在線學習者學習狀態評測方法：述評與展望

趙藝璇

(福建師范大學 教育學院，福建 福州 350117)

2012年以來，以MOOC的興起為標志，在線學習成為了教育研究者關注的重點領域。如今在線學習逐漸成為一種常態化的學習方式，其弊端也隨之突顯。在真實的課堂學習環境中，教師可以通過觀察學習者的行為或情感表現給出適當的反饋，并調整教學策略。而在線學習存在師生時空分離的特點，學習者是在沒有教師面授的情況下自主學習，這直接導致了教師與學生之間缺乏情感交流，學習者缺乏相應的反饋和激勵，易產生孤獨、學習倦怠等消極的學習狀態，造成學習效率低下；另一方面，教師無法及時觀察到學習者的學習狀態，也就無法判斷學生對某一知識點的掌握情況。學習狀態是教師進行教學評價的一個重要指標，也是影響學生學習效率和學習結果的重要因素[1]。因此，如何了解并掌握在線學習者的學習狀態，對其進行有效評測，以此改善教師教學過程和學生學習效果成為在線學習研究領域的重要課題。本文通過整理歸納國內外在線學習狀態評測研究的相關文獻，詳細探討評測在線學習狀態的技術和方法，以期為后續研究提供理論依據及方法借鑒。

1 學習狀態相關理論研究

1.1 學習狀態內涵

學習狀態是一個復雜的、綜合的概念，包含學習者的學習情感狀態和學習認知狀態，是學習者在學習時的心理、情感、態度、思維等活躍、積極、接納、參與狀態的綜合反映[2]。學習情感狀態是指由學習者情緒變化而引發的學習狀態，當學習者表現出愉悅的情感時，一般表明學生對當前知識或任務是感興趣的，其學習狀態是積極的。學習認知狀態是由學習者在學習認知過程中對知識的理解程度引發的學習狀態，包括注意力狀態、動機狀態等。認知狀態與情感狀態往往交互在一起。在復雜的認知過程中，學生可能會經歷多種情感狀態的混合，而這些情感狀態會影響學習認知。因此評價學習狀態的因素復雜繁多，包括情感、態度、動機、認知、注意，等等[3]。

1.2 學習狀態分析指標

學習狀態是學習者在學習過程中表現出來的心理特征和生理特征，通常會借助于學習者的表情、姿態、言語等特征表現出來[4]。也就是說，學習者的學習狀態是可以觀察到的，并且可以通過生理特征和行為特征來測量。在傳統的課堂教學中，教師通常可以對學生的情感表現、注意力和課堂參與等進行直接觀測，從而衡量學生的學習狀態。而在線學習不同于傳統的課堂教學，它存在師生之間時空分離的特點，因此在線學習狀態評測方法必然不同于傳統課堂。評測方法的不同，評定學習狀態的指標也就不同。圖1列出了不同的評測方法對應的部分分析指標。

圖1 在線學習狀態評測分析指標圖

2 在線學習狀態評測方法

回顧文獻發現，根據學習狀態數據獲取形式，可以將目前在線學習狀態評測方法分為五種：基于問卷調查、測評量表和自我報告等主觀評測數據的分析方法；基于學習者網絡學習行為數據的分析方法；基于學習者腦電、心電、皮膚電等生理數據的分析方法；基于計算機視覺數據的分析方法；融合多模態數據的混合分析方法。

2.1 基于問卷調查、測評量表和自我報告等主觀評測數據分析

在現有研究中，許多學者基于情感訪談、測評量表、自我報告等方法獲取學習者在認知、情感等方面的學習狀態信息。在在線學習中，一般是教師或研究者根據某一維度或研究目的設計一系列相關問題，以量表的形式呈現，讓學習者在學習前或學習后于在線學習平臺中按要求進行填寫。如表1列出了從不同評價維度對在線學習狀態進行評測的量表。以問卷的形式分析在線學習狀態，一方面可以深度剖析學習狀態與學習結果之間的關系，特別是學習參與度[5]、學習風格等較難從單一的外部表征數據獲得的學習狀態指標。另一方面，在自我報告、訪談中反映出的學習狀態來源于學習者對自我的評判，體現了其內在的心理特征，如李艷等人通過分析231條學習者自我報告，發現學習者在線學習過程中的情感狀態主要表現為興奮、期待、壓力、緊迫感、逐漸適應、信心、愉悅感、挫敗感和不舍9種類型[6]。

表1 在線學習狀態評測量表

盡管測評量表、自我報告、情感訪談等方式研究在線學習狀態評測取得了不少成果，但通過這些方法得到的數據結果的有效性往往是難以預測的，例如無法判定被測者是否誠實測評。另外測評往往是出現在學習之后，這就要求學習者必須回顧具體的學習過程，回憶并表達他們當時的想法和情感狀態，而無論是自我報告還是訪談都要求學習者能夠有較好的自我評定和語言表達能力，從而準確地評判并描述自己的學習狀態，否則容易造成實驗結果不全面不準確。從研究者的角度來看，問卷調查等方式對信息的歸納、分析要求比較高，需要研究者人工花費大量的時間處理數據，因此很難實現大規模的數據采集，人力成本方面的局限性較大。

2.2 基于學習者網絡學習行為數據分析

相對于第一種方法，基于學習者網絡學習行為數據分析在線學習狀態是一種較為隱式的評測方法，也是當前在線學習分析中運用較多的一種方式。它包括三種數據分析方式：學習日志文件分析、鍵鼠操作分析、學習者討論文本分析。

2.2.1 學習日志文件分析

學習日志文件分析是對學習者在線學習過程中產生的學習行為數據進行分析。當前大多數在線學習平臺監測系統是通過監測學習者學習過程記錄其在線學習數據，例如視頻學習時長、論壇發帖次數、作業完成情況等網絡操作行為，對這些數據進行整理分析，得到學習者學習行為特點和規律，從而建立學習行為與學習狀態之間的聯系。例如，李爽等人通過章節覆蓋率、視頻完成率、測試完成率、作業完成率、是否參加期末考試這五個在線學習完成度指標分析學習者在線學習注意力投入狀態[15]。沈欣憶等人利用學習者在MOOCAP中的在線學習行為數據，如學習時間分布、視頻學習時間間隔、論壇交流頻率等構建MOOCAP在線學習行為和學習評價模型，得到學習者學習行為與學習績效間的聯系[16]。其研究發現，很難判斷保證在線時間長的學習者是真實有效地在進行學習，還是僅打開了學習界面，進行“偽學習”。因此學習時長這類網絡操作行為存在難以斷定的問題。教師或在線學習平臺可以通過學習者網絡操作行為來分析學生當前學習狀態，掌握其學習風格和特點，但顯然每個學習者都有自己的網絡操作習慣，在數據統計時容易造成數據特征分散、數據量龐大，要使得評測模型做到相對精準則對數據挖掘和分析技術要求較高。近年來流行的機器學習、深度學習算法則為在線學習分析領域研究提供了強大的技術支撐。例如王洋等人采用決策樹和樸素貝葉斯這兩種機器學習的經典算法對四種在線學習狀態的特征進行分析，挖掘出七種行為特征。圖2為學習狀態對應行為特征生成的決策樹，該模型與學習者自我報告對比驗證是有效的[2]。

圖2 學習狀態分析決策樹

2.2.2 鍵盤鼠標操作分析

研究發現，在網絡學習環境中，鼠標滾輪滾動或鼠標左鍵單擊，是學習行為發生時情緒狀態變化的調查線索[17]，也就是說可以從記錄在計算機日志文件中的交互行為來推斷行為操作者的學習狀態[18]。在線學習中閱讀、觀看視頻、檢索資料都需要使用鼠標、鍵盤來進行輸入操作，而這種評測方法同樣也是一種不易被學習者察覺、不會對其造成額外壓力和負擔的方法。Lim等人研究提出一種基于鼠標和按鍵的動力學壓力分類方法，對190名大學生三種不同的電子學習活動時的壓力水平進行分類。研究結果表明，該方法與根據連續兩個問題間持續時間變化的壓力測量方法效果是一致的[19]，因此使用鼠標和按鍵數據可以對學習壓力狀態進行測量。黎孟雄等人對學生擊鍵和滾輪等操作行為進行監測，以情緒平靜狀態下的滾輪平均滾動速度和平均擊鍵頻率作為計算基準，根據方差值判定其在線學習時的情緒狀態[20]。但按鍵操作始終存在隨機性和偶然性，因此在數據樣本和準確率上仍然存在一定的差異。

2.2.3 學習者討論文本分析

還有一些研究者提出在電子學習環境中從文本中識別學習者狀態信息。在參加MOOC學習過程中，學習者可能會在評論中表達自己的情感，可以采集學習者發表的一些評論文本，通過使用的關鍵詞來推斷其學習情緒狀態。Dyulicheva利用文本數據挖掘技術，從MOOC課程評論中提取有關學習者對于數學焦慮的描述，以此分析學習者對數學學習的情緒狀態[21]。 葉俊民等人從單詞級和句子級對短文本語義進行建模，并提出基于學習者特征的注意力機制來識別不同學習者語言表達特點，得到情感概率分布特征向量，并融合多種信息，利用LSTM網絡建模來分析學習者的學習狀態，從而預測學習者成績[22]。使用文本分析在線學習狀態主要在于檢測學習者的情緒傾向，學習者的文本數據有時可以直觀反映其情緒狀態，但也可能出現一個句子中包含多種情感詞匯，一段文本中出現多個情感傾向的情況，這就導致了文本情感狀態分析結果不夠準確，需要對文本進行細粒度情感分析及多粒度情感融合計算。

2.3 基于腦電、心電、皮膚電等指標的生理數據分析

隨著現代醫學技術的不斷進步，一些研究者開始借助學習者的生理信號數據對在線學習狀態進行分析。神經生理學的研究表明，情緒的強度和性質的不同，通常會引起自主神經系統(ANS)的變化[23]，例如恐懼會導致ANS引發應激反應，在這種情況下，人的皮膚會出汗，心率和呼吸頻率會增加。因此使用不同的生理信號可以更好地在情感層面量化在線學習狀態。心率(HR)和心率變異性(HRV)是兩種重要的心電測量指標，是區分不同情感狀態的良好指標。例如，當人感到恐懼、憤怒和悲傷時的HR往往是高于快樂、厭惡和驚訝時的HR。Artífice根據在線學習者的心電圖對HRV進行分析，推斷其學習情緒狀態和注意力狀態[24]。有研究表明，當人腦思考或感到興奮時，會出現大量的β波。通過采集在線學習者腦電波數據可以發現，當學習者感興趣的內容出現時，學習者往往會表現出積極的學習狀態，投入更多的注意力或情緒明顯波動，并且很容易產生β波，由此可以利用腦電波的變化分析學習者對不同學習內容的認知情況[25]。Chen等人開發了一種注意力感知系統(AAS)，該系統能夠根據EEG信號準確識別并評估學生的注意力狀態[26]。由于生理信號的復雜性，信號采集過程中容易受到不同設備的噪聲干擾以及采集場景或被試者的影響，逐漸有研究者開始使用多種生理信號融合識別的方式。如使用ProComp5設備采集電子學習者心率、皮膚電和血容量脈沖，對多種特征提取后在決策層進行信號融合，從而測量學習者的情感狀態[27]。在學習者生理信號采集過程中，可以發現學習者的體征信息因人而異，因此很難對生理數據進行統一的特征提取；而若根據學習者特質建立個人生物信號數據庫作為監測的參考，則處理和存儲的數據量就會很龐大，容易影響分析速度。雖然有研究者提出可以建立學習者生理信息分類數據庫以減少數據處理量[28]，但這種方法仍然存在不可避免的誤差，因此不能簡單地直接根據收集到的生物信號來判斷學習者的在線學習狀態。另一方面，基于生理信號數據檢測分析在線學習狀態雖然可以實時地獲取數據，但通常需要可穿戴式設備或連接不同的傳感器接收信號，學習者容易受到影響，顯然無法實現大量的隨時隨地的在線學習狀態評測。

2.4 基于面部表情、眼動跟蹤、姿態識別等計算機視覺數據分析

在傳統課堂中，教師通過觀察學生的面部表情、行為動作來了解學生在學習過程中的學習狀態和表現情況。而在線學習中受到時間和空間的限制，教師無法及時了解到學生在網絡學習時的學習狀態。基于表情、姿態識別等計算機視覺技術可以通過終端設備攝像頭捕捉在線學習者實時的面部表情、眼球運動、身體姿態的變化特征，依此來分析當前的學習狀態。

面部表情識別可以區別不同的面部變化特征，根據這些特征來判斷心理狀態、情緒狀態等。面部表情識別通常是將表情細分為特定類別的標簽，通過人臉檢測、面部跟蹤、特征提取、表情分類四個環節實現對畫面中學習者面部表情識別，然后以識別結果對學習者學習狀態進行評估。Khalfallah基于機器學習算法對學生人臉進行檢測，面部表情識別系統可以檢測到學生情緒狀態中的憤怒、悲傷、驚訝和快樂的比例，由此判斷學生當前的情緒/心理狀態[29]。也有直接基于面部位置特征來對在線學習狀態進行評估的。張建利等人根據人臉與計算機屏幕的距離發生改變時所選定的人臉區域的大小變化來評估學習者注意力的集中度，根據學習者眼睛閉合程度和嘴唇的幾何位置判斷學習者疲勞度[30]。Shen等人通過識別MOOC場景中四種常見的表情(理解、中性、厭惡、懷疑)，再融入注意力機制來判斷學生的實時注意力狀態，實現對學習投入狀態的評估(圖3為基于面部情緒識別的學習狀態評估框架)[31]。利用面部表情識別判斷學習者在線學習狀態，特別是情感狀態，有較好的評測效果。但大多數的表情識別系統都使用靜態的人臉圖像序列進行識別，很難對表情實現前后相關的情感分析[32]。然而學習者對知識點的認知理解通常是階段性的，一個時間點的情緒狀態難以直接對應到學習者階段性的學習狀態上。同時受到光照、環境、設備等因素影響，在自然環境下有時也難以進行準確的判斷；況且在線學習中很難保證學習者的全臉圖像出現在攝像頭畫面中，這也容易影響識別的準確率。

圖3 基于面部情緒識別的學習狀態評估框架

使用學習者眼球運動進行學習狀態的判斷，主要是通過提取瞳孔直徑、眨眼、注視、眼跳等特征。一般情況下，眼睛注視狀態與專注度、注意力狀態有關，眨眼次數、閉合時間等大多反映了學習疲勞狀態。Yücel認為眼睛疲勞會增加眨眼率，眼睛的長寬比與注意力狀態密切相關[33]。另外身體姿態在情感識別領域已被證實與面部表情一樣具有情感表達能力[34]。在在線學習環境中，頭部姿態就是評測學習狀態的一個重要指標。Yu等設計了一個在線學習支持系統，可以直觀地觀察學習者的非語言行為，他們使用Kinect攝像頭捕捉學生的面部表情和頭部姿勢，運用支持向量機算法進行特征分類，分析學習者在屏幕前的學習狀態[35]。Ashwin等人使用手勢、身體姿勢和面部表情三者來對電子學習者的學習情緒狀態進行更全面的分析。他們研究發現，手勢和身體姿勢對學習投入的情感狀態影響較大，例如有時學生可能表情看起來是困倦的狀態，但將其手勢和身體姿勢(托腮且身體前傾)一同考慮后，發現學生明顯是非常投入的狀態[36]。目前使用姿態和手勢進行在線學習狀態分析的公開數據較少，而手勢和姿態呈現出的情感特征較不明顯且容易被遮擋，因此通常是與其他數據信息進行多角度、多模態的識別分析。

目前使用計算機視覺技術評估在線學習狀態大多采用基于深度學習算法的形式，選擇合適的算法訓練數據集，構建學習狀態分析模型，搭建學習狀態智能分析平臺，在平臺中利用所構建的模型描述學習者學習狀態。這類方法顯然較好地實現了對于在線學習者的實時學習狀態捕捉，以一種不顯眼的方式實時自動檢測和分析，不會使學習者在學習過程中受到測量設備的影響，實現了對在線學習有效性的監督，彌補了教師和學生在遠程教育中由于地理位置差異造成的情感缺失。但采用這種方法在數據采集和處理過程中，數據量極其龐大，對于網絡帶寬、傳輸速度和數據處理技術要求都比較高；而且在監測過程中容易受到光照、遮擋、背景等因素的干擾，導致測量結果不準確。

2.5 多模態數據混合分析

隨著人工智能技術的迅速發展，多模態信息融合技術在學習分析領域已成為一種流行趨勢。多模態融合可以通過挖掘單模態信號的獨有特征，實現多模態信息的互補。例如EEG信號可以代表學習者的內部生理特征，而眼動信號可以代表其外部動作特征。腦電信號與眼動信號的融合就可以實現內外特征的統一協調，更充分準確地表達學習者的狀態特征。Yue等人提出從情感、行為和認知狀態三個方面識別學習投入狀態。這三個方面分別通過攝像機獲取學習者的面部表情、眼動跟蹤器獲得眼動行為信息和學習者單擊鼠標的流數據來表現，三模態數據特征融合使得評測出的學生的學習狀態更加準確可靠[37]。Saneiro利用在學習者在線學習過程中的身體動作和面部表情標記情感狀態，并結合生理數據、鍵盤與鼠標交互數據、學習者自我報告等分析其在學習任務完成過程中的學習狀態[38]。多模態數據混合分析彌補了單模態數據分析的不足，實現了各個模態數據的互補，使得數據分析的結果更全面、準確。顯然多模態混合分析的評測方式更加適合在線學習這一復雜綜合的狀態。

3 討論與展望

目前，在線學習中主要存在由于師生分離造成的學習狀態低下、學習效率不高的問題，特別是對于一些基礎薄弱、自主學習能力弱的學生，他們往往很難全身心地主動投入到學習中去。這就需要教師更多更好地關注學習者在學習過程中的學習狀態，以及時對教學方案進行有效的調整。本研究詳細討論了五種在線學習狀態評測方法(如表2所示)，對于未來在線學習狀態分析研究從以下三個方面展開討論和展望。

表2 在線學習狀態評測方法歸納

從數據來源看，過去教師常常只能依據學生的學業成績來評估他們的在線學習狀態，但學業成績呈現的大多是單一靜態的、淺層次的學習結果，評價方式過于片面。隨著對學生全面發展的重視，評價應更加注重動態的、深層次的、與學習過程融合的過程性學習狀態評價。學生在學習過程中常受諸多因素的交互影響而產生復雜的學習現象和多種不同的學習狀態，因此需要研究者利用新的技術和方法，多維度、多視角對學生的學習狀態進行更加廣泛和全面的研究，從而發現學生學習狀態的內在發展規律，進而精準地對教學方案進行改善和調整，優化教學過程，獲得更好的教學效果。

從數據形式看，過去的在線學習狀態研究中，往往使用單模態數據獲取信息，例如單一的從眼動數據、音頻數據或自評量表中獲得學習者學習狀態特征，但學習者在學習過程中產生的學習行為和狀態是復雜多樣的，單一的數據形式較難詮釋學習者完整的在線學習狀態情況，而通過多種不同方式獲得數據可以更全面地描述學習者學習特征，更準確地指導教師和學習者進行教與學的動態調整。

采用多模態技術檢測與主觀測評驗證的混合評測方法。從上述評測方法分析來看，基于問卷量表的分析方式存在較強的主觀傾向性，無法全面并實時地反映學習者真實的學習狀態特征，但從另一方面來看，測評量表通常由學習者自評，以學習者本人第一視角獲取學習狀態信息，能更好地對學習者心理層面的學習特征進行分析。而借助圖像、生理信號、網絡行為等大數據分析方式可以獲得海量的學習數據，實時動態地監測學習者在線學習狀態，較好地彌補了傳統方法的客觀缺陷和局限性。但基于大數據的分析方法，往往更多考慮的是事物和現象之間的相互關系，難以捕捉到內在因素的聯系，而人類學習心理和行為是十分復雜的，因此，可以使用多模態信息融合技術對學習者在線學習狀態進行檢測，再通過測評量表、學習者自我報告等方式讓學習者對檢測結果進行驗證和補充，實現跨方法的優勢互補，增加研究的準確性、可靠性和科學性。

4 結語

這五種在線學習狀態評測方法，目前來看基于計算機視覺數據分析方式可操作性較高，能夠實現實時分析，而多模態數據混合分析的評測結果更全面準確；研究者還可以結合問卷、訪談等方式獲取學習者內在的心理表征，對檢測的結果進行驗證補充，從而更好地幫助教育工作者了解學生的在線學習動態，有針對性地調整教學方案，對具有消極學習狀態的學生及時進行學習干預，實現教學評價個性化、智能化。目前人工智能技術已較廣泛地應用于學習分析領域，使用相關的深度學習算法可以更準確、高效地對學習狀態特征進行提取和分類，從技術層面解決了數據處理量大而繁瑣的問題。然而目前在教育領域仍然缺乏可進行深度研究的在線學習者相關公開數據集，這也是在線學習狀態評測難以大規模普及并獲得成效的一大局限。