基于多维连续情感识别的在线学习风险预警

在线教学的教师由于缺乏与学生的情感交互无法像传统面对面课堂那样及时预测学业成绩以提前进行干预。为此,建立基于情感分析的在线教学学业风险预测方法。首先,通过获取效价—唤醒度—控制性(Valence-Arousal-Dominance,VAD)多维情感参数来获得更全面精细的情感信息。其次,利用正交卷积神经网络进行多维情感参数识别。最后,选用多个经典回归模型进行学业成绩和学业风险预测实验,最终选出最适合预测学术风险的模型。实验结果表明,采用正交化卷积约束的神经网络和未进行约束的模型相比,情感参数预测准确性提升;在预测学术成就上引入VAD情感参数比仅使用认知数据的预测准确度明显提升;ADA_RF_EXP模型在最终成绩预测和失败风险警示方面表现最佳。