多模态数据支持的学习投入评测:现状、启示与研究趋向

摘要：

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".

关键词：多模态、数据建模、学习投入、智能评价、研究趋向、学习分析、情感分析

所属期刊栏目：38

分类号：G420(教学理论)

资助基金：本文系教育部人文社会科学青年基金项目"全息数据支持的学习投入建模与干预研究"项目编号:18YJC880126

在线出版日期：2020-03-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：76-86