智慧学习环境中的人机协同设计

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。

基于人在回路机制的个性化作业设计:理论模型及实践理路

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。

基于认知负荷水平的学情分析:表征框架与实践路径

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。

人机协同的精准学习干预:动力机制、逻辑理路与实践模型

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。

MOOC学习结果预测指标探索与学习群体特征分析

高辍学率与低参与度是MOOC面临的一个主要问题。根据学习结果预测,及时开展有效的教学干预是改善此问题的途径之一。当前基于MOOC学习行为数据进行结果预测主要以次数分析为主,较少探索其他行为指标;在预测算法上以回归分析为主,缺少不同预测算法效果的比较分析。以ed X平台上一门MOOC课程的学习行为数据为研究对象进行的探索研究发现:学习结果预测的主要参照行为指标组合为视频学习次数、文本学习次数、评价参与时长、评价参与次数和论坛主题发起数;学习次数的预测效果要好于学习时长,并与学习时长和学习次数结合后的预测效果接近;BP神经网络预测准确率要优于决策树和朴素贝叶斯网络,且预测准确率与样本数量呈正相关;而在课程学习模块的预测比较上,评价模块和文本模块的学习行为数据预测率较高,互动模块预测率最低。研究还发现,MOOC学习群体包含三类,分别是以视频学习和学习评价为主、以互动交流为辅的学习群体;以视频学习和文本学习为主、以评价参与为辅的学习群体,以及以文本学习和学习评价为主、以互动交流为辅的学习群体。

挖掘有意义学习行为特征:学习结果预测框架

及时有效地对学习结果进行预测,是学习分析的核心议题,也是为学习者提供个性化学习支持服务、保证学习者学习成功的关键。其中,如何寻找兼具预测效力与教学意义的学习行为特征是值得关注的问题。本研究以Cloudbag教育云平台中的108位学生为研究对象,基于特征工程的方法构建学习结果预测框架。基于文献调研和对教师的访谈,本研究将学习结果预测框架分为学生与学生交互、学生与教师交互、学生与内容交互、学生与系统交互四个维度,共包含10个特征变量;结合学生在平台中的学习行为数据,对特征变量进行量化和筛选,通过相关分析、信息增益(率)分析筛选出八个有效的特征变量,构成最终的特征集合;使用八种机器学习算法对学习结果进行预测,结果表明:随机森林算法对学习结果的预测效果优于另外七种算法,其特征集合对学习结果的预测准确率可以达到73.15%。本研究最后从有效学习行为指标和有效学习行为特征等方面对研究结果进行总结和反思,期望能够为混合式学习环境下学习分析和评估提供研究支持。

人机智能协同的精准学习干预:动因、模型与路向

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。

场景化:学习服务设计的新思路

"互联网+教育"时代,学习者的学习场景是动态多变的,其精准化学习服务的提供都需要在合适的学习场景中进行,由此逐渐形成围绕"场景"进行个性化学习服务设计的新业态。而目前传统的学习服务模式缺乏对场景特性的考虑,基于此,研究拟提出一个场景化的学习服务支撑架构,意图从实践层面上探讨个性化学习服务模式的设计,以满足新时代高精准的个性化学习服务要求。该架构从量化"场景"的视角,对场景的内涵、要素以及场景化服务运行机制进行剖析,在此基础上,融合大数据挖掘方法,将个性化学习服务支撑架构划分为场景化的数据模型层、学习者场景模型层和场景化的推送模型层3层架构,以此来构建一个以"场景"为核心的3层个性化学习服务支撑架构,并从技术实践层面上分析了各层架构的实现路径,进而为新时代构建一个精准的个性化学习服务模式提供了一种新的设计思路。

基于教育大数据的学习习惯动力学研究框架

学习习惯是学习者的个性化标签,是影响个性化学习服务精准化的重要因素。揭示数字环境下学习者个体学习习惯和群体学习习惯的新规律,对于实现教育向规模个性化教育转变具有重要意义。深层次挖掘学习习惯的新规律可以分解为构建科学有效的学习习惯测量模型以描述学习习惯的动态变化和探索学习习惯进化的动力学机制以发现学习习惯形成的规律等两个关键问题。为破解这两个关键问题,该文将学习分析和大数据分析方法融合到学习习惯的研究,从学习者的学习行为分析出发,通过采集海量的学习行为轨迹数据,构建可重用的多粒度数据共享模型。在此基础上,深层次分析数据的统计规律,构建学习习惯的测量模型,并基于该模型设计精准化的学习习惯干预模型,探索基于教育大数据的学习习惯动力学机制,溯源学生"互联网+教育"背景下的学习习惯发展规律。

基于场景感知的学习者建模研究

"互联网+教育"时代,以往传统的学习场景正不断被重构,新型的学习场景逐渐向动态化、多元化、碎片化的模式发展,使得基于场景挖掘的新型个性化学习服务模式的重要性越发凸显。而学习者模型作为个性化学习服务系统的核心部件,目前还无法满足新时代下高精准的个性化服务要求。基于此,文章提出一种基于场景感知的学习者建模方法,该方法是基于近些年有关学习者特征分析模型研究的分析结果,融合学习者的场景特性,设计了一个6维度学习者特征分析模型,在此基础上,融合场景感知建模方法和频繁序列挖掘算法,计算不同学习场景下各维度学习者特征值,由此构建一个具有场景特性的个性化学习者模型,并基于该模型探讨了个性化学习服务推荐演化框架。

联合面部线索与眼动特征的在线学习专注度识别

专注是产生有效学习的先决条件,是取得良好学习成效的重要保证,在以自主学习为主的在线学习场景中具有更为重要的作用,但在线学习时空分离的特性难以保证学习者的专注度得到及时监控,故而探究精准识别在线学习专注度的可行方法至关重要。该研究主要关注在线学习中学习者的面部线索与眼动特征,基于从视频数据中提取的眼部视线、头部姿态、面部动作单元等面部线索特征以及从眼动数据中提取的注视停留时间、注视点、眼跳等眼动特征,分别通过两类单模态特征以及联合二者的多模态特征进行学习专注度识别,采用常用的六种机器学习方法构建相应的评估模型,对六种分类器的专注度预测性能进行了比较,并判断了专注度与学习成效的关系。实验结果表明,相较于面部线索,眼动特征具有更好的识别潜力,其体现的信息加工机制更能反映心理资源的投入程度;与单一模态相比,模态融合能显著提高学习专注度识别效果,揭示了面部线索特征和眼动特征对学习专注度识别的互补性;而学习专注度与学习成效显著相关,故而可将专注度作为优化在线学习的主要抓手,从学习材料设计者、教师与学习者等不同主体出发改善在线学习过程,提升在线学习效果。

学习习惯动力学研究范式及其创新价值

学习习惯是教育领域的常识性概念,其定性研究范式一直占据着主导地位,但是随着大数据在教育领域的应用延伸,教育中的理论思辨与实践探索越来越依赖于基于数据和事实的研究。如何在不干预学生的情况下,通过系统记录的客观数据,自动分析和挖掘学生的学习习惯将是学习习惯研究领域的一个突破。学习习惯动力学研究正是基于量化学习、人类动力学、已有学习习惯研究等三类研究的支撑而形成的,定位于运用大数据分析方法,深入挖掘学习者的学习行为轨迹,建立学习习惯的多场景模型,对学习者的学习习惯进行动力学分析,探索学习习惯的动力学机制,从而为学习习惯的诊断、预测和干预提供支持,对设计和构建个性化学习支持服务系统提供指导。从研究图景看,学习习惯动力学研究可以按动力学-静力学、个体-群体两个维度形成四象限研究模式,分别是学习习惯动力因素分析、学习习惯形成的个性化分析、个体学习习惯演化、群体学习习惯演化等。这四类研究问题各有侧重,但又相互联系,相互影响,互为前提,互为补充。四个研究问题以及相互之间的转化使得学习习惯动力学研究可以不断深入,从影响因素到动态演化,从微观行为到宏观图式,共同构成了学习习惯动力学研究的整体。

多模态数据支持的学习投入评测：现状、启示与研究趋向

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”。

信息生态观视域下的未来课堂——概念内涵及教学体系构建

伴随信息技术深度融入教学,课堂从"传统"走向"智能",其教学体系将发生深刻变革。基于此,文章从信息生态观的视角出发,采用推理与演绎的方法分析未来课堂的生态要素及其相互关系,找出自我适应与自我组织合一的生态观将是未来课堂教学体系发展的核心,研究重塑了未来课堂的内涵,提出了未来课堂是信息技术支撑下的新型教学信息生态系统;同时,依托其生态观提出未来课堂教学体系发展框架;最后,以发展框架为基础,提出围绕其环境基础设计未来课堂空间环境功能区,围绕其智能活动归纳适应其教与学的教学模式,并以此构建完整的未来课堂体系,促进课堂教学实现变革与创新。

智慧教育视野下基于Rasch模型的知识掌握与认知能力分析研究

如何对学习者进行精准化、个性化的诊断和评价是智慧教育时代的重要议题。目前学习诊断的主流方式依然是通过考试成绩对学生知识掌握程度进行评价,容易忽略对学生认知能力的评价,不符合智慧教育既重视知识传授也重视能力培育的价值取向。本研究基于Rasch模型,以政治学科为例,组建月考试卷,并编制双向细目表为试题标记知识点属性和认知能力属性,进而探索一种基于考试成绩挖掘学生认知能力的方法。本研究收集了195名学生的作答数据,使用Rasch模型,分析成绩背后每位学生的知识掌握情况,并判断学生对各认知能力层次的达成情况,同时根据分析结果生成雷达图进行可视化输出,实现学生认知分析在混合式课堂中的常态化使用。本研究试图为智慧教育时代学习的精准诊断提供一种新思路。

基于多源数据融合的共享教育数据模型研究

人工智能教育时代,传统的教育数据共享方法无法满足海量教育数据共享的时效性,进而影响智能教育系统响应的即时性与智能性,文章提出了一种基于多源数据融合的共享教育数据模型的建模方法。该建模方法首先对多源数据融合的概念、融合方法等内容进行分析,并对多种异构数据源的数据共享特性进行剖析,提取出"学习者、时间、空间、设备、事件"五维数据共享特性来对多源异构的教育数据进行数据融合分析;然后再结合国际通用的xAPI(Experience API)数据规范,对融合后的数据进行规范化分析,生成通用的教育数据交换格式;最后,基于该数据交换格式,探讨了共享教育数据模型的总体架构及实现路径,并构建一个可重用、可共享的教育数据模型,以期为今后开展基于大数据的数据共享的研究提供一套切实可行的实践指导框架。

设计类问题解决能力的多模态表征模型与验证

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。

教育数字化转型下的智慧教育形态:关键特征与生成途径

教育数字化转型是推动教育高质量发展的重要举措,是建设教育强国的必由之路,在教育数字化转型背景下,智慧教育具有育人为本、场景感知、数据驱动、人机协同等关键特征。在教育数字化转型过程中,智慧教育形态的生成有两大途径,一是通过建设教育专网、教育大数据中心、一体化教育云平台及智慧校园,搭建智慧学习环境;二是通过赋能教育资源建设、教学模式创新、教育评价体系变革、师生信息素养提升、智能教育治理等核心应用场景,实现教育全流程再造重组,支撑高质量教育体系建设。

Smart Education Form under Digital Transformation in Education:Key Features and Generating Ways

The high-quality development of education and a strong education system must be materialized through digital transformation in education.Smart education is the significant measure of this transformation that enjoys key features like cultivating students foremost,scenario perception,data-driven approach,and man-machine collaboration.Amid digital transformation in education,smart education can be generated in two approaches.One involves creating a smart learning environment through constructing an education private network,an education big data center,an integrated education cloud platform,and a smart campus.The other one is to empower core application scenarios like constructing educational resources,innovating teaching modes,reforming the educational evaluation system,improving the information competence of educators and students,and enabling intelligent education governance,which constitutes a basis for redesigning the educational process to support a high-quality education system.

可信学习分析构建:风险桎梏、理论纾解与实践解蔽

可信学习分析技术的发展已成为全球研究者共同关注的焦点。国内外学者已就其内涵意蕴、价值逻辑等开展广泛探讨,但也存在关键问题不明、理论边界不清和实践路径模糊等问题。为此,研究以关键问题提炼和理论框架构建为先导,以实践路径的探索和实施为主线,对可信学习分析技术的教育应用进行分析。在实践问题方面,研究分析了阻碍可信学习分析实现的关键因素,包括数据漂移现象所导致的算法失准、样本分布失衡现象导致的算法偏见以及算法黑盒现象导致的决策结果失信等一系列问题。在理论研究方面,研究结合理论与实践问题分析,建立起面向学习环境、数据治理、建模分析和干预反馈四要素的可信学习分析理论框架。随后,研究依托该理论框架,结合相关研究方法和技术,构建了可信学习分析的实践路径,如结合价值敏感设计的伦理调适等。研究为可信学习分析研究从理论到实践提供系统化的解决思路。