共查询到20条相似文献，搜索用时 671 毫秒
1.
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。 相似文献
2.
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。 相似文献
3.
协作学习过程即会话的过程，会话中蕴含着丰富的信息。随着人工智能在教育中的融合应用，会话价值得以挖掘和体现，协作学习智能会话分析研究也日益受到关注，但目前研究尚未形成科学体系。基于此，文章首先对国内外协作学习智能会话分析文献及工具进行调研，梳理其相关研究；然后文章总结了智能会话分析的工具指向，包括会话文本的描述性统计分析、会话关系的社会网络分析、会话内容的主题及认知分析，并凝练了解决智能会话分析问题的三大关键技术——基于主题识别技术的学习质量监测、基于机器学习算法的会话机制探索、基于可视化技术的多维数据转换；最后文章提出了关注会话过程多模态数据、优化智能会话分析技术、建立人机协同会话分析模型、开发即时性分析工具四大发展路径，以期为协作学习智能会话分析研究提供参考。 相似文献
4.
随着物联网、可穿戴传感设备、人工智能的快速发展,多种模态数据的连续抓取与融合分析成为可能,促成了多模态学习分析研究的诞生,并成为学习分析领域的一个重要新兴分支.多模态学习分析关注真实的学习情境与本真的学习交流方式,"返璞归真"地聚焦更普遍的物理学习情境,克服了主流学习分析过度关注数字化学习环境的局限.研究主要采用文献归纳法,阐述了多模态学习分析的发展动因、概念理解,重点从身体、生理视角概述了多模态的数据类型,并对多模态学习分析的过程模型进行了详细描述.研究认为,未来要充分借助人工智能处理多模态数据,借鉴认知带理论融合不同模态数据的意义,借力学习理论来理解真实的多模态学习交互过程,以进一步完善基于多模态数据的学习评价方法. 相似文献
5.
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. 相似文献
6.
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。 相似文献
7.
随着计算机支持的协作学习在教育教学领域的深入应用,如何促进高质量的协作互动备受关注。多模态视域下的群体感知蕴含着丰富多元的感知信息,有助于学习者充分感知协作群体/同伴的协作状态,能够有效提升协作互动质量。然而目前有关群体感知工具内部机理和外部作用间关系的研究尚不明确。基于此,从多模态视域出发重新审视群体感知的内涵,系统回顾与分析国内外有关群体感知的相关研究。研究发现,群体感知工具通过采集多模态的学习者协作学习数据,对数据进行处理,并以可视化方式呈现给学习者,以帮助学习者获取对协作群体/同伴状态的有意识理解,促使学习者调节内部和外部的协作策略。在厘清群体感知工具内部机理和外部作用间关系的基础上,构建了多模态视域下的群体感知实现框架,并指出多模态视域下的群体感知在多模态展示和感知监控两方面的实现路径,以期为促进高质量协作交互提供参考。 相似文献
8.
为研究大学生“情感缺失”问题,了解大学生在线学习时的情感状态,帮助教师智能化教学和学生个性化学习,文章融合大学生在线学习平台的课程评论、学习时的面部表情和姿态动作,运用深度学习方法,构建基于上下文增强的Bi-LSTMFN情感分析模型。模型包括4个部分,即上下文特征表示、跨模态信息交互、多模态信息融合和情感识别。该模型可以识别大学生在线学习时的情感状态,帮助教师改进教学策略,提高教师教学效果和学生自主学习能力。 相似文献
9.
多模态学习分析被认为是学习分析研究的新生长点,其中,多模态数据如何整合是推进学习分析研究的难点。利用系统文献综述及元分析方法,有助于为研究和实践领域提供全景式的关于多模态数据整合的方法与策略指导。通过对国内外363篇相关文献的系统分析发现:(1)多模态学习分析中的数据类型主要包含数字空间数据、物理空间数据、生理体征数据、心理测量数据和环境场景数据等5类。在技术支持的教与学环境中,高频、精细、微观的多模态学习数据变得可得、易得、准确。(2)多模态学习分析中的学习指标主要有行为、注意、认知、元认知、情感、协作、交互、投入、学习绩效和技能等。随着技术的发展和人们对学习过程的深刻洞察,学习指标也会变得更加精细化。(3)数据与指标之间展现出"一对一""一对多"和"多对一"三种对应关系。把握数据与指标之间的复杂关系是数据整合的前提,测量学习指标时既要考虑最适合的数据,也要考虑其他模态数据的补充。(4)多模态学习分析中的数据整合方式主要有"多对一""多对多"和"三角互证"三种,旨在提高测量的准确性、信息的全面性和整合的科学性。总之,多模态数据整合具有数据的多模态、指标的多维度和方法的多样性等三维特性。将多模态数据时间线对齐是实现数据整合的关键环节,综合考虑三维特性提高分析结果的准确性是多模态数据整合未来研究的方向。 相似文献
10.
新时代教育的诉求,已由单纯追求知识获取、技能习得转向追求思维发展.课堂交互活动有助于引发学生深度学习与高阶思维发展.通过对课堂交互实践现状与研究现状梳理分析,基于目前课堂交互现存的问题,提出了具身学习环境下促进高阶思维发展的多模态交互机制.从理论与技术依据、特征分析、给养高阶思维发展三个方面对支持多模态交互的具身学习环境进行了分析.基于此,从促进高阶思维发展的目标指向、课堂教学交互的过程要素、多模态信息加工的内部心理表征三个关键要素及其之间的相互关系层面阐释了促进高阶思维发展的多模态交互机制的运行机理.最后,基于具身学习环境分析了多模态交互机制有效运行的条件保障. 相似文献
11.
Jennifer K. Olsen Kshitij Sharma Nikol Rummel Vincent Aleven 《British journal of educational technology : journal of the Council for Educational Technology》2020,51(5):1527-1547
The analysis of multiple data streams is a long-standing practice within educational research. Both multimodal data analysis and temporal analysis have been applied successfully, but in the area of collaborative learning, very few studies have investigated specific advantages of multiple modalities versus a single modality, especially combined with temporal analysis. In this paper, we investigate how both the use of multimodal data and moving from averages and counts to temporal aspects in a collaborative setting provides a better prediction of learning gains. To address these questions, we analyze multimodal data collected from 25 9–11-year-old dyads using a fractions intelligent tutoring system. Assessing the relation of dual gaze, tutor log, audio and dialog data to students' learning gains, we find that a combination of modalities, especially those at a smaller time scale, such as gaze and audio, provides a more accurate prediction of learning gains than models with a single modality. Our work contributes to the understanding of how analyzing multimodal data in temporal manner provides additional information around the collaborative learning process. 相似文献
12.
教师数字画像是实现精准诊断、及时干预和个性化服务的基础,然而国内学者少有关注,特别是多模态数据赋能全息化描绘教师画像的潜力没有得到很好的发掘。本研究从多学科角度系统解析了多模态的内涵,即多模态是表征不同生理、心理或行为反应的不同形态数据。以此为基础,本研究构建了以生理数据为主要成分的多模态数据全息临摹教师画像的机理及画像模型,模型包括关注发展期望勾勒的愿景层、关注研修动态描绘的学习层、关注本体特征刻画的属性层三个层面。之后,研究构建了基于全息画像的个性化机制(包括适性的动力机制和个人路径生成机制)以及机制得以运转的多模态学习分析方略(包括涵盖去伪存真、多维共描、多面临摹三个层面的多模态数据融合分析方略以及涉及精准教学、失败中学、个性化学习三种学习理念的适应性精准决策方略)。希望这一研究成果能对教师全息画像的临摹提供可行的方案,对以此为基础的智慧研修系统与个性化研修服务的构建提供有价值的参考。 相似文献
13.
数据驱动的精准化学习评价机制与方法 总被引：1，自引：0，他引：1
综合素质评价是深化教育改革、落实立德树人根本任务的必然要求。信息技术赋能教育教学过程,使得传统教育评价机制向数据驱动的精准化学习评价方向迈进。数据驱动的精准化学习评价是一种不断获取、整合、分析学习过程中的多模态数据,对教学和学习活动的信息流与运行轨迹作出观测、解释和反馈,以发现教育中存在的问题,辅助课堂教学干预的评价方法,包含多场景数据采集、多空间数据融合、精准分析模型构建、分析结果可视化四个关键组成部分。多场景数据采集为学习评价提供数据来源和量化手段支撑,多空间数据融合为学习评价提供统一数据标准,精准分析模型为学习评价提供数据驱动的学习分析与评价方法,分析结果可视化为学习评价提供反馈和应用服务。数据驱动的精准化学习评价框架,应以区块链技术为基础,融合人工智能、云计算、学习分析、情境感知等新兴技术,在多维时空尺度上全面采集学习过程中的多元海量数据,通过全面、系统的统计分析和数据挖掘,从学习者的内在动机到认知发展、情感表现,再到社会综合交互能力,多维度、及时、准确地评估学生的学习状况。当前,探索数据驱动的精准化学习评价,可从构建符合多空间数据特征的综合素质评价框架,完善过程性数据的采集与共享机制,突破情感、认知、动机与社交评价的关键技术,以及研制数据驱动的学习评价平台等方面入手。 相似文献
14.
随着智慧课堂的日益普及,急需构建安全、稳定、高效的视频服务系统,提供丰富海量的视频信息资源、个性化的视频服务、教与学数据分析与决策支持等。通过实践调查和文献分析,基于智慧课堂教学设计与实施对视频服务的需求,设计实现了面向智慧课堂教与学服务的视频服务系统。该系统采用MVC模式,基于ThinkPHP高性能框架开发,基于角色实现了海量视频信息资源的智能检索,用户个性化视频推荐和图形化数据统计分析等功能,为智慧课堂提供全方位、个性化、智能化的教与学环境和信息资源服务,解决了传统课堂教学平台缺失和信息资源受限问题。实践应用与课堂调查表明,教师更关注视频信息资源的便捷获取与灵活发布、学情智能分析,学生更偏爱视频学习与立体化交互,基于平台的分组讨论与汇报,汇聚了师生智慧,实现了学生知识、技能、情感等多维学习目标的达成。 相似文献
15.
文章从综合性学习前交互——目标导向、综合性学习中交互——策略实施、综合性学习后交互——评价反馈等方面,对微信环境下交互式语文综合性学习模式的构建策略进行研究,并简述该模式的功能与特点,认为其充分体现寓教于乐,因材施教,教学相长,推动自主探究,研讨细节,协作共进,促进分享交流,多维思考,共鸣升华。 相似文献
16.
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。 相似文献
17.
随着新技术的迅猛发展,“大数据+AI”已成为现代社会一种新的驱动力和思维方式。一种可有效实现物理世界和信息世界智能互联与交互融合的新技术——数字孪生应运而生。基于数字孪生技术,可构筑联通现实教学空间与虚拟教学空间的数字孪生讲台,并成为在线教学空间的“数字大动脉”。数字孪生讲台可分为在线学习特征分析技术和虚实教学空间融合分析技术,通过“在线教”与“在线学”间的深度融合、映射与镜像,能为在线沉浸式教学注入新的数字生产力。基于此,从教学、技术两方面,探索数字孪生讲台的在线沉浸式教学流程设计与技术运用,即基于混合式平台的教学数据采集与管理,基于多维分析的教学数据分析与建模,基于精准教学和精准管理的数据应用,基于增强现实技术的在线沉浸式教学体验,进而设计其教学流程。旨在通过数字孪生讲台的多源数据融合、虚实融合映射、教学服务融合优化,促进数字化、智能化课堂的形成,推动数智融合在教学方面的创新性应用,从而形成一种基于大数据的课堂数据互动、映射的新形态,进而革新与重塑现代教育体系。 相似文献
18.
文章以Web of Science数据库2010~2020年收录的学习投入度方面的1355条文献数据为样本,通过知识图谱进行可视化分析,探究国际教育领域学习投入度研究的焦点与未来转向,结果发现:国际教育领域学习投入度研究主要围绕学习投入度内涵分析和本质探索、学习投入度作用机制的实证研究、提升学习投入度的方式和路径探究、学习投入度的测量和评估四个焦点问题;随着学习科学、脑科学、智能技术等的兴起,学习投入度研究将转向寻求学习投入度研究的跨学科与本土化平衡、人工智能技术赋能学习投入度的研究、重视学习投入度多源数据分析及其影响因素研究等三个方面。研究有助于从整体上了解教育领域学习投入度的国际进展和前沿趋势,以期为我国教育领域的学习投入度创新发展提供参考。 相似文献
19.
英语移动学习资源信息收集功能与移动学习协作活动的设计是远程英语移动协作学习实践项目的第一关键所在。根据远程英语移动学习协作活动,针对英语移动学习资源信息收集功能、经常上网收集的移动学习资源、项目实践的效果等方面展开调查,对协作活动案例进行实证研究,充分证实移动协作可以发挥移动设备在课堂内外的强大潜力,为解决传统协作学习的不足提供便利,促进、加快学习者之间的交互和协作。 相似文献
20.
网络环境下的异步协作学习方式越来越受到教育工作者的关注,因为它能够为学习者提供延时性交流与协作环境,便于学习者能够以小组或个人的形式参与到学习讨论之中。为了探讨基于BBS的异步协作学习互动过程,通过以案例形式进行实证性研究,其中,运用了会话内容分析法、调查法等方法,对异步协作学习活动中的帖子总体数量情况、各组发帖时间情况、帖子间关系情况以及基于知识建构模型的异步协作学习过程进行了详细的分析。研究结果表明,异步协作学习活动促进了学生的自主学习能力的发展,但是在活动中存在的问题值得教育工作者的思考。因此,研究对于指导异步协作学习互动活动的开展具有积极的参考价值。 相似文献