智慧学习环境下数字学习画面的情感研究
发布时间：2021-03-25 11:10
现有智慧学习环境多注重知识内容、学习路径等方面的自适应调整,较少关注学习者情感层面个性化支持,学习者在学习过程中与教师或智能设备之间缺乏有效情感交互,情感缺失问题依然存在。智慧学习环境除为学习者提供自适应知识内容之外,还应当提供满足学习者情感状态的智慧化服务,并能够实现情感状态的适应性调整,以保证学习者维持在相对积极的情感阶段,从而改善学习效果。因此,实现智慧学习环境与学习者之间的情感互动对智慧学习的发生具有至关重要的现实意义,成为当前智慧学习环境建设中亟待解决的重要课题。在理想的智慧学习环境中,学习者主要通过观看智能设备所显示的富含学习内容的界面、画面（即数字学习画面）来进行知识的获取,同时数字学习画面以其潜在情感特征引起学习者情感发生变化。数字学习画面情感通常由视觉特征向外传达,学习者情感则是学习者在观看画面时所表现的情感状态,但两者之间是如何相互影响的仍需要进一步研究。例如数字学习画面情感是否会引起学习者发生情感变化?具体又是怎样影响的?等等。为此,本研究以数字学习画面及其情感作为切入点展开研究,探讨数字学习画面情感特征及其与学习者情感之间的相互影响关系,以此加强智慧学习环境下对...
【文章来源】：山东师范大学山东省
【文章页数】：107 页
【学位级别】：硕士
【部分图文】：
数字学习画面与预处理程序在对所收集到的数字学习画面完成预处理之后，为方便对所有数字学习画面的管理与
山东师范大学硕士学位论文39图4-2数字学习画面与预处理程序在对所收集到的数字学习画面完成预处理之后，为方便对所有数字学习画面的管理与提高后续研究的效率，需按照分类标准对数字学习画面进行合理分类与编码。该过程需要以人工查看的方式对所有的数字学习画面进行内容的观察，分别按照学段、学科和教学方式将其分配到不同文件夹中，文件夹总数为116个，部分文件夹截图如图4-3所示。图4-3已分类画面部分文件夹（2）数字学习画面数据库构建在完成数字学习画面收集、预处理、初步分类的基础上，对现有的数字学习画面进行统计。统计发现，本研究共收集数字学习画面126297幅，其中采用网络形式收集共108419幅，镜头帧提取方式共收集数字学习画面17878幅。按照使用对象分类，幼儿类共收集数字学习画面8745幅，小学类27417幅，中学类31566幅，大学类50750幅，社教类7819幅。按照学科分类，人文类共收集数字学习画面49910幅，理工类44663幅，艺术类8610幅，技能类12795幅，素养类10319幅。按照教学方式分类，教师单人讲授4527幅，教师与教学内容807幅，多媒体PPT为60563幅，文字790幅，图像13948幅，绘图7215幅，
山东师范大学硕士学位论文41大学阶段有4098幅，继续教育阶段有1181幅。从学科、教学方式等角度以上数字学习画面进行分析，发现在5种学科类型和15种教学方式类型上分布均匀，覆盖较为全面，适合进行下一步研究工作的进行。图4-4数据库创建程序操作界面4.2.2数字学习画面的情感标注数字学习画面的情感估计依赖大量的数字学习画面作为训练数据，训练数据的数量与标注准确度会对情感预测水平造成影响。本研究采用的是监督学习的卷积神经网络，因此在训练之前需要对训练数据进行情感标注等图像预处理工作。按照前面提到的情感类型分类标准，本研究需要将17433幅数字学习画面按照温馨、欢快、活泼、搞笑、夸张、幽默、有趣、凄凉、枯燥、沉闷、繁乱、虚幻、惊险、恐怖14种情感类型进行标注，标注强度分为4级，其中0表示强度最低，3表示强度最高。本研究通过有偿招募标注者的方式对17433幅数字学习画面完成标注，除在标注工作开始前需要进行必要的培训外，标注者每幅数字学习画面的情感取值及其强度标定取决于标注者的主观体验，不受研究者的主观意识的影响。但研究者在整个标注过程中进行了严格监督，以保证整个工作的顺利进行。另外，由于不同标注者对同一幅数字学习画面的情感值可能会存在差异，差异水平过高时研究者会进行重新评审，确保每幅画面情感值相对稳定。为保证画面情感值的客观性，整个标注过程中，每幅数字学习画面会被标注8-12次，最终情感值为各个情感维度的平均值，数据会被存放ACCESS数据库中。
【参考文献】：
期刊论文
[1]基于离散Shearlet类别可分性测度的人脸表情识别方法[J]. 卢洋,王世刚,赵文婷,赵岩. 吉林大学学报(工学版). 2019(05)
[2]基于改进的GAN的局部遮挡人脸表情识别[J]. 王海涌,梁红珠. 计算机工程与应用. 2020(05)
[3]基于多视觉描述子及音频特征的动态序列人脸表情识别[J]. 李宏菲,李庆,周莉. 电子学报. 2019(08)
[4]基于面部表情的学习者情绪自动识别研究——适切性、现状、现存问题和提升路径[J]. 陈子健,朱晓亮. 远程教育杂志. 2019(04)
[5]基于深度学习的学生课堂行为识别[J]. 魏艳涛,秦道影,胡佳敏,姚璜,师亚飞. 现代教育技术. 2019(07)
[6]基于多特征融合密集残差CNN的人脸表情识别[J]. 马中启,朱好生,杨海仕,王琪,胡燕海. 计算机应用与软件. 2019(07)
[7]基于多层次深度卷积神经网络的图像情感分类[J]. 王伟凝,李乐敏,黄杰雄,罗杰波,徐向民. 华南理工大学学报(自然科学版). 2019(06)
[8]基于卷积神经网络局部特征融合的人脸表情识别[J]. 姚丽莎,徐国明,赵凤. 激光与光电子学进展. 2020(04)
[9]基于深度学习的面部表情识别研究[J]. 陆嘉慧,张树美,赵俊莉. 计算机应用研究. 2020(04)
[10]基于深度学习的学习者情感识别与应用[J]. 徐振国,张冠文,孟祥增,党同桐,孔玺. 电化教育研究. 2019(02)
博士论文
[1]数字化学习资源中多媒体画面的交互性研究[D]. 吴向文.天津师范大学 2018
[2]基于深度学习的图像情感分析研究[D]. 宋凯凯.中国科学技术大学 2018
[3]学生的学习智慧及其养成研究[D]. 曾强.湖南师范大学 2015
硕士论文
[1]儿童网站中Flash动画类学习资源内容特征与接受度研究[D]. 安晶.山东师范大学 2018
[2]基于梅耶多媒体学习理论的化学多媒体设计策略的构建与实践[D]. 张学宴.云南师范大学 2018
[3]学习资源采集与分类系统的设计与实现[D]. 胡鹏.江西财经大学 2017
[4]智慧学习环境下的个性化学习模式研究[D]. 郭丽婷.东北师范大学 2017
[5]面向智慧学习时代教学微视频的创意设计研究[D]. 王洪梅.江苏师范大学 2017
[6]“互联网+”教育背景下智慧学习生态环境构建研究[D]. 胡旺.江苏师范大学 2017
[7]智慧学习环境下的教学深度交互研究[D]. 卢婷.江苏师范大学 2017
[8]智慧学习资源的设计研究[D]. 缪培培.江苏师范大学 2017
[9]智慧学习环境下小学生学习适应性问题及对策研究[D]. 陈建妹.福建师范大学 2016
[10]基于iPad的地理智慧课堂教学设计研究[D]. 岳玉山.东北师范大学 2016
本文编号：3099582
【文章来源】：山东师范大学山东省
【文章页数】：107 页
【学位级别】：硕士
【部分图文】：
数字学习画面与预处理程序在对所收集到的数字学习画面完成预处理之后，为方便对所有数字学习画面的管理与
山东师范大学硕士学位论文39图4-2数字学习画面与预处理程序在对所收集到的数字学习画面完成预处理之后，为方便对所有数字学习画面的管理与提高后续研究的效率，需按照分类标准对数字学习画面进行合理分类与编码。该过程需要以人工查看的方式对所有的数字学习画面进行内容的观察，分别按照学段、学科和教学方式将其分配到不同文件夹中，文件夹总数为116个，部分文件夹截图如图4-3所示。图4-3已分类画面部分文件夹（2）数字学习画面数据库构建在完成数字学习画面收集、预处理、初步分类的基础上，对现有的数字学习画面进行统计。统计发现，本研究共收集数字学习画面126297幅，其中采用网络形式收集共108419幅，镜头帧提取方式共收集数字学习画面17878幅。按照使用对象分类，幼儿类共收集数字学习画面8745幅，小学类27417幅，中学类31566幅，大学类50750幅，社教类7819幅。按照学科分类，人文类共收集数字学习画面49910幅，理工类44663幅，艺术类8610幅，技能类12795幅，素养类10319幅。按照教学方式分类，教师单人讲授4527幅，教师与教学内容807幅，多媒体PPT为60563幅，文字790幅，图像13948幅，绘图7215幅，
山东师范大学硕士学位论文41大学阶段有4098幅，继续教育阶段有1181幅。从学科、教学方式等角度以上数字学习画面进行分析，发现在5种学科类型和15种教学方式类型上分布均匀，覆盖较为全面，适合进行下一步研究工作的进行。图4-4数据库创建程序操作界面4.2.2数字学习画面的情感标注数字学习画面的情感估计依赖大量的数字学习画面作为训练数据，训练数据的数量与标注准确度会对情感预测水平造成影响。本研究采用的是监督学习的卷积神经网络，因此在训练之前需要对训练数据进行情感标注等图像预处理工作。按照前面提到的情感类型分类标准，本研究需要将17433幅数字学习画面按照温馨、欢快、活泼、搞笑、夸张、幽默、有趣、凄凉、枯燥、沉闷、繁乱、虚幻、惊险、恐怖14种情感类型进行标注，标注强度分为4级，其中0表示强度最低，3表示强度最高。本研究通过有偿招募标注者的方式对17433幅数字学习画面完成标注，除在标注工作开始前需要进行必要的培训外，标注者每幅数字学习画面的情感取值及其强度标定取决于标注者的主观体验，不受研究者的主观意识的影响。但研究者在整个标注过程中进行了严格监督，以保证整个工作的顺利进行。另外，由于不同标注者对同一幅数字学习画面的情感值可能会存在差异，差异水平过高时研究者会进行重新评审，确保每幅画面情感值相对稳定。为保证画面情感值的客观性，整个标注过程中，每幅数字学习画面会被标注8-12次，最终情感值为各个情感维度的平均值，数据会被存放ACCESS数据库中。
【参考文献】：
期刊论文
[1]基于离散Shearlet类别可分性测度的人脸表情识别方法[J]. 卢洋,王世刚,赵文婷,赵岩. 吉林大学学报(工学版). 2019(05)
[2]基于改进的GAN的局部遮挡人脸表情识别[J]. 王海涌,梁红珠. 计算机工程与应用. 2020(05)
[3]基于多视觉描述子及音频特征的动态序列人脸表情识别[J]. 李宏菲,李庆,周莉. 电子学报. 2019(08)
[4]基于面部表情的学习者情绪自动识别研究——适切性、现状、现存问题和提升路径[J]. 陈子健,朱晓亮. 远程教育杂志. 2019(04)
[5]基于深度学习的学生课堂行为识别[J]. 魏艳涛,秦道影,胡佳敏,姚璜,师亚飞. 现代教育技术. 2019(07)
[6]基于多特征融合密集残差CNN的人脸表情识别[J]. 马中启,朱好生,杨海仕,王琪,胡燕海. 计算机应用与软件. 2019(07)
[7]基于多层次深度卷积神经网络的图像情感分类[J]. 王伟凝,李乐敏,黄杰雄,罗杰波,徐向民. 华南理工大学学报(自然科学版). 2019(06)
[8]基于卷积神经网络局部特征融合的人脸表情识别[J]. 姚丽莎,徐国明,赵凤. 激光与光电子学进展. 2020(04)
[9]基于深度学习的面部表情识别研究[J]. 陆嘉慧,张树美,赵俊莉. 计算机应用研究. 2020(04)
[10]基于深度学习的学习者情感识别与应用[J]. 徐振国,张冠文,孟祥增,党同桐,孔玺. 电化教育研究. 2019(02)
博士论文
[1]数字化学习资源中多媒体画面的交互性研究[D]. 吴向文.天津师范大学 2018
[2]基于深度学习的图像情感分析研究[D]. 宋凯凯.中国科学技术大学 2018
[3]学生的学习智慧及其养成研究[D]. 曾强.湖南师范大学 2015
硕士论文
[1]儿童网站中Flash动画类学习资源内容特征与接受度研究[D]. 安晶.山东师范大学 2018
[2]基于梅耶多媒体学习理论的化学多媒体设计策略的构建与实践[D]. 张学宴.云南师范大学 2018
[3]学习资源采集与分类系统的设计与实现[D]. 胡鹏.江西财经大学 2017
[4]智慧学习环境下的个性化学习模式研究[D]. 郭丽婷.东北师范大学 2017
[5]面向智慧学习时代教学微视频的创意设计研究[D]. 王洪梅.江苏师范大学 2017
[6]“互联网+”教育背景下智慧学习生态环境构建研究[D]. 胡旺.江苏师范大学 2017
[7]智慧学习环境下的教学深度交互研究[D]. 卢婷.江苏师范大学 2017
[8]智慧学习资源的设计研究[D]. 缪培培.江苏师范大学 2017
[9]智慧学习环境下小学生学习适应性问题及对策研究[D]. 陈建妹.福建师范大学 2016
[10]基于iPad的地理智慧课堂教学设计研究[D]. 岳玉山.东北师范大学 2016
本文编号：3099582
本文链接：https://www.wllwen.com/jiaoyulunwen/ktjx/3099582.html
