0 引言

情感学习是情感计算[1]在电子学习领域的延伸，将情感因素引入到电子学习中，改变了以前电子学习研究中对认知和情感关注不平衡的现象。情感计算在情感识别方面取得的大量研究成果已经被应用到电子学习中用于获取学习者的情感状态[2-4]，但是关于如何理解学生的情感状态以及如何对学生提供有效的反馈的研究较缺乏。传统的智能教学系统是根据学习者的认知信息进行反馈的，比如说根据学生回答问题的答案是否正确、学生学习某个知识点的持续时间来指定相应的反馈策略[5, 6]，这类称之为“认知触发”的反馈。引入情感计算技术后，在学生学习的过程中系统可以根据学生的表情判断学生的认知状态，并给出相应的反馈及时给予学生支持[2, 7, 8]，这类称之为“情感触发”的反馈。由于情感计算是近年来才发展成为研究热点，因此对于如何设计基于情感触发的反馈，如何更好的提供认知和情感支持仍需进一步研究。本文采用本体和影响图建模技术对学习情境和学习过程进行建模。本体（也称“本体论”）源自于一个哲学概念，是指关于存在及其规律的学说。研究人工智能的 Neches 等人将本体定义为“给出构成相关领域词汇的基本术语和关系，以及利用这些术语和关系构成的规定这些词汇外延的规则的定义”[9]。影响图是 Howard 和 Matheson 于 1984 年提出的一种基于不确定信息表达和求解复杂决策问题的图模型[10]。影响图也称为决策贝叶斯网络，是一个有向无环图，通过增加决策和效用点而对贝叶斯网络的扩展。本文介绍了对于电子学习中教学反馈策略的相关研究，然后采用本体建模技术对学习中的情感相关概念进行建模，通过对本体的推理查询生成可能的认知和反馈策略集合，再构造一个基于概率的影响图决策模型用于选择出最优的认知反馈和情感反馈策略组合使学生在学习过程中得到认知支持和情感支持，以此来解决电子学习中的情感缺失问题。最后通过实例演算和一组实例数据证明了该模型和算法的有效性。

1 相关研究

目前关于情感学习中教学反馈策略的研究正逐步兴起。Robison, J.等人于 2010 年[11, 12]提出了一个关于基于任务的反馈以及基于情感反馈的归纳性的框架用于指导教学 agent 的行为，并指出学生的个性特征在情感反馈模型中的作用非常重要。Boulay 于 2011 年在关于智能导师如何反馈的研究中列出了针对 Anxiety，Frustration，和 Boredom 这三种负向情感状态产生的原因的相应可能采取的纠正措施[13]。D’Mello 等人于 2012 年情感状态动态变化模型的研究中给出了对于 Frustration，和Boredom 这两种状态的反馈规则[14]。Alexander 和 Abdolhossein等研究了在智能教学系统中如何采用基于案例的方法和模糊控制进行学习推理产生教学反馈以适应学生的情感状态的变化[15,16]。Hernández.等采用多属性效用理论建模，并通过动态贝叶斯网络计算学习和情感的收益以达两者的平衡，然后选择相应的教学策略[17-19]。Liao 等分析讨论了如何采用影响图技术建模计算生成反馈用以维持学生积极的学习状态[20]。Liao 在文献[20]中分析了在情感学习中采用影响图建模较其他数学工具的优势有：首先，对于用户情感和反馈决策在不同层次的抽象出来的不确定知识的表示和建模，影响图提供了一致的并且是完全统一的层次概率框架；其次，在这个统一的框架内，情感识别是一个概率推理过程，而对用户的反馈则是一个决策过程；最后，影响图还能良好的结合用户情感的演化并用动态的结构解释决策的时序问题。关于结合情感相关的本体在 e-learning 中的应用有：黄津津等人于 2010 年对基于本体的e-Learning环境中学习者的各种个性化信息进行合理描述及分析, 并在此基础上提出有针对性的个性化服务处理方法[21]；赵海燕等人于 2012 年结合本体论和情境感知技术与方法构建了基于情境感知的本体 e-Learning 系统[22]。上述情感本体中都只是描述了关于情感的某些方面的概念，如情感分类、情感线索等，但是都并未考虑到情感反馈的相关概念。另外，Leontidis 于 2009 年将情感本体应用到 e-learning系统中[23]，该研究中使用的情感本体包含情感分类及情感反馈策略，但并未对反馈策略进行进一步的组织分类，也未描述情感反馈策略和情感状态之间的联系。目前对本体在智能教学系统中的应用的研究主要是关注领域模块中的本体，学习对象元数据本体，教学本体和学习者本体。在我国教育信息化技术标准委员会制定的网络教育技术标准体系中的标准学习者模型规范（CELTS-11）[24]中缺乏对学习者的个性情感的描述，同样在教学本体中涉及到的关于教学策略的描述也尚未涉及情感方面的反馈。

2 情感学习本体

情感智能教学系统中需要能对学生情感状态进行识别，理解并给出适当的反馈，而目前已有的情感本体均不能完全满足情感智能教学系统的要求，主要问题是对情感反馈策略没有较好的描述。本文将在现有的情感本体的基础上，针对智能教学系统的具体应用设计了一个情感学习本体，该本体包含对情感分类、情感反馈策略、教学过程、认知状态等概念的描述。图1 描述了情感学习环境中的主要概念和关系，主要分为两个部分，一是学生相关的，二是教学相关的。EmotionalState 表示学生的情感状态。本文中采用的是情感分类表示法，是采用自然语言中的描述情感状态的词汇来表示，如 Ekman 的基本情感分类模型中包含了愤怒，讨厌，恐惧，高兴，悲伤，惊讶六种基本情感状态[25]。由于学生在学习过程中产生的情感状态只是所有情感状态的一个子集，像悲伤、愤怒等情感状态一般是不会在学习过程中出现的。

3 反馈决策影响图模型影响

图[10]是一种图形模型，是包括决策和效用的贝叶斯网络的推广。影响图包含机会节点(chance node)、决策节点(decision node)和效用节点(utility node)。机会节点表示与决策问题相关的不确定性事件或者随机变量；决策节点表示决策者可以选择的动作；效用节点表示决策所带来的价值。决策者进行决策的追求是价值最大化。决策可以根据机会节点做出，还可能影响其他机会节点和效用节点。图 2 描述的是 ti 至 ti+2 时间状态的学生的认知和情感状态受到情感反馈策略和认知反馈策略(Cognitive Feedback)的影响。假设情感反馈发生在 ti+1 时刻，认知反馈发生在 ti+2 时刻。CognitiveCost 表示认知反馈的成本，Affective Cost 表示情感方面的成本，Cognitive Utility 表示认知方面的效用，Affective Utility 表示情感方面的效用，General Utility 表示总体效用。本模型中仅考虑对负向情感状态进行反馈。该模型描述了以下关系：1) 情感反馈会对 ti+1 时刻的情感状态产生影响2) 认知反馈会对 ti+2 时刻的认知状态产生影响3) ti+1 时刻的情感状态会对 ti+2 时刻的认知和情感状态都产生影响4) 每一时刻的认知状态会对情感状态产生影响5) 每一时刻的认知状态和情感状态分别会对下一时刻的认知状态和情感状态产生影响，情感反馈和认知反馈决策模型顶层描述从情感本体中查询得到的适用的认知反馈策略和情感反馈策略分别导入至图 2 中的 Cognitive Feedback 结点和 AffectiveFeedback 结点作为可选动作。为了能够从查询出来的认知反馈集合和情感反馈策略集合中选择出最优的反馈策略组合，则需要使用该决策模型计算得出效用最优的组合。一般说来反馈有两类原则，一是基于学习理论中的自我矫正假设，当学习者尝试自己解决问题或者纠正错误时学习效用最大化，另一类是基于导师矫正假设理论，当系统能及时给出认知支持的时候学生的学习效用达到最大化[30]，本文中采用的是前一种方式作为效用最优的原则，即尽可能使学习者尝试自己解决问题或者纠正错误。本模型中采用学生所需付出的自身努力 Coststu衡量认知成本。学生自身需要付出的努力越多，认知成本越高，并且根据自我矫正假设，学生付出的努力越多，学习效用也最大，即成本越高效用越大。对应不同的认知反馈策略，Coststu对应不同的值。如pause 策略，由于 pause 策略不提供其他认知支持，系统提供的支持是最少的，学生所需付出的是努力最多的，其对应的 Coststu值为最大值 50。再如 givehint 策略，由于系统提供了认知支持，学生自身所需要付出的努力较少，因此其对应值为 30。

4 效用最优反馈策略决策算法

效用最优反馈策略决策算法是基于学生自我矫正理论的，原则是尽量让学生通过自我纠正的方式学习。反馈策略决策的算法的主要思路是根据学习情境实例化反馈决策网络中的认知和情感状态结点以及将对本体的推理查询结果导入网络中的决策结点，并根据学习情境中提供的证据输入决策网络，然后按时间顺序依次实例化决策变量，计算条件期望效用值 EU，当遍历完各个认知反馈和情感反馈组合后，最大条件期望效用值EUmax所对应的认知和反馈策略组合即为最优解。通过实例验证了基于本体和影响图模型的情感反馈策略决策算法的有效性。从以上数据可以看出，算法生成的反馈基本合理，但是对于学生情况的个性化考虑不足，比如案例 2 和案例 5 只求效益最大化，但是忽略了学生的预备知识掌握程度不足，采用 pause 策略完全依靠学生的努力有可能导致学生不能理解知识点而造成认知失败。

5 结束语

本文描述了用本体建模技术和基于概率的影响图建模技术对电子学习情境进行建模的过程，并设计了相应的算法用于生成效用最优的认知反馈和情感反馈策略组合。通过一组实例验证了基于本体和影响图模型的效用最优的认知反馈策略和情感反馈策略生成算法的有效性。该模型通过对学习过程中不同时间片段认知和情感相互影响关系以及对认知和情感反馈对学生产生的不同效用的建模，描述了学习过程的复杂性。通过决策算法选择能使学生收益最大化的认知反馈和情感反馈策略组合，提供了在电子学习情境中如何给学生提供良好支持的解决方法。目前该算法的问题是网络模型的实例化还需导入手工设置条件概率表，网络参数还不能实现自动学习生成；成本效用函数的设计还需进一步考虑并针对学生个性特征设计的反馈策略；算法生成的反馈策略还需进一步结合情境产生具体反馈行为。