教育通用人工智能大模型标准体系框架研制

当前,人工智能大模型在各领域迅猛发展,其中教育领域的人工智能大模型虽然能够在知识生产、知识计算和知识服务方面完成多种智能任务以提供教学辅助,但其在功能构建、数据收集与管理、教学测评和应用等方面仍存在局限,同时缺乏适用于多个教育场景的通用人工智能大模型。基于此,文章从人工智能的发展和标准化的现状出发,对教育通用人工智能大模型的概念、原则和属性做出界定,并提出教育通用人工智能大模型标准体系,包括总体框架、信息模型、数据规范、测评规范和教学应用要求等,以从指导角度对教育通用人工智能大模型的研发、应用、管理和评估进行规范。文章通过研究,旨在规范通用人工智能大模型在教育领域的应用与发展,赋能、赋智于教育,推动教育的高质量发展。     

多模态语篇分析新进展：GeM模型及其应用评述

在多模态语篇分析领域,一种新的理论方法是John．A．Bateman2008年提出的GeM模型。该模型结合语言学理论、版面设计与计算机技术,旨在科学分析页面及文档,标注与检索相关多模态语料库。目前国内介绍仍不全面,应用也仅局限于微博语篇结构分析。因此,有必要从理论上深入研究GeM模型及其组成部分的工作原理,并提出GeM模型能够在大数据检索、外语教学、设计等其他领域得到进一步应用,从而吸引国内更多的学者研究与应用这种新型的多模态语篇分析方法。     

基于多模态大模型的精准教学支持体系构建研究

随着人工智能大模型从单一模态向多模态融合的通用人工智能演变,多模态大模型的发展有望推动教育领域的变革。在技术进步的推动和智能时代教学原理的指导下,多模态大模型有望实现规模化教育与个性化培养之间的有机结合,并彻底转变精准教学和个性化学习的方式。然而,在实际应用中仍然面临着教育环境的实际限制等诸多挑战。为此,提出了基于多模态大模型的精准教学支持系统框架和面向个性化教育的云边协同基础设施架构。这两个互补架构能够协同工作,为构建更高效、规模化且个性化的精准教学体系奠定基础。此外,为基于多模态大模型的教育模式变革提供了更广泛的对话起点,为该领域的未来研究和发展提供了思路。     

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.     

多模态时代教与学的符号学意蕴

传统的教育形式单一,符号史与模态史的演进,推动教育领域的模态从单一走向多样。在书面语占统治地位的既往历史中,页面占据主导地位。现今,随着计算机技术的发展,屏幕越来越占据主导地位,图像、动画等成为交际的多媒体,教学话语的多模态性已经成为一个重点研究领域。多模态是基于多媒体的多通道意义构筑形态。在符号教育时代,课堂教学很少再有满堂灌的情形,代之以音乐、图画、动画、口语、姿势、味道、空间、动作等多种模态教育教学形式。未来以大数据、人工智能、虚拟现实等要素自由组合的多模态将构成一个生动活泼的符号系统,在多元切换中实现表情达意、沁人心脾、润物无声、春风化雨。     

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.     

学习科学视角下深度学习的多模态研究

文章从技术、推广、评价、整合和拓展五个方面,说明深度学习研究有赖于基本规律研究。作为学习科学的重要研究内容,深度学习基本规律研究应借鉴多模态的研究方法,全面揭示深度学习发生的内在机制。同时,文章归纳了不同学科和不同行为的多模态,着重分析了学习科学与深度学习领域的多模态。在完善深度学习框架的基础上,文章针对框架的各个组成部分提出了基础型、专业型多模态指标,构建了基于深度学习框架的多模态指标体系,可为不同目的、条件和层次的深度学习基本规律的多模态研究提供指标依据和机制参考。     

基于多模态数据的学习投入评估方法分析

学习投入是学生学习表现的关键影响因素,学习投入的自动识别是被广泛研究的问题。随着信息与传感技术的发展,在真实课堂中采集学生的多模态数据成为可能,如何利用多模态数据提升学习投入识别的准确率是值得研究的问题。文章分析基于外显或内隐信息的单模态模型和基于早期、晚期、混合融合方法的多模态模型,探究：（1）多模态数据相比于单模态数据在识别学习投入状态上的优势;（2）多模态数据融合方法对学习投入状态评估的影响。结果表明：结合外显与内隐信息可以更准确地识别学习投入状态;基于早期或混合融合方式的多模态模型在学习投入状态识别任务上有更佳的表现;融合方式对于最终结果准确性非常重要,不当的融合方式可能引入噪声,降低模型表现。     

基于ESP的多模态语料库构建与应用——以医学英语为例

多模态语料库作为一种新型计算机辅助语言研究与学习工具,可以客观真实反映语言在使用过程中的全貌。对于促进专门用途英语教学、教师教育、多模态话语分析研究具有巨大应用价值。以医学英语为例,综述了语料库的相关理论和多模态语料库已有的研究成果,探索分析了借助Elan软件构建多模态语料库的过程,最后对这一小型自建多模态语料库的应用进行了多维探讨。     

数据使能教学决策的发展——从数据教育应用到多模态学习分析支持教学决策

大量研究表明,数据驱动的教学决策能有效增强教师教学和学生学习的效果。当前研究多聚焦于数据驱动的教学决策模型及实践案例,较少关注支持教师教学决策的数据组织、收集和分析的过程。文章运用文献研究法和案例分析法,阐明基于数据教育应用原理的教学决策过程,并对其中的数据收集和分析过程进行解构,基于多模态学习分析的发展和过程优势,建构多模态学习分析支持的教学决策过程模型,找寻多模态学习分析支持教学决策的多模态数据收集和处理的过程与方法,并从实践角度分析两种多模态学习支持的教学决策的典型案例的过程和实践,希冀为国内中小学开展基于数据的有效教学决策研究和实践提供指引。     

生成式人工智能的教育应用与展望——以ChatGPT系统为例

生成式人工智能（Generative Artificial Intelligence）旨在利用人工智能技术自动化生成文本、图像、视频、音频等多模态数据，受到教育领域的广泛关注。其中，ChatGPT系统因其良好的自然语言理解和生成能力，体现出较高的多领域应用潜力。本研究以ChatGPT作为主要对象，基于其四项核心能力，即启发性内容生成能力、对话情境理解能力、序列任务执行能力和程序语言解析能力，探讨在教师教学、学习过程、教育评价、学业辅导四个方面的潜在教育应用。在此基础上，在真实系统中进行了习题生成、自动解题、辅助批阅等教育应用的初步验证。最后，本文进一步探讨了以ChatGPT为代表的生成式人工智能在教育应用中所面临的局限和对教育的启示。     

多模态诊断教学问题：生成逻辑、诊断机制和实践模型

教学问题的精准诊断是基础教育课程教学改革深化的重要诉求和实践难题,而利用多模态诊断的方法发现并改善教学问题是破解上述难题的有力手段。医学领域的“多模态诊断”在主体特征、问题特征、方法特征上均适切于教学问题的追踪与诊断。在明晰多模态诊断教学问题生成逻辑的基础上,从教学问题可辨识、可解释、可调控三大目标旨要出发,分析多模态诊断教学问题的诊断机制,生成由问题发现、异常诊断到实践改进的行动理路,确定多维度数据化表征、动态化精准诊断、复杂性干预三个关键问题,这三个关键问题的破解之道是构建多模态诊断教学问题的实践模型,具体包括教学问题多模态数据整合模型、面向动态教学系统的教学问题多模态诊断模型、基于人本人工智能的教学问题复杂干预模型三个部分,形成从发现问题、分析问题到解决问题的闭合回路,推动多模态诊断教学问题的实现。     

多模态话语分析理论视域下的大学英语教学研究

在经济全球化、信息技术多样化和文化多元化的新时代教育背景下，多模态教学成为大学英语教学发展的新趋势。多模态话语分析理论在大学英语教学中的应用主要体现在教师多模态教学和学生多模态学习两个方面。在大学英语多模态教学过程中，教师以多媒体技术、网络技术为依托，通过设计多模态教学话语，刺激学生多种感官，达成教与学的目的。为了提高大学英语多模态教学质量，教师应注重提升综合素养和自身多元能力，积极建构学生外语拓展学习体系。     

基于系统性文献综述的多模态学习分析研究进展与前瞻

多模态学习分析是指利用“多模态”的思想和方法对学习者的内在学习状态、特征与变化进行深度诠释,旨在挖掘学习规律、优化学习过程、促进精准教学。在教育大数据研究范式下,多模态学习分析应运而生并形成了诸多研究成果。运用系统性文献综述方法对国内外多模态学习分析相关研究进行梳理发现：当前多模态学习分析研究聚焦于数据采集、数据融合和数据建模三大方面。在数据采集上,得益于智能感知技术的发展,文本、语音、动作、表情、眼动、生理等模态数据备受关注且获取方式愈加便捷;在数据融合上,主要以数据层融合、特征层融合、决策层融合为主,因应深度学习算法的发展,混合式融合初见端倪;在数据建模上,涌现出面向知识、认知、情感、交互状态的学习者模型,且基于多元学习状态的整体性模型日益受到重视。未来多模态学习分析研究应加强情境感知,实现场景数据的混合采集;深挖理论基础,促进数据融合的科学精准;重视情境依存,强化数据建模的情境适用。     

多模态隐喻在大学英语词汇教学中的实证研究

近年来,以Forceville为代表的国外学者把原本仅限制于纯语言学领域的概念隐喻研究拓展到跨学科的多模态研究领域,并提出了多模态隐喻理论,受到各个研究领域学者的普遍关注。本研究在多模态话语课件的辅助下将隐喻理论引入大学英语词汇教学,并结合教学实验法和问卷调查法,旨在探讨大学生对多模态隐喻教学模式在大学词汇教学应用的适应性。通过协调多种模态,从多种视角来增强学生对隐喻的识别和理解,从而提高学生学习词汇的效率。     

基于大模型增强的通用人工智能教师架构

以ChatGPT为代表的预训练大模型在教育界产生了巨大影响,也为发展通用人工智能教师带来了曙光。预训练大模型应用于教育存在幻觉、深度逻辑缺失、社会情感缺失等局限,如果这些关键问题不解决,大模型不可能在教育中得到真正有价值的应用。本文提出通过增强大模型构建通用人工智能教师架构,其核心思路是精调训练增强场景知识、检索增强认知、外部智能组件编排增强推理、多模态融合增强感知、情感计算增强社会情感,再通过教育知识图谱对大模型输出进行监督。通用人工智能教师主要有六种应用场景：需要渊博知识的场景、洞察创意增强场景、约束与管理场景、社会情感互动场景、个性化指导与反馈场景、多模态内容表现场景。文章最后分析了通用智能时代人类教师面临的机遇与挑战,提出教师需要主动拥抱、使用、驾驭并控制智能技术,解放、增强、进化自我,并跨越陷阱。     

交际意图从生成到识解的过程研究——多模态语篇信息处理视角

以多模态语篇信息处理为视角,研究交际意图从生成到识解的多模态信息处理过程,结果表明交际双方的多模态信息编码和解码过程呈镜面逆向关系,多模态交际语篇为镜面本身,交际双方逆向处理多模态信息,即交际者生成交际意图后,经过信息语篇化、语篇信息化、信息多模态化过程,形成多模态交际语篇;而交际对象接收多模态交际语篇后,经过多模态信息化、信息语篇化、语篇信息化过程,识解交际意图。     

基于大数据和多模态智能技术的计算机视觉实验设计

介绍了大数据技术中的卷积神经网络和多模态智能技术中的支持向量机、谱聚类等模型。以图像检索和图像分割为例,详述了采用卷积神经网络遴选图像特征表征之后,运用多模态技术进行模型参数自动定参和实际运用的实现过程。该研究项目用于计算机视觉课程的实验教学,有利于学生学习计算机视觉领域的前沿技术,运用不同模型解决实际问题,锻炼学生组织实验、分析实验数据和团队协作等综合能力。     

我国多模态话语研究综述

随着现代信息技术的飞速发展,信息的传递方式由单一文本形式转化为多模态形式。我国多模态话语研究主要为理论探索、图文关系、多媒体语篇、教学应用及多模态语料库等领域。文章分析了我国多模态话语研究现状及存在的问题,以期对今后的研究有所启示。     

多模态话语分析视阈下英语口语教学的研究——以手机APP“英语趣配音”为例

多模态话语分析是近年来多模态研究领域的后起之秀,本文在阐述了多模态话语分析的基础上,分析了现国内一款颇受欢迎的手机英语学习APP"英语趣配音",提出对英语学习者的口语教育应创设多模态立体教学环境、丰富课堂设计、加强交互性等规则,旨在以多模态话语分析的视角为口语教学提供一些启示。