新書推薦：
《
苏格拉底的虔敬：读柏拉图《游叙弗伦》笔记
》
售價：HK$
86.9
《
思辨者的罗盘：从逻辑谬误到严谨表达
》
售價：HK$
61.6
《
面具之下：近代日本报人对华情报活动
》
售價：HK$
96.8
《
广东省博物馆藏品大系 端砚卷
》
售價：HK$
547.8
《
你的降落伞是什么颜色：就业市场不是一场录用游戏，而是一场淘汰游戏，直到准备充分的人胜出
》
售價：HK$
82.5
《
美国军事战略研究
》
售價：HK$
184.8
《
一对一沟通
》
售價：HK$
120.9
《
南海：历史与现实
》
售價：HK$
151.8
|
| 內容簡介： |
|
《智能时代的教育情感计算》遵循“理论筑基-技术支撑-应用实证-趋势前瞻”的逻辑框架，系统阐述教育情感计算的跨学科理论、技术体系与实践路径。《智能时代的教育情感计算》共分为四部分：第一部分（第1～2章）奠定理论基础，剖析情绪情感核心概念、解析离散情感理论与多维模型，梳理技术发展路径，探讨教育场景中情感计算的挑战；第二部分（第3～7章）聚焦技术支撑，建立多模态数据分析与生成体系，包括教学文本情感分析、面部表情动态建模、多模态协同推理、情感归因与生成等关键方法，增强教育情感计算及其可靠性与可解释性；第三部分（第8～12章）展示应用实践，针对课堂教学、在线学习等场景提供实证案例，详解情感驱动的教学干预、学习补偿与倦怠调节策略，构建“技术-场景-干预”实践闭环；第四部分（第13章）前瞻未来趋势，提出技术发展方向与创新应用蓝图。
|
| 目錄：
|
|
目录序前言第一部分 智能时代的教育情感计算基础第1章 情感计算概述 31.1 情感计算概念与支撑理论 31.1.1 情绪与情感 31.1.2 情感计算的概念与内容 41.1.3 情感计算支撑理论 71.2 情感计算发展历程 111.2.1 从单模态到多模态 111.2.2 从个体情感到群体情感 151.2.3 从情感识别到情感生成 16参考文献 19第2章 智能时代教育情感计算的意义与挑战 222.1 教育情感计算的内涵与意义 222.1.1 教育情感计算的内涵 222.1.2 情感计算对教育的意义 252.2 智能时代教育情感计算面临的挑战 272.2.1 智能技术与教育情感计算 272.2.2 教育情感数据采集与预处理挑战 292.2.3 教育情感数据分析与溯因困难 312.2.4 大模型支持下的教育情感生成挑战 322.2.5 教育情感计算的安全伦理风险 33参考文献 34第二部分 智能时代的教育情感计算技术第3章 基于教学过程交互文本的情感分析技术 393.1 教学过程文本情感计算基本概念及其主要过程 393.2 基于双向异构图和常识知识增强的课堂对话文本情感识别 403.2.1 引言 403.2.2 课堂对话表示与教育常识知识获取 433.2.3 课堂对话导向的双向异构图构建 463.2.4 基于双向异构图的文本情感预测 483.3 语言特征解耦支持下基于方面的可解释性课程评论文本情感分析 503.3.1 引言 503.3.2 面向课程评论的特征解耦图构建 543.3.3 课程评论文本的语言特征解耦表示 553.3.4 课程评论的情感分析与解释生成 573.4 基于知识检索增强大语言模型的教学主题讨论文本教育情感分析 593.4.1 引言 593.4.2 面向教学讨论的大语言模型指令微调 613.4.3 教学领域知识检索增强模块设计 623.4.4 知识检索增强的话题讨论文本情感分析 64参考文献 66第4章 基于教育主体面部特征的表情识别技术 714.1 教育主体表情识别基本概念及其主要过程 714.2 基于层级交叉对比的学习者表情识别技术 724.2.1 引言 724.2.2 基于层级交叉对比机制的学习者面部表情特征挖掘 734.2.3 基于特征选择任务区分的面部特征融合与学习者表情识别 774.3 基于层级对比的学习者表情识别可解释性技术 804.3.1 引言 804.3.2 基于层级对比表情识别的卷积神经网络可解释性机制 814.3.3 基于决策树的可解释性表情识别可视化机制设计 844.3.4 基于迁移学习的可解释层级对比学习者情感分析 864.4 基于关系感知动态图卷积网络的学习者表情识别技术 894.4.1 引言 894.4.2 基于多尺度特征融合的面部图节点划分与嵌入 914.4.3 面向学习者面部特征的动态图建模 934.4.4 基于关系感知图卷积的学生面部图表示学习与表情识别 94参考文献 96第5章 多模态数据支持下的教育情感分析技术 985.1 多模态教育情感分析基本概念及其主要过程 985.2 基于文本注意力对齐网络的课堂教学多模态情感分析 995.2.1 引言 995.2.2 基于文本中心的课堂教学多模态特征表示 1015.2.3 教学场景下跨模态注意力交互机制设计 1025.2.4 面向课堂的多模态特征融合与情感识别 1035.3 基于注意力因果感知网络的在线学习者交互多模态情感分析 1055.3.1 引言 1055.3.2 基于前门调整的学习者交互单模态去偏表征 1075.3.3 注意力因果感知的多模态融合机制 1115.3.4 在线学习学生交互情感分析算法流程与优化 1155.4 沉浸式学习场景下融合神经生理数据的多模态学习者情感分析 1185.4.1 引言 1185.4.2 面向沉浸式学习的多模态特征提取 1205.4.3 神经生理导向的跨模态注意力融合机制 1215.4.4 学习情感状态的预测 123参考文献 124第6章 教育情感的归因诊断技术 1286.1 教育情感归因诊断的基本概念及其主要过程 1286.2 面向空间化学习**的学习者情感因果关系发现 1296.2.1 引言 1296.2.2 情感状态相关因素的选择与量化 1316.2.3 基于贝叶斯网络的情感因果关系发现 1326.2.4 学习**视角下情感因果效应推断 1346.3 基于因果表征学习的社区化学习情感归因分析 1366.3.1 引言 1366.3.2 学习社区情感因果图的构建 1386.3.3 基于因果效应推断的情感混淆因素表征平衡 1406.3.4 社区学习情感的多模态归因分析 1446.4 基于时序图网络的在线学习学业情感异常归因诊断 1456.4.1 引言 1456.4.2 学习过程数据处理与动态时序图建模 1466.4.3 基于时序图神经网络的学业情感异常检测 1486.4.4 反事实推理支持下的情感异常归因 150参考文献 151第7章 教育情感的自动生成技术 1557.1 教育情感自动生成基本概念及其主要过程 1557.2 面向人机协作式学习的多轮共情对话生成 1567.2.1 引言 1567.2.2 面向人机协作式学习的情感增强自指令微调 1607.2.3 基于学习者情感偏好的回复一致性对齐 1617.2.4 基于多模态检索增强的表情符号共情回复生成 1627.3 基于深度扩散模型的富情感教学资源生成 1637.3.1 引言 1637.3.2 面向学生输入提示词的情感内容感知方法 1657.3.3 基于潜在扩散模型的富情感语义教学资源生成 1657.3.4 面向学生情感反馈的教学资源交互式编辑优化 1677.4 面向虚拟学习助手的视听协同一体化情感生成 1697.4.1 引言 1697.4.2 基于多模态交互日志的学生情感演化洞悉 1727.4.3 面向实际交互场景的情感-行为一致性对齐 1737.4.4 情感隐式思维链增强的视听协同一体化情感生成 175参考文献 177第三部分 智能时代的教育情感计算的应用及其实证研究第8章 基于情感计算的教育应用 1838.1 学习情感时度效一体化补偿 1838.1.1 学习情感演化计算 1838.1.2 学习情感异常发现 1908.1.3 学习情感时度效一体化补偿 1918.2 基于情感计算的学习** 1938.2.1 学习者情感特征分析 1938.2.2 情感驱动的学习对象匹配 1968.2.3 基于情感匹配的个性化学习**算法 1978.3 基于情感生成的对话式学习 1988.3.1 基于*近发展区的学习者能力评估 1988.3.2 面向知情共育的情感生成 2018.3.3 情感生成支持的对话式学习实施 2058.4 基于多模态情感分析的学习情感倦怠预警 2078.4.1 学习情感倦怠与社会认知过程的关系分析 2078.4.2 基于多模态数据的学习情感倦怠状态分析 2098.4.3 面向在线教育的学习情感倦怠预警 2138.5 情感智力支持的在线学习情感投入度预测 2148.5.1 情感智力与情感投入的关系分析 2148.5.2 基于多维度特征的在线学习情感投入预测 215参考文献 218第9章 课堂教学情感计算赋能教学干预实证研究 2219.1 课堂教学中基于多模态数据的学生情感干预框架 2219.1.1 面向课堂教学的学生情感干预原则 2229.1.2 面向课堂教学的学生情感干预机制 2229.1.3 基于多模态数据表征的学生情感干预框架 2249.2 课堂教学中基于时序网络的学生情感分析 2289.2.1 全域课堂教学场景支持下的学生情感概要模型 2289.2.2 多模态支持的学生情感时序超网络构建 2309.2.3 课堂教学中基于时序网络的学生情感分析 2319.3 情感驱动下面向差异化学生的课堂教学干预应用实践 2349.3.1 课堂教学中基于聚类分析的学生群体划分方法 2349.3.2 情感分析支持下的差异化学生课堂教学干预策略设计 2369.3.3 课堂教学中面向差异化学生干预的应用效果分析 239参考文献 245第10章 在线教育情感计算赋能的学习补偿实证研究 24610.1 在线教育中基于学习交互三部图的学习者情感分析 24610.1.1 在线学习中学习者动态交互分类框架设计 24710.1.2 基于三部图拓展的动态交互情感图构建 24710.1.3 交互情感三部图驱动下学习和情感分析 25010.2 多类型情感交互支持下在线学习者补偿策略设计 25110.2.1 基于三部图的学习者交互与情感映射关系分析 25110.2.2 情感经验+证据双驱动下在线学习者补偿策略 25410.3 在线学习中基于学习者细粒度情感的学习补偿应用实践 25510.3.1 在线学习中基于细粒度情感的学习者补偿应用设计 25610.3.2 在线学习中基于细粒度情感的学习者补偿应用效果分析 257参考文献 260第11章 在线学习环境下基于情感调节的倦怠干预实证研究 26211.1 面向多类型倦怠群体的在线学习者情感规律发现 26211.1.1 基于潜在剖面的在线学习倦怠类型分析 26211.1.2 不同在线学习倦怠类型的学习者情感规律分析 26611.2 基于在线交互过程的学习者情感倦怠因果效应分析 26711.2.1 论坛社会支持对在线学习情感倦怠的因果效应探究 26711.2.2 在线同伴反馈对在线学习情感倦怠的因果效应探究 27611.3 情感调节视角下在线学习者倦怠干预应用实践 28311.3.1 情感调节视角下在线学习者倦怠干预应用设计 28311.3.2 情感调节视角下在线学习者倦怠干预应用效果分析 286参考文献 290第12章 混合学习教育情感计算赋能教育教学投入增强实证研究 29312.1 人工智能支持下的混合学习者情感投入机制构建 29312.1.1 混合学习者情感投入相关要素剖析 29312.1.2 人工智能支持下混合学习者情感投入要素的关联分析 29512.1.3 混合学习者情感投入机制构建 31412.2 面向学习者投入增强基于过程性迭代的情感智力培养策略 31712.2.1 混合学习全过程中的通识化情感智力培养策略设计 31712.2.2 过程性多源数据分析支持的情感智力培养策略迭代优化 3
|
| 內容試閱：
|
|
第一部分智能时代的教育情感计算基础 第1章情感计算概述 智能时代的教育情感计算涉及教育场景中情感的感知与理解、建模与预测、干预与调节、生成与表达等方面，具备促进道德与价值观培养、认知能力提升、推动技术和教育深度融合的特殊价值。本章全面介绍情感计算的基本概念、理论基础及发展历程。*先阐释情绪与情感的定义及区别，指出情感是一种相较情绪更为深层、稳定且复杂的心理状态；随后详细探讨情感计算的核心内容，包括情感识别、情感归因与情感生成三大任务，并深入解析情感计算的支撑理论，如离散情感理论、多维连续情感模型、情感轮模型等；*后系统梳理情感计算的技术演进路径：从单模态到多模态的感知方式扩展，从个体情感到群体情感的分析范围拓展，以及从情感识别到情感生成的功能升级。 1.1情感计算概念与支撑理论 1.1.1情绪与情感 1.情绪与情感的定义 情绪是一种由特定刺激引发的、相对短暂且快速的心理和生理状态，它反映了个体对外界事件的即时反应[1]。情绪具有短暂性和直接性，其特点是瞬时出现、强烈且伴随明显的生理变化，如面对危险时的恐惧或收到好消息时的喜悦。情绪的作用在于帮助个体迅速适应环境，触发应对行为，如避免威胁或追求奖励，从而在短期内满足生存需求和提升决策效率。情感则是一种长期且深层的心理体验，是个体在长期生活经验和价值观基础上形成的对人、事、物的主观评价和态度，它更稳定、复杂，与个体的价值观、生活经验和社会关系密切相关，如对家人的爱或对成功的满足感[2]。情感的作用在于引导人们的行为选择和社会互动，塑造个体的价值取向，维系长期的人际关系，并为人生目标提供持续的动力支持。 2.情绪与情感的关联与区别 情绪与情感虽然密切相关，但它们在心理学上的定义和特征有所区别，主要体现在持续时间、主体性和复杂性等方面[3]。在持续时间方面，情绪是短暂即时的心理生理反应，常在几分钟或几小时内发生变化，如听到突然巨响引发的惊吓感。情感则是长期稳定的心理状态，可持续数周、数月甚至数年，如对亲人的爱或对某事物长期的厌恶。情绪可视为短暂波动，而情感则是经过时间积累形成的持久心理倾向。在主体性方面，情绪通常具有较强的客观生理反应和明显的外部表现，如心跳加速、面部表情变化等，这些反应往往具有普遍性且易于被观察。情感则深植于个体内心，带有更多的主观性和个人化特征，常与个人价值观、生活经历紧密相连，是一种更为私密的内在体验，不易被外部直接观察。在复杂性方面，情绪相对简单直接，通常可被清晰识别和命名，如喜、怒、哀、惧，且与特定刺激有明确关联。情感则结构复杂，常融合多种情绪元素与认知因素，如对家乡的思念可能同时包含爱、怀旧、遗憾等多种情绪，并与个人记忆、经验和社会文化背景交织在一起，形成*特而丰富的心理体验。总体而言，情绪像是一瞬间的波动，而情感则像是深海中的暗流，它们共同构成了人类丰富的心理体验。情绪与情感的主要区别如表1.1所示。相比“情绪”侧重于即时的心理反应和生理状态，“情感”涵盖了更广泛、更深层次的心理体验，因此本书使用“情感”一词能够更全面、深刻地表达和探讨人类心理活动中的复杂性与持久性。 1.1.2情感计算的概念与内容 1.情感计算概念 情感计算（Affective Computing）是一个跨学科领域，它结合了计算机科学、心理学、认知科学等学科，旨在创建能够感知、识别、理解和模拟人类情感的计算系统。情感计算是由罗莎琳德？皮卡德在1995年*次提出的，其核心思想是使计算机拥有情感，能够像人一样识别和表达情感，从而使人机交互更自然[4]。它涉及对人 类外在表现的测量和分析，并能对情感施加影响。情感计算的研究背景源于人类情感在人际交往中的重要性，情感是社会意义和符号价值的载体。情感计算的提出，一方面是提高人机交互和谐性的要求，另一方面是实现真正意义上的人工情感智能的要求。正如人工智能奠基人之一的马文？明斯基指出，人工智能不仅仅需要模仿理性思维，还需要理解和处理情感，这样才能更好地与人类交互，理解复杂的社会和文化情境[5]。 2.情感计算的内容 根据情感信息的流向，情感计算可分为情感识别、情感归因与情感生成三种任务。情感识别通过分析面部表情、语音、文字、生理信号等多种模态数据来判断个体的情感状态[6]。情感归因是指理解和识别导致个体情感反应的原因。情感生成则是指计算机系统在理解个体情感后，能够适当地生成情感反应[7]。 1）情感识别 根据不同的模态数据，情感识别主要包括：面部表情识别、语音情感识别、文本情感分析、生理信号情感识别以及多模态情感分析。 （1）面部表情识别是通过分析和解读人脸上的表情变化来识别个体的情感状态的技术。它利用计算机视觉和机器学习算法，自动检测面部的关键特征点，如眼睛、眉毛和嘴巴的位置变化，并通过对这些特征的分析，判断出个体的情绪反应，如快乐、悲伤、愤怒、惊讶等。面部表情识别不仅能帮助机器理解和感知人类的情感，还能够通过实时反馈调整人机交互方式，提升用户体验。 （2）语音情感识别是通过分析语音中的声调、语速、音量、语调变化等特征，识别并解读说话人情感状态的技术[8]。它利用声学信号处理和机器学习算法，提取语音中的情感信息，识别出如快乐、愤怒、悲伤、恐惧等基本情绪或更细微的情感反应。语音情感识别不仅关注语音内容的含义，还重视情感的表达方式，能够帮助计算机系统理解和响应用户的情感状态，从而实现更具人性化和互动性的服务。 （3）文本情感分析是利用自然语言处理技术分析文本内容中的情感倾向和情感强度的过程[9]。通过对文本中的词汇、句法结构、上下文语境等进行处理，文本情感分析能够判断出文本表达的是正面、负面还是中性情感，甚至识别出具体的情感类别，如喜悦、愤怒、悲伤、恐惧等。该技术不仅关注单一词汇的情感色彩，还考虑了句子整体的情感表达，能够在社交媒体评论、产品评价、新闻文章、客户反馈等各种文本数据中提取出情感信息。 （4）生理信号情感识别通过监测和分析人体生理信号，如心率、皮肤电反应、呼 吸频率、肌电图等，来识别个体的情感状态。这些生理信号在情感产生时会发生变化，生理信号情感识别利用传感器采集这些数据，并通过机器学习算法进行分析，从中提取出与情感相关的特征，进而判断出个体的情绪状态，如紧张、放松、愉悦或焦虑等。与面部表情和语音情感识别不同，生理信号是由人体内部器官产生的，更能真实地反映人的情感状态，因此具有更好的鲁棒性和客观性。此外，由于不依赖于个体的行为表现，生理信号情感识别具有更高的隐私性和无感知性。 （5）多模态情感分析通过整合和分析来自多个信号源不同模态的信息（如面部表情、语音、文本等），全面识别和解读个体的情感状态[11]。相比于单一模态的情感分析，多模态情感分析通过整合来自多个感知通道不同形态的信息，综合多个表现数据源更准确地反映情感的多维特征，因为人类情感通常并不是通过单一方式表达的，而是以多模态表现形式的一致协同作用，例如，一个人在表达愤怒时，可能伴随着语调的提髙、面部表情的变化以及肢体动作的增强。通过综合分析多种模态的信息，多模态情感分析可以弥补单一模态可能带来的信息缺失，提高情感识别的准确性和鲁棒性。 2）情感归因 情感归因旨在从文本、对话、行为或其他类型的数据中识别和抽取出与情感反应相关的原因（即导致情感反应的事件、因素或情境）[12]。其核心任务是从数据中提取出特定情感的触发因素或来源，不仅需要识别情感的类型（如愉快、愤怒、悲伤等），还要分析为什么个体会产生这些情感，识别情感的驱动因素是什么。例如，学生在课后与同学交流时提到“我昨天花了很多时间复习，但考试结果还是不理想。”从这段话中，情感原因提取技术可以识别出考试成绩不理想是导致学生情感低落的主要原因，这一情感原因可能与学生的期望值、准备情况以及成绩的不匹配有关。 与情感识别相比，情感归因涉及更深层次的挖掘与分析，因此面临的挑战也更加复杂。*先是复杂性，情感原因通常是多维的，涉及多种情境因素的交织作用，这使得提取过程变得非常复杂。其次是跨领域问题，不同领域中的情感原因具有很大的差异性，可能需要为不同领域开发专门的模型和方法。再者，情感原因的表达方式通常多样且不唯一，这使得提取过程充满不确定性，需要更加精准的语义理解和推理能力。*后，语境依赖性也是一个重要挑战，情感原因往往受限于具体的上下文，错误或不充分的语境理解可能导致提取结果的不准确，从而影响系统的效果和应用。 3）情感生成 情感生成的目标是使机器能够更加自然地与人类进行情感交流，提供更加丰富
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
暢銷書架
