基于认知心理学的语言学习模型研究

计算机辅助语言学习中基于K—GMM模型的一种汉语声调识别技术及其应用研究

[摘要] 文章针对计算机辅助语言学习提出了一种基于K-GMM模型的汉语声调识别算法。该算法采用短时自相关计算提取基频，用拉格朗日插值算法对提取基频进行平滑处理、重采样和归一化处理，以获取模型设计的基频数据，设计并实现了K-GMM模型（基于K均值聚类算法的高斯混合模型），得出此模型在声调识别中具有很高的识别率，并初步分析了这一技术在计算机辅助语言学习中的应用及意义。该技术对计算机辅助语言学习具有一定的实用价值及借鉴意义。

[关键词] 自相关计算； K-GMM模型； 汉语声调； 计算机辅助语言学习

一、引 言

汉语是我国的语言，其中官方通用语言为普通话，学习汉语主要是通过老师上课教、学生课后根据书本上的汉语拼音学习的方式进行。这种方法对教师的依赖性过大，虽然教师通过普通话测试，但是仍然有一部分教师存在口音问题，同时这种学习方式对学生的普通话发音没有办法进行严格的评判。随着计算机多媒体技术的发展，可以使用计算机通过评测系统进行计算机辅助语言学习。而目前汉语普通话测试主要也是基于计算机辅助语言学习（Computer Assisted Language

Learning ，简称CALL）[1]进行的。本文从这个角度出发，首先获取模型设计的基频数据，设计并实现K-GMM模型，并初步分析这一技术应用于计算机辅助语言学习中的价值。

二、基于K-GMM模型的

一种汉语声调识别技术

汉语是声调语言，其单音节的声调模式共有五种，分别为阴平、阳平、上声、去声和轻声，[2]本文主要针对前四种声调进行分析。汉语最重要的信息是通过声调的基频保持的，它是提高语音生动性的重要因素。因此声调识别在汉语识别中十分关键，必须选用准确有效的方式方法提取基频，并对其进行必要的处理。必要的处理手段主要有插值平滑处理、重采样处理以及归一化处理。[3]通过这些必要的处理后，再通过建立一个识别模型才能够实现声调的识别。识别模型的好坏在一定程度上决定了识别率的高低，因此本文为了实现非特定人声调识别而建立了K-GMM模型。

龙源期刊网

基于认知心理学的用户思维模型研究

作者：郭永艳

来源：《设计》2012年第02期

摘要：随着技术的进步，产品功能越来越复杂，同时由于商业竞争加剧了产品的更新换代，设计师们有更多的机会对产品进行改进设计。但是消费者对产品的认知仍然受到固有经验的影响，使其在使用中无法识别设计师的意图，或者造成误解和误操作。因此设计师在设计初期要从用户的角度理解其思维方式和认知习惯，从而借用用户思维模型使设计更加人性化。文章介绍了用户思维模型的内容、框架和建立方法，并对其进行实例应用和分析。

关键词： 认知心理学 用户思维模型人性化设计

一、认知心理学的概念和作用

认知心理学是二十世纪50年代中期在西方兴起的一种心理学思潮，二十世纪70年代开始成为西方心理学认识心理学的一个主要研究方向。它研究人的高级心理过程，主要是认知过程，如注意、知觉、表象、记忆、思维和语言等，并进而研究人们如何学习、构成、存储和使用知识，发现和解决问题，以及决策。这也是用户在使用产品时所经历的心理活动过程，所以在产品设计时，要针对不同用户分析其心理思维过程。

认知的主要器官是神经系统。神经系统是心理现象的物质基础，人的一切心理和意识活动也是通过神经系统的活动来实现的。人的认知分为感觉和知觉。感觉是人脑对直接作用于感觉器官的事物个别属性的反映，感觉是人们了解外部世界的渠道，也是一切复杂心理活动的基础和前提。感觉的类型包括视觉、听觉、化学感觉(嗅觉和味觉)、皮肤感觉、本体感觉等。知觉是在人脑对直接作用于感觉器官的客观事物和主观状况整体的反映，知觉过程带有意志成分，人的知识、经验、需要、动机、兴趣等因素直接影响知觉的过程。

另外由于人的认知本身存在缺陷，例如容易遗忘，注意力资源有限无法长时间集中于任务，瞬时记忆一次只能记住少于五个符号的信息，遇到操作问题喜欢根据固有经验去解决，视觉识别能力有限……因此在产品使用中容易出现各种错误。

Vol.29 No.7 2019

59 基于眼动追踪技术的在线学习认知负荷量化模型研究*

薛耀锋1,2 李卓玮1 （1．华东师范大学 教育信息技术学系，上海 200062； 2．华东师范大学 上海数字化教育装备工程技术研究中心，上海 200062）

摘要：与传统课堂学习相比，在线学习具有信息量大、复杂度高的特点，对在线学习者的学习效果具有一定的负面影响。在分析认知负荷与眼动追踪技术的基础上，文章结合注视时间、注视点个数、瞳孔直径等三项眼动指标，构建了基于眼动追踪技术的在线学习认知负荷量化模型。随后，文章通过在线学习环境下的学习者认知负荷测试实验，结合大量眼动实验数据，验证了量化模型的可行性和准确性。基于眼动追踪技术的在线学习认知负荷量化模型的提出，可为生理指标测试工具应用于在线学习提供有价值的理论参考。 关键词：眼动追踪技术；在线学习；认知负荷 【中图分类号】G40-057 【文献标识码】A 【论文编号】1009—8097（2019）07—0059—07 【DOI】10.3969/j.issn.1009-8097.2019.07.009 一 认知负荷与眼动追踪技术 1 认知负荷 认知负荷是人在处理需要完成的具体任务时，通过信息加工产生的心理资源总量[1]。过量的认知负荷会直接影响人的学习状态，引发注意力低下、效率降低等问题。和传统学习模式相比，在线学习环境中学习者需要接受和处理的信息量成倍递增，信息结构更加复杂，这导致了在线学习过程中学习者出现认知负荷过高而影响学习质量的情况，甚至成为了大量学生不能在无监督的状态下完成在线学习的主要原因[2]。借鉴传统课堂学习中解决认知负荷的有效措施[3]，研究者提出量化在线学习环境中学习者认知负荷水平的方法，对于提高学习者的学习效率、优化教学设计具有重要的研究意义。 2 眼动追踪技术 很早以前，人类就已经意识到眼睛可以反映心理活动。人类通过观察的方式，归纳出一系列具有鲜明特征的眼动现象并记录下来，如眉目传情、目不转睛等。近100多年来，随着科学技术的快速发展，科学家发明了一系列精密的眼动追踪技术。眼动追踪技术是一种重要的心理测量技术，自被开发以来，已在很多领域（如运动科学[4]、新闻传播[5]、人机交互[6]等）展现出了巨大的应用价值。在教育领域，眼动数据的测量可以反映学习者的认知过程、阅读理解机制和视觉加工过程[7][8]，是学习状态的第一手资料。基于此，教育领域的学者纷纷围绕眼动追踪技术展开研究，获得了丰硕的成果[9][10]。近十年来，随着眼动追踪技术的不断发展，该技术在教育领域的研究成果也逐年增加。 本研究拟借鉴针对数字环境下认知负荷的综合测量法，结合注视时间、注视点个数、瞳孔直径等参数，建立了基于眼动追踪技术的在线学习认知负荷量化模型（下文简称“量化模型”），并通过实际测验的方式对量化模型加以验证，力求还原真实的认知负荷水平，以期为在线学习环境下认知负荷的量化研究提供一种切实可行的方法。 Vol.29 No.7 2019

Vol.28 No.8 2018

58 移动语言学习的技术接受研究探新

——从模型构建到认知诊断分类

孟亚茹1 刘 丹1 何高大2

（1

．西安交通大学 外国语学院，陕西西安 710049；

2．广东白云学院 外国语学院，广东广州 510450）

摘要：国内对于移动语言学习（Mobile-Assisted Language Learning，MALL）接受模型研究较少，能提供各维度接

受模式的研究尚属前沿。文章构建了7个因素的接受模型MALL-AM，据此发现学生总体接受度较高，直接影

响因素有感知趣味、绩效期望和自我管理。进一步分析显示，院校类别在7个因素接受度和接受模式上的分布

有显著差异，年级在因素上有显著差异，地方院校和低年级学生更关注客观促进条件和社群影响。通过多级顺

序认知诊断模型Seq-gdina把1032个不同院校大学生分为118类接受模式，有助于语言教育者进行决策。

关键词：移动语言学习；技术接受模型；认知诊断分类；接受模式

【中图分类号】G40-057 【文献标识码】A 【论文编号】1009—8097(2018)08—0058—08 【DOI】10.3969/j.issn.1009-8097.2018.08.009

MALL是由学习者的移动性与手持设备的便携性所促成的语言学习[1]。移动技术的个体性、

自发性、非正式性、情境敏感性和真实性的优势[2]为语言学习提供了一个便捷、自然、情境丰富

的文化环境。其重要性已得到外语界的重视，如2016年《大学英语教学指南》强调“要密切关

注移动学习理论的最新发展”。实际上，外语类APP已经连续几年居于教育类排名之首。但

Pachler[3]指出移动学习不是使用技术来传递内容，而是随着变化的语境和学习空间能成功掌控自

己学习的意识过程，因此，学习者对MALL接受程度是决定能否应用的关键[4]。

一 理论与文献

1 二语习得与移动技术

二语习得的三个必要条件是与目标语及文化大量接触、在比较真实的环境下使用语言以及