精准化的资源推荐和学习路径规划服务，帮助学生加强对薄弱知识点的学习。但其中的问题在于，此种干预模式将学生的学业问题完全归结到认知层面，而忽视了情感在学生学业发展中的调节和促进作用，将智能学习干预窄化为单一的学业测评、认知诊断和资源推荐。因此，智能学习干预不能局限于帮助学生强化知识掌握、提高认知能力，还要帮助学生提高学习动机、唤醒学习的自主性和能动性、激发探索精神和求知欲、提升自主学习的意识和能力。从这个意义上来说，教育情感计算能够为智能学习干预提供新依托，只有在准确识别学生情感状态的基础上精准分析其学习偏好、学习动机、学习风格，才能提升学习干预与学生需求的适配度，帮助学生实现更加科学、高效的学习。 二、教育情感计算的现实困境 教育情感计算对于教育研究开展和教育实践变革具有重要的支撑与引领作用，但同时也面临情感指标体系不完善、无感知情感数据采集分析难实现、情感发生机理难解释、情感建模预测机制未建立、情感干预机制难落地等现实困境，这严重削弱了情感计算对于教育创新变革的实践价值。 1.教育情感计算的指标体系不完善 指标体系构建是教育人工智能研究的基础性工作[9]。一套科学、合理的指标体系有助于将人类能够感知和理解的完整世界转化为机器能够建模和分析的具体对象，从而帮助机器更好地理解客观事物的存在状态。因此，构建面向教育领域的情感计算指标体系是教育情感计算研究的基础保障，关乎教育研究应该关注学习者的哪些情感状态，以更好地表征学习过程、揭示学习机理。目前，已有一些成熟的方法或模型用来刻画人类基础的情感状态，如Picard[10]提出的“开心、悲伤、害怕、生气”四分类法，Ekman等[11]提出的“高兴、惊讶、厌烦、悲伤、恐惧、愤怒”六分类法，以及Ortony等[12]提出的OCC(Ortony，Clore，Collins)模型、Russell等[13]提出的环形情感模型、Mehrabian[14]提出的PAD(Pleasure-displeasure，Arousal-nonarousal，Dominance-submissiveness)三维情感模型、Plutchik[15]提出的“倒锥体”情感模型等。但这些情感模型与教育场景的适配度较低，突出体现为恐惧、悲伤、愤怒等较为强烈的情绪状态难以在学习中出现，高兴、厌烦、惊讶等情绪状态在课堂当中的表征也较为隐晦，难以挖掘其背后的教育意义。就教育情感计算的研究现状来看，大多数研究者依然采用传统的情感分类体系[16]，而未考虑其与教育场景的适配度；抑或采用某几种情感标签去研究教育场景中常见的情绪状态(如开心、困惑、平静、厌倦)[17]，而尚未形成较为系统的情感分类指标体系，因此无法满足教育情感挖掘与分析的实践需求。 2.无感知情感数据采集分析难实现 教育情感计算主张采用心理测量、行为测量、生理测量的方式对学生的情感状态进行感知和分析[18]，通过对学生话语、表情、姿态、生理等多模态数据的采集分析，应用多模态数据融合的方法对学生的情感状态进行精准识别。此类研究更多地关注基于深度学习算法的多模态情感识别方法的研究，以提升情感分类的精准度，但同时也存在两个问题：①对多模态数据的采集分析较为依赖脑电、手环、眼动等可穿戴设备，而智能装备的应用或多或少会对学生正常的学业表现和情绪状态产生影响，干扰学生自然的情感体验。因此，此类研究往往发生于实验室场景，用于学术研究尚可，若用于改进教学实践则显得捉襟见肘。②依据学生外显的话语、表情、动作、身体姿态等信息去刻画学生即时的情感状态，将面临多模态数据的对齐、补齐、融合等一系列算法层面的挑战，这给教育研究人员和一线的教师、管理者挖掘并分析学生的情感状态带来了较大挑战，也在一定程度上限制了情感计算研究对教育实践的赋能作用。可见，如何对真实教育场景中学生的情感状态进行实时、智能、无感知的精准刻画，是教育情感计算研究要解决的关键问题。 3.教育情感的复杂发生机理难解释 学习既是学习者在与环境交互作用的过程中主动建构内部心理表征的过程，也是在特定学习情境中学习者认知和情感相互促进、相互激发的过程。从教育情感计算的研究目的来看，其最终还是要揭示“学习是如何发生的”这一根本问题，通过对学生情感状态的刻画来理解学习过程、揭示学习规律、改良教学实践。因此，对教育场景中情感发生机理的研究是教育情感计算需要解决的核心问题，对于教育实践的优化具有重要意义。但是，此问题本身具有较高的复杂性：①情感表征机制的复杂性。情感的发生和变化是学生外在行为和内在生理、心理多重作用的结果，涉及行为、生理、心理、神经等多个层面，需要整合教育学、心理学、神经科学、人工智能等多个学科的研究思想、研究方法和研究结论，以揭示深层次的情感发生机理。②情感影响因素的复杂性。学生的情感状态不仅受外在的环境、资源、媒介等教育情境因素的影响，还受学生内在认知状态的调控。基于此，如何挖掘相关要素对学生情感状态的影响机制，成为教育情感计算研究需着力解决的问题。综合上述分析，未来教育情感计算研究的开展需要从情感的表征机制和影响因素两个层面来揭示教育场景中情感的发生机理，以强化情感计算研究对教育实践的赋能作用。 4.全景化情感建模预测机制未建立 情感发生的“情境依存性”，是教育情感计算需要攻克的重要难题[19]。“情境依存性”是指学生的情感状态受实际教育情境的影响，学段、学科、时间、教师、教学内容、教学资源、教学环境等不同，学生的情感体验也就不尽相同，这反映了学生深层次的认知风格、学习偏好、学习动机等特征。基于此，如何实现全时空、多场景的教育情感建模与预测，成为教育情感计算研究需要关注和解决的难点问题，而解决此问题的主要困难在于：①教育情境的表征和计算机制尚未确立。教育情境是一个复杂概念，包含与学习有关的用户、任务、时间、设备、资源、环境等要素[20]。目前，尚未有研究能够实现对教育情境的全时空、多维度表征与计算[21]，使得全景化教育情感建模与预测存在较大困难。②全时空多场景的教育情感计算难实现。要实现全景化的情感建模与预测，需要进一步细化研究场域，探究多学科、多场景中教育情境和学生情感之间的复杂关系，而这将面临来自技术和伦理的双重挑战。基于此，教育情感建模与预测将成为教育情感计算研究的关键壁垒，这就需要进一步加强教育情感建模与预测的理论和方法研究，建立适用于教育实践发展的全景化情感建模预测机制。 5.教育情感的智能干预机制难落地 学生情感建模、分析和预测的主要目的是揭示情感的发生机理，并通过特定的干预措施帮助学生实现更加个性化、科学化的学习。以往的学习干预更多地聚焦于学生的认知层面，如通过学习资源推荐、学习路径规划等方式帮助学生更好地掌握所学知识[22]。但这种干预策略过于强调对学生认知层面的测评分析，而忽视了情感要素在学生学业发展中的关键作用，使智能学习干预的科学性、可靠性、系统性得不到保障。基于此，如何对学生的情感进行智能干预，成为教育情感计算研究需要解决的关键问题，而解决此问题的主要困难在于：①科学化的情感激励机制难建立。以往的学习干预大多只针对学生的学业问题和学习需求简单、粗暴地为其匹配静态的学习资源，认为只要将资源推送给学生就能帮助其实现个性化学习，而忽视了学业困难对学生兴趣、动机和毅力的挑战。基于此，如何将情感因素纳入智能学习干预的考虑范畴，通过设计特定的学习支架，由易到难地将学生引向深度学习，让学生在掌握知识的同时逐步提升自我效能感、体会学习进阶的乐趣，是当前情感干预研究需要解决的关键问题。②智能化的人机情感交互难实现。随着生成式人工智能技术的快速发展和智能教育产品的逐渐成熟，机器在学习中扮演的角色越来越重要，人与机器的自然交互和深度协同成为现实，基于多轮人机对话的人机协同学习将成为未来学习的重要表征样态。基于此，如何克服以往人机交互过程中情感互动缺失所带来的孤立、无助等负面情绪，同时丰富学生的情感体验、提高学习临场感，成为未来智能情感干预研究需要关注的重要议题。 三、教育情感计算的发展方向 为破解教育情感计算的现实困境，本研究从情感计算指标体系、情感计算系统、情感发生机理、情感建模分析、情感反馈与干预、情感计算风险防控六个方面提出教育情感计算的发展方向，以推动教育情感计算研究的常态化发展。 1.构建面向教育领域的情感计算指标体系 在智能教育领域情感计算的相关研究中，人工智能领域的专家、学者更偏重于探索数据与情感指标之间的关系，致力于通过算法模型的优化提升情感分类的准确率，而对于研究的是哪几类情感以及这些情感所表征的教育意义缺乏足够关注，使得教育情感计算的相关研究逐渐沦为技术导向的算法创新性研究，忽视了其背后的教育意义[23]，因此有必要构建面向教育领域的情感计算指标体系。这就需要充分考虑教育场景的真实情况和教育人工智能研究的现实需求，并整合一线教师和智能教育研究人员的智慧与经验，使设计的指标既不会太过宽泛而增加情感识别的难度，也不会太过单一而无法表征其背后的教育意义，具体可从以下方面入手：①利用文献分析法梳理以往研究中常见的情感指标，结合经典的情感分类模型，构建面向教育领域的情感计算指标体系；②向智能教育领域的专家、学者和一线教师征询意见，筛选出教育场景中常见的情感指标，并测算相关指标的权重；③通过对真实学习过程中学生情感状态的人工标注和机器标注，验证情感计算指标体系的适用性和可靠性，并及时进行修正与完善。 2.开发无感知教育情感智能计算系统 就教育情感计算的研究现状而言，人工智能领域的专家、学者多关注基于多模态数据和深度学习算法的情感分类技术研究，教育领域的专家、学者多关注学生情感的发生机制和演化机理，而一线教师多期待通过刻画学生的情感状态来反映课堂教学效果。尽管不同主体的关注点存在差异，但都面临一个共同的问题：对学生情感的自动化、智能化监测在技术实现上难度较大，难以为教育教学实践提供有效支撑。这就需要研究者聚焦教育研究与教学实践的真实需求，开发无感知教育情感智能计算系统，将看起来难度较大的技术问题转化为工程问题来解决，以此为教育情感计算提供工具支撑，具体可从以下方面入手：①开发无感知教育情感数据采集系统，利用摄像头、麦克风等无感知设备对学生的话语、表情、手势、身体姿态等多模态数据进行实时采集；②训练基于多模态数据融合的情感分类算法，利用多模态数据之间的信息互补机制，提升学生情感分类的准确度，对学生情感状态进行实时、精准刻画；③开发学生情感动态分析工具，利用时间序列分析、图神经网络等方法对学生情感的动态演化规律进行深入的挖掘分析，以表征完整学习过程中学生情感状态的动态变化趋势。 3.探究多学段、多学科、多场景的情感发生机理 揭示情感的发生机理，既是教育情感计算研究的核心，也是教育科学研究的重要议题。学生情感的发生和演化不仅受外在情境要素、内在认知结构的影响，也受行为、生理、神经的多重调控，因此对学生情感发生机理的揭示是一项复杂的系统工程。此外，学生的情感状态在不同学段、学科、场景中也存在较大差异，因此教育情感计算研究需要加强对多学段、多学科、多场景的关照，整合多元化的研究结论揭示深层次的情感发生机理，具体可从以下方面入手：①注重教育情感的行为、生理和神经表征，从学生的行为(如话语、表情、手势、姿态等)、生理(如呼吸、心跳、眼动、肌电、皮电等)、神经(如脑电、血氧等)多个层面探究情感的生成与表达机制；②重视揭示学生情感的发生机制，探究真实教育场景中教师、同伴、环境、内容、资源、媒体、活动等情境要素以及学生内在认知状态对学生情感的影响机制；③探索学生认知与情感的关系及其对学业表现的影响机制，实现“认知-情感-成效”的联合表征和协同建模，探究认知与情感的协同演化机制和复杂耦合机理，挖掘认知、情感与成效之间的关系，探究深层次的学习发生机理。 4.开展基于情境感知的学习者情感建模分析 基于情境感知的学习者建模旨在探究外在教育情境要素对学生内在认知和情感发展的影响机制，进而揭示深层次的学习机理[24]。从教育情感计算研究的实践需求来看，应建立教育情境要素与学生情感体验的关系，明确在特定教育场景中学生情感的动态变化过程，探究真实教育场景中人、机、物、环境等要素对学生情感状态的影响机制，以挖掘学生深层次的学习偏好、学习风格、学习动机等特征，实现对学生情感状态的精准预测。这就需要开展基于情境感知的学习者情感建模分析，具体可从以下方面入手：①利用智能感知技术对多元教育场景中学生的情感状态进行实时追踪，并对教师、教学内容、教学资源、教学环境、教学媒体、教学活动等教育情境要素进行动态监测和精准测评[25]；②建立教育情境要素和学生情感状态之间的动态映射关系，形成“教育情境-学生情感”的关键序列对，探究对学生情感具有显著影响的教育情境特征，分析学生情感的关键影响因素；③通过大规模、长周期的教育数据积累，挖掘学生深层次的学习偏好、学习风格、学习动机等特征，并构建智能化的情感预测模型，以此对学生的情感状态进行精准预测。 5.完善智能教育系统的情感反馈与干预机制 智能教育系统的情感反馈与干预是教育情感计算研究在实践领域的重要落脚点，旨在通过对学生情感状态的实时监测与精准识别，为其提供科学、有效的情感反馈和情感干预，帮助学生获得更加积极的情感体验。从学习干预的角度来看，学生的学业表现不佳是认知能力、情感动机等因素共同作用的结果。对学生的智能化学习干预不仅要充分考虑学生的认知状态，还要加强对学生情感、态度、动机等非认知状态的关照，以此丰富学习干预的依据，完善学习干预的实施策略，具体可从以下方面入手：①通过数据建模的方式，完善智能教育系统中学生情感的监测、激励与调节机制。综合考虑认知、情感对学习的双重赋能作用，构建系统的学习干预模型，在引导学生主动建构知识体系、提升认知水平的同时，重视情感要素在其中的干预和调节作用，确保智能学习干预的实施不会对学生造成过重的学习负担和学习压力，能够循序渐进、由易到难地激发学生学习的兴趣、信心和动力，引导学生体会学习的乐趣、增强学习的动机。②完善智能教育系统中教育智能体、教育数字人的情感生成与表达机制，实现拟人化的情感交互。人机情感交互涉及机器对学生情感的捕捉与识别、解释与预测、响应与反馈、生成与表达等关键技术，旨在帮助机器精准识别学生的困惑、沮丧、焦虑等负面情绪，通过话语、表情、眼神、动作等方式加强人机之间的情感交互，帮助学生摆脱负面情绪，并通过调整教学内容、强化情感激励、优化情感反馈等方式帮助学生获得更加积极的情感体验，以促进有意义学习的发生。 6.健全教育领域的情