王爽 | 情感计算赋能智慧教育的法治风险与倾斜性法律规制

关注“在线学习”

获取更多资讯！

刊载信息

王爽.(2025).情感计算赋能智慧教育的法治风险与倾斜性法律规制. 中国远程教育(11),79-94.

情感计算赋能智慧教育的法治风险与倾斜性法律规制
王爽

【摘要】情感计算教育应用具有情感驱动性、高度隐蔽性和深度识别性的特征。在赋能个性化学习、精准化教学和智慧化校园管理方面展现出巨大潜力，但同时也对隐私权、个人信息权益、教育平等和学习自由产生多元冲击。对此，应以倾斜性保护受教育者作为核心目标，采取倾斜性规制手段：借助心理损害评估机制和推定侵权将情感隐私纳入隐私权保护范畴，依凭持续有效的信息披露与动态同意制度强化受教育主体的告知同意权，通过区块链技术实现以技治技；应基于精确目的优化数据标注，并借助解释水平理论构建算法解释制度，实现情感计算教育应用的场景化透明；应禁止严重触碰伦理禁区和价值底线的情感计算教育应用并赋予教育主体退出选择权，以推动情感计算教育应用在公平、安全与高效间取得动态平衡。

【关键词】情感计算; 隐私权; 个人信息; 教育平等; 学习自由

情感计算是建立自然和谐与友好智能人机环境的基础理论与技术之一，因其能有效推进智慧教育建设、促进信息化目标实现而在教育场景中具有广泛应用实践，同时也成为教育领域研究的热点话题之一（Poria et al., 2017），其对于学生状态表征、教学过程评价、学习机理阐释和学习干预等具有重要意义（王一岩 & 郑永和, 2024）。教育情感计算的理论研究与实践应用均呈现欣欣向荣的发展态势。但颇具反转性的是，2019年年底部分学校宣布停止使用情感计算进行情绪识别，而只使用人脸识别技术识别动作（Xue, 2019），部分科技公司也将情感计算相关词汇从宣传文案中删除（施安, 2018）。2024年欧盟发布的《人工智能法案》明确规定，教育机构使用基于生物识别技术的人工智能系统来推断或识别自然人的情绪，属于被直接禁止的人工智能应用范畴（Official Journal of the European Union, 2024）。情感计算教育应用的边界及限度问题随之成为关注焦点。学界对教育场景情感计算应用的研究主要基于两条路径：一是基于技术路径，探讨情感计算教育应用的技术瓶颈及前景；二是基于教育学理论路径，研究情感计算教育应用与教育学理论的契合与背离。整体而言，基于法学视角的研究较少。情感计算遵循何种技术逻辑？存在何种领域特征？相关应用能否有效赋能智慧教育新格局？情感计算教育应用会产生何种风险？如何结合教育场景的特殊性进行法律规制？本研究尝试基于法学理论与技术的双重视角予以回应与探讨。

一、

情感计算教育应用的领域特征

“情感”作为人类社会生活的“文法”（grammar of social living）被认为是人类与人工智能分界线的重要表征。1997年，罗莎琳德•皮卡德（Picard, R. W.）率先提出情感计算技术（Picard, 1997, p.3）。人工智能技术视域下的情感计算是指感知、识别、模拟、影响人类情感状态的各类智能技术的统称。情感计算教育应用遵循感知—识别—模拟—影响的技术逻辑（Gretchen, 2021），技术架构可分为感知层、认知层和应用层：在感知层，通过接触或非接触式传感器获取教师和学生的语音信号、面部表情、肢体语言等体态语以及脑电、眼动、肌电、皮肤电、心电和呼吸等生理信号；在认知层，依托隐马尔可夫模型等对外在情感信号进行特征提取、分解与分析以识别内在情绪；在应用层，依托已识别的情感进行反馈与干预。情感计算的终极目标是在“识别”基础上使人工智能具有“模拟”和“影响”教育主体情绪的能力（Ben-Ze’ev, 2000, p.179）。聚焦于智慧教育领域，情感计算技术有助于构建精准、个性和灵活的教育生态系统，促进教育的智慧转型（曹培杰, 2018），具有情感驱动性、高度隐蔽性和深度识别性三重特征。

（一）情感驱动性

数智技术与教育的深度融合为教育改革和教学创新带来了前所未有的机遇，相比其他智能技术的外在智力支持，情感计算更加注重对内在情感的观照。通过识别师生情感状态，调节学习和教学过程，促进师生情感交互，唤醒学习的自主性和能动性，实现个性化学习、精准化教学和智慧化校园管理。

其一，情感计算赋能个性化学习。个性化学习以尊重学习者个体差异为核心，体现了教育的人性化和生本化回归（杨雪 等, 2016）。传统智能技术主导的学习干预多指涉认知维度，忽视了情感驱动在学习过程中的作用，导致干预方式局限于学业测评、认知诊断与资源推荐等单一维度。情感计算通过对学生情感状态的细粒度、时序性和动态性的画像，深入挖掘学生的认知偏好和学习风格，精确评估学习效果。更为重要的是，情感计算还能有效提升学生的学习动机，激发其探索精神和求知欲，增强自主学习的意识和能力（王一岩 & 郑永和, 2024），为个性化学习提供内生动力。

其二，情感计算赋能精准化教学。教学目标是选择教学资源、实施教学活动、勾勒教学程序、开展教学测评的关键性前置标准。好未来教育集团开发的“魔镜”系统即借助情感计算对师生情感、课堂互动和内容传授等数据进行建模，从而为教学目标的改进提供建议（新浪教育, 2018）。在设定精准的教学目标并设计教学问题后，能否捕捉适切时机、利用适当场域、采取适恰手段进行干预是精准教学的关键（姬晓灿 等, 2020）。依托情感计算生成的情感数据反馈，教师得以洞察学生的学习风格和薄弱环节，进而动态优化个性化教学策略。与此同时，情感计算能有效促进师生情感互动，营造和谐融洽的课堂氛围，深化课堂互动的质量与深度，并助力教师敏锐捕捉学习困难学生的情感信号，实施更具针对性的情感关怀和学业支持，从而全面提升教学的适配性与实效性。

其三，情感计算赋能智慧化校园管理。在校园安全治理体系中，基于情感计算技术的情绪状态监测系统正成为构建主动防护机制的重要工具。该技术通过全天候动态扫描和精准分析，实时捕捉儿童情绪波动，为校园安全管理提供智能化解决方案。基于情感计算的智慧化校园管理作为公平优质受教育权的物质保障，自然是教育现代化的重要内涵。例如，蜜枣网开发的幼儿安全成长智能系统，通过情感计算技术，可对每位儿童实现全天候动态监测，系统每天执行超过1,000次的智能扫描，以准确获知幼童的情绪变化，帮助管理者快捷准确地了解安全隐患（消费日报网, 2018）。

（二）高度隐蔽性

情感计算教育应用的技术优势主要体现在其无需师生的刻意预设，即能够实时捕捉真实情感状态，这使得情感计算教育应用具有较高的灵活性和适用性。与传统的测谎仪等设备相比，后者虽能够揭示心理反应与生理信号的对应关系，但其需要设备接触方能实现，被测者可能因心理防御而掩饰或伪装情感，导致数据的准确性下降，从而限制其在智慧教育中的应用。此外，这类设备的使用还可能导致被测者的不适感和额外的认知负担，进一步影响情感数据的真实性。情感计算中除生理信号频率通常较低，采集时易受外界环境影响，因而通常需要专门的接触式设备进行采集外，其他情感模态数据通常依赖轻量化、无干扰设备即可“无摩擦式”（frictionless）获取（EDPB-EDPS, 2021），从而有效规避个体主观控制对情感数据的干扰。同时，情感计算多被嵌入在线课堂、学习管理系统等教育应用平台，在与应用的自然交互中，师生可能只关注到教育功能，而忽略了隐藏的情感数据采集与分析。即便师生可能知悉情感计算设备的存在，由于算法黑箱及公众技术能力的限制，他们也往往难以理解具体的情感推演机制。

（三）深度识别性

不同于其他智能技术多采用结构化或半结构化数据，情感计算教育应用以多模态数据作为燃料，其中必然会存在生物识别信息、医疗健康信息、不满十四周岁未成年人个人信息等敏感个人信息。①在商业利益驱动下，情感计算教育应用势必会增加数据处理的“量”与“质”，最大限度地向师生的敏感、私密领域探入（孙宇, 2024）以提升识别精准度。这种数据挖掘不仅针对信息主体本人的情感特征，还可能通过附着线索间接推测出尚未披露的相关信息，从而揭示其背后更复杂的情感状态。基于面部信息是情感计算的常见识别路径，但与传统人脸识别技术主要针对静态面部表情用于身份认证或行为分析不同的是，情感计算不仅关注面部肌肉细微变化，还结合语音节奏、音调、肢体语言互动模式等建立情感状态的多维度模型。此种识别路径通过面部、语音、肢体与生理信号的交互作用，实现对情感状态的深层关联、精准识别和动态评估（Sébastien, 2020）。

传统智慧教育应用多关注学生的作业完成情况、登录时间、视频播放次数等表层行为数据，缺乏对学习者心理活动的深入洞察。相比之下，情感计算教育应用通过对情感状态的深层次捕捉，能够揭示出学习者更为隐秘的情感状态。情感计算教育应用对师生内心世界的外部化和量化，推动了智慧教育从“外在行为洞察”到“内在情感理解”的转型。

二、

情感计算赋能智慧教育的法治风险

从技术哲学视角来看，情感计算赋能智慧教育体现了数字技术可供性及其实现的动态演进过程（Yoo et al., 2012）。但与此同时，情感计算教育应用也呈现出显著的“双刃剑”效应，与隐私权、个人信息权益、教育平等和学习自由之间产生了深层次的张力。

（一）情感计算教育应用与隐私权、个人信息权益的潜在冲突

情感计算教育应用获致的情感信息生成于敏感个人信息之上，具有衍生的敏感性。不同于部分情感计算商业应用将个人信息与情感信息进行剥离，情感计算教育应用需要关注特定情感的指涉对象以实现个性化干预，因而在大多数情况下无法分离情感信息及其主体，因此，情感计算教育应用的情感信息因“可识别性”而落入个人信息范畴。同时，情感信息还可落入隐私权涵摄范围。原因在于基于公众普遍认知，每个主体实质上是以复杂多样的形象呈现，根据场合需要，个体可能会选择佩戴不同的“面具”以遮蔽真实情感（胡建淼 & 岑剑梅, 2008）。情感计算教育应用的深度识别可能使得师生不愿为人所知的内心情感信息暴露无遗，切断了其维护自身隐秘事项不为他人所知的能力（王禄生, 2021）。尽管情感信息是情感计算教育应用的基础支柱和核心驱动，关切个性化学习体验的优化和教学效率的提升，但是，不论是基于隐私权还是个人信息权益，对情感信息的保护都存在力有不逮之处。

基于隐私权保护视角来看，“不愿为他人知晓”的特征决定了侵犯隐私权导致的损害相对容易判断，通常会造成受害人社会评价降低、名誉受到影响等后果（周汉华, 2021）。但是在情感计算教育应用中，情感隐私受到侵害可能表现为心理压力、学习或教学效率下降等，而非直接的社会评价降低。并且情感作为常见的内心活动或表达方式，往往难以与外在化的社会评价变化产生直接因果关系，导致情感隐私的损害事实难以证成（褚婧一, 2023）。

基于个人信息权益保护视角来看，虽然情感信息可能来源于敏感个人信息且具有私密性，但其不必然会造成自然人的人格尊严受到侵害或者人身、财产安全受到危害，因而难以被界定为敏感个人信息。例如，在一些情感计算教育应用中，情感信息主要用于关注学生的课堂注意力情况，虽然基于情感信号推测内心状态的做法可能因将人客体化而侵害其尊严，但这类情感信息通常很难被证明与人格尊严有直接且紧密的关联。此外，即使被不当利用，它一般也不会对人身和财产安全造成严重损害。所以情感信息在部分场景中并不能被认定为敏感个人信息（褚婧一, 2023）。即便将情感信息认定为敏感个人信息，对敏感个人信息的保护也难以实现。一方面，《中华人民共和国个人信息保护法》第二十九条规定，处理敏感个人信息应取得个人的单独同意。十四周岁以上的未成年人与学校构成了以管束为基本内容的特别法律关系，其与教师和学校管理方之间存在不对等的服从义务（劳凯声, 2021），受制于权威式压迫，其可能做出违背自我意志的同意行为。十四周岁以下的未成年人虽由监护人代为行使同意权，但由于监护人与教师、学校使用情感计算教育应用的初衷具有一致性，可以预估到监护人不会为了反对学校决定而牺牲未成年人的未来，因而监护人可能会打着“为你好”的旗帜做出与其真实想法相背离的虚假同意（Xue, 2019），导致告知同意制度沦为虚置。另一方面，《中华人民共和国个人信息保护法》第三十条规定，个人信息处理者处理敏感个人信息的，还应当向个人告知处理的必要性以及对个人权益的影响。正如前文所述，情感计算教育应用具有高度隐蔽性和深度识别性，情感信息生成逻辑有着不同于其他智慧教育应用的技术复杂性，监护人受制于技术能力，并不能全面认识情感信息的重要性，遑论做出自主的告知同意决策。当情感计算教育应用处理的是十四周岁以上未成年人情感信息时，理论上仅需取得其同意即可，②而未成年人并不具备与处理敏感个人信息适配的认知能力，导致告知同意陷入无意义的窠臼。

（二）情感计算教育应用与教育平等的内在抵牾

《中华人民共和国宪法》（2018年修正）宣告平等权和受教育权为我国公民的基本权利，教育平等权在平等权的涵盖之下，由平等权与受教育权结合产生。作为平等权的具体表征，教育平等权是公民人格成长与发展的重要前提，兼具公民权与人权属性（熊文钊 & 吴旸, 2010）。根据罗纳德•德沃金（Dworkin, R. M.）的观点，平等权可细化为两种类型：第一种是平等对待的权利（right to equal treatment），即像其他人所享有的或被给予的一样，同样分享利益和机会。德沃金认为平等对待并非绝对意义上的，合理的差别对待同样也是平等对待。第二种是作为平等的个人而受到平等对待的权利（right to treatment as an equal）。此种权利强调个人享有平等的关心和尊重，而不是接受某些义务或利益的同等分配。（罗纳德•德沃金, 2008, pp.303-306）情感计算教育应用与双重维度的教育平等均存在对立。

第一，情感计算教育应用的情感归因（emotion attribution）冲击平等对待的权利。与以往智慧教育应用不同的是，情感计算教育应用对专业设备的要求更高，需通过脑电、手环、眼动等多种设备，基于心理、行为和生理测量等方式感知师生的多模态情感数据（王一岩 & 郑永和, 2024），由于部分地区数字基础设施落后，人们对情感计算技术存在认知鸿沟，导致情感计算教育应用难以普及。即便能够弥合设备接入条件差距，情感计算也不仅能够客观地识别情感，还会在特定模型框架下“解释”情感（Frank, 2023）。如果其模型未能充分考虑不同群体情感的多样性和差异化表达，就可能导致对部分师生的不公平对待。具言之，情感计算教育应用中的情绪识别模型主要包括维度情感模型和离散情感模型。其中，维度情感模型本身包括多种理论体系，而在同一理论体系下，维度的具体构成与划分角度也各不相同。离散情感模型至少存在14种情绪分类方式（吴敏 等, 2018, p.12）。换言之，目前尚不存在能够准确反映内在情感与面部表情、姿态等外在情感表达之间的通用映射关系。在教育场景中，不同学校拥有各异的组织架构、办学风格，不同学科也具有独特的知识体系、学科规律与应用场景，教师教学方式和学生学习方式也不尽相同，导致情绪识别模型难以准确涵摄，这也是作为情感计算底层依据的“基本情感理论”备受诟病的主要症结。概言之，在情感发生机理尚未形成共识的情况下，基于情感标尺来支配学生的教育资源获取、教师的注意力分配等资源配置显失公平。

第二，情感计算教育应用的情感计算化与作为平等的个人而受到平等对待的权利相对立。作为平等的个人而受到平等对待的权利的核心在于个人享有平等的关心和尊重。情感计算教育应用将师生的复杂情感化约为可度量的数据，个体情感标签取代了真实情感。情感计算教育应用将师生情感视为一种标准数据，而不是以个人特有的方式理解和回应师生的情感需求。由此，情感计算系统未能充分尊重师生作为独立个体的情感体验，将人视为手段性存在。同时，情感计算教育应用还将师生主体视为“分体化”存在。吉尔•德勒兹（Deleuze, G.）认为，在控制社会中，传统意义上完整、不可分割的“个体”（individual）已不复存在，取而代之的是由不同的信息流和数据片段构成的“分体”（dividual）（吉尔•德勒兹, 2022）。情感计算教育应用使得师生个体被分割成一系列情感数据点，还原为可以量化和操控的“分体”。技术权力不再通过规训和矫正个体的行为来实施，而是通过对分体化的情感数据进行持续监控、计算和干预，将师生从独立的行动主体转变为预测和控制的对象。通过对情感状态的实时追踪和数据分析，技术系统将个体原本自主和独立的情感体验，分解为可操作和可管理的情感片段，并将其转化为教育过程中可量化的预测目标。师生的情感不再被当作教育中的内在动力，而是成为外部系统调整的参数。教育不再是一个自由表达和情感互动的过程，而变成了一个数据驱动的、以“优化学习效果”为目标的过程。情感计算教育应用由此反向驯化教育场景，规训学生和教师的行为选择，促逼教师和学生在技术限定的既定模式关系中生存与互动，未能使每个主体的内心情感获得平等的关心与尊重，与教育平等产生割裂。

（三）情感计算教育应用与学习自由的逻辑龃龉

基于宪法学视角，受教育权作为复合型权利，兼具自由权和社会权的双重属性。在自由权层面，受教育权表现为一种防卫权利，指的是受教育者基于自由意志通过自由行动来实现受教育权，而国家处于消极的不作为状态，学习自由即来源于受教育权中的教育选择自由权。学习自由是指公民在接受教育过程中享有依照自我意志进行与学习活动相关的自由想象、思考和创造的权利，具有自行选择学习时间、课程内容、地点、方式等权利，教育权力和其他权威性权力不能无端干涉（陈恩伦, 2003）。学习自由是人的自由意志为实现其自由个性而产生的本质需求。它在心智发展过程中体现为个体能够对丰富知识进行独立选择。（曹扬 & 邹云龙, 2018）学习自由的内涵包括：其一，基于消极层面，学习自由是对不符合教育性强制和权威的否定与拒绝。伊曼努尔•康德（Kant, I.）认为：“自由是独立于别人的强制意志。”（康德, 2017, p.53）赋予学生对教育强制和权威的拒绝权利，方能使学生不被规训为被动改造的物化客体，学习活动才有实现基本的自主与独立的可能。其二，基于积极层面，学习自由是对学习活动内容的自主选择与创造。自由意志是“有意选择行为的自由，在于它不受感官冲动或刺激的决定”（康德, 2017, p.13）。“自由的东西就是意志。意志而没有自由，只是一句空话；同时，自由只有作为意志，作为主体，才是现实的。”（黑格尔, 2017, p.13）如果学生所拥有的自由，仅仅体现在对权威与强制的拒绝，那么这只是消极的、无目的的存在状态。要超越这种状态，实现真正的自由，学生必须成为自身利益的最佳判断者。在此过程中，他们得以自主地确定学习目的、深化学习兴趣，进行自我定向、选择、设计与创造（金生鈜, 2004），从而最终彰显其自由意志。

情感计算教育应用与学习者学习自由的冲突体现在如下三方面。

其一，情感计算教育应用的即时性导致学生难以拒绝不符合教育性的强制与权威。前文已述，情感计算数据采集和推演具有隐蔽性，师生难以知晓数据处理的具体时刻，而这些隐蔽性实际上进一步强化了技术权威，使得系统能够基于既定的教育目标随时介入教学过程。即便告知同意机制具有实效，也多为事前的一揽子授权，授权内容往往抽象且覆盖面广，学生在面对情感计算教育应用的即时干预时无法真正行使拒绝权。此外，情感计算的数据处理过程复杂且不可见，这种过程不仅让学生和教师难以理解或监督，还可能通过即时性技术干预限制学生在学习活动中的反思和选择空间，进而削弱其对教育性强制和权威的拒绝能力。

其二，情感计算教育应用的情感操纵（emotion manipulation）削弱了学生的学习自由。情感操纵是指情感计算教育应用通过对个体情感的精准监测、调节和刺激，以隐蔽或显性方式施加影响，引导或控制其行为和决策的过程。这种操纵既可能带来学习效率提升、焦虑情绪疏解等积极效果，也可能会削弱学生的学习自由。具体而言，当情感计算教育应用基于情感判断自动筛选学习任务时（如降低难度或提供更多鼓励性内容），学生可能被局限于技术设计者预设的路径中，无法根据自己的意愿挑战更复杂或非传统的学习目标。这种路径依赖会压缩学生探索未知领域和创造性的空间。情感操纵可能会通过奖励与惩罚机制引导学生的学习行为，使学生将注意力从内在的兴趣驱动转移到满足外部系统期待上。例如，情感计算教育应用可能利用正向反馈（如表扬或积分奖励）强化特定学习行为，同时利用负向反馈（如警告或提醒）抑制系统认为的不合适行为。这种情感激励可能会削弱学生对学习过程的内在掌控感和创造性思考能力，使其更倾向于遵循技术进行行动，而非基于自身意志进行选择和创造。

其三，情感计算教育应用的弥散式存在阻碍了学生的自主选择。前信息化时代，学校管理者和教师等对学生情感的掌控只能通过肉眼方式进行，无法做到全时段、全对象和全场域的精准式覆盖，情感计算技术特性在回应上述困境的同时，也以更为温和且不易察觉的方式掌控了情感等细节信息，从而演变为一种“微分权力”（米歇尔•福柯, 2019, p.240）。情感计算教育应用通过跟踪和监测学生的学习状态，使内隐的学习过程逐步外显化（刘金松, 2021）。使用过程中，始终有一双眼睛在凝视并捕捉着学生的各种情感，可能导致学生主动或被动地处于非自然的表演状态，努力展现自己“最好的一面”，引发“霍桑效应”（高德胜, 2019）。事实上，教育的核心或关键在于使人成为自由的存在者，教育价值合理性的依据也在于实现人的解放和自由（李江源 & 蒋映洪, 2009），而人在自由的环境下才能自由发展，情感计算教育应用形成的“全景敞式”架构，可能迫使学生戴上情感面具，难以按照自主意志自觉地进行自我选择与发展。

三、

情感计算赋能智慧教育的法治因应：倾斜性法律规制路径

面对情感计算的赋能功效和侵害风险，亟须结合智慧教育场景的领域特征，基于倾斜性法律规制理念，运用法律、技术等多种规制手段，由此既契合智慧教育现代化的客观需要，又充分回应情感计算教育应用的法治困境。

（一）情感计算教育应用的倾斜性规制理念之证成

与其他智慧教育应用相比，情感计算教育应用因触及个体内心深处的情感而展现出更为强烈的侵入性。与其他场景下的情感计算应用相比，教育场景因其场景特殊而使得风险更为复杂且难以控制：一方面，教育场景覆盖面极其广泛，不仅涵盖全员（从学生到全民），贯穿全程（从学前教育到终身教育），还涉及全方位（家庭、学校、社会“三位一体”教育以及虚实融合的教育形态）。一旦情感计算教育应用出现偏差，其负面影响将快速蔓延并急剧放大。另一方面，教育场景中师生关系的不平等性将进一步加剧情感计算技术带来的权力失衡风险。学生在认知能力、经济实力等方面相对于教师和学校管理者处于明显劣势，受制于权威式压迫，师生关系呈现出形式上平等、实质上不对等的格局。在情感计算技术的加持下，教师和学校管理者的权力效应将进一步被放大和固化，蚕食学生的议价空间与选择自由。

为促进技术理性与价值理性的耦合，实现情感计算教育应用激励发展与合理规制的相容协调，应采用倾斜性法律规制理念回应情感计算教育应用的法治风险，该理念以受教育者权利的倾斜性保护为核心，通过设定“价值差”为权利配置和制度安排搭建合理性基础，从而矫正技术赋能可能带来的权力失衡。倾斜性法律规制理念作为手段是为了实现对受教育者的倾斜性保护，其根植于“弱势公平”原则，理论基础源于约翰•罗尔斯（Rawls, J.）的差别原则，该原则指出，社会和经济的不平等应当有利于社会中的处境最差者，只有当处境较好者有利于处境最差者的最大利益时，处境较好者才能获取更多资源（约翰•罗尔斯, 2009, pp.58-63）。基于此，倾斜性保护强调依据教育主体的“强弱身份”进行区别对待，矫正教育主体间的失衡关系，实现平等，最终迈向实质正义。

为实现对受教育者的倾斜性保护，情感计算教育应用的倾斜性规制基调应包含以下向度：其一，技术赋能与技术赋权并重。情感计算教育应用虽能有效赋能教育现代化进阶，但其片面强调逻辑和规律的重要性，将教育主体到教育效果的多重映射关系等价于单一线性思维，忽视了人的主体性。因此，情感计算教育应用应当强调技术赋能与技术赋权并重，贯彻《中华人民共和国宪法》（2018年修正）“尊重和保障人权”的要求，对受教育者赋予倾斜性权利配置，强化其告知同意权和拒绝权。同时，还可以借助区块链等技术，共同推进情感计算教育应用的合规发展。其二，从结果控制转向过程控制。现有的技术治理框架通常侧重于结果导向，忽视了技术生成过程中的价值偏差和潜在风险，此种方法难以充分应对情感计算教育应用中复杂的数据处理和算法决策问题，尤其是在涉及个体权利和社会正义时，容易导致价值错位。因此，在倾斜性法律规制理念的指引下，应将治理重心从结果控制转向过程控制，将法律正义价值嵌入情感计算教育应用的全生命周期，实现技术和法律的“价值对齐”（value alignment）。其三，从场景泛在转向场景控制。情感计算教育应用实践呈现出多点开花的样态，场景设置呈现出一定的无序性与泛在性，未能充分尊重不同教育阶段的特殊性，亦未充分考虑不同年龄阶段受教育者的心智成熟度。在倾斜性法律规制理念之下，应当审慎考量情感计算介入智慧教育的理性限度，有序建构情感计算教育应用的场景边界。

（二）情感计算教育应用中情感数据的双轨化保障

面向情感计算教育应用与隐私权、个人信息权益的冲突，应基于倾斜性规制理念，采用法律和技术双轨化路径予以规制。在法律维度，针对情感数据的隐私权保护，应引入心理损害评估机制，合理界定心理压力、学习效率下降等主观体验的损害价值，由此辅助判断侵权事实。同时，对于因果关系难以直接证明的情感隐私侵害可以采用“推定侵权”，只要能够证明情感计算教育应用与心理压力等具有较高关联性，即可推定侵权成立。在情感数据的个人信息权益保护方面，因情感数据具有深度侵入特征，在个人信息未来立法中应将其列入敏感个人信息序列，适用加强式保护。同时，由于情感数据生成于个人信息处理，还应当通过持续有效的信息披露与建构动态同意制度，强化受教育主体的告知同意权。具体而言，在现有的一次性告知同意模式下，信息披露只发生在个人信息收集前，受教育主体对于后续的个人信息处理过程一无所知。对此，应当实行持续的信息披露，使受教育主体可以全程追踪个人信息的处理，并根据风险变化对同意做出灵活调整（田野, 2018）。个人信息处理者应当采用清晰、通俗易懂且明确的语言，对情感计算教育应用收集的个人信息内容和范围、处理方式和目的、监护人权利等内容进行充分告知，尽量避免使用专业性术语。此外，在处理十四周岁以下未成年人个人信息和十四周岁以上未成年人敏感个人信息时，还应翔实告知监护人或未成年人处理敏感个人信息的必要性及对个人权益的影响、潜在风险等内容。基于持续有效的信息披露，应当赋予受教育主体动态化更新同意的权利。情感计算教育应用的动态同意可采用“同意—退出”机制，具体可细化为定期退出和择时退出两种并行方式。“定期退出”机制指设定固定时间区间，期限届满后，原同意自动失效。此时，个人信息处理者必须重新履行信息披露义务。若未成年人此时已满足独立行使同意权的条件，则可由本人直接做出同意表示。否则，仍需由其父母或监护人代为行使。“择时退出”是动态同意机制的关键体现，它赋予未成年人及其父母或其他监护人可随时决定中止对特定类型信息的继续处理，或禁止将信息用于特殊用途的权利。在此基础上，受教育主体还能随时调整和修改其同意范围，从而实现对个人信息的持续控制。这一机制有效克服了传统“一次同意，终身有效”的僵化弊端，且在现有技术条件下具备充分的可行性（石佳友 & 刘思齐, 2021）。

根据罗杰•布朗斯沃德（Brownsword, R.）的“法律3.0”理论，面对技术对法律的冲击，法律规则的调整尤为重要，而技术本身也可成为解决方案之一（罗杰•布朗斯沃德, 2023, pp.4-5）。例如，区块链技术以其独特的数据结构，将数据区块按时间顺序链式组合，并通过密码学手段保障数据的不可篡改和不可伪造，这种去中心化、去信任的分布式共享账本，为情感计算教育应用的情感信息安全提供了技术支持。首先，防止情感信息的泄漏。区块链技术的去中心化存储架构能够将情感计算教育应用处理的个人信息转换为哈希值上链，传输中的加密过程能有效保障个人信息的安全。其次，防止对情感信息的篡改和伪造。在区块链中篡改某个区块的数据，不仅需要改变该区块及后续区块数据，还需在共识机制的特定时间内完成。因此，区块链的不可篡改性提升了情感计算教育应用处理个人信息的安全系数。最后，防止情感信息的丢失。区块链的分布式存储架构确保每个节点都保留完整的数据备份，即使某个节点遭到攻击，其他节点仍然可以正常运转（王禄生 & 王爽, 2020）。由此，区块链技术可以有效保障情感计算教育应用运行中的个人信息安全。

（三）情感计算教育应用计算正义的场景化校准

情感计算教育应用中数据和算法的正义程度直接关系到应用的整体正义性。对此，需要基于倾斜性规制理念对情感计算教育应用的数据与算法进行全过程的法律规制，这不仅要求关注数据与算法在整体层面的普遍正义实现，还需结合具体应用场景，确保数据与算法能够体现个体正义。

第一，基于精确目的的数据规制。数据是算法运行的基础与源泉，没有合适的训练数据就无法进行有效的数据训练，也就无法获得准确的情感计算教育应用模型。因而，精确的情感计算教育应用训练数据尤为重要。不同于医疗、交通等领域，教学与学习是非线性活动，因而教育场景没有标准化与程式化的流程与模式（杨现民 等, 2016），由此也导致教育场景中的情感数据呈现出高度复杂性与多元性。因此，情感计算教育应用模型的人工标注规则和要素选择应建立在研发专家、法学专家和教育专家的共同论证之上，遵循教育发展逻辑，严格筛选算法训练过程所需的数据样本，并通过先验知识对数据样本进行清洗，减少人为价值判断的渗透性影响。同时，借助特征工程、机器学习算法等手段建立数据重复识别匹配规则和匹配链接规则，并对标注样本库质量进行评估，排除歧视性数据（孙晓勇, 2021）。同时，还需对情感计算数据质量进行持续监控与定期更新，以充分保障情感计算数据的可信度以及与教育规律的契合度。

第二，基于正义目的的算法规制。算法是情感计算教育应用的核心要素，算法是否具有正义属性是算法规制的前提，直接关涉情感计算教育应用的风险大小。教育是一种解释性和理解性行为，教育过程是将缄默知识显性化、黑箱知识透明化的过程，教育者需要把握和调控教育对象和教育过程，以实现全局性的风险管理与控制（谭维智, 2019）。因而，情感计算教育应用需要保证算法的可解释性。算法可解释性被视为对抗数据个体的主体性和自治性沦陷和丧失的内在之善（张欣, 2019）。虽然公开算法模型和源代码是破解算法黑箱、防范算法歧视的有效方式，但是公开算法无助于企业保持商业竞争优势，加之教育主体受认知能力所限，也难以准确理解算法的实际原理，所以公开算法源代码并无实际意义（张凌寒, 2018）。

对此，可基于解释水平理论构建算法解释制度。解释水平理论认为个体对社会事件的反应取决于个体的心理表征，即个体对目标的解释而不是目标本身（Liberman & Trope, 1998）。其中，对于远距离事物倾向于采用高水平解释，关注事物核心和整体特征；对于近距离事物则应采取低水平解释，关注事物外围和具体特征。概言之，低水平解释关注事情如何做，高水平解释更关注为什么这么做。此外，时间因素对于解释水平也至关重要。时间使得结果的整体吸引力更接近于高水平解释值。当结果的低水平解释比高水平解释更加积极时，结果在近的未来更具吸引力，呈现“时间贴现”（time discounting）；当结果的高水平解释更加积极时，结果在较远未来更加积极，显现“时间增强”（time augmentation）（Trope & Liberman, 2010）。情感计算教育应用算法解释受众可区分为技术专家、公权力机关、学生和教师。其中，对技术专家解释是为确保算法的科学性和有效性，同时也为和第三方评估等制度对接；对公权力机关解释是基于监管需要；对学生解释是为增加其对技术的理解和接受度，同时，当其了解了情感计算技术运作方式后，也能主动地参与到技术使用中；对教师解释是为提升情感计算教育应用的实施效果和教学准确性。对此，应基于不同的解释水平保障信息接收的可行能力。首先，由于学生缺乏技术理论储备，无须对算法逻辑进行精细化掌握，因而可采取高水平解释路径，用通俗语言展示技术理路和对学生的潜在影响。其次，技术专家、公权力机关和教师掌握一定的专业知识，应采取低水平解释路径。技术专家的关注重心在于算法科学性和有效性，低水平解释应尽可能精细刻画技术理路；公权力机关承担监管职能，低水平解释应采用翔实的因果解释；教师掌握一定的教育知识，并且是情感计算教育应用的直接适用者，需要了解算法如何运转，进而根据学生的情感反馈调整教学策略，因此，对教师的算法解释侧重执行，低水平解释的重点在于告知教师数据源、置信区间等细节。最后，由于时间因素会影响解释水平，因此当师生受到情感计算教育应用影响并提出异议时，其与情感计算教育应用的距离由远趋近，监管部门应从高水平解释转向低水平解释，不仅应以通俗方式阐明技术脉络，还应对其进行“场景式”解释，实现“个体化透明”。

（四）情感计算教育应用边界的差异化限定

在教育现代化浪潮的推动下，情感计算教育应用场景必将更加多元。教育活动具有个体差异性，并不存在通用的标准化模式。同时，情感计算教育应用效果往往具有不确定性，对学习自由和教育平等的负面影响也并非即刻显现，特别是情感计算教育应用使用主体多为未成年人，此种利益侵害更为隐蔽且深远。为防止情感计算教育应用的反噬效应威胁受教育者的主体地位，应当基于倾斜性法律规制理念，厘清情感计算教育应用的场景边界。

第一，明确情感计算介入智慧教育的基本限度。情感计算教育应用应以人本主义作为基本价值，尊重学生的身心发展规律与学习认知规律，认可学生的主体中心地位，设立培养学生“能够充分发挥自身功能”的教育目标，把学生的创造性、求知欲和好奇心作为人本主义培养方式的基本手段（王旦 等, 2021）。情感计算教育应用既不能妨碍也不能直接替代受教育主体进行自主决定。情感计算教育应用应基于“轻推”（nudge）的运行理念，以最低干预方式进行，确保提醒和保护方式不对教学生活产生过度打扰。同时，为防范情感计算技术对学习自由的潜在限制，还必须保障教育主体享有随时退出应用服务的权利。教育主体退出情感计算教育应用的这一“退出权”可溯源至美国学者贾斯珀•特兰（Tran, J. L.）提出的“注意力保护权”（the right to attention），其核心在于赋予个体对抗算法对其注意力进行捕获和控制的能力（Tran, 2016）。因此，在线情感计算教育应用不仅应充分尊重受教育者的使用意愿，杜绝强制使用，更需要在操作层面提供显著且便捷的关闭选项。一旦用户选择退出，服务提供者必须立即终止所有相关功能。

第二，情感计算教育应用负面清单的动态化界定。应当禁止严重触碰伦理禁区和价值底线的情感计算教育应用：1）试图直接操纵、控制他人情绪的情感计算应用。例如，情感计算教育应用通过实时情感识别技术，在检测到学生注意力下降时，自动触发强制性情绪调节程序，迫使其保持“积极”情绪状态。2）追求不正当目的的情感计算应用。例如，情感计算教育应用通过控制学生情绪，使授课教师获得高教学测评结果，人为制造课堂高满意度假象，将情感计算异化为教学绩效的投机工具。3）利用人性弱点的情感计算滥用式应用。例如，情感计算教育应用通过刻意利用未成年人的年龄脆弱性和情感发育的不成熟性，借助神经反馈机制等成瘾性设计，系统性干预和扭曲学生的自然情感体验（王禄生, 2021）。同时，应建立定期审查和动态更新机制，由专门机构根据技术进步、社会反馈及实际问题及时调整负面清单内容，确保清单始终贴合时代需求和社会价值。

第三，建立情感计算教育应用的审核和责任追究机制。对情感计算教育应用应以是否实现倾斜性保护为基准，进行全面事前评估以决定是否准许应用，并通过定期抽查评估的方式进行及时调整。在构建责任追究制度时，应以教育主体权利受到实质性损害为前提，明确研发、审核、应用主体的差异化责任。对于研发主体，其责任承担应限定在存在故意或重大过失的情况下，以避免过度约束研发人员的创新空间，从而保障情感计算教育应用的长远发展，保持其技术创新的活力。

四、

结语

在万物皆可计算的时代，情感计算在教育领域的应用为智慧教育的纵深式发展注入全新活力，为未来智慧教育的生态体系建构带来全新机遇。然而，在情感计算技术特殊性和教育场景特殊性的叠加融合下，情感计算教育应用会对隐私权、个人信息权益、教育平等和学习自由产生冲击。情感计算应用主体、对象及内容都以人为中心，与人格尊严密切相关，情感计算教育应用的法律风险还会对人格尊严造成不可逆的损害。因此，借助具有强制力的法律途径以实现对情感计算教育应用的规制就显得尤为必要。事实上，面向情感计算教育应用的法律规制还存在诸多理论问题和技术细节值得深入研究，例如，情感计算教育应用开发者是否具有领域性的保护义务？学校应当就情感计算教育应用承担何种义务？这些都应成为未来研究的努力方向。

注释：

① 《中华人民共和国个人信息保护法》第二十八条规定：敏感个人信息是指一旦泄露或者非法使用，容易导致自然人的人格尊严受到侵害或者人身、财产安全受到危害的个人信息，包括生物识别、宗教信仰、特定身份、医疗健康、金融账户、行踪轨迹等信息，以及不满十四周岁未成年人的个人信息。另外需要说明的是，由于信息和数据的概念边界模糊，且当前学界对于两者之间的异同尚存在较大争议，我国立法也未对两者进行严格界分，因此本研究将根据具体语境交叉使用“情感信息”“情感数据”等表述，不做内涵和外延上的区分。

② 《中华人民共和国个人信息保护法》第三十一条规定：处理不满十四周岁未成年人个人信息，应取得未成年人的父母或其他监护人的同意。而对于十四周岁以上的未成年人个人信息的处理，《中华人民共和国个人信息保护法》则未予单独明确。虽然《信息安全技术 个人信息安全规范》（GB/T 35273—2020）规定收集年满十四周岁未成年人的个人信息前，应征得未成年人或其监护人的明示同意，但是《信息安全技术 个人信息安全规范》属于推荐性国家标准，不具备强制执行力。因而，情感计算教育应用处理十四周岁以上未成年人的个人信息，理论上仅需取得未成年人同意。

参考文献

曹培杰. （2018）. 智慧教育：人工智能时代的教育变革. 教育研究（8）, 121-128.

曹扬, & 邹云龙. （2018）. 从学习自由到创造自由. 社会科学战线（11）, 276-280.

陈恩伦. （2003）. 论学习权. 中国教育学刊（2）, 24-26, 35.

褚婧一. （2023）. 情感计算的信息隐私法律风险及其应对. 交大法学（3）, 63-77.

高德胜. （2019）. 表现的学校与教育的危机. 华东师范大学学报（教育科学版）（6）, 16-26.

黑格尔. （2017）. 法哲学原理（范扬, & 张企泰 译）. 商务印书馆.

胡建淼, & 岑剑梅. （2008）. 公共摄像监视与公民隐私权保护. 法学（6）, 93-102.

姬晓灿, 成积春, & 张雨强. （2020）. 技术时代精准教学探究. 电化教育研究（9）, 102-107.

吉尔•德勒兹. （2022）. 控制社会后记 （戴陆 译）. 世界美术（1）, 53-55.

金生鈜. （2004）. 论教育自由. 南京师大学报（社会科学版）（6）, 65-70.

康德. （2017）. 法的形而上学原理——权利的科学（沈叔平 译）. 商务印书馆.

劳凯声. （2021）. 受教育权新论. 教育研究（8）, 23-34.

李江源, & 蒋映洪. （2009）. 自由：教育的价值之维. 社会科学战线（1）, 210-218.

刘金松. （2021）. 人工智能时代学生主体性的相关问题探讨. 现代教育技术（1）, 5-11.

罗杰•布朗斯沃德. （2023）. 法律3.0：规则、规制和技术（毛海栋 译）. 北京大学出版社.

罗纳德•德沃金. （2008）. 认真对待权利（信春鹰, & 吴玉章 译）. 上海三联书店.

米歇尔•福柯. （2019）. 规训与惩罚（修订译本）（刘北成, & 杨远婴 译）. 生活•读书•新知三联书店.

施安. （2018-10-30）. 新东方发布教育新产品“AI班主任”，人工智能这把双刃剑，教育公司到底怎么用？ 36氪网. https://36kr.com/p/1722934067201

石佳友, & 刘思齐. （2021）. 人脸识别技术中的个人信息保护——兼论动态同意模式的建构. 财经法学（2）, 60-78.

孙晓勇. （2021）. 司法大数据在中国法院的应用与前景展望. 中国法学（4）, 123-144.

孙宇. （2024）. 数字经济中情感计算应用的消费者权益保护. 人文杂志（2）, 98-110.

谭维智. （2019）. 人工智能教育应用的算法风险. 开放教育研究（6）, 20-30.

田野. （2018）. 大数据时代知情同意原则的困境与出路——以生物资料库的个人信息保护为例. 法制与社会发展（6）, 111-136.

王旦, 张熙, & 侯浩翔. （2021）. 智能时代的教育伦理风险及应然向度. 教育研究与实验（4）, 34-39, 96.

王禄生. （2021）. 情感计算的应用困境及其法律规制. 东方法学（4）, 49-60.

王禄生, & 王爽. （2020）. 困境溯源与模式创新：基于区块链的个人信息合作治理研究. 中国行政管理（12）, 56-61.

王一岩, & 郑永和. （2024）. 教育情感计算的价值、困境与出路. 现代教育技术（9）, 71-79.

吴敏, 刘振焘, & 陈略峰. （2018）. 情感计算与情感机器人系统. 科学出版社.

消费日报网. （2018-6-1）. 蜜枣网展现未来人工智能应用场景. 中国日报网. http://qiye.chinadaily.com.cn/2018-06/01/content_36314746.htm

新浪教育. （2018-7-19）. 好未来发布“AI+脑科学”智慧课堂解决方案WISROOM. 环球网. https://lx.huanqiu.com/article/9CaKrnKaycA

熊文钊, & 吴旸. （2010）. 试论高等教育平等权的实现机制. 浙江学刊（1）, 48-52.

杨现民, 唐斯斯, & 李冀红. （2016）. 发展教育大数据：内涵、价值和挑战. 现代远程教育研究（1）, 50-61.

杨雪, 姜强, & 赵蔚. （2016）. 大数据学习分析支持个性化学习研究——技术回归教育本质. 现代远距离教育（4）, 71-78.

约翰•罗尔斯. （2009）. 正义论（修订版）（何怀宏, 何包钢, & 廖申白 译）. 中国社会科学出版社.

张凌寒. （2018）. 商业自动化决策的算法解释权研究. 法律科学（西北政法大学学报）（3）, 65-74.

张欣. （2019）. 算法解释权与算法治理路径研究. 中外法学（6）, 1425-1445.

周汉华. （2021）. 平行还是交叉——个人信息保护与隐私权的关系. 中外法学（5）, 1167-1187.

Ben-Ze’ev, A. (2000). The subtlety of emotions. The MIT Press.

EDPB-EDPS. (2021, June 18). EDPB-EDPS joint opinion 5/2021 on the proposal for a regulation of the European Parliament and of the Council laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). European Data Protection Board. https://edpb.europa.eu/system/files/2021-06/edpb-edps_joint_opinion_ai_regulation_en.pdf

Frank, P. (2023). Affective computing at work: Rationales for regulating emotion attribution and manipulation. Artificial Intelligence, Labour and Society, 1-5.

Gretchen, G. (2021). The ethics of AI and emotional intelligence: Data sources, applications, and questions for evaluating ethics risk. Partnershiponai. https://www.partnershiponai.org/wp-content/uploads/2020/07/PAI_The-ethics-of-AI-and-emotional-intelligence_073020.pdf

Liberman, N., & Trope, Y. (1998). The role of feasibility and desirability considerations in near and distant future decisions: A test of temporal construal theory. Journal of Personality and Social Psychology, 75(1), 5-18.

Official Journal of the European Union. (2024, June 13). Laying down harmonised rules on artificial intelligence and amending regulations (EC) No 300/2008, (EU) No 167/2013, (EU) No 168/2013, (EU) 2018/858, (EU) 2018/1139 and (EU) 2019/2144 and directives 2014/90/EU, (EU) 2016/797 and (EU) 2020/1828 (Artificial Intelligence Act). Official Journal of the European Union. https://eur-lex.europa.eu/legal-content/EN/TXT/PDF/?uri=OJ:L_202401689

Picard, R. W. (1997). Affective computing. The MIT Press.

Poria, S., Cambria, E., Bajpai, R., & Hussain, A. (2017). A review of affective computing: From unimodal analysis to multimodal fusion. Information Fusion, 37, 98-125.

Sébastien, K. (2020, September 18). Facing affect recognition. Asia Society. https://asiasociety.org/sites/default/files/inline-files/Affect%20Final.pdf

Tran, J. L. (2016). The right to attention. Indiana Law Journal, 91(3), 1023-1062.

Trope, Y., & Liberman, N. (2010). Construal-level theory of psychological distance. Psychological Review, 117(2), 440-463.

Xue, Y. J. (2019, Mar 26). Camera above the classroom. Sixthstone. https://www.sixthtone.com/news/1003759

Yoo, Y., Boland, R. J., Lyytinen, K., & Majchrzak, A. (2012). Organizing for innovation in the digitized world. Organization Science, 23(5), 1398-1408.

The Legal Risks and Bias-driven Regulatory Framework of Affective Computing Empowering Smart Education

Wang Shuang

Abstract:Affective computing applications in education, characterized by their emotional-driven, highly covert, and deeply recognizable features, exhibit immense potential in fostering personalized learning, precision teaching, and intelligent campus management. However, they also give rise to significant conflicts related to privacy rights, personal information protection, educational equity, and freedom of learning. In response, the central objective should be to prioritize the preferential protection of learners, employing targeted regulatory measures. Specifically, affective privacy should be integrated into privacy protection frameworks through mechanisms such as psychological harm assessments and presumed infringement. The informed consent rights of educational stakeholders should be strengthened through continuous, affective information disclosure and dynamic consent systems. Additionally, blockchain technology should be leveraged for tech-based governance. Data labeling should be optimized for specific purposes, and an algorithmic explanation system should be established based on interpretability theory to enhance contextual transparency of affective computing applications in education. Furthermore, applications that seriously infringe upon ethical boundaries and value thresholds should be prohibited, with educational stakeholders granted the right to opt out. This approach would foster a dynamic balance between fairness, safety, and efficiency in the application of affective computing in education.

Keywords:affective computing; privacy right; personal information; educational equality; freedom of learning

作者简介

王爽，南京信息工程大学大数据法治研究院研究员，东南大学未来法治与数智技术创新实验室研究员（南京 210044）。

基金项目

江苏省2025年度学位与研究生教育教学改革课题“面向生成式AI的法学研究生创新能力双向提升路径研究”（课题编号：JGKT25_C037）

责任编辑：单玲 陈凤英

期刊简介

《中国远程教育》创刊于1981年，是教育部主管、国家开放大学主办的综合性教育理论学术期刊，是中文社会科学引文索引（CSSCI） 来源期刊、全国中文核心期刊、中国人文社会科学期刊AMI综合评价（A刊） 核心期刊、中国科学评价研究中心（RCCSE） 核心期刊、中国期刊方阵双效期刊、人大复印报刊资料重要转载来源期刊，面向国内外公开发行。

本刊关注重大教育理论与政策，推动科技赋能教育，反映国际学术前沿，聚焦本土教育改革，注重学术研究规范，提倡教育原创研究。

地址

北京市海淀区西四环中路45号

邮编

电话

010-68182514

电邮

zzs@ouchn.edu.cn

网址

cjde.ouchn.edu.cn

来源｜中国远程教育微刊

声明：转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与我们联系，我们将及时更正、删除，谢谢。