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"。