提 要：學術情感學作為情感學（即情感科學）的應用分支，是將情感—情緒神經(jīng)建模應用于教學過程。本研究首次深入闡釋該學科內(nèi)涵，并著重論述在自然和人工智能言語行為情感特征分析模型方面的研究成果。鑒于當前對交際中的情感評估以及行為矩陣中的情緒評估缺乏有效的離散方法，本研究開創(chuàng)性地提出情感智能及其相應的情感人工智能分級結(jié)構，涵蓋了總體情感智能、情緒生成智能和情感處理智能?；诜律拍睿覀冮_發(fā)了一種新的“智能助手”模型——數(shù)字講師，該模型能夠賦予教育智能系統(tǒng)情感處理能力，并進一步創(chuàng)建類似于人類的情感人工智能系統(tǒng)。本研究的實踐意義在于，依托人類大腦的神經(jīng)心理語言學機制，在教學過程中使用神經(jīng)調(diào)節(jié)模型，開發(fā)深層神經(jīng)認知構建工具，并通過生物啟發(fā)的神經(jīng)調(diào)節(jié)架構，為創(chuàng)建具有心理情感狀態(tài)的計算系統(tǒng)提供了可行性方案。①

關鍵詞：學術情感學；神經(jīng)認知科學；情感智能；共情人工智能；情感模型；AI講師

中圖分類號：H030 """"文獻標識碼：A """"文章編號：1000-0100（2024）06-0032-9

DOI編碼：10.16263/j.cnki.23-1071/h.2024.06.005

1 引言

神經(jīng)認知科學的迅速發(fā)展以及自然智能核心機制研究的新發(fā)現(xiàn)，為生物認知系統(tǒng)領域帶來新的啟發(fā)和機遇。這些研究成果為開發(fā)全新類型的數(shù)字技術奠定了基礎，并提供了神經(jīng)認知“錨點”，大大提升了教育效率，并基于情感反應增強了對新信息的適應能力。（Bachler et al. 2023；Balgabayeva et al. 2024；Brígido Mero et al. 2010；Kaur et al. 2021；Khasilova" 2024；Ponsonn et al. 2022；Zubanova et al. 2023）。

20世紀末，俄羅斯學者В.И. Шаховский首次提出了情感理論假設，強調(diào)區(qū)分情感學基本概念的必要性。最新研究表明，“情感”作為一個多學科概念，是所有認知過程架構的基礎，而這一點在先前研究中往往被忽視（Minsky 1988，2007；Kolmogorova et al. 2024；Мозолевская 2021）。

研究證明，情感在自然智能及適應性行為中發(fā)揮關鍵作用（Damasio 1998，2008；Picard et al. 2001）。這種內(nèi)在的心理動力促進了學習者掌握新知識，其作用類似于虛擬模型的多重編碼機制，使學習者能夠更好地適應目標語言國家的語言文化（Baimakhan et al. 2024）。

鑒于共情在教學中的主導作用，許多國家開始研發(fā)先進的數(shù)字技術，這些技術注重在教學中激活共情機制，優(yōu)化教師的教學風格、教學材料的選擇以及教學方法的應用，進而強化學生對語言文化特性的理解（Lawrence，Tar 2018； Kaur et al. 2021）。然而，數(shù)字化呈現(xiàn)的虛擬現(xiàn)實并非目標語言及其文化景觀的完整再現(xiàn)，而是受到技術、自然科學及人文社會學科等多種因素影響的數(shù)字化版本（Baimakhan et al. 2024）。

因此，學術情感學可視為情感學在語言學領域的一個新分支，而情感教育學則是神經(jīng)教育學的組成部分。這兩門新興學科都利用了情感參與的深層機制管理新知識的學習過程，不同之處在于，學術情感學更多是在語言學范式內(nèi)闡釋研究成果，而情感教育學則是在教育學范疇內(nèi)探討研究成果的實際應用。學術情感學還依賴于神經(jīng)心理語言學的研究成果，后者探討大腦運作及其對個體在語言中或通過語言產(chǎn)生的行為、思維及情感的影響。情感教育學與心理語言學、神經(jīng)語言學、神經(jīng)心理學和神經(jīng)教育學等學科協(xié)同發(fā)展。與此同時，神經(jīng)心理學與神經(jīng)生物學的緊密結(jié)合有助于理解如何最大限度地挖掘大腦潛能，以解決包括外語學習在內(nèi)的諸多問題。神經(jīng)教育學為現(xiàn)代教育提供一個全新的視角，基于對大腦功能的研究，提出相應的教育策略并開發(fā)相關技術。因此，現(xiàn)代學術情感學和神經(jīng)教育學的理論基礎涵蓋教育學、心理學、神經(jīng)科學、控制論、語言學及自然語言處理（NLP）等經(jīng)典學科的基本原理。

2 情感智能結(jié)構及其要素

在解讀信息的情感接收時，我們提出“情感生成性”（эмоциогенность）這一術語，其內(nèi)涵不同于“情感性”（эмоциональность）和“情感表現(xiàn)性”（эмотивность）。俄羅斯學者Л.А. Пиотровская指出，情感性是說話人通過語言和非語言交際手段所展現(xiàn)出的個性特征（Piotrovskaya 2023）?！扒楦斜憩F(xiàn)性”涵蓋所有帶有情感成分的語言手段，即情感語素（Karabulatova et al. 2023），這些語言特征構成對信息的情感評價。“情感生成性”指信息在引發(fā)情感感知方面的特性（Буянова，Нечай 2016；Piotrovskaya 2023）。

人類行為或信息的情感性程度可以通過感知的評估參數(shù)確定。在這種情況下，對感知結(jié)果的評估包括副語言特征（如語調(diào)、聲調(diào)韻律）、語言特征（如情感性描述、情緒狀態(tài)和感受表達）和超語言特征（如仿生參數(shù)，特別是多巴胺、血清素和腎上腺素系統(tǒng)的激素指標，參見Talanov et al. 2019）。

基于對情感智能、神經(jīng)心理生理情感智能、情感表現(xiàn)智能和情感生成智能的區(qū)分，我們?yōu)槊總€子類型設定不同標識，使純理論方法與實際功能有機結(jié)合。情感智能結(jié)構呈現(xiàn)出高層次架構，其中各個要素之間緊密相聯(lián)，形成一個整體（見圖1）。

情緒作為神經(jīng)生理過程的表現(xiàn)形式，在Р. Плутчик的“情緒輪”和Х. Лёвхейм的“情緒立方體”兩種模型中得到充分闡釋，二者構成了神經(jīng)生理情緒智能模塊（Lvheim 2012， Plutchik 2011）?！扒榫w輪”是一個二維模型，劃分出8種基本情緒，即喜悅、信任、恐懼、驚訝、悲傷、厭惡、憤怒和期待。該模型直觀易懂，區(qū)分不同強度的一級和二級情緒，特別適用于情感素養(yǎng)教育和理解情感對行為的影響。心理情感狀態(tài)的語言表達有直接和隱喻兩種方式。Бабенко（2021）在《情感詞典》中首次嘗試收錄俄語中的民族文化情感符號，但沒有對情感學基本概念，如心理情感狀態(tài)等進行明確界定，也未能指明某些基本情感標識。該詞典的問世具有重要意義，標志著俄語語言文化正逐步形成對情感和情感性概念的認知。

Буянова和Нечай（2016）指出區(qū)分情感和情感性的必要性，并強調(diào)這兩個概念共同構成語言的情感符號（Буянова， Нечай 2016：5）。А. Вежбицкая指出，情感性、情感表現(xiàn)性和情緒生成性的概念模糊，源自心理情感領域?qū)@些概念界定不一致，這也是導致交際失敗的因素之一（Wierzbicka 2010）。通過分析現(xiàn)有研究發(fā)現(xiàn)，神經(jīng)心理生理情感智能與情感表現(xiàn)智能之間的界限尚未明確，這也是心理情感狀態(tài)語言標識尚未完善的原因。

情感人工智能的構建是基于機器人技術領域中對共情仿真的需求，目標是成為交際伙伴。因此，其關鍵原則在于廣泛驗證人類情感譜系，開發(fā)情感識別能力，并通過共情做出反饋。例如，像Empath、XiaoIce聊天機器人或“智能助手”一樣，能夠在與人類互動中識別情感并做出相應反應。

神經(jīng)心理語言學方法在教學活動中的應用體現(xiàn)為神經(jīng)語言教學法目標的制定，包括一系列研究人類行為和智能程序的方法，并結(jié)合各種影響心理情感和行為反應的手段，以此優(yōu)化學習者對學習材料的掌握和理解。

在研究教育問題時，若忽視情感因素，是無法全面理解學習過程的（Lawrence， Tar 2018）。目前，學界已達成共識，驚訝和喜悅等情感在認知過程中不可或缺（Karabulatova et al. 2023），在自然和人工雙語能力發(fā)展中，情感的作用尤為凸顯（Chen et al. 2023；Chung-Fat-Yim et al. 2022）。通過對語言中情感世界圖景的參數(shù)化處理，細化個體的心理情感背景，可以更加精準地繪制出自然智能的情感地圖，并為后續(xù)人工智能情感地圖的建模奠定基礎。

作為學術情感學的核心方法，情感神經(jīng)建模可以對目標受眾產(chǎn)生主導性影響。在自然物理現(xiàn)實與數(shù)字世界之間不斷“轉(zhuǎn)換”數(shù)據(jù)的過程中，這種方法能夠創(chuàng)造新的認知聯(lián)結(jié)，增強在學習新知識時的多巴胺分泌。因此，數(shù)字孿生技術的應用被視為優(yōu)先選擇（Shahat et al. 2021；Gapanyuk et al. 2024）。該技術利用大腦將物理對象及其視覺、語言和其他表現(xiàn)形式整合的能力，使得數(shù)字孿生體能夠映射客觀現(xiàn)實（Fuller et al. 2020；Hulme et al. 2022）。

機器學習方法已成為分析多碼和多模態(tài)視聽超文本的有效工具，例如，在超文本中，利用機器學習方法，可以通過處理圖像、文本、語言和音樂來提取意義，實現(xiàn)語言和非語言信息的傳遞。這一進展加深了對復雜圖形系統(tǒng)的理解，這些系統(tǒng)中的信息通過不同的語義邊界進行交換（Calla-han et al. 2023）?；诖?，提出一個假設，即利用多種信息渠道作為統(tǒng)一的神經(jīng)認知信息整體來呈現(xiàn)信息（見圖2）。這一結(jié)構包含神經(jīng)認知范疇下信息傳遞的語用常量和變量，這些常量和變量受特定語境中言語互動和意圖向量的影響。

詞語（W）既是常量，又是變量，因為詞語可以引發(fā)人類（HR）的不同反應，這些反應在詞語與情感反應的生物心理生理指標之間建立了關聯(lián)，這一點在Лёвхейм（2012）的“情緒立方體”理論中，通過無條件反射和條件反射（UR-CR）的表現(xiàn)得以證實。這些反射通過信息感知渠道（RP）形成中樞神經(jīng)系統(tǒng)的神經(jīng)體液復合體（A）。然而，詞語所觸發(fā)的反應模式有其內(nèi)在邏輯性和有限性，有學者借助Плутчик（2012）的“情緒輪”理論，基于新聞話語，研究受眾心理情感反應（Mohsin， Beltiukov" 2019；Jain 2023）。研究表明，大多數(shù)認知架構都具有普遍適用的元素和功能（Самсонович 2010；Vallverdú et al. 2016，2023）。

在認知神經(jīng)心理語言學視域下，法國學者證實，后期習得雙語者或單語者相比早期雙語者，其語言功能在大腦中的單側(cè)定位更為凸顯（Pallier et al. 2003）。他們還揭示了大腦語言區(qū)和數(shù)學區(qū)的激活有著共同的遺傳前提（Le Guen et al. 2018）。

基于此，雙語家庭中雙語兒童所表現(xiàn)出的大腦神經(jīng)可塑性，不僅提升了他們語言學習質(zhì)量和速度，還表明，有必要重新評估多語言環(huán)境中情感反應的區(qū)域和特征（Спиридонов， Эзрина 2015； Polivara， Karabulatova" 2018）。最終，形成一種新的言語行為規(guī)范，映射出雙語個體多層次心理情感管理中語言和非語言行為的共性和獨特性（Лю et al. 2024）。

與此同時，元圖信息涵蓋了標識頂點和邊的各種注釋、符號和標簽，通過這些附加標識，可以全面展示研究對象。在復雜的圖形結(jié)構中，標記為多圖頂點的大型模塊通過不同類型的關系系統(tǒng)相互連接，這些關系系統(tǒng)稱為多圖的邊或弧。

鑒于對構成情感“核心”觀念復雜性的理解，其高級條件系統(tǒng)模型（УСМЭ）呈現(xiàn)為一個有向元圖（見圖3）。該圖包含兩個方向：一個自下而上，另一個自上而下。在語言信息的編碼和解碼過程中，這兩個方向同時存在，有助于解讀帶有情感色彩概念的隱含邏輯。

由此可見，預設（P）是在認知分段中對具體情感概念定義進行論證的原子判斷。通過預設集合，從多個層次（П）推導出情感（Э）結(jié)論。

同時，該定義也具有元圖（Proletarsky et al. 2018）和推導圖的結(jié)構，呈現(xiàn)出自上而下和自下而上的雙向運動，形成一種條件矩陣形式（Самохвалов 2015， Золотов 2003），從而實現(xiàn)與不同矩陣的互動（Danesh et al. 2023）。換言之，一旦掌握了“情感”（Э）的概念內(nèi)涵，就可以通過預設集合（PS）的原子推理，理解與該范疇（П）相關的任何概念特征。

語言學領域認為，詞語的情感性通過對強調(diào)預設得以揭示，與蘊涵、言外之意及其隱含概念密切相關（見表1）。

根據(jù)格賴斯（P. Grice）的理論，會話含意是一種特定的邏輯過程，表現(xiàn)為А→Б的符號形式，其中一個判斷是顯性的，另一個判斷是隱含的（Burge，Grice 1989）。

在實驗科學中，這種結(jié)構通過圖論得到解釋。圖論作為研究對象（頂點）及其相互關系（邊）的抽象體系，對于未來開發(fā)文本自動化綜合分析系統(tǒng)至關重要（Ганичева， Ганичев 2016；Золотов 2021；Самохвалов et al. 2015）。

基于上述背景，計算語言學中引入了多圖復雜模型的概念。例如，學界熟知的語言歧視或語言攻擊現(xiàn)象（Fu et al. 2022）構成復雜的多圖結(jié)構，其中涵蓋“易怒”（Царёва 2015）、“報復”（Чесноков 2015）、“記仇”（Афанасенко， Люц 2010）和“侮辱”（Галицкова 2016）等圖示，其內(nèi)部結(jié)構體現(xiàn)為彼此緊密相聯(lián)的復雜神經(jīng)認知、心理生理、神經(jīng)生物學、心理語言學和民族社會文化架構。同時，研究人員揭示了教師在教學過程中對自身心理情感背景內(nèi)省的動態(tài)變化，并區(qū)分對立的表現(xiàn)形式（Siry 2016）。然而，僅對教師經(jīng)歷的負面情緒進行簡單的定量列舉，未詳細闡述學術話語中引發(fā)特定負面情緒的條件，信息量遠遠不足，并且這些情緒在研究中往往被忽略。

現(xiàn)代外語教學方法基于綜合教育模型，積極利用情感評價態(tài)度看待神話意向，如“美國夢”（Bhatia，Jenks 2018）、“中國夢”（Li 2022）、“俄羅斯世界”（Heinz 2018）、“條條大路通羅馬”（Литинская 2014）、“看見巴黎死而無憾”（Душенко 2021）等。這些方法不僅在虛擬空間中提升了受眾對母語文化的興趣，還改變了語言在全球地緣政治中的地位。例如，電影《哈利·波特》中對虛擬城市的描繪，極大地提升了人們對現(xiàn)實中英格蘭文化、歷史和地理空間的持久且濃厚的興趣，同時讓來自不同國家的觀眾接觸到英式英語。隨后，年輕人發(fā)現(xiàn)哈爾濱火車站與《哈利·波特》中的霍格沃茨建筑風格相似。中國研究者還從社會學視角探究《哈利·波特》系列小說在青年群體中的流行度和翻譯接受度，并在游戲教育學和社會工程學領域展開相關研究（Kung 2017）。此外，動畫片《降世神通：最后的氣宗》及其續(xù)集《科拉傳奇》激發(fā)了全球青少年對中國古代傳統(tǒng)哲學思想的興趣。

心理情感反應的調(diào)節(jié)基于對個體共情差異性的認可，這種差異與學術環(huán)境中普遍存在的民族社會文化語境中的語義觸發(fā)點密切相關。因此，盡管面部表情中存在固定的情感參照物，但對表情和手勢語言的單義解碼仍存在困難（Cao et al. 2017）。而且由于缺乏適當?shù)哪Ｐ?，難以評估其方法的有效性。本研究展示了評估學習材料掌握效果的可行路徑，具有重要的實踐價值。

3 教育領域新一代共情人工智能

隨著情感人工智能的發(fā)展，情感模型的開發(fā)推動傳統(tǒng)研究領域的學術情感學數(shù)字轉(zhuǎn)型。當代人文科學和技術科學就情感智能的主導地位達成共識，它驅(qū)動語言使用者在各類話語中的言語思維活動，進一步凸顯在教育背景下整合神經(jīng)認知知識與情感模型的必要性（Dalton 2019； Gunderman， Brown 2011； Brígido Mero et al. 2010）。

借助神經(jīng)調(diào)節(jié)劑（如去甲腎上腺素NA、多巴胺DA和血清素5-HT），可以開發(fā)出更精細的學習系統(tǒng)，該系統(tǒng)能夠調(diào)控“戰(zhàn)斗或逃跑”反應，從而簡化學習過程中多個環(huán)節(jié)（Talanov et al. 2017； Karabulatova et al. 2024；Kolmogorova et al. 2024；Zubanova et al. 2023），并將其納入情感智能領域的數(shù)字計算研究。這種跨學科的方法融合神經(jīng)生物學、信息學、認知科學和神經(jīng)心理語言學，旨在創(chuàng)建使用合成神經(jīng)調(diào)節(jié)劑的認知系統(tǒng)，以模擬人類的認知過程（Talanov 2019）。

情感人工智能的開發(fā)以模擬共情為基礎，這在聊天機器人技術領域尤為關鍵，其核心原則在于驗證盡可能廣泛的人類情感譜系，并通過共情對其作出相應反應，這在智能系統(tǒng)、聊天機器人和“智能助手”等應用中得以體現(xiàn)。例如，Empath情感人工智能系統(tǒng)通過聲音的聲學特征實時識別情感，且該算法無須依賴所識別語言的具體內(nèi)容（Шляпников 2022）。Empath的API和SDK工具已在全球五十多個國家社會經(jīng)濟領域中得到驗證和廣泛應用，包括呼叫中心、“智能”語音助手、汽車、船舶制造業(yè)和精神病學治療等領域。另一個共情人工智能的實例是微軟聊天助手小冰（XiaoIce）（Zhou et al. 2020），該系統(tǒng)通過情感聯(lián)系滿足人類在交流、情感依附和社會交往方面的需求，尤其是滿足對特定群體歸屬感的需求。

盡管虛擬工具在教育過程中的應用有助于增強記憶，但由于對高級神經(jīng)活動的調(diào)節(jié)機制缺乏理解，可能會影響多語交際能力和專業(yè)技能的培養(yǎng)。這種調(diào)節(jié)機制不僅受年齡和心理生理因素的影響，還受到教育過程中參與者的民族社會文化模式的制約。使用其他語言文化的數(shù)字模擬工具表明，在融入另一種語言文化過程中，家庭和社會教育以及環(huán)境問題可能會被淡化，因為現(xiàn)代教育的緊湊節(jié)奏和高強度更傾向于信息的簡明呈現(xiàn)。這反過來影響言語的心理生理基礎，使其在接收新信息時變得過于不穩(wěn)定?；诖耍芯咳藛T提出了當代交流中的偽病理心理語言現(xiàn)象（Karabulatova et al. 2021），這種現(xiàn)象與人工智能“幻覺”表現(xiàn)有相似之處，如推理斷裂、過度委婉、隱喻繁雜、表達夸張、因果關系混亂、判斷失誤以及“跳躍思維”等。須要強調(diào)的是，這里討論的是言語交際的常態(tài)，而非病理心理語言學范疇，這表明在信息技術影響下，年輕一代互聯(lián)網(wǎng)用戶的認知過程正在發(fā)生轉(zhuǎn)變（Лысак， Белов 2013）。

我們發(fā)現(xiàn)，“數(shù)字一代”言語中的新趨勢與心理情感領域密切相關。因此，隨著自然情感智能的演變，有必要探索新的情感表達方式。若脫離神經(jīng)心理語言生理學理論，僅僅羅列數(shù)據(jù)，無法建立與受訪者心理情感狀態(tài)及其神經(jīng)體液特征波動之間的關聯(lián)。

因此，利用與學習者母語文化不同的目標語言文化的虛擬城市數(shù)字模擬器，有助于追蹤外語學習中生物反饋形成的速度，這展示了基于教育神經(jīng)靶向技術的學習進程。該技術在現(xiàn)實社會中廣泛應用于管理言語行為策略（Temirgalinova et al. 2021；Tillmann et al. 2013；Yan et al. 2024）。

在這種復雜的層級結(jié)構中，教師和學生在學術話語空間中彼此都受到心理情感因素的影響。教師承受著巨大的壓力，源于其在教學過程中需要模擬情境、內(nèi)省其言語行為策略，并選擇能夠幫助學生有效掌握學習內(nèi)容的情感語言手段。

學術情感學的頂層架構為一個多元系統(tǒng)，它專注于在科學教育話語中識別情感，并進一步在課堂上對學生進行情感社會管理（見圖4）。

這些模塊不僅限于所描述的連接關系，在多維空間中，它們之間還存在著額外的外圍聯(lián)系。因此，我們可以從自我情感驗證模塊延伸出單獨的邊，連接到與自我教育和自我完善的社會工程模塊。同時，復雜圖形“情感驗證”也與“情感識別”圖形相連。情感因素還可以根據(jù)其對批判性思維和創(chuàng)造性思維發(fā)展的影響進行分類，這兩種思維類型在科研和教學實踐中都至關重要。

同時，教師可以通過言語、非言語以及副言語的情感工程手段來模擬受眾的心理情感狀態(tài)（Hashmi" 2017）。例如，與大多數(shù)人文學科的研究人員一樣，Антонова（2019）僅關注到非語言手段在對外俄語教學中提升外國學生詞匯量的有效性，但并未考慮學術情感學在這種情況下所發(fā)揮的關鍵作用。這種片面性研究歸咎于對經(jīng)院哲學和俄羅斯語言教學法傳統(tǒng)原則的固守。此外，情感學作為一個學科方向尚未成熟，情感因素在教育過程中的作用未得到充分重視，教育話語中情感生成因素未得到單獨考量（Шаховский 2019）。

隨著教學活動逐步轉(zhuǎn)向虛擬空間，情緒狀態(tài)的圖示化呈現(xiàn)愈發(fā)重要，有助于在“發(fā)話人—受話人”系統(tǒng)中更準確地理解所生成的情感。情緒狀態(tài)圖示化不僅推動了情感人工智能的發(fā)展（Шаховский 2021），還加深了對自然情感智能的理解（Дударева， Шпильная 2023），從而極大地提升虛擬交際中的情感目標定位。

4 情感模型對比分析

現(xiàn)代神經(jīng)教育學的社會技術手段（Honcharuk et al. 2023；Tsymbal-Slatvinska et al. 2022）通過在教育過程中使用情感元素，建構學習主題的情感共鳴形象，并設計了教學信息呈現(xiàn)策略（Schutz，Pekrun 2007），旨在培養(yǎng)學生的交際能力。該方法奠定教育策略中游戲成分的基礎地位，考慮到神經(jīng)認知領域的延遲性交流現(xiàn)象，即虛擬間接交流（Balgabayeva et al. 2024）。

早在20世紀70年代，人工智能技術首次被引入教育領域，當時推出了SCHOLAR程序，該程序成為智能教學系統(tǒng)的原型（Izmailova 2024）。

用于處理自然語言理解復雜任務的語言標注模型屬于可解釋的人工智能模型（eXplainable AI， 即XAI）。這種模型不僅可以評估工作質(zhì)量，還能夠進行定性分析，識別并解釋發(fā)現(xiàn)的錯誤。評估標注模型質(zhì)量的主要挑戰(zhàn)在于，如何制定相對量化指標（以百分比計算），將算法水平與專家水平進行對比。另一個挑戰(zhàn)在于，在處理自然語言理解復雜任務時，不同專家對同一文本的標注往往存在較大差異。

現(xiàn)代技術促使我們拋棄數(shù)千年來的經(jīng)院哲學原則，探索新的原則和方法，以更快、更有效地學習新興學科領域，包括促進跨文化交流的外語學科?，F(xiàn)代技術首要任務是為教學和科研提供學習信息，并基于多學科視域下情感研究最新成果，對其進行情感化設計（MacCann et al. 2020；Тютюнник et al. 2016；Powell， Kusuma-Powell 2010；Picard et al. 2001）。

使用技術影響受眾意識已有悠久歷史，而如今，情感性已經(jīng)成為神經(jīng)靶向的顯著特征。它不僅在文學（Bulegenova et al. 2023；Ренц 2011）、體育（Hoffmann 2019）、外交（Беляков 2015）、新聞（Zappettini et al. 2021）等領域的話語研究中廣泛應用，還被引入學術（MacCann et al. 2020）和舞臺音樂（Лосева et al. 2024）的話語分析中。心理—情感領域為社會情感場搭建了復雜元圖（Burunat 2019； Ганичев， Ганичева 2016； Goertzel 2021； Шаховский 2019），為借助言語互動工具進行語境翻譯奠定了基礎（Гуань 2021； Erick Eremita Dias 2022）。

第四次工業(yè)革命及各種IT技術的廣泛應用突顯了神經(jīng)心理生理學對語言和言語研究的重要性（Биркин 2006， Хохлова 2017， Мозолевская 2021， Русалов 2012）。這標志著圍繞人類本質(zhì)、意識與思維關系、客觀世界以及社會工程如何利用神經(jīng)心理情感影響和操縱人類行為的討論進入新階段。Лурия的開創(chuàng)性研究早已探討了這些議題，他的前瞻性研究至今仍具有重要意義（Лурия 2002）。

與此同時，精神病學家Залкинд預見到大腦皮層高度的神經(jīng)可塑性，認為通過引導和調(diào)控，能夠改變實條件反射和非條件反射的反應模式，這一觀點與現(xiàn)代神經(jīng)靶向和語言營銷策略密切相關（Korsakov 2010）。

在教育中，情感的理解與學習至關重要，因為它有助于情感素養(yǎng)和自我意識的提升，從而促進個人成長。神經(jīng)心理語言學作為一門新興的綜合性學科應運而生，致力于研究大腦的功能及其如何通過語言或在語言中影響人的行為、思維和情感。它與心理語言學、神經(jīng)語言學、神經(jīng)心理學和神經(jīng)教育學緊密協(xié)作，推動跨學科研究與應用。

因此，神經(jīng)心理學與神經(jīng)生物學的緊密結(jié)合使我們能夠知曉如何提升認知能力，充分發(fā)揮大腦潛能，以應對各種挑戰(zhàn)（如外語學習），并提升整體生活質(zhì)量。

同時，神經(jīng)教育學基于對大腦功能的研究，旨在開發(fā)教學策略和技術，為教育教學提供了全新的視角。因此，現(xiàn)代神經(jīng)教育學的理論基礎涵蓋教育學、心理學、神經(jīng)科學、控制論、語言學以及自然語言處理（NLP）等經(jīng)典學科的核心理論。

由此，神經(jīng)心理語言學方法在外語教學中的應用體現(xiàn)為制定神經(jīng)語言教學靶向。該過程包含一整套研究學生行為的方法，并通過多樣化手段對其心理情感和行為反應進行干預，以提升外語學習效果。在此背景下，使用目標語言國家的數(shù)字孿生技術以及虛擬現(xiàn)實（VR）技術進行歷史和語言文化沉浸式體驗，正逐漸從游戲領域轉(zhuǎn)向嚴謹?shù)慕虒W法和研究領域（Rüth， Kaspar 2021）。

雙語者大腦神經(jīng)解剖圖的最新研究展示了語言功能區(qū)的進化過程，也已證實傳統(tǒng)地將語言分為生成與接受過程與通過神經(jīng)心理生理學工具所獲得的數(shù)據(jù)并不完全吻合。因此，通過磁共振成像（МРТ）和腦磁圖（МЭГ）技術，基于不同語言結(jié)構的雙語研究，能夠更為精確地區(qū)分大腦皮層中參與言語處理的區(qū)域（Chen et al. 2022， Cowan et al. 2022）。這種研究揭示了不同語言發(fā)音模式的不同變體，可能導致雙語者在發(fā)某個音時出現(xiàn)錯誤，這與其神經(jīng)—肌肉張力系統(tǒng)的差異性策略、發(fā)音方式及神經(jīng)認知聯(lián)系的慣常路徑密切相關。因此，雙語者在感知某些音或音素組合時，其情感標準表現(xiàn)出不同的個性特征。

模擬能力取決于神經(jīng)系統(tǒng)從外部環(huán)境實時接收的某一類信號，包括聲音、色光、電磁語音信號、視覺/書寫信號、神經(jīng)肌肉脈沖或神經(jīng)體液波動（作為神經(jīng)生理通訊的行為）。它們除傳遞基本信息外，還附加情感價值，即“情感要素”（эмотикема）（Karabulatova et al. 2023）。附加的情感色彩在信息解碼過程中發(fā)揮關鍵作用，使得信息能夠在特定情感節(jié)點上被準確解碼。

因此，情感智能的范疇遠比簡化模型要廣泛，簡化模型利用現(xiàn)代多元的機器學習技術分析神經(jīng)數(shù)據(jù)，但由于未能充分考慮神經(jīng)心理語言學因素，影響了預測的準確性和分類器的開發(fā)（Rao 2019）。

外部信號各個組成部分并非總是能被有意識地識別和驗證，但它們依然能夠通過神經(jīng)系統(tǒng)實時轉(zhuǎn)化為內(nèi)部的二進制代碼，隨后在處理過程中被解碼，從而在“危險—非危險”的標尺中確定信息篩選的優(yōu)先級，確保信息的有效接收與理解（Blouw et al. 2019）。同時，研究人員指出，情感理論模型（如輔助學習模型、基于生物物理的網(wǎng)絡模型）與基于深度學習和/或集成方法的適應性模型之間存在不一致性（Fellous et al. 2019）。

我們認為，正是因為沒有充分認識到構建清晰的情感學術語體系以及明確功能界限的重要性，導致這類模型的結(jié)果出現(xiàn)不同解讀和分歧。

研究者指出，在交際語言心理生理學范疇，人腦的主要功能資源被用于信息解碼過程（Тютюнник et al. 2016）。一方面，自然智能的計算能力有限，這是由于作為其基本組成單位的神經(jīng)元無法持續(xù)工作，活體細胞不應性的神經(jīng)生物學特質(zhì)使得神經(jīng)元須要定期休息以恢復功能（Barer et al. 1953；Lee et al. 2024）。另一方面，學術情感學旨在培養(yǎng)學生對外部環(huán)境信號變體的解讀能力，這些信號表明人們已脫離舒適區(qū)，進而觸發(fā)了進化過程中同步形成的初級防御反應模式。

基于此，我們提出具有同理心的智能代理，即AI講師（見圖5）。該模型呈現(xiàn)出與情感生成AI相關聯(lián)的復雜結(jié)構。情感生成AI是一個處理社會情感反應的系統(tǒng)，依賴于大腦負責意識的區(qū)域，盡管這些區(qū)域是后期發(fā)育的。基于情感智能的復雜結(jié)構，可以構建出作為講師的智能代理高級架構（見圖5），具體設計如下：（1）識別學生情緒；（2）建立學生心理情感狀態(tài)模型；（3）通過主觀體驗，將學生的心理情感狀態(tài)投射到自身情感模型中；（4）生成對學生（即受訪者）的情感回應。

因此，我們提出開發(fā)一個能夠在對話中與學生保持情感反饋的智能代理，將情感內(nèi)容融入教育信息，從而提升學習的沉浸體驗，改善教學效果。

5 結(jié)束語

如今，人工智能作為一個新興的高科技產(chǎn)業(yè)領域，展現(xiàn)出廣闊的發(fā)展前景，迫切需要對其進行深入研究與探討。當前研究在開發(fā)情感模型時，主要關注其作為一種實現(xiàn)人機高效交互的技術創(chuàng)新，往往忽略了自然情感智能學科基礎中的一些重要問題，以及人工智能情感模型的復雜性。

情感智能在學術話語中的應用依賴于對輸入信息的心理情感反應。制定神經(jīng)認知知識與情感模型有機融合的原則成為現(xiàn)代神經(jīng)教育學面臨的新挑戰(zhàn)，結(jié)合大數(shù)據(jù)和深度學習技術，利用人工神經(jīng)網(wǎng)絡（ANN）收集數(shù)據(jù)并對其進行初步處理，通過再加工獲得的新信息為推進現(xiàn)實復雜環(huán)境下有效決策提供依據(jù)和支持。

本文提出的共情智能代理/講師模型展示了整合不同文化、社會群體及學科情感表現(xiàn)模型的可能性。然而，構建統(tǒng)一的情感智能結(jié)構仍面臨挑戰(zhàn)。未來的研究需要進一步探索情感智能的多層次邏輯，結(jié)合層次性、時空背景和數(shù)據(jù)模糊性來構建更為完善的推理框架。

通過進一步分析，我們可以構建一個包含多個子模型的復雜多圖模型，具體包括：（1）情緒的歷史演變模型；（2）情緒的生物學基礎模型；（3）情緒的心理參數(shù)模型；（4）情緒的神經(jīng)生理學參數(shù)模型；（5）情緒的社會學變量模型；（6）情緒的語言學模型；（7）情緒非語言參數(shù)模型（如肢體語言、面部表情等）；（8）情緒的副語言參數(shù)模型（如音高、音色飽滿度等）。

在項目分析初期階段，有必要首先對情感智能現(xiàn)象進行全面而深入的分析，涵蓋神經(jīng)心理生理情感智能、情緒生成智能以及情感處理智能。全面識別不同層級的情感性和表情性標識，進而建構用于教學的情感人工智能和神經(jīng)網(wǎng)絡的操作指令和多層次模型，最終實現(xiàn)人工智能講師的高級架構，使其在與學生互動時能夠生成情感反饋。③④

注釋

①I.S.Karabulatova和M.Talanov為“數(shù)字人文：經(jīng)驗、問題與前景”會議的特邀專家，經(jīng)協(xié)商將本文作為此次會議推介的譯文。本文翻譯已獲得原作者授權。

②本表由作者整理，詳見Karabulatova et al. 2021。

③本論文為首次發(fā)表，經(jīng)原作者同意，譯者對原文內(nèi)容進行壓縮，保留原文中關于學術情感學理論基礎及情感人工智能建構路徑等內(nèi)容，力求呈現(xiàn)研究的核心內(nèi)容。

④限于版面，文中參考文獻未列出，如有需求可聯(lián)系譯者獲取。

定稿日期：2024-10-10【責任編輯 陳慶斌】