52、学习中的情感与任务难度分析

学习中的情感与任务难度分析

1. 情感检测与数据处理

在课堂环境中，情感探测器用于识别各种情感状态，但在识别罕见情况时可能存在局限性。为解决训练数据中目标类别不平衡的问题，采取了以下操作步骤：
1. 使用随机抽样对多数类样本进行欠采样。
2. 运用 SMOTE 算法对少数类样本进行合成过采样。

经过重采样的数据包含 7 个数值特征（表示基本情绪的可能性）和一个名义二元目标类，用于训练分类器模型。

2. 分类器模型训练

采用 10 折分层交叉验证来构建二元分类器，以预测专注度、挫败感和困惑感。选择的分类器模型包括随机森林（RF）、决策树（DT）、神经网络（NN）、朴素贝叶斯（NB）和逻辑回归（LR）。其中，朴素贝叶斯和逻辑回归模型作为基线来评估模型性能。模型选择标准既考虑了可解释性，也考虑了性能，更倾向于选择逻辑回归和决策树等可解释性强的模型。

以下是不同分类器模型预测成就情绪类别的性能指标表格：
| AE | 分类器 | AUC | F1 | 准确率 |
| — | — | — | — | — |
| 困惑 | RF | 0.73 | 0.64 | 0.66 |
| 困惑 | DT | 0.70 | 0.64 | 0.66 |
| 困惑 | NN | 0.60 | 0.53 | 0.59 |
| 困惑 | NB | 0.56 | 0.45 | 0.56 |
| 困惑 | LR | 0.58 | 0.45 | 0.56 |
| 挫败感 | RF | 0.76 | 0.69 | 0.69 |
| 挫败感 | DT | 0.73 |