共查询到10条相似文献，搜索用时 204 毫秒
1.
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
2.
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。 相似文献
3.
基于多模态数据融合的大学生心理健康自动评估模型设计与应用研究 总被引：1，自引：0，他引：1
快速准确地评估大学生心理健康状况是高校心理健康教育的重要任务,也是高校心理工作实现精准干预和提供个性化教育服务的基础.传统评估方法存在评估实时性不高、单一模态数据评估效果差、社会称许性反应偏误等问题.研究基于生态瞬时评估理论,以深度学习算法为手段,提出了一种基于多模态数据融合计算的大学生心理健康自动评估方法.该方法在自构建的多模态心理评估数据集(JA-IPAD)上测试表明:该模型能够精准评估大学生的心理健康状态,在智慧学习环境中具有良好的应用前景,能为完善学生心理档案、精准干预学生心理、优化心理健康服务提供决策依据和技术支撑,也能为促进高校智慧化心理健康教育作出贡献. 相似文献
4.
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. 相似文献
5.
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
6.
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
7.
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
8.
多模态大模型逐渐成为人工智能领域研究的热点,目前已在通用领域有显著进展,但在教育领域仍处于起步阶段。文章提出可以构建教育领域通用大模型,并使其通过下游任务适配形成三类多模态教育大模型,从而形成三种典型教育应用,即教学资源自动生成、人机协同过程支持与教师教学智能辅助。在此基础上,文章以“多模态汉字学习系统”为例,利用多模态大模型实现跨模态释义生成,展示了多模态大模型在辅助语言学习方面的应用潜力。最后,文章针对教育领域通用大模型研究、多模态教育大模型的创新应用及其带来的潜在风险与可能触发的教育变革,提出针对性的建议与展望。 相似文献
9.
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。 相似文献
10.
进入数字化知识经济时代,社会发展对教育活动提出了更高要求,旨在培养高阶思维和创新能力的深度学习备受国际社会的高度关注。为此,“深度学习如何发生”和“如何评估深度学习发生程度”,也成为亟待研究的两个关键学术问题。认知心理学、教育神经学和具身认知为理解深度学习提供了理论基础,指引人们从人—物互动视角认识个体的认知变化过程,打开了个体学习的内隐机制“黑箱”,实现内隐机制和外显表征的桥接与理解。基于这一认识与分析,通过信息输入、深度加工和学习生成三个环节,初步构建了深度学习的发生机制模型,并设置相关的学习状态指标。而要实现对深度学习发生程度的精准评价,则应依据深度学习的多模态数据测评框架,综合性采集与分析学习者的生理数据、自我评估数据、在线学习平台数据和课堂参与数据等多模态数据。但是,在采用多模态数据测评深度学习的发生及其程度时,多模态数据仍存在异质性差距、数据建模缺乏精确度、常态化评价开展困难、数据安全和伦理道德难以得到保障等问题,亟需未来开展更为深入的研究与探索。 相似文献