基于傳感數(shù)據(jù)的學(xué)習(xí)分析應(yīng)用研究

李卿 任緣 黃田田 劉三女牙 屈杰

[摘? ?要] 數(shù)據(jù)是學(xué)習(xí)分析研究的重要前提。傳感技術(shù)的發(fā)展極大地提升了物理學(xué)習(xí)空間中的數(shù)據(jù)采集能力，拓展了學(xué)習(xí)分析的邊界。為把握傳感技術(shù)的應(yīng)用現(xiàn)狀與趨勢，文章在分析傳感技術(shù)的特征和功能基礎(chǔ)上，使用文獻(xiàn)研究法探討了傳感數(shù)據(jù)與學(xué)習(xí)分析結(jié)合的應(yīng)用價值，構(gòu)建了基于傳感數(shù)據(jù)的學(xué)習(xí)分析框架，包括感知學(xué)習(xí)狀態(tài)、預(yù)測學(xué)習(xí)表現(xiàn)、干預(yù)與反饋學(xué)習(xí)過程等?；诂F(xiàn)有研究成果，將基于傳感數(shù)據(jù)的學(xué)習(xí)分析應(yīng)用歸納為學(xué)習(xí)認(rèn)知、學(xué)習(xí)情感和動作技能等三個領(lǐng)域，分析了傳感數(shù)據(jù)采集、模型優(yōu)化、反饋機(jī)制等方面的挑戰(zhàn)并提出未來可關(guān)注的研究方向。

[關(guān)鍵詞] 教育大數(shù)據(jù); 傳感數(shù)據(jù); 學(xué)習(xí)分析; 可穿戴技術(shù)

[中圖分類號] G434? ? ? ? ? ? [文獻(xiàn)標(biāo)志碼] A

[作者簡介] 李卿（1982—），女，湖北武漢人。助理研究員，博士，主要從事教育大數(shù)據(jù)、感知計算技術(shù)等方面的研究。E-mail：viven_a@mail.ccnu.edu.cn。劉三女牙為通訊作者，E-mail：lsy5918@mail.ccnu.edu.cn。

[Abstract] Data is an important prerequisite for research on learning analytics. The development of sensing technology has greatly improved the ability of data acquisition in physics learning space and expanded the boundary of learning analytics. In order to grasp the application status and trend of sensing technology， based on the analysis of the characteristics and functions of sensing technology， this paper adopts literature research method to explore the application value of combining sensing data with learning analytics. A framework of learning analytics based on sensing data is constructed， including perceiving learning state， predicting learning performance， intervention and feedback learning process， etc. Based on the existing research results， the application of learning analytics based on sensing data is summarized into three fields： learning cognition， learning emotion and motor skill. Finally， this paper analyzes the challenges of sensor data acquisition， model optimization and feedback mechanism， and proposes the future research directions as well.

[Keywords] Big Data in Education; Sensing Data; Learning Analysis; Wearable Technology

一、引? ?言

大數(shù)據(jù)在教育領(lǐng)域的運(yùn)用是學(xué)習(xí)分析產(chǎn)生的前提，學(xué)習(xí)分析是通過對學(xué)習(xí)者及其情境數(shù)據(jù)的測量、采集、分析和報告，了解和優(yōu)化學(xué)習(xí)和學(xué)習(xí)發(fā)生的情境[1]。現(xiàn)已有眾多學(xué)習(xí)分析系統(tǒng)，如美國普渡大學(xué)的Course Signals系統(tǒng)，根據(jù)學(xué)習(xí)管理系統(tǒng)中學(xué)生的表現(xiàn)和個性化指標(biāo)預(yù)測學(xué)生是否能完成課程[2];亞琛工業(yè)大學(xué)（RWTH Aachen）的 eLAT（Exploratory Learning Analytics Toolkit）[3]通過在線學(xué)習(xí)分析，基于教師個人興趣對教學(xué)進(jìn)行反思與改進(jìn)。由于網(wǎng)絡(luò)學(xué)習(xí)開啟了學(xué)習(xí)行為數(shù)據(jù)爆發(fā)式增長的潮流，現(xiàn)有的學(xué)習(xí)行為數(shù)據(jù)大多來源于線上（如學(xué)習(xí)管理系統(tǒng)、瀏覽器數(shù)據(jù)）。然而，很多學(xué)習(xí)發(fā)生在線下的現(xiàn)實情境中，只有捕捉現(xiàn)實情境中的學(xué)習(xí)行為數(shù)據(jù)，才能深入了解教與學(xué)的過程，以洞察學(xué)習(xí)者的學(xué)習(xí)心理，發(fā)現(xiàn)學(xué)習(xí)規(guī)律，優(yōu)化學(xué)習(xí)過程，提高學(xué)習(xí)效率[4]。線下學(xué)習(xí)數(shù)據(jù)的采集將極大地豐富學(xué)習(xí)行為的類型，拓展學(xué)習(xí)分析的邊界。因此，線下學(xué)習(xí)行為分析是學(xué)習(xí)分析研究的重要趨勢。

隨著各類新型傳感器、穿戴設(shè)備的普及以及傳感技術(shù)的成熟，線下學(xué)習(xí)行為的采集也在逐漸突破技術(shù)的限制，如可通過視頻采集設(shè)備、可穿戴設(shè)備等采集課堂教學(xué)的全過程數(shù)據(jù)，也可通過人臉識別等專用設(shè)備對課堂學(xué)習(xí)者進(jìn)行定向跟蹤，采集學(xué)習(xí)者的表情、言行等數(shù)據(jù)。因此，將傳感技術(shù)引入教育領(lǐng)域，可以實時收集物理空間數(shù)據(jù)，全面描述學(xué)習(xí)者，為實現(xiàn)學(xué)習(xí)過程的全方位量化提供了可能[5-6]。從2012年起，連續(xù)六屆“學(xué)習(xí)分析技術(shù)與知識國際會議”都指出，傳感技術(shù)（如眼動、腦電和心電等）成為學(xué)習(xí)分析重要的研究手段[7-8]。因此，如何將傳感技術(shù)的優(yōu)勢與教學(xué)應(yīng)用相結(jié)合，為學(xué)習(xí)分析研究帶來了新的研究視角和挑戰(zhàn)。

二、傳感技術(shù)

（一）傳感技術(shù)的定義與特點

傳感技術(shù)是一種高精度、高效率、高可靠性的采集各種信息的技術(shù)，基本的傳感設(shè)備包括動作傳感器，聲、光、電、溫度、濕度和位置傳感器等[9]。作為信息社會的支柱，傳感技術(shù)已滲透在醫(yī)療保健、體育娛樂、工業(yè)生產(chǎn)、軍事國防、交通管理等各個領(lǐng)域之中。

當(dāng)前，傳感技術(shù)日趨微型化、智能化和集成化。傳感元件體積和質(zhì)量越來越小，便于攜帶和使用;多種傳感元件可集成在一個平臺上或嵌入到智能手機(jī)中，實時采集信息，實現(xiàn)多功能集成;不僅能夠代表生物器官進(jìn)行視覺、聽覺、觸覺和溫度等方面的感知，而且更加靈敏高效。

（二）傳感器與傳感數(shù)據(jù)

傳感器種類多樣，根據(jù)功能差異一般可分為動作傳感器、生物傳感器和環(huán)境傳感器[10]三種類型。除此之外，光學(xué)相機(jī)、熱學(xué)相機(jī)、麥克風(fēng)等也被認(rèn)為是傳感器，既能進(jìn)行動作識別，又能輔助情感計算。傳感器的分類與應(yīng)用見表1。

可穿戴式動作傳感器是放置在人體各部位的微小元件，能精確地捕獲和傳輸佩戴者的動作信息，如加速度、角速度等。動作傳感器的主要功能是人體活動識別，在醫(yī)療護(hù)理、體育娛樂、智能家居等領(lǐng)域廣泛使用。

生物傳感器能對人體的生理特征進(jìn)行無感化測量，如心率、呼吸、血壓和體溫等。由于生物傳感器能連續(xù)監(jiān)控和實時傳輸生命體征數(shù)據(jù)，多用于健康監(jiān)測、疾病診斷等醫(yī)療領(lǐng)域。

環(huán)境傳感器可以捕獲人類周圍的環(huán)境信息，如所處的位置、光線強(qiáng)弱、空氣質(zhì)量、噪音級別、天氣情況和大氣壓力等。環(huán)境傳感器在智能家居中技術(shù)較為成熟，主要用于監(jiān)測環(huán)境變化，提高生活質(zhì)量。

三、基于傳感數(shù)據(jù)的學(xué)習(xí)分析方法

在學(xué)習(xí)分析研究中，有眾多的學(xué)習(xí)分析模型，無論是反饋環(huán)狀還是交互網(wǎng)狀模型，從宏觀上都包括數(shù)據(jù)的采集、分析和反饋，即對學(xué)習(xí)行為和狀態(tài)的感知、預(yù)測與反饋。其中，學(xué)習(xí)數(shù)據(jù)的采集是學(xué)習(xí)分析的前提和基石。

目前，學(xué)習(xí)數(shù)據(jù)采集方法有基于Web的日志挖掘、學(xué)習(xí)者自我報告、基于傳感等多種手段或幾種方式的組合[11-12]。傳統(tǒng)的技術(shù)手段獲取的多是學(xué)習(xí)者線上的、結(jié)構(gòu)化的學(xué)習(xí)行為數(shù)據(jù)，傳感技術(shù)可以采集學(xué)習(xí)者的運(yùn)動行為、生理數(shù)據(jù)和所在環(huán)境信息。通過動作傳感器可以記錄學(xué)習(xí)過程中學(xué)習(xí)者相關(guān)行為數(shù)據(jù)并進(jìn)行序列分析，從而推測學(xué)習(xí)狀態(tài);通過生物傳感器可以測量學(xué)習(xí)者的心率、呼吸、血壓、體溫等生理信息，獲得與學(xué)習(xí)相關(guān)的認(rèn)知和情感層面的支持，如研究證明，心率變化可以反映人的壓力大小[13]，腦電波可以顯示注意力的變化[14];通過環(huán)境傳感器可獲取學(xué)習(xí)者所處的位置、光線強(qiáng)弱、噪音級別、天氣情況等周圍的環(huán)境信息，以分析環(huán)境可能對學(xué)習(xí)行為產(chǎn)生的影響，如噪聲、天氣、溫度都會影響學(xué)習(xí)者的精力集中程度。

面向?qū)W習(xí)者的傳感數(shù)據(jù)是教育大數(shù)據(jù)的重要組成部分，由多種傳感設(shè)備組合而成的傳感器平臺能多維度地監(jiān)測和采集學(xué)習(xí)者數(shù)據(jù)，全面準(zhǔn)確地描述學(xué)習(xí)行為。相較基于Web的日志挖掘，傳感數(shù)據(jù)更貼近真實的學(xué)習(xí)情境，增加了數(shù)據(jù)的有效性和可靠性。相較于傳統(tǒng)的問卷量表或訪談，傳感技術(shù)可以發(fā)揮高速率、高準(zhǔn)確度、個性化的優(yōu)勢。

基于傳感數(shù)據(jù)的學(xué)習(xí)分析通過采集學(xué)習(xí)者多模態(tài)數(shù)據(jù)，建立相應(yīng)模型，評估和預(yù)測學(xué)習(xí)表現(xiàn)，并為學(xué)習(xí)者提供個性化的指導(dǎo)和服務(wù)。具體流程如圖1所示。

（一）狀態(tài)感知，了解學(xué)習(xí)過程

學(xué)習(xí)狀態(tài)的感知既可以來自學(xué)習(xí)管理系統(tǒng)、學(xué)生信息系統(tǒng)、網(wǎng)絡(luò)課程和社交媒體中產(chǎn)生的數(shù)據(jù)，還包括基于傳感平臺測量的有關(guān)學(xué)習(xí)者的生理信息、運(yùn)動行為和情境信息。為了獲得全面準(zhǔn)確的信息，可在學(xué)習(xí)環(huán)境和學(xué)習(xí)者身上裝置相應(yīng)的傳感器，進(jìn)行量化跟蹤。如嵌入加速度計、心率傳感器、皮電裝置、GPS、溫度和氣壓等傳感器的智能手環(huán)，可對個體進(jìn)行健康追蹤和運(yùn)動監(jiān)測，進(jìn)一步整合視頻、音頻、日志、文本等多源數(shù)據(jù)進(jìn)行學(xué)習(xí)狀態(tài)感知和分析。

（二）數(shù)據(jù)建模，預(yù)測學(xué)習(xí)表現(xiàn)

傳感設(shè)備采集大量關(guān)于學(xué)習(xí)者低層次的生理、心理和活動的多模數(shù)據(jù)后，提取關(guān)鍵特征，通過建模將低層次數(shù)據(jù)與高層次學(xué)習(xí)狀態(tài)建立聯(lián)系，用來評估和預(yù)測學(xué)生的表現(xiàn)，如信心程度、注意力狀態(tài)、認(rèn)知負(fù)荷、情緒波動、社會交互等，監(jiān)控學(xué)生的不良學(xué)習(xí)行為，促進(jìn)學(xué)生的課堂參與度，提高學(xué)習(xí)效率等。一般采用監(jiān)督機(jī)器學(xué)習(xí)方法，通過訓(xùn)練模型以預(yù)測學(xué)生未來可能的學(xué)習(xí)表現(xiàn)。因為該方法需要大量的數(shù)據(jù)集和正確注釋的標(biāo)簽，給建模帶來了許多挑戰(zhàn)，所以，目前在探究使用無監(jiān)督或半監(jiān)督的機(jī)器學(xué)習(xí)方法解決上述矛盾。

（三）結(jié)果評估，反饋和干預(yù)學(xué)習(xí)過程

傳感器連續(xù)測量數(shù)據(jù)并進(jìn)行分析后，可以用于評價任務(wù)中，特別是形成性學(xué)習(xí)評價中。形成性評價是一種持續(xù)地判斷學(xué)生的學(xué)習(xí)狀態(tài)和衡量學(xué)習(xí)效率的評價方法。基于傳感器的學(xué)習(xí)平臺能推測和判斷學(xué)生目前的學(xué)習(xí)水平，并識別學(xué)生可能存在的錯誤，進(jìn)而作出反饋。

高質(zhì)量的反饋是形成性評價的關(guān)鍵要素，基于傳感平臺的反饋有震動、音頻、視頻等多種形式。如平臺預(yù)測學(xué)習(xí)者處于低迷狀態(tài)時，利用手環(huán)震動來進(jìn)行提醒。

四、基于傳感數(shù)據(jù)的學(xué)習(xí)分析應(yīng)用綜述

當(dāng)前傳感數(shù)據(jù)與學(xué)習(xí)分析正在不斷地深度融合，國內(nèi)外許多專家在積極地開展基于傳感數(shù)據(jù)的學(xué)習(xí)狀態(tài)的感知與優(yōu)化方面的研究，本文根據(jù)布魯姆的學(xué)習(xí)結(jié)果分類理論，將基于傳感數(shù)據(jù)的學(xué)習(xí)分析應(yīng)用歸納為認(rèn)知、情感和動作技能三個領(lǐng)域，具體應(yīng)用見表2。

（一）認(rèn)知領(lǐng)域

學(xué)習(xí)者認(rèn)知狀態(tài)的感知和評估是一個復(fù)雜的過程，借助于傳感技術(shù)可以對學(xué)習(xí)者的注意力、課堂投入感、認(rèn)知負(fù)荷和創(chuàng)造力等狀態(tài)進(jìn)行客觀有效的測量與評估。

注意力是影響學(xué)習(xí)效果的重要因素，通常使用自我報告來衡量被試注意力的集中度，如用認(rèn)知失敗問卷（CFQ）來衡量人們無法持續(xù)關(guān)注所從事活動的頻率。但這種方法主觀性強(qiáng)，數(shù)據(jù)量有限，測量過程會中斷任務(wù)的執(zhí)行。在傳感技術(shù)中，自我報告一般作為輔助手段衡量注意力狀態(tài)。如Steil等人使用可穿戴頭部相機(jī)、移動手機(jī)和眼動儀獲取了20位在校大學(xué)生的所在環(huán)境位置信息、運(yùn)動模式、手機(jī)應(yīng)用軟件情況和眼部活動等數(shù)據(jù)，采用機(jī)器學(xué)習(xí)方法進(jìn)行數(shù)據(jù)集標(biāo)注和學(xué)習(xí)者建模，預(yù)測用戶在使用手機(jī)時的注意力轉(zhuǎn)移、注意力廣度和注意焦點的變化[15]，有助于感知學(xué)習(xí)者在移動學(xué)習(xí)中的認(rèn)知狀態(tài)和注意力變化，幫助學(xué)習(xí)者及時剖析自我、調(diào)整狀態(tài)，提高注意力水平和自我效能感。

投入感是衡量注意力的重要指標(biāo)，它表示學(xué)習(xí)者在學(xué)習(xí)、理解和掌握知識及學(xué)習(xí)過程中為取得成功的心理投入程度和學(xué)習(xí)的意愿、需求、欲望和沖動[16]。Csikszentmihalyi曾以心流來表示人們的投入感，即當(dāng)人們完全融入所從事的活動時所體驗的一種整體感受[17]。傳感技術(shù)可以將這種主觀感受通過身體動作和生理信息自動外顯化表示出來，如Monkaresi等人在寫作過程中引入基于視頻的方法自動檢測學(xué)生投入感，使用Microsoft Kinect傳感器記錄學(xué)習(xí)者的面部表情、聲音和上半身動作，并使用心率傳感裝置提取學(xué)習(xí)者的心率變化，在論文寫作過程中和之后分別收集實時性和回顧性的投入感自我報告，分別進(jìn)行機(jī)器學(xué)習(xí)建模，結(jié)果表示融合兩種自我報告的模型檢測效果最佳[18]。

認(rèn)知負(fù)荷理論認(rèn)為工作記憶是有限的，如果學(xué)習(xí)任務(wù)需要太多的記憶容量，學(xué)習(xí)速度會變慢，因此，認(rèn)知負(fù)荷與學(xué)習(xí)效率之間存在緊密聯(lián)系。認(rèn)知負(fù)荷的測量通常有主觀測量、行為表現(xiàn)測量和心理生理學(xué)測量[19]三種方式。傳感技術(shù)使心理、生理學(xué)測量方法的準(zhǔn)確率更高，操作更為便捷。其主要優(yōu)點在于測量的客觀性，對不同認(rèn)知過程的敏感性及過程的內(nèi)隱性和連續(xù)性[20]。如Haapalainen等人通過傳感設(shè)備測量人在執(zhí)行不同難度水平的任務(wù)時的心率變化、瞳孔大小、腦電信息、皮膚電導(dǎo)、熱通量和心電圖等生理信息，間接反應(yīng)認(rèn)知負(fù)荷的大小，結(jié)果顯示，熱通量和心電圖測量值在區(qū)分低水平和高水平認(rèn)知負(fù)荷時最準(zhǔn)確，組合使用時準(zhǔn)確度超過80%[21]。

創(chuàng)造力是21世紀(jì)的關(guān)鍵能力。盡管各行各業(yè)強(qiáng)調(diào)創(chuàng)造力的重要性，但是在實際教育中，它遠(yuǎn)沒有紀(jì)律受到的重視多[22]，大多數(shù)教師往往側(cè)重于知識獲取，而不是創(chuàng)造力等能力的培養(yǎng)。創(chuàng)造力一般使用人為的方式進(jìn)行評估，如創(chuàng)造性量表[23]，或構(gòu)造評估特定產(chǎn)品設(shè)計的創(chuàng)造力模型[24]，這種方法需要人為指定產(chǎn)品功能，因此，目前僅限于有限的概念空間?；趥鞲袛?shù)據(jù)的方法可以用來解決這一難題，如Lopata等人已經(jīng)證明腦電信號中的Alpha波能區(qū)分不同創(chuàng)造力，通過記錄腦電信號對比音樂家在高、低創(chuàng)造力需求的任務(wù)時的Alpha波活動差異，發(fā)現(xiàn)在創(chuàng)造力要求高的任務(wù)中Alpha波段更為活躍，且音樂家的Alpha波與個人表現(xiàn)的客觀評級之間顯著相關(guān)[25]。

（二）情感領(lǐng)域

情感體驗影響人類的認(rèn)知和決策過程，是影響學(xué)習(xí)的另一個重要因素，如自信、無聊和困惑是影響學(xué)業(yè)成績和預(yù)測學(xué)業(yè)表現(xiàn)的重要指標(biāo)[26-27]。因此，情緒識別是分析學(xué)習(xí)者情感狀態(tài)的重要研究領(lǐng)域。研究者們基于生理信號、身體動作、面部表情、語言信息、在線文本、互動日志和問卷量表數(shù)據(jù)開發(fā)了眾多的情緒識別系統(tǒng)，對一般的情緒有著較高的識別率。其中傳感技術(shù)是重要的情感識別手段，使用腦電、皮電和脈搏表等設(shè)備獲取生理信號，可穿戴動作傳感器捕獲學(xué)習(xí)者的動作信息，光學(xué)和深度相機(jī)記錄面部表情變化，結(jié)合多模信息提高情緒識別的準(zhǔn)確率，具體應(yīng)用見表2。

到目前為止，情緒識別技術(shù)發(fā)展純熟，根據(jù)Russell的情緒環(huán)狀模型[28]，正面情緒（驚奇、興奮、愉悅、滿足、放松）和負(fù)面情緒（恐懼、緊張、失望、悲痛、傷心、沮喪、無聊）幾乎涵蓋了人類所有的情緒表現(xiàn)。雖然情緒情感種類繁多、結(jié)構(gòu)復(fù)雜，但是教師和智能導(dǎo)師系統(tǒng)只需了解學(xué)習(xí)者最基本、最常見的情緒進(jìn)行智能決策[29]。

Isen等人指出，積極的情緒對學(xué)習(xí)過程具有促進(jìn)作用，特別是在創(chuàng)造力問題的解決方面[30]。而傳統(tǒng)上被認(rèn)為是消極的情緒在某些條件下也可能對學(xué)習(xí)產(chǎn)生正面影響，例如，困惑和緊張等，它們只有在發(fā)展到一定程度時才會對學(xué)習(xí)產(chǎn)生負(fù)面影響。所以，當(dāng)系統(tǒng)檢測到學(xué)生處于負(fù)面情緒或情感體驗持續(xù)較低時，相應(yīng)的反饋和調(diào)節(jié)至關(guān)重要。如將感知到的情感信息整合到e-Learning平臺上，根據(jù)學(xué)習(xí)者的情緒狀態(tài)定制不同學(xué)習(xí)材料，提高學(xué)習(xí)體驗;教師根據(jù)學(xué)習(xí)者情緒反應(yīng)，調(diào)節(jié)教學(xué)進(jìn)程，提高學(xué)習(xí)效率。

（三）動作技能領(lǐng)域

人體動作識別技術(shù)是傳感技術(shù)在行為活動領(lǐng)域應(yīng)用的基礎(chǔ)。人體動作識別主要有基于視覺傳感和基于慣性傳感兩種類型。視覺傳感主要使用RGB光學(xué)相機(jī)、3D立體相機(jī)和深度傳感器如Microsoft Kinect和Asus Xtion Pro等記錄身體動作?；谝曈X的人類行為識別易于操作，捕獲信息豐富，但識別性能受相機(jī)位置、主體活動范圍、拍攝背景的影響;基于慣性傳感的動作識別主要使用加速度計、陀螺儀和磁力計等可穿戴設(shè)備記錄佩戴者的運(yùn)動信息。這種方法不受時空限制，能長期記錄和持續(xù)交互，但是也有自身的局限性，如長期使用導(dǎo)致傳感設(shè)備損耗，測量準(zhǔn)確率下降等。所以Chen等人開始將兩種類型的傳感技術(shù)相融合，提高動作識別的準(zhǔn)確率[31-33]。

目前該領(lǐng)域的研究大都集中在低層次的基本動作識別上，如站、坐、走、跑、抬頭、閱讀、舉手等，或者多個簡單動作序列的識別。簡單的非言語行為對于學(xué)習(xí)支持起到一定的解釋作用，但是人們越來越關(guān)心學(xué)習(xí)者的動作與認(rèn)知和情感等高級心理機(jī)制之間的關(guān)系[34]，通過學(xué)習(xí)者不同的動作行為表征他們的認(rèn)知狀態(tài)和情感體驗。除此之外，基于傳感數(shù)據(jù)的動作識別在體育運(yùn)動中可以提高運(yùn)動員的動作技能，通過識別運(yùn)動員的關(guān)鍵動作，判斷他們的動作的精確度、力度和穩(wěn)定性，推薦個性化訓(xùn)練指導(dǎo)，發(fā)揮智能導(dǎo)師作用。

五、總結(jié)與展望

隨著傳感技術(shù)、網(wǎng)絡(luò)通信、人工智能等技術(shù)的發(fā)展，學(xué)習(xí)環(huán)境也發(fā)生了巨大變化，由最初固定的學(xué)習(xí)環(huán)境發(fā)展為移動學(xué)習(xí)和隨時隨地的學(xué)習(xí)。多種傳感設(shè)備的有效結(jié)合可以形成功能強(qiáng)大的傳感網(wǎng)絡(luò)，以非侵入式的方式實時采集學(xué)習(xí)者的多維數(shù)據(jù)，診斷學(xué)習(xí)者現(xiàn)存的或潛在的問題，通過個性化的評價與反饋為學(xué)習(xí)提供有力支持。

學(xué)習(xí)分析強(qiáng)調(diào)基于數(shù)據(jù)的學(xué)習(xí)描述、診斷、預(yù)測和干預(yù)，結(jié)合應(yīng)用現(xiàn)狀發(fā)現(xiàn)，當(dāng)前基于傳感數(shù)據(jù)的學(xué)習(xí)分析仍存在諸多問題與挑戰(zhàn)。在數(shù)據(jù)采集方面，為全面描述學(xué)習(xí)行為，一般采用傳感數(shù)據(jù)與自我報告相結(jié)合的方法，數(shù)據(jù)在真實無感與全面準(zhǔn)確之間難以兼顧;在模型建立方面，機(jī)器學(xué)習(xí)模型的擬合度不高，且目前大多數(shù)采用監(jiān)督機(jī)器學(xué)習(xí)的方式訓(xùn)練模型，標(biāo)簽成本較大;在反饋回應(yīng)方面，現(xiàn)有的反饋形式相對單一，且個性化反饋程度較差。未來的相關(guān)研究還可以在以下方面進(jìn)行突破。首先，在量化學(xué)習(xí)行為方面，將線上和線下發(fā)生的所有學(xué)習(xí)行為通過傳感手段進(jìn)行自然的伴隨式采集，同時，將一些定性的數(shù)據(jù)進(jìn)行科學(xué)準(zhǔn)確的量化表達(dá);其次，目前尚缺乏融合多影響因素的數(shù)據(jù)關(guān)聯(lián)模型與精準(zhǔn)分析，需進(jìn)一步改進(jìn)和優(yōu)化數(shù)據(jù)模型，提高預(yù)測的準(zhǔn)確性;最后，如何利用傳感數(shù)據(jù)的過程性反饋優(yōu)勢，在學(xué)習(xí)過程中進(jìn)行個性化的干預(yù)，如何把握干預(yù)的方式、時機(jī)與場景以實現(xiàn)有效的反饋都需要深入探究。

[參考文獻(xiàn)]

[1] SIEMENS G. Learning and knowledge analytics- knewton-the future of education？[EB/OL].[2011-04-14]. http：//www.learninganalytics.net/ ？p=126.

[2] ARNOLD K E， PISTILLI M D. Course signals at purdue： using learning analytics to increase student success[C]//Proceedings of the 2nd international conference on learning analytics and knowledge. New York： ACM， 2012： 267-270.

[3] DYCKHOFF A L， ZIELKE D， BULTMANN M， et al. Design and implementation of a learning analytics toolkit for teachers[J]. Educational technology & society， 2012， 15（3）：58-76.

[4] 劉三女牙，李卿，孫建文，劉智.量化學(xué)習(xí)：數(shù)字化學(xué)習(xí)發(fā)展前瞻[J].教育研究，2016（7）：119-126.

[5] 徐曉青，趙蔚，劉紅霞.混合式學(xué)習(xí)環(huán)境下情緒分析應(yīng)用與模型研究——基于元分析的視角[J].電化教育研究，2018，39（8）：70-77.

[6] 張琪，武法提.學(xué)習(xí)分析中的生物數(shù)據(jù)表征——眼動與多模態(tài)技術(shù)應(yīng)用前瞻[J].電化教育研究，2016，37（9）：76-81.

[7] 李香勇，左明章，王志鋒. 學(xué)習(xí)分析的研究現(xiàn)狀與未來展望——2016年學(xué)習(xí)分析和知識國際會議述評[J]. 開放教育研究，2017，23（1）：46-55.

[8] 吳永和，李若晨，王浩楠. 學(xué)習(xí)分析研究的現(xiàn)狀與未來發(fā)展——2017年學(xué)習(xí)分析與知識國際會議評析[J]. 開放教育研究，2017，23（5）：42-56.

[9] SWAN M. Sensor mania！ The internet of things， wearable computing， objective metrics， and the quantified self 2.0[J]. Journal of sensor and actuator networks， 2012，1（3）：217-253.

[10] TH？譈S H， CHATTI M A， YALCIN E， et al. Mobile learning in context[J]. International journal of technology enhanced learning， 2012，4（5/6）：332-344.

[11] VANLEHN K， ZHANG L， BURLSON W， et al. Can an non-cognitive learning companion increase the effectiveness of a meta-cognitive learning strategy？[J]. IEEE transactions on learning technologies， 2017，10（3）：277-289.

[12] CATRYSSE L， GIJBELS D， DONCHE V， et al. How are learning strategies reflected in the eyes？ Combining results from self‐reports and eye‐tracking[J]. British journal of educational psychology， 2017，88（5）：118-137.

[13] TAELMAN J， VANDEPUT S， SPAEPEN A， et al. Influence of mental stress on heart rate and heart rate variability[C]//4th European Conference of the International Federation for Medical and Biological Engineering. Berlin， Heidelberg： Springer， 2009： 1366-1369.

[14] AFTANAS L I， GOLOCHEIKINE S A. Human anterior and frontal midline theta and lower alpha reflect emotionally positive state and internalized attention： high-resolution EEG investigation of meditation[J]. Neuroscience letters， 2001， 310（1）：57-60.

[15] STEIL J， M？譈LLER P， SUGANO Y， et al. Forecasting user attention during everyday mobile interactions using device-integrated and wearable sensors[C]//Proceedings of the 20th International Conference on Human-Computer Interaction with Mobile Devices and Services. New York： ACM， 2018.

[31] CHEN C， JAFARI R， KEHTARNAVAZ N. Improving human action recognition using fusion of depth camera and inertial sensors[J]. IEEE transactions on human-machine systems， 2015， 45（1）：51-61.

[32] CHEN C， JAFARI R， KEHTARNAVAZ N. A real-time human action recognition system using depth and inertial sensor fusion[J]. IEEE sensors journal， 2016， 16（3）：773-781.

[33] CHEN C， JAFARI R， KEHTARNAVAZ N. A survey of depth and inertial sensor fusion for human action recognition[J]. Multimedia tools & applications， 2017， 76（3）：4405-4425.

[34] BOWMAN L C， THORPE S G， CANNON E N， et al. Action mechanisms for social cognition： behavioral and neural correlates of developing theory of mind[J]. Developmental science， 2017， 20（5）： 1-16.

[35] SUN C Y， YEH P C. The effects of attention monitoring with EEG biofeedback on university students' attention and self-efficacy： the case of anti-phishing instructional materials[J]. Computers & Education， 2017， 106：73-82.

[36] GHERGULESCU I， MUNTEAN C H. ToTCompute： a novel EEG-based timeontask threshold computation mechanism for engagement modelling and monitoring[J]. International journal of artificial intelligence in education， 2016， 26（3）：821-854.

[37] MOSTOW J， CHANG K， NELSON J. Toward exploiting EEG input in a reading tutor[J]. International journal of artificial intelligence in education， 2013， 22（1-2）：19-38.

[38] MULDNER K， BURLESON W. Utilizing sensor data to model students creativity in a digital environment[J]. Computers in human behavior， 2015（42）：127-137.

[39] MITRI D D， KLEMKE R， DRACHSLER H， et al. Towards a real-time feedback system based on analysis of multimodal data[C]//European Conference on Technology Enhanced Learning， 2017.

[40] RACHURI K K， MASCOLO C， RENTFROW P J， et al. Mobile sensing at the service of mental well-being： a large-scale longitudinal study[C]//Proceedings of the 26th International Conference on World Wide Web. International World Wide Web Conferences Steering Committee， 2017： 103-112.

[41] CHEN C M， LEE T H. Emotion recognition and communication for reducing second‐language speaking anxiety in a web‐based one‐to‐one synchronous learning environment[J]. British journal of educational technology， 2011， 42（3）： 417-440.

[42] PRIETO L P， SHARMA K， DILLENBOURG P. Teaching analytics： towards automatic extraction of orchestration graphs using wearable sensors[C]//Proceedings of the Sixth International Conference on Learning Analytics & Knowledge. New York：ACM， 2016： 148-157.

[43] PIRKL G， HEVESI P， LUKOWICZ P， et al. Any problems？ A wearable sensor-based platform for representational learning-analytics[C]//Proceedings of the 2016 ACM International Joint Conference on Pervasive and Ubiquitous Computing： Adjunct. New York：ACM， 2016： 353-356.

[44] ANZULEWICZ A， SOBOTA K， DELAFIELDBUTT J T. Toward the autism motor signature： gesture patterns during smart tablet gameplay identify children with autism[J]. Scientific reports， 2016， 6， 31107： 1-13.

[45] LU Y， ZHANG S， ZHANG Z， et al. A framework for learning analytics using commodity wearable devices[J]. Sensors， 2017， 17（6）， 1382： 1-25.