摘要：设计类问题解决能力是21世纪学习者必备的关键技能,对其进行精准测评,有助于面向智能时代的创新性人才的培养。本研究以设计类问题解决能力的多模态测评为目标,在已有测评框架基础上开展实证研究以验证其有效性,实验共招募181名被试,获取被试在设计类问题解决过程中的生理数据、交互式文本数据和心理问卷数据,分别采用BERT算法、随机森林算法和关键词词频分析法等数据挖掘方法对反思调节、同理心、观点建构、组织协调维度进行量化表征,最终通过多元回归法进行数据融合,对设计类问题解决能力进行过程性、精准化、个性化评估。结果表明,采用多模态数据表征和量化设计类问题解决能力可达72.5%的准确率。研究为多模态数据表征学习者高阶能力提供了新的思路与方法,为实现设计类问题解决能力的自动化测评提供了有力的支撑,为在真实教学环境中进行设计类问题解决能力的培养和干预奠定了基础。

摘要：作为教育数字化转型的首要任务,智慧学习环境建设过分强调技术之于教育的能力,而忽略教育主体的价值与地位,涌现出场景割裂、数据孤岛等问题。人机协同旨在充分发挥人与机器的优势,弥补彼此的劣势,成为指导智慧学习环境创设与优化的最优解。研究将人机协同视为智慧学习环境设计的基线思维,构建了由数据模型层、技术支撑层和场景应用层三个层级,包含场景、数据、模型、资源、工具与服务等六个要素的智慧学习环境概念模型。基于普瑞斯的人机功能分配决策矩阵理论,提出了AI讲师、执行型AI+人类助手、伙伴型AI+人类同侪、助教型AI+人类教练、人类导师等五种人机协同模式。在此基础上,研究制定了智慧学习环境各层级的设计原则,分析了数据模型层的决策协同设计、技术支撑层的交互协同设计和场景应用层的流程协同设计,讨论了人机协同模式中人机互信和价值对齐的建构策略,以期指导智慧学习环境中的人机协同设计。

摘要：教育数字化转型背景下,学情分析作为基于教育大数据分析诊断结果帮助教师了解学生学习过程的重要手段,是开展精准教学的必要前提,而认知负荷水平一直是衡量学习者个性化学习需求与深度学习发生的重要指标。为了协助学习者调整学习过程中的认知负荷水平进而将认知资源有效投入高阶问题解决过程,该文梳理了学情分析的一般过程,构建了包含数据采集、负荷识别与分析干预三个层级的基于认知负荷水平的学习者学情分析框架。接着,该文通过便携式手环采集了300名学生完成在线测试时的多模态生理数据,应用特征工程方法构建了认知负荷水平识别模型,综合认知负荷水平与学习绩效进行学情状态解读,并设计了学习分析仪表盘呈现学情分析结果与干预建议。该文从认知负荷视角构建了学情分析框架并通过实证研究检验了其可行性,以期为认知负荷相关研究与教学实践提供参考。

摘要：个性化作业是落实“双减”政策,实现减负提质的重要途径。人工智能为实现个性化作业提供了技术支撑,但在实践中,由于其内部工作原理对用户不可见,且存在价值观、情感等方面的缺失问题,降低了其在个性化作业实践中应用的深度与效果。人在回路机制是指通过置信度评估的方法对人工智能算法生成的结果进行评估,进而决定是否执行算法结果的人机协同方法。基于人在回路机制的个性化作业设计理论模型,以作业实践为核心流程,以人机协同、认知诊断、干预反馈等为理论指导,将人在回路机制融入作业布置、作业诊断和作业辅导的关键环节中,实现了人类智能与人工智能的协同工作。在此基础上提出的个性化作业实践路径,包含基于学习者画像的作业习题推荐、基于多模态学习分析技术的错因诊断,以及基于多模态资源推送的作业辅导三个阶段,分别回答了做什么题、错在哪里,以及如何辅导等作业实践中的关键问题,形成了人机协同机制下智能技术赋能作业实践的闭环。基于该实践路径研发的原型系统,已在一线教学单位开展了实践,初步验证了方法的可行性。

摘要：作为智慧教育与教学实施的主阵地,智慧课堂的建设与发展是智慧教育规模化进阶的直接驱动力。然而,智慧课堂的概念庞杂且分散,其建设陷入设备堆砌和功能叠加的单向循环,并涌现诸多功能障碍。本研究通过梳理智慧课堂的研究现状,厘清其囊括外在环境条件和内在目标模式的宏观概念、深度学习的价值导向;基于智能技术赋能的智慧课堂新形态,归纳得出面向特色空间的沉浸式课堂和面向基础空间的交互式课堂应用,明晰网络与技术、数据与模型、硬件终端设备与软件系统平台、数字教学资源、教师资源五大结构要素及其功能边界;结合DIKW模型,设计包含知识组织与整合、知识获取转换与输出、知识进化的深度学习框架。该框架可用于指导智慧课堂的有序建设,辅以人机协同底线思维推动智慧课堂的高效运转,助力深度学习的有效达成与智慧生成。

摘要：“互联网+教育”时代,如何提升在线学习质量以促进学习者达成在线深度学习是实现教学深层次系统性变革的关键议题。基于“环境-个体-行为-结果”的SOBC模型,构建了教师情感支持、在线学习体验、学习行为投入以及在线深度学习之间关系的研究模型。以280位大学生作为研究对象,采用结构方程模型以及中介效应分析,挖掘在线深度学习的达成路径。研究表明,教师情感支持对在线深度学习无直接影响作用,但是分别可以通过在线学习体验、学习行为投入的独立中介作用以及二者的链式中介作用实现对在线深度学习的影响。基于此,针对性地提出五种干预策略并设计了具体的教学事件。通过厘清在线深度学习的作用机制并设计相关干预策略,拓宽了深度学习的理论研究成果,也为教学人员提升在线学习质量和促进学习者达成在线深度学习提供了相关的研究与实践建议。

摘要：精准学习干预是实现精准教学和个性化学习服务的核心问题。为破解学习干预的困境,本文从人机协同的视角设计精准学习干预机制:首先从动力主体、动力作用模式和动力实现机制方面厘清人机协同的动力机制,接着从技术逻辑、实践逻辑和价值逻辑分析基于人机协同推动精准学习干预的必要性,最后提出基于人机协同的精准学习干预实践模型。该模型以学习场景为入口,引入人的决策,实现对学习问题的精准诊断;通过基于知识图谱的问题定位与知识推理,结合教师经验,实现针对学习问题的干预策略匹配;依据学习者画像筛选干预策略,以人机融合作为动力机制,动态协同修正干预策略,从而优化干预策略匹配的精准度,并利用人在回路的混合增强智能,形成精准学习干预的完整链路,构成个性化学习服务的闭环。

摘要：面向设计类问题解决能力的多模态数据测评,能够科学有效地融合多元化的学习过程数据,尽可能地挖掘问题解决过程中存在的教育规律,是智能化测评研究中的一个热点问题,也是学习分析领域中的重要突破点。基于此,以设计类问题解决能力的测评为主题,通过分析设计类问题解决能力测评的起源和发展现状,揭示了面向设计类问题解决能力的多模态数据测评的发展动因;通过分析设计类问题解决能力的关键要素,构建了基于多模态数据的测评框架,进而提出在面向设计类问题解决能力测评时,应更加关注测评模型的科学性、教学规律的准确性、数据采集的真实性、测评过程的智能性、干预策略的针对性。这为未来在真实、复杂的学习场景下进行能力测评、学习分析等,提供了新思路和新方法;也为设计类问题解决能力的培养与教育教学深度融合,奠定了扎实的基础。

摘要：智能时代孕育了新一轮的教育变革,规模个性化人才培养成为当下的教育诉求与实践难题,而精准学习干预则是破解上述难题的有力手段。通过分析学习干预相关的理论研究与实践现状,发现学习干预在各实施环节上均面临一定挑战,制约了精准学习干预的推进。文章认为,将人类智慧与机器智能有机融合方为实现精准学习干预的可行之道,因此,构建了兼具整体性、结构性、动态性的人机智能协同的精准学习干预模型。该模型以学习者多模态数据采集为基础,采用机器智能与专家经验协同决策的方式实现问题诊断、策略匹配、策略实施、效果验证等四个主要环节,各个环节在干预系统中各司其职,构成指向精准学习干预的闭合回路。在未来的相关研究与实践中,需在分析模型构建、问题成因追溯、干预机制分析、实证研究设计等方面进一步探索,以推动学习干预精准化实现。

摘要：网络学习环境的设计是其开发的蓝图,是决定其应用效果的关键所在。网络学习环境设计的目的在于为充满差异的远程学习者创设促进性(促进有意义学习)的外在支撑条件综合体,以支持学习者达成自己的学习目标。为此,网络学习环境设计应当将"以学习者为中心"、"促进有意义学习发生"、"支持学习者学习目标的达成"作为根本设计原则。贯彻此三条设计原则的网络学习环境设计必然是目标导向的,由此,我们提出并阐释了目标导向网络学习环境设计的原理。针对行为目标、生成性目标、表现性目标的不同特点,网络学习环境设计有不同的模式,尤其体现在学习活动设计和学习资源设计过程中。以目标导向为方法论、以活动主线为核心设计策略的网络学习环境设计充分体现了"以学习者为中心"的设计,能够使网络学习环境符合学习者的需求和特征,有效支持学习者学习目标的达成。