基于混合学习模式的多模态学习分析机制探究.pdf
《基于混合学习模式的多模态学习分析机制探究.pdf》由会员分享,可在线阅读,更多相关《基于混合学习模式的多模态学习分析机制探究.pdf(8页珍藏版)》请在咨信网上搜索。
1、信息技术 年第 期基于混合学习模式的多模态学习分析机制探究张艳明 李巍巍 桂忠艳 孙 尧(黑龙江中医药大学医学信息工程学院 哈尔滨)摘 要:教育信息化的飞速发展促进了混合学习的应用与推广推动了教学模式的革新同时也产生了海量的多模态学习数据 通过对混合学习的多模态学习分析数据来源、数据特征和应用场景的分析结合数据采集、处理和分析技术构建了混合学习的多模态学习分析流程分析了多模态数据与学习测量任务之间的关系以实现对学习者学习过程的全面分析和精准评价帮助教师和学习者更好地调整教学计划和学习策略提高教与学的效率并为后续相关研究的开展提供理论参考关键词:混合学习 多模态 多模态数据 学习分析 数据融合中
2、图分类号:文献标识码:文章编号:():./.基金项目:黑龙江省教育科学规划重点课题()黑龙江省高等教育教学改革研究一般研究项目()作者简介:张艳明()女硕士讲师研究方向为人工智能、计算机教学 ():.:引 言现代信息技术的快速发展给教育领域带来了重大变革尤其是对教学模式和学习模式影响极大微课、慕课、翻转课堂等教学形态应运而生线上线下混合学习模式得到广泛的应用和推广 教育信息化的逐步推进使得知识的呈现形式更加多样化和复杂化一方面推动了教学模式的革新另一方面也增加了多模态教育数据对教育数据的学习分析提出了更高的要求智能教育时代下的混合学习模式为学习分析提供了多模态教育数据 线上线下混合学习模式包括
3、微课、慕课、翻转课堂等而智能技术支持的在线学习平台、智慧校园服务平台为学习分析提基于混合学习模式的多模态学习分析机制探究 张艳明 等供了海量的多模态线上线下学习活动数据脑电仪、眼动仪、可穿戴设备等智能感知设备的使用扩展了多模态学习数据的数据源 这些记录着学习者心理活动、生理活动的数据构成了混合学习的多模态学习分析的数据源而语音识别、图像处理、机器学习等智能技术的应用为多模态数据的采集、存储和分析提供了便利有助于挖掘混合学习教育过程中的潜在规律推动教育研究向智能化、科学化和精准化的方向发展多模态学习分析同时关注线上和线下的学习数据利用人工智能技术为教育工作者提供科学化、全面化、个性化的数据分析
4、本文从混合学习的多模态学习分析的数据来源、数据特征和应用场景出发分析线上线下混合学习的多模态学习的技术和流程以实现对学习者科学、全面、精准的评价 多模态学习分析.多模态数据模态是一种客观存在的可以用具体感知过程解释的符号系统比如语音、图像、动作、表情、手势等经过转码后都可以称之为一种模态 通过对模态的分析和数据挖掘可以动态衡量事物的发展状态从而做出相应的预测和判断 但是由于自然环境和事件的多样性尤其是信息技术在教育领域的广泛应用使得应用者可以从多种渠道获取信息多模态数据由此而产生 多模态是指在分析某一事件过程中融合使用几种模态从而使人类感觉器官与外部环境之间进行交互的符号系统 多模态信息十分复
5、杂涉及多种符号表征系统比如视觉、听觉、嗅觉、味觉、触觉等通常这些符号表征系统并不是单一使用而是组合应用 比如一个在线学习平台可能涉及到学习者的音频数据、视频数据、脑电数据、眼动数据、动作姿态等数据这些数据的来源不同、形式不同相互组合共同构成了多模态数据的环境多模态数据的一个重要特征是具有互补性一种模态的数据往往只能从一个方面去解释事件的发生过程而这些信息是从其他模态中无法获取的 多模态数据可以融合语音、文本、视频、生理信息等数据从而实现对事物更为全面、科学、系统的判断和理解.多模态学习分析多模态学习分析的概念最早是在 年第十四届多模态交互国际会议上由美国南加州大学创新技术学院的 和、西北大学的
6、 等提出的多模态学习分析是利用计算机智能技术融合来自数字空间和物理空间的各种数据形式采用多种分析方法来处理复杂学习环境中的多模态数据信息并利用学习情景中的认知、情感、行为等相关理论 来 分 析 学 习 行 为、动 机、情 感、信 念 等状态多模态学习分析更符合事物发展的客观规律符合人类学习和交流的本质 凭借一种感官信息只会得到事物的局部认知只有综合视觉、听觉、嗅觉、触觉等感官信息和声音、视频、文字、表情、姿势、眼动等媒介表征并经过大脑的整理融合之后才能形成完整的科学认知 比如在课堂上教师可以通过对学习者的答题速度、语言的流畅性、面部表情、身体姿势等来判断学习者对知识掌握的熟练程度并及时做出相应
7、的回应 发现多模态学习分析过程中最常见的五种模态分别是视频、语音、眼动、生理信号和数字化日志其中大部分多模态学习分析实例研究至少使用了三种模态多模态学习分析是一种融合学习科学理论和人工智能的技术不仅要借助机器学习、大数据技术、语音处理、图像识别、知识图谱、用户画像等人工智能技术也要借鉴神经科学、认知心理、学习科学、行为科学等理论以实现在不同的模态特征和关键学习形态之间建立相应的对应关系来分析学习体验和认知发展的关系 混合学习的多模态学习分析数据.混合学习的多模态学习分析数据来源学习数据的科学性和有效性是多模态学习分析的关键 混合学习模式是基于微课、慕课、等线上线下学习模式通过师生交互、生生交互
8、、师生与教学设备的交互让学习者在线上学习、分组讨论、协作学习等活动中理解掌握学习内容 根据学习数据中的信息特征将混合学习的基于混合学习模式的多模态学习分析机制探究 张艳明 等多模态学习分析数据分为基本信息数据、学习体征数据、人机交互数据、学习资源数据和学习情境数据五大类如表 所示 其中基本信息数据是指学习者的性别、年龄、年级等人口统计学数据是所有学习分析必备的数据集 学习体征数据包括肢体动作行为数据和大脑及心脏反应等生理行为数据 人机交互数据包括指纹、虹膜等移动界面数据和对话、讨论等自然语言数据 学习资源数据包括声音、视频等线上资源数据和文本、多媒体课件等线下资源数据 学习情境数据包括天气、温
9、度等物理空间数据和社交、互动等虚拟空间数据 以上五类数据只是混合学习的多模态学习分析数据的基本分类在实际的学习分析过程中还会涉及到学习者的学习内容、学习评价、学习轨迹、学习表现等数据这些数据共同构成了多模态学习分析数据的基础表 混合学习的多模态学习分析数据一级分类二级分类数据详细信息基本信息数据基本信息数据性别、年龄、年 级、专 业、身高、体重、所学课程学习体征数据动作行为数据手、手臂、腿、躯干、嘴、脸、眼睛的动作和行为生理行为数据体温、心率、呼吸率、汗水、焦点、注意力人机交互数据移动界面数据指纹、笔迹、唇 读、虹 膜、触摸、手势输入自然语言数据对话、讨论、文 本、图 像、语音、视频、表情学习
10、资源数据线上资源数据图像、文本、电子表格、声音、视频、动画线下资源数据图像、文本、电子表格、教学案例、多媒体课件学习情境数据物理空间数据天气、温度、位 置、空 间、光线、声音虚拟空间数据社交、互动、想象力.混合学习的多模态学习分析数据特征与传统的记录学习者学习轨迹和学习状态的人工方法相比混合学习的多模态学习分析数据注重从多个维度采集、分析和处理学习者的混合学习数据这些数据反映了学习者在生理、心理上的学习行为具有跨空间性、多维性、情境性和时序性的特征跨空间性 混合学习的多模态学习分析数据既包括了线下的物理空间学习数据也包括了线上的网络空间学习数据体现了混合学习的多模态学习分析数据的跨空间性多维性
11、 混合学习的多模态学习分析数据包括学习者的外在表现和内在心理等多维因素多维性是多模态数据的一个重要特征在多模态学习分析过程中通过视觉、听觉、触觉、味觉等感官信息和手势、动作、心理活动等身体特征获取学习数据再利用智能化的数据采集和处理技术对多维学习数据进行量化表征从而为混合学习的多模态学习分析研究提供数据支持情境性 情境性是指多模态学习分析数据来源于混合学习的线上和线下教学情境能够真实地展现教学场景对探索教学规律、研究教学本质具有重要的意义 在混合学习中学习情境的变化导致多模态学习分析的数据也相应的发生变化 比如教师在授课时多模态学习分析的数据形式主要是电子课件、教师语音、教师手势等信息在学习者
12、互相讨论时多模态学习分析的数据形式主要是学习者的语音、手势、表情、眼动等信息时序性 时序性是指混合学习的多模态学习分析数据会随着时间变化而变化比如教师和学习者的认知、能力、情感、行为、学习资源的属性等都会随着时间的推移发生动态的变化在多模态学习分析过程中要重视多模态学习数据的周期性变化规律纵向挖掘深层次的教学内容、教学活动和学习者学习行为之间的作用机制实现基于时间序列的多模态学习分析建模构建智能化的学习服务体系.混合学习的多模态学习分析应用场景混合学习的多模态学习分析具有重要的应用价值通过对混合学习中产生的大量多模态数据进行全方位采集和预处理利用人工智能技术构建面向学习者的跨时空、多维性、时序
13、性的多模态学习模型分析学习者学习认知、学习行为、学习情感、生理规律为整个教学过程中教师的“教”与学习者的“学”提供数据支持和理论依据更深基于混合学习模式的多模态学习分析机制探究 张艳明 等层次地探究学习者的学习发生机理有效推动智能化教学工作的开展智能化学习认知分析 传统的学习认知分析一般是基于试卷测试、提问或讨论的方式而混合学习的多模态学习分析可以实现学习者的智能化学习认知分析即通过对学习者学习周期内的混合学习数据进行持续性的采集和处理利用多模态学习分析技术对学习者的认知目标、知识结构、认知过程等进行测评从而构建全方位、多维度、多学科的知识图谱和技能图谱探究学习者学习过程的影响因素以便教师更好
14、地指导学习者进行高效率的学习智能化学习行为测量 学习行为指的是学习者在为了取得某种特定的学习结果而在学习过程中的行为体现包括教学活动、教学环境、网络环境、学习者认知能力、学习情感和学习动机等混合学习的多模态学习分析可以实现智能化学习行为测量通过对线上网络学习、线下课堂、课外学习等产生的多模态数据进行量化表征利用人工智能、大数据等技术深入挖掘影响学习者学习行为的关键要素分析学习者学习行为发生机理从而优化学习路径促进学习者的个性化学习智能化学习情感感知 学习者学习情感的形成具有一定的复杂性是学习者知识储备、心理、生理、教学环境、教学活动和外界刺激等共同作用的结果 混合学习的多模态学习分析可以实现智
15、能化学习情感感知通过摄像头、传感器、脑电仪、眼动仪和智能穿戴等设备实时获取学习者的学习轨迹、音频、视频、手势、表情、眼动和脑电等数据利用大数据和多模态学习分析技术对采集到的多模态数据进行全方位的智能监测和精确分析挖掘复杂教学环境中学习者学习情感的发生机理帮助教师及时动态调整教学计划和教学方法从而制定最优学习策略智能化生理规律探究 混合学习的多模态学习分析可以实现智能化生理规律探究通过智能传感设备采集和处理线上网络学习和线下课堂学习的多模态学习数据结合脑科学、心理学、生理学、认知学、教育学等专业理论知识从多维度、多层次、宽领域、多学科的角度深入挖掘学习者生理行为的影响因素探究学习者生理规律发生机
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 混合 学习 模式 多模态 分析 机制 探究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。