基于群体感知的CSCL学习分析工具功能研究

在计算机支持的协作学习(Computer Supported Collaborative Learning,CSCL)中引入"群体感知"这一概念,可以促进学习者之间的交流和协作,为解决协作学习效果不佳的问题提供新方法。为此,文章首先分析了群体感知的概念和国外典型的基于群体感知的CSCL学习分析工具的不足,并依托功能设计原则,构建了基于群体感知的CSCL学习分析工具功能模型;随后,文章具体分析了工具功能的技术实现;最后,文章通过问卷调查,发现学习者对工具功能的整体接受度较高,认为工具能有效支持协作学习。文章的研究有助于在线学习者更好地互动交流、解决问题,推动协作学习的进一步发展。     

CSCL中群体感知工具能提升学习效果吗？——基于2002～2021年国内外35篇实证研究文献的元分析

计算机支持的协作学习环境难以传达可视化的非语言线索，需要应用群体感知工具促进知识建构和任务完成，但群体感知工具对不同条件下学习效果的影响并不清楚。对此，文章基于2002～2021年国内外35篇在计算机支持的协作学习（Computer-Supported Collaborative Learning,CSCL）中应用群体感知工具的实证研究文献进行元分析，发现群体感知工具有助于促进学习者认知、元认知、社会情感与动机的发展，且其应用于自然科学的学习效果显著优于社会科学；另外，群体感知工具应用于混合式学习情境下的多人协作中，提供多种类型感知信息、将识别主体细化到个人且不支持个人与同伴比较时学习效果更佳，但这种优势不显著。基于此，文章针对未来CSCL中群体感知工具的设计与应用提出建议，以提升协作学习的效果。     

群体感知工具支持下的协作互动：特征、网络与网络发展轨迹

在线协作学习活动中应用群体感知工具能够促进有效的协作互动，然而研究者对于“群体感知工具如何影响学习者的协作互动过程”这一问题尚未进行深入探索。为此，文章综合运用统计分析、内容分析、认知网络分析等方法分析不同自我调节组协作互动的特征、网络与网络发展轨迹，结果表明：相较于低自我调节组，高自我调节组呈现出更多与社交互动有关的协作特征，且呈现了更多的积极情绪；高自我调节组始终与关系调节联系紧密，而低自我调节组在工具提供前期与关系调节联系紧密，但在工具提供中、后期与任务调节联系紧密；高自我调节组的协作互动网络发展轨迹始于关系表现、止于关系调节，而低自我调节组的协作互动网络发展轨迹始于关系表现、止于任务调节。文章的研究可为教师设计与应用群体感知工具、促进学习者开展有效的协作互动提供理论参考，并为优化协作互动过程提供新思路、为在线协作学习活动的开展提供实践指导。     

面向协作学习多重投入特征画像的多模态学习分析

群体投入特征画像是教育与信息技术交叉学科关注的重要研究议题。目前的研究,尚需要在群体投入维度与指标构建、多模态交互数据的融合表征,以及群体多维投入特征刻画等方面取得突破。鉴于此,如何采用多模态交互信息来表征协作学习参与者的投入状态,成为应对当前挑战的关键问题。因此,结合德尔菲法与层次分析法建立群体多重投入特征的分析指标及权重,利用多模态交互分析方法融合与表征多维投入特征,并从群体投入状态差异与时序变化等角度,刻画协作知识建构中参与者的投入特征。研究结果认为:行为参与、社会关系、观点建构和共享调节是刻画群体协作学习投入状态的重要指标,基于多模态数据刻画群体投入特征方法需处理的关键问题是多模态交互数据的融合比例与数据对齐方式;在群体知识建构活动中,个体在各子投入维度的不均衡表现与小组内部成员相互影响的投入表现是协作学习投入的主要特征。     

多模态数据下混合协作学习者情感投入分析

情感投入在混合协作学习中发挥重要作用,厘清其作用机制是当前亟待解决的问题。混合协作学习场景下多模态情感计算技术的支持为更加精准地分析学习者情感投入提供了可能。文章从情感数据的多模态融合、情感发生的情境解释、情感状态的动态变化、情感发展的层级建构和情感反馈的调节干预五个层面构建了混合协作学习者情感投入的研究框架,并从改善混合协作学习过程和探索混合协作学习规律出发,阐述了混合协作学习者情感投入的分析路径。一方面,融合多模态数据,输出可视化的情感状态识别结果;根据环境、认知、行为、动机及任务等因素,进行情感归因;预防情感危机,采取反馈与调节措施。另一方面,探索情感投入与人际互动、学习资源、认知发展的关系,以期揭示混合协作学习的内在规律。     

迈向人机协同的协作学习——CSCL领域智能学习分析仪表盘研究热点与前沿趋势探究

在国际协作学习研究的前沿领域中,智能中介工具的加入使得原有“人-人”互动转变为“人-机-人”相结合的人机协同方式。智能学习分析仪表盘作为人机协同的重要中介工具得到了研究者的广泛关注。采用系统性文献综述的方法对相关文献进行梳理后发现,智能学习分析仪表盘能够从群体感知、适应反馈和师生代理三个维度来促进主体间互动的关系与结果,其实现的机制是以可视化表征原有人与人协作交互中的隐藏认知、行为与社交感知信息,引导学习者发现并消解认知与社会性冲突,建构群体公共知识;以感知信息为基础对群体互动过程和结果进行诊断分析并匹配反馈,优化协作学习路径;通过模拟教学场景与师生代理,重建“人-机-人”结合的协作交互过程,增强学习者的临场感与沉浸体验。智能学习分析仪表盘未来研究可能聚焦于：在群体感知层面,关注学习者视角下的多种感知信息可视化表征方式;在适应反馈层面,聚焦提升适应反馈信息的可解释性;在师生代理层面,关注社会文化情境中的师生代理匹配设计。     

CSCL情境中的群体感知工具:设计类型与效果评估

为了帮助学习者建立在CSCL情境中的群体感知意识,研究者往往会设计群体感知工具,为学习者呈现协作过程中的情境化信息,以此触发高质量的协作学习生成。通过对近15年30篇国外采用群体感知工具开展的实证研究进行系统分析,探讨了不同类型(认知型、行为型和社会型)的群体感知工具如何支持学习者的协作学习过程,具体从信息来源、信息可比性、细粒度、表征方法等维度对这些工具进行了较为详细的对比分析,并介绍了工具对协作过程、群体绩效和个人绩效三方面的影响。最后基于文献分析的结果,从信息可比性和人机协同两方面提出了未来潜在的研究方向。     

学习者多模态情绪融合分析：动因、框架与路向

如何精准识别学习者情绪，深度融合各模态情绪数据，剖析情绪发生的作用机制，已成为智能教育发展的关键问题。本研究提出学习者多模态情绪融合分析概念，从学习者多模态情绪融合分析的动因、框架与路向三个维度，探索多模态情绪数据之间的有机融合，精准感知学习者的情绪状态，挖掘多模态情绪数据的潜在价值，实现对学习发展规律的细粒度解析，推进学习者情绪识别领域的实践探索。     

基于社会网络分析(SNA)的共享调节学习评价:概念框架与解释案例

共享调节学习评价涉及协作学习的不同维度和过程,同时兼具群体感知的功能。现有的评价存在分析维度单一、数据利用不足、缺乏对互动过程的挖掘和跟踪等问题。将社会网络分析(Social Network Analysis,SNA)引入共享调节学习的评价,可以充分反映共享调节学习特有的理论观照,呈现调节过程不同阶段的特点、不同评价维度的关联性以及调节的内在机制。基于SNA的共享调节学习评价框架,在数据收集以及分析工具方面,拓展了现有的共享调节评价维度,其引入群体交流模式、群体互动紧密性、个人或群体角色、不同关系维度、多模社会关系等评价分析工具,对共享调节学习过程进行评价与跟踪,促进了群体的自我感知。以华东师范大学教育信息技术学系的一门专业选修课程为解释案例说明概念框架的应用过程,也表明了基于SNA的共享调节评价能够评估共享调节学习的协作过程,促进共享调节水平的提高,相应的评价工具能够促进协作学习活动开展,强化成员的群体感知。未来仍需要进一步深化实证研究,完善评价工具,拓展应用案例,进一步挖掘概念框架的潜在价值。     

在线环境中自我调节学习和同伴互动水平的关系研究

同伴互动是在线学习环境下学习者知识构建的关键,也是提升在线学习效果的重要途径之一。自我调节学习可以影响学习者的学习行为,而同伴互动作为学习行为的一种,同样可以被其影响,由于当前缺乏对在线学习过程数据的全面挖掘并量化自我调节学习和同伴互动,导致两者之间具体关系仍然有待深入探究。该文通过采集学习者的日志数据和讨论文本数据,首先采用两阶段聚类法量化自我调节学习水平,然后通过社会网络分析、社会认知网络分析和LSTM方法全方位挖掘和量化同伴互动水平的行为水平、认知水平和情感状态三个维度,最后进一步分析自我调节学习水平和同伴互动水平不同维度之间的关联关系。结果显示,在线学习过程中大多数学习者还不具备高水平自我调节学习能力,而且同伴互动也更多停留在浅层的行为层面;在线学习过程中学习者互动时的认知结构会受到教师发布学习主题的影响;在线学习过程中学习者的自我调节学习水平对同伴互动水平有显著正向影响。     

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。     

多模态外语课堂教学中教师的中介作用研究

多媒体和网络技术的广泛运用使多模态教学日益成为现代教学的一个重要特征。在多模态外语课堂教学中,教师作为学习者与意义建构过程的中介者(mediator)应充分发挥其中介作用,促进学生达到更高层次的认知和学习水平。多模态外语课堂教学中,教师主要通过以下三种方式发挥其中介作用:第一、有效使用多模态PPT课件,促进学生对信息资源的优化输入;第二、充分利用距离、手势、面容等非语言模态,促进师生间的互动与交流;第三、积极利用多模态网络自主学习平台,促进学生自主学习能力的提高。     

学习投入测评新发展:从单维分析到多模态融合

学习投入与学生的学习持续性、学业满意度、学习绩效以及学业完成情况高度相关,对其进行有效测评能够准确预测和干预学生的学习结果和学习行为.为了提升学习投入测评的有效性和准确性,首先,对现有六种学习投入测评方法进行了比较分析,即自我报告、编码分析、日志分析、观察评价、智能测量以及生理测量;然后,提出了多模态数据表征的学习投入测评框架,包括数据收集、数据处理、数据融合以及数据应用四个关键步骤;最后,选取参与同伴互动活动的两名不同成就学习者的多模态数据,依托该框架进行探索性案例分析,从多维时空尺度揭示学习投入的深层机制.研究发现,多模态数据表征的学习投入测评有望突破传统测评方法中单一数据源难以实现的逻辑整合问题,揭示学习投入的动态演变规律,为课程设计、学习活动或教学工具的质量提升提供有价值的参考依据,提升教师帮助学生和改善教学的能力,推动数据驱动的研究范式发展以及教与学规律的研究.     

多模态数据赋彩学习投入测评新发展

学习投入作为衡量学习者成功与否的重要指标、影响学习者学习绩效的关键因素,受到专家学者的广泛关注。如何对学习投入进行合理有效测评,是当前教育领域不可回避的现实课题。通过对传统测评方式梳理发现其极易产生“路灯效应”,存在分析信度及效度不准确等弊端。本研究以多模态数据为切入点,提出多模态数据赋彩学习投入测评新机制,包括多模态数据信息采集、关系挖掘、融合应用三个层面,多维解析学习投入测评逻辑机理,助力突破学习投入测评现实困境,以推动学习投入测评新发展。     

基于MAX／VT的虚拟实验数据交互技术研究

基于MAx／VT的开发技术便于设计高质量的虚拟实验。交互性是虚拟实验的核心特征,数据交互能够使学习者通过参数控制实验的运行,对实验各变量关系进行定量分析,提高了虚拟实验的交互性能,促进了学习者自主探究性学习。在MAx／VT的开发方案中,可以运用VT内部提供的互动行为模块（BB）实现程序内部数据交互,也可以实现基于数据库访问的程序外部数据交互。     

CSCL活动中的觉知设计及其应用效果研究

本文论述了觉知的相关概念以及协作学习中的觉知问题,认为实现有效的计算机支持的协作学习可以通过在协作学习过程中促进学习者对自身以及同伴的感知来实现;同时,本文以具体的CSCL活动策略和协作平台组件设计为案例,从内容对比分析的角度验证促进协作学习活动觉知过程设计的有效性.     

多模态视域下军事职业教育精准化学习评价路径与方法

智能感知技术的发展推动了学习分析领域的变革,使多模态数据的获取和融合分析成为可能,也使传统在线教学评价向“第四范式”数据密集型评价迈进。文章首先立足于当前学习评价现状,剖析军事职业教育侧重结果性评价、评价主体单一、缺乏智能化手段支撑等问题;其次基于具身认知理论将多模态数据分为基础信息数据、个体特征数据、交互行为数据三类,依据数据感知技术和数据表征方式构建在线学习多模态数据测评框架;最后从多模态数据采集、多维度数据融合、多元化分析建模、精准化反馈改进等四个环节,探索数据驱动下的精准化学习评价路径,不断促进军事职业教育的内涵式发展。     

基于TAM模型的网络协作交流工具接受行为研究

合理接受网络协作交流工具,能提高师生交互效果,促进协作效率。为探讨网络协作学习中影响学习者接受交流工具的主要因素,本文根据技术接受模型(TAM)理论,提出了基于TAM的协作交流工具接受行为模型,并对理论模型和研究假设进行了分析。研究结果表明,技术特征、任务特征和个体差异显著影响个体的感知有用性和感知易用性;学习环境显著影响个体的感知有用性和接受行为,感知有用性和感知易用性显著影响接受意愿,而接受意愿又对接受行为有显著影响。研究结果从实证角度对协作交流工具接受行为模型提供了支持,也为优化协作学习设计提供了依据。     

智能学习分组:从通用模型到大数据框架

学习分组是协作学习活动设计的首要阶段。随着学习场所的快速变化、多模态交互过程复杂性的增加,采用传统的随机分组、教师指派或学生自我选择等方法进行协作学习分组的效率十分低下。研究提出基于智能技术构建自适应的协作学习小组。首先,阐述了学习分组的价值,即构建合理的协作学习环境、兼顾学生的个体差异和促进教育资源优质公平;其次,总结了影响智能学习分组的因素,包括个体属性、小组学术与物理构成以及学习者与环境的交互;最后,描述了经典场景下智能学习分组的通用模型,并讨论了大数据背景下智能学习分组的前景与挑战。针对大数据驱动智能学习分组的稳定性问题,基于机器学习中的集成学习思想构建了大数据共识分组框架。此框架有望为人工智能促进未来规模化的个性化教育提供支持。     

基于计算机的协作问题解决能力评估研究：问题与建议

协作问题解决能力是人工智能时代学习者必备的高阶能力之一,开展相关评估工作有助于培养学生的协作问题解决能力。文章对基于计算机的协作问题解决能力评估的典型研究与项目进行回顾,从评估框架、工具和方法三个方面对影响评估工作科学性和有效性的关键问题进行剖析,并针对性地提出发展建议,以期为后续评估工作改进提供参考：（1）遵循“理论突围—应用牵引—数据循证”的评估思路;（2）基于“聚焦个体—精进小组”的视角丰富评估信息;（3）坚持“适度协作支架—平衡同伴影响”的原则设计评估工具;（4）面向“智能采集—精准分类”实现丰富协作情境下多模态数据的自动化编码;（5）纳入“语境、时序、语义、社会文化等因素”自动分析会话数据质性特征;（6）结合“多维—交互”特征探索新的测量模型。