基于眼动追踪技术的在线学习认知负荷量化模型研究

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。     

多模态学习情感计算:动因、框架与建议

学习情感是影响学生认知加工与学习效果的重要因素,如何利用多模态数据开展学习情感计算是当前亟待解决的问题.文章在分析情感计算源起与多模态数据融合的基础上,阐述了多模态情感计算的发展动因,构建了多模态学习情感计算的研究框架,包括以教育场景为导向采集情感数据、依据情感模型展开建模与识别、利用可视化方式表达与反馈情感、结合情感归因来干预与调节学习过程等.基于现有研究案例,将多模态学习情感计算的应用归纳为开发学习情感识别系统、增强智能学习工具、支持学习干预与决策、探索学习情感的作用机制等方面.未来多模态学习情感计算应平衡数据采集侵入性与真实性、提升数据模型可解释性、综合衡量学习状态以及拓展教育应用探索与创新.     

价值诱导促进视频学习的机制和策略研究:基于多模态数据的分析

学习者对学习内容价值的评估将直接影响其学业情绪、学习投入度及学习效果,故价值诱导对促进视频学习具有重要的潜在价值。基于此,文章借助眼动仪、脑波仪、情绪测试仪和量表采集112名大学生的视觉认知、脑认知、主观价值评估、学业情绪和学习效果的多模态数据,深入分析价值诱导对视频学习的影响机制。结果表明,在低任务难度的视频学习中,价值诱导能有效提升学习者的认知投入度,表现为总注视次数的提升和大脑放松度的降低,并能有效诱发学习者的积极情绪,进而改善其学习效果;价值诱导对高任务难度视频学习的促进效果不明显。结构方程模型分析发现,价值诱导促进视频学习的作用路径有四条:“价值诱导—总注视次数—结果性积极情绪”“主观价值评估—结果性积极情绪”“价值诱导—总注视次数—学习效果”“主观价值评估—学习效果”。基于上述结果,提出两条价值诱导促进视频学习的策略:合理设置任务难度,以有效融入价值诱导;渗透价值诱导因素,以促进情感和认知投入。     

深度学习的发生机制与多模态数据测评研究

进入数字化知识经济时代,社会发展对教育活动提出了更高要求,旨在培养高阶思维和创新能力的深度学习备受国际社会的高度关注。为此,“深度学习如何发生”和“如何评估深度学习发生程度”,也成为亟待研究的两个关键学术问题。认知心理学、教育神经学和具身认知为理解深度学习提供了理论基础,指引人们从人—物互动视角认识个体的认知变化过程,打开了个体学习的内隐机制“黑箱”,实现内隐机制和外显表征的桥接与理解。基于这一认识与分析,通过信息输入、深度加工和学习生成三个环节,初步构建了深度学习的发生机制模型,并设置相关的学习状态指标。而要实现对深度学习发生程度的精准评价,则应依据深度学习的多模态数据测评框架,综合性采集与分析学习者的生理数据、自我评估数据、在线学习平台数据和课堂参与数据等多模态数据。但是,在采用多模态数据测评深度学习的发生及其程度时,多模态数据仍存在异质性差距、数据建模缺乏精确度、常态化评价开展困难、数据安全和伦理道德难以得到保障等问题,亟需未来开展更为深入的研究与探索。     

数据驱动的在线学习倦怠预警模型研究与实现

在线学习倦怠是学习者由于学习压力等因素影响而产生的一种倾向于逃避学习的消极心理状态,对其进行有效识别与适时预警是实现高效在线学习的重要途径.鉴于此,文章首先确立了在线学习倦怠的内涵与结构维度,并基于学习倦怠量化表征依据分析构建了数据驱动的在线学习倦怠预警模型;然后从在线学习倦怠预警过程出发,详细阐述了数据驱动在线学习倦怠预警的实现方案;最终依托iStudy学习平台完成了在线学习倦怠预警系统功能的设计与开发,并以H大学在线学习者为研究对象进行系统应用和实证分析.实践效果表明,该预警模型可以有效降低学习者倦怠水平并显著提升课程学习效果,为在线教育中的学习倦怠评估与智能化预警奠定了一定的基础.     

基于多模态交互信息的协作学习投入分析

协作学习投入面临多维、动态数据采集与多元数据融合分析的挑战,而多模态交互分析能够提取并融合动态、多维度的投入信息,对表征协作学习交互过程具有重要价值。基于此,文章构建了基于多模态交互信息的协作学习投入分析指导框架,并从投入水平的整体性表征、投入状态的多维性分析和投入信息的时序性挖掘等角度,阐述了协作学习投入分析应考虑的关键问题。此外,文章还提出了包含多模态信息采集、多模态特征提取、多模态特征融合分析等三大模块构成的多模态交互信息分析路径。研究结论显示,多模态交互信息能实现对协作交互过程全方位、细粒度地记录,进而对小组协作学习投入的状态进行动态表征与持续分析。未来研究可能的方向在于基于智能语音处理技术的交互会话分析、基于仪表盘的投入信息可视化呈现以及基于智能代理的协作投入适应性支持。     

基于多模态数据的大学生认知深度评价框架构建及应用

提高学生课堂认知深度是本科教育高质量发展的核心目标,如何对认知深度展开科学评价是关乎此目标达成的关键,也是深化本科课程教学改革的迫切需求。为此,首先基于经典认知深度评价理论,结合新兴多模态数据分析技术,搭建大学生认知深度多模态评价框架。其次,基于此框架开展实证研究：以Z高校教育技术专业课程“学习科学与技术”为例,通过智能录播系统、在线学习平台等工具从多维学习空间采集主题讨论、自我反思、思维导图、课堂问答、头部姿势等多模态学习数据,采用机器学习方法处理并分析学习数据,综合评价学生认知深度并进行反馈。结果显示,多模态数据支持的评价更能准确地反映学生认知深度,具有显著的以评促学效能,最佳数据源是自我反思、思维导图和课堂问答。     

自主学习能力对在线学习效果的影响机制探究——兼论在线学习交互体验的中介作用

围绕自主学习能力对在线学习效果的影响,文章基于实证数据分析发现,自主学习能力对在线学习效果的总效应显著,但主要体现为以交互体验为中介的间接效应;学习者之间的交互体验对深度学习效果的中介作用较明显。在线课程应有意识地培养学习者的自主学习能力,利用在线平台技术和学习行为大数据的支持,增强学习者的在线学习交互体验,从而助力于在线学习效果的提升。     

多模态视域下的群体感知：内涵、功能与实现路径

随着计算机支持的协作学习在教育教学领域的深入应用,如何促进高质量的协作互动备受关注。多模态视域下的群体感知蕴含着丰富多元的感知信息,有助于学习者充分感知协作群体/同伴的协作状态,能够有效提升协作互动质量。然而目前有关群体感知工具内部机理和外部作用间关系的研究尚不明确。基于此,从多模态视域出发重新审视群体感知的内涵,系统回顾与分析国内外有关群体感知的相关研究。研究发现,群体感知工具通过采集多模态的学习者协作学习数据,对数据进行处理,并以可视化方式呈现给学习者,以帮助学习者获取对协作群体/同伴状态的有意识理解,促使学习者调节内部和外部的协作策略。在厘清群体感知工具内部机理和外部作用间关系的基础上,构建了多模态视域下的群体感知实现框架,并指出多模态视域下的群体感知在多模态展示和感知监控两方面的实现路径,以期为促进高质量协作交互提供参考。     

多模态大模型的教育应用研究与展望

多模态大模型逐渐成为人工智能领域研究的热点,目前已在通用领域有显著进展,但在教育领域仍处于起步阶段。文章提出可以构建教育领域通用大模型,并使其通过下游任务适配形成三类多模态教育大模型,从而形成三种典型教育应用,即教学资源自动生成、人机协同过程支持与教师教学智能辅助。在此基础上,文章以“多模态汉字学习系统”为例,利用多模态大模型实现跨模态释义生成,展示了多模态大模型在辅助语言学习方面的应用潜力。最后,文章针对教育领域通用大模型研究、多模态教育大模型的创新应用及其带来的潜在风险与可能触发的教育变革,提出针对性的建议与展望。     

大学英语多模态学习圈实践研究

多模态教学已成为国内英语课堂教学研究与实践的热点,但教学只是学习生态圈中的一环,构建教师课堂多模态教学、学生学习成果多模态输出及评价方式多模态的完整的学习圈才能全方位促进课堂教学的发展。以"中国文化英语赏析"课程为试点,进行16周多模态学习圈试验,通过问卷方式调查多模态学习圈的学习效果。结果表明:大多数学生对多模态教学持肯定态度,认为这种模式能从不同方面提升英语能力。     

多模态学习分析:理解与评价真实学习的新路向

随着物联网、可穿戴传感设备、人工智能的快速发展,多种模态数据的连续抓取与融合分析成为可能,促成了多模态学习分析研究的诞生,并成为学习分析领域的一个重要新兴分支.多模态学习分析关注真实的学习情境与本真的学习交流方式,"返璞归真"地聚焦更普遍的物理学习情境,克服了主流学习分析过度关注数字化学习环境的局限.研究主要采用文献归纳法,阐述了多模态学习分析的发展动因、概念理解,重点从身体、生理视角概述了多模态的数据类型,并对多模态学习分析的过程模型进行了详细描述.研究认为,未来要充分借助人工智能处理多模态数据,借鉴认知带理论融合不同模态数据的意义,借力学习理论来理解真实的多模态学习交互过程,以进一步完善基于多模态数据的学习评价方法.     

基于多模态理论的高职英语教学策略探究

多模态理论为高职英语教学提供了全新的教学视角和教学思路，有利于提升高职英语教学成效，促进高职学生英语理论水平与实践能力的提升。文章分析当前高职英语教学运用多模态理论面临的难题，并从构建多模态网络英语学习平台、营造多模态英语教学环境、挖掘多模态教学资源、设计多模态PPT教学课件、组织多模态英语教学活动、运用多模态体态语、实施多模态教学评价等方面，对基于多模态理论的高职英语教学策略进行探究。     

多模态人工智能数据分析实验服务平台建设

为了培养具备创新能力的人工智能新工科人才,探索人工智能人才培养新模式新路径,进一步提升应用型高校的大数据及人工智能实验教学水平,同时能实现科研成果向业务价值的转化,提出了建设具有多模态人工智能数据分析能力的实验和科研一体化的教科研服务平台。多模态人工智能是计算机视觉和交互式人工智能模型的融合,基于应用型高校的基本特征,在分析了服务平台功能需求基础上,提出了整合大数据及人工智能核心技术引擎模块;实现了其关键核心技术多模态数据重构及转换、多模态深度学习服务平台;构建了基于平台应用的人才培养课程服务体系。可为高校在教学、管理、人工智能实训、大数据开发和可视化、大数据及人工智能课程实训资源等多方面提供核心技术应用和基础支撑。     

深度学习支持下多模态学习行为可解释性分析研究

当前,学习行为分析已成为研究热点.基于大数据技术挖掘学生的学习行为特征,能为学习过程的改善、学习评价的优化提供重要依据.然而,现有研究却存在分析数据类型单一、实时性不强、结果准确度不高、缺乏可解释性等问题.文章从利用深度学习算法进行多模态学习分析入手,采用HDRBM(Hybrid Deep Restricted Boltzmann Machine,深度混合判别受限玻尔兹曼机)神经网络模型,建立多模态学习分析模型,为教育技术领域中利用多模态大数据挖掘学习者行为特征提供了新范式;接着从可解释性分析的角度,阐述利用深度学习算法进行多模态学习行为分析的算法设计与实现过程;通过实验表明,研究中所采用的方法与技术路线对提高学习行为分析的可解释性有较好成效.     

学习分析视域下的在线学习动机评估研究

突如其来的新冠肺炎疫情使在线课程的学习效果受到质疑,在线学习动机研究逐渐受到重视。在此背景下,文章以现有研究中主观动机测量模型为基础,梳理出评估学习动机的一级指标,在借鉴学习投入研究成果的基础上,结合在线学习过程中产生的行为数据,确定了评估学习动机的观测指标,并通过机器学习研究得到一种在线学习动机四级分类模型。最后,通过半结构化访谈,文章发现在线学习过程中,近期价值、自主感、工具性、社会关系等与学习动机的形成有较强的正向关系,而情感态度对学习动机的形成影响较弱。文章提出的在线学习动机评估方法可为在线学习平台的设计提供一定的理论参考。     

分布式认知论视角下大学英语移动学习模式研究与实践

基于多模态话语分析理论,对移动学习影响因素进行了分析,并在此基础上从四个方面对分布式认知论视角下大学英语移动学习模式及其构建进行了探讨,以期为大学英语移动学习和大学英语课程教学改革提供参考。     

基于项目的在线协作学习支架策略探究

基于项目的在线协作学习过程中,学习者面临学习任务、协作过程以及在线环境所带来的认知负荷,支架是降低认知负荷、促进认知发展的有效手段。本研究基于认知图式和认知负荷理论,对基于项目的在线协作学习过程中的四个问题解决环节(问题表征、问题解决方案论证与生成、方案实施、监督与评价)和三类认知活动(同伴交互、个体反思、建模)中学习者面临的认知负荷进行分析。研究发现,学习者在问题解决环节中存在由于问题复杂性、任务高交互性以及自身领域知识不足和问题解决策略缺乏带来的内部认知负荷,以及对学习过程的组织、协调等管理所带来的外部认知负荷。在认知活动中存在因缺乏表达策略与技巧、元认知知识与策略、理解与迁移困难而带来的内部认知负荷,以及协商沟通导致的外部认知负荷。在此基础上,提出基于项目的在线协作学习的四种主要学习支架策略:结构化支架、模型化支架、问题化支架和知识化支架,并对其应用方式及来源进行了阐述。     

在线课程资源的“学测一体”游戏化设计：理论模型与作用机制

游戏化学习在激发学习者动机、改善学业情绪等方面存在独特优势,将游戏化学习与在线课程资源的“学”“测”两环节有机整合,有望提升在线课程资源的质量,进一步推动我国的教育数字化转型。鉴于此,研究构建了“学测一体”游戏化设计促进在线学习的理论模型,并借助眼动仪、脑波仪、问卷采集了120名被试的认知行为、学习体验与态度以及学习效果数据,深入分析无游戏化设计、“学”“测”“学测一体”的游戏化设计对在线学习的影响。结果表明：“学”的游戏化设计使学习者大脑更专注、更放松,消极情绪降低;“测”的游戏化设计促进学习者投入更多视觉认知资源,降低内部认知负荷,增加学习数量;“学测一体”的游戏化设计效果最佳,表现为学习者的视觉认知加工资源投入更多、外部认知负荷降低、学习满意度和学习质量提高。相关性分析和结构方程模型进一步发现了“学测一体”游戏化设计促进在线学习的作用路径。根据研究结论提出三条建议,旨在从游戏化学习视角为在线课程资源的高质量发展提供参考。     

多模态数据赋能教师画像:从简笔画走向全息画像

教师数字画像是实现精准诊断、及时干预和个性化服务的基础,然而国内学者少有关注,特别是多模态数据赋能全息化描绘教师画像的潜力没有得到很好的发掘。本研究从多学科角度系统解析了多模态的内涵,即多模态是表征不同生理、心理或行为反应的不同形态数据。以此为基础,本研究构建了以生理数据为主要成分的多模态数据全息临摹教师画像的机理及画像模型,模型包括关注发展期望勾勒的愿景层、关注研修动态描绘的学习层、关注本体特征刻画的属性层三个层面。之后,研究构建了基于全息画像的个性化机制(包括适性的动力机制和个人路径生成机制)以及机制得以运转的多模态学习分析方略(包括涵盖去伪存真、多维共描、多面临摹三个层面的多模态数据融合分析方略以及涉及精准教学、失败中学、个性化学习三种学习理念的适应性精准决策方略)。希望这一研究成果能对教师全息画像的临摹提供可行的方案,对以此为基础的智慧研修系统与个性化研修服务的构建提供有价值的参考。