在"人—技"协同进化的教育发展趋势下,物理空间中的学习支持服务将面临深刻变革。近年来,随着大数据与可穿戴技术的涌现,面向物理空间的学习分析技术已应运而生,其中一个研究趋势是利用传感器技术探察个体学习状态,并基于感...在"人—技"协同进化的教育发展趋势下,物理空间中的学习支持服务将面临深刻变革。近年来,随着大数据与可穿戴技术的涌现,面向物理空间的学习分析技术已应运而生,其中一个研究趋势是利用传感器技术探察个体学习状态,并基于感知数据构建以学习者为中心的自适应与自主化学习环境。国际上,教育技术领域的相关专家学者已开始重点布局此项研究,致力于提供个性化学习反馈、推荐和干预等服务以创设移动式的智能学伴系统。如何获取学习者生理数据、合理利用这些数据、推测其学习状态(情绪、认知、注意力等)以及基于这些数据能为学习者提供哪些学习服务已成为研究者面临的现实问题。基于传感器的自适应学习分析(Leaning Analytics for Sensor-based Adaptive Learning,LISA)是由德国联邦教育与研究部资助的一个校企联合研发项目,旨在通过传感器感知个体在物理空间内的学习状态以支持自适应学习和提高学生学习体验,其核心是构建"移动学习同伴"以帮助学习者开展学习反思和协助教师实时监控。该项目的背景和意义是什么?智能学伴系统能感知哪些信息?提供哪些学习服务?如何评估其效果?未来的趋势和存在的问题是什么?带着这些问题,我们对该项目的主要负责人Niels Pinkwart教授进行专访。Niels Pinkwart教授是教育技术领域的国际知名学者,目前担任德国柏林洪堡大学的(Humboldt University of Berlin)计算机科学研究院副主任,洪堡大学职业教育学院的"技术增强学习"(Technology Enhanced Learning)研究中心和"计算机科学教育/计算机科学与社会"(Computer Science Education/Computer Science and Society)实验室主任,德国计算机学会学习分析与e-learning工作组的联席主席。他的研究方向包括:学习分析、自适应学习技术、计算机支持的协作学习与多模态人机交互系统。他发表论文超过220篇,总引用次数已超过2360次,并一直担任《国际教育人工智能》(International Journal of Artificial Intelligence in Education,IJAIED)期刊编委、"智能导学系统"(International Conference on Intelligent Tutoring Systems,ITS)、"IEEE先进学习技术"(IEEE International Conference on Advanced Learning Technologies,ICALT)、"学习分析与知识"(International Conference on Learning Analytics&Knowledge,LAK)等知名国际会议的程序委员会委员。近年来,Pinkwart教授的团队专注于采用多学科(计算机科学、认知科学以及学习科学)交叉的方法开展学习系统设计与学生互动学习的实证研究,现已主持多项德国国家科学基金(DFG)、联邦教育与研究部(BMBF)及工业界智能导学与人机交互联合研发项目,他领导的"智能导学系统中的学习反馈"(Learning Feedback in Intelligent Tutoring Systems,FIT)项目入选了DFG在研究方向"人工系统中的学习方法"上的优先资助计划,并授予8年的持续资助。展开更多
整合技术接受模型(Unified Theory of Acceptance and Use of Technology,UTAUT)是探究教师技术采纳影响因素的主流理论模型之一,但其应用于解释教师技术采纳差异的相关研究结论存在较大分歧,直接影响了UTAUT的解释力。对此,文章设计了...整合技术接受模型(Unified Theory of Acceptance and Use of Technology,UTAUT)是探究教师技术采纳影响因素的主流理论模型之一,但其应用于解释教师技术采纳差异的相关研究结论存在较大分歧,直接影响了UTAUT的解释力。对此,文章设计了拓展版UTAUT,并使用一阶段元分析结构方程模型定量综合分析了56篇文献和61个独立相关矩阵,结果发现:原始UTAUT中核心变量与结果变量之间的影响关系均成立;便利条件正向影响行为意愿,但行为意愿并非是便利条件和使用行为之间的中介变量;增加“便利条件→行为意愿”后,UTAUT能够解释42.6%的行为意愿差异和45.6%的使用行为差异;地区对“社会影响→行为意愿”有显著调节效用,学段对“绩效期望→行为意愿”有显著调节效用。在此基础上,文章提出改进后的UTAUT,并围绕核心变量关系、差异解释能力、调节变量拓展三方面形成了对UTAUT的再认识。文章的研究可为后续教师技术采纳研究提供借鉴,助力教育数字化转型理论体系的构建与实践探索。展开更多
文摘在"人—技"协同进化的教育发展趋势下,物理空间中的学习支持服务将面临深刻变革。近年来,随着大数据与可穿戴技术的涌现,面向物理空间的学习分析技术已应运而生,其中一个研究趋势是利用传感器技术探察个体学习状态,并基于感知数据构建以学习者为中心的自适应与自主化学习环境。国际上,教育技术领域的相关专家学者已开始重点布局此项研究,致力于提供个性化学习反馈、推荐和干预等服务以创设移动式的智能学伴系统。如何获取学习者生理数据、合理利用这些数据、推测其学习状态(情绪、认知、注意力等)以及基于这些数据能为学习者提供哪些学习服务已成为研究者面临的现实问题。基于传感器的自适应学习分析(Leaning Analytics for Sensor-based Adaptive Learning,LISA)是由德国联邦教育与研究部资助的一个校企联合研发项目,旨在通过传感器感知个体在物理空间内的学习状态以支持自适应学习和提高学生学习体验,其核心是构建"移动学习同伴"以帮助学习者开展学习反思和协助教师实时监控。该项目的背景和意义是什么?智能学伴系统能感知哪些信息?提供哪些学习服务?如何评估其效果?未来的趋势和存在的问题是什么?带着这些问题,我们对该项目的主要负责人Niels Pinkwart教授进行专访。Niels Pinkwart教授是教育技术领域的国际知名学者,目前担任德国柏林洪堡大学的(Humboldt University of Berlin)计算机科学研究院副主任,洪堡大学职业教育学院的"技术增强学习"(Technology Enhanced Learning)研究中心和"计算机科学教育/计算机科学与社会"(Computer Science Education/Computer Science and Society)实验室主任,德国计算机学会学习分析与e-learning工作组的联席主席。他的研究方向包括:学习分析、自适应学习技术、计算机支持的协作学习与多模态人机交互系统。他发表论文超过220篇,总引用次数已超过2360次,并一直担任《国际教育人工智能》(International Journal of Artificial Intelligence in Education,IJAIED)期刊编委、"智能导学系统"(International Conference on Intelligent Tutoring Systems,ITS)、"IEEE先进学习技术"(IEEE International Conference on Advanced Learning Technologies,ICALT)、"学习分析与知识"(International Conference on Learning Analytics&Knowledge,LAK)等知名国际会议的程序委员会委员。近年来,Pinkwart教授的团队专注于采用多学科(计算机科学、认知科学以及学习科学)交叉的方法开展学习系统设计与学生互动学习的实证研究,现已主持多项德国国家科学基金(DFG)、联邦教育与研究部(BMBF)及工业界智能导学与人机交互联合研发项目,他领导的"智能导学系统中的学习反馈"(Learning Feedback in Intelligent Tutoring Systems,FIT)项目入选了DFG在研究方向"人工系统中的学习方法"上的优先资助计划,并授予8年的持续资助。
文摘整合技术接受模型(Unified Theory of Acceptance and Use of Technology,UTAUT)是探究教师技术采纳影响因素的主流理论模型之一,但其应用于解释教师技术采纳差异的相关研究结论存在较大分歧,直接影响了UTAUT的解释力。对此,文章设计了拓展版UTAUT,并使用一阶段元分析结构方程模型定量综合分析了56篇文献和61个独立相关矩阵,结果发现:原始UTAUT中核心变量与结果变量之间的影响关系均成立;便利条件正向影响行为意愿,但行为意愿并非是便利条件和使用行为之间的中介变量;增加“便利条件→行为意愿”后,UTAUT能够解释42.6%的行为意愿差异和45.6%的使用行为差异;地区对“社会影响→行为意愿”有显著调节效用,学段对“绩效期望→行为意愿”有显著调节效用。在此基础上,文章提出改进后的UTAUT,并围绕核心变量关系、差异解释能力、调节变量拓展三方面形成了对UTAUT的再认识。文章的研究可为后续教师技术采纳研究提供借鉴,助力教育数字化转型理论体系的构建与实践探索。