论文部分内容阅读
摘 要：本文针对自适应学习系统与学生之间缺乏的双向情感交流问题，提出了一种基于情绪感知的学生模型，便于系统能更有效地为学生提供个性化学习服务。通过表情识别技术感知学生的情绪，建立动态的学习风格和实时的情绪状态以及实时的学习动机。该模型可以为学习系统提供更准确的学生状态描述，便于系统更精确、更及时地调整教学方案和策略，实现学生和学习系统之间的双向情感交流，使学生取得更好的学习效果。
关键词：自适应学习系统；学生模型；学习风格；情绪状态；学习动机
中图分类号：G40-05 文献标志码：A 文章编号：1673-8454（2015）19-0085-04
一、引言
学生模型是现实世界中学生在计算机系统中的抽象表示，记录着学生的个体特征，而学习系统在一定程度上充当着教师的角色。一个好的学生模型是一面“镜子”，它能照出学生的学习状态、行为路径和思维过程。学生模型中特征的完整性、表征的准确性直接关系到学习系统能否为学生提供与之相适合的学习策略、学习内容和学习资源等，进而关系到学生个性化学习的实现与否。[1]但是从现有的学生模型来看，还很少考虑学生的情感因素在学习过程中的作用，这将导致学生在学习过程中缺乏情感支持。学生与系统之间没有情感的双向交流，这已经成为制约自适应学习效果的一个关键因素。本文在此背景下，提出一种基于情绪感知的学生模型。
二、传统学生模型研究现状
关于学生模型，国内外学者对此都做了很多研究。国内西南大学博士陈仕品和浙江大学张剑平教授提出了一种基于认知状态和学习风格的学生模型（CS- LS 学生模型）。[2]有的研究者提出了认知型学习者模型。[1]国外学者从知识水平的角度，认为对学习者知识状态的表示模型主要有铅版模型、覆盖模型、基于约束的模型等。[3]有的学者依据学生的个性特征来建立学生模型，例如学习风格和学习偏好等个性特征。[4]
传统学生模型已经为学习系统提供了较准确的学生状态描述，但是还存在三方面问题亟待解决。第一，学生模型只刻画了学生个性化的学习水平、认知能力和学习风格等，却未涉及学生的情感。情感是人适应生存的心理工具，是心理活动的组织者，也是人际通讯交流的重要手段。心理学的研究表明：情绪情感能促进或阻止工作记忆、推理操作和问题解决。同时，表情和情绪是紧密相连的， 前者是后者的外在表现，后者是前者的内在体验，在大部分情况下，知道二者中的一方，可以反推另一方。[5]学习表情是学习情绪的外在表现，它可以从一定程度上反映学生的学习情绪，而学习情绪会对学生的学习活动产生一定的影响。比如，学生在学习过程中，对于自己喜欢的内容会通过高兴的表情体现出积极的情绪，否则会通过厌恶的表情体现出消极的情绪。因此，在学习过程中及时了解学生的情绪，并针对负面情绪进行调控、干预，可以改善学习效果。根据教育心理学的建构主义学习理论的人本主义学习理念，学生是学习活动的主体。在自适应学习环境中缺乏学生与教师面对面的交流，建立一个精确的、个性化的，并能够支持情绪教学功能的学生模型更显得必要。第二，传统学生模型中的学习风格预测大多是采用量表和问卷方式，这些方式所获取的行为特征信息大量来自被测者的主观判断，不能准确地表征学生学习偏好。学生的学习风格在学习过程中是会发生改变的，它是一个动态的因素。通过对学生学习风格动态预测，学习系统给学生推送合适的学习资源和学习方式，让他们在学习过程中感觉到自然舒适，可以激发和维持学习动机，提高其学习效率。[6]第三，传统学生模型中只把学习动机划分为非认知属性，是一个静态信息，在具体操作中用关系型数据进行描述，而没有对学习动机进行动态分析。教育心理学认为，情绪与学习动机之间有着密切的关系。情绪是人行为的一部分，对人类的理性思维和决策能力具有重大的影响，能够激发心理活动和行为的动机，情绪影响学习动机的产生。[7]
近年来表情识别技术的发展，为学习系统中学生模型情绪监控功能的实现提供了有效的技术支持。通过摄像头动态地捕捉学生的面部表情图像，运用表情识别技术对获取的表情信息进行分析，进行表情计算，为学习系统对学生提供个性化服务给予支持。本文通过表情识别技术实现情绪的感知，通过对监控到的表情信息进行分析，完成动态学习风格的预测和实时情绪的标记，以及实时学习动机的判断，动态更新学生模型的数据。
三、学生模型的设计
1.学生模型构建
为了解决学习系统与学生之间缺乏双向情感交流的问题，本文在CS-LS学生模型[2]基础上，建立了一个基于情绪感知的学生模型，如图1所示。学生模型在传统的学生模型基础上加了两个部分，即情绪状态和学习动机。在自适应学习系统中，学生模型是表征学生的基本信息，根据自适应教学系统的目标，针对系统的需求对所需信息进行分析与描述。系统可通过学生模型了解学生的个体属性，从而提供适合学生个性化差异的教学。其中，该学生模型中的学习风格又与传统的学生模型中的学习风格有区别，它以动态形式出现在学生模型中。情绪状态反映的是学生在学习过程中的心理状态。学习动机是指直接推动学生进行学习的一种内部动力。
基于情绪感知的学生模型所描述的学生个体特征分静态与动态两种信息。其中学生基本信息是静态的，认知水平、学习风格、情绪状态、学习动机是动态的。基于情绪感知的学生模型的初始化主要针对静态属性进行初始化，而动态属性采用系统预设值进行初始化，并在学习过程中进行动态更新。学生基本信息是通过学生注册系统时获取的，学生在第一次进入系统时必须提交基本信息，如姓名、年龄、专业、性别等。学习过程中，系统通过跟踪学习进程和判断学习情绪来计算学生的认知水平、学习风格、情绪状态和学习动机，从而动态地更新学生模型。该学生模型中认知水平的动态更新与传统学生模型相同，故不再重复分析。本文主要针对学习风格、情绪状态和学习动机因素的动态更新进行分析。
2.动态学习风格预测 学习风格预测采用量表和表情识别相结合的方式。以Felder-Silverman量表为基础设计多媒体测试题对学习风格进行初始化，进而在学习活动中通过观察学生对所呈现的学习材料类型的表情，分析学生的心理状态，推测其对当前的学习方案满意与否。[8]如果学生对教学内容和呈现方式比较满意，会表现出高兴等积极情绪，说明该学习方案符合其学习风格；反之，如果学生表现出厌烦等消极情绪特征，说明学习方案不符合其学习风格，需对学习风格模型进行修改。在这样反复学习与调整的过程中，最终获得较为准确的学生学习风格。
Felder-Silverman将学习风格分为四个维度：感觉型-直觉型、活跃型-沉思型、视觉型-言语型、序列型-综合型。[9]其中，感觉型学生喜欢学习具体事物；直觉型学生喜欢抽象的学习资料，喜欢具有挑战性、创新性的知识；活跃型学生喜欢积极做事、合作学习；沉思型学生喜欢思考问题，自主学习；视觉型学生喜欢从图片、视频等获取知识；言语型学生喜欢从书本、交谈中获取信息；序列型学生喜欢小步子学习；综合型学生喜欢大步子学习。学习系统在获取到学生的初始学习风格后，对应地为学生呈现教学内容以及教学方案。例如偏好感觉型学习风格的学生，学习系统为其提供具体和实际的材料内容，如果学生在学习过程中出现高兴等积极表情，适当增加学生所对应的学习风格分类的权值，即暂时不需要修改；反之，如果学生在学习过程中出现了厌恶等消极情绪，系统就需要调整教学内容以及教学方案，直到学生对呈现的教学内容材料满意为止。此时，适当减少所对应的学习风格分类的权值，当该权值低于一定阈值时修改学习风格。随着学生学习进程的推进，其所属学习风格分类趋于稳定。
3.实时的情绪状态计算
学习模型中的情绪状态，反映了学生在某一时间的心情、情绪，对学生的学习过程具有重要的影响。当学生对课程内容理解或者感兴趣时，他会通过高兴的表情体现出积极的情绪；反之，则会通过厌恶表情体现出消极的情绪。
学习系统监控学生在完成学习内容过程中的表情，获取学生的情绪状态。如果学生在学习过程中出现了高兴的表情，说明学生的情绪状态是积极的，他在学习过程中没有遇到困难，学习系统应给予学生适当的表扬；如果学生在学习过程中出现了惊奇、悲伤、愤怒、恐惧、厌恶的表情，说明他在学习过程中遇到了困难，学生的情绪处于一种消极状态，学习系统应该给予学生鼓励并适当降低内容难度。
情绪指数是情绪的一种数值化描述，情绪指数=期望实现值/内心期望值。在学习系统中，可表示为：
情绪指数=学习效果值/期望学习效果值（1）
其中，学习效果值是动态的，可以对应为学习过程中的测试或练习成绩和阅读速度等；期望学习效果值是常量，可以对应为学生的认知水平和历史成绩。公式（1）存在局限性，因为它无法预测学生的内心期望值，所以期望学习效果值只能由客观数据计算得来，难免偏颇。采用表情分析的方法可以从另一个角度获取对学生情绪的把握，本文用表情来计算情绪指数。复杂的人脸表情通常被分为六种最基本的类型，即高兴、惊奇、悲伤、愤怒、恐惧和厌恶。[10]在表情获取时分别赋值0～1，六种表情的积极情绪权重系数分别为10，-1，-5，-5，-5，-5。归一化情绪指数用E表示，通过公式（2）计算：
E=（2）
其中，wi表示第i种表情的积极情绪权重系数，ei表示第i种表情的取值，Expressionmin和Expressionmax分别表示w·e的最小值和最大值。
公式（2）完全采用表情信息来计算情绪指数，较好地体现了学生的内心期望，但缺少客观的学习成绩评价。公式（1）和公式（2）是互补的，将公式（1）做归一化处理，再与公式（2）取平均值，作为最终的学习情绪指数计算公式。
学习系统根据情绪指数来判断学生的学习情绪，结合学生的学习效果，有针对性地调整学习内容和方法，为学生提供指导和帮助，实时保证学生的情绪处于一个适当的状态范围内。
4.实时的学习动机计算
学习动机是激发个体进行学习活动，维持已引起的学习活动，并驱使行为朝向一定学习目标的内在过程或内部心理状态。教育实践和教育心理学实验都表明，学习动机推动着学习活动，能激发学生的学习兴趣。学习动机指数是学习动机的一种数值化描述。
情绪稳定性与学习动机之间呈显著正相关。[11]两者之间的显著正相关表明，学习动机太强或者太弱，都会导致学生出现情绪的不稳定。情绪不稳定可以用情绪变化率来表达，因此，可以说学习动机与情绪变化率呈负相关。积极的情绪能鼓舞人的斗志，在理智的调节下，会引发超乎寻常的动力；[12]相反，消极的情绪则会消磨人的意志，使人变得颓废。前述的情绪指数是积极情绪指数，与学习动机呈正相关。学习动机指数用M表示，通过公式（3）计算：
M=（3）
其中，Et是当前时间点的情绪指数，Et-1是前一时间点的情绪指数。
耶克斯—多德森定律（The Yerks_Dodson Law）[13]表明解决问题的效率与动机强度之间的函数关系，效率随动机强度发生倒U型曲线变化。动机的最佳水平随任务性质的不同而不同；任务较易，最佳动机强度较高；任务难度中等，最佳动机强度也适中；任务越困难，最佳动机强度越低。如图2所示。
根据耶克斯—多德森定律，结合当前学习内容，系统可以判断任务与动机指数的适应程度，从而实现动态的调整。系统既可以根据学习动机强度调整任务的难度，也可以根据任务的难度调节学生的情绪，从而调节学习动机强度。
四、结束语
能否实时感知学生的情绪，对自适应学习系统来说，关系到学生状态的描述是否准确。通过情绪计算改善学生模型的描述能力，可以解决自适应学习系统与学生之间存在的双向情感缺失问题。相对于传统学生模型来说，本文建立的学生模型优点在于，学习风格、情绪状态和学习动机因素都是基于表情识别技术计算的，学习系统动态、实时地获取这些信息。学习系统可以根据学生模型中对学生的状态描述，及时地进行适当干预，有效地弥补学习系统和学生之间缺少情感交流的问题。在真实的世界中，人的表情是多种多样的，且有些表情很难分辨，本文学生模型里对学习风格、情绪状态和学习动机的计算还是粗略的，在表情分类、权重分配等方面存在不足。未来可以将更多的表情加入到学习风格、情绪状态和学习动机的计算中，使系统更准确地感知学生的状态。 参考文献：
[1]张舸，周东岱，葛情情.自适应学习系统中学习者特征模型及建模方法述评[J].现代教育技术，2012（5）：77-82.
[2]陈仕品，张剑平.适应性学习支持系统的学生模型研究[J].中国电化教育，2010（5）：112-117.
[3]Loc Nguyen，Phung Do.Learner Model in Adaptive Learning[J].World Academy of Science， Engineering and Technology，2008，45：395-400.
[4]侯冬青.双主型ICAI系统的学生模型设计[J].吉林大学学报（信息科学版），2013（6）：635-640.
[5]雷婕，丁亚平.面部表情：一些争论[J].心理科学进展，2013，21（10）：1749-1754.
[6]姜强，赵蔚，王朋娇.基于网络学习行为模式挖掘的用户学习风格模型建构研究[J].电化教育研究，2012（11）：55-61.
[7]Juan Martinez-Miranda，Arantz Aldea.Emotions in human and artifical intelligence[J].Computer in Human Behavior，2005，21：323-341.
[8]陆根书.大学生学习风格量表的设计与开发[J].西安交通大学学报（社会科学版），2003（3）：86-96.
[9]Felder R. M.，Silverman L.K.Learning and teaching styles in engineering education[J]. Journal of Engineering Education， 1988，78（7）：674-681.
[10]刘伟锋.人脸表情识别研究[D].合肥：中国科学技术大学，2007：6.
[11]畅相韦.初中生心理控制源与学习动机、情绪稳定性间的关系研究[J].教育探索，2014（11）：146-148.
[12]李春方.激励理论研究[M].沈阳：辽宁大学出版社，2004.3：49.
[13]王振宏，李彩娜.教育心理学[M].北京：高等教育出版社，2011.
（编辑：王天鹏）
关键词：自适应学习系统；学生模型；学习风格；情绪状态；学习动机
中图分类号：G40-05 文献标志码：A 文章编号：1673-8454（2015）19-0085-04
一、引言
学生模型是现实世界中学生在计算机系统中的抽象表示，记录着学生的个体特征，而学习系统在一定程度上充当着教师的角色。一个好的学生模型是一面“镜子”，它能照出学生的学习状态、行为路径和思维过程。学生模型中特征的完整性、表征的准确性直接关系到学习系统能否为学生提供与之相适合的学习策略、学习内容和学习资源等，进而关系到学生个性化学习的实现与否。[1]但是从现有的学生模型来看，还很少考虑学生的情感因素在学习过程中的作用，这将导致学生在学习过程中缺乏情感支持。学生与系统之间没有情感的双向交流，这已经成为制约自适应学习效果的一个关键因素。本文在此背景下，提出一种基于情绪感知的学生模型。
二、传统学生模型研究现状
关于学生模型，国内外学者对此都做了很多研究。国内西南大学博士陈仕品和浙江大学张剑平教授提出了一种基于认知状态和学习风格的学生模型（CS- LS 学生模型）。[2]有的研究者提出了认知型学习者模型。[1]国外学者从知识水平的角度，认为对学习者知识状态的表示模型主要有铅版模型、覆盖模型、基于约束的模型等。[3]有的学者依据学生的个性特征来建立学生模型，例如学习风格和学习偏好等个性特征。[4]
传统学生模型已经为学习系统提供了较准确的学生状态描述，但是还存在三方面问题亟待解决。第一，学生模型只刻画了学生个性化的学习水平、认知能力和学习风格等，却未涉及学生的情感。情感是人适应生存的心理工具，是心理活动的组织者，也是人际通讯交流的重要手段。心理学的研究表明：情绪情感能促进或阻止工作记忆、推理操作和问题解决。同时，表情和情绪是紧密相连的， 前者是后者的外在表现，后者是前者的内在体验，在大部分情况下，知道二者中的一方，可以反推另一方。[5]学习表情是学习情绪的外在表现，它可以从一定程度上反映学生的学习情绪，而学习情绪会对学生的学习活动产生一定的影响。比如，学生在学习过程中，对于自己喜欢的内容会通过高兴的表情体现出积极的情绪，否则会通过厌恶的表情体现出消极的情绪。因此，在学习过程中及时了解学生的情绪，并针对负面情绪进行调控、干预，可以改善学习效果。根据教育心理学的建构主义学习理论的人本主义学习理念，学生是学习活动的主体。在自适应学习环境中缺乏学生与教师面对面的交流，建立一个精确的、个性化的，并能够支持情绪教学功能的学生模型更显得必要。第二，传统学生模型中的学习风格预测大多是采用量表和问卷方式，这些方式所获取的行为特征信息大量来自被测者的主观判断，不能准确地表征学生学习偏好。学生的学习风格在学习过程中是会发生改变的，它是一个动态的因素。通过对学生学习风格动态预测，学习系统给学生推送合适的学习资源和学习方式，让他们在学习过程中感觉到自然舒适，可以激发和维持学习动机，提高其学习效率。[6]第三，传统学生模型中只把学习动机划分为非认知属性，是一个静态信息，在具体操作中用关系型数据进行描述，而没有对学习动机进行动态分析。教育心理学认为，情绪与学习动机之间有着密切的关系。情绪是人行为的一部分，对人类的理性思维和决策能力具有重大的影响，能够激发心理活动和行为的动机，情绪影响学习动机的产生。[7]
近年来表情识别技术的发展，为学习系统中学生模型情绪监控功能的实现提供了有效的技术支持。通过摄像头动态地捕捉学生的面部表情图像，运用表情识别技术对获取的表情信息进行分析，进行表情计算，为学习系统对学生提供个性化服务给予支持。本文通过表情识别技术实现情绪的感知，通过对监控到的表情信息进行分析，完成动态学习风格的预测和实时情绪的标记，以及实时学习动机的判断，动态更新学生模型的数据。
三、学生模型的设计
1.学生模型构建
为了解决学习系统与学生之间缺乏双向情感交流的问题，本文在CS-LS学生模型[2]基础上，建立了一个基于情绪感知的学生模型，如图1所示。学生模型在传统的学生模型基础上加了两个部分，即情绪状态和学习动机。在自适应学习系统中，学生模型是表征学生的基本信息，根据自适应教学系统的目标，针对系统的需求对所需信息进行分析与描述。系统可通过学生模型了解学生的个体属性，从而提供适合学生个性化差异的教学。其中，该学生模型中的学习风格又与传统的学生模型中的学习风格有区别，它以动态形式出现在学生模型中。情绪状态反映的是学生在学习过程中的心理状态。学习动机是指直接推动学生进行学习的一种内部动力。
基于情绪感知的学生模型所描述的学生个体特征分静态与动态两种信息。其中学生基本信息是静态的，认知水平、学习风格、情绪状态、学习动机是动态的。基于情绪感知的学生模型的初始化主要针对静态属性进行初始化，而动态属性采用系统预设值进行初始化，并在学习过程中进行动态更新。学生基本信息是通过学生注册系统时获取的，学生在第一次进入系统时必须提交基本信息，如姓名、年龄、专业、性别等。学习过程中，系统通过跟踪学习进程和判断学习情绪来计算学生的认知水平、学习风格、情绪状态和学习动机，从而动态地更新学生模型。该学生模型中认知水平的动态更新与传统学生模型相同，故不再重复分析。本文主要针对学习风格、情绪状态和学习动机因素的动态更新进行分析。
2.动态学习风格预测 学习风格预测采用量表和表情识别相结合的方式。以Felder-Silverman量表为基础设计多媒体测试题对学习风格进行初始化，进而在学习活动中通过观察学生对所呈现的学习材料类型的表情，分析学生的心理状态，推测其对当前的学习方案满意与否。[8]如果学生对教学内容和呈现方式比较满意，会表现出高兴等积极情绪，说明该学习方案符合其学习风格；反之，如果学生表现出厌烦等消极情绪特征，说明学习方案不符合其学习风格，需对学习风格模型进行修改。在这样反复学习与调整的过程中，最终获得较为准确的学生学习风格。
Felder-Silverman将学习风格分为四个维度：感觉型-直觉型、活跃型-沉思型、视觉型-言语型、序列型-综合型。[9]其中，感觉型学生喜欢学习具体事物；直觉型学生喜欢抽象的学习资料，喜欢具有挑战性、创新性的知识；活跃型学生喜欢积极做事、合作学习；沉思型学生喜欢思考问题，自主学习；视觉型学生喜欢从图片、视频等获取知识；言语型学生喜欢从书本、交谈中获取信息；序列型学生喜欢小步子学习；综合型学生喜欢大步子学习。学习系统在获取到学生的初始学习风格后，对应地为学生呈现教学内容以及教学方案。例如偏好感觉型学习风格的学生，学习系统为其提供具体和实际的材料内容，如果学生在学习过程中出现高兴等积极表情，适当增加学生所对应的学习风格分类的权值，即暂时不需要修改；反之，如果学生在学习过程中出现了厌恶等消极情绪，系统就需要调整教学内容以及教学方案，直到学生对呈现的教学内容材料满意为止。此时，适当减少所对应的学习风格分类的权值，当该权值低于一定阈值时修改学习风格。随着学生学习进程的推进，其所属学习风格分类趋于稳定。
3.实时的情绪状态计算
学习模型中的情绪状态，反映了学生在某一时间的心情、情绪，对学生的学习过程具有重要的影响。当学生对课程内容理解或者感兴趣时，他会通过高兴的表情体现出积极的情绪；反之，则会通过厌恶表情体现出消极的情绪。
学习系统监控学生在完成学习内容过程中的表情，获取学生的情绪状态。如果学生在学习过程中出现了高兴的表情，说明学生的情绪状态是积极的，他在学习过程中没有遇到困难，学习系统应给予学生适当的表扬；如果学生在学习过程中出现了惊奇、悲伤、愤怒、恐惧、厌恶的表情，说明他在学习过程中遇到了困难，学生的情绪处于一种消极状态，学习系统应该给予学生鼓励并适当降低内容难度。
情绪指数是情绪的一种数值化描述，情绪指数=期望实现值/内心期望值。在学习系统中，可表示为：
情绪指数=学习效果值/期望学习效果值（1）
其中，学习效果值是动态的，可以对应为学习过程中的测试或练习成绩和阅读速度等；期望学习效果值是常量，可以对应为学生的认知水平和历史成绩。公式（1）存在局限性，因为它无法预测学生的内心期望值，所以期望学习效果值只能由客观数据计算得来，难免偏颇。采用表情分析的方法可以从另一个角度获取对学生情绪的把握，本文用表情来计算情绪指数。复杂的人脸表情通常被分为六种最基本的类型，即高兴、惊奇、悲伤、愤怒、恐惧和厌恶。[10]在表情获取时分别赋值0～1，六种表情的积极情绪权重系数分别为10，-1，-5，-5，-5，-5。归一化情绪指数用E表示，通过公式（2）计算：
E=（2）
其中，wi表示第i种表情的积极情绪权重系数，ei表示第i种表情的取值，Expressionmin和Expressionmax分别表示w·e的最小值和最大值。
公式（2）完全采用表情信息来计算情绪指数，较好地体现了学生的内心期望，但缺少客观的学习成绩评价。公式（1）和公式（2）是互补的，将公式（1）做归一化处理，再与公式（2）取平均值，作为最终的学习情绪指数计算公式。
学习系统根据情绪指数来判断学生的学习情绪，结合学生的学习效果，有针对性地调整学习内容和方法，为学生提供指导和帮助，实时保证学生的情绪处于一个适当的状态范围内。
4.实时的学习动机计算
学习动机是激发个体进行学习活动，维持已引起的学习活动，并驱使行为朝向一定学习目标的内在过程或内部心理状态。教育实践和教育心理学实验都表明，学习动机推动着学习活动，能激发学生的学习兴趣。学习动机指数是学习动机的一种数值化描述。
情绪稳定性与学习动机之间呈显著正相关。[11]两者之间的显著正相关表明，学习动机太强或者太弱，都会导致学生出现情绪的不稳定。情绪不稳定可以用情绪变化率来表达，因此，可以说学习动机与情绪变化率呈负相关。积极的情绪能鼓舞人的斗志，在理智的调节下，会引发超乎寻常的动力；[12]相反，消极的情绪则会消磨人的意志，使人变得颓废。前述的情绪指数是积极情绪指数，与学习动机呈正相关。学习动机指数用M表示，通过公式（3）计算：
M=（3）
其中，Et是当前时间点的情绪指数，Et-1是前一时间点的情绪指数。
耶克斯—多德森定律（The Yerks_Dodson Law）[13]表明解决问题的效率与动机强度之间的函数关系，效率随动机强度发生倒U型曲线变化。动机的最佳水平随任务性质的不同而不同；任务较易，最佳动机强度较高；任务难度中等，最佳动机强度也适中；任务越困难，最佳动机强度越低。如图2所示。
根据耶克斯—多德森定律，结合当前学习内容，系统可以判断任务与动机指数的适应程度，从而实现动态的调整。系统既可以根据学习动机强度调整任务的难度，也可以根据任务的难度调节学生的情绪，从而调节学习动机强度。
四、结束语
能否实时感知学生的情绪，对自适应学习系统来说，关系到学生状态的描述是否准确。通过情绪计算改善学生模型的描述能力，可以解决自适应学习系统与学生之间存在的双向情感缺失问题。相对于传统学生模型来说，本文建立的学生模型优点在于，学习风格、情绪状态和学习动机因素都是基于表情识别技术计算的，学习系统动态、实时地获取这些信息。学习系统可以根据学生模型中对学生的状态描述，及时地进行适当干预，有效地弥补学习系统和学生之间缺少情感交流的问题。在真实的世界中，人的表情是多种多样的，且有些表情很难分辨，本文学生模型里对学习风格、情绪状态和学习动机的计算还是粗略的，在表情分类、权重分配等方面存在不足。未来可以将更多的表情加入到学习风格、情绪状态和学习动机的计算中，使系统更准确地感知学生的状态。 参考文献：
[1]张舸，周东岱，葛情情.自适应学习系统中学习者特征模型及建模方法述评[J].现代教育技术，2012（5）：77-82.
[2]陈仕品，张剑平.适应性学习支持系统的学生模型研究[J].中国电化教育，2010（5）：112-117.
[3]Loc Nguyen，Phung Do.Learner Model in Adaptive Learning[J].World Academy of Science， Engineering and Technology，2008，45：395-400.
[4]侯冬青.双主型ICAI系统的学生模型设计[J].吉林大学学报（信息科学版），2013（6）：635-640.
[5]雷婕，丁亚平.面部表情：一些争论[J].心理科学进展，2013，21（10）：1749-1754.
[6]姜强，赵蔚，王朋娇.基于网络学习行为模式挖掘的用户学习风格模型建构研究[J].电化教育研究，2012（11）：55-61.
[7]Juan Martinez-Miranda，Arantz Aldea.Emotions in human and artifical intelligence[J].Computer in Human Behavior，2005，21：323-341.
[8]陆根书.大学生学习风格量表的设计与开发[J].西安交通大学学报（社会科学版），2003（3）：86-96.
[9]Felder R. M.，Silverman L.K.Learning and teaching styles in engineering education[J]. Journal of Engineering Education， 1988，78（7）：674-681.
[10]刘伟锋.人脸表情识别研究[D].合肥：中国科学技术大学，2007：6.
[11]畅相韦.初中生心理控制源与学习动机、情绪稳定性间的关系研究[J].教育探索，2014（11）：146-148.
[12]李春方.激励理论研究[M].沈阳：辽宁大学出版社，2004.3：49.
[13]王振宏，李彩娜.教育心理学[M].北京：高等教育出版社，2011.
（编辑：王天鹏）