文献类型：期刊文章

作　　者：吴永和[1,3] 郭胜男[1] 朱丽娟[1] 马晓玲[2]

Wu Yonghe;Guo Shengnan;Zhu Lijuan;Ma Xiaoling(Department of Educational Information Technology,Faculty of Education,East China Normal University;Department of Information Management,Faculty of Economics and Management,East China Normal University;Shanghai Xiyu Information Technology Co.,Ltd,Shanghai 200062)

机构地区：[1]华东师范大学教育学部教育信息技术学系 [2]华东师范大学经济与管理学部工商管理学院 [3]上海熙育信息科技有限公司,上海200062

出　　处：《远程教育杂志》

基　　金：上海市2020年度“科技创新行动计划”人工智能科技支撑专项项目“教育大数据治理体系与面向大规模智慧学习的教育大脑研究”(项目编号:20511101500)及其课题三“人工智能教育大脑研究”(项目编号:20511101503)的阶段性研究成果

年　　份：2021

卷　　号：39

期　　号：3

起止页码：32-41

语　　种：中文

收录情况：BDHX、BDHX2020、CSSCI、CSSCI2021_2022、JST、NSSD、RCCSE、RWSKHX、核心刊

摘　　要：基于第四范式数据密集型计算的科学研究,要求对海量大数据进行精准化分析。多模态学习分析通过整合多个模态数据,能够为教育科学研究提供准确研判,但仍受到模态异质性差距、场景复杂性和创新分析方法等的挑战,导致难以挖掘教育大数据的潜在价值。因此,需要在学理上阐述教育分析技术历程和趋向,基于经验与机器学习结合的混合分析方法,进行多模态学习融合分析。在方法上,构建包括媒体工具空间、分析空间和内容资源空间的空间结构模型,并基于三个空间的关系,构建以机器学习融合表达为核心的多模态学习融合分析框架,并从技术和学习视角解读多模态融合的内涵。在策略上,扎根真实教学场景,从关系模型构建、影响因素和选择路径三个方面,探索场景驱动的模态组合策略的应用路径。多模态学习融合分析研究,一方面,提供了能够尽可能挖掘多模态数据隐含价值的新方法;另一方面,提供了有效融合分析所需要的数据模态选择路径,能够有效促进教育领域多模态数据融合研究的进一步发展。以实现科学、精准的教育教学,从而推动教育智能治理和教育数字化的转型与创新发展。

关 键 词：学习分析  多模态学习分析  多模态学习融合分析  教育大数据  多模态数据  场景驱动  机器学习  

分 类 号：G420]