智慧学习环境中学习画面的情感识别及其应用
发布时间：2021-03-06 16:10
普通数字学习环境已不能满足“数字土著”的需求,人工智能、大数据、区块链等技术迅猛发展,将深刻改变人才需求和教育形态,作为数字学习环境高端形态的智慧学习环境便应运而生。智慧学习环境注重培养学习者的创新能力、问题求解能力、决策力和批判性思维能力等高阶思维能力,认知活动在培养过程中起着至关重要的协调与控制作用。情感是由外界刺激引起的心理反应,能够影响和调节注意、知觉、表象、记忆、思维和语言等认知活动。学习过程中的积极情感有助于激发学习动机、培养学习兴趣,促进认知过程;而消极情感则会影响耐心度、注意力,阻碍认知过程。现有智慧学习环境研究重“知”轻“情”,注重学习者认知层面的适应性和个性化,即根据学习者的认知能力和知识状态提供合适的学习内容、学习路径和问题解答等,而较少考虑情感、兴趣、动机、意志等非智力因素在学习活动中的作用,忽视智慧学习环境中和谐情感交互的理论和实践研究,以致其缺少情感层面的适应性和个性化,学习者在智慧学习过程中缺少情感支持。智慧学习环境中学习者主要通过智能学习终端观看学习内容的信息呈现画面即学习画面进行学习,学习画面是学习者学习的主要环境,并且是学习者与学习内容间信息交互的主...
【文章来源】：山东师范大学山东省
【文章页数】：222 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
绪论
0.1 研究背景与意义
0.1.1 研究背景
0.1.2 研究意义
0.2 国内外研究综述
0.2.1 智慧学习环境研究综述
0.2.2 学习者的情感识别研究综述
0.2.3 学习画面的情感识别研究综述
0.3 相关概念界定
0.3.1 智慧学习环境
0.3.2 学习画面
0.3.3 学习情感
0.4 研究目的与内容
0.4.1 研究目的
0.4.2 研究内容
0.5 研究思路与方法
0.5.1 研究思路
0.5.2 研究方法
0.6 研究创新与不足
0.6.1 研究创新
0.6.2 研究不足
第一章 相关理论与技术
1.1 相关学习理论
1.1.1 智慧学习理论
1.1.2 关联主义学习理论
1.1.3 人本主义学习理论
1.1.4 自主学习理论
1.2 情感及情感计算
1.2.1 情感分类
1.2.2 情感模型
1.2.3 情感计算
1.2.4 情感与认知
1.3 卷积神经网络
1.3.1 卷积神经网络概述
1.3.2 卷积神经网络的结构
1.3.3 卷积神经网络的训练
1.4 本章小结
第二章 学习画面与学习者表情图像数据库的构建
2.1 学习画面图像的情感描述
2.2 学习画面图像数据库
2.2.1 学习画面的类型
2.2.2 学习画面图像采集
2.2.3 学习画面图像情感标注
2.3 学习者的学习情感描述
2.4 学习者的学习表情图像数据库
2.4.1 现有面部表情数据库
2.4.2 面部表情图像采集
2.4.3 网络面部表情图像采集
2.5 本章小结
第三章 智慧学习环境中学习画面的情感识别
3.1 图像情感识别方法概述
3.2 卷积神经网络的结构设计
3.2.1 卷积神经网络的结构
3.2.2 卷积神经网络的参数
3.3 模型训练与结果分析
3.3.1 实验环境与数据集
3.3.2 实验结果与分析
3.4 学习画面情感自动评估系统的开发
3.4.1 系统设计目标
3.4.2 开发工具及环境
3.4.3 系统核心功能的实现
3.5 学习画面情感的大数据分析
3.5.1 各学段学习画面的情感分析
3.5.2 各学科学习画面的情感分析
3.5.3 各资源类型学习画面的情感分析
3.5.4 对学习画面设计的启示
3.6 本章小结
第四章 智慧学习环境中学习者的情感识别
4.1 面部表情识别方法概述
4.2 基于Adaboost算法的人脸检测
4.2.1 Haar特征
4.2.2 积分图像
4.2.3 AdaBoost学习算法
4.3 卷积神经网络的结构设计
4.3.1 卷积神经网络的结构
4.3.2 卷积神经网络的参数
4.4 模型训练与结果分析
4.4.1 实验环境与数据集
4.4.2 实验结果与分析
4.5 学习者表情自动识别系统的开发
4.5.1 系统设计目标
4.5.2 开发工具及环境
4.5.3 系统核心功能的实现
4.6 本章小结
第五章 学习画面情感对学习者情感影响的实验研究
5.1 实验设计
5.1.1 实验目的
5.1.2 实验对象
5.1.3 教学内容
5.1.4 实验变量
5.1.5 实验假设
5.1.6 实验方案
5.2 学习画面与学习者表情同步采集系统的开发
5.2.1 系统设计目标
5.2.2 开发工具及环境
5.2.3 系统设计思路
5.2.4 系统核心功能的实现
5.3 实验的实施
5.3.1 准备阶段
5.3.2 实施阶段
5.3.3 完成阶段
5.4 数据分析与结果讨论
5.4.1 数据分析
5.4.2 结果讨论
5.4.3 启示与建议
5.5 本章小结
第六章 学习画面自适应调整对学习者情感影响的实验研究
6.1 实验设计
6.1.1 实验目的
6.1.2 实验对象
6.1.3 教学内容
6.1.4 实验变量
6.1.5 实验假设
6.1.6 测量工具
6.1.7 实验方案
6.2 学习画面自适应调整模型的构建
6.3 学习画面自适应调整系统的开发
6.3.1 系统设计目标
6.3.2 开发工具及环境
6.3.3 系统设计思路
6.3.4 系统核心功能的实现
6.4 实验的实施
6.4.1 准备阶段
6.4.2 实施阶段
6.4.3 完成阶段
6.5 数据分析与结果讨论
6.5.1 数据分析
6.5.2 结果讨论
6.6 本章小结
第七章 总结和展望
7.1 研究总结
7.2 研究展望
注释
参考文献
附录
攻读博士学位期间的学术成果
致谢
【参考文献】：
期刊论文
[1]人工智能时代的智慧学习:原理、进展与趋势[J]. 梁迎丽,梁英豪. 中国电化教育. 2019(02)
[2]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)
[3]智慧教室环境下大学生课堂学习投入度及影响因素研究——以“教育技术学研究方法课”为例[J]. 张屹,郝琪,陈蓓蕾,于海恩,范福兰,陈珍. 中国电化教育. 2019(01)
[4]基于改进卷积神经网络的多视角人脸表情识别[J]. 钱勇生,邵洁,季欣欣,李晓瑞,莫晨,程其玉. 计算机工程与应用. 2018(24)
[5]基于多视角深度网络增强森林的表情识别[J]. 张发勇,刘袁缘,李杏梅,覃杰. 计算机辅助设计与图形学学报. 2018(12)
[6]基于图像差分与卷积深度置信网络的表情识别[J]. 黄秀,符冉迪,金炜,李云飞,蔡永香. 光电子·激光. 2018(11)
[7]基于云计算的智慧学习环境探究[J]. 杨澜,曾海军,高步云. 现代教育技术. 2018(11)
[8]PAD情感空间内人工情感建模及人机交互实验[J]. 吴伟国,李虹漫. 哈尔滨工业大学学报. 2019(01)
[9]基于光流特征与高斯LDA的面部表情识别算法[J]. 刘涛,周先春,严锡君. 计算机科学. 2018(10)
[10]国内智慧教育的研究热点与发展趋势——基于多维尺度和社会网络分析的方法[J]. 马建军,乜勇. 现代教育技术. 2018(10)
博士论文
[1]促进学习投入的移动学习资源画面设计研究[D]. 冯小燕.天津师范大学 2018
[2]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
[3]网络学习投入、学习情绪与学习动机的关系[D]. 李俊一.华中师范大学 2018
[4]基于深度学习的人脸表情识别方法研究[D]. 杨雨浓.西北大学 2017
[5]面向e-Learning的学习者情感建模及应用研究[D]. 黄焕.华中师范大学 2014
[6]乔纳森建构主义学习环境设计研究[D]. 李妍.华东师范大学 2007
硕士论文
[1]基于卷积神经网络的表情识别研究[D]. 陈航.南京邮电大学 2018
[2]基于深度神经网络的面部表情识别研究与实现[D]. 李奇.南京邮电大学 2018
[3]基于并行卷积神经网络的人脸表情识别[D]. 曹伟.南昌航空大学 2018
[4]基于改进深度学习的表情识别方法研究[D]. 郭文燕.长春工业大学 2018
[5]基于CNN-RNN的微表情识别[D]. 王思宇.哈尔滨工程大学 2018
[6]面向交互式教学界面的手势识别算法研究[D]. 周晓燕.济南大学 2018
[7]基于卷积神经网络的高分辨率遥感影像建筑物提取[D]. 高扬.南京大学 2018
[8]基于卷积神经网络的人脸表情识别算法研究[D]. 杨欣利.兰州理工大学 2018
[9]基于深度学习的人脸表情识别算法研究[D]. 曾逸琪.中国科学技术大学 2018
[10]基于RealSense的在线教育表情识别研究及应用[D]. 贺冰华.华中师范大学 2018
本文编号：3067400
【文章来源】：山东师范大学山东省
【文章页数】：222 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
绪论
0.1 研究背景与意义
0.1.1 研究背景
0.1.2 研究意义
0.2 国内外研究综述
0.2.1 智慧学习环境研究综述
0.2.2 学习者的情感识别研究综述
0.2.3 学习画面的情感识别研究综述
0.3 相关概念界定
0.3.1 智慧学习环境
0.3.2 学习画面
0.3.3 学习情感
0.4 研究目的与内容
0.4.1 研究目的
0.4.2 研究内容
0.5 研究思路与方法
0.5.1 研究思路
0.5.2 研究方法
0.6 研究创新与不足
0.6.1 研究创新
0.6.2 研究不足
第一章 相关理论与技术
1.1 相关学习理论
1.1.1 智慧学习理论
1.1.2 关联主义学习理论
1.1.3 人本主义学习理论
1.1.4 自主学习理论
1.2 情感及情感计算
1.2.1 情感分类
1.2.2 情感模型
1.2.3 情感计算
1.2.4 情感与认知
1.3 卷积神经网络
1.3.1 卷积神经网络概述
1.3.2 卷积神经网络的结构
1.3.3 卷积神经网络的训练
1.4 本章小结
第二章 学习画面与学习者表情图像数据库的构建
2.1 学习画面图像的情感描述
2.2 学习画面图像数据库
2.2.1 学习画面的类型
2.2.2 学习画面图像采集
2.2.3 学习画面图像情感标注
2.3 学习者的学习情感描述
2.4 学习者的学习表情图像数据库
2.4.1 现有面部表情数据库
2.4.2 面部表情图像采集
2.4.3 网络面部表情图像采集
2.5 本章小结
第三章 智慧学习环境中学习画面的情感识别
3.1 图像情感识别方法概述
3.2 卷积神经网络的结构设计
3.2.1 卷积神经网络的结构
3.2.2 卷积神经网络的参数
3.3 模型训练与结果分析
3.3.1 实验环境与数据集
3.3.2 实验结果与分析
3.4 学习画面情感自动评估系统的开发
3.4.1 系统设计目标
3.4.2 开发工具及环境
3.4.3 系统核心功能的实现
3.5 学习画面情感的大数据分析
3.5.1 各学段学习画面的情感分析
3.5.2 各学科学习画面的情感分析
3.5.3 各资源类型学习画面的情感分析
3.5.4 对学习画面设计的启示
3.6 本章小结
第四章 智慧学习环境中学习者的情感识别
4.1 面部表情识别方法概述
4.2 基于Adaboost算法的人脸检测
4.2.1 Haar特征
4.2.2 积分图像
4.2.3 AdaBoost学习算法
4.3 卷积神经网络的结构设计
4.3.1 卷积神经网络的结构
4.3.2 卷积神经网络的参数
4.4 模型训练与结果分析
4.4.1 实验环境与数据集
4.4.2 实验结果与分析
4.5 学习者表情自动识别系统的开发
4.5.1 系统设计目标
4.5.2 开发工具及环境
4.5.3 系统核心功能的实现
4.6 本章小结
第五章 学习画面情感对学习者情感影响的实验研究
5.1 实验设计
5.1.1 实验目的
5.1.2 实验对象
5.1.3 教学内容
5.1.4 实验变量
5.1.5 实验假设
5.1.6 实验方案
5.2 学习画面与学习者表情同步采集系统的开发
5.2.1 系统设计目标
5.2.2 开发工具及环境
5.2.3 系统设计思路
5.2.4 系统核心功能的实现
5.3 实验的实施
5.3.1 准备阶段
5.3.2 实施阶段
5.3.3 完成阶段
5.4 数据分析与结果讨论
5.4.1 数据分析
5.4.2 结果讨论
5.4.3 启示与建议
5.5 本章小结
第六章 学习画面自适应调整对学习者情感影响的实验研究
6.1 实验设计
6.1.1 实验目的
6.1.2 实验对象
6.1.3 教学内容
6.1.4 实验变量
6.1.5 实验假设
6.1.6 测量工具
6.1.7 实验方案
6.2 学习画面自适应调整模型的构建
6.3 学习画面自适应调整系统的开发
6.3.1 系统设计目标
6.3.2 开发工具及环境
6.3.3 系统设计思路
6.3.4 系统核心功能的实现
6.4 实验的实施
6.4.1 准备阶段
6.4.2 实施阶段
6.4.3 完成阶段
6.5 数据分析与结果讨论
6.5.1 数据分析
6.5.2 结果讨论
6.6 本章小结
第七章 总结和展望
7.1 研究总结
7.2 研究展望
注释
参考文献
附录
攻读博士学位期间的学术成果
致谢
【参考文献】：
期刊论文
[1]人工智能时代的智慧学习:原理、进展与趋势[J]. 梁迎丽,梁英豪. 中国电化教育. 2019(02)
[2]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)
[3]智慧教室环境下大学生课堂学习投入度及影响因素研究——以“教育技术学研究方法课”为例[J]. 张屹,郝琪,陈蓓蕾,于海恩,范福兰,陈珍. 中国电化教育. 2019(01)
[4]基于改进卷积神经网络的多视角人脸表情识别[J]. 钱勇生,邵洁,季欣欣,李晓瑞,莫晨,程其玉. 计算机工程与应用. 2018(24)
[5]基于多视角深度网络增强森林的表情识别[J]. 张发勇,刘袁缘,李杏梅,覃杰. 计算机辅助设计与图形学学报. 2018(12)
[6]基于图像差分与卷积深度置信网络的表情识别[J]. 黄秀,符冉迪,金炜,李云飞,蔡永香. 光电子·激光. 2018(11)
[7]基于云计算的智慧学习环境探究[J]. 杨澜,曾海军,高步云. 现代教育技术. 2018(11)
[8]PAD情感空间内人工情感建模及人机交互实验[J]. 吴伟国,李虹漫. 哈尔滨工业大学学报. 2019(01)
[9]基于光流特征与高斯LDA的面部表情识别算法[J]. 刘涛,周先春,严锡君. 计算机科学. 2018(10)
[10]国内智慧教育的研究热点与发展趋势——基于多维尺度和社会网络分析的方法[J]. 马建军,乜勇. 现代教育技术. 2018(10)
博士论文
[1]促进学习投入的移动学习资源画面设计研究[D]. 冯小燕.天津师范大学 2018
[2]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
[3]网络学习投入、学习情绪与学习动机的关系[D]. 李俊一.华中师范大学 2018
[4]基于深度学习的人脸表情识别方法研究[D]. 杨雨浓.西北大学 2017
[5]面向e-Learning的学习者情感建模及应用研究[D]. 黄焕.华中师范大学 2014
[6]乔纳森建构主义学习环境设计研究[D]. 李妍.华东师范大学 2007
硕士论文
[1]基于卷积神经网络的表情识别研究[D]. 陈航.南京邮电大学 2018
[2]基于深度神经网络的面部表情识别研究与实现[D]. 李奇.南京邮电大学 2018
[3]基于并行卷积神经网络的人脸表情识别[D]. 曹伟.南昌航空大学 2018
[4]基于改进深度学习的表情识别方法研究[D]. 郭文燕.长春工业大学 2018
[5]基于CNN-RNN的微表情识别[D]. 王思宇.哈尔滨工程大学 2018
[6]面向交互式教学界面的手势识别算法研究[D]. 周晓燕.济南大学 2018
[7]基于卷积神经网络的高分辨率遥感影像建筑物提取[D]. 高扬.南京大学 2018
[8]基于卷积神经网络的人脸表情识别算法研究[D]. 杨欣利.兰州理工大学 2018
[9]基于深度学习的人脸表情识别算法研究[D]. 曾逸琪.中国科学技术大学 2018
[10]基于RealSense的在线教育表情识别研究及应用[D]. 贺冰华.华中师范大学 2018
本文编号：3067400
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3067400.html
