CN109816178A - 心理状态预测方法、装置及电子设备 - Google Patents

Abstract

本发明提供了一种心理状态预测方法、装置及电子设备，涉及在线教育技术领域，其中，该方法包括：获取学习者与在线教育系统的交互事件信息；根据该交互事件信息对应的时间戳，生成学习交互情境；将上述学习交互情境输入至预先训练的深度学习网络模型，预测该学习交互情境对应的心理状态，通过该方法能够很好地体现学习者的交互行为和学习者心理状态之间的关系，从而使得学习者的心理状态预测变得更加地准确高效，帮助教育工作者更好地理解学习者的心理状态。

Description

心理状态预测方法、装置及电子设备

技术领域

本发明涉及在线教育技术领域，尤其是涉及一种心理状态预测方法、装置及电子设备。

背景技术

在线教育领域中，如何识别学习者在学习过程中的心理状态，并提供对应的支持和反馈，是近些年国内外教育工作者研究的重点。正确识别学习者的交互行为，特别是实时获取学习者在学习过程中的心理状态，可以帮助我们调整教学方案，实现更高效的、以学习者为中心的科学教育。

在过去的几十年间，在线教育领域中，自动检测学习者心理状态的计算模型已经被广泛研究。目前自动检测学习者心理状态的检测器主要分为两类：基于传感器(Sensor-Based)的检测器和基于交互数据(Interaction-Based)的检测器。基于传感器的检测器通过多种类型的数据来开发，主要包括来自物理和生理的传感器数据，如面部表情数据，心率数据等。但由于一些政治、经济因素的限制，传感器不易于大规模部署在学习环境中，所以研究者期望仅仅通过学习者与学习环境的交互数据，使用无传感器(Sensor-Free)检测器来识别学习者在学习过程中的心理状态。

为了识别出学习者在学习过程中的心理状态，需要根据交互数据提取出能够表现学习者学习行为的特征。然而，传统的学习特征提取方法为人工标定特征方法，以学习者的鼠标、键盘和操作日志数据作为识别特征，这些特征过于低层且缺乏语义信息，对学习者的心理状态识别率较低，无法找到学习者的心理状态与行为之间的对应关系，从而难以度量出学习者的心理状态改变，不利于教育工作者对学习者心理状态的理解，因此难以应用到实际教育场景之中。

发明内容

有鉴于此，本发明实施例的目的在于提供一种心理状态预测方法、装置及电子设备，以解决人工提取对实验人员的限定，减少人工提取所要花费的时间和代价，同时很好地展示出学习者的心理状态与行为之间的对应关系，从而帮助教育工作者更好地理解学习者的心理状态。

第一方面，本发明实施例提供了一种心理状态预测方法，包括：

获取学习者与在线教育系统的交互事件信息；

根据所述交互事件信息对应的时间戳，生成学习交互情境；

将所述学习交互情境输入至预先训练的深度学习网络模型，预测所述学习交互情境对应的心理状态；

其中所述心理状态包括情感状态、人格状态及压力状态中的一种或者多种。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，获取学习者与在线教育系统的交互事件信息的步骤包括：

获取学习者与在线教育系统有关的有关交互事件信息；

获取学习者与在线教育系统无关的无关交互事件信息；

根据所述有关交互事件信息与所述无关交互事件信息确定学习者与在线教育系统的交互事件信息。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，根据所述交互事件信息对应的时间戳，生成学习交互情境的步骤包括：

根据所述交互事件信息对应的时间戳，对所述交互事件信息进行排序生成交互事件序列；

按照预设时间粒度对所述交互事件序列中的交互事件信息进行聚合，得到交互行为序列；所述交互行为序列包括在相应的时间粒度内交互事件信息的次数统计信息；

从所述交互行为序列中选取预设时间段内的片段序列，根据所述片段序列生成学习交互情境。

结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，从所述交互行为序列中选取预设时间段内的片段序列，根据所述片段序列生成学习交互情境的步骤包括：

根据所述交互行为序列生成交互行为矩阵，所述交互行为矩阵的参数包括在相应的时间粒度内交互事件信息的次数统计信息；

从所述交互行为矩阵中选取预设时间段对应的矩阵信息，根据所述矩阵信息生成学习交互情境。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述深度学习网络模型的训练过程包括：

获取学习者与在线教育系统的交互事件样本信息；

根据所述交互事件样本信息对应的时间戳，生成学习交互样本情境；

对所述学习交互样本情境标注对应的心理状态标签，得到标注后的学习交互样本情境；

将标注后的学习交互样本情境作为所述深度学习网络模型的输入，对所述深度学习网络模型进行训练。

结合第一方面的第四种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，对所述学习交互样本情境标注的心理状态标签是根据接收到的学习者发送的第一标签和实验人员发送的第二标签确定的。

第二方面，本发明实施例还提供一种心理状态预测装置，包括：

信息获取模块，用于获取学习者与在线教育系统的交互事件信息；

情境生成模块，用于根据所述交互事件信息对应的时间戳，生成学习交互情境；

预测模块，用于将所述学习交互情境输入至预先训练的深度学习网络模型，预测所述学习交互情境对应的心理状态；

其中所述心理状态包括情感状态、人格状态及压力状态中的一种或者多种。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，还包括训练模块，所述训练模块用于：

获取学习者与在线教育系统的交互事件样本信息；

根据所述交互事件样本信息对应的时间戳，生成学习交互样本情境；

对所述学习交互样本情境标注对应的心理状态标签，得到标注后的学习交互样本情境；

将标注后的学习交互样本情境作为所述深度学习网络模型的输入，对所述深度学习网络模型进行训练。

第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面及其任一种可能的实施方式所述的方法。

第四方面，本发明实施例还提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述程序被处理器执行时实现上述第一方面及其任一种可能的实施方式所述的方法。

本发明实施例带来了以下有益效果：

在本发明实施例中，该心理状态预测方法通过获取学习者与在线教育系统的交互事件信息，并根据该交互事件信息对应的时间戳生成学习交互情境，再将学习交互情境输入至预先训练的深度学习网络模型，预测学习交互情境对应的心理状态。该方式在将包含交互事件信息的学习交互情境输入至深度学习网络模型后，由该深度学习网络模型自动提取交互特征，解决了人工提取对实验人员的限定，减少了人工提取所要花费的时间和代价，同时将操作时序信息和语义信息完整地表现在特征之中，能够很好地体现交互行为和学习者心理状态之间的关系，使得学习者的心理状态预测变得更加地准确高效，从而帮助教育工作者更好地理解学习者的心理状态。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种心理状态预测方法的流程示意图；

图2为本发明实施例提供的一种学习交互情境示意图；

图3为本发明实施例提供的一种深度学习网络模型示意图；

图4为本发明实施例提供的一种心理状态预测装置的结构示意图；

图5为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前，在线教育领域中，现有的心理状态预测方法在获取学习者的行为特征时通常采用人工标定特征方法，以学习者的鼠标、键盘和操作日志数据作为识别特征，这些特征过于低层且缺乏语义信息，对学习者的心理状态识别率较低。基于此，本发明实施例提供了一种心理状态预测方法、装置及电子设备，能够很好地体现交互行为和学习者心理状态之间的关系，从而使得学习者的心理状态预测变得更加地准确高效。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种心理状态预测方法进行详细介绍。

实施例一：

图1为本发明实施例提供的一种心理状态预测方法，该方法应用于在线学习者的心理状态预测过程中，可以通过相关的处理器实现。如图1所示，该方法包括步骤S1-S3，具体如下：

步骤S1，获取学习者与在线教育系统的交互事件信息。

步骤S2，根据该交互事件信息对应的时间戳，生成学习交互情境。

步骤S3，将上述学习交互情境输入至预先训练的深度学习网络模型，预测该学习交互情境对应的心理状态。

其中，上述心理状态包括情感状态、人格状态及压力状态中的一种或者多种。

在本发明实施例中，该心理状态预测方法通过获取学习者与在线教育系统的交互事件信息，并根据该交互事件信息对应的时间戳生成学习交互情境，再将学习交互情境输入至预先训练的深度学习网络模型，预测学习交互情境对应的心理状态。该方式在将包含交互事件信息的学习交互情境输入至深度学习网络模型后，由该深度学习网络模型自动提取交互特征，解决了人工提取对实验人员的限定，减少了人工提取所要花费的时间和代价，同时将操作时序信息和语义信息完整地表现在特征之中，能够很好地体现交互行为和学习者心理状态之间的关系，使得学习者的心理状态预测变得更加地准确高效，从而帮助教育工作者更好地理解学习者的心理状态。

考虑到学习者与在线教育系统的相关交互和不相关的交互均能体现学习者心理状态的变化，基于此在可能的实施例中，上述步骤S1包括：获取学习者与在线教育系统有关的有关交互事件信息，获取学习者与在线教育系统无关的无关交互事件信息，根据该有关交互事件信息与该无关交互事件信息确定学习者与在线教育系统的交互事件信息。这样实现了有关交互事件信息和无关事件信息的共同采集，从而能够更精确的预测学习者的心理状态。

在具体实施过程中，本发明实施例采用的在线教育系统为在线编程学习环境，通过在Eclipse软件中安装Fluorite(Full of Low-level User Operations Recorded InThe Editor)编程事件收集工具获取学习者与在线教育系统有关的有关交互事件信息，该有关交互事件信息以编程日志事件的形式表现出来。该Fluorite收集工具可以记录学习者在Eclipse软件中的编程活动事件，Fluorite收集工具记录的事件共有以下三种类型：

(1)Command：由学习者动作直接触发的事件。

(2)Document change：当活动文件被改变时产生，它包含了实际插入或删除的文本。无论执行任何命令导致活动文件改变时，都会相应的记录一个document change事件。Document change事件总是在产生它的command之前。

(3)Annotation：用于软件开发者向实验人员提供注解。

其中，每种事件类型下包含许多不同的交互事件，这几种事件类型可以根据应用的场景和目的的不同，提取出不同数量的交互事件，如此处设置交互事件的数量为N。Fluorite工具记录的日志事件保存为XML格式。

需要说明的是，该收集工具可以但不限于为Fluorite收集工具，也可以采用其他收集工具，如Eclipse Helper等。

对于学习者与在线教育系统无关的无关交互事件信息的获取，如与在线教育系统无关的鼠标、键盘事件等，可以但不限于通过编写钩子程序获取。随后根据该有关交互事件信息与该无关交互事件信息得到学习者与在线教育系统的交互事件信息。

在可能的实施例中，上述步骤S2包括：根据交互事件信息对应的时间戳，对该交互事件信息进行排序生成交互事件序列，按照预设时间粒度对交互事件序列中的交互事件信息进行聚合，得到交互行为序列，其中，该交互行为序列包括在相应的时间粒度内交互事件信息的次数统计信息，从交互行为序列中选取预设时间段内的片段序列，根据该片段序列生成学习交互情境。

在具体实现时，可以根据上述Fluorite工具记录的XML日志，获取学习者的所有交互记录，学习者的每一条交互记录表示为一个[1×N]维的向量，其中每一维表示一个交互事件。将所有的交互事件按照事件发生的顺序，即时间戳(按照毫秒数进行表示，可以转换为标准时间)的顺序进行排列，如果发生该事件，则事件数记为1，否则记为0。这样，就可以将学习者的交互行为通过交互事件序列体现出来，该交互时间序列可以表达成交互事件链的形式，如表1所示。

表1交互事件链

其中，插入、删除、替换等表示学习者的交互事件，这些交互事件中蕴含了语义信息，如学习者进行这些操作的操作顺序，操作之间的关联性等，该交互事件链共有N维。

根据经验以及观察学习者的学习行为，可以发现学习者的交互事件出现的频率大约为1秒/次。因此在本发明实施例中，选择1秒的时间粒度对学习者的交互事件信息进行聚合，即从开始记录的时间计算，每1秒钟计算学习者的交互事件发生的次数并对交互事件信息的次数进行统计，形成学习者的交互行为序列。需要说明的是，这个时间可以但不限于为1秒，可根据实际交互事件出现的频率进行调节。

进一步的，从上述交互行为序列中选取预设时间段内的片段序列，根据片段序列生成学习交互情境的步骤包括：根据上述交互行为序列生成交互行为矩阵，该交互行为矩阵的参数包括在相应的时间粒度内交互事件信息的次数统计信息；从交互行为矩阵中选取预设时间片段对应的矩阵信息，根据该矩阵信息生成学习交互情境。

在一个应用实例中，上述交互行为矩阵如表2所示，该交互行为矩阵中的参数包括所选时间粒度的排序信息、学习者交互事件的语义信息等等。通过交互行为矩阵中的这些参数可以聚合学习者的行为模式。例如，学习者在学习的过程中，出现了几个插入事件，后面紧跟着是一个删除事件，这个行为模式就表示学习者的回退行为。

表2交互行为矩阵

进一步的，从交互行为矩阵中选取每N秒对应的矩阵信息，即每N秒的交互行为序列作为一个片段，将该片段构成一个N*N维的学习交互情境，如图2所示，该学习交互情境完整包含了学习者在这一段时间中顺序发生的操作序列信息。

随后对该学习交互情境标注心理状态标签，如困惑、沮丧、专注、无聊等等。需要说明的是，对上述学习交互情境标注的心理状态标签是根据接收到的学习者发送的第一标签和实验人员发送的第二标签确定的。

在本发明实施例中，以困惑、沮丧、专注、无聊这四种心理状态标签为例对该学习交互情境进行标记。其中，学习者发送的第一标签为学习者观看他们的实验录屏后按照给定的时间粒度主动报告的心理状态标签；实验人员发送的第二标签为实验人员通过观察学习者的行为标记的心理状态标签。在整个标记过程中，一般设置两名实验人员同时对学习者的行为进行观察，其中，学习者主动报告的心理状态优先级最高(即权重最大)，如果两名实验人员确定的心理状态一致，但与学习者不同，则选用两位实验人员的观察结果对该学习交互情境进行标记；如果三者都不同，则选用学习者自己报告的心理状态对该学习交互情境进行标记。

在上述预测心理状态之前，对深度学习网络模型进行训练。在可能的实施例中，该深度学习网络模型的训练过程包括：获取学习者与在线教育系统的交互事件样本信息；根据该交互事件样本信息对应的时间戳，生成学习交互样本情境；对学习交互样本情境标注对应的心理状态标签，得到标注后的学习交互样本情境；将标注后的学习交互样本情境作为深度学习网络模型的输入，对深度学习网络模型进行训练。

在本发明实施例中，采用的深度学习网络模型可以但不限于是在tensorflow环境中搭建的深度卷积神经网络学习模型，该深度卷积神经网络学习模型的结构如图3所示，包括输入层(input)、3个卷积层(conv1、conv2、conv3)、2个全连接层(fc1、fc2)、输出层(output)，前两个卷积层后均有对应池化层(pool1、pool2)。

具体的，输入层(input)：用于输入训练样本；第一个卷积层(conv1)：48个7*7*1的卷积核在步长为3的情况下对108*108*1的图像进行了滤波，本层map大小为36*36，map数目为48；第一个池化层(pool1)：(2*2，步长为2)进行池化处理，map大小为18*18，map数为48；第二个卷积层(conv2)：96个5*5的卷积核，步长为1，map大小为18*18，map数96；第二个池化层(pool2)：(2*2，步长为2)进行池化处理，map大小为9*9，map数为96；第三个卷积层(conv3)：128个3*3的卷积核，步长为1，map大小为9*9，map数目为128；第一个全连接层(fc1)：上层为9*9*128，全连接到4096个节点，接dropout层；第二个全连接层(fc2)：fc2是上一个全连接层(fc1)进行激活(relu)后，然后进行dropout(drop)后再进行全连接的结果，本层节点数目为256个。最后输出层(output)输出为融合标签的softmax loss，本层节点数目为4个，对应着4类对象，即困惑、沮丧、专注、无聊。

为使模型训练结果准确度更高，可对该深度卷积神经网络学习模型进行以下优化：

(1)采用ReLU激活函数，该ReLu激活函数的数学公式为：

ReLU(x)＝max(x,0) (1)

通过这种方法能够更快的学习。在传统的机器学习过程中一般采用Sigmoid函数和Tanh函数来作为激活函数，但是这两个函数在做梯度下降的过程中(即减小训练误差)速度比较慢，也就是迭代次数比较多；在复杂的神经网络中，传统的激活函数效率太低，不切合实际，因此一般会在神经网络中采用ReLu激活函数，ReLu激活函数使用了ReLU(Rectified Linear Unit，修正线性单元)，使学习周期大大缩短，从而提高了速度和效率。

(2)进行局部反应归一化(Local Response Normalization)，即对输入数据进行归一化。局部归一化方案有助于一般化。用表示点(x,y)，通过应用核计算出的神经元激活度，然后应用ReLU激活函数的非线性，则响应归一化活性由下式给出：

其中，表示第i个神经元在点(x,y)使用激活函数ReLU后的输出；表示第j个神经元在点(x,y)使用激活函数ReLU后的输出；n为同一位置上临近的核映射(kernalmap)的数目；N是该层中的核总数。核映射的顺序是任意的，且在训练开始前就确定。受到在真实神经元中发现的类型启发，这种响应归一化实现了一种侧向抑制，在使用不同核计算神经元输出的过程中创造最大激活度的竞争。参数k、n、α和β均为超参数，它们的值要用验证集来确定，此处设置它们的值分别为k＝2、n＝5、α＝10^-4、β＝0.75，在某些层应用ReLU归一化后再应用这种归一化。

由于数据量的限制以及训练参数的增多，卷积神经网络几乎都面临着过拟合的问题，为减少过度拟合，可以采用以下方法：

(1)重叠池化：有重叠的池化能让模型更不易出现过拟合现象。

(2)dropout：这种技术降低了神经元间相互适应的复杂性。因为每个神经元都不可能依赖其它特定某个神经元的表现，因此，模型被迫学习更加健壮的特征，使之能够被许多不同的随机神经元子集使用，由此减少了过拟合的可能性。dropout在每次训练过程中以0.5的概率将每个隐层神经元的输出设置为零，用这种方式可以使一些神经元失效，这样就可以缩减参数量，避免过拟合。所以每次提出一个输入，该神经网络就尝试一个不同的结构，但是所有这些结构之间共享权重。因为神经元不能依赖于其他特定神经元而存在，所以这种技术降低了神经元复杂的互适应关系。在测试时，将所有神经元的输出都仅仅只乘以0.5，对于获取指数级dropout网络产生的预测分布的几何平均值，这是一个合理的近似方法。

在上述深度卷积神经网络学习过程中，在开始网络训练时，在不改变样本类别的情况下，增加数据量能提高模型的泛化能力。在本发明实施例中，采用水平翻转和90度旋转的方式，将数据增加成了原有的3倍。接着对输入网络的样本进行预处理：零均值化，这是因为数据有过大的均值可能导致参数的梯度过大，所以要求数据零均值。新数据等于原数据减去均值。

另一个增加数据量的办法是数据归一化：为了让不同维度的数据具有相同的分布。随后对参数进行初始化，初始化参数应该非常接近于零但不全等于零，来打破网络的对称性。初始参数应该是随机且独立的来保证每个参数更新过程是不同的。

进一步的，将样本数据送入深度卷积神经学习网络，开始训练时，通常将学习率设为0.1。在训练过程中，当观察到在验证集上的loss或者准确率不再变化时，将学习率除以2或5后继续训练。如果损失曲线表现出线性，如下降缓慢，则表明学习率太低；如果损失不再下降，表明学习率太高陷入局部最小值；曲线的宽度和batch size有关，如果宽度太宽，说明相邻batch间的变化太大，应该减小batch size。

实施例二：

对应于上述实施例中的一种心理状态预测方法，本发明实施例还提供了一种心理状态预测装置，参见图4，该装置包括：

信息获取模块11，用于获取学习者与在线教育系统的交互事件信息；

情境生成模块12，用于根据交互事件信息对应的时间戳，生成学习交互情境；

预测模块13，用于将学习交互情境输入至预先训练的深度学习网络模型，预测学习交互情境对应的心理状态；

其中上述心理状态包括情感状态、人格状态及压力状态中的一种或者多种。

进一步的，上述心理状态预测装置还包括训练模块，该训练模块用于：获取学习者与在线教育系统的交互事件样本信息；根据交互事件样本信息对应的时间戳，生成学习交互样本情境；对学习交互样本情境标注对应的心理状态标签，得到标注后的学习交互样本情境；将标注后的学习交互样本情境作为深度学习网络模型的输入，对该深度学习网络模型进行训练。

在本发明实施例中，该心理状态预测方法通过获取学习者与在线教育系统的交互事件信息，并根据该交互事件信息对应的时间戳生成学习交互情境，再将学习交互情境输入至预先训练的深度学习网络模型，预测学习交互情境对应的心理状态。该方式在将包含交互事件信息的学习交互情境输入至深度学习网络模型后，由该深度学习网络模型自动提取交互特征，解决了人工提取对实验人员的限定，减少了人工提取所要花费的时间和代价，同时将操作时序信息和语义信息完整地表现在特征之中，能够很好地体现交互行为和学习者心理状态之间的关系，使得学习者的心理状态预测变得更加地准确高效，从而帮助教育工作者更好地理解学习者的心理状态。

实施例三：

参见图5，本发明实施例还提供一种电子设备100，包括：处理器40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。

其中，存储器41可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器41用于存储程序，所述处理器40在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。

处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。

本发明实施例提供的心理状态预测装置及电子设备，与上述实施例提供的心理状态预测方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

本发明实施例所提供的进行心理状态预测方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置及电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

附图中的流程图和框图显示了根据本发明的多个实施例方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种心理状态预测方法，其特征在于，包括：

获取学习者与在线教育系统的交互事件信息；

根据所述交互事件信息对应的时间戳，生成学习交互情境；

将所述学习交互情境输入至预先训练的深度学习网络模型，预测所述学习交互情境对应的心理状态；

其中所述心理状态包括情感状态、人格状态及压力状态中的一种或者多种。

2.根据权利要求1所述的方法，其特征在于，获取学习者与在线教育系统的交互事件信息的步骤包括：

获取学习者与在线教育系统有关的有关交互事件信息；

获取学习者与在线教育系统无关的无关交互事件信息；

根据所述有关交互事件信息与所述无关交互事件信息确定学习者与在线教育系统的交互事件信息。

3.根据权利要求1所述的方法，其特征在于，根据所述交互事件信息对应的时间戳，生成学习交互情境的步骤包括：

根据所述交互事件信息对应的时间戳，对所述交互事件信息进行排序生成交互事件序列；

按照预设时间粒度对所述交互事件序列中的交互事件信息进行聚合，得到交互行为序列；所述交互行为序列包括在相应的时间粒度内交互事件信息的次数统计信息；

从所述交互行为序列中选取预设时间段内的片段序列，根据所述片段序列生成学习交互情境。

4.根据权利要求3所述的方法，其特征在于，从所述交互行为序列中选取预设时间段内的片段序列，根据所述片段序列生成学习交互情境的步骤包括：

根据所述交互行为序列生成交互行为矩阵，所述交互行为矩阵的参数包括在相应的时间粒度内交互事件信息的次数统计信息；

从所述交互行为矩阵中选取预设时间段对应的矩阵信息，根据所述矩阵信息生成学习交互情境。

5.根据权利要求1所述的方法，其特征在于，所述深度学习网络模型的训练过程包括：

获取学习者与在线教育系统的交互事件样本信息；

根据所述交互事件样本信息对应的时间戳，生成学习交互样本情境；

对所述学习交互样本情境标注对应的心理状态标签，得到标注后的学习交互样本情境；

将标注后的学习交互样本情境作为所述深度学习网络模型的输入，对所述深度学习网络模型进行训练。

6.根据权利要求5所述的方法，其特征在于，对所述学习交互样本情境标注的心理状态标签是根据接收到的学习者发送的第一标签和实验人员发送的第二标签确定的。

7.一种心理状态预测装置，其特征在于，包括：

信息获取模块，用于获取学习者与在线教育系统的交互事件信息；

情境生成模块，用于根据所述交互事件信息对应的时间戳，生成学习交互情境；

预测模块，用于将所述学习交互情境输入至预先训练的深度学习网络模型，预测所述学习交互情境对应的心理状态；

其中所述心理状态包括情感状态、人格状态及压力状态中的一种或者多种。

8.根据权利要求7所述的装置，其特征在于，还包括训练模块，所述训练模块用于：

获取学习者与在线教育系统的交互事件样本信息；

根据所述交互事件样本信息对应的时间戳，生成学习交互样本情境；

对所述学习交互样本情境标注对应的心理状态标签，得到标注后的学习交互样本情境；

将标注后的学习交互样本情境作为所述深度学习网络模型的输入，对所述深度学习网络模型进行训练。

9.一种电子设备，其特征在于，包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至6任一项所述方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。