學(xué)習(xí)投入的多模態(tài)數(shù)據(jù)表征：支撐理論、研究框架與關(guān)鍵技術(shù)

張琪 王紅梅

[摘? ?要] 多模態(tài)數(shù)據(jù)建模已成為洞察學(xué)習(xí)規(guī)律的新范式。研究梳理了學(xué)習(xí)投入的概念演進(jìn)與評(píng)測(cè)方法，從經(jīng)典教育學(xué)理論、教育神經(jīng)科學(xué)、具身認(rèn)知理論以及量化學(xué)習(xí)視角闡釋了學(xué)習(xí)投入的內(nèi)在機(jī)制、研究范式、研究方法與技術(shù)前景，構(gòu)建多模態(tài)數(shù)據(jù)表征學(xué)習(xí)投入的理論基礎(chǔ)。在此基礎(chǔ)上，分析了學(xué)習(xí)投入的發(fā)生機(jī)制，提出從情感狀態(tài)、認(rèn)知參與狀態(tài)以及與學(xué)習(xí)環(huán)境互動(dòng)產(chǎn)生的行為綜合表征學(xué)習(xí)投入的觀點(diǎn)。建立包含學(xué)習(xí)者瞬時(shí)行為數(shù)據(jù)、內(nèi)容交互數(shù)據(jù)、情境互動(dòng)數(shù)據(jù)的分析框架，圍繞學(xué)習(xí)行為建模、模態(tài)傳感器建模、算法模型以及新技術(shù)的介入四個(gè)方面討論多模態(tài)數(shù)據(jù)建模的關(guān)鍵技術(shù)。通過(guò)多模態(tài)數(shù)據(jù)的整合分析，結(jié)合機(jī)器學(xué)習(xí)方法，可分析學(xué)習(xí)投入的細(xì)粒度指標(biāo)以及在不同場(chǎng)景中的建模過(guò)程，超越獨(dú)立數(shù)據(jù)源難以整合關(guān)聯(lián)的問(wèn)題，最終實(shí)現(xiàn)探索教育智能時(shí)代的學(xué)習(xí)規(guī)律、改善學(xué)習(xí)的目的。

[關(guān)鍵詞] 學(xué)習(xí)投入; 多模態(tài); 數(shù)據(jù)表征; 關(guān)鍵技術(shù); 學(xué)習(xí)分析

[中圖分類(lèi)號(hào)] G434? ? ? ? ? ? [文獻(xiàn)標(biāo)志碼] A

[作者簡(jiǎn)介] 張琪（1980—），男，江蘇徐州人。副教授，博士，主要從事學(xué)習(xí)分析與教育智能的研究。E-mail：zqzqhata@sina.com。

一、引? ?言

學(xué)習(xí)有效性是學(xué)習(xí)研究和教育實(shí)踐關(guān)注的核心問(wèn)題[1]。智能教育新時(shí)期，教育變革的關(guān)鍵在于對(duì)“互聯(lián)網(wǎng)+環(huán)境中的學(xué)習(xí)本質(zhì)”這一問(wèn)題的深入認(rèn)識(shí)，學(xué)習(xí)投入的研究日益受到重視。作為學(xué)習(xí)分析與評(píng)測(cè)的核心研究領(lǐng)域，學(xué)習(xí)投入是指學(xué)習(xí)者在學(xué)習(xí)過(guò)程中表現(xiàn)出來(lái)的充沛精力、靈活性、熱情以及心理韌性[2]，是評(píng)價(jià)教育質(zhì)量的核心要素，是解決學(xué)習(xí)低績(jī)效、學(xué)習(xí)倦怠[3]、高輟學(xué)率[4-5]以及預(yù)測(cè)學(xué)習(xí)者未來(lái)成就[6]的重要的研究領(lǐng)域。

已有大量研究對(duì)學(xué)習(xí)投入的概念與理論體系展開(kāi)了歸納梳理，但學(xué)習(xí)投入的表征與量化研究依然稀缺。迄今為止，學(xué)習(xí)投入評(píng)測(cè)方法還僅限于對(duì)傳統(tǒng)措施或混合方法的有限改進(jìn)[7]。學(xué)習(xí)投入在科學(xué)的方法運(yùn)用、建立具備信效度以及可操作性評(píng)測(cè)體系方面的研究依然處在探索階段。其在實(shí)踐中涉及的系列問(wèn)題，必須整合來(lái)自信息科學(xué)、計(jì)算機(jī)科學(xué)、教育學(xué)、神經(jīng)科學(xué)、腦科學(xué)等多學(xué)科領(lǐng)域的知識(shí)才可能破解[8]。從跨學(xué)科層面統(tǒng)籌教育技術(shù)研究，展開(kāi)多學(xué)科協(xié)同研究，對(duì)推動(dòng)學(xué)習(xí)投入的發(fā)展具有極其重要的作用。

基于生物數(shù)據(jù)的多模態(tài)學(xué)習(xí)數(shù)據(jù)建模已成為洞察學(xué)習(xí)規(guī)律的新范式[9]，為認(rèn)識(shí)學(xué)習(xí)投入的機(jī)制、發(fā)現(xiàn)其規(guī)律以及開(kāi)發(fā)相應(yīng)的評(píng)測(cè)系統(tǒng)提供了可能。多模態(tài)數(shù)據(jù)支持和跨學(xué)科技術(shù)支持極大地拓展了學(xué)習(xí)投入的研究方法和應(yīng)用領(lǐng)域，學(xué)習(xí)投入的深度應(yīng)用將進(jìn)一步推動(dòng)以數(shù)據(jù)驅(qū)動(dòng)范式探究學(xué)習(xí)本質(zhì)與規(guī)律的研究。

二、學(xué)習(xí)投入研究脈絡(luò)

（一）概念演進(jìn)

有意義的學(xué)習(xí)皆需要持續(xù)的投入，這一論斷已經(jīng)得到研究者、實(shí)踐者和政策制定者的普遍認(rèn)同[10]。學(xué)習(xí)投入的研究源于學(xué)習(xí)時(shí)間對(duì)學(xué)生成績(jī)的影響[11]，即與輟學(xué)率、心理游離、學(xué)業(yè)倦怠相關(guān)的處方性概念，被界定為學(xué)生理解、掌握知識(shí)與技能以及促進(jìn)學(xué)習(xí)的行為與時(shí)間努力。Finn基于學(xué)業(yè)完成視角提出的“參與—認(rèn)同”模型是用來(lái)闡釋學(xué)習(xí)投入的開(kāi)創(chuàng)性理論[12]。該模型描述了學(xué)習(xí)行為開(kāi)始的周期，以及隨著時(shí)間推移造成學(xué)習(xí)者與環(huán)境之間的相互聯(lián)系，描述了學(xué)習(xí)行為影響學(xué)術(shù)成功的內(nèi)在機(jī)制。根據(jù)這一理論，輟學(xué)和完成學(xué)業(yè)不是獨(dú)立事件，而是學(xué)習(xí)投入或未投入的長(zhǎng)期結(jié)果。學(xué)習(xí)投入包括基本的學(xué)習(xí)行為（關(guān)注教師、提出問(wèn)題、完成作業(yè)等）、主動(dòng)學(xué)習(xí)行為（從事學(xué)習(xí)活動(dòng)、參與更多工作、用新方法學(xué)習(xí)課程材料）以及從事學(xué)術(shù)課外活動(dòng)。

隨著學(xué)習(xí)投入研究的深入，越來(lái)越多的學(xué)者意識(shí)到努力程度、情感體驗(yàn)等心理投入的重要性。Jimerson等發(fā)現(xiàn)，大部分投入模型要素可以分類(lèi)為行為與情感的組合，即投入不僅具有整體意義，而且還融合了可區(qū)分的特征[13];Fredricks等在此基礎(chǔ)上，認(rèn)為投入是學(xué)習(xí)者動(dòng)機(jī)發(fā)展模式的行動(dòng)組成部分，投入的動(dòng)機(jī)模型不僅包括行為，而且還包括情感和認(rèn)知取向[14]。學(xué)習(xí)投入是一個(gè)元結(jié)構(gòu)概念，是指學(xué)習(xí)者與學(xué)術(shù)任務(wù)實(shí)際交互的質(zhì)量，有針對(duì)性的持續(xù)行動(dòng)或可觀察的素養(yǎng)。綜合上述研究，對(duì)學(xué)習(xí)投入的三個(gè)維度做如下界定：

學(xué)習(xí)行為投入：指面對(duì)學(xué)習(xí)障礙或困難時(shí)表現(xiàn)出的積極、持久且有效的行為狀態(tài)，其本質(zhì)特征是整合認(rèn)知與元認(rèn)知策略的適應(yīng)性調(diào)節(jié)學(xué)習(xí)行為。包括持續(xù)性、反思性、主動(dòng)性與專(zhuān)注性四個(gè)維度[15]。

學(xué)習(xí)認(rèn)知投入：指為了確保達(dá)到學(xué)習(xí)目標(biāo)的心理努力程度。包含認(rèn)知策略以及元認(rèn)知策略的使用，表現(xiàn)為通過(guò)澄清概念、提出問(wèn)題、努力完成任務(wù)、自我調(diào)節(jié)等認(rèn)知策略來(lái)調(diào)節(jié)學(xué)習(xí)過(guò)程。

學(xué)習(xí)情感投入：指學(xué)習(xí)情緒反應(yīng)水平的表達(dá)，是涉及學(xué)習(xí)過(guò)程并且在參與有價(jià)值活動(dòng)時(shí)產(chǎn)生的心理感受，包括熱情、享受、樂(lè)趣、興趣與滿(mǎn)足感。情感投入也包括反向投入，如情緒不滿(mǎn)、悲傷與沮喪等。情感投入為學(xué)習(xí)行為提供了先導(dǎo)動(dòng)力，有助于學(xué)習(xí)者對(duì)學(xué)習(xí)任務(wù)進(jìn)行深層次的認(rèn)知加工。

（二）學(xué)習(xí)投入的測(cè)量

學(xué)習(xí)投入的測(cè)量方法通常圍繞投入與“脫離”投入狀態(tài)的相關(guān)指標(biāo)展開(kāi)，或者通過(guò)學(xué)習(xí)者問(wèn)題解決過(guò)程的不同維度進(jìn)行評(píng)價(jià)。例如：行為投入的評(píng)估多是對(duì)學(xué)生回答、討論和使用工具等外顯學(xué)習(xí)行為表現(xiàn)進(jìn)行分類(lèi)與歸納;認(rèn)知投入的評(píng)估則利用問(wèn)卷量表或有聲思維法讓學(xué)習(xí)者對(duì)問(wèn)題解決的過(guò)程進(jìn)行回憶;用于評(píng)估情感投入的自我報(bào)告工具，通常包括關(guān)于歸屬感、情緒狀態(tài)以及交往關(guān)系等問(wèn)題。鑒于直接評(píng)估內(nèi)部狀態(tài)的困難性[16]，認(rèn)知與情感投入評(píng)測(cè)通常需要間接措施，且需要占用被試者的大量時(shí)間，成功與否也在很大程度上取決于評(píng)價(jià)量規(guī)的信效度以及參與者的配合程度。也有研究者試圖通過(guò)將自動(dòng)數(shù)據(jù)采集與半自動(dòng)化或手動(dòng)數(shù)據(jù)編碼相結(jié)合來(lái)規(guī)避觀測(cè)方法的一些局限性，但相關(guān)研究極其有限。

對(duì)于學(xué)習(xí)投入的評(píng)測(cè)，重要的是要區(qū)分不同層次和時(shí)期的投入程度。例如，特定學(xué)科領(lǐng)域的即時(shí)任務(wù)投入與長(zhǎng)期投入狀態(tài)。鑒于評(píng)測(cè)方法的制約，現(xiàn)有的評(píng)測(cè)體系多為寬泛的整體性評(píng)價(jià)，很少關(guān)注具體的任務(wù)、科目或?qū)W習(xí)情境。結(jié)合特定領(lǐng)域、不同層次之間的評(píng)測(cè)框架將有助于解決這一問(wèn)題。例如，利用經(jīng)驗(yàn)抽樣或定期記錄等方法可以幫助研究者了解不同投入維度的即時(shí)狀態(tài)。隨著時(shí)間的推移，這些即時(shí)的投入體驗(yàn)將融入特定學(xué)科領(lǐng)域，從而產(chǎn)生“整合性”投入。

三、多模態(tài)數(shù)據(jù)表征學(xué)習(xí)投入的理論基礎(chǔ)

學(xué)習(xí)投入建模需要借鑒信息科學(xué)、腦科學(xué)的新方法填補(bǔ)在教育測(cè)量方面的差距，需要采取創(chuàng)新措施特別是微觀層面的研究以補(bǔ)充現(xiàn)有的宏觀框架。多模態(tài)整合分析意味著按照人的多重感知模式分析生物信號(hào)，同步處理學(xué)習(xí)者不同模態(tài)的數(shù)據(jù)，能夠更深入地揭示學(xué)習(xí)者的信息感知和認(rèn)知加工規(guī)律，進(jìn)而深刻、全面地刻畫(huà)學(xué)習(xí)投入的本質(zhì)特征。

（一）經(jīng)典教育學(xué)理論闡明了學(xué)習(xí)投入的內(nèi)在機(jī)制

經(jīng)典教育學(xué)理論為學(xué)習(xí)投入不同層面的研究提供了給養(yǎng)。其中，自我決定理論、“控制—價(jià)值”理論側(cè)重于闡釋學(xué)習(xí)投入的前兆和發(fā)生機(jī)制;“互動(dòng)反饋效應(yīng)”則試圖解釋學(xué)習(xí)成敗的基本心理特征以及學(xué)習(xí)投入的變化過(guò)程。

1. 自我決定理論

自我決定理論（Self-determination Theory）是利用傳統(tǒng)經(jīng)驗(yàn)范式構(gòu)建并指導(dǎo)投入發(fā)生的動(dòng)機(jī)理論。其核心思想是，當(dāng)學(xué)習(xí)需求被社會(huì)環(huán)境或活動(dòng)所滿(mǎn)足時(shí)，學(xué)習(xí)者就會(huì)與學(xué)習(xí)環(huán)境進(jìn)行建設(shè)性互動(dòng)，進(jìn)而產(chǎn)生高質(zhì)量投入。從這個(gè)意義上來(lái)說(shuō)，自我決定理論將重點(diǎn)集中在行為投入的前身，并假設(shè)當(dāng)環(huán)境滿(mǎn)足個(gè)人能力需求、歸屬需求和自主需求時(shí)，積極投入是最有可能出現(xiàn)的。從這個(gè)角度看，學(xué)習(xí)者有時(shí)會(huì)出現(xiàn)缺乏自我激勵(lì)、心理茫然失措的情況，或者產(chǎn)生逃避、倦怠的行為，而內(nèi)在動(dòng)機(jī)是調(diào)和與解決這些問(wèn)題的關(guān)鍵。合理的組織結(jié)構(gòu)、來(lái)自教師或同伴的關(guān)懷以及對(duì)個(gè)體自主性的支持將促進(jìn)學(xué)習(xí)者表現(xiàn)出更高的課堂參與度、學(xué)習(xí)滿(mǎn)足和控制力，從而產(chǎn)生高質(zhì)量的學(xué)習(xí)投入[17]。

2. “控制—價(jià)值”理論

教育環(huán)境是情感體驗(yàn)的重要來(lái)源之一。學(xué)習(xí)情感受到學(xué)習(xí)經(jīng)歷與學(xué)習(xí)成敗的影響，而這些狀態(tài)反過(guò)來(lái)又會(huì)影響學(xué)習(xí)者的判斷和歸因，影響其學(xué)習(xí)動(dòng)機(jī)、學(xué)習(xí)行為與學(xué)習(xí)成就。Pekrun提出的“控制—價(jià)值”理論（Control-Value Theory）闡釋了認(rèn)知評(píng)價(jià)與學(xué)習(xí)情感的關(guān)系[18]。認(rèn)知評(píng)價(jià)包括個(gè)體的主觀控制感和主觀價(jià)值感。主觀控制感是對(duì)學(xué)習(xí)者能否掌握學(xué)習(xí)內(nèi)容的評(píng)估，包括對(duì)學(xué)習(xí)行動(dòng)能否順利發(fā)起與執(zhí)行的評(píng)估;對(duì)學(xué)習(xí)行動(dòng)產(chǎn)生不同結(jié)果的評(píng)估，即行動(dòng)結(jié)果預(yù)期。主觀價(jià)值感是對(duì)學(xué)習(xí)活動(dòng)和結(jié)果的價(jià)值判斷，也包括對(duì)學(xué)習(xí)任務(wù)有用性與重要性的評(píng)價(jià)。

3. 互動(dòng)反饋效應(yīng)

根據(jù)互動(dòng)反饋效應(yīng)（Interactive Feedback Effect），學(xué)習(xí)環(huán)境通過(guò)包含人際交往、結(jié)構(gòu)化信息與自主支持的差異性給養(yǎng)滿(mǎn)足了學(xué)習(xí)者多元心理需求?；谝延袑W(xué)習(xí)經(jīng)驗(yàn)，學(xué)習(xí)者在自我整合的過(guò)程中展開(kāi)學(xué)習(xí)，為學(xué)習(xí)投入提供了動(dòng)機(jī)基礎(chǔ)，并促進(jìn)學(xué)習(xí)結(jié)果的達(dá)成。圖1 從“情境—反饋”的系統(tǒng)視角揭示了學(xué)習(xí)投入的產(chǎn)生與變化過(guò)程[19]?？梢钥闯觯瑢W(xué)習(xí)情境的人際適應(yīng)性、信息關(guān)系以及自主性影響關(guān)系需求、自我效能感與自主學(xué)習(xí)能力，學(xué)習(xí)者在適應(yīng)新情境或遇到不適應(yīng)情境時(shí)容易產(chǎn)生學(xué)習(xí)投入或?qū)W習(xí)倦怠。在互動(dòng)反饋效應(yīng)的作用下，學(xué)習(xí)投入不僅有助于促進(jìn)學(xué)習(xí)者的后續(xù)學(xué)習(xí)和表現(xiàn)，而且與環(huán)境、教師、同伴、個(gè)體和行動(dòng)之間會(huì)產(chǎn)生互惠的關(guān)系。

（二）教育神經(jīng)科學(xué)提供了跨學(xué)科的研究范式

教育神經(jīng)科學(xué)將傳統(tǒng)意義上被孤立與分離的腦認(rèn)知科學(xué)與教育研究整合起來(lái)，基于跨學(xué)科整合視角為學(xué)習(xí)投入的研究提供了范式指南。教育神經(jīng)科學(xué)認(rèn)為，神經(jīng)元之間突觸的連接是學(xué)習(xí)的生物學(xué)依據(jù)，學(xué)習(xí)任務(wù)源自任務(wù)對(duì)大腦的需求，不同的任務(wù)指令引起大腦化學(xué)成分和神經(jīng)系統(tǒng)活動(dòng)的改變。學(xué)習(xí)投入的不同階段會(huì)伴隨著交感神經(jīng)和副交感神經(jīng)的相應(yīng)活動(dòng)變化，下丘腦負(fù)責(zé)整合調(diào)控自主神經(jīng)系統(tǒng)的活動(dòng)，并控制學(xué)習(xí)者的情感與行為表達(dá)，通過(guò)記錄皮膚導(dǎo)電率、眼動(dòng)、血壓、心電圖、近紅外光譜等，可以發(fā)現(xiàn)不同的投入水平存在特定的自主神經(jīng)與生理活動(dòng)模式。

教育神經(jīng)科學(xué)揭示了學(xué)習(xí)投入不同狀態(tài)的對(duì)應(yīng)生物標(biāo)記與學(xué)習(xí)認(rèn)知、情感之間的聯(lián)系。其基本假設(shè)是，反映不同投入維度的認(rèn)知和情感狀態(tài)與多個(gè)層次的反應(yīng)（神經(jīng)生物學(xué)、生理學(xué)、身體表達(dá)、學(xué)習(xí)行為、元認(rèn)知以及主觀感受）密切相關(guān)，反過(guò)來(lái)又以一種循環(huán)因果的方式影響學(xué)習(xí)投入本身[20]。

（三）具身認(rèn)知理論從微觀層面提供理論指引

具身認(rèn)知理論從可觀察到的身體反應(yīng)推斷不可觀察的心理狀態(tài)，認(rèn)為學(xué)習(xí)者心理狀態(tài)通過(guò)多種外顯行為表現(xiàn)出來(lái)，認(rèn)知和情感是為行為服務(wù)的，身體是行為的代理人[21]，從而提供了不同時(shí)間節(jié)點(diǎn)上學(xué)習(xí)投入相應(yīng)維度的連續(xù)評(píng)估依據(jù)。如高學(xué)習(xí)投入期間交感神經(jīng)系統(tǒng)中的刺激增加[22]。此外，面部表情和情感狀態(tài)之間也存在明確的關(guān)系[23]。如在迷思過(guò)程中學(xué)習(xí)者的皺眉，達(dá)成任務(wù)時(shí)的眉毛揚(yáng)起等。也有研究確定了生理特征與認(rèn)知狀態(tài)的相關(guān)性。如眼動(dòng)特征與注意力的聯(lián)系[24]以及腦電與認(rèn)知負(fù)荷的關(guān)系[25]等。

具身認(rèn)知理論揭示了通過(guò)可觀察的生理響應(yīng)推斷不可觀察心理狀態(tài)的機(jī)制，是多模態(tài)數(shù)據(jù)表征學(xué)習(xí)投入的重要理論依據(jù)。其中，一些反應(yīng)是無(wú)意識(shí)的，如避讓、情緒傳染、應(yīng)急反應(yīng)等;另一些則具有明確的指向性，如元認(rèn)知反射與主觀感受等。

（四）量化學(xué)習(xí)為精準(zhǔn)刻畫(huà)學(xué)習(xí)投入提供技術(shù)支撐

傳統(tǒng)的學(xué)習(xí)投入評(píng)測(cè)數(shù)據(jù)主要來(lái)自對(duì)課堂與學(xué)習(xí)環(huán)境的人工標(biāo)注，鮮有對(duì)學(xué)習(xí)過(guò)程中不同層面數(shù)據(jù)的連續(xù)捕捉，尤其缺少細(xì)粒度的微觀數(shù)據(jù)。量化學(xué)習(xí)技術(shù)提供了一種支持現(xiàn)實(shí)環(huán)境中采集教育數(shù)據(jù)的新方式，有助于補(bǔ)充與完善傳統(tǒng)學(xué)習(xí)投入評(píng)估的缺陷和不足。量化學(xué)習(xí)的核心是全面地分析過(guò)程性數(shù)據(jù)，并以互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、智能設(shè)備作為信息獲取和交互的載體，利用無(wú)所不在的處理能力、共享的教育云平臺(tái)，在學(xué)習(xí)分析技術(shù)的深度協(xié)同作用下，構(gòu)建有效模型，深入刻畫(huà)學(xué)習(xí)者及其學(xué)習(xí)過(guò)程。隨著便攜腦電（PEEG）、腦機(jī)接口（BCI）與自然用戶(hù)界面（NUI）的成熟，更自然、深入、精確的考察學(xué)習(xí)過(guò)程成為可能。

多模態(tài)數(shù)據(jù)表征學(xué)習(xí)投入的典型特征是各模態(tài)數(shù)據(jù)特征的整合，其原始時(shí)間序列通常沒(méi)有直接的語(yǔ)義含義，也缺乏這些特征如何相互作用的假說(shuō)。如果沒(méi)有有效的理論模型與計(jì)算模型，則無(wú)法分析有意義的信息。經(jīng)典教育學(xué)理論從一定程度上描述了投入建模中可能涉及的特征，有利于闡釋學(xué)習(xí)投入的內(nèi)在機(jī)制，進(jìn)而建立整合結(jié)構(gòu)的分析模型。量化學(xué)習(xí)提供了對(duì)數(shù)據(jù)采集與分析的有效方法。一方面，海量的多模態(tài)數(shù)據(jù)需進(jìn)行預(yù)處理以提取機(jī)器特征。例如來(lái)自視覺(jué)模態(tài)中的方向梯度直方圖（HOG），可以計(jì)算局部圖像梯度的方向信息統(tǒng)計(jì)值以作為面部特征的描述。另一方面，把學(xué)習(xí)產(chǎn)生的實(shí)時(shí)、連續(xù)個(gè)人生活數(shù)據(jù)和學(xué)習(xí)分析數(shù)據(jù)結(jié)合起來(lái)進(jìn)行科學(xué)闡釋?zhuān)梢越沂緦W(xué)習(xí)者生活方式或環(huán)境因素對(duì)學(xué)習(xí)效果的影響，有助于深化學(xué)習(xí)投入的研究。教育神經(jīng)科學(xué)和具身認(rèn)知理論則給出了具有語(yǔ)義含義的生物特征。如面部表情、手勢(shì)、姿態(tài)和語(yǔ)音韻律的潛在語(yǔ)義?；谏鲜鏊枷?，底層特征和低階意義表征的數(shù)據(jù)被動(dòng)態(tài)建模，以生成學(xué)習(xí)狀態(tài)的整體度量，根據(jù)特定理論框架可以構(gòu)建稱(chēng)為高級(jí)解釋的投入指標(biāo)。

四、多模態(tài)技術(shù)表征學(xué)習(xí)投入的研究框架

（一）學(xué)習(xí)投入的發(fā)生機(jī)制

“互聯(lián)網(wǎng)+”環(huán)境中學(xué)習(xí)投入的發(fā)生機(jī)制研究是學(xué)習(xí)投入評(píng)測(cè)與建模的基礎(chǔ)。首先，應(yīng)考察學(xué)習(xí)投入的發(fā)生情境，從活動(dòng)系統(tǒng)的視角探究框架內(nèi)部存在哪些要素，探尋各部分的運(yùn)作機(jī)制，以深入把握在線(xiàn)學(xué)習(xí)投入的本質(zhì)、內(nèi)涵和命題網(wǎng)絡(luò)。重點(diǎn)考慮以下三個(gè)方面：一是從學(xué)習(xí)者、平臺(tái)、資源、工具、共同體、活動(dòng)、行為等組成的系統(tǒng)中分析各要素之間的靜態(tài)結(jié)構(gòu)以及動(dòng)態(tài)演進(jìn)關(guān)系;二是借鑒自我決定理論、成就目標(biāo)理論、自我調(diào)節(jié)理論，分析投入產(chǎn)生與維系的過(guò)程;三是結(jié)合特定的教學(xué)場(chǎng)景，考慮學(xué)習(xí)分析框架的可測(cè)量與可記錄結(jié)構(gòu)。

（二）學(xué)習(xí)投入分析框架

Newell和Anderson提出了“認(rèn)知頻譜”（Bands of Cognition）的概念，從生物、認(rèn)知、理性和社會(huì)維度界定學(xué)習(xí)行為[26-27]，為分層建模學(xué)習(xí)投入奠定了基礎(chǔ)。Sinatra等致力于推進(jìn)學(xué)習(xí)投入的分析框架，尤其是科學(xué)學(xué)習(xí)領(lǐng)域的投入評(píng)價(jià)研究，在界定投入維度的基礎(chǔ)上，基于分層分析視角提出“連續(xù)統(tǒng)一體”學(xué)習(xí)投入模型（The Continuum of Engagement Measurement），將投入度量置于多維圖譜之中[28]。該模型認(rèn)為，學(xué)習(xí)投入的評(píng)測(cè)應(yīng)從個(gè)體、情境以及個(gè)體與情境的交互三個(gè)層面展開(kāi)分析。其中，個(gè)體層面的分析側(cè)重于學(xué)習(xí)者認(rèn)知、情感與動(dòng)機(jī)的細(xì)粒度瞬時(shí)測(cè)量;面向情境的觀點(diǎn)強(qiáng)調(diào)環(huán)境背景作為分析單元，從宏觀層面分析環(huán)境結(jié)構(gòu)中的開(kāi)放性、結(jié)構(gòu)性、適用性以及技術(shù)特征;作為個(gè)體與情境交互的中間維度，則重點(diǎn)考量學(xué)習(xí)者的互動(dòng)、觀點(diǎn)、概念化程度等社會(huì)化特征。借鑒該模型，從操作性的角度，可以圍繞學(xué)習(xí)者的瞬時(shí)行為數(shù)據(jù)、學(xué)習(xí)者與內(nèi)容的交互數(shù)據(jù)、學(xué)習(xí)者與情境的互動(dòng)數(shù)據(jù)三個(gè)層面建立分析框架。

“連續(xù)統(tǒng)一體”模型對(duì)學(xué)習(xí)投入建模具有重要參考價(jià)值。該模型指出了學(xué)習(xí)投入的各維度之間會(huì)存在重疊，研究者應(yīng)首先確定學(xué)習(xí)投入的觀測(cè)邊界。當(dāng)融合不同的數(shù)據(jù)流時(shí)，應(yīng)重點(diǎn)考慮可以獲得以及預(yù)期呈現(xiàn)的“時(shí)間分辨率”。當(dāng)前，學(xué)習(xí)投入建模多集中在學(xué)習(xí)者完成具體任務(wù)的過(guò)程上，這位于“連續(xù)統(tǒng)一體”的末端。盡管學(xué)習(xí)者的行為是在情境中進(jìn)行的，但分析單位通常是單個(gè)學(xué)習(xí)者的認(rèn)知水平、情感狀態(tài)或動(dòng)機(jī)程度。在分析方式上，綜合使用生理指標(biāo)、行為建模、教師觀察、自我報(bào)告、學(xué)業(yè)成就、認(rèn)知或動(dòng)機(jī)量表等，通過(guò)“三角驗(yàn)證”克服主觀測(cè)量的“時(shí)間分離性”與“觀察者偏見(jiàn)”?！斑B續(xù)統(tǒng)一體”的另一極專(zhuān)注于提供或阻礙投入的學(xué)習(xí)平臺(tái)、校內(nèi)學(xué)習(xí)場(chǎng)景、社區(qū)乃至文化特征。通常利用相對(duì)宏觀的社會(huì)學(xué)理論、系統(tǒng)理論、生態(tài)學(xué)理論、活動(dòng)理論進(jìn)行闡釋。方法涉及話(huà)語(yǔ)分析、觀察法、教師評(píng)級(jí)、課堂編碼以及對(duì)社會(huì)文化背景的質(zhì)性分析，此方面的研究還比較少?！斑B續(xù)統(tǒng)一體”中間部分強(qiáng)調(diào)“置于情境中的研究者”（Person-in-context Perspective）視角，重點(diǎn)是描述交互本身，目標(biāo)是評(píng)估學(xué)習(xí)者如何與他人以及所在環(huán)境的不同維度之間展開(kāi)互動(dòng)，進(jìn)而產(chǎn)生特定類(lèi)型、層次或形式的投入。建模方法一般綜合利用經(jīng)驗(yàn)抽樣、動(dòng)作編碼、社會(huì)網(wǎng)絡(luò)分析以及話(huà)語(yǔ)分析法。其中，動(dòng)作編碼分析與經(jīng)驗(yàn)抽樣法值得關(guān)注。動(dòng)作編碼分析認(rèn)為，生物頻率中的學(xué)習(xí)者動(dòng)作很多是在無(wú)意識(shí)的非理性層面發(fā)生，而任務(wù)的完成通常與理性層面的人類(lèi)行為相關(guān)聯(lián)。在較長(zhǎng)時(shí)間尺度上發(fā)生的事件可以在較短時(shí)間尺度上分解為動(dòng)作，可以分別編碼闡釋其對(duì)應(yīng)的意義。經(jīng)驗(yàn)抽樣法是根據(jù)實(shí)驗(yàn)進(jìn)程設(shè)置反饋點(diǎn)，學(xué)習(xí)者收到呼叫后，需回應(yīng)所處狀態(tài)、活動(dòng)與情感反應(yīng)等問(wèn)題。該方法可以收集不同時(shí)段、不同情境中學(xué)習(xí)投入的變化情況，適用于混合學(xué)習(xí)環(huán)境、科學(xué)學(xué)習(xí)與工程實(shí)踐的復(fù)雜學(xué)習(xí)情境。

多模態(tài)數(shù)據(jù)表征的學(xué)習(xí)投入更加關(guān)注從秒到分的時(shí)間尺度，以及從微觀層面分析學(xué)習(xí)者個(gè)體與所處環(huán)境的互動(dòng)過(guò)程，這種研究范式有別于上下文中的個(gè)體分析，后者重點(diǎn)是強(qiáng)調(diào)個(gè)體分析而不是與環(huán)境的互動(dòng)過(guò)程。據(jù)此可將學(xué)習(xí)投入概念化為“學(xué)習(xí)者導(dǎo)向”的積極且專(zhuān)注的學(xué)習(xí)狀態(tài)?！皩W(xué)習(xí)者導(dǎo)向”強(qiáng)調(diào)不同時(shí)間維度上的特征以及與學(xué)習(xí)環(huán)境的交互性。一方面，研究者直接觀察和記錄學(xué)習(xí)者的外顯行為。便捷、低成本的自然語(yǔ)言處理方式為真實(shí)課堂環(huán)境中的學(xué)習(xí)行為數(shù)據(jù)采集提供了便利，在線(xiàn)學(xué)習(xí)環(huán)境中的點(diǎn)擊流數(shù)據(jù)也以時(shí)序?yàn)閱挝桓鼮橥暾乇挥涗浐痛鎯?chǔ)在數(shù)據(jù)庫(kù)中，可以對(duì)學(xué)習(xí)者的學(xué)習(xí)行為進(jìn)行編碼，追蹤其行為序列，探究其行為模式與規(guī)律。另一方面，可以利用傳感器從學(xué)習(xí)者的眼動(dòng)和表情等變化追蹤其潛在的思維活動(dòng)，監(jiān)測(cè)其生理反應(yīng)尤其是大腦活動(dòng)，結(jié)合學(xué)習(xí)者的話(huà)語(yǔ)和寫(xiě)作文本挖掘其內(nèi)隱的心理變化，從而為理解與改進(jìn)學(xué)習(xí)奠定了全維數(shù)據(jù)基礎(chǔ)。

五、學(xué)習(xí)投入數(shù)據(jù)建模的關(guān)鍵技術(shù)

（一）學(xué)習(xí)行為建模

學(xué)習(xí)行為建?；趯W(xué)習(xí)投入機(jī)制與理論模型的闡述，分析評(píng)測(cè)維度與學(xué)習(xí)活動(dòng)的相關(guān)關(guān)系，以探索行為指標(biāo)與不同學(xué)習(xí)場(chǎng)景中學(xué)習(xí)活動(dòng)的映射關(guān)系。當(dāng)前研究團(tuán)隊(duì)已建立了學(xué)習(xí)行為投入評(píng)測(cè)模型，并利用人格特質(zhì)對(duì)學(xué)習(xí)者進(jìn)行分類(lèi)，利用最優(yōu)化的機(jī)器學(xué)習(xí)算法進(jìn)行建模與可視化[29]。相對(duì)于較粗粒度的學(xué)習(xí)行為分析，學(xué)習(xí)行為序列是按照時(shí)間順序形成的行為次序，更能反映學(xué)習(xí)者的認(rèn)知過(guò)程與行為偏好。按照時(shí)間序列挖掘關(guān)鍵行為序列特征，使用量化的推論統(tǒng)計(jì)解釋行為序列的轉(zhuǎn)換，根據(jù)提取的行為特征分析學(xué)習(xí)者的行為轉(zhuǎn)換圖，可以對(duì)學(xué)習(xí)行為投入度進(jìn)行更為準(zhǔn)確的測(cè)量。

（二）模態(tài)傳感器建模

模態(tài)傳感器可以檢測(cè)與記錄可見(jiàn)行為、面部變化與環(huán)境背景信息，但更多地依賴(lài)于推理、解碼學(xué)習(xí)者的心理狀態(tài)[30]。通過(guò)腦電圖、眼動(dòng)指標(biāo)、紅外光譜技術(shù)可以測(cè)量超出人類(lèi)觀測(cè)范疇的個(gè)體生理與行為指標(biāo)，但同樣不能從測(cè)量的結(jié)果直接推斷精神狀態(tài)，也不能解釋不同情境下的相關(guān)線(xiàn)索。相反，學(xué)習(xí)個(gè)體對(duì)主觀感受、記憶、元認(rèn)知和一些生理反射具有獨(dú)特的敏感性，但目前還很難通過(guò)神經(jīng)生物學(xué)的變化來(lái)揭示。個(gè)體學(xué)習(xí)過(guò)程中的生物特征與投入指標(biāo)之間的相關(guān)關(guān)系還有待進(jìn)一步被闡明。

模態(tài)傳感器的輸出信號(hào)要經(jīng)歷去噪、濾波、平滑與特征提取的過(guò)程。對(duì)于攝像頭記錄的面部信號(hào)，通過(guò)視覺(jué)技術(shù)計(jì)算樣本特征，其特征包括特定面部的肌肉與動(dòng)作單位（如內(nèi)眉或唇褶）以及面部紋理在頭部的位置和方向;語(yǔ)音中的數(shù)字信號(hào)處理技術(shù)用于提取副語(yǔ)言（聲音韻律）以及麥克風(fēng)記錄音頻信號(hào)的音高和幅度等特征;眼動(dòng)信號(hào)一般選取不同時(shí)間間隔的眼球凝視特征、運(yùn)動(dòng)次數(shù)與掃視路徑[31];腦電信號(hào)通常利用近似熵、總變差、能量、偏度和標(biāo)準(zhǔn)偏差等提取與認(rèn)知相關(guān)的關(guān)鍵特征。在機(jī)器學(xué)習(xí)訓(xùn)練階段，利用機(jī)器學(xué)習(xí)方法在特征與人工注釋之間產(chǎn)生計(jì)算模型，評(píng)估二者之間的重疊程度，并建立相應(yīng)的運(yùn)行環(huán)境。

（三）算法模型

1. 算法選擇

選擇計(jì)算模型需要綜合考量算法的特征空間（數(shù)據(jù)的可分離性）、復(fù)雜性、內(nèi)部透明度、準(zhǔn)確性、泛化性與魯棒性等方面。分類(lèi)算法的核心思想是在樣本空間找到一個(gè)劃分超平面，將不同類(lèi)型的樣本分開(kāi)，因此，算法的線(xiàn)性可分是重要的考慮因素。線(xiàn)性模型相對(duì)簡(jiǎn)單且具有較高的計(jì)算效能，但當(dāng)數(shù)據(jù)非線(xiàn)性可分時(shí)則無(wú)效，這些情況需要更復(fù)雜的模型。算法的復(fù)雜性包括時(shí)間復(fù)雜度和空間復(fù)雜度，前者用來(lái)衡量運(yùn)行速度的時(shí)間效率，后者指實(shí)現(xiàn)算法的程序在運(yùn)行時(shí)所占用空間的總和。算法的復(fù)雜性提升會(huì)制約系統(tǒng)的適用性以及運(yùn)行效率。此外，機(jī)器學(xué)習(xí)普遍存在“黑箱”問(wèn)題，這在很大程度上會(huì)影響算法的選擇。雖然支持向量機(jī)（SVM）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）等可能在面部識(shí)別等方面具有更佳的效能，但其他模型有可能更為透明。例如，通過(guò)決策樹(shù)給出的可解釋性規(guī)則或者由貝葉斯算法給出的特定特征的條件概率。未來(lái)，發(fā)展能解釋自身的“透明訪(fǎng)問(wèn)”算法至關(guān)重要，它可以使開(kāi)發(fā)者“檢視算法內(nèi)部”，并且可方便地進(jìn)行編輯。算法性能也是需要考慮的一個(gè)方面。當(dāng)模型用于實(shí)時(shí)測(cè)量時(shí)，算法的性能級(jí)別可能會(huì)稍遜于算法的復(fù)雜性和魯棒性。

2. 數(shù)據(jù)集訓(xùn)練

交叉驗(yàn)證用于衡量訓(xùn)練模型數(shù)據(jù)的穩(wěn)健性。算法模型的泛化性能部分取決于數(shù)據(jù)的交叉驗(yàn)證方式。以10折交叉驗(yàn)證為例，即把數(shù)據(jù)平均分成10份，其中9份作為訓(xùn)練集，1份作為測(cè)試集，分別進(jìn)行10次訓(xùn)練與驗(yàn)證。因?yàn)閿?shù)據(jù)分割是隨機(jī)的，可以防止過(guò)擬合（Overfitting）。這種驗(yàn)證方式的缺點(diǎn)在于對(duì)被試的樣本特征沒(méi)有加以區(qū)分，由此產(chǎn)生的模型可能會(huì)過(guò)度適應(yīng)個(gè)人特征。相比之下，單特征交叉驗(yàn)證可確保來(lái)自同一個(gè)人的數(shù)據(jù)在訓(xùn)練集或測(cè)試集中，即把樣本分類(lèi)出來(lái)進(jìn)行訓(xùn)練和驗(yàn)證，這提供了將模型推廣到具有類(lèi)似特征群體的更為有效的方案。

3. 模態(tài)對(duì)齊

多模態(tài)數(shù)據(jù)建模的重要特征是多維數(shù)據(jù)的融合，要求模態(tài)間有嚴(yán)格的時(shí)間同步性。對(duì)于面部視覺(jué)表現(xiàn)的情感、腦電、皮膚電等的整合分析，可以通過(guò)時(shí)間階段檢測(cè)和時(shí)間歸一化方法實(shí)現(xiàn)同步和對(duì)齊。例如，情感投入中獲得連續(xù)的面部表情序列，可以采用隱馬爾科夫模型對(duì)連續(xù)視頻序列進(jìn)行時(shí)域分割，采用時(shí)間歸一化方法在時(shí)間軸上進(jìn)行拉伸與收縮，從而歸一化到標(biāo)準(zhǔn)的時(shí)間模板之中。

（四）新技術(shù)的介入

功能性近紅外光譜技術(shù)（fNIRS）是近年來(lái)出現(xiàn)的一種非侵入式腦功能成像技術(shù)。功能性近紅外光譜技術(shù)推動(dòng)腦功能網(wǎng)絡(luò)整合研究取得了突破性進(jìn)展。例如，腦科學(xué)領(lǐng)域權(quán)威刊物Human Brain Mapping以封面文章的形式發(fā)表的研究論文[32]，基于fNIRS的多人同時(shí)腦成像技術(shù)，測(cè)量教師和學(xué)習(xí)者的腦功能信號(hào)，揭示了腦活動(dòng)隨著時(shí)間共同變化的狀態(tài)。腦科學(xué)新技術(shù)的進(jìn)展不僅為學(xué)習(xí)投入提供了科學(xué)機(jī)理闡釋和實(shí)驗(yàn)觀測(cè)方法，而且為在真實(shí)環(huán)境與復(fù)雜教學(xué)情境中研究學(xué)習(xí)投入提供了類(lèi)腦計(jì)算與仿真分析的手段。

六、結(jié)? ?語(yǔ)

學(xué)習(xí)分析已成為教育領(lǐng)域研究和實(shí)踐的熱點(diǎn)，但依然缺少與教學(xué)場(chǎng)景緊密結(jié)合的評(píng)測(cè)體系[33]。學(xué)習(xí)投入作為有意義學(xué)習(xí)、學(xué)習(xí)干預(yù)與影響學(xué)習(xí)績(jī)效的關(guān)鍵因素，已成為學(xué)習(xí)分析領(lǐng)域的研究熱點(diǎn)。通過(guò)學(xué)習(xí)行為數(shù)據(jù)以及生物多模態(tài)數(shù)據(jù)的整合分析，結(jié)合機(jī)器學(xué)習(xí)方法，可分析學(xué)習(xí)投入的細(xì)粒度指標(biāo)以及在不同場(chǎng)景中的學(xué)習(xí)過(guò)程，實(shí)現(xiàn)多數(shù)據(jù)的整合邏輯關(guān)聯(lián)，從而全面、客觀、自動(dòng)化地表征學(xué)習(xí)投入，最終實(shí)現(xiàn)探索教育智能時(shí)代的學(xué)習(xí)規(guī)律、改善學(xué)習(xí)的目的。下一階段，“數(shù)字學(xué)習(xí)與教育公共服務(wù)教育部工程研究中心”將重點(diǎn)圍繞決策級(jí)數(shù)據(jù)建模與融合方法展開(kāi)研究，設(shè)計(jì)學(xué)習(xí)分析工具，刻畫(huà)學(xué)習(xí)投入的多維復(fù)雜特征，初步形成對(duì)于學(xué)習(xí)投入的動(dòng)態(tài)評(píng)估能力。

[參考文獻(xiàn)]

[1] 董奇.將腦與認(rèn)知科學(xué)的成果應(yīng)用于教育[EB/OL].（2018-08-06）[2019-04-15].https：//mp.weixin.qq.com/s/d0CzD3e75ZvHwfacoZwsmg.

[2] RESCHLY A L， CHRISTENSON S L. Jingle， jangle， and conceptual haziness： evolution and future directions of the engagement construct [M]//CHRISTENSON S， RESCHLY A， WYLIE C. Handbook of research on student engagement. Boston： Springer， 2012：3-19.

[3] 王洪江，穆肅，黃潔，溫慧群.自主學(xué)習(xí)投入度實(shí)時(shí)分析方法及應(yīng)用研究[J].電化教育研究，2017，38（10）：44-50.

[4] 武法提，張琪.學(xué)習(xí)行為投入：定義、分析框架與理論模型[J].中國(guó)電化教育，2018（1）：35-41.

[5] FREDRICKS J A， BLUMENFELD P C， PARIS A H. School engagement： potential of the concept， state of the evidence[J]. Review of educational research， 2004， 74（1）：59-109.

[6] FELDMAN A F， MATJASKO J L. The role of school-based extracurricular activities in adolescent development： a comprehensive review and future directions [J]. Review of educational research， 2005， 75（2）：159-210.

[7] GREENE B A. Measuring cognitive engagement with self-report scales： reflections from over 20 years of research [J]. Educational psychologist， 2015， 50（1）：14-30.

[8] 楊宗凱，吳砥，鄭旭東.教育信息化2.0：新時(shí)代信息技術(shù)變革教育的關(guān)鍵歷史躍遷[J].教育研究，2018，39（4）：16-22.

[9] 張琪，武法提.學(xué)習(xí)分析中的生物數(shù)據(jù)表征——眼動(dòng)與多模態(tài)技術(shù)應(yīng)用前瞻[J].電化教育研究，2016，37（9）：76-81，109.

[10] LOVELESS T， DIPERNA P. How well are american students learning？ the 2015 brown center report on american education [R]. Washington DC： Brookings Institution，2015.

[11] SILVERMAN S. Relationship of engagement and practice trials to student achievement[J]. Journal of teaching in physical education， 1985， 5（1）：13-21.

[12] FINN J D. Withdrawing from school [J]. Review of educational research， 1989， 59（2）：117-142.

[13] JIMERSON S R， CAMPOS E， GREEN J G. Toward an understanding of definitions and measures of school engagement and related terms [J]. The california school psychologist， 2003， 8（1）：7-27.

[14] FREDRICKS J A， PARIS B A H. School engagement： potential of the concept， state of the evidence[J]. Review of educational research， 2004， 74（1）：59-109.

[15] 張琪，武法提.學(xué)習(xí)行為投入評(píng)測(cè)框架構(gòu)建與實(shí)證研究[J].中國(guó)電化教育，2018（9）：102-108.

[16] APPLETON J J， CHRISTENSON S L， KIM D， et al. Measuring cognitive and psychological engagement： validation of the student engagement instrument [J]. Journal of school psychology， 2006， 44（5）：427-445.

[17] NIEMIEC C P， RYAN R M. Autonomy， competence and relatedness in the classroom： applying self-determination theory to classroom practice [J]. Theory & research in education， 2009， 7（2）：133-144.

[18] PEKRUN R， GOETZ T， TITZ W， et al. Academic emotions in students' self-regulated learning and achievement： a program of qualitative and quantitative research [J]. Educational psychologist， 2002， 37（2）：91-105.

[19] SKINNER E A， PITZER J R. Developmental dynamics of student engagement，coping，and everyday resilience[M]//CHRISTENSON S， RESCHLY A， WYLIE C. Handbook of research on student engagement. Boston： Springer， 2012：21-44.

[20] LEWIS， MARC D. Bridging emotion theory and neurobiology through dynamic systems modeling [J]. Behavioral and brain sciences， 2005，28（2）：169-194.

[21] BARSALOU L W. Grounded cognition [J]. Annual review of psychology，2008，59（1）：617-645.

[22] CACIOPPO J T， KLEIN D J， BERNTSON G G， et al. Facial expressions of emotion [M]//LEWIS M， HAVILAND J M. Handbook of emotions. NY： The Guilford Press， 2008：119-142.

[23] MATSUMOTO D， KELTNER D， SHIOTA M N， et al. Facial expressions of emotion [M]//LEWIS M， HAVILAND J M. Handbook of emotions. NY： The Guilford Press， 2008：211-234.

[24] DOGUSOY-TAYLAN B， CAGILTAY K. Cognitive analysis of experts' and novices' concept mapping processes： an eye tracking study [J]. Computers in human behavior， 2014， 36：82-93.

[25] 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.

[26] NEWELL A. Précis of unified theories of cognition [J]. Behavioral & brain sciences， 1992， 15（3）：425-437.

[27] ANDERSON J R. Spanning seven orders of magnitude： a challenge for cognitive modeling[J]. Cognitive science，2002，26（1）：85-112.

[28] SINATRA G M， HEDDY B C， LOMBARDI D. The challenges of defining and measuring student engagement in science [J]. Educational psychologist， 2015， 50（1）：1-13.

[29] 張琪，武法提.學(xué)習(xí)儀表盤(pán)個(gè)性化設(shè)計(jì)研究[J].電化教育研究，2018，39（2）：39-44，52.

[30] MEHU M， SCHERER K R. A psycho-ethological approach to social signal processing[J].Cognitive processing，2012，13：397-414.

[31] PONCE H R， MAYER R E. An eye movement analysis of highlighting and graphic organizer study aids for learning from expository text [J]. Computers in human behavior， 2014， 41：21-32.

[32] ZHENG L， CHEN C， LIU W， et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state [J]. Human brain mapping， 2018， 39（7）：3046-3057.

[33] 韓錫斌，程建鋼.基于網(wǎng)絡(luò)教學(xué)平臺(tái)的學(xué)習(xí)分析模型構(gòu)建與應(yīng)用[J].電化教育研究，2018，39（7）：33-39，48.