在线学习行为多模态数据融合模型构建及实证

发布时间：2024-01-19 19:17

　　显性化测量与评估在线学习行为和情感状态是学习分析领域的研究热点。为克服单模态数据分析片面和多模态数据融合模糊等问题,全面感知和反馈在线学习过程状态,本研究构建了一种在线学习行为多模态数据融合模型。该模型利用自动化操作行为事件监听、表情识别、生理特征监测等原理,从行为、情绪和认知3个维度进行时序数据同步融合、分层递进诊断评估和统计聚类分析;考虑到对在线学习者具有较低的侵入性和干扰性,该模型在技术实现上采用分布式物联网技术和开放式Django Web服务器部署技术,形成学习过程状态数据的自动采集、分析、融合、评估和反馈等多层体系结构;应用该系统对MOOC环境下在线学习行为评测实验,讨论了本模型的准确性、易用性和有用性等问题。研究结果表明,本研究构建的模型能够为在线学习分析提供一种有效的技术解决方案,为同类研究可提供方法借鉴与技术实现参考。

【文章页数】：11 页

【文章目录】：
一、引言
二、在线学习行为数据融合研究现状
    （一）单模态数据检测技术及其理论基础
        1. 在线学习行为事件监听与学习投入评价
        2. 情绪模型、面部表情及自动识别技术
        3. 情绪和认知状态的生理特征检测研究
    （二）在线学习行为多模态数据融合相关研究
三、多模态数据融合模型
    （一）多模态数据时序分析
        1. 操作事件以静默方式监听和记录学习者在电脑上的操作。
        2. 情绪分析部分利用旷视表情识别接口处理面部视频的关键帧，标识学习者的情绪类型。
        3. 生理数据选择时，主要考虑了可操作实施且是有意义的宏观生理信号这两个方面。
    （二）多模态时序数据同步融合
    （三）基于多模态时序数据对相应投入进行分层递进诊断评估
四、实证分析
    （一）模型准确性分析
    （二）模型易用性分析
    （三）模型有用性分析
        1. 在单次在线学习中，操作活跃的学习者居多，如图7上图所示。
        2. 单次在线学习中的情绪以中性平静居多，如图7中图左侧所示。
        3. 单次在线学习心率的生理指标以平稳状态居多，如图7下图左侧所示。
        4. 从不同角度对学习者的学习投入状态进行聚类分析。
五、讨论与结语



本文编号：3880334