范福蘭 等 | 多模態數據支持下情緒反饋對協作學習投入的影響研究

關注“在線學習”

獲取更多資訊！

刊載信息

范福蘭，王旭陽，梅林，李亞紅，& 聶新.(2025).多模態數據支持下情緒反饋對協作學習投入的影響研究. 中國遠程教育(11),95-115.

多模態數據支持下情緒反饋對協作學習投入的影響研究
范福蘭, 王旭陽, 梅林, 李亞紅, 聶新

【摘要】協作學習過程中，學業情緒是影響學習投入的重要因素，合理的情緒反饋有助于改善學生的情緒狀態，對提升協作學習投入、確保學習效果起重要作用。本研究圍繞協作學習環境下情緒反饋對學習投入的影響機制問題，以“項目申報”主題課程中的學生為研究對象，開展準實驗研究。針對協作學習投入測評的核心問題，采用多模態學習分析技術采集并分析學生學習過程中的多模態數據，在此基礎上探究不同情緒反饋對協作學習投入的影響機制。研究發現：積極情緒反饋與消極情緒反饋條件下的協作學習投入水平存在顯著差異，積極情緒反饋下的學習投入水平高于消極情緒反饋。在不同水平的情感投入條件下，積極情緒反饋次數對認知投入情況產生顯著影響。在積極情緒反饋中，愉快情緒反饋狀態下的投入情況最優。在消極情緒反饋中，懷疑情緒反饋狀態下的投入情況最優。本研究對改善學生協作學習體驗、提升協作學習質量具有重要參考價值。

【關鍵詞】協作學習; 情緒反饋; 學習投入; 多模態學習分析

一、

引言

協作學習注重學生通過交互協同學習進行有意義的知識建構與高階能力提升，是當前最具代表性和普遍應用的學習方式（李新 & 李艷燕, 2022）。然而，大學生協作學習中普遍存在有協作無建構、建構低水平的“表面化”協作現象，學生被動接受知識、消極參與活動等低學習投入行為導致協作學習流于形式，不能發揮協作學習的真正優勢（龔朝花 等, 2018）。因此，提高協作學習投入度是當前協作學習研究的關鍵問題。

協作學習過程中，情緒與學習者的注意力、交流、思維等緊密關聯，是影響學習投入的重要因素。合理的情緒反饋有助于提升成員間互動質量，促進合作感知和行為投入（程雪姣 等, 2021），是改善學生協作學習情緒體驗、提高協作學習投入的有效路徑。協作學習情緒反饋指學習者在情緒方面的交流與互動，包括表達個人情緒和理解他人情緒。在促進協作學習投入的情緒反饋操作中，深度剖析不同情緒反饋如何具體影響協作學習投入尤為重要。其中，對協作學習投入的有效測評是關鍵。然而，研究者常采用心理測量、教育觀察、訪談等方式測評學習投入情況，分析結果中主觀成分偏多，難以全面反映復雜的協作學習投入狀態，準確率較低。隨著人工智能與傳感技術在教育中的應用，捕獲、融合和分析多種來源數據的多模態學習分析研究迅速展開。多模態數據支持的學習投入測評更全面、更客觀，測評效果明顯優于單模態數據（李新 等, 2023），是協作學習投入測評及影響機制探索研究的趨勢。因此，本研究開展協作學習過程中的情緒反饋準實驗研究，基于多模態學習分析技術，整合學生的學習視頻、對話語音、文本及生理數據等多源數據，綜合分析協作學習投入水平，在此基礎上深入探究不同情緒反饋對協作學習投入的影響機制，以改善學生協作學習體驗，提升學習質量。

二、

文獻綜述

（一）協作學習投入及其影響因素研究

協作學習投入是指在小組學習活動中，學生為了達到學習目標而進行的行為、認知和情感上的積極參與和努力，是學習者在社會性互動中形成的復雜狀態（李艷燕 等, 2020）。協作學習投入包括行為投入、認知投入和情感投入三個方面：行為投入是小組成員在共同完成任務過程中付出的努力及其持久性，反映了他們對任務的參與程度；認知投入是小組成員圍繞共同目標進行知識建構的過程，表現為他們對知識內容的吸收程度；情感投入是小組成員之間關于情感和動機的互動，體現了認同感、凝聚力和互動質量（李新 等, 2023）。

協作學習投入復雜多元，受多方面因素影響，包括教學外部因素和學習者內部因素兩大類。學習平臺的體驗（齊媛, 2019）、同伴互動（謝莉 & 尹潔, 2021）、教師支持（萬昆 等, 2021）等外部因素對學習投入產生一定影響。然而，學習者的協作學習投入更多受自身內部因素影響，如學業情緒（李偉麗 等, 2022）。學業情緒是與個體學業行為和學業結果直接相關的情緒。它通過對學習者的學習動機、認知過程和學習行為產生影響（王云 等, 2020），進而影響學習投入。Pekrun等（2002）發現，學生在學習過程中感受到的積極學業情緒對學習投入具有正向的預測作用。當大學生在學習過程中感受到愉悅、輕松等積極情緒時，他們能夠更加有效地規劃自己的學習進程并準確評估學習狀態。這樣的情緒體驗有助于大學生形成積極主動的學習態度，激發他們的求知欲望，學習投入度也會得到相應的提升（王曉春 & 王剛, 2023）。Tomkins（1970）和Izard（1972, pp. 132-140）構建了情緒的動機—分化理論，認為情緒是主要的動機系統，能夠通過對內在驅動力的信號產生放大和增強作用，激發行為。他們提出個體經歷的不同學業情緒體驗會影響其在學習活動中的表現。在協作學習中，及時調控學生情緒對提升協作學習投入至關重要。情緒反饋是重要的調控方法之一（王雪 等, 2021），即幫助學生理解學習過程中的情緒體驗，采取相應的策略調整和改善學業情緒，以提高學習成效。

（二）協作學習情境中的情緒反饋研究

情緒反饋是協作學習中情緒調控的主要途徑（劉君玲 等, 2022）。本研究中的情緒反饋指在協作學習環境中，學習者與同伴互動時通過識別和理解他人的情緒狀態，并有效地表達自己的情緒而進行的關于學業情緒狀態的交流和反應（Lang et al., 2022; Erickson et al., 2022）。這種反饋有助于優化學習者在協作學習過程中的學業情緒體驗，形成良好的學習氛圍，提升整體協作學習效果。在情緒反饋過程中，表達個人情緒能使分享者感知到同理心和移情，而給予反饋可以讓分享者感受到被關注和支持，從而達到調節情緒狀態的目的（劉君玲 等, 2022）。此外，情緒反饋還促進學習者之間的交互行為，維持良好的交互氛圍。情緒表達不僅影響學習者的情緒狀態和相互吸引力，還有助于建立積極的交互氛圍（劉君玲 等, 2020）。積極的情緒表達可以增強群體認同和歸屬感，維持群體成員之間的信任和聯系程度（李秀晗 等, 2023）。理解他人的情緒也有助于兒童在社交互動中根據他人的情緒調整自己的行為（Denham et al., 2016）。情緒反饋（如積極評價或支持性觀點）不僅能激勵評估人員創造出更出色的項目（Tseng & Tsai, 2007），還在促進個人成長和團隊協作中具有強大動力作用。

情緒反饋包括積極和消極情緒反饋，兩種不同的情緒反饋通過引起同伴不同的情緒反應，進一步影響學習者的投入度。厲飛飛等（2018）發現積極情緒反饋能形成注意偏向，有效調整注意的優先級次序。當目標的刺激與積極情緒反饋建立聯結后，不僅提升了任務完成的準確率，還顯著縮短了反應時間。程雪姣等（2021）通過在線聊天軟件中的表情圖像，對情緒反饋進行操縱，結果表明情緒反饋對虛擬團隊的成員合作感知和成員行為投入產生影響，且積極情緒反饋有助于促進虛擬團隊成員間的合作感知。Zheng等（2022）發現積極情緒反饋與學生的知識構建進展密切相關，能夠促進學生的認知互動和知識分享。在消極情緒反饋對學習投入的影響研究上，仍存在不一致的結論。程雪姣等（2021）發現消極情緒反饋能促進虛擬團隊成員在創造性問題解決任務中的行為投入。Isoh?t?l?等（2020）發現負面的情緒反饋會阻礙認知過程，但在某些情況下也能激發學生的好奇心和進一步探究的動機。Chen等（2023）提出消極情緒反饋導致學生采取回避行為，降低任務參與度和互動質量。也有研究表明高認知投入的學習者接收到消極情緒反饋后創造性表現出更高的流暢性、獨創性和靈活性，而消極的情緒反饋會抑制低認知投入學習者的創造力與合作意愿（Van Kleef et al., 2010）。

綜上，在協作學習過程中，對學習者進行精準的情緒反饋，是改善學習者學業情緒體驗、調節協作學習投入的有效手段。在此過程中，深入剖析情緒反饋對協作學習投入的影響機制是進行有效反饋的前提條件。然而，已有研究發現情緒反饋對協作學習投入的影響較為復雜，在不同的研究中表現出不同的效果。究其原因，協作學習投入是多維度和動態的，已有研究中對協作學習投入的測量以課堂觀察、問卷測量或自我報告為主，數據來源單一且主觀依賴性強，難以全面客觀地體現學習者協作學習投入的真實情況，是影響研究結果準確性的原因之一（Lee, 2020）。因此，在探尋情緒反饋影響協作學習投入機制的研究中，科學準確地測評學習者的協作學習投入情況關鍵且亟須攻克。

（三）學習投入多模態測評研究

隨著人工智能技術在教育中的應用，多模態數據支持的學習測評研究快速發展。通過采集并融合分析自我報告問卷、學習日志、音視頻、心率、皮膚電、眼動、腦電波等多模態數據（余輝 等, 2020），學習投入測評的科學性與全面性有所提升，準確率得到極大提高。王麗英等（2020）設計了在線學習多模態數據融合模型，利用后臺日志、面部識別和心率檢測實現精準評價MOOC學習者的投入水平。同時，多模態學習分析基于低成本可穿戴設備、無線傳感器、物聯網設備等也實現了對學習者生理數據的多通道、全時域采集（馬婧 等, 2023）。腦電波、心率、皮膚電等生理層面的數據，為研究認知投入等內在學習機理問題提供了路徑（牟智佳, 2020），使內外部顯性和隱性數據的整合分析成為可能。Xiao等（2023）將腦電波、眼動和面部表情數據納入分析框架，旨在預測在職教師在線同步培訓中的參與度和學習效果，研究結果顯示，融合面部表情與眼動數據的模型在預測學習投入和成效上展現了優異的性能。隨著研究的深入，心率、眼動等生理數據在學習投入的多模態測評中發揮的作用越來越重要。心率反映學習者的生理喚醒水平和情緒狀態，心率的提高可能表明學習者處于較高的喚醒狀態，用來反映學習者的注意力集中程度、認知投入程度等（Darnell & Krieg, 2019）。眼動追蹤技術常用于分析學習者的視覺注意力和認知過程，包括注視時間、注視次數、瞳孔直徑等指標。注視時間表明學習者在學習內容上的認知投入和理解程度；注視次數與學習者對信息的關注程度相關，頻繁的注視表明學習者在處理信息過程中的認知投入；瞳孔直徑的大小與認知負荷、情緒狀態和情感投入有關，當學習者情緒高漲、情感投入積極時，瞳孔直徑會放大，情緒低落或情感投入較低時，瞳孔直徑會縮小（閆志明 等, 2018; 王翠如 等, 2021; Dubovi, 2022）。多模態數據在一定程度上彌補了單模態數據的局限，收集多源數據從而更加全面且精確地刻畫學習投入狀態，為深入研究協作學習環境下情緒反饋對學習投入的影響提供了新思路和技術支持。

（四）問題的提出

基于文獻調研，本研究在協作學習情境下，運用多模態學習分析方法探究以下研究問題：混合式協作學習環境下，如何開展協作學習投入的多模態測評？基于協作學習投入的多模態測評結果，不同的情緒反饋如何影響學生的協作學習投入？

三、

研究過程

（一）情緒反饋設計

情感詞代表了說話人的情緒狀態，能清晰地傳達說話人的情緒傾向（張康英, 2015, p.18）。本研究選擇了常見且典型的情感詞作為情緒反饋工具。在制定情緒反饋途徑與分類過程中，在胡同文等（2024）關于不同情緒詞分類研究、Derham等（2022）關于積極和消極情緒反饋評論語言特征的建議、Foo（2021）關于同伴反饋中情感反饋內容分類的研究、張康英（2015, pp.15-18）提出的在線協作學習中情緒反饋類型和情感詞分類等研究基礎上，本研究設計了協作學習情緒反饋用語，重點研究情緒反饋對協作學習投入的影響。綜合研究目標和資源分配情況，規避無情緒反饋帶來的無價值冗余信息，本研究確定了積極情緒反饋和消極情緒反饋兩種類型，小組成員協商對話使用口頭反饋語或文本進行情緒反饋的方式。具體情緒反饋類型和反饋語如表1所示。

表1 情緒反饋類型與用語

（二）學習活動與實驗過程

1. 研究對象

本研究在武漢市Z高校的“項目申報”主題課程上進行，參加該課程的學生共32人。采用組內異質、組間同質的分組原則，參與者被分配到8個協作小組，每個協作小組4人。將8個協作小組隨機分配至兩個實驗組，其中，積極情緒反饋條件下共4個小組（16人），消極情緒反饋條件下共4個小組（16人）。積極情緒組采用積極情感詞進行學習互動，消極情緒組采用消極情感詞進行學習互動，學習者可以在協作過程中使用指定的情感反饋詞。

2. 研究過程與方法

本實驗采用線上線下相結合的協作學習方式，以“項目申報”為主題，包含4項學習任務：確定選題、文獻調研與綜述撰寫、研究方案協同規劃、成果匯報。其中前3項任務每次持續2個小時左右，確定選題和成果匯報活動在智慧教室環境下完成，文獻綜述及研究方案撰寫任務在線上完成。利用石墨文檔協同寫作平臺支持實驗研究，并輔以QQ作為通信工具，以便學習者進行在線同步討論和解決問題。具體學習任務和實施過程如下：

（1）確定選題

學習者根據教師給出的選題范圍明確小組項目主題。各小組成員獨立形成個人觀點，隨后在小組內展開充分的觀點交流與碰撞，接著小組內進一步完善各自觀點，再次進行組內觀點二輪深入優化，最終確定本小組項目選題。

（2）文獻調研與綜述撰寫

各小組基于研究選題，開展文獻搜索與閱讀，掌握該主題的研究現狀、前沿動態及存在問題，在此基礎上撰寫文獻綜述。

（3）研究方案協同規劃

小組圍繞研究選題，深入討論項目研究內容、思路方法以及創新之處。基于石墨文檔和QQ群進行協同合作，完成項目申報書中研究方案部分的撰寫。

（4）成果匯報

協作小組基于研究方案，明確研究結果的具體表現形式和應用方向，深入分析研究成果可能帶來的社會效益與影響，最終進行成果匯報。

情緒反饋貫穿于活動任務過程中。通過實驗前的情緒反饋培訓，學習者熟悉情緒反饋詞支架和使用規則，明晰情緒反饋詞的含義，明確如何使用情緒反饋詞。實驗過程中，為兩個小組提供明確且具體的情緒反饋詞支架，指導教師通過發送消息的方式，提醒每組成員在3分鐘內至少出現一次情緒反饋。

3. 實驗設計

實驗開始前，明確界定情緒反饋詞的所屬類別，組織學習者在模擬情境中練習使用情緒反饋詞，加深他們對詞匯的理解和記憶；為嚴格控制兩個小組的差異性，預先設計好反饋詞、語句和文本案例；指導成員在協作活動的任何時間自由表達觀點，并注意在一定的時間段內相互提供即時的情緒反饋。實驗過程中，研究人員首先為研究對象佩戴生物反饋儀，并確保配套軟件能夠有效檢測到生理信號。隨后進行眼動儀的校正，引導研究對象進行練習。控制情緒反饋的頻率和時間，同步提示小組成員根據情緒反饋案例和指導性用語，在研討與協作過程中進行口頭語音或文本的情緒反饋，確保兩個小組接收到反饋的頻率一致。研究人員監控反饋的實施情況，對于偏離該組要求的反饋，及時進行糾正和調整。實驗結束后，研究人員通過與實驗對象交流評估參與者對反饋的感知，確保他們體驗到了預期的情緒反饋。檢查數據的完整性，進行數據的處理和分析。具體實驗過程如圖1所示。

圖1 實驗過程

4. 研究工具

（1）眼動儀設備

本研究選用EyeLink 1000 Plus眼動儀。研究者只需在電腦屏幕前方使用此設備，便能有效追蹤用戶的眼動行為。該設備附帶的軟件包含Experiment Builder（EB）軟件和UMASS眼動追蹤系列軟件。眼動儀的主要功能在于收集學習者在學習過程中的眼動數據，以評估學習者的學習投入情況。

（2）生物反饋儀

本研究采用FreeMind-S生物反饋儀，研究對象需佩戴信號采集器。生物反饋儀能將人體內不易察覺的生理信號（如呼吸、心率、腦電波等）轉化成圖像，以方便信號的記錄和分析。

（3）情感投入量表

本研究使用戴維?沃森（Watson, D.）等提出的情感問卷（Watson et al., 1988）來評估學習者學習過程中的情感投入，采用李克特五點量表評分。該量表具有良好的信度，Cronbach’s α系數為0.84。

（三）數據采集與編碼

1. 多模態數據采集

基于線上和線下學習兩個特征維度，本研究共獲取了以下六種數據：1）語音數據，即在協作學習過程中錄制的語音數據，在去除無效語音數據后，采用半自動方式對剩余的13,312條對話數據進行編碼標注，形成結構化的語音數據。2）文本數據，通過協作文檔和社交軟件工具，采集學習者在學習過程中的對話文本數據和學習成果文本數據。3）生理數據，通過生物反饋儀自動記錄的學習者心率變化數據，每位學習者在每項任務中對應一條心率變化數據，共收集128條心率變化數據。4）眼動數據，主要記錄學習者的注視情況，包括總注視時間、注視次數和瞳孔直徑。5）問卷數據，通過問卷星發放并收集學習者情感投入數據。6）視頻數據，線下學習環境中使用錄像設備采集的學習者行為數據，主要通過視頻錄像及錄屏記錄學習者的操作行為，總計約2,000分鐘。采集的多模態數據類型及采集工具如圖2所示。

圖2 多模態數據類型及其表征

2. 協作學習投入編碼框架

本研究收集學習者學習過程中的語音數據、文本數據、生理數據、眼動數據、問卷數據和視頻數據。其中，認知投入部分通過對語音數據進行內容分析來表征，部分通過對心率和眼動數據進行編碼分析來表征。情感投入通過對眼動和問卷數據編碼獲得，行為投入通過對視頻數據進行編碼分析來表征。以Wang（2024）提出的學習投入編碼框架、Xu等（2020）提出的認知投入測評框架、Liu等（2022）提出的認知投入編碼分類、閆志明等（2018）探究的眼動研究成果、王翠如等（2021）提出的情感投入測評框架、Ouyang等（2021）提出的行為投入分析框架、Liu等（2018）提出的行為投入測評框架為基礎，本研究提出關于協作學習投入的編碼指標（如表2所示）。

表2 學習投入評價框架編碼表

3. 數據編碼

數據收集完成后，對協作學習過程中采集的多模態數據進行量化處理：首先，將協作過程中產生的語音數據，標識出學習者角色。其次，定義情緒反饋周期是從一個情緒反饋詞匯的自然出現開始，直至下一個情緒反饋詞匯出現之前的時間段，作為各模態數據的對齊時間依據。在該時間段內，對每位學習者在協作過程中產生的錄屏視頻、對話信息以及視頻錄像等資料依照時間段順序進行精確的對齊處理，對于少量數據中時間粒度不同的問題，綜合采用重采樣和數據合并與關聯的方式，對不同數據源的時間標簽進行匹配和對齊。最后，在協作學習內容的文本數據中，將句子單元作為最小分析單元；語音數據中，以每位學習者一次完整的發言為單元；視頻數據以分析對象的協作學習行為為單元，如閱讀資料、查看平臺、檢索資料、撰寫文檔行為等；生理和眼動數據全部導出后以情緒反饋周期為時間單位，根據時間戳與文本、語音和視頻數據對齊，例如：在某個情緒反饋周期內，將該周期內的學習者文本、語音、視頻、生理和眼動數據的時間戳進行匹配，確保它們在同一時間段內發生。選取兩名研究助理進行編碼。正式編碼前，對兩位助理進行3小時的訓練，在對編碼內容和標準達成一致的基礎上，隨機抽取25%的文本、語音、視頻數據，分別進行編碼，編碼完成后計算Cohen’s kappa系數分別為0.869、0.873、0.857，說明編碼結果信度良好。兩位助理對編碼不一致的相關問題進行討論后，對剩余的數據依據編碼表完成編碼，形成結構化的學習投入數據。

四、

數據處理與分析方法

（一）數據處理與分析流程

數據處理分析流程如圖3所示：1）多模態數據采集：通過眼動儀、生物反饋儀、攝像機、問卷等工具采集協作學習中的多模態數據，包括注視次數、注視時間、心率等，這些數據覆蓋了行為投入、認知投入和情感投入等多個維度；2）數據編碼與預處理：首先將采集到的原始數據進行自動和人工編碼相結合的方式提取特征，其次將多種模態的特征向量采用串聯的方法直接拼接起來組合形成一個新特征集，在此基礎上去除噪聲和異常值進行數據清洗，最后對數據進行歸一化，形成標準數據集；3）數據集劃分：為訓練和驗證模型，將數據集按照5∶2∶3的比例劃分為訓練集、驗證集和測試集，訓練集用于構建和訓練模型，驗證集用于模型的調優，測試集則用于評估模型的最終性能；4）模型訓練：采用機器學習算法訓練學習投入分析模型，挖掘數據中的復雜模式；5）模型驗證與優化：通過準確率等評價指標驗證模型性能，并進行模型的反饋優化調整，包括超參數優化、模型結構調整等；6）多模態協作學習投入分析：在模型經過驗證并達到滿意的性能后，即用來分析協作學習數據，從多模態的角度評價學習者在協作學習環境中的學習投入效果，包括總體投入、行為投入、認知投入和情感投入；7）情緒反饋對協作學習投入的影響分析：基于協作學習投入多模態分析結果，分析不同情緒反饋對協作學習投入的影響機制。

圖3 多模態數據處理與分析

（二）數據分析方法

本研究采用分類算法對經過預處理的多模態學習數據進行融合分析，選擇了Logistic回歸、梯度提升樹、XGBoost、線性判別分析、AdaBoost、隨機森林、決策樹、Bagging、多項式樸素貝葉斯、K近鄰、伯努利樸素貝葉斯、支持向量機（SVM）12種常見的分類算法，采用計算準確率（Accuracy）、F1-Score值和MCC值分別比較這些算法對數據的評價性能。準確率計算模型正確預測樣本量與總樣本量之比，值越大，說明模型的評價效果越好。F1-Score是一個綜合性評價指標，旨在準確率和召回率之間尋求平衡，是準確率和召回率的調和平均值，將這兩個指標合并為一個單一的分數，從而提供了一種同時考慮假陽性和假陰性的評估方式。其最大值為1、最小值為0，值越大說明模型的評價效果越好。MCC（Matthews相關系數）是在二元分類問題中使用的度量值，為我們提供了一種綜合考慮了真陽性、真陰性、假陽性和假陰性關系的評估方式。MCC是一個范圍在-1到1之間的單一值，其中-1表示模型的預測與實際結果完全不一致，1表示模型的預測與實際結果完全一致。分類算法輸出結果如表3所示。

表3分類算法輸出結果

注：準確率、F1-Score值、MCC值越大，學習投入模型效果越好。

結果顯示，Logistic回歸算法的評價效果最優（準確率為0.765，F1-Score值為0.759，MCC值為0.613），因此，本研究采用此算法測算學習者協作學習投入水平。

Logistic回歸公式可以定義為在已知參數w和數據x的情況下，預測值y為類別k的條件概率，如公式（1）所示：

其中，exp表示以自然常數e為底的指數函數，T表示矩陣的轉置。在本文中，K表示分類的類別數量，w表示Logistic回歸模型參數，是一個長度為14的向量，向量中的值表示特征項（13個）和偏置項（1個），分別對應特征（提出問題、提供支架、陳述觀點、反思任務、心率、注視次數、總注視時間、瞳孔直徑、情感投入問卷、閱讀資料、查看平臺、檢索資料、撰寫文檔）的系數。

公式（1）計算出最大概率的預測值k即為某個學生在一個時間段內的協作學習投入狀態值。為了評估每個小組在總的時間內的協作學習狀態S，需要統計小組成員在總的時間內的協作學習投入狀態值，計算方式如公式（2）所示：

式中g表示小組編號，G表示小組數量，t表示時間段的編號，T表示時間段的數量。

五、

研究結果

（一）協作學習投入整體水平及差異分析結果

1. 小組協作學習投入整體水平

本研究經過對多模態協作學習數據編碼處理后，采用Logistic回歸分類算法綜合測算學習者協作學習投入水平，根據公式（1）測算出每位學習者在一個時間段的協作學習投入狀態值k∈{0,1,2}，如X同學在第3—5分鐘的投入狀態值為2，再應用公式（2）計算各小組的協作學習投入整體水平（如表4所示）。

表4 各小組協作學習投入水平

相較于接受消極情緒反饋的小組，獲得積極情緒反饋的小組在總體學習投入水平上展現出更為優異的表現。此外，數據還揭示了一個值得注意的現象，無論是積極組還是消極組，學習者在“情感投入”和“行為投入”兩個維度上的表現均優于“認知投入”，結合對學生學習過程的觀察，在協作學習過程中，學習者的情感狀態與學習行為更容易受到情緒反饋的直接影響。

2. 小組協作學習投入水平差異分析

為進一步探究積極情緒反饋組和消極情緒反饋組在討論互動中學習投入上的差異，本研究以學生個人量化后的學習數據為分析單元，使用Mann-Whitney U檢驗，探索積極組和消極組學生在學習投入上的差異，分析結果如表5所示。

表5 學習投入分析結果

通過差異分析發現，積極和消極情緒反饋組在協作學習投入總體水平和認知、行為、情感各維度的投入水平上，均存在顯著差異，積極情緒反饋組協作學習投入狀況優于消極組。

（二）情緒反饋與協作學習投入各維度的關系分析結果

為挖掘不同類型情緒反饋與學習投入各維度更深層次的關系，利用SPSS宏程序Process插件中的Model 1，以積極情緒反饋和消極情緒反饋次數作為自變量，依次以認知投入、情感投入、行為投入和學習投入作為調節變量，探索交互效應是否顯著。對8組交互項進行檢驗后，僅積極情緒反饋與情感投入交互作用顯著。隨后，以積極情緒反饋為自變量，情感投入為調節變量，認知投入、行為投入、學習投入為因變量進行簡單斜率分析，認知投入調節效果顯著。從表6模型一可以看出，積極情緒反饋為自變量，調節變量情感投入（β=0.496，t=3.169，p=0.003）對于因變量認知投入的預測是顯著的。情感投入和積極情緒反饋的交互項也達到了顯著水平，正向預測認知投入（β=0.540，t=2.725，p=0.010）。調節變量情感投入在自變量積極情緒反饋和因變量認知投入上存在調節效應，情感投入增強了自變量積極情緒反饋對因變量認知投入的正向影響。

表6 情感投入調節效應檢驗

注：***p＜0.001，**p＜0.01；β：標準化系數，SE：標準誤差。

根據圖4中斜率，隨著情感投入水平的不斷提升，積極情緒反饋對學習者認知投入的作用明顯增強。當學習者處在情感投入較高的水平下，積極情緒反饋對個體的認知投入呈顯著的正向影響，即在高情感投入的條件下，增加一定的積極情緒反饋能夠激發其更深層次的思考與分析，從而推動認知投入達到更高層次。在情感投入較低的水平下，積極情緒反饋對個體的認知投入呈顯著的負向影響，即在低情感投入的條件下，額外的積極情緒反饋可能加劇個體的心理負擔，抑制其認知加工能力，進而導致認知投入的減少。

圖4 情感投入在積極情緒反饋與認知投入間的調節效應

（三）情緒反饋對協作學習投入重要指標的影響作用

采用Logistic回歸計算協作學習投入模型特征的重要性及排名。本研究將權重值大于0.15的特征確定為多模態數據中評價學習者協作學習投入的最佳特征（范福蘭 等, 2023; 羅江華 & 岳彥龍, 2024），包括學習者的注視次數、心率和提供支架（如表7所示）。

表7 特征權重值

本研究依據以上特征權重值選擇了三個特征，即注視次數、心率和提供支架。應用氣泡圖分別繪制積極情緒反饋和消極情緒反饋對重要指標的影響，如圖5和圖6所示。在氣泡圖中，橫軸代表情緒反饋的類型，4種積極情緒反饋（愉快、輕松、享受、安逸）和4種消極情緒反饋（厭煩、懷疑、失望、沮喪）；縱軸代表注視次數，注視次數越多，表明學習者認知投入越高（王翠如 等, 2021）。圖中氣泡的大小代表提供支架的次數，氣泡越大表示次數越多；氣泡顏色的深淺表示心率的高低，顏色越深表示心率越高，顏色越淺表示心率越低。心率平均水平低，波動小，表明學習者認知投入高（王麗英 等, 2020）。

圖5 積極情緒反饋對學習投入的影響

圖6 消極情緒反饋對學習投入的影響

如圖5所示，在積極情緒反饋條件下，學習者的注視次數在300次至1,000次之間，其中愉快反饋的注視次數最高，優于其他三種情緒狀態。根據氣泡大小，愉快和享受情緒反饋所產生的氣泡平均大于輕松和安逸兩個狀態，說明在愉快和享受情緒反饋下，學習者提供支架的次數較多。綜上，愉快情緒反饋狀態下的學習投入情況最優。

如圖6所示，在消極情緒反饋條件下，學習者的注視次數主要集中在300次至650次之間。其中，厭煩反饋和懷疑反饋的注視次數相對較多。根據氣泡顏色深淺，厭煩和懷疑情緒反饋狀態下學習者的心率相對較高。根據氣泡大小，懷疑反饋狀態下的氣泡平均較大，說明學習者提供支架的次數較多。綜上，在消極情緒反饋中，相對而言，懷疑情緒反饋狀態下的學習投入情況最優。

對比圖5和圖6，積極情緒反饋條件下，學習者的注視次數總體上高于消極情緒反饋，王翠如等（2021）研究表明，注視次數越多，表明學習者的認知投入越高；注視次數越少，表明學習者的認知投入越低。根據氣泡顏色深淺發現，在積極情緒反饋時的學習者心率平均水平低于消極情緒反饋。根據氣泡大小，在積極情緒反饋條件下的學習者提供支架次數比消極情緒反饋條件下多。這表明，在積極情緒反饋條件下，學習者更愿意通過提供支架引導同伴討論相關問題，積極參與協作學習，從而提高他們的學習投入。

六、

研究總結與討論

本研究圍繞協作學習中情緒反饋對學生學習投入的影響機制問題，開展準實驗研究。采用多模態學習分析技術綜合測評學生協作學習投入水平，在此基礎上探究積極情緒反饋和消極情緒反饋對協作學習投入的影響機制，通過采集、融合與分析協作學習過程中的文本、語音、視頻和生理數據，提升了協作學習投入測評的準確性。在協作學習投入多模態測評結果的基礎上，深入分析情緒反饋對其的影響機制，研究發現：

（一）積極和消極情緒反饋條件下的協作學習投入狀態存在顯著差異，且積極情緒反饋下的學習投入水平高于消極情緒反饋

積極情緒反饋能激發學習者的積極高喚醒情緒，有效改善學習者的情感體驗，提升學習者的學習自我效能感，幫助同伴之間建立良好的學習氛圍，提高學習者在協作學習過程中的互動頻率和問題解決質量。已有研究也發現了積極情緒在協作學習中的重要性，如Rafikova（2022）提出，積極情緒氛圍有助于有效地開展協作學習和問題解決；Zhang和Gao（2024）發現，積極情緒氛圍對協作學習效果具有促進作用。相反，消極情緒反饋（如焦慮、困惑）會降低學習者的自我效能感，使他們產生逃避學習心理，減少學習投入。該結論支持了已有研究觀點，為了防止消極情緒對認知過程、投入水平等的阻礙，需采取一定的積極情緒反饋從而對消極情緒進行調節（Avry et al., 2020; Xu & Lou, 2024）。

（二）在不同水平的情感投入條件下，積極情緒反饋次數對認知投入情況產生顯著影響

學習者在高情感投入狀態下，對任務或活動充滿熱情和興趣，個體情感投入越高，學業成效越好，積極的情緒反饋能進一步增強這種投入，使個體更專注于當前任務，從而提高投入水平。在已有研究中，Mayordomo等（2022）發現積極情緒反饋能促進認知投入，并且反饋次數越多，這種促進作用越明顯。在個體處于低情感投入狀態時，對任務或活動的興趣較低，此時過多的積極情緒反饋會分散他們的注意力，使他們難以專注于當前的任務，因此，在低情感投入下，積極情緒反饋次數對個體的認知投入呈顯著的負向影響。在已有研究中，研究者發現學習者在情感投入較低的情況下，積極情緒反饋會影響學習者的注意力分配，帶來的認知負荷增加削弱認知投入，同時使學習者傾向于采用表層認知策略，降低對學習內容的理解與反思（Pandia, 2023; Greipl et al., 2021）。

（三）積極情緒反饋中，愉快情緒反饋狀態下的協作學習投入情況最優；消極情緒反饋中，懷疑情緒反饋狀態下的協作學習投入情況最優

愉快的情緒反饋能激發學習者的積極學業情感體驗，這種體驗有助于消除消極情緒，提高學習者的學習熱情和積極性，提高學習者的協作學習投入水平，對協作學習起正向影響作用。Tan和Jung（2024）發現，愉快情緒反饋能激發學習者的內在動機，使其更愿意參與協作學習活動。Lyu等（2024, pp.172-177）提出，相對于自豪、滿足等積極情緒反饋，愉快情緒反饋對學習投入的促進效果更為顯著。在消極情緒反饋中，懷疑情緒反饋相較于如憤怒、焦慮等其他情緒反饋，更能激發個體對問題的深入思考和探索，在懷疑情緒反饋的驅使下，個體會更加審慎地評估信息，尋求更多的證據進一步探究，這種過程在一定程度上增加學習者的協作學習投入。M?nty等（2020）研究發現，在協作學習過程中，懷疑情緒能激發學習者更加深入地分析和質疑問題，增強好奇心和求知欲，進而更積極地投入學習。

以上研究結果可為協作學習中的情緒反饋干預提供借鑒，在教學實施過程中，可采用以下手段進行有效的協作學習情緒調節。

在協作學習過程中，教師可通過一定的手段對學習者進行積極情緒啟動，使小組處于積極情緒、正能量的學習氛圍中。在學習過程中，可指導學生通過語言表達或文本反饋等多種方式，給予同伴愉快的情緒反饋，如“你的選題非常有趣，值得深入探究”“你剛才的方案真的很有創意，非常全面，讓我們的問題解決思路都拓寬了”“你很優秀，我相信你能完成”，等等。也可通過身體姿態、眼神和微笑等非語言文字的形式進行情緒反饋交流，增強彼此之間的積極情緒氛圍，提高小組協作學習投入水平。

在積極情緒反饋狀態下，教師應綜合測評學生的情感投入狀態。當學生處于高情感投入狀態時，教師應指導同伴適當增加積極情緒反饋次數，進一步提高其投入水平。當學生處于低情感投入狀態時，同伴應減少情緒反饋次數，幫助學習者維持較高的投入水平。學生在協作學習過程中由于受多方面因素影響陷入消極情緒時，教師應指導小組及時開展情緒反饋進行調節。如學生處于較高的情感投入水平時，教師可適當增加積極情緒反饋次數，在積極的學習氛圍中引導學生進行高投入探究學習。教師也可引導學生逐步進入懷疑的情緒狀態，在不斷質疑的過程中發現新思路，走出挫敗，避免出現失望和沮喪的消極情緒狀態。另外，教師可引導學生通過暫停協作學習活動、肌肉放松訓練等方式，降低心率，緩解消極情緒狀態。

本研究從情緒反饋的視角，探索促進協作學習投入的路徑，針對協作學習投入測評這一核心任務，創新性地采用了多模態學習分析方法，采集多模態學習數據并進行融合分析，有效提高了協作學習投入測評的精確度與全面性。在此基礎上，進一步剖析了不同情緒反饋對協作學習投入各維度及重要指標的影響，為協作學習中的情緒調節提供指導。本研究仍存在一定的局限性。受研究樣本和資源限制，研究樣本量相對較少，僅在一定程度上探索了解決問題的新思路和新方法，后續將拓展本研究成果，擴大研究對象范圍，檢驗成果的準確性和可遷移性，提高情緒反饋促進協作學習效果策略的普適性。

參考文獻

程雪姣, 謝涵, 皮忠玲, & 洪建中. （2021）. 創造性問題解決中情緒性反饋對虛擬團隊成員合作感知和行為投入的影響. In中國心理學會（編）, 第二十三屆全國心理學學術會議摘要集（下）（pp. 742-743）.

范福蘭, 黃艷琳, 萬力勇, 梅林, & 熊曳. （2023）. 多模態數據驅動的大學生混合式學習評價. 現代教育技術（1）, 99-107.

龔朝花, 李倩, & 龔勇. （2018）. 智慧學習環境中的學習投入問題研究. 電化教育研究（6）, 83-89.

胡同文, 張闊, 程玉茹, & 王敬欣. （2024）. 中文閱讀中的情緒詞類型效應不受效價的調節：來自眼動的證據. 心理與行為研究（2）, 197-203.

李偉麗, 孔華秀, 候亮, & 丁桂鳳. （2022）. 大學生的不同學習投入類型及其影響因素. 黑龍江高教研究（6）, 145-150.

李新, & 李艷燕. （2022）. 協作學習情境中學習投入數字化表征模型的構建與應用. 中國遠程教育（8）, 70-77.

李新, 李艷燕, & 楊現民. （2023）. 協作學習投入的結構模型構建與機理闡釋. 現代教育技術（12）, 45-55.

李秀晗, 張曉曼, 王濤, 楊玉芹, & 羅恒. （2023）. CoP視域下教師網絡學習社群的群體動力特征. 現代教育技術（9）, 89-98.

李艷燕, 彭禹, 康佳, 包昊罡, & 蘇友. （2020）. 在線協作學習中小組學習投入的分析模型構建及應用. 中國遠程教育（2）, 40-48, 77.

厲飛飛, 呂勇, & 房佳琪. （2018）. 積極情緒反饋對注意捕獲影響的實驗研究. 心理科學（4）, 789-795.

劉君玲, 張文蘭, & 劉斌. （2020）. 在線協作交互文本編碼體系的設計與應用——基于情緒交互視角的研究. 電化教育研究（6）, 53-59.

劉君玲, 張雅文, 劉斌, 張文蘭, & 王建虎. （2022）. 挑戰情境下同伴情緒交互策略對在線協作交互效果的影響. 電化教育研究（11）, 60-68, 84.

羅江華, & 岳彥龍. （2024）. 人工智能生成數字教育資源適應性評價指標體系構建. 現代遠距離教育（4）, 39-47.

馬婧, 姜萌, & 董艷. （2023）. 虛擬現實環境中基于多維傳感系統的學習投入綜合模型研究. 電化教育研究（2）, 107-113.

牟智佳. （2020）. 多模態學習分析：學習分析研究新生長點. 電化教育研究（5）, 27-32, 51.

齊媛. （2019）. 網絡學習環境對小學生學習投入的影響研究——以教客平臺為例. 中國特殊教育（12）, 83-88.

萬昆, 饒愛京, & 徐如夢. （2021）. 哪些因素影響了學習者的在線學習投入？——兼論智能時代在線學習的發展. 教育學術月刊（6）, 97-104.

王翠如, 徐培培, & 胡永斌. （2021）. 桌面虛擬現實學習環境對學習投入和學習成績的影響——基于多模態數據. 開放教育研究（3）, 112-120.

王麗英, 何云帆, & 田俊華. （2020）. 在線學習行為多模態數據融合模型構建及實證. 中國遠程教育（6）, 22-30, 51, 76.

王曉春, & 王剛. （2023）. 基于ISM的大學生學習投入影響因素及作用機制. 高等工程教育研究（6）, 118-124.

王雪, 高澤紅, 徐文文, & 張蕾. （2021）. 反饋的情緒設計對視頻學習的影響機制研究. 電化教育研究（3）, 69-74.

王云, 李志霞, 白清玉, & 姚海瑩. （2020）. 在線討論中動態學習情緒和認知行為序列的關系研究. 電化教育研究（6）, 60-67.

謝莉, & 尹潔. （2021）. 生涯規劃清晰度對大學生學習參與的影響：有調節的中介模型. 心理學探新（5）, 437-442.

閆志明, 郭喜蓮, & 王睿. （2018）. 多媒體學習研究中眼動指標述評. 現代教育技術（5）, 33-39.

余輝, 梁鎮濤, & 鄢宇晨. （2020）. 多來源多模態數據融合與集成研究進展. 情報理論與實踐（11）, 169-178.

張康英. （2015）. 在線協作學習中情緒反饋對交互質量的影響研究. 寧波大學.

Avry, S., Chanel, G., Bétrancourt, M., & Molinari, G. (2020). Achievement appraisals, emotions and socio-cognitive processes: How they interplay in collaborative problem-solving? Computers in Human Behavior, 107, 106267.

Chen, W., Liu, D., & Lin, C. (2023). Collaborative peer feedback in L2 writing: Affective, behavioral, cognitive, and social engagement. Frontiers in Psychology, 14, 1078141.

Darnell, D. K., & Krieg, P. A. (2019). Student engagement, assessed using heart rate, shows no reset following active learning sessions in lectures. Plos One, 14(12), e0225709.

Denham, S. A., Ferrier, D. E., Howarth, G. Z., Herndon, K. J., & Bassett, H. H. (2016). Key considerations in assessing young children’s emotional competence. Cambridge Journal of Education, 46(3), 299-317.

Derham, C., Balloo, K., & Winstone, N. (2022) The focus, function and framing of feedback information: Linguistic and content analysis of in-text feedback comments. Assessment & Evaluation in Higher Education, 47(6), 896-909.

Dubovi, I. (2022). Cognitive and emotional engagement while learning with VR: The perspective of multimodal methodology. Computers & Education, 183, 104495.

Erickson, D., Holderness, D. K., Olsen, K. J., & Thornock, T. A. (2022). Feedback with feeling? How emotional language in feedback affects individual performance. Accounting, Organizations and Society, 99, 101329.

Foo, S. Y. (2021). Analysing peer feedback in asynchronous online discussions: A case study. Education and Information Technologies, 26(4), 4553-4572.

Greipl, S., Bernecker, K., & Ninaus, M. (2021). Facial and bodily expressions of emotional engagement. Proceedings of the ACM on Human-Computer Interaction, 5, 1-25.

Isoh?t?l?, J., N?ykki, P., & J?rvel?, S. (2020). Cognitive and socio-emotional interaction in collaborative learning: Exploring fluctuations in students’ participation. Scandinavian Journal of Educational Research, 64(6), 831-851.

Izard, C. E. (1972). Patterns of emotions: A new analysis of anxiety and depression. Academic Press.

Lang, Y., Xie, K., Gong, S., Wang, Y., & Cao, Y. (2022). The impact of emotional feedback and elaborated feedback of a pedagogical agent on multimedia learning. Frontiers in Psychology, 13, 810194.

Lee, C. (2020). A study of adolescent English learners’ cognitive engagement in writing while using an automated content feedback system. Computer Assisted Language Learning, 33(1-2), 26-57.

Liu, M., Liu, L., & Liu, L. (2018). Group awareness increases student engagement in online collaborative writing. The Internet and Higher Education, 38, 1-8.

Liu, S. Y. Y., Liu, S. Q., Liu, Z., Peng, X., & Yang, Z. K. (2022). Automated detection of emotional and cognitive engagement in MOOC discussions to predict learning achievement. Computers & Education, 181, 104461.

Lyu, T., Li, K., Wang, X., Xiao, X., & Zhu, B. (2024). Enhancing collaborative learning in blended environments: The mediator role of intra-group emotional support in peer interaction. In Proceedings of the 2024 9th International Conference on Distance Education and Learning (pp.172-177). ACM.

M?nty, K., J?rvenoja, H., & T?rm?nen, T. (2020). Socio-emotional interaction in collaborative learning: Combining individual emotional experiences and group-level emotion regulation. International Journal of Educational Research, 102, 101589.

Mayordomo, R. M., Espasa, A., Guasch, T., & Martínez?Melo, M. (2022). Perception of online feedback and its impact on cognitive and emotional engagement with feedback. Education and Information Technologies, 27, 7947-7971.

Ouyang, F., Chen, Z. X., Cheng, M. T., Tang, Z. F., & Su, C. Y. (2021). Exploring the effect of three scaffoldings on the collaborative problem-solving processes in China’s higher education. International Journal of Educational Technology in Higher Education, 18(1), 35.

Pandia, A. (2023). Cognitive bias and emotional bias in investment decision making with risk perception mediation. International Journal of Economics, Business and Management Research, 7(2), 168-182.

Pekrun, R., Goetz, T., Titz, W., & Perry, R. P. (2002). Academic emotions in students’ self-regulated learning and achievement: A program of qualitative and quantitative research. Educational Psychologist(2), 91-105.

Rafikova, A. S. (2022). Socio-emotional regulation in collaborative Learning: Studies review. Psychological-Pedagogical Journal Gaudeamus(2), 25-34.

Tan, S. E., & Jung, I. (2024). Unveiling the dynamics and impact of emotional presence in collaborative learning. International Journal of Educational Technology in Higher Education, 21(44), 1-18.

Tomkins, S. S. (1970). Affect as the primary motivational system. In K. R. Scherer, & P. Ekman (Eds.), Feelings and emotions: The Loyola symposium (pp.27-52). Academic Press.

Tseng, S. C., & Tsai, C. C. (2007). On-line peer assessment and the role of the peer feedback: A study of high school computer course. Computers & Education, 49(4), 1161-1174.

Van Kleef, G. A., Anastasopoulou, C., & Nijstad, B. A. (2010). Can expressions of anger enhance creativity? A test of the emotions as social information (EASI) model. Journal of Experimental Social Psychology, 46(6), 1042-1048.

Wang, S. (2024). The dimensions and dynamism of group engagement in computer-mediated collaborative writing in EFL classes. Sage Open, 14(1), 1-14.

Watson, D., Clark, L. A., & Tellegen, A. (1988). Development and validation of brief measures of positive and negative affect: The PANAS scales. Journal of Personality and Social Psychology, 54(6), 1063-1070.

Xiao, J., Jiang, Z. J., Wang, L. M., & Yu, T. Z. (2023). What can multimodal data tell us about online synchronous training: Learning outcomes and engagement of in-service teachers. Frontiers in Psychology, 13, 1664-1078.

Xu, B., Chen, N. S., & Chen, G. (2020). Effects of teacher role on student engagement in WeChat-Based online discussion learning. Computers & Education, 157, 103956.

Xu, W., & Lou, Y. (2024). Changes in the socially shared regulation, academic emotions, and product performance in venue-based collaborative learning. Active Learning in Higher Education, 25(3), 517-535.

Zhang, Z., & Gao, X. A. (2024). A longitudinal study of enjoyment and group-level emotion regulation in online collaborative English language learning. Learning and Motivation, 88, 102052.

Zheng, L., Zhong, L., & Niu, J. (2022). Effects of personalised feedback approach on knowledge building, emotions, co-regulated behavioural patterns and cognitive load in online collaborative learning. Assessment & Evaluation in Higher Education, 47(1), 109-125.

A Research on the Impact of Emotional Feedback on Collaborative Learning Engagement Supported by Multimodal Data

Fan Fulan, Wang Xuyang, Mei Lin, Li Yahong, Nie Xin

Abstract:In the process of collaborative learning, academic emotion significantly influences learning engagement. Appropriate emotional feedback not only enhances students’ emotional well-being but also plays a crucial role in enhancing collaborative learning engagement and ensuring learning effects. This study focused on the influencing mechanism of emotional feedback on the collaborative learning engagement. The research objects were the students in the course of “project application”. We carried out quasi-experimental research in the class. On the issue of collaborative learning engagement assessment, multimodal learning analysis technology was used to collect and analyze multimodal data in the students’ learning process. Then, we explored the influencing mechanism of different emotional feedbacks on collaborative learning engagement. The results showed that there was a significant difference in the level of collaborative learning engagement between positive emotional feedback and negative emotional feedback, and the level of learning engagement under positive emotional feedback was higher than that under negative emotional feedback. Under the condition of different levels of emotional engagement, the number of positive emotional feedback had a significant impact on cognitive engagement. In positive emotional feedback, the state of pleasant emotional feedback had the best effect. In negative emotional feedback, the state of suspicious emotional feedback had the best effect. This study explored the influencing mechanism of collaborative learning engagement from the perspective of emotional feedback, which plays an important role in improving students’ collaborative learning experience and enhancing the quality of collaborative learning.

Keywords:collaborative learning; emotional feedback; learning engagement; multimodal learning analysis

作者簡介

范福蘭，中南民族大學教育學院副教授（武漢 430074）。

王旭陽，中南民族大學教育學院碩士研究生（武漢 430074）。

梅林，華中師范大學人工智能教育學部博士研究生（通訊作者：meilin222@126.com 武漢 430079）。

李亞紅，中南民族大學教育學院教授（武漢 430074）。

聶新，鄭州大學計算機與人工智能學院副教授（鄭州 450001）。

基金項目

國家自然科學基金2022年度青年項目“小樣本困境下的多模態協作學習情感智能識別研究”（項目編號：62207033）

責任編輯：單玲

期刊簡介

《中國遠程教育》創刊于1981年，是教育部主管、國家開放大學主辦的綜合性教育理論學術期刊，是中文社會科學引文索引（CSSCI） 來源期刊、全國中文核心期刊、中國人文社會科學期刊AMI綜合評價（A刊） 核心期刊、中國科學評價研究中心（RCCSE） 核心期刊、中國期刊方陣雙效期刊、人大復印報刊資料重要轉載來源期刊，面向國內外公開發行。

本刊關注重大教育理論與政策，推動科技賦能教育，反映國際學術前沿，聚焦本土教育改革，注重學術研究規范，提倡教育原創研究。

地址

北京市海淀區西四環中路45號

郵編

電話

010-68182514

電郵

zzs@ouchn.edu.cn

網址

cjde.ouchn.edu.cn

來源｜中國遠程教育微刊

聲明：轉載此文是出于傳遞更多信息之目的。若有來源標注錯誤或侵犯了您的合法權益，請作者持權屬證明與我們聯系，我們將及時更正、刪除，謝謝。