何穆彬,萬振凱

(1. 天津市教育科學研究院教育技術(shù)與信息化研究中心,天津 300210;2. 天津工業(yè)大學工程教學實習訓練中心,天津 300387)

1 引言

情緒是影響學生學習的關(guān)鍵要素之一,相關(guān)研究證實,情緒滲透在學習生活的各個方面,擁有動機與感知作用[1],對學生能否順利完成學業(yè)起到促進或抑制的效果。當前,學生情緒狀態(tài)是教育領(lǐng)域研究的核心問題[2],必須要對學生情緒異常波動進行實時風險評估,并及時干預(yù)重點危機對象,最大限度降低學生產(chǎn)生異常情緒的概率。

針對風險評估問題,文獻[3]構(gòu)建了基于模糊集和熵的工控系統(tǒng)灰色風險評估模型。在風險種類的前提下建立風險評估指標,利用模糊集和信息熵改進權(quán)重計算模型,將灰色理論引入風險評估推算整體風險水平。文獻[4]構(gòu)建了基于模糊人工神經(jīng)網(wǎng)絡(luò)的安全風險評估模型。運用三角模糊數(shù)采集專家判斷語言,使用聚類分析與去模糊化處理獲取事故樹內(nèi)基本事件的發(fā)生幾率,分別將基本事件與頂上事件擬作人工神經(jīng)網(wǎng)絡(luò)輸入及輸出層的神經(jīng)元,訓練網(wǎng)絡(luò)并輸出相對的風險評估結(jié)果。但由于以上方法均沒有剔除冗余風險評估信息,導致計算量過高,風險評估時效性較差。

本文在學生情緒異常波動風險評估中引入大數(shù)據(jù)技術(shù),提出一種基于大數(shù)據(jù)的學生情緒異常波動風險評估模型。利用大數(shù)據(jù)技術(shù)采集并分析學生的海量情緒數(shù)據(jù),挖掘出具備現(xiàn)實意義的隱含異常波動信息;創(chuàng)建學生情緒異常波動風險評估指標,采用層次分析法獲得高精度異常波動風險評估模型。

2 基于大數(shù)據(jù)的學生情緒數(shù)據(jù)采集

人工智能的核心發(fā)展策略逐漸從計算智能轉(zhuǎn)變?yōu)榍楦兄悄?。情感智能的前提條件就是完成人體的情緒識別,人類存在以下六種基礎(chǔ)情緒:憤怒、厭惡、恐慌、開心、悲傷與驚訝[5]。為有效獲取學生當下情緒狀態(tài),使用高清攝像機記錄下學生面部與頸部的細微肌肉振動頻率及幅度[6],在海量拍攝數(shù)據(jù)情況下觀測并收集學生的日?；顒訑?shù)據(jù)。

在眾多數(shù)據(jù)中,為精準提取學生情緒變化狀態(tài),使用時空注意力模型完成情緒數(shù)據(jù)測量。時空注意力模型中具備空間注意力板塊、時間注意力板塊及相應(yīng)的損失函數(shù)?？臻g注意力板塊能夠讓模型聚焦在學生表情變化可能性最高的區(qū)域,將此板塊分成下采樣與上采樣兩個步驟,構(gòu)成一個瓶頸架構(gòu)。下采樣時期,利用卷積和非線性映射獲取學生表情區(qū)域特質(zhì),上采樣時期使用雙線性差值修復(fù)特征圖到初始大小。

將圖像的注意力掩膜描述為A(x)=[a(x1),a(x2),…,a(xt)],關(guān)于第i幀圖像,將其第4個特征圖L4設(shè)定為L4(xi),把此幀圖像的注意力掩膜定義為a(xi),把空間注意力分支記作

B(xi)=(1+a(xi))⊙L4(xi)

(1)

其中,“⊙”代表點乘。

在一段微表情序列內(nèi),把幀劃分成判別性弱幀與判別性強幀。判別性強幀可提高時空注意力模型微表情采集精度,設(shè)計一種時間注意力分支,將注意力集中于微表情的序列定義成判別性強幀。把空間注意力板塊的輸出結(jié)果記作C(X)=[c(x1),c(x2),…,c(xi)],再把C(X)看作時間注意力分支的輸入值,輸出值C(X)的隱含狀態(tài)為矩陣D。將微表情序列的相似性矩陣表示為

E=tand(DTD)∈R

(2)

其中,d代表微表情序列內(nèi)某個圖像幀的隱含狀態(tài),R為圖像幀總和。

把全部序列的相關(guān)性特征記作

G=(g1,g2,…,gt)

(3)

式中,gi代表第i幀和全部序列之間的相關(guān)程度,具體展開為

(4)

其中,Eij為微表情序列內(nèi)第i幀與第j幀之間的相關(guān)性,pi、pj均為數(shù)據(jù)采集過程中識別出的人臉位置。

累加時間注意力分支特征和初始特征,把時間注意力特征的最終表達式描述成

T(xi)=(1+gi)⊙c(xi)

(5)

其中,c(xi)為空間注意力板塊的輸出分量。

學生情緒微表情數(shù)據(jù)采集的實質(zhì)為視頻分類[7],在視頻分類工作中一般采用交叉損失函數(shù)來提升數(shù)據(jù)采集效率,記作

(6)

其中,N代表樣本數(shù)量,H是微表情類型,wi,j是標簽值,qi,j代表預(yù)測值。對空間注意力分支產(chǎn)生的掩膜實施約束,運用τ1正則策略限制空間注意力分支輸出值。

將損失函數(shù)定義為式(7),以此完成大數(shù)據(jù)下學生情緒數(shù)據(jù)完整采集[8]。

(7)

其中,ξce為交叉熵損失函數(shù),κ代表注意力掩膜正則指數(shù)。

3 學生情緒異常波動風險評估指標

學生情緒異常波動行為是應(yīng)激源與易感性共同作用的結(jié)果,應(yīng)激源是產(chǎn)生情緒異常波動的外在前提[9],易感性是異常波動的內(nèi)在前提。學生在日常學習生活中會遭受不同性質(zhì)與強度的應(yīng)激源,通過人格、認知模式等媒介的互相作用,最終產(chǎn)生劇烈情緒波動,導致學生具備不同形式的問題行為[10]。

由此看出,應(yīng)激源、易感性與問題行為均是情緒異常波動風險的主要來源,要納入風險評估指標中。通常意義來講,應(yīng)激源越多,認知模式越消極,社會支持關(guān)系越少,因情緒波動導致的問題行為危險系數(shù)越高,學生自身風險越大。

綜上所述,基于利用大數(shù)據(jù)技術(shù)采集的學生情緒數(shù)據(jù)集,建立學生情緒異常波動風險評估指標體系。學生情緒異常波動風險評估指標涵蓋應(yīng)激源、易感性與問題行為三個維度,將各維度指標類型記作表1。使用德爾菲技術(shù)調(diào)查法[11]剔除并降低指標權(quán)重分配時的隨機性與不確定性,增強風險評估合理性與正確性。

表1 學生情緒異常波動風險評估指標

4 層次分析法下學生情緒異常波動風險評估模型構(gòu)建

為完成學生情緒異常波動風險的準確評估,學生情緒異常波動風險評估指標的基礎(chǔ)上,要全方面考慮學生情緒波動各類評估指標要素,得到最優(yōu)評估結(jié)果。層次分析法是一種定性與定量相融合的多規(guī)則決策計算方法,其基本計算思路是在決策目標需求下,融合評估專家的邏輯性評估與定性評估[12],兩兩對比決策對象與決策準則的優(yōu)劣情況,得到目標對象全局優(yōu)劣水平,為數(shù)據(jù)分析提供參照依據(jù),運算整體過程如圖1所示。

圖1 層次分析法運算過程

根據(jù)以下幾個步驟構(gòu)建層次分析法模型:

第一,在已知風險元素前提下,計算不同元素之間的耦合關(guān)系,把上層的元素看作對比標準,并對下個層次的相關(guān)因素起到支配作用,創(chuàng)建系統(tǒng)的遞進層次架構(gòu);

第二,對比同一層次元素與上層次因素的重要性,構(gòu)建評估矩陣;

第三,使用評估矩陣推算被比較因素在評估指標的對應(yīng)權(quán)重;

第四,計算不同層次因素對評估目標的權(quán)重總值,完成預(yù)期風險評估任務(wù)。

根據(jù)層次分析法計算定理,指標權(quán)重運算的基礎(chǔ)條件是構(gòu)建評估矩陣并通過一致性測驗[13]。遵照1-9標度法,將評估矩陣公式表示為:

(8)

如果評估矩陣不符合一致性檢測條件,就要對其進行修改直至滿足一致性檢測為止,一致性檢測[14]解析式為

(9)

其中,CT為評估矩陣的隨機性指標,DI是評估矩陣的一致性均值指標,σmax代表評估矩陣O的最大特征根,n為評估矩陣O的階數(shù)。假如CT≤0.1,證明評估矩陣滿足一致性檢驗條件,反之需要重新調(diào)整評估矩陣,直到滿足CT≤0.1為止。

構(gòu)建評估矩陣并完成一致性檢測后,計算指標權(quán)重大小[15],過程如下:

推算出評估矩陣O內(nèi)各行因素的積bi

(10)

式中,q為矩陣行數(shù),oij為矩陣第i行第j個因素值。

計算bi的n次方根fi

(11)

將指標的權(quán)重值表示為

(12)

其中,ωi為第i個指標相對上一層指標的權(quán)重,ri為風險指標向量。由此,將評估矩陣O的最大特征值定義為

(13)

式中,U代表風險指標向量ri中的元素。

最終,將學生情緒異常波動風險評估模型表示為

(14)

5 仿真研究

為證明本文異常波動風險評估模型在實際應(yīng)用中的可靠性,隨機選擇學校600名在校學生為研究目標進行仿真,學生男女人數(shù)各300人。實驗平臺為MATLAB 2020b,使用本文方法根據(jù)實際情況得出學生情緒異常波動的風險指標權(quán)重,由于三級指標較為分散,導致其每個指標的權(quán)重值會偏小,因此為突出強調(diào)指標的全面權(quán)重,對一級指標和二級指標的權(quán)重進行計算,結(jié)果參考表2數(shù)據(jù)。

表2 不同風險指標的權(quán)重計算結(jié)果

劃分風險等級,從小到大風險程度依次為極低、較低、中等、高、極高五個等級。風險等級越高,證明學生情緒異常狀態(tài)越嚴重。將表2權(quán)重計算結(jié)果代入本文模型,得到該校600名學生情緒異常波動風險評估結(jié)果,如圖2所示。

圖2 本文方法下學生情緒異常波動風險評估結(jié)果

觀察表2與圖2可得出如下結(jié)論:該校學生總體情緒異常波動處于中等風險,少數(shù)研究對象的情緒異常波動風險較高,從男女性別角度出發(fā)可以看到,男生情緒異常波動風險要顯著大于女生,這是因為男生荷爾蒙波動較大,更容易產(chǎn)生焦慮、抑郁等情緒障礙。影響學生情緒問題的主要風險指標為學業(yè)壓力、經(jīng)濟壓力和認知模式,這也與該校對學生心理測試的調(diào)查結(jié)論相符?？梢詮纳鲜鰩讉€層面對學生開展對應(yīng)的心理咨詢輔導,幫助學生盡快解決情緒壓力,用更飽滿的狀態(tài)迎接校園生活。

為進一步驗證本文方法的普適性,將其與文獻[3]構(gòu)建的基于模糊集和熵的工控系統(tǒng)灰色風險評估模型,文獻[4]構(gòu)建的基于模糊人工神經(jīng)網(wǎng)絡(luò)的安全風險評估模型。進行定量仿真,挑選F1(F-measure)值作為評估指標。F1值是一種涵蓋準確率與召回率的綜合性指標,即準確率與召回率權(quán)重相等狀況下的平均值,計算過程如式(15)所示。

(15)

其中,PR代表準確率,是數(shù)據(jù)被正確劃分到某類樣本的數(shù)量和樣本總數(shù)的比例;RE代表召回率,即被正確劃分到某樣本的數(shù)值和此類樣本真實個數(shù)的比例。

三種方法風險評估的F1值計算結(jié)果如圖3所示。

圖3 三種方法風險評估的F1值對比

從圖3可知,本文方法F1值要遠遠大于灰色理論法和模糊人工神經(jīng)網(wǎng)絡(luò)法,在風險評估精度方面具備顯著優(yōu)勢。這是因為本文方法使用大數(shù)據(jù)技術(shù)精準采集學生的細微情緒變化數(shù)據(jù),為后續(xù)異常波動數(shù)據(jù)分析與風險評估工作提供有力數(shù)據(jù)支持。

基于以上實驗結(jié)果,接下來分析三種方法風險評估及時性,對其評估時間進行仿真驗證,實驗數(shù)量為600次,每100次為一個運算周期,耗時結(jié)果取各周期的時間均值,實驗結(jié)果如圖4所示。

圖4 不同方法風險評估時間對比

由圖4看出,本文方法平均耗時最短,且在實驗次數(shù)逐漸增多是時耗時較為穩(wěn)定。此實驗結(jié)果表明本文方法創(chuàng)建的評估指標復(fù)雜度較低,可以大幅提升風險評估效率,幫助班導及時發(fā)現(xiàn)和治療情緒嚴重失衡的同學。

6 結(jié)論

為明確現(xiàn)階段學生學習的心理狀態(tài),本次研究構(gòu)建了基于大數(shù)據(jù)的學生情緒異常波動風險評估模型,分析海量學生學習視頻進行大數(shù)據(jù),獲取情緒異常波動核心要素。通過層次分析法計算指標權(quán)重與評估矩陣特征值,完成學生情緒異常變化的風險評估,以便盡快發(fā)現(xiàn)在校學生可能產(chǎn)生的心理問題,這對提升教學質(zhì)量和學生身心健康均具備良好的推進作用。