多模态学习分析实证研究的发展与展望

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。

智能教室中环境感知及自我效能感对个体认知投入的影响研究

认知投入是智能教室环境下学生学习的关键特征。在智能教室环境中,学生对教学环境的感知会随着教师教学的进度、教学媒介的使用、社会性互动等环境感知因素而发生波动,并与个体因素交织在一起,进而影响学生认知投入的状态。然而,当前却缺少有效的方法来观测和验证环境感知因素、个体因素如何影响认知状态。为此,以社会认知理论为研究框架,以“情境中的个体”为研究导向,采用纵向即时经验采样法,获取智能教室环境下102名学生在真实课堂情境中的教学环境感知、自我效能感和认知投入等数据,运用分层线性模型分析法,刻画学习者认知投入的动态特征,探索认知投入的关键影响因素。结果表明:第一,学生的自我效能感影响后续教学活动中的深层认知投入;第二,环境感知因素对深层、浅层认知投入有不同的影响。具体而言,一是社会交互对深层/浅层认知投入均有显著影响,二是教师支持感知显著影响深层的认知投入,三是媒体感知显著影响浅层的认知投入。

基于人工智能引擎自动标注的课堂教学行为分析

课堂教学行为是影响课堂教学效果的重要因素,已有的课堂教学行为采集存在劳动密集、分类模糊和编码复杂等不足。人工智能技术为课堂教学行为大数据伴随式采集、自动化智能标注提供了新的契机。本研究以西北地区某市三所学校的1201个常规课堂教学视频为研究样本,利用人工智能引擎自动标注课堂教学行为,并采用相关性分析、主成分分析、非参数差异性检验等方法,对课堂教学行为类型、规律及差异性进行分析。研究发现:1)课堂教学各类行为的出现频率不等且相差较大,其中,读写、讲授、巡视行为占比较大,生生互动、师生互动占比较小;2)多数课堂教学行为之间具有关联性,其中,应答与生生互动之间的相关性最高,巡视、读写与其他行为存在负相关;3)教师行为和学生行为并非完全属于不同的成分;4)不同特征教师的课堂教学行为之间存在差异;5)不同类型课堂的教学行为之间存在差异。研究结论可为人工智能时代挖掘课堂教学行为规律、改进课堂教学及开展教研活动提供参考。

面向即时数据采集的经验取样法:应用、价值与展望

经验取样法是一种在自发、自然的情境下,多次采集人们在事件发生时的主观体验的方法。“互联网+”时代,不断涌现的新技术与工具促进了经验取样法的发展,使之成为教育研究与应用领域的新手段。传统上,经验取样法借助辅助工具(如闹钟)提醒被试,使被试在随机或事件发生等诸多瞬间自我报告,从而达到自动采集自然情境下即时数据的目的。与其他自陈测验方法(如问卷法)相比,经验取样法是一种测量个体随情境、时间而变化的研究方法,在时间与空间上更加接近于真实情境,有利于降低被试的社会期许与回忆偏差。该方法强调在学习发生的真实情境下纵向动态地开展教育研究,侧重学习者内在状态的真实性与情境性,关注个体内在学习体验的动态性与规律性,有助于提升教育量化研究的质量与精度。