多模态数据支持的学习投入评测：现状、启示与研究趋向

发布时间：2021-12-24 07:34

　　作为学习分析领域的重要内容,学习投入的评测日益成为研究热点。对学习投入的概念与特征的阐释,反映出当前对于经典学习分析的局限,即"路灯效应"（Streetlight Effect）。其有可能使研究者偏离解决"真实场景"中的问题,而多模态数据支持的学习评测,恰恰契合了学习投入的动态、多维、境脉化的特征。多模态的数据获取,可以从交互情景中的行为分析、单模态传感器与多模态传感器三个维度来分类。多模态数据经过建模场景、数据源与精度等方面的刻画,可实现对学习者交互状态、辍学率、心智游移水平、注意力以及成功表现等指标的评估,体现出对复杂认知能力衡量、改善建模精度以及对数据集整体意义还原的实践价值。未来,对学习投入的评测研究,应强化对理论模型的构建,充分借助脑科学、教育神经科学等的技术手段,阐释学习者外部行为表现、认知过程与内部生理的相关机制,构建科学的生物数据库以及对脱离投入提供更为有效的解释与干预,从而为智能时代的个性化学习提供"增值"。 

【文章来源】：远程教育杂志. 2020,38(01)北大核心CSSCI

【文章页数】：11 页

【部分图文】：

学习投入的多模态数据建模流程

【参考文献】：
期刊论文
[1]人工智能时代的智慧学习:原理、进展与趋势[J]. 梁迎丽,梁英豪.  中国电化教育. 2019(02)
[2]人工智能视域下的学习参与度识别方法研究——基于一项多模态数据融合的深度学习实验分析[J]. 曹晓明,张永和,潘萌,朱姗,闫海亮.  远程教育杂志. 2019(01)
[3]技术赋能 万众学习——AECT 2018年会综述[J]. 钟琳,陈蕙若,姚中锐,唐恒涛,王小雪,李艳.  远程教育杂志. 2019(01)
[4]An interview with Dr.Raj Reddy on artificial intelligence[J]. FITEE editorial staff.  Frontiers of Information Technology & Electronic Engineering. 2018(01)
[5]从学力观的历史变迁审视“互联网+”时代的学习评价[J]. 齐宇歆.  远程教育杂志. 2017(02)
[6]e-Learning环境学习测量研究进展与趋势——基于眼动应用视角[J]. 张琪,杨玲玉.  中国电化教育. 2016(11)
[7]学习分析中的生物数据表征——眼动与多模态技术应用前瞻[J]. 张琪,武法提.  电化教育研究. 2016(09)



本文编号：3550076