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

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。

基于CiteSpace的国际计算思维研究可视化分析

运用CiteSpace对2013—2022年国际计算思维研究进行分析与解读,研究发现,国际计算思维研究历程可以分为初步探索和快速发展两个阶段,发文数量呈增长趋势;相关研究文献主要发表在教育技术和计算机科学相关的期刊上;研究以机构合作为主,大部分作者属于师生或同事关系,最多产作者来自中国,但从文章数量和总被引次数来看,大部分作者来自美国;研究主要集中在学科体系发展、能力培养、教育干预、培养驱动研究等方面。

联合语义提示和记忆增强的弱监督跳绳视频异常检测方法

面向全国的学生综合评价与发展平台采集了百万级学生跳绳运动数据用于中小学生身体素质测评,然而在采集的跳绳视频中存在着非跳绳视频、人物未全身出镜等不符合拍摄要求的各类异常视频,严重影响了后续学生身体素质测评模型的准确性和鲁棒性。针对上述问题,提出一种联合语义提示和记忆增强的弱监督跳绳视频异常检测方法。该方法首先提取正常跳绳视频和异常跳绳视频的视觉特征,将正常特征和异常特征成对训练,增强模型对异常视频特征的感知能力;其次设计两个自监督记忆网络分别存储和分离正常视频和异常视频的特征,进一步增强模型的特征表达能力;最后引入提示学习方法迁移大规模预训练模型中的多种跳绳异常类型的语义先验知识,增强模型在样本不足的情况下对多种异常类型语义信息的理解。实验结果表明,该方法在自建的跳绳异常检测数据集(SRAD)上的AUC为94.14%,相较于基准方法提升了2.71个百分点,具有较高的准确性。该方法对实现身体素质的智能测评、推动教育评价改革具有重要意义。

人工智能教育的含义界定与原理挖掘

人工智能教育包括利用人工智能赋能的教育和以人工智能为学习内容的教育。前者又称为智能化教育。智能化教育是指基于智能感知、教学算法与数据决策等技术,利用智能工具对学习者、教师、教学内容、教学媒体及教育环境进行自动分析,实施精准干预,支持个性化学习与规模化教学,形成教育的智能生态,培养学习者智能素养和实现教育高绩效的理论与实践。人工智能教育原理是指人工智能教育中具有普遍意义的内在的基本规律。基于理论推演与实践探讨,挖掘出人工智能教育的17条原理。其中,教育层面的原理有8条,教学层面的原理有5条,要素运行层面的原理有4条。该文界定了人工智能教育的含义,分析了原理纲要,对于促进人工智能教育事业发展和建立人工智能教育原理学科知识体系具有积极作用。

中小学教师对智慧教育装备的接受度及其影响因素

在智慧教育时代,教师作为智慧教育装备的使用主体,其使用意愿直接影响智慧教育装备的推广应用和智慧教育的发展。为此,文章参考整合型信息技术接受模型,设计了中小学教师对智慧教育装备的接受度模型,并通过问卷调研、结构方程建模和半结构化访谈,对164名中小学教师智慧教育装备的接受度及其影响因素进行了探究。文章发现,努力期望、社会影响对中小学教师智慧教育装备的接受度有显著的正向影响,学科背景对其有较好的调节作用,中小学教师对智慧教育装备的接受度普遍较高。基于以上研究结果,文章针对智慧教育装备如何在中小学进一步推广与应用的问题提出建议,以期推广智慧教育装备、发展智慧教育。

赋能与嬗变 新文科建设背景下的教育技术学

新时代的教育技术学既要主动承担创新与变革教育的责任,也要积极为高质量教育发展赋能。新文科建设是我国高等教育改革的重要抓手,教育技术学应该从教育创新体系、教学创新模式、智慧教育生态等方面探寻为新文科建设赋能的路径,促进新文科协同发展;以自身变革融入新文科学科建设,建设立足国情、积极作为,体现人文精神、交叉融合,传承文化、特色发展的学科。

混合环境下基于图示化支架的项目教学设计观及其实施策略

在项目教学中运用图示化支架,有助于达到项目教学培养学生综合实践创新能力的终极目标。文章在分析图示化支架功能特点的基础上,从知识导引、认知性思维构建等六个方面阐述了思维导图类、知识地图类等四类图示化支架融入项目教学各阶段的具体教学策略。最后,从教学设计的多个角度,分析了混合环境下基于图示化支架的项目教学设计观,强调以人文和科学的融合以及学科核心素养为指引,以学生主体的形式实现知识系统传授和认知思维构建。

慕课空间的低效率学习困境与深度学习建构

慕课学习平台中的低效率、低完成率是我们必须面对的事实。为了帮助学习者在慕课社区中建构深度学习,首先,我们可以设计层层闯关的解锁式课程、主题式学习、重构慕课作业形式,在挑战型学习任务与迁移中构筑慕课学习成就感;其次,建立基于学习行为数据的学习过程监督与面向学习作品的混合评价机制,在学习干预下触发深度自我反思与深度思维;最后,丰富慕课学习过程的课程履历与数据记录,在学习分析的基础上为慕课成员提供各种实时学习情况追踪提醒与知识图谱等自主学习工具,为支持个性化远程学习推荐自适应的学习资源和学习策略。这些策略的目的都是为了突破课程学习思维与逻辑的浅层结构,走向生成型深度结构与判别型深度结构,实现基于慕课的深度学习。

面向计算思维培养的DST教学设计流程构建

数字化故事叙述是一种设计型学习活动,以建构主义为指导,强调以问题解决为目标,能够有效发展学生的计算思维技能。文章阐述了数字化故事叙述的概念,及其与计算思维之间的关系,并分析了计算思维的概念。在此基础上,以计算思维培养为导向,融合设计型学习的理念,构建了面向计算思维培养的数字化故事叙述教学设计流程,以期为当前非编程环境下计算思维教学提供参考和借鉴。

基于深度强化学习的两阶段显著性目标检测

为提高复杂场景下的显著性目标检测速度和精度,提出了一种基于深度强化学习的两阶段显著性目标检测方法。该算法由显著性区域定位网络(salient region localization network,SRLN)和显著性目标分割网络(salient object segmentation network,SOSN)组成,分别对应显著性区域定位阶段和显著性目标分割阶段。在显著性区域定位阶段,首次提出采用深度强化学习训练智能体通过执行序列动作逐步定位显著性区域。再将其交由分割网络进行第二阶段的精细目标分割。网络结构上,SRLN和SOSN采用共享特征提取网络的方式简化模型和减少参数量,同时针对该两阶段检测框架提出了一种分治的训练策略。在公开的显著性目标检测数据集上的实验结果表明,无论是简单或复杂场景的图像,该算法能够快速有效的剔除干扰信息,获得准确的显著性目标检测结果,并且检测速度达到了实时性能。在行人检测数据集上的检测结果表明本算法在其他实际应用问题上也具有较强的泛化能力。

基于情境模式与网络跨校协作的小学编程校本课程开发

为了双减下社团编程活动与儿童编程教育的有效开展,当前小学编程校本课程研制需突破开发理论模式、学校情境分析、团队协作的困境。文章通过对校本课程开发的理论探索,构建了基于情境模式与网络跨校协作的小学编程校本课程开发模式。按照SWOT开展学校实际需求分析并确定课程目标,然后,团队通过平台跨校协作进行个人编写设计、小组协作开发与研讨,依据小学生不同年龄“分层次”研制出了启蒙、进阶、提高三个阶段的小学全套编程课程。在三所学校通过个人自主备课、在线集体备课、线下课堂活动、线上直播与听评课一年半的三轮教学行动研究,实践证明,这种模式适合当前学校社团的实际需要,避免了独立学校与单个教师开发的弊端,明显提高了师生的课程参与度与编程课堂热情。

基于深度学习的cMOOC参与者交互水平自动评估研究

交互是联通主义学习的核心和取得成功的关键。现有交互水平评估主要依靠人工编码实现,存在时间滞后性和耗时耗力等局限,难以实时反映交互水平状况。因此,本研究以国内首门联通型慕课“互联网+教育:理论与实践的对话Ⅱ”为案例,运用人工智能领域中的深度学习算法,通过模型构建、模型检验和模型应用三个阶段实现了对联通慕课参与者交互水平的自动化评估。研究发现,在联通主义学习中:1)学习者成为交互主体,多元主体驱动课程交互;2)寻径和意会是决定联通主义学习成效的关键。本研究一方面检验和发展了原有联通主义交互规律研究,另一方面实现了联通主义学习情境中参与者交互水平的自动化评估,为联通主义学习评价和课程评价提供了工具支撑,探索了人工智能技术在改进教育研究和实践方面的价值和可能性。

基于多源异构数据融合的初中数学知识图谱构建

知识图谱可以为智能问答和自动推荐等系统提供良好的数据支持。针对国内现有学科知识图谱构建数据来源单一等问题,提出一种多源异构数据融合的方法构建初中数学知识图谱。基于领域知识和学习者需求构建初中数学本体,确定概念、方法、公式、定理四种类型的实体;从教材等权威数据源和百度百科、互动百科等网络数据源中获取非结构化与半结构化数据,基于BERT(bidirectional encoder representations from transforms)模型抽取出教材等非结构化数据的关系和实体;利用基于层次过滤思想的知识融合模型进行多源异构数据的融合。实现了基于初中数学知识图谱的智能问答和自动推荐系统,为学习者提供及时且智能的学习支持服务,为破解初中数学在线教学个性化不足提供一条思路。

数量和质量并重的社会交互网络构建方法创新及验证研究

学习者交互形成的社会网络是联通主义学习形成的重要网络,但传统的社会网络构建方法仅考虑学习者之间交互的数量,未体现交互质量,对于联通主义学习的解释度存在局限,因而迫切需要创新研究方法。本研究从创新方法的视角,提出数量与质量并重的社会交互网络构建方法,以国内首门c MOOC为研究情境,实际应用了该方法,并基于等距时间切片分别从整体网络、子群网络、个体学习者三个层面挖掘社会网络特征。结果表明:(1)质量与数量并重的学习者社会交互网络是多中心、自组织的复杂网络,更能体现学习者之间交互的紧密程度;(2)社会网络存在多个凝聚子群,子群内学习者持续的交互有利于深层次交互的生成;(3)学习者地位在一定程度上可以预测学习者学习是否成功,且学习者的交互质量与数量相互促进。本研究创新性地提出质量和数量并重的社会交互网络构建方法,发展了社会网络分析方法,为进一步揭示在线学习规律提供了方法借鉴。

联合知识图谱和时间特性的数学知识自动推荐方法

在教育领域的自动推荐方法大多通过历史内容的相似性进行推荐,未同时考虑用户交互序列和知识与知识之间的内在关联信息,难以精准地向学习者推荐其所需知识点。提出一种基于联合知识图谱和时间特性的数学知识自动推荐方法。该方法首先利用自注意力机制和前馈神经网络获取带有时间特性的学习者表示,然后根据知识图谱三元组中知识点与知识点的高阶连通特性和学习者特性深层次表征知识点,最后计算学习者与知识点交互的概率,并根据概率进行推荐。在自构建的初中数学知识推荐数据集上测试表明,本文方法比几类经典的基准系统在AUC值、精确率、召回率和F值上都有提升。该方法的提出能够更加准确地为学习者推荐知识点,帮助其构建知识体系,可望为学习者的自适应性和个性化学习提供了支持。

联合图像与单目深度特征的强化学习端到端自动驾驶决策方法

现有的基于深度强化学习(deep reinforcement learning,DRL)的端到端自动驾驶决策方法鲁棒性较低,存在安全隐患,且单纯依赖图像特征难以正确推断出复杂场景下的最优动作。对此,提出了一种联合图像与单目深度特征的强化学习端到端自动驾驶决策方案。首先,建立了基于竞争深度Q网络(dueling deep Q-network,Dueling DQN)的端到端决策模型,以提高模型的策略评估能力和鲁棒性。该模型根据观测数据获取当前状态,输出车辆驾驶动作(油门、转向和刹车)的离散控制量。然后,在二维图像特征的基础上提出了联合单目深度特征的状态感知方法,在自监督情况下有效提取场景深度特征,结合图像特征共同训练智能体网络,协同优化智能体的决策。最后,在模拟仿真环境下对不同的行驶环境和任务进行算法验证。结果表明,该模型可以实现鲁棒的端到端无人驾驶决策,且与仅依赖图像特征的方法相比,所提出的方法具有更强的状态感知能力与更准确的决策能力。