摘要：当代教育,应试教育模式依然盛行,使得学习评估单一、僵化,同时也忽视了学习者个性化的学习需求。智慧课堂和多模态学习分析的兴起为这一问题提供了解决方案。在智慧课堂中,学习者与教学者、同伴、技术以及学具通过多感官通道的交互作用,产生了大量的多模态数据。借助智慧课堂的关键技术,可进一步支持对这些多模态学习数据的收集和分析。为了理解该分析过程,研究在对多模态学习分析和智慧课堂的概念与特征进行阐述的基础上,通过对已有模型的借鉴分析,构建了一个立足智慧课堂的多模态学习分析模型。模型以确立目标、数据收集、数据处理、数据分析、提供反馈、实施干预六步多模态学习分析循环流程为中心,同时包含了利益相关者、智慧课堂技术环境、多模态数据类型及采集设备等关键要素。研究探讨了模型每一步骤的具体要素和实践操作要求,以期为智慧课堂中学习分析系统的开发提供理论支持,为课堂教学提供更全面、更个性化的评估方式,促进教育的智能化、个性化发展。

摘要：多模态学习分析(MMLA)是智能化探究有效学习发生机理的关键技术。研究对国外37篇实证文献的任务情境设计和MMLA的四个过程进行系统综述,梳理出多模态数据集的生成场域多以发展认知为主,少关注情感价值的培育;学习标签注释以计算科学指导为主,缺乏不同时间尺度行为关联的理论指导;预测结果多关注学习行为表现,轻心智发展的过程解释;多模态数据分析反馈聚焦个性化学习支持,忽视决策支持。未来实证研究发展应聚焦有效学习与情感体验,融合计算科学和认知带理论,协同人机优势提供反馈支持,开展MMLA系统开发者和利益相关者的深度对话,不断迭代设计与优化分析系统和应用模式,有效促进“人工智能+教育”的发展。

摘要：多模态学习分析为复杂环境下的学习测量与评价提供了新的视角。文章以涵盖多模态学习分析各类学术组织和学术论文的数据库为分析源,采用多种分析方法,对多模态学习分析的研究共同体、研究主题、研究领域、演进情况、研究热点等进行了分析,研究结果显示:多模态学习分析研究已初步形成多个学术群体,但各群体呈零散分布状态;学生编程建模、卷积与对称深层神经网络、传感器数据采集、人类行为识别、协作建构与自动评价等为主要研究主题;多模态感知与情绪分析、多模态数据融合与挖掘、多模态表征与对象识别是多模态学习分析的三大研究领域;演进情况为从知识模型与框架设计发展到多模态特征提取与情感分析、再发展到多模态表征学习与深度学习;研究热点包括多模态学习数据采集与系统设计、多模态学习认知与行为分析、多模态学习分析方法与工具开发。

摘要：多模态学习分析是多模态交互、学习科学、机器学习等领域交叉形成的一个新方向,它利用多模态数据对复杂环境下的学习行为进行分析以优化学习体验。在空间结构上,多模态学习分析以学习机理为核心,以多模态交互、多模态感知、多模态语义理解为技术支撑,形成跨模态、跨空间、跨数据、跨分析的独特体系。在数据分类上,多模态学习分析涵盖学习体征数据、人机交互数据、学习资源数据和学习情境数据,形成以学习者为中心的内外数据链相融合的数据生态。在分析模型上,以传感器捕获、语义解析、机器学习、反馈解释为分析过程,以模式识别、学习分类、预测、行为变化为分析结果。未来多模态学习分析在自动化数据采集、跨空间分析建模、可扩展分析工具、学习计算、数据隐私保护等方面还有进一步的研究空间。

摘要：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。

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：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。

摘要：随着人工智能技术、可穿戴传感设备的发展,课堂教学多模态数据的获取和分析成为可能,加速了课堂教学从数字化向智能化的转型升级。本研究聚焦智能时代多模态数据支持的课堂教学行为,在综合课堂教学行为分析要素的基础上,明确了多模态课堂教学行为分析模型的设计原则和设计要素,并设计了多主体协同、多空间融合、多环节融通的多模态课堂教学行为分析模型。为推动多模态课堂教学行为分析的实践应用,本研究从课堂教学、数据采集、智能分析和应用服务四个层面构建了多模态数据支持的课堂教学行为分析实践框架,指出多模态课堂教学行为分析研究需要对课堂教学情境进行智能感知与数据采集,探究课堂教学行为的发生过程,构建基于多模态数据的智能教育服务模式,以期为多模态课堂教学行为分析实践提供理论参考,推动课堂教学质量的稳步发展。

摘要：学习分析和知识国际会议(简称LAK)致力于传播和推动学习分析领域的前沿研究。第七届学习分析与知识国际会议(简称LAK17)于2017年3月在加拿大温哥华举行,来自不同学科背景的三位专家作了主题报告。本文对会议主题报告和论文进行系统了分析,以明晰该领域研究发展现状和未来趋势。首先,结合七届LAK会议主题发展,本文从时间维度纵向梳理学习分析的发展历程。然后,围绕本次会议,本文横向探究了学习分析追踪学习、理解学习和改进学习的发展过程,以及学习分析领域可持续发展,具体包括:1)利用多模态生物识别技术采集学习者行为层、心理层和生理层数据,利用线上和线下一体化学习分析技术全方位追踪学习;2)通过学习者行为建模、在线学习社区和反思写作中的文本挖掘、真实课堂环境情境中的师生话语分析、心理测量和情感分析方法,对学习者和学习过程进行多角度理解;3)通过学习者知识建模、学习资源精准服务和自我调节学习支架为学习者提供个性化与自适应学习支持,基于学习分析系统从学习设计和教学决策、学习风险预测和干预、学习评价和反馈等方面为教学者、学习者、研究者和管理者提供多方位教学支持;4)关注学习分析研究的数据权限和伦理道德问题,保证学习分析领域的可持续发展。最后,本文提出了构建多模态数据基础、寻求跨学科技术支持两大跨学科性发展趋势,并指出推动学习分析标准研制和学科建设面临的挑战,以期为学习分析领域的研究发展和以改进学习为目的的实践应用提供启示。