單美賢，上官晨雨

（南京郵電大學(xué)教育科學(xué)與技術(shù)學(xué)院，江蘇 南京 210023）

0 引言

近年來(lái)在人工智能快速發(fā)展的影響下，探討如何利用信息技術(shù)支持協(xié)作學(xué)習(xí)（Computer Supported Collaborative Learning，CSCL）已成為信息科學(xué)和學(xué)習(xí)科學(xué)交叉融合的重要研究領(lǐng)域。CSCL 研究領(lǐng)域認(rèn)為協(xié)作的成功取決于建設(shè)性、富有成效的社交互動(dòng)。Adeniran［1］認(rèn)為情感會(huì)影響協(xié)作學(xué)習(xí)環(huán)境中的個(gè)人績(jī)效與團(tuán)隊(duì)互動(dòng)，在線(xiàn)協(xié)作學(xué)習(xí)環(huán)境需要激活個(gè)體和團(tuán)隊(duì)成員的情感調(diào)節(jié)，增強(qiáng)協(xié)作團(tuán)體內(nèi)部的互動(dòng)與溝通。因此，幫助學(xué)習(xí)者理解協(xié)作學(xué)習(xí)過(guò)程中自身和同伴的情感狀態(tài)，并給予情感反饋，有助于增強(qiáng)協(xié)作團(tuán)體內(nèi)部互動(dòng)與溝通，推動(dòng)協(xié)作知識(shí)的建構(gòu)。

目前CSCL 系統(tǒng)設(shè)計(jì)的情感反饋研究停留在通過(guò)情感可視化方式幫助學(xué)習(xí)者了解合作過(guò)程中的情感狀態(tài)，或通過(guò)情感代理提供激勵(lì)信息反應(yīng)困惑、沮喪等負(fù)面情感［2］，如何反應(yīng)協(xié)作學(xué)習(xí)環(huán)境中學(xué)習(xí)者豐富的情感狀態(tài)，并自動(dòng)作出最佳反應(yīng)仍鮮有研究。本文通過(guò)分析CSCL 環(huán)境中情感反饋框架系統(tǒng)的構(gòu)成和關(guān)鍵技術(shù)，為計(jì)算機(jī)支持協(xié)作學(xué)習(xí)中的情感反饋研究提供清晰的研究線(xiàn)索與方向，為學(xué)習(xí)者提供有效的情感反饋支持。

1 CSCL 系統(tǒng)的情感反饋框架

協(xié)作學(xué)習(xí)的情感交互過(guò)程是不可見(jiàn)的。在傳統(tǒng)的面對(duì)面協(xié)作學(xué)習(xí)環(huán)境中，小組成員可通過(guò)表情、語(yǔ)言、姿勢(shì)等方面直觀、及時(shí)地察覺(jué)協(xié)作同伴的情感狀態(tài)，并實(shí)時(shí)調(diào)整協(xié)作任務(wù)空間的認(rèn)知活動(dòng)和關(guān)系空間的社交情感狀態(tài)，協(xié)調(diào)團(tuán)隊(duì)成員之間的關(guān)系，提高團(tuán)隊(duì)凝聚力，保持良好的協(xié)作關(guān)系。對(duì)于CSCL 系統(tǒng)而言，亟需嵌入情感狀態(tài)檢測(cè)與分析，以“看到”協(xié)作學(xué)習(xí)過(guò)程中情感交互的復(fù)雜現(xiàn)象，從而幫助學(xué)習(xí)者了解協(xié)作學(xué)習(xí)過(guò)程中自身與小組成員的情感狀態(tài)，提高情感調(diào)節(jié)能力，為學(xué)習(xí)者提供有效的情感反饋，使其處于最佳情感狀態(tài)，進(jìn)而改善協(xié)作者之間的社交互動(dòng)。

CSCL 學(xué)習(xí)系統(tǒng)中關(guān)于情感反饋的設(shè)計(jì)，首先需要實(shí)時(shí)檢測(cè)協(xié)作學(xué)習(xí)過(guò)程中學(xué)習(xí)者的情感狀態(tài)，然后對(duì)情感狀態(tài)進(jìn)行分析，選擇適當(dāng)?shù)姆答伈呗苑磻?yīng)學(xué)習(xí)者的情感狀態(tài)，提供情感反饋，使學(xué)習(xí)者以最佳狀態(tài)投入在線(xiàn)學(xué)習(xí)中。基于情感嵌入會(huì)話(huà)代理（Emotional Embodied Conversational Agents，EECA）系統(tǒng)框架［3］和學(xué)習(xí)伴侶系統(tǒng)［4］設(shè)計(jì)了CSCL的情感反饋系統(tǒng)框架。如圖1 所示，框架主要包括3 個(gè)組成部分：情感狀態(tài)獲取、情感狀態(tài)分析及情感反饋處理。

Fig.1 The framework of affective feedback in CSCL圖1 CSCL 的情感反饋系統(tǒng)框架

（1）情感狀態(tài)獲取基于多種特征識(shí)別用戶(hù)的情感狀態(tài)，包括面部表情、身體姿勢(shì)、文本輸入、行為模式、生理參數(shù)等。大多數(shù)情況下，CSCL 系統(tǒng)通常只依靠文本輸入和行為模式，很少依賴(lài)聲音通道。由于面部表情是情感信息的基本載體，隨著技術(shù)的發(fā)展CSCL 系統(tǒng)可通過(guò)圖像采集、面部跟蹤等技術(shù)捕獲面部表情，并結(jié)合情感識(shí)別解決方案和情感表示模型，生成有效的解決方案。

（2）情感狀態(tài)分析，即分析和診斷感知的學(xué)習(xí)者情緒狀態(tài)。目的是理解CSCL 環(huán)境中學(xué)習(xí)者的情感狀態(tài)（比如滿(mǎn)意、自信、困惑、沮喪等），然后解釋情感狀態(tài)，確定導(dǎo)致該情感狀態(tài)的原因（比如練習(xí)的成功或失敗、任務(wù)的難度、知識(shí)的缺失等）。這一模塊主要基于文本情感分析、交互行為分析、情感可視化分析等技術(shù)實(shí)現(xiàn)。

（3）情感反饋處理是情感反饋框架系統(tǒng)的行動(dòng)層，根據(jù)情感反饋推理規(guī)則，推理分析協(xié)作學(xué)習(xí)情境中學(xué)習(xí)者的情感狀態(tài)和學(xué)習(xí)狀態(tài)，根據(jù)協(xié)作學(xué)習(xí)情境實(shí)例化反饋決策網(wǎng)絡(luò)的認(rèn)知和情感狀態(tài)節(jié)點(diǎn)，得到相應(yīng)場(chǎng)景所需的情感和認(rèn)知反饋策略組合，最后選擇最優(yōu)的反饋策略組合。行動(dòng)層將預(yù)先定義所有必要的任務(wù)，這些任務(wù)會(huì)依據(jù)協(xié)作學(xué)習(xí)過(guò)程中的情感狀態(tài)，借助情感反饋處理機(jī)制，使學(xué)習(xí)者能夠高效汲取知識(shí)并保持有效的協(xié)作學(xué)習(xí)狀態(tài)。

總體上，CSCL 情感狀態(tài)的檢測(cè)與分析最具挑戰(zhàn)性，因?yàn)榍楦心：吔缡沟们楦袪顟B(tài)無(wú)法被直接測(cè)量。一方面，人類(lèi)情感的表達(dá)和體驗(yàn)過(guò)程具有顯著的個(gè)體差異性，另外情感感知的涉身性也是一個(gè)復(fù)雜問(wèn)題，如何利用情感計(jì)算技術(shù)客觀、科學(xué)地采集情感信息是目前的主要研究難點(diǎn)；另一方面，團(tuán)隊(duì)層面的情感不同于個(gè)體，學(xué)習(xí)者在協(xié)作互動(dòng)中呈現(xiàn)的情感表現(xiàn)和波動(dòng)更為豐富，情感特征更多樣化，個(gè)體情感與團(tuán)隊(duì)情感相互作用對(duì)情感狀態(tài)的檢測(cè)和分析造成了困難，這些都是CSCL 研究領(lǐng)域中的核心問(wèn)題。

其次是情感反饋與干預(yù)，Santos［5］分析了26 個(gè)使用情感計(jì)算的在線(xiàn)學(xué)習(xí)系統(tǒng)，發(fā)現(xiàn)這些系統(tǒng)未能提供情感干預(yù)。因?yàn)椋詣?dòng)對(duì)學(xué)習(xí)者的情感狀態(tài)作出最佳反應(yīng)是一項(xiàng)艱巨的任務(wù)，個(gè)人的認(rèn)知和情感之間存在著相互影響的復(fù)雜關(guān)系，如何將情感模型與基于情感計(jì)算技術(shù)的情感反饋機(jī)制相互結(jié)合，解決“什么時(shí)候應(yīng)該提供情感支持、情感支持應(yīng)該包含哪些內(nèi)容、如何提供情感支持”是CSCL 情感反饋研究最終需要解決的核心問(wèn)題。

2 獲取情感狀態(tài)的關(guān)鍵技術(shù)

情感識(shí)別是情感計(jì)算的重點(diǎn)研究方向，現(xiàn)已在面部表情、姿勢(shì)、聲音等方面取得了重大進(jìn)展。在情感計(jì)算研究中，情感模型可分為“離散情感分類(lèi)體系”和“連續(xù)維度方法”；數(shù)據(jù)模態(tài)可以分為單模態(tài)和多模態(tài)，多模態(tài)融合提高了情感識(shí)別的魯棒性和準(zhǔn)確性；根據(jù)用戶(hù)目標(biāo)數(shù)量可將情感識(shí)別分為個(gè)體或群體情感識(shí)別。

2.1 情感表示模型

現(xiàn)有情感表示模型主要有2 種：

（1）離散情感分類(lèi)體系。代表人物：保羅·艾克曼（Paul Ekman）、勒奈·笛卡爾（Rene Descartes）和斯?fàn)柸f(wàn)·湯姆金（Silvan Tomkins）。該體系認(rèn)為情感是離散的、具體的實(shí)體或類(lèi)別，在生物學(xué)上是固定、共有的基本情感，包括生氣、厭惡、害怕、高興、傷心、驚訝等［6］。這些基本情感能引發(fā)更復(fù)雜的情感，如內(nèi)疚、驕傲、羞愧等，且每類(lèi)情感都存在閾值，當(dāng)情感強(qiáng)度超過(guò)該閾值時(shí)，才會(huì)對(duì)一些外在行為起作用。盡管艾克曼的六種基本情感模型最初并不是為情感識(shí)別而提出，但它卻是在線(xiàn)學(xué)習(xí)情感感知解決方案所最為常用的模型。此外，由于在線(xiàn)學(xué)習(xí)環(huán)境中情感識(shí)別解決方案更復(fù)雜，因此常使用自己的離散標(biāo)簽集解決實(shí)際問(wèn)題［7］。

（2）維度分類(lèi)體系。代表人物：威廉·馮特（Wilhelm Wundt）、詹姆斯·拉塞爾（James Russell）和麗莎·巴雷特（Lisa Feldman Barrett）。該體系認(rèn)為情感并非個(gè)人或具有特定范疇，而是不同心理維度的組合體。情感反應(yīng)有2 個(gè)維度：效價(jià)維度和喚醒/激勵(lì)維度。維度模型將情感狀態(tài)表示為多維空間的一個(gè)點(diǎn)，使用二維空間的情感坐標(biāo)表示個(gè)體情感。在此基礎(chǔ)上，Mehrabian［8］提出了PAD 三維情感模型，認(rèn)為情感具有愉悅度、激活度和優(yōu)勢(shì)度3 個(gè)維度，PAD模型可以解釋42 種情感量表中的絕大部分內(nèi)容，而且這3個(gè)維度并不限于描述情感的主觀體驗(yàn)，它與情感的外部表現(xiàn)、生理喚醒之間存在映射關(guān)系。

在梳理代表性情感模型時(shí)不難發(fā)現(xiàn)，神經(jīng)生理學(xué)是理解情感的基礎(chǔ)。然而，僅憑其不足以理解情感，還需結(jié)合專(zhuān)注認(rèn)知心理學(xué)方面。Lazarus 的“認(rèn)知—評(píng)價(jià)理論”認(rèn)為情感是人與環(huán)境相互作用的產(chǎn)物，認(rèn)知是情感的必要元素，強(qiáng)調(diào)認(rèn)知評(píng)價(jià)在確定刺激意義及其應(yīng)對(duì)方式中的重要性。1970 年以來(lái)，為了確定隱含在情感中的認(rèn)知評(píng)價(jià)標(biāo)準(zhǔn)，開(kāi)展了大量研究工作［9］。其中最著名的是OCC 模型［10］，OCC 模型描述了22 種情感類(lèi)型的認(rèn)知結(jié)構(gòu)。與離散情感模型或維度情感模型相比，OCC 模型考慮了情感產(chǎn)生的過(guò)程。由此概念衍生出如Picard 根據(jù)隱馬爾可夫模型提出的HMM 情感模型［11］、Kesteren 等［12］針對(duì)外界刺激建立了一種分布式情感模型。

考慮到CSCL 協(xié)作交互中情感分析對(duì)情感量化有著更高要求，目前艾克曼的六種基本情感模型和OCC 模型在表示復(fù)雜情感狀態(tài)方面依然存在一定的局限性。本文擬采用基于維度理論的PAD 模型進(jìn)行連續(xù)情感狀態(tài)識(shí)別，并借助模糊邏輯推理和專(zhuān)家規(guī)則，對(duì)協(xié)作交互過(guò)程中主體及主體間的情感狀態(tài)進(jìn)行科學(xué)合理的建模與計(jì)算。

2.2 情感識(shí)別方法

學(xué)習(xí)者的情感狀態(tài)可通過(guò)多種不同方法獲取，如分析生理信號(hào)、臉部表情、姿態(tài)行為等后進(jìn)行提取，或采用情感認(rèn)知模型進(jìn)行推理?；诓煌B(tài)的情感識(shí)別方法如表1所示。

多模態(tài)的情感計(jì)算主要有2 個(gè)步驟：①基于單模態(tài)的數(shù)據(jù)處理與情感計(jì)算；②進(jìn)行多模態(tài)融合。多模態(tài)情感信息融合包括特征級(jí)融合與決策級(jí)融合2 種方式：①特征級(jí)融合首先對(duì)來(lái)自傳感器的原始信息進(jìn)行特征提取，然后對(duì)特征信息進(jìn)行綜合分析和處理；②決策級(jí)融合必須從問(wèn)題的需求出發(fā)，充分利用特征級(jí)融合提取的測(cè)量對(duì)象的各類(lèi)特征信息，采用適合的融合技術(shù)實(shí)現(xiàn)，通常采用的方法包括貝葉斯推理、Dempster-Shafer 證據(jù)理論等［13］。

Table 1 Emotion recognition methods under different model conditions表1 不同單模態(tài)條件下的情感識(shí)別方法

CSCL 系統(tǒng)中學(xué)習(xí)者情感狀態(tài)信息的獲取方法主要有：

（1）心理學(xué)工具——自我報(bào)告。該方法成本較低，可直接獲取用戶(hù)的主觀感受。①口頭自我報(bào)告：受試者使用預(yù)定義的開(kāi)放式問(wèn)題和量表，口頭表達(dá)自身情緒。另外，為了便于受試者表達(dá)情感狀態(tài)，還增加了訪(fǎng)談和日志的采集方式。如學(xué)業(yè)情感問(wèn)卷、語(yǔ)義差異量表、情感風(fēng)格、Geneva 情感環(huán)等；②非語(yǔ)言自我報(bào)告：包括不引人注意的、與語(yǔ)言無(wú)關(guān)的工具，如SAM、PrEmo 等［19］。相對(duì)于口頭自我報(bào)告而言，因?yàn)椴皇茉~匯量的限制，主觀因素影響較小，但可評(píng)估的情緒范圍有限。

（2）生理學(xué)工具——利用生理傳感器測(cè)量生理信號(hào)。生理信號(hào)大多基于腦、心臟、肌肉和皮膚產(chǎn)生的信號(hào)，與面部表情、手勢(shì)、語(yǔ)言等方面信息的來(lái)源相比，生理信號(hào)是自發(fā)的，不存在欺騙性。另外，它可在任務(wù)的執(zhí)行的過(guò)程中連續(xù)測(cè)量用戶(hù)的情感狀態(tài)。但該方法存在的缺陷在于：生理傳感器是外在的，可能會(huì)影響用戶(hù)的體驗(yàn)。

（3）運(yùn)動(dòng)行為方法——通過(guò)測(cè)量運(yùn)動(dòng)行為和身體的變化反應(yīng)人的情感體驗(yàn)。該方法是評(píng)估日常生活中每個(gè)人情感狀態(tài)的常用技術(shù)。通過(guò)借助特殊軟件，使用PC 攝像頭、麥克風(fēng)、鼠標(biāo)鍵盤(pán)等傳統(tǒng)設(shè)備測(cè)量用戶(hù)的情感狀態(tài)，該方法可收集自我報(bào)告或生理信號(hào)無(wú)法采集的情緒線(xiàn)索，但要求分析人員具有一定的操作經(jīng)驗(yàn)。

情感信號(hào)的采集過(guò)程中，由于會(huì)使用到昂貴的傳感器和復(fù)雜的計(jì)算機(jī)智能設(shè)備，因此要求研究人員具有專(zhuān)業(yè)知識(shí)。測(cè)試過(guò)程中外在傳感器可能會(huì)影響用戶(hù)體驗(yàn)，但如果使用單一、主觀的自我報(bào)告方式，則無(wú)法有效識(shí)別情感狀態(tài)。為此，情感信號(hào)檢測(cè)系統(tǒng)需要注意以下3 個(gè)方面：①客觀性，生理信號(hào)比自我報(bào)告更客觀；②侵入及干擾性，用于記錄面部表情的網(wǎng)絡(luò)攝像頭、測(cè)量鍵盤(pán)壓力、日志文件的鼠標(biāo)點(diǎn)擊量等標(biāo)準(zhǔn)個(gè)人電腦設(shè)備不存在干擾性，而使用如專(zhuān)業(yè)相機(jī)或人工實(shí)驗(yàn)室等額外設(shè)備、問(wèn)卷式自我報(bào)告則存在一定的干擾；③任務(wù)相關(guān)性，測(cè)量應(yīng)與用戶(hù)的實(shí)時(shí)任務(wù)并行進(jìn)行。表2 羅列了一些情感輔助系統(tǒng)中用于識(shí)別情感的方法。

Table 2 Methods for recognizing emotion in affective tutoring system表2 情感輔助系統(tǒng)中用于識(shí)別情感的方法

一般情況下，CSCL 研究者常使用多模態(tài)整合方法，如通過(guò)生理信號(hào)、日志文件、眼動(dòng)追蹤、面部表情等進(jìn)行特征提取。然而，多通道跟蹤和分析方法仍然存在一些問(wèn)題，包括多通道數(shù)據(jù)時(shí)間對(duì)齊問(wèn)題（如對(duì)人工agent 提示和腳手架情感反應(yīng)、外部調(diào)節(jié)對(duì)學(xué)習(xí)者認(rèn)知和情感過(guò)程監(jiān)控的影響等）、確定哪些多渠道數(shù)據(jù)應(yīng)該作為數(shù)據(jù)分析的基礎(chǔ)等。

2.3 團(tuán)隊(duì)情感狀態(tài)模型

CSCL 團(tuán)隊(duì)情感狀態(tài)由個(gè)體情感狀態(tài)和多模態(tài)情感特征組成，其中個(gè)體情感狀態(tài)在PAD 情感模型中用三個(gè)屬性即愉悅度P、喚醒度A 和控制感D 表示，每個(gè)屬性再設(shè)置5個(gè)標(biāo)度。為了實(shí)現(xiàn)PAD 情感空間坐標(biāo)到團(tuán)隊(duì)情感模型三維空間的映射推理，需要將PAD 情感空間坐標(biāo)值的取值范圍歸一化。計(jì)算公式如式（1）所示。

其中，E是情感狀態(tài)；epleasure，earousal，edominance分別是愉悅度、喚醒度和控制感在坐標(biāo)軸的值，取值范圍為-1～+1。

CSCL 團(tuán)隊(duì)情感狀態(tài)模型中，采用模糊推理結(jié)合專(zhuān)家規(guī)則實(shí)現(xiàn)個(gè)體情感狀態(tài)到團(tuán)隊(duì)情感狀態(tài)的映射推理。首先，通過(guò)多模態(tài)情感識(shí)別和情感融合得到每個(gè)協(xié)作者的情感狀態(tài)，并將其映射到PAD 模型空間中；然后采用專(zhuān)家規(guī)則和模糊推理方法建立個(gè)體PAD 情感模型和團(tuán)隊(duì)情感狀態(tài)模型之間的對(duì)應(yīng)關(guān)系；最后融合CSCL 協(xié)作團(tuán)隊(duì)中所有成員個(gè)體情感狀態(tài)。具體過(guò)程如圖2 所示。

CSCL 團(tuán)隊(duì)情感狀態(tài)是一個(gè)連續(xù)變量，在時(shí)刻t時(shí)情感狀態(tài)的變化不僅與t-1 時(shí)刻的狀態(tài)相關(guān)，還與協(xié)作者的當(dāng)前情感狀態(tài)有關(guān)。故團(tuán)隊(duì)情感狀態(tài)的計(jì)算公式如式（2）所示。

其中，f為所有個(gè)體情感狀態(tài)Ei在時(shí)間t的函數(shù)；n為協(xié)作者個(gè)體的數(shù)量；λ為相關(guān)系數(shù)，取值范圍為0≤λ≤1。

團(tuán)隊(duì)情感狀態(tài)有三個(gè)屬性，分別為活躍度activity、友好度f(wàn)riendly、親和度affinity。集合R是個(gè)體情感狀態(tài)與團(tuán)隊(duì)情感狀態(tài)之間的模糊關(guān)系，通過(guò)模糊推理得到PAD 個(gè)體情感狀態(tài)映射到團(tuán)隊(duì)情感狀態(tài)三維空間。

Fig.2 Team emotional statement model in CSCL environment圖2 CSCL 環(huán)境的團(tuán)隊(duì)情感狀態(tài)模型

3 情感狀態(tài)分析的關(guān)鍵技術(shù)

CSCL 環(huán)境的情感狀態(tài)分析常采用的技術(shù)有文本情感分析、情感可視化分析與情感交互行為分析。文本情感分析是一種相對(duì)成熟且容易操作的方法；與圖2 中團(tuán)隊(duì)情感狀態(tài)空間的坐標(biāo)軸相比，情感可視化是一種更易理解和感知的方法；情感交互行為主要研究復(fù)雜時(shí)空環(huán)境與交互式條件下情感隨時(shí)間的動(dòng)態(tài)變化規(guī)律。

3.1 文本情感分析

情感識(shí)別負(fù)責(zé)自動(dòng)識(shí)別學(xué)生的情感狀態(tài)。最理想狀態(tài)是以客觀且不干擾用戶(hù)的方式連續(xù)、定量測(cè)量用戶(hù)的情感體驗(yàn)。有研究者指出，檢測(cè)文本情感是一種侵入性最小的測(cè)量方法，因?yàn)檎Z(yǔ)言和文本在傳遞信息的同時(shí)也傳遞情感［25］，在測(cè)量過(guò)程中僅對(duì)語(yǔ)言和文本進(jìn)行測(cè)量，無(wú)需接觸用戶(hù)?？紤]到CSCL 研究人員很難掌握現(xiàn)有的文本分類(lèi)技術(shù)，且不具備把文本分類(lèi)技術(shù)應(yīng)用于分析任務(wù)的能力，Rosé等［26］開(kāi)發(fā)了一個(gè)易于使用的自適應(yīng)編碼接口——TagHelper，基于菜單自適應(yīng)界面向分析人員展示自動(dòng)預(yù)測(cè)、分析每段文本的結(jié)果，幫助CSCL 研究人員分析語(yǔ)料數(shù)據(jù)內(nèi)容。Pontarolo 等［27］基于認(rèn)知方法提出情感模型，該模型把情感視為參與者對(duì)情境認(rèn)知、評(píng)估后產(chǎn)生的感知，并把同伴行為作為情境信息來(lái)源。然后，根據(jù)OCC 模型的歸因情緒組推斷四種同伴關(guān)系的情感。在此基礎(chǔ)上，借助貝葉斯網(wǎng)絡(luò)建模技術(shù)，將學(xué)生的人格特質(zhì)、目標(biāo)、行為標(biāo)準(zhǔn)、互動(dòng)和情感之間的因果關(guān)系進(jìn)行映射。

3.2 情感可視化分析

將情感識(shí)別階段獲取的數(shù)據(jù)進(jìn)行分析處理，然后通過(guò)圖、表等工具進(jìn)行呈現(xiàn)。在很多場(chǎng)景下，如果可以“看見(jiàn)”自身與他人的情感，則可增強(qiáng)用戶(hù)之間的交互體驗(yàn)，使人們可以直觀地了解互動(dòng)過(guò)程的情感，進(jìn)而作出更好的決策。在協(xié)作環(huán)境中對(duì)情感狀態(tài)意識(shí)進(jìn)行反思非常重要，因?yàn)閳F(tuán)隊(duì)自我意識(shí)是團(tuán)隊(duì)能力的關(guān)鍵部分，有助于提高團(tuán)隊(duì)效能［28］。此外，團(tuán)隊(duì)內(nèi)部情感狀態(tài)的認(rèn)知與改善溝通、決策和緩解團(tuán)隊(duì)沖突密切相關(guān)，能夠提供豐富的環(huán)境信息支持協(xié)作學(xué)習(xí)。由此可見(jiàn)，CSCL 環(huán)境中的情感可視化信息，一方面可以激勵(lì)個(gè)體根據(jù)團(tuán)隊(duì)協(xié)作情況調(diào)整自身狀態(tài)；另一方面，如果協(xié)作過(guò)程中能安慰對(duì)方并解釋為什么認(rèn)為是在正確的方向上解決問(wèn)題，則有助于緩解學(xué)生的畏難情緒。

情感可視化研究主要為：

（1）McDuff 等［29］設(shè)計(jì)了一個(gè)支持情感自我意識(shí)的可視化工具——AffectAura。Kao 等［30］創(chuàng)建了一種獨(dú)立于情感獲取技術(shù)的情感表示方法——情感打?。‥motion-Prints），該方法能用于多點(diǎn)觸控系統(tǒng)環(huán)境中顯示用戶(hù)情緒效價(jià)和喚醒度。此外，該方法支持與任何實(shí)時(shí)解釋情感狀態(tài)方法相互結(jié)合使用。情感打印的目標(biāo)是提供一種標(biāo)準(zhǔn)化技術(shù)，實(shí)現(xiàn)在互動(dòng)發(fā)生時(shí)呈現(xiàn)用戶(hù)的情感狀態(tài)，以增強(qiáng)協(xié)作環(huán)境中用戶(hù)對(duì)自身情感的感知，并通過(guò)情感可視化方式提升用戶(hù)體驗(yàn)。

（2）Borth 等［31］根據(jù)Plutchik 情感輪提出視覺(jué)情感分析框架模型SentiBank：首先對(duì)普魯奇克理論中每種情感進(jìn)行數(shù)據(jù)挖掘找到相關(guān)標(biāo)簽，然后使用文本分析和基于詞法情感分析工具查找“極化的”形容詞，最后使用情感輪、樹(shù)狀圖等可視化工具沿高維情感概念空間對(duì)數(shù)據(jù)集進(jìn)行交互式探索，并對(duì)視覺(jué)內(nèi)容中的情感進(jìn)行預(yù)測(cè)。

（3）通過(guò)顏色、幾何形狀和長(zhǎng)度分別表示圖2 中團(tuán)隊(duì)情感狀態(tài)三維空間模型中活躍度、友好度和親和度這三個(gè)屬性。圖3 為通過(guò)顏色表示團(tuán)隊(duì)情感狀態(tài)的活躍度。

Fig.3 The color axis of the activeness of the team's emotional statement圖3 團(tuán)隊(duì)情感狀態(tài)的活躍度顏色坐標(biāo)軸

3.3 交互行為分析

當(dāng)前CSCL 交互分析主要集中在認(rèn)知過(guò)程的知識(shí)建構(gòu)維度，通過(guò)構(gòu)建合適的交互過(guò)程模型開(kāi)展認(rèn)知交互行為分析。相關(guān)研究主要分為基于變量或基于事件的過(guò)程模型，基于變量的過(guò)程模型常用技術(shù)有：回歸分析、序列分析法、凝聚子群分析等，通過(guò)計(jì)算交互行為相關(guān)屬性之間的比率構(gòu)建矩陣或概率圖，抽象展示協(xié)作學(xué)習(xí)過(guò)程特征或?qū)W習(xí)輸出狀態(tài)；基于事件過(guò)程模型常采用的技術(shù)有：隱馬爾科夫鏈、樸素貝葉斯分類(lèi)、序列模式挖掘算法等，通過(guò)借助計(jì)算機(jī)龐大的數(shù)據(jù)處理能力實(shí)現(xiàn)交互行為模式的抽取與識(shí)別。

CSCL 交互分析在歸納、總結(jié)認(rèn)知交互行為、協(xié)作學(xué)習(xí)進(jìn)程或協(xié)作組實(shí)施效能之間關(guān)聯(lián)規(guī)律的同時(shí)，需要開(kāi)展情感交互行為分析研究，因?yàn)榍楦薪换セ顒?dòng)不僅影響著小組成員的積極性和主動(dòng)性，還影響協(xié)作過(guò)程中認(rèn)知交互活動(dòng)的進(jìn)程。情感交互行為研究復(fù)雜時(shí)空環(huán)境與交互式條件下情感隨時(shí)間動(dòng)態(tài)變化的規(guī)律，這種情感時(shí)空特征一般具有2 種基本特征：①情感本身所具有的時(shí)序演化特征，反映情感的內(nèi)在變化規(guī)律；②用于情感分析的言語(yǔ)、面部表情、生理特征等因素在動(dòng)態(tài)交互過(guò)程的時(shí)序特征，反映情感外在觀測(cè)因素的變化規(guī)律。情感作為連接學(xué)習(xí)者內(nèi)部心理狀態(tài)與外部環(huán)境狀態(tài)的橋梁，影響著協(xié)作學(xué)習(xí)的全過(guò)程。因此，如何在特定的CSCL 時(shí)空環(huán)境約束下有效融合多種方法挖掘、分析協(xié)作過(guò)程中學(xué)習(xí)者的情感交互行為模式和變化趨勢(shì)是亟須解決的關(guān)鍵問(wèn)題。

目前CSCL 環(huán)境中的情感交互分析研究常采用的方法為基于時(shí)空條件下的情感交互計(jì)算。首先，使用貝葉斯網(wǎng)絡(luò)根據(jù)圖2 的情感模型對(duì)檢測(cè)的個(gè)體情感狀態(tài)和團(tuán)隊(duì)情感狀態(tài)進(jìn)行分類(lèi)，構(gòu)建多模態(tài)情感交互行為數(shù)據(jù)集；然后，針對(duì)協(xié)作學(xué)習(xí)過(guò)程中的交互行為序列、文本內(nèi)容、面部表情等過(guò)程性數(shù)據(jù)，采用長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）對(duì)實(shí)際協(xié)作學(xué)習(xí)場(chǎng)景中的個(gè)體情感狀態(tài)特征數(shù)據(jù)和團(tuán)隊(duì)情感狀態(tài)進(jìn)行時(shí)序建模，實(shí)時(shí)判斷和預(yù)測(cè)學(xué)習(xí)者當(dāng)前的情感交互行為特征以及變化趨勢(shì)，提升情感預(yù)測(cè)的準(zhǔn)確率。具體過(guò)程如圖4 所示。

4 情感反饋處理的關(guān)鍵技術(shù)

4.1 情感反饋推理模型

目的在于修改學(xué)習(xí)者的下一步行動(dòng)，減少當(dāng)前理解與期望之間的差距，本文基于情感認(rèn)知評(píng)價(jià)理論的相關(guān)計(jì)算模型［32］，提出了如圖5 所示的情感推理模型。

4.1.1 認(rèn)知網(wǎng)絡(luò)

情感評(píng)估不是獨(dú)立的，需高度依賴(lài)認(rèn)知信息，旨在模擬前額葉皮層中的執(zhí)行功能。認(rèn)知網(wǎng)絡(luò)被設(shè)計(jì)為基于Q 學(xué)習(xí)的認(rèn)知架構(gòu)，稱(chēng)為時(shí)差融合結(jié)構(gòu)（TD-FALCON）。其中，TD-FALCON 是自組織的神經(jīng)網(wǎng)絡(luò)，使用時(shí)序差分算法估計(jì)和學(xué)習(xí)Q（s，a）函數(shù)的值，即給定當(dāng)前狀態(tài)s，認(rèn)知網(wǎng)絡(luò)基于特定策略選擇將要執(zhí)行的動(dòng)作a，在執(zhí)行動(dòng)作后，可獲得獎(jiǎng)勵(lì)。然后，認(rèn)知網(wǎng)絡(luò)將觀察下一個(gè)狀態(tài)s’，并預(yù)先選擇具有最大Q（s’，a’）值的動(dòng)作a’。

Fig.4 LSTM network analyzing the emotional state in collaboration interaction圖4 LSTM 網(wǎng)絡(luò)分析同伴協(xié)作互動(dòng)中的情感狀態(tài)

4.1.2 評(píng)價(jià)層

提供從認(rèn)知空間到情感空間的信息單向轉(zhuǎn)換，包括4個(gè)評(píng)估因素：

（1）期望E 是情感評(píng)估的關(guān)鍵，代表人們?cè)谔囟ōh(huán)境中采取行動(dòng)時(shí)最可能發(fā)生的事情。一般認(rèn)為，隨著對(duì)積極結(jié)果或消極回避的期望增加，情緒強(qiáng)度也會(huì)增加。因此，期望應(yīng)該與情境、行動(dòng)相關(guān)聯(lián)，并且必須基于學(xué)習(xí)者的個(gè)人體驗(yàn)。期望是根據(jù)上下文（包括學(xué)習(xí)者的體驗(yàn)和當(dāng)前表現(xiàn)）動(dòng)態(tài)評(píng)估的，本文對(duì)期望定義如式（3）所示。

其中，Q（s，a）是基于Q學(xué)習(xí)算法計(jì)算在狀態(tài)s下采取行動(dòng)a的預(yù)期獎(jiǎng)勵(lì)。

Fig.5 Emotional reasoning model圖5 情感推理模型

（2）獎(jiǎng)勵(lì)R 是指從環(huán)境或行為過(guò)程中感知的反饋刺激。通常，獎(jiǎng)勵(lì)在采取行動(dòng)后發(fā)生，被認(rèn)為是認(rèn)知學(xué)習(xí)和情感過(guò)程中不可或缺的組成部分。最近研究證明，杏仁核是人腦情感的核心區(qū)域，它起到調(diào)節(jié)獎(jiǎng)勵(lì)的喚醒作用，并聯(lián)系獎(jiǎng)勵(lì)的感官特性與情感。獎(jiǎng)勵(lì)信號(hào)由環(huán)境提供的實(shí)時(shí)反饋If所感測(cè)，即R=If。

（3）力量P 是指?jìng)€(gè)人信心的內(nèi)在狀態(tài)，被描述為對(duì)實(shí)現(xiàn)目標(biāo)充滿(mǎn)信心的狀態(tài)。力量是建立在自身經(jīng)驗(yàn)的基礎(chǔ)上，并受感知反饋和先前力量水平影響。因此，根據(jù)反饋信息和當(dāng)前自信心水平，通過(guò)時(shí)序差分方程式實(shí)時(shí)更新P。計(jì)算方式如式（4）所示。

其中，參數(shù)α∈［0，1］和γ∈［0，1］分別是衰減指數(shù)和增益指數(shù)。

（4）匹配M 用于衡量期望值與實(shí)際反饋信息之間的差異，說(shuō)明結(jié)果滿(mǎn)足期望的程度。為此，根據(jù)上下文的性能和感知反饋計(jì)算匹配度，評(píng)估該動(dòng)作滿(mǎn)足期望的程度。并通過(guò)式（5）進(jìn)行實(shí)時(shí)更新。

4.1.3 情感網(wǎng)絡(luò)

旨在模擬杏仁核的情感決策，與評(píng)價(jià)層共同構(gòu)成情感評(píng)估網(wǎng)絡(luò)。計(jì)算方式如式（6）所示。

4.2 情感反饋策略生成算法

4.2.1 模糊邏輯系統(tǒng)

模糊邏輯系統(tǒng)為CSCL 系統(tǒng)處理學(xué)生各種認(rèn)知和情感狀態(tài)的行為方式，模糊系統(tǒng)處理情感值來(lái)源于神經(jīng)網(wǎng)絡(luò)識(shí)別的學(xué)生情感狀態(tài)。例如在Java Sensie 系統(tǒng)中［33］，首先從語(yǔ)料庫(kù)的面部圖像中提取特征訓(xùn)練神經(jīng)網(wǎng)絡(luò)；接下來(lái)，使用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)情感分類(lèi)。本文使用RAFD 語(yǔ)料庫(kù)的數(shù)據(jù)訓(xùn)練和測(cè)試神經(jīng)網(wǎng)絡(luò)，該數(shù)據(jù)庫(kù)具有8 040 種不同表情的數(shù)據(jù)庫(kù)，包含了67 種男女模型。神經(jīng)網(wǎng)絡(luò)提取學(xué)生的情感狀態(tài)后，立即將結(jié)果發(fā)送至模糊系統(tǒng)。然后將特征提取、情感識(shí)別與模糊系統(tǒng)相互集成。Java Sensie 系統(tǒng)使用了4個(gè)模糊輸入以及3 個(gè)輸出，并使用模糊控制語(yǔ)言建立了144條模糊規(guī)則。模糊系統(tǒng)從反向傳播神經(jīng)網(wǎng)絡(luò)中獲取學(xué)生當(dāng)前的情感狀態(tài)，通過(guò)模糊算法計(jì)算反饋策略，再將反饋策略發(fā)送至教學(xué)代理起到調(diào)節(jié)學(xué)生情緒的作用。

4.2.2 線(xiàn)性回歸模型

多用于CSCL 系統(tǒng)中學(xué)生的情感預(yù)測(cè)。通過(guò)大量的數(shù)據(jù)集線(xiàn)性回歸學(xué)生在每個(gè)任務(wù)的情感狀態(tài)，并以此模型檢測(cè)學(xué)生在后續(xù)任務(wù)中的情感狀態(tài)。Rajendran 等［34］將線(xiàn)性回歸模型用于檢測(cè)沮喪模型中，對(duì)挫折特征形成新的線(xiàn)性回歸模型。該模型在檢測(cè)學(xué)習(xí)者交互過(guò)程的挫折感時(shí)，首先確定學(xué)習(xí)者與系統(tǒng)互動(dòng)的目標(biāo)，確定每個(gè)目標(biāo)的阻塞因子，基于目標(biāo)阻塞行為，用前i-1 個(gè)狀態(tài)進(jìn)行線(xiàn)性回歸，建立學(xué)生在第i 個(gè)狀態(tài)的挫折指數(shù)線(xiàn)性回歸模型。挫折指數(shù)閾值用于檢測(cè)學(xué)生是否感到沮喪，若感到沮喪則作出反饋。

4.2.3 效用最優(yōu)情感反饋策略決策算法

該算法使用貝葉斯決策技術(shù)選擇效用最優(yōu)的反饋策略組合，如圖6 所示。首先根據(jù)協(xié)作學(xué)習(xí)情境實(shí)例化反饋決策網(wǎng)絡(luò)中的認(rèn)知和情感狀態(tài)節(jié)點(diǎn)，并根據(jù)協(xié)作學(xué)習(xí)情境中的情感交互行為規(guī)律輸入決策網(wǎng)絡(luò)，然后按時(shí)間順序依次實(shí)例化決策變量，計(jì)算條件期望效用值，當(dāng)遍歷完各認(rèn)知反饋和情感反饋組合后，得到最大條件期望效用值所對(duì)應(yīng)的認(rèn)知和情感反饋策略組合即為最優(yōu)解。

Fig.6 Affective and cognitive feedback decision model description圖6 情感和認(rèn)知反饋決策模型描述

4.3 情感反饋策略

Lazarus［35］認(rèn)為有2 種策略可用于管理個(gè)體的情感狀態(tài)：以問(wèn)題為中心和以情感為中心的策略。

（1）傳統(tǒng)的情感框架通常采用以問(wèn)題為中心的策略。該策略基于學(xué)習(xí)者任務(wù)反饋，學(xué)習(xí)者情感通常在學(xué)習(xí)過(guò)程中產(chǎn)生，根據(jù)情感狀態(tài)為其提供適當(dāng)?shù)慕ㄗh和策略，有助于提高學(xué)習(xí)效率。Cabestrero 等［36］認(rèn)為基于任務(wù)反饋保持適當(dāng)?shù)乃绞侵陵P(guān)重要的，因?yàn)槿蝿?wù)難度水平過(guò)高會(huì)導(dǎo)致學(xué)習(xí)者產(chǎn)生焦慮，而任務(wù)難度太低則無(wú)法激起學(xué)習(xí)者的興趣。因此，基于相關(guān)領(lǐng)域的情感反饋需要?jiǎng)討B(tài)調(diào)整任務(wù)的難易程度，使每個(gè)學(xué)習(xí)者都能產(chǎn)生更高層次的情感價(jià)態(tài)。

（2）以情感為中心的策略是指與課程領(lǐng)域無(wú)關(guān)的策略和技術(shù)。CSCL 系統(tǒng)的領(lǐng)域無(wú)關(guān)情感反饋策略基于學(xué)習(xí)者情感的反饋，即情感反饋系統(tǒng)檢測(cè)到學(xué)習(xí)者情感狀態(tài)后，直接給予學(xué)習(xí)者鼓勵(lì)、祝賀或積極的情緒提升學(xué)習(xí)者的學(xué)習(xí)動(dòng)力，從而使學(xué)習(xí)者處于更適宜的情感狀態(tài)中完成學(xué)習(xí)任務(wù)。

Arevalillo-Herraˊez 等［37］使 用PAD 模 型 從 三 個(gè) 獨(dú) 立 的兩極維度描述情感，每個(gè)維度都通過(guò)SAM（Self Assessment Manikin）進(jìn)行評(píng)估，旨在根據(jù)與學(xué)習(xí)者情感相關(guān)的兩個(gè)特定意圖選擇最佳的腳手架水平，進(jìn)而在每次需要系統(tǒng)干預(yù)時(shí)觸發(fā)指導(dǎo)性決策。通過(guò)分析訓(xùn)練數(shù)據(jù)證明，快樂(lè)度和支配水平取決于解決問(wèn)題時(shí)提供的腳手架水平，可通過(guò)學(xué)習(xí)主題背景信息和學(xué)習(xí)者試圖解決的問(wèn)題預(yù)測(cè)愉悅度和支配度變化。

Wang 等［38］把POMDP（Partially Observable Markov Decision Process）模型中用戶(hù)的狀態(tài)空間分為認(rèn)知狀態(tài)（目標(biāo)狀態(tài)Su與對(duì)話(huà)狀態(tài)Du）和情感狀態(tài)Eu，即S=（Su，Du，Eu）；系統(tǒng)的動(dòng)作空間A =（As，Ae），如圖7 所示。

其中，As是目標(biāo)響應(yīng)，具體表示檢查學(xué)習(xí)者是否理解概念、向?qū)W習(xí)者解釋概念、判斷學(xué)習(xí)者的答案是否正確；Ae是情感響應(yīng)，例如贊美、鼓勵(lì)、引導(dǎo)、同理心等。

用戶(hù)的狀態(tài)轉(zhuǎn)移函數(shù)表示在給定狀態(tài)s和動(dòng)作a的條件下轉(zhuǎn)換為狀態(tài)s'的轉(zhuǎn)換概率。計(jì)算公式如式（7）所示：

獎(jiǎng)勵(lì)值函數(shù)計(jì)算公式如式（8）：

其中，R（su，du，as），R（eu，ae）是行動(dòng)目標(biāo)響應(yīng)和情感響應(yīng)的獎(jiǎng)勵(lì)；ws，we是權(quán)重系數(shù)，ws+we=1。

Fig.7 POMDP model（the circle in the dashed frame represents the state that is not observed，the circle in the solid frame represents the observation result，the square represents the action node，and the diamond represents the reward node）圖7 POMDP 模型

綜上，目前情感反饋研究大多以個(gè)體學(xué)習(xí)者為研究對(duì)象，采用情感計(jì)算技術(shù)實(shí)現(xiàn)：①借助機(jī)器學(xué)習(xí)或深度學(xué)習(xí)技術(shù)，構(gòu)建基于深度神經(jīng)網(wǎng)絡(luò)的情感反饋策略模型，開(kāi)發(fā)的情感反饋系統(tǒng)直接映射學(xué)生的人格特性、目標(biāo)、行為標(biāo)準(zhǔn)、互動(dòng)和情感之間的因果關(guān)系，并據(jù)此推斷情感包含的內(nèi)容；②采取反饋回路方式：計(jì)算機(jī)將測(cè)得的感知數(shù)據(jù)映射為情感變量，然后根據(jù)識(shí)別的情感持續(xù)調(diào)整用戶(hù)行為。在情感反饋回路中目前使用的主要方法為監(jiān)督機(jī)器學(xué)習(xí)，將記錄數(shù)據(jù)分類(lèi)為一組離散類(lèi)別，然后根據(jù)類(lèi)別執(zhí)行特定的命令。此外，本研究團(tuán)隊(duì)提出的ATS 系統(tǒng)的情感反饋實(shí)施規(guī)則同樣適用于CSCL 系統(tǒng)，如表3 所示。

Table 3 Affective feedback implementation rules表3 情感反饋實(shí)施規(guī)則

注：目標(biāo)是保持高的效價(jià)V（為學(xué)習(xí)者提供支持和積極的體驗(yàn)）、防止喚醒度A 過(guò)高或過(guò)低（A 過(guò)高-＞焦慮，A 過(guò)低-＞無(wú)聊），并為學(xué)習(xí)者提供一種控制任務(wù)的控制感（P）。E（投入?yún)⑴c水平）由V、A 和P 推斷得出（2：高投入，1：一般投入，0：不投入）。IA（指示性操作）：增加或降低下一個(gè)問(wèn)題的難度級(jí)別。情感反饋規(guī)則如下：1-當(dāng)情感狀態(tài)為中性，不采取措施；2-當(dāng)學(xué)習(xí)表現(xiàn)不佳，則觸發(fā)“提供調(diào)節(jié)和幫助”；3-當(dāng)檢測(cè)到負(fù)面效價(jià)，則觸發(fā)情感支持；4-當(dāng)檢測(cè)到高激活狀態(tài)，則給予激勵(lì)響應(yīng)。

5 研究展望

本文從情感狀態(tài)獲取、情感狀態(tài)分析和情感反饋處理這三個(gè)方面分析了CSCL 環(huán)境的情感反饋系統(tǒng)框架：首先從情感狀態(tài)的表征入手，分析CSCL 中使用多模態(tài)情感識(shí)別技術(shù)的要點(diǎn)；然后介紹了情感狀態(tài)分析的關(guān)鍵技術(shù)，主要包括基于文本的情感分析、情感可視化分析、交互行為分析；最后從情感反饋推理模型、情感反饋策略生成算法和情感反饋策略深入介紹了目前的研究進(jìn)展，以期為本領(lǐng)域的研究梳理一個(gè)相對(duì)清晰的整體研究框架視。在認(rèn)知科學(xué)與腦科學(xué)的研究基礎(chǔ)上，隨著深度學(xué)習(xí)、情感技術(shù)等新技術(shù)、新方法在學(xué)習(xí)科學(xué)中應(yīng)用研究的深入，將會(huì)進(jìn)一步推動(dòng)CSCL 情感反饋研究的理論發(fā)展和實(shí)踐應(yīng)用，最具突破性的研究工作主要體現(xiàn)為以下4 個(gè)方面：

（1）研究CSCL 環(huán)境的情感協(xié)作學(xué)習(xí)本體，以描述計(jì)算機(jī)支持協(xié)作學(xué)習(xí)過(guò)程中團(tuán)隊(duì)情感的形成及演化特征，形式化描述CSCL 環(huán)境中與學(xué)習(xí)者情感相關(guān)要素。

（2）在腦科學(xué)與情感計(jì)算的研究基礎(chǔ)上，通過(guò)多模態(tài)情感感知方式獲取CSCL 環(huán)境中學(xué)習(xí)者的情感狀態(tài)數(shù)據(jù)，并通過(guò)情感交互行為分析，深入解釋協(xié)作學(xué)習(xí)過(guò)程中學(xué)習(xí)者情感狀態(tài)的產(chǎn)生與變化原因。

（3）研究基于深度神經(jīng)網(wǎng)絡(luò)的情感反饋策略生成算法，解決計(jì)算機(jī)支持協(xié)作學(xué)習(xí)環(huán)境中由“情感觸發(fā)”引起的情感理解和情感反饋策略的生成問(wèn)題。

（4）加強(qiáng)技術(shù)支持下情感反饋對(duì)在線(xiàn)協(xié)作學(xué)習(xí)和學(xué)生發(fā)展重要性的認(rèn)識(shí)，重視協(xié)作學(xué)習(xí)環(huán)境中反饋機(jī)制的研究，設(shè)計(jì)融情感、認(rèn)知、行為等綜合一體的、人機(jī)協(xié)同互惠的雙向反饋模型及系統(tǒng)實(shí)現(xiàn)。