- · 《情感读本》栏目设置[06/29]
- · 《情感读本》收稿方向[06/29]
- · 《情感读本》投稿方式[06/29]
- · 《情感读本》征稿要求[06/29]
- · 《情感读本》刊物宗旨[06/29]
教育理论与教育管理论文_在线教育中的学
作者:网站采编关键词:
摘要:文章目录 一、引言 二、研究现状 (一)情感计算在教育中的相关研究 (二)在线教育学习情感特征及其影响相关研究 (三)多源数据融合在情感计算中的有效性研究 三、研究过程与
文章目录
一、引言
二、研究现状
(一)情感计算在教育中的相关研究
(二)在线教育学习情感特征及其影响相关研究
(三)多源数据融合在情感计算中的有效性研究
三、研究过程与方法
(一)实验组织
1. 实验对象
2. 实验工具
(二)数据收集
1. 数据采集和筛选
2. 数据标注
3. 学习情感的划分和选取
4. 数据集划分
(三)多模态数据融合模型设计
1. 深度学习神经网络模型选择
2. 多源数据融合的方法
3. 多源数据融合模型总体架构
四、结果分析
(一)卷积神经网络模型结果比较
(二)单源数据的情感识别结果
(三)多源数据融合模型结果
1. 模型整体输出赋予不同权重
2. 模型整体输出中不同情感概率赋予不同权重
(四)最优模型选择及情感识别结果
1. 单源数据模型和多源数据融合模型比较结果
2. 最优模型情感识别结果
五、反思挑战
(一)在线学习情感计算反思
(二)在线学习情感计算面临的挑战
文章摘要:学习情感是影响学习绩效、学习感知及高阶思维能力的重要因素。现有学习情感计算研究主要基于重量级生理反馈技术的小样本分析,缺少大规模在线开放课程环境下的实践研究。这一方面是由于在线课程环境下,学习情感计算的数据来源较为有限,多为单一的面部表情数据;另一方面,学习者在线学习场景下常处于监督不足的状态,学习者身体姿态的随意性较大,因此极有可能影响到面部特征的提取。然而,本研究认为在线学习者的姿态也具有情感特征,同样是情感信息的关键来源。因此,尝试将学习者的姿态数据融合到面部表情数据中,构建多源数据融合的深度学习情感计算模型,弥补学习者姿态变化带来的面部识别缺陷,同时进行多源情感数据的协同分析,实现数据的交叉印证和相互补偿。研究得出:通过训练构建的包含7 878张在线学习者面部表情和姿态图像的数据集,利用卷积神经网络和决策融合的方法将学习者面部姿态数据融入表情数据中,学习情感识别准确率较单一的面部表情识别提高了3%,是在线学习情感计算的有效方法。本研究在理论上为多源数据融合在学习者情感计算的有效性提供模型基础,在实践上,为在线教育环境下的学习情感计算提供了有效的技术路径。
文章关键词:
论文DOI:10.16382/j.cnki.1000-5560.2022.09.004
论文分类号:G434;TP18
文章来源:《情感读本》 网址: http://www.qgdbzzs.cn/qikandaodu/2022/1008/1971.html