網(wǎng)絡(luò)教學(xué)中的學(xué)習(xí)情緒雙元辨別研究

鄧朝暉，彭建胥

網(wǎng)絡(luò)教學(xué)中的學(xué)習(xí)情緒雙元辨別研究

鄧朝暉，彭建胥

針對(duì)目前網(wǎng)絡(luò)教學(xué)系統(tǒng)中對(duì)學(xué)生學(xué)習(xí)情緒與學(xué)習(xí)狀態(tài)的捕捉辨識(shí)存在問題，提出在網(wǎng)絡(luò)學(xué)習(xí)情緒辨別機(jī)制中，結(jié)合人臉表情辨別和基于半投票機(jī)制的文字語意推論辨別兩種非侵入性情緒辨別方式的優(yōu)點(diǎn)，設(shè)計(jì)了網(wǎng)絡(luò)實(shí)時(shí)監(jiān)視指導(dǎo)單元。實(shí)驗(yàn)表明，該非侵入性的情緒雙元辨別機(jī)制使網(wǎng)絡(luò)教學(xué)系統(tǒng)中的學(xué)習(xí)情緒辨別率得到有效提升，系統(tǒng)交互性明顯加強(qiáng)，為網(wǎng)絡(luò)教學(xué)系統(tǒng)中學(xué)習(xí)情緒辨別機(jī)制的設(shè)計(jì)提供方向。

情緒雙元辨別；人臉表情辨別；文字語意推論；實(shí)時(shí)監(jiān)視；網(wǎng)絡(luò)教學(xué)

Network Teaching

0 引言

情緒辨別是通過各種感應(yīng)器，獲取由情緒變化所引起的表情與生理變化信息，并對(duì)這些信息進(jìn)行分析，以了解情緒變化。

隨著情緒辨別的發(fā)展，越來越多的學(xué)者提出利用情緒辨別幫助學(xué)生學(xué)習(xí)網(wǎng)絡(luò)課程。情緒運(yùn)算的鼻祖Picard教授曾說過[1]：要讓電腦更有智慧更自然的與人類互動(dòng)，必須賦予電腦認(rèn)識(shí)、了解、甚至表達(dá)情緒的能力?？梢姡诰W(wǎng)絡(luò)教學(xué)過程中，讓電腦捕捉到學(xué)生的學(xué)習(xí)情緒表達(dá)，并提供恰當(dāng)?shù)姆答佇畔ⅲ芴岣呔W(wǎng)絡(luò)教學(xué)效率；在網(wǎng)絡(luò)教學(xué)系統(tǒng)中設(shè)置能辨別學(xué)生學(xué)習(xí)情緒的實(shí)時(shí)監(jiān)視指導(dǎo)單元，是網(wǎng)絡(luò)教學(xué)系統(tǒng)設(shè)計(jì)的一個(gè)研究重點(diǎn)。

目前的網(wǎng)絡(luò)教學(xué)系統(tǒng)，大多為學(xué)生提供了高彈性的互動(dòng)學(xué)習(xí)環(huán)境(如：根據(jù)學(xué)生的知識(shí)背景設(shè)置教材內(nèi)容與教學(xué)策略，對(duì)于差生降低學(xué)習(xí)難度等),很少研究涉及到學(xué)生的學(xué)習(xí)狀態(tài)(如：學(xué)生學(xué)習(xí)能力的下降，可能是學(xué)習(xí)情緒的波動(dòng)造成學(xué)習(xí)動(dòng)機(jī)降低，而不是本身的學(xué)習(xí)能力有問題)。少部分的網(wǎng)絡(luò)教學(xué)系統(tǒng)中考慮了對(duì)學(xué)生學(xué)習(xí)狀態(tài)的捕捉，但大多采用頭戴式感應(yīng)帽或者在身體上安置各種生理信息感應(yīng)器來獲取情緒信息，這些侵入性的情緒辨別方式在某種程度上影響了學(xué)生的學(xué)習(xí)效果。

人類可以通過各種表情的傳遞、肢體語言、生理現(xiàn)象、聲音及利用文字表達(dá)情緒，使用某種單一的方法來獲取情緒是不完整的。所以，本文在網(wǎng)絡(luò)教學(xué)系統(tǒng)中通過加入非侵入性的情緒辨別機(jī)制，利用人臉表情辨識(shí)和文字語意推論雙元情緒辨別機(jī)制，可以更全面更準(zhǔn)確地了解學(xué)生的學(xué)習(xí)情緒狀態(tài)，為學(xué)生提供及時(shí)適當(dāng)?shù)恼n程內(nèi)容與回饋?zhàn)鰷?zhǔn)備，以提高學(xué)生的學(xué)習(xí)興趣和動(dòng)機(jī)。

1 相關(guān)研究

1.1 人臉表情辨別

人臉表情辨別是指利用計(jì)算機(jī)對(duì)人臉表情信息進(jìn)行特征提取，推斷人的心理情緒，從而實(shí)現(xiàn)人機(jī)之間的智能交互[2]。

近年來，人臉表情辨別[3]在視頻監(jiān)控、身份驗(yàn)證和信息安全等領(lǐng)域的應(yīng)用日益廣泛。在過去的幾十年內(nèi)，已經(jīng)提出了多種用于人臉表情辨別的方法，如：基于灰度分布特征的方法、基于運(yùn)動(dòng)特征的方法和基于頻率特征的方法等。

一個(gè)完整的人臉表情辨別過程一般應(yīng)包括四部分[4]：表情圖像的獲取、表情圖像預(yù)處理、特征提取及表情分類辨別。1.2 自然語言處理

自然語言處理研究是人類用自然語言與計(jì)算機(jī)進(jìn)行通信的實(shí)現(xiàn)，它使計(jì)算機(jī)既能理解自然語言文本的意義(自然語言理解)，又能以自然語言文本表達(dá)給定的意圖、思想等(自然語言生成)[5]，實(shí)現(xiàn)自然語言處理，需要大規(guī)模真實(shí)語料庫的研制工作及大規(guī)模、信息豐富的詞典的編制工作。

近年來，情緒辨別技術(shù)的研究已成為自然語言處理中的熱點(diǎn)問題，有關(guān)情緒分析的研究論文層出不窮[6～8]。在電子商務(wù)、信息安全等領(lǐng)域，情感分析技術(shù)有很多的應(yīng)用需求[9]。

2 實(shí)時(shí)監(jiān)視指導(dǎo)單元的系統(tǒng)構(gòu)架

網(wǎng)絡(luò)教學(xué)系統(tǒng)的實(shí)時(shí)監(jiān)視指導(dǎo)單元由人臉表情辨別與學(xué)習(xí)狀態(tài)辨別機(jī)制以及課程與互動(dòng)機(jī)制兩大部分組成，體系結(jié)構(gòu)如圖1所示：

圖1 實(shí)時(shí)監(jiān)視指導(dǎo)單元體系結(jié)構(gòu)圖

在網(wǎng)絡(luò)教學(xué)過程中，學(xué)生通過系統(tǒng)終端用戶界面進(jìn)行網(wǎng)絡(luò)課程學(xué)習(xí)：學(xué)生的表情狀態(tài)信息通過人臉表情辨別處理后傳送給互動(dòng)代理，由互動(dòng)代理選擇合適的聲音與動(dòng)畫反饋給學(xué)生；學(xué)生與系統(tǒng)的自然語言交流經(jīng)過文字語意推論處理，將學(xué)習(xí)狀態(tài)信息送給課程代理，課程代理選擇適當(dāng)?shù)慕虒W(xué)策略，并從課程數(shù)據(jù)庫挑選合適的教材供學(xué)生學(xué)習(xí)。本文探討人臉表情辨別與學(xué)習(xí)狀態(tài)辨別機(jī)制的實(shí)現(xiàn)。

3 人臉表情辨別的實(shí)現(xiàn)

利用系統(tǒng)終端的網(wǎng)絡(luò)攝像頭采集學(xué)生的動(dòng)態(tài)表情變化。對(duì)于采集到的視頻序列幀：首先對(duì)每一幀進(jìn)行人臉表情圖像預(yù)處理，然后采用類內(nèi)分塊主成分分析方法進(jìn)行特征提取，最后用核最近鄰分類方法進(jìn)行分類，以取得較好的表情辨別效果。

3.1 表情圖像預(yù)處理

在表情圖像預(yù)處理中，利用圖像亞采樣技術(shù)在原始圖像中獲得對(duì)表情辨別有幫助的人臉區(qū)域，采用灰度均衡化技術(shù)提高圖像的整體對(duì)比度，使灰度分布均勻[10]。

亞采樣由函數(shù)Subsample(aaa, r, c, iv, s)完成，其中r為圖像經(jīng)亞采樣后的行像素?cái)?shù)，c為圖像經(jīng)亞采樣后的列像素?cái)?shù)，iv為亞采樣間隔△，參數(shù)s控制著亞采樣網(wǎng)格的水平位移的大小。亞采樣間隔△的取值合適與否對(duì)分類正確率與分類速度有很大影響。本系統(tǒng)△的取值通過實(shí)驗(yàn)確定在4和6之間。

為了消除因光照變化、不同膚色差異造成的圖像細(xì)節(jié)的影響，對(duì)表情圖像進(jìn)行灰度值均衡化處理?；叶戎稻饣且岳鄯e分布函數(shù)變換法為基礎(chǔ)的直方圖修正法[11]，變換函數(shù)如公式（1）：

其中n是圖像中像素的總和，nk是灰度級(jí)為rk的像素個(gè)數(shù)，L為圖像中可能的灰度級(jí)總數(shù)，pr(rj)函數(shù)得到的曲線就是圖像的灰度圖。

3.2 表情特征提取

主成分分析方法(Principal Component Analysis, PCA)[12][13]具有簡(jiǎn)單直觀、計(jì)算效率高、概念清晰、推廣性強(qiáng)等優(yōu)點(diǎn)，得到廣泛應(yīng)用。PCA表情特征提取過程為：首先對(duì)表情圖像進(jìn)行訓(xùn)練，得到一個(gè)用主成分描述的多維坐標(biāo)系，然后把表情模板投影到該特征空間中，得到表情模板在該空間的投影系數(shù)，作為該模板的特征。對(duì)于一幅待辨別的表情圖像，將其投影到該特征空間中，與表情模板進(jìn)行匹配，對(duì)該幅表情圖像進(jìn)行分類。由于各類不同表情的差異較大，對(duì)所有的訓(xùn)練樣本進(jìn)行變換后，PCA表情辨別率較低。

基于傳統(tǒng)PCA的不足，系統(tǒng)采用類內(nèi)分塊PCA方法進(jìn)行特征提取：?jiǎn)为?dú)對(duì)每類表情訓(xùn)練樣本進(jìn)行PCA處理，得到只含有該類表情特征的主成份，與其他表情無關(guān)，這些單獨(dú)構(gòu)成每一類特征空間的主成份特征向量，就是“特征表情”。類內(nèi)分塊PCA算法如下：

(1)對(duì)當(dāng)前類別為i(i=l，…，c)內(nèi)劃分后的全部訓(xùn)練樣本子圖像塊(xij)kl(i=1，2…,Ni)，求得該類樣本總體協(xié)方差矩陣Σi2和均值xi；

(2)直接計(jì)算出矩陣Σi2的特征值Kih及相應(yīng)的標(biāo)準(zhǔn)正交特征向量Uih(i=1,2…c，h=l,2,…,s*t)；

(3)選取前r個(gè)最大特征值對(duì)應(yīng)的標(biāo)準(zhǔn)正交歸一的特征向量ui1,ui2…uir，這些特征向量組成的特征向量組便是符合條件的當(dāng)前類訓(xùn)練樣本子圖像塊的特征向量組，構(gòu)造最優(yōu)投影矩陣U′=[ui1,ui2,…,uir]；

(4)對(duì)每個(gè)已有類別進(jìn)行訓(xùn)練，直至得到所有類別的最優(yōu)投影矩陣Ui′；

(5)對(duì)每一類表情的所有訓(xùn)練樣本向該類子空間投影來提取特征，計(jì)算出所有訓(xùn)練樣本的特征矩陣Yij(pr×q)；

(6)看看是否所有類別的訓(xùn)練樣本均已訓(xùn)練完，若是，則結(jié)束；否則繼續(xù)回到第(1)步開始，直至得到所有類別的訓(xùn)練圖像的特征矩陣；

(7)對(duì)待測(cè)試樣本，向各個(gè)類別的最優(yōu)投影矩陣Ui′投影來提取特征，得到一組特征矩陣Yij{t1,t2,…,tC}。

3.3 表情分類辨別

系統(tǒng)采用核最近鄰分類方法進(jìn)行表情分類辨別，通過利用Mercer核，把輸入空間樣本映射到高維特征空間，使得映射后同類樣本接近，異類樣本變遠(yuǎn)。

已知分別屬于C個(gè)類{wi，i=1,2,...,C}的j個(gè)樣本{x1，x2，…,xj}，對(duì)于未知類別樣本x的判決過程為：計(jì)算未知樣本到已知樣本的核距離，找到其最小距離對(duì)應(yīng)的樣本xk。判決決策規(guī)則為：對(duì)于未知樣本x，比較x與j個(gè)已知類別的樣本之間的核距離，x與其最近的樣本同類。

4 文字語意推論的實(shí)現(xiàn)

系統(tǒng)的文字語意推論基于本體論和自然語言處理的推論模式。

4.1 本體論

本體是共享概念模型的明確的形式化規(guī)范說明[14]，本體的本質(zhì)是:(1)概念化，通過抽象出客觀世界中一些現(xiàn)象的相關(guān)概念而得到的模型；(2)明確性，概念及它們之間的聯(lián)系都有明確的定義；(3)形式化，精確的數(shù)學(xué)描述，計(jì)算機(jī)可讀；(4)共享化，本體中體現(xiàn)的知識(shí)可跨應(yīng)用系統(tǒng)進(jìn)行互操作。

本體論的核心作用是利用樹狀結(jié)構(gòu)定義某一領(lǐng)域的專業(yè)詞匯及它們之間的關(guān)系，其中節(jié)點(diǎn)是一個(gè)個(gè)的詞匯，節(jié)點(diǎn)之間的連接就是詞匯之間的關(guān)系。領(lǐng)域本體是本體的一種，它描述特定領(lǐng)域（醫(yī)療、教學(xué)等）中概念與概念間的關(guān)系，其目的是捕獲相關(guān)領(lǐng)域的知識(shí)，提供對(duì)該領(lǐng)域知識(shí)的共同理解，確定該領(lǐng)域內(nèi)共同認(rèn)可的詞匯，并從不同層次的形式化模式上給出這些詞匯和詞匯之間相互關(guān)系的明確定義[15]。

要讓計(jì)算機(jī)具有推理功能，必須建立相關(guān)教學(xué)領(lǐng)域的領(lǐng)域本體。系統(tǒng)采用的本體為MIT media lab制作的OMCSNet語義網(wǎng)。

4.2 自然語言處理

與計(jì)算機(jī)交互過程中，學(xué)生用文字表達(dá)抽象的信息。對(duì)于實(shí)時(shí)監(jiān)視指導(dǎo)單元來說，句子中的動(dòng)詞、形容詞、副詞包含有狀態(tài)信息，因此這些詞就是句子的關(guān)鍵字。

美國(guó)卡內(nèi)基美隆大學(xué)的link parser連接解析器提供句子間隸屬的階層關(guān)系，能清楚的判別句子的關(guān)鍵字位置及不同關(guān)鍵字的詞性，從而選出對(duì)情緒有影響的詞進(jìn)行推理。例如對(duì)于句子：I saw a girl saw a saw. 輸出為[ S[ NP I NP] [ VP saw [ SBAR[ S[ NP a gir NP] [ VP saw [ NP a saw NP] VP] S] SBAR ] VP ] S ] 。其中，最外層的S代表句子，它包含兩個(gè)成員：NP的I和以saw開頭的VP(包含子句)。句子最主要的表達(dá)含義通常位于最外層的主要句子，因此適當(dāng)加重外層句子關(guān)鍵字所提供情緒信息的比重，可以得到更準(zhǔn)確的情緒信息。假設(shè)輸入文字內(nèi)容由argv字符串輸入本算法，下標(biāo)從1到n，句子結(jié)構(gòu)的處理算法如下：

For each token form argv[1] to argv[n]

On [*:push *into symbolStack,push an empty string into tokenStack.

On *]:push *into symbolStack.top()into“digestedSymbol,” push tokenStack.top() into“digestedToken.”

On *:Append currentString in tokenStack.top()

接著處理學(xué)習(xí)情緒信息。sumEI是目前已經(jīng)統(tǒng)計(jì)處理的情緒信息，共10項(xiàng)，如sumEI[0]代表滿意等。currentEI表示目前子句所提供的情緒信息。算法如下：

While (currentsSS=SubSentence.pop())//若還有子句未處理

{

Eicap=MAX(sumEI[i])//選擇十項(xiàng)中最大值

If(currentSS.negated)

For each sumEI[i]:

{

sumEI[i]=CEIL(Eicap)-sumEI[i];

sumEI[i]+=currentEI[i];

}

}

4.3 語意推論的準(zhǔn)確度與投票機(jī)制

在普林斯頓大學(xué)的WordNet中，名詞、動(dòng)詞、形容詞和副詞均被組成一個(gè)同義詞網(wǎng)絡(luò)，每個(gè)同義詞集合代表一個(gè)基本的語意概念。例如：很棒的(awesome)這種學(xué)習(xí)狀態(tài)可搜到的同義詞組為amazing、awe-inspiring、awful、awing等。

為了提高語意推論的全面性，系統(tǒng)采用WordNet對(duì)輸入語句做更廣泛的搜索和更深層的推論，然后再用OMCSNetKai推論引擎查找句子中各子句與各同義詞之間的關(guān)聯(lián)度。同時(shí)，將學(xué)生意見作為推論的一部分，形成半自動(dòng)化的投票機(jī)制。算法如下：

(1)在OMCSNetKai推論引擎中，學(xué)生輸入的語句經(jīng)過自然語言處理后形成一個(gè)個(gè)的概念Ci(i=0,1,2,…,n)

(2)對(duì)于每一個(gè)概念Ci，利用WordNet的同義詞查詢后得到一個(gè)概念組SEi；

(3)對(duì)于SEi中每個(gè)概念，利用基于OMCSNet語義網(wǎng)的OMCSNetKai語意推論引擎對(duì)每種學(xué)習(xí)狀態(tài)集合內(nèi)的元素作相關(guān)度的推論。投票方法開始參與學(xué)習(xí)狀態(tài)決策的流程，學(xué)生在投票方法中可以決定是否參與投票，如果參與，將提升被選擇學(xué)習(xí)狀態(tài)原始值一倍的程度。

5 實(shí)驗(yàn)結(jié)果與分析

系統(tǒng)采用日本ATR 媒體信息科學(xué)實(shí)驗(yàn)室的JAFFE 表情數(shù)據(jù)庫作為人臉表情辨別準(zhǔn)確率測(cè)試的檢驗(yàn)平臺(tái)，可獲得的JAFFE數(shù)據(jù)庫包含有10 名日本女性的7 種表情，每種表情圖片由2～4 張不等的256×256 的灰度圖組成，共213張，分析結(jié)果如表1所示：

表1 人臉表情辨別率

通過分析可知：本系統(tǒng)的人臉表情辨別方法是有效的，為系統(tǒng)及時(shí)了解學(xué)生的學(xué)習(xí)情緒提供了可靠依據(jù)。

為了判斷文字語意學(xué)習(xí)狀態(tài)辨別率，在網(wǎng)絡(luò)文本中隨機(jī)挑出含有學(xué)習(xí)狀態(tài)的文字語句作為分析樣本，10種學(xué)習(xí)狀態(tài)各100句，總共1000句，分析結(jié)果如表2所示：

表2 語意學(xué)習(xí)狀態(tài)辨別率

OMCSNetKai語意推論引擎結(jié)合WordNet同義詞查詢能幫助計(jì)算機(jī)收獲更多語意中更深層次的含義。另外，在語意推論部分，將學(xué)生意見作為推論的一部分，形成的半自動(dòng)化投票機(jī)制，為確認(rèn)學(xué)生的學(xué)習(xí)狀態(tài)提供了保障。

通過實(shí)驗(yàn)分析可知，采用本文提出的人臉表情辨別與文字語意推論辨別相結(jié)合的情緒雙元辨別模式，準(zhǔn)確率比單一情緒辨別模式要高10%左右。

6 總結(jié)

在網(wǎng)絡(luò)教學(xué)系統(tǒng)的實(shí)時(shí)監(jiān)視指導(dǎo)單元中引入采取表情辨別與文字語意推論辨別相結(jié)合的非侵入性情緒雙元辨別機(jī)制，取得了較好的學(xué)習(xí)情緒辨別效果。未來的研究工作，可考慮加入其他非侵入性情緒辨別方法：如在系統(tǒng)中加入語音情緒辨別，方便學(xué)生利用音頻輸入設(shè)備直接與系統(tǒng)交流。在人臉表情的辨別方面，可以采取類神經(jīng)網(wǎng)絡(luò)等方便快速的人臉辨別作為改良的辨別方法，以進(jìn)一步提高系統(tǒng)的學(xué)習(xí)情緒辨別率。

[1] Picard R. W., Papert S., Bender W. Affective learning-a manifesto. [J]BT Technology Journal. 2004, Vol22, NO4.

[2] 劉芳. 應(yīng)用圖像處理技術(shù)的人臉表情識(shí)別研究[D]. 北京：北京科技大學(xué)碩士學(xué)位論文, 2003, 06.

[3] WRIGHT J, YANG A, GANESH A, et al. Robust face recognition via sparse representation[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2009, 31(2): 210-227.

[4] 李文. 人臉表情識(shí)別研究[D]. 西安: 陜西師范大學(xué)碩士學(xué)位論文, 2007, 05

[5] 宗成慶. 統(tǒng)計(jì)自然語言處理[M]. 北京: 清華大學(xué)出版社. 2008.

[6] 楊江, 彭石玉, 侯敏. 基于主題情感句的漢語評(píng)論文傾向性分析[J]. 計(jì)算機(jī)應(yīng)用研究, 2011, 28(2): 569-572.

[7] 段建勇, 謝宇超, 張梅. 基于句法語義的網(wǎng)絡(luò)與論情感傾向性評(píng)價(jià)技術(shù)研究[J]. 情報(bào)雜志, 2012, 31(1):147-150.

[8] LI Shou-shan, HUANG Chu-ren,ZONG Cheng-qing. Multi-domain sentiment classification with classifier combination[J]. Journal of Computer Science and Technology, 2011,26(1): 25-33.

[9] 衣麗霞, 王輝, 籍曉紅. 情感分析中極性副詞的自動(dòng)擴(kuò)展[J]. 計(jì)算機(jī)應(yīng)用研究. 2013, 30(7):1958-1960,1970.

[10] 羅元, 吳彩明, 張毅. 基于PCA與SVM結(jié)合的面部表情識(shí)別的智能輪椅控制[J]. 計(jì)算機(jī)應(yīng)用研究. 2012, 8: 3166-3168.

[11] 章毓晉. 圖像處理與分析[M]. 北京：清華大學(xué)出版社, 1999.

[12] Calder Andrew J, Burton A Mike, Miller Paul, Young Andrew W. A Principal Component Analysis of Facial Expressions[J]. Vision research, 2001, 41: l 179—1208.

[13] Baek Kyungim, Draper Bruce A, Beveridge J Ross, She Kai. PCA VS. ICA: A comparison on the [OJ] http://www.dodcounterdrug.com/faciakecognition/FRVT 2000/frvt2000.htm.

[14] Knowledge System Laboratory, Stanford University. What is an ontology[EB/OL].(2009-01-28)[2011-05-1 0].http://www-ksl.stanford.edu/kst/what-is-an-ontology.ht ml.

[15] 崔其文, 解福. 改進(jìn)的領(lǐng)域本體概念語義相似度計(jì)算方法[J]. 計(jì)算機(jī)應(yīng)用與軟件. 2012, 29(2): 173-174, 182.

Research of Learning Emotional Dual Recognition in Network Teaching

Deng Zhaohui, Peng Jianxu
(Computer Information Management Department, Chenzhou Vocational Technical College, Chenzhou423000, China)

To solve the problem about identification of learning state in current network teaching system, it combined the adventures of facial expression recognition and text semantic recognition based on semi-voting in learning emotional recognition mechanism, and designed a real-time monitoring guidance unit. Through experiments, it showed that in network teaching system the learning emotional recognition rate and human-computer interaction could be improved greatly by the mechanism provided a direction for the emotional recognition mechanisms of network teaching system.

Emotional Dual Recognition; Facial Expression Recognition; Text Semantic Recognition; Real-Time Monitoring；

TP311.51

A

1007-757X(2014)01-00035-04

2013.11.20)

湖南省高?？蒲许?xiàng)目(12C0977)

鄧朝暉（1973-），女，郴州職業(yè)技術(shù)學(xué)院計(jì)算機(jī)信息管理系，副教授，碩士，研究方向：虛擬實(shí)驗(yàn)、動(dòng)畫制作，郴州，423000彭建胥（1974-），女，郴州職業(yè)技術(shù)學(xué)院計(jì)算機(jī)信息管理系，副教授，本科，研究方向：計(jì)算機(jī)應(yīng)用技術(shù)，郴州，423000