基于多模態(tài)技術(shù)的學(xué)習(xí)風(fēng)格分析：演進(jìn)、困境及圖景

邵明銘 趙 麗

（南京師范大學(xué) 教育科學(xué)學(xué)院, 江蘇南京 210097）

自國務(wù)院印發(fā)《新一代人工智能發(fā)展規(guī)劃》以來，人工智能便在教育領(lǐng)域掀起狂瀾，推動了教育改革與發(fā)展。隨著教育新基建進(jìn)程的不斷推進(jìn)，依托人工智能技術(shù)實現(xiàn)高質(zhì)量教育、個性化發(fā)展的目標(biāo)逐步變得可能。學(xué)習(xí)者學(xué)習(xí)風(fēng)格研究是實現(xiàn)個性化學(xué)習(xí)的重要前提。學(xué)習(xí)風(fēng)格是學(xué)習(xí)者在社會環(huán)境中學(xué)習(xí)的方式（Hamidah et al., 2009），是影響一個人如何感知的獨(dú)特的個人技能和偏好的集合（Akbulut & Cardak, 2012），包括認(rèn)知、情感和心理三個方面。認(rèn)知風(fēng)格涉及信息加工，情感風(fēng)格涉及動機(jī)反應(yīng)，心理風(fēng)格與性別、健康和環(huán)境等因素有關(guān)（Keefe, 1989）。

然而，緣于人們對“學(xué)習(xí)”測量的困難，學(xué)習(xí)風(fēng)格的評判和分析一度陷于困境。無論是量表測量法還是技術(shù)分析法，都存在不同程度的缺陷。基于新技術(shù)的發(fā)展和學(xué)習(xí)風(fēng)格對個性化學(xué)習(xí)的重要性，開展多方法、多維度、一體化的多模態(tài)學(xué)習(xí)風(fēng)格分析已經(jīng)迫在眉睫。本研究綜合已有研究，提出了融合多主體數(shù)據(jù)采集與新算法的“數(shù)據(jù)層-信息層-應(yīng) 用 層 ” （Digital level, Information level, and Application level，DIA）分析框架，旨在推動多模態(tài)學(xué)習(xí)風(fēng)格分析理論發(fā)展，為多模態(tài)學(xué)習(xí)風(fēng)格分析提供技術(shù)應(yīng)用新思路。

一、研究演進(jìn)：從量表測量到多模態(tài)技術(shù)分析

自伊莎貝爾·邁爾斯·布里格斯和凱瑟琳·布里格斯提出學(xué)習(xí)風(fēng)格以來（Bloom et al., 1956），學(xué)習(xí)風(fēng)格研究至今已有五十多年歷史，學(xué)習(xí)風(fēng)格分析研究歷經(jīng)從靜態(tài)模型到動態(tài)模型，從顯性測量到隱性測量的螺旋式向上發(fā)展的進(jìn)路。

（一）理論演進(jìn)

多年來，學(xué)習(xí)風(fēng)格分析理論研究涌現(xiàn)出多種模型。邁爾斯和布里格斯根據(jù)布魯姆分類法建立了邁爾斯-布里格斯指標(biāo)（Bloom et al., 1956），涉及四個維度，每個維度分兩個方向：外向/內(nèi)向、感覺/直覺、思考/情感、判斷/知覺，組成八種風(fēng)格。此后，費(fèi)爾德-西爾弗曼（Felder, 1988）的學(xué)習(xí)風(fēng)格模型開始流行起來，該模型根據(jù)學(xué)生對給定內(nèi)容的感知、接收、處理和理解方式，將學(xué)習(xí)風(fēng)格分為四個維度，每個維度通過兩種風(fēng)格對比加以區(qū)分，分別是感覺/直覺、視覺/語言、活躍/深思、序列/綜合。科爾布以橫軸（活動與反思）和縱軸（抽象與具體）兩兩組合構(gòu)建了四象限學(xué)習(xí)風(fēng)格循環(huán)模型，包括發(fā)散型、吸收型、集中型、調(diào)節(jié)型四種學(xué)習(xí)風(fēng)格（嚴(yán)加平等，2006），并闡釋了與每類學(xué)生相適應(yīng)的學(xué)習(xí)內(nèi)容、學(xué)習(xí)方式和理想職業(yè)。格拉沙-賴克曼（Riechmann &Grasha, 1974）學(xué)習(xí)風(fēng)格模型分三個維度，每個維度包括兩個子類型：獨(dú)立的/依賴的、協(xié)作的/經(jīng)濟(jì)的、參與的/回避的。獨(dú)立學(xué)習(xí)風(fēng)格的學(xué)生傾向于獨(dú)自學(xué)習(xí)，喜歡以學(xué)習(xí)者為中心的教學(xué)方法；依賴性學(xué)習(xí)風(fēng)格的學(xué)生缺乏好奇心，更適應(yīng)教師主導(dǎo)的教學(xué)方法；合作學(xué)習(xí)風(fēng)格的學(xué)生喜歡與同伴一起學(xué)習(xí)，傾向于小團(tuán)體學(xué)習(xí)；競爭學(xué)習(xí)風(fēng)格的學(xué)生認(rèn)為競爭是理所當(dāng)然的，渴望取得比同伴更好的成績，并努力獲得教師的關(guān)注；參與式學(xué)習(xí)風(fēng)格的學(xué)生往往喜歡上課；回避式學(xué)習(xí)風(fēng)格的學(xué)生往往不喜歡發(fā)言（Chae, 2012）。出于簡單和直觀的考量，教育領(lǐng)域最常用的是弗萊明（Fleming & Mills, 1992）學(xué)習(xí)風(fēng)格模型，由視覺型、聽覺型、讀寫型和動覺型四種感知模式組成。

現(xiàn)有學(xué)習(xí)風(fēng)格分析模型衍生出兩種不同形態(tài)：一是大部分研究所采用的靜態(tài)學(xué)習(xí)者模型，常用學(xué)習(xí)風(fēng)格量表、成就測試和訪談測量。靜態(tài)模型操作簡單，但從可靠性和穩(wěn)定性角度說，以系統(tǒng)內(nèi)學(xué)習(xí)者行為和相互作用為基礎(chǔ)建立的廣義動態(tài)模型，更能準(zhǔn)確地模擬動態(tài)變化的學(xué)習(xí)者偏好（Aslan et al., 2014），為學(xué)習(xí)風(fēng)格分析開辟了一條新路。例如，有動態(tài)模型通過記錄特定環(huán)境中學(xué)習(xí)者的行為和互動，然后建立相應(yīng)的適應(yīng)性函數(shù)，大幅度提高了學(xué)習(xí)風(fēng)格分析的準(zhǔn)確度，并能根據(jù)用戶的學(xué)習(xí)風(fēng)格提供個性化服務(wù)。

總體而言，已有的學(xué)習(xí)風(fēng)格理論模型數(shù)量繁多，應(yīng)用場景復(fù)雜。簡單直觀的靜態(tài)模型和可靠準(zhǔn)確的動態(tài)模型，各有優(yōu)劣勢，研究者可根據(jù)研究的性質(zhì)和目的選擇適合的學(xué)習(xí)風(fēng)格分析模型。

（二）方法演進(jìn)

根據(jù)不同學(xué)習(xí)風(fēng)格分析模型，學(xué)者們設(shè)計了不同學(xué)習(xí)風(fēng)格分析方法：一種是顯性的量表測量法，另一種是隱性的技術(shù)分析法。前者關(guān)注測量的直觀性和易操作性，后者關(guān)注如何準(zhǔn)確地測量學(xué)生在真實學(xué)習(xí)場景中表現(xiàn)出來的學(xué)習(xí)風(fēng)格。

顯性的量表測量法包括固定的自陳量表和靈活的測試量表。鄧恩（Dunn et al., 1985）的學(xué)習(xí)風(fēng)格量表（Learning Styles Inventory，LSI）包含 104道題，每題四個選項，為感覺（具體經(jīng)驗）、查看（反思觀察）、思考（抽象概念化）和實踐（主動實驗），被試需根據(jù)對自己的了解選擇面對這104種情況時可能的做法，完成自測后形成報告。西蒂等（Siti &Nor，2009）研發(fā)的學(xué)習(xí)風(fēng)格量表第三版（Learning Styles Inventory - Version III）由 65 道題組成，用于測量個人對班級9項活動的傾向，涉及演習(xí)、同伴、教學(xué)、討論、游戲、學(xué)習(xí)、自學(xué)、講座和模擬。弗萊明學(xué)習(xí)風(fēng)格模型將學(xué)習(xí)風(fēng)格分為四組：視覺、聽覺、讀寫、動覺，采用問卷的方式確定學(xué)生屬于哪種學(xué)習(xí)風(fēng)格（Fatt & James, 2000）。費(fèi)爾德-西爾弗曼（Felder, 1988）學(xué)習(xí)風(fēng)格模型（Felder-Silverman Learning Style Model or Index of Learning Styles）旨在根據(jù)學(xué)習(xí)風(fēng)格的四個維度對被試進(jìn)行分類，由44道題組成，每道題有a和b兩個選項，使用學(xué)習(xí)風(fēng)格指數(shù)調(diào)查捕捉學(xué)生的學(xué)習(xí)風(fēng)格。該工具被研究者參考最多，信度和效度已得到驗證。此后，費(fèi)爾德和西爾弗曼以此為基礎(chǔ)，研發(fā)出專門針對工程專業(yè)學(xué)生的學(xué)習(xí)風(fēng)格量表（Felder, 2005；Fleming & Mills,1992）。格拉沙·賴克曼學(xué)習(xí)風(fēng)格檢測工具由47道題組成，采用4分尺度，根據(jù)分?jǐn)?shù)高低判別學(xué)生處于哪個維度（Chae, 2012）。

電子化學(xué)習(xí)風(fēng)格量表（electronic learning style，e-Les）作為心理測試工具，可用于識別被試的多元智能與社會交往學(xué)習(xí)風(fēng)格（Ariffin et al., 2010）。與固定的自我陳述量表不同，電子化學(xué)習(xí)風(fēng)格量表根據(jù)被試的能力制定測試問卷和測試題的難度（Rasimah et al., 2008），應(yīng)用測量參數(shù)項目反應(yīng)理論或潛在特質(zhì)理論，并利用拉施（Rasch）模型進(jìn)行統(tǒng)計分析，以確保信度和效度。

目前，大多數(shù)顯性的學(xué)習(xí)風(fēng)格識別工具采用強(qiáng)迫選擇的自我報告問卷分析學(xué)生學(xué)習(xí)風(fēng)格。許多研究人員認(rèn)為該方法存在可靠性低、效度差、對教學(xué)影響小等缺點（Coffield et al., 2004）。顯性量表測量易受學(xué)習(xí)者本身和環(huán)境的影響，主觀性強(qiáng)。學(xué)習(xí)者在被問及各種學(xué)習(xí)情況的偏好時，陳述和行為之間存在異質(zhì)性（Crogman & Maryam, 2016）。這種異質(zhì)性很可能導(dǎo)致題目之間的內(nèi)部一致性差，降低工具的可靠性。

除了自我報告量表，技術(shù)分析法也得到一定應(yīng)用。張冰雪等（2021）研發(fā)出融合多尺度腦電特征的學(xué)習(xí)風(fēng)格識別模型，它通過刺激并回收被試的腦電信號，對其進(jìn)行模型訓(xùn)練與學(xué)習(xí)風(fēng)格識別。王扶東等（2020）通過分析垂直學(xué)習(xí)社區(qū)的文本信息和行為信息，提出新的學(xué)習(xí)風(fēng)格識別算法。葛子剛等（2018）通過自適應(yīng)學(xué)習(xí)系統(tǒng)自行收集和判斷學(xué)習(xí)者的學(xué)習(xí)痕跡，動態(tài)調(diào)整確定學(xué)習(xí)者最終學(xué)習(xí)風(fēng)格。李超等（2018）以復(fù)合神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)對動態(tài)學(xué)習(xí)風(fēng)格識別模型進(jìn)行模擬，根據(jù)費(fèi)爾德-西爾弗曼的學(xué)習(xí)風(fēng)格模型的相關(guān)閾值推測學(xué)習(xí)者學(xué)習(xí)風(fēng)格。這些隱性技術(shù)分析方法大多基于費(fèi)爾德-西爾弗曼的學(xué)習(xí)風(fēng)格理論模型，或?qū)ζ浼右詳U(kuò)充和改編。現(xiàn)有的學(xué)習(xí)風(fēng)格技術(shù)分析方法基本是單模態(tài)的數(shù)據(jù)采集，學(xué)習(xí)者學(xué)習(xí)偏好具有動態(tài)性，偏好的形成是不斷發(fā)展的，單模態(tài)數(shù)據(jù)分析缺乏準(zhǔn)確性，很難確定識別出的學(xué)習(xí)風(fēng)格是否適用于所有學(xué)習(xí)情況（Aslaksen et al., 2020）。因此，基于多模態(tài)技術(shù)的學(xué)習(xí)風(fēng)格分析成為當(dāng)前學(xué)習(xí)風(fēng)格分析的研究重點，可彌補(bǔ)單模態(tài)的不足，推動學(xué)習(xí)風(fēng)格分析研究與應(yīng)用發(fā)展。

二、應(yīng)用困境：技術(shù)支持不足與倫理隱私危機(jī)

模態(tài)是雙方傳遞和獲取交換信息的通道類型（Mitri et al., 2018），如文字、聲音、圖像等，亦是人類通過感覺器官與外部環(huán)境相互作用的方式，如視覺、聽覺、觸覺等（Lahat et al., 2015）。多模態(tài)學(xué)習(xí)風(fēng)格分析通過捕獲、集成和分析不同模態(tài)的學(xué)習(xí)痕跡，確定學(xué)習(xí)者學(xué)習(xí)偏好。5G網(wǎng)絡(luò)的普及與教育新基建進(jìn)程的加快，使得多模態(tài)學(xué)習(xí)風(fēng)格分析從理論變?yōu)楝F(xiàn)實，但其應(yīng)用仍面臨挑戰(zhàn)，最突出的是技術(shù)層面的支持不足與倫理層面的隱私危機(jī)。

（一）技術(shù)支持不足

多模態(tài)技術(shù)應(yīng)用于學(xué)習(xí)風(fēng)格分析的時間短，在收集、處理學(xué)習(xí)者數(shù)據(jù)和分析學(xué)習(xí)風(fēng)格過程中仍存在許多問題：一是針對學(xué)習(xí)者收集的模態(tài)信息不足?，F(xiàn)階段多模態(tài)學(xué)習(xí)風(fēng)格分析技術(shù)主要通過非接觸式設(shè)備，如攝像頭、錄音筆等獲取學(xué)習(xí)者數(shù)據(jù)信息，如文字、語音、圖片。人的復(fù)雜性使得學(xué)習(xí)風(fēng)格的測定不能僅通過簡單的外在觀察而獲得。依據(jù)具身認(rèn)知理論，學(xué)習(xí)者的感官、身體運(yùn)動、心電圖、血壓、激素分泌等生物傳感數(shù)據(jù)也可用于分析和描繪學(xué)習(xí)的主動狀態(tài)和參與程度（馬云飛等，2022），而現(xiàn)有的多模態(tài)學(xué)習(xí)風(fēng)格分析只關(guān)注學(xué)習(xí)者的外在學(xué)習(xí)行為，難以對內(nèi)在心理和心智加以考察。因此，接觸式生理信號的采集必不可少（王一巖等，2022），將是未來研究的重要方向。

二是學(xué)習(xí)者數(shù)據(jù)的異質(zhì)性給數(shù)據(jù)分析帶來了困難。多模態(tài)學(xué)習(xí)風(fēng)格分析需收集大量不同性質(zhì)的數(shù)據(jù)，如文本、語音、圖片和視頻、生理數(shù)據(jù)等。龐大且復(fù)雜的數(shù)據(jù)產(chǎn)生了大量冗余信息，不僅給分析系統(tǒng)帶來巨大壓力，而且相關(guān)數(shù)據(jù)的異質(zhì)性給后續(xù)的融合、分析和解讀造成極大困難。一些學(xué)者嘗試解決數(shù)據(jù)的融合問題，但融合技術(shù)發(fā)展時間短，多模態(tài)學(xué)習(xí)風(fēng)格分析需要的數(shù)據(jù)維度多，目前已有的研究成果仍不能完全解決學(xué)習(xí)風(fēng)格分析異質(zhì)性數(shù)據(jù)的融合和解讀，靜態(tài)數(shù)據(jù)和動態(tài)數(shù)據(jù)之間存在分裂（王開心等，2022）。

三是高時間成本給學(xué)習(xí)風(fēng)格持續(xù)動態(tài)觀測造成困難?；谑录膶W(xué)習(xí)過程觀認(rèn)為，學(xué)習(xí)是隨時間的推移而展開的，是不斷累積變化的動態(tài)過程（Reimann, 2009）。因此，穩(wěn)定的學(xué)習(xí)風(fēng)格測量不僅需要采集多維度數(shù)據(jù)，而且需要以大量數(shù)據(jù)為基礎(chǔ)進(jìn)行長時間動態(tài)觀測，但現(xiàn)有分析模型對大量數(shù)據(jù)處理的時效性和準(zhǔn)確性還不足以支撐多模態(tài)學(xué)習(xí)風(fēng)格分析的要求，有待拓展與優(yōu)化。

（二）倫理隱私危機(jī)

倫理隱私危機(jī)同樣困擾著多模態(tài)學(xué)習(xí)風(fēng)格分析的應(yīng)用和發(fā)展：一是數(shù)據(jù)泄露與安全危機(jī)。學(xué)習(xí)風(fēng)格分析旨在讓學(xué)習(xí)者、教學(xué)者、課程開發(fā)者、學(xué)校等能夠根據(jù)不同學(xué)習(xí)偏好提供個性化教學(xué)，多模態(tài)技術(shù)致力于使學(xué)習(xí)分析結(jié)果更客觀、全面和準(zhǔn)確。為了達(dá)到系統(tǒng)共同合作的目標(biāo)，這些與學(xué)習(xí)者息息相關(guān)的信息將被傳遞給多方利益相關(guān)者。學(xué)生的學(xué)習(xí)行為、生理數(shù)據(jù)乃至心理表現(xiàn)都會成為公開的信息（羅江華等，2022），嚴(yán)重威脅教育主體的隱私安全。

二是監(jiān)測設(shè)備對學(xué)習(xí)者行為表現(xiàn)造成的影響。大量監(jiān)測設(shè)備出現(xiàn)在教室，通常會對學(xué)習(xí)過程造成干擾，學(xué)習(xí)者往往伴隨著“恐懼”，產(chǎn)生抗拒的心理（馮銳等，2020），這不利于學(xué)習(xí)風(fēng)格的測評。因此，如何在日常課堂中進(jìn)行常態(tài)化應(yīng)用也是多模態(tài)學(xué)習(xí)分析技術(shù)需要考慮的問題。一般來說，人在面對被記錄時總是傾向于表現(xiàn)自己優(yōu)秀的一面。場所中遍布著各種接觸式和非接觸式記錄設(shè)備，學(xué)習(xí)者常常會改變自己的行為表現(xiàn)。比如，面對可能“被批評”的風(fēng)險時，弱者傾向于偽裝自己（張銀普等，2016）。出于對自己隱私的保護(hù)，學(xué)習(xí)者的行為和真實情況之間常常會有偏差，數(shù)據(jù)的真實性和學(xué)習(xí)風(fēng)格測定的準(zhǔn)確性便值得懷疑。

三是過于理性的學(xué)習(xí)風(fēng)格分析結(jié)果會造成教育感性價值的缺失。愛是教育之源（田友誼等，2020），精確的數(shù)據(jù)分析一方面會削弱教師的作用和地位（趙磊磊等，2022），使教師從充滿愛的“領(lǐng)路人”變成依附技術(shù)分析結(jié)果的“邊緣人”，學(xué)生希望得到的是充滿愛的個性化教學(xué)，而不是依賴學(xué)習(xí)風(fēng)格分析結(jié)果的固定處理模式。另一方面過于精確的數(shù)據(jù)會給學(xué)習(xí)者貼上標(biāo)簽，使其固化自我認(rèn)知。學(xué)生是不斷發(fā)展的，是可塑造的，學(xué)習(xí)風(fēng)格也不斷變化。一旦學(xué)習(xí)者將自身的不足歸結(jié)于教學(xué)資源或教學(xué)方法與自己的學(xué)習(xí)風(fēng)格不匹配等客觀因素，可能會使學(xué)習(xí)者失去努力的動力，自我放棄。感性與理性的價值沖突由此導(dǎo)致倫理風(fēng)險，破壞教育的持續(xù)發(fā)展。

三、發(fā)展圖景：多主體數(shù)據(jù)采集與新算法融合

多模態(tài)學(xué)習(xí)風(fēng)格分析的技術(shù)問題和倫理危機(jī)，使得開辟立體化學(xué)習(xí)風(fēng)格測量、分析和應(yīng)用的新道路迫在眉睫。本研究從數(shù)據(jù)的采集、分析和應(yīng)用三方面探索解決困境的策略，探討學(xué)習(xí)分析研究未來的發(fā)展圖景。

（一）多主體視角下的多模態(tài)學(xué)習(xí)風(fēng)格分析

學(xué)習(xí)風(fēng)格是帶有一定個性特征的持續(xù)一貫的學(xué)習(xí)行為（譚頂良，1995）。這不僅體現(xiàn)了學(xué)習(xí)風(fēng)格的穩(wěn)定性，還體現(xiàn)出一定的復(fù)雜性。因此，學(xué)習(xí)風(fēng)格判定應(yīng)當(dāng)從多主體、不同渠道收集數(shù)據(jù)，最大限度地保證結(jié)論的客觀性和準(zhǔn)確性。針對模態(tài)信息不足的現(xiàn)狀，研究者可以通過接觸式探測設(shè)備收集學(xué)習(xí)者的生理數(shù)據(jù)，如開設(shè)特定的檢測教室，定期收集學(xué)習(xí)者的生理信息。這樣不僅可以促進(jìn)其常態(tài)化，而且可以減少監(jiān)測設(shè)備對學(xué)習(xí)過程的干擾以及對學(xué)習(xí)者造成的心理壓力。

為解決現(xiàn)有多模態(tài)學(xué)習(xí)風(fēng)格分析的高時間成本問題，研究者可先采納自陳量表測量結(jié)果，向?qū)W習(xí)者提出若干客觀問題，由學(xué)習(xí)者根據(jù)實際報告自己是否具有某些典型的行為表現(xiàn)，然后根據(jù)量表得分評估學(xué)習(xí)風(fēng)格。同時，研究者可收集學(xué)習(xí)者的感官系統(tǒng)與學(xué)習(xí)環(huán)境交互等多重數(shù)據(jù)，進(jìn)行長期的動態(tài)觀測（陸吉健等，2021），并將自陳量表的測量結(jié)果與多模態(tài)動態(tài)學(xué)習(xí)風(fēng)格分析結(jié)果比對，從而作出客觀可信的學(xué)習(xí)風(fēng)格診斷。

針對過于理性的數(shù)據(jù)會造成教育愛的缺失和教師角色的弱化問題，研究者可以增加教師視角的觀察記錄報告。感性與理性結(jié)合，可以增加學(xué)習(xí)風(fēng)格分析依據(jù)的全面性，還可以從人的角度探查對學(xué)習(xí)風(fēng)格的理解，推動理論的發(fā)展與完善。多主體視角下的多模態(tài)學(xué)習(xí)風(fēng)格分析倡導(dǎo)將多維度設(shè)備監(jiān)測、自我報告量表測量和人的觀察記錄報告相結(jié)合，構(gòu)建精準(zhǔn)、完整的學(xué)習(xí)風(fēng)格診斷體系。

（二）新算法視角下的多模態(tài)學(xué)習(xí)風(fēng)格分析

由于數(shù)據(jù)的復(fù)雜性和異質(zhì)性，多模態(tài)學(xué)習(xí)風(fēng)格分析對算法模型提出了更高要求。一些學(xué)者提出了改進(jìn)多模態(tài)數(shù)據(jù)融合和分析的新技術(shù)。在多模態(tài)信息識別方面，謝勒（Scherer，2016）提出多模態(tài)序列分類器，利用多維數(shù)據(jù)通道從數(shù)據(jù)中提取相關(guān)行為特征，以提高數(shù)據(jù)分類和識別的準(zhǔn)確性。在多模態(tài)信息融合方面，斯特里姆斯系統(tǒng)將多模態(tài)信息按時間或時序信息對齊，以解決數(shù)據(jù)粒度差異大和時間跨度大等問題（馬志強(qiáng)等，2022）。王旭陽等（2022）利用時域卷積網(wǎng)絡(luò)和軟注意力機(jī)制構(gòu)建復(fù)合層次融合的多模態(tài)分析模型，致力于解決三維模態(tài)的融合問題。扎德（Zadeh et al., 2017）提出張量融合網(wǎng)絡(luò)模型，以解決多維張量的融合問題.

多模態(tài)學(xué)習(xí)者數(shù)據(jù)分析的新技術(shù)也層出不窮。吳永和等（2021）提出多模態(tài)學(xué)習(xí)融合分析模型，采用“多對一”的映射關(guān)系促進(jìn)理論框架和模態(tài)信息的特征融合。記憶融合模型主要處理隨時間變化模態(tài)內(nèi)部信息間的交互作用（Zadeh et al., 2018）。波西亞（Poria et al., 2015）開發(fā)了新的多模態(tài)信息抽取代理方法，促進(jìn)用戶信息推理和聚合。

此外，新算法還注重保護(hù)數(shù)據(jù)安全，這包括對讀取數(shù)據(jù)的賬戶設(shè)置最大限度的安全驗證，如身份信息驗證、手機(jī)設(shè)備綁定、常用設(shè)備監(jiān)測、流動驗證碼獲取等；對需要提取數(shù)據(jù)的賬戶設(shè)置獨(dú)立密碼，加大數(shù)據(jù)安全管控，并在提取的數(shù)據(jù)文件中設(shè)置追蹤程序，盡可能地保護(hù)數(shù)據(jù)安全，保證學(xué)習(xí)者相關(guān)隱私不被泄露。多模態(tài)學(xué)習(xí)風(fēng)格分析的新算法，既要保證可用性和易用性，又要兼顧有效性、準(zhǔn)確性和安全性，軟硬件配合共同促進(jìn)多模態(tài)學(xué)習(xí)風(fēng)格分析技術(shù)的發(fā)展。因此，如何在多模態(tài)學(xué)習(xí)風(fēng)格分析中規(guī)避上述問題，提高多模態(tài)學(xué)習(xí)風(fēng)格分析的科學(xué)性、高效性、安全性，是本研究關(guān)注的重點。

四、分析路徑：個性化教學(xué)DIA框架

融合多主體數(shù)據(jù)采集和新算法，本研究提出基于多模態(tài)技術(shù)的學(xué)習(xí)風(fēng)格分析“數(shù)據(jù)層—信息層—應(yīng)用層”（DIA）框架（見圖1）。數(shù)據(jù)層的處理是重點，分三個階段：數(shù)據(jù)收集、數(shù)據(jù)處理和數(shù)據(jù)分析。數(shù)據(jù)收集方式包括設(shè)備采集、觀察記錄和量表檢測。設(shè)備采集不僅要使用非接觸式設(shè)備，如攝像、錄音裝置，獲取學(xué)生外在的表情和對話信息；還要使用接觸式檢測設(shè)備，如腦電波檢測儀、心率監(jiān)測儀等，獲取學(xué)生內(nèi)在的生理和心理信息。觀察記錄包括觀察學(xué)生的學(xué)習(xí)行為、學(xué)習(xí)偏好和學(xué)習(xí)表現(xiàn)，以教師為主體記錄學(xué)生的外在行為等。量表檢測包含兩種方式：學(xué)習(xí)者自陳量表測試和心理試卷測試，即以主客觀相結(jié)合的方式獲取量表檢測數(shù)據(jù)。此外，從學(xué)習(xí)平臺挖掘數(shù)據(jù)，了解學(xué)生登錄時間、使用時長、畫面呈現(xiàn)方式等學(xué)習(xí)習(xí)慣，也是重要的信息采集途徑。數(shù)據(jù)處理包括數(shù)據(jù)框洗、篩選、刪除，將生理數(shù)據(jù)、行為表現(xiàn)記錄和心理數(shù)據(jù)按照模態(tài)歸類和泛華，并將不同模態(tài)的文本、圖像、視頻等異質(zhì)性數(shù)據(jù)進(jìn)行時間維度和空間維度的融合。數(shù)據(jù)分析可根據(jù)現(xiàn)有的權(quán)威模型，包括費(fèi)爾德-西爾弗曼學(xué)習(xí)風(fēng)格模型、弗萊明學(xué)習(xí)風(fēng)格模型、格拉沙-賴克曼學(xué)習(xí)風(fēng)格模型等，對張量融合模型、記憶融合模型等算法模型進(jìn)行閾值設(shè)定和特征映射，促進(jìn)理論和數(shù)據(jù)的歸一化，再得出學(xué)習(xí)風(fēng)格分析結(jié)果。DIA框架的多維數(shù)據(jù)收集，使得學(xué)習(xí)風(fēng)格分析結(jié)果的多方互證成為可能，大幅提高了結(jié)論的客觀性和準(zhǔn)確性，能有效彌補(bǔ)傳統(tǒng)多模態(tài)學(xué)習(xí)風(fēng)格分析的不足。

圖1 基于多模態(tài)技術(shù)的DIA學(xué)習(xí)風(fēng)格分析框架

第二層是信息層，即將第一層的數(shù)據(jù)評估結(jié)果形成可視化分析報告，并傳遞到學(xué)習(xí)系統(tǒng)各個要素，幫助監(jiān)控和管理教學(xué)過程，促進(jìn)教學(xué)資源的合理分配，為各方利益相關(guān)者提供個性化教學(xué)建議和教學(xué)服務(wù)。這包括促使第三方利益相關(guān)者，如學(xué)校、機(jī)構(gòu)和平臺提供有效的學(xué)習(xí)材料和科學(xué)的學(xué)習(xí)計劃；為教師提供學(xué)習(xí)活動、教學(xué)方法和媒體的選擇等設(shè)計方案，使教師能利用智能技術(shù)為不同學(xué)習(xí)風(fēng)格學(xué)生提供教學(xué)（Donnelly & Mcsweeney，2008），有效地規(guī)劃和設(shè)計學(xué)習(xí)材料；為不同風(fēng)格學(xué)習(xí)者提供內(nèi)容和方法的指導(dǎo)和推薦，使學(xué)習(xí)者能夠選擇可以識別的學(xué)習(xí)材料類型，循序漸進(jìn)地學(xué)習(xí)（Holmes &Gardner，2006）。在此層級中，學(xué)習(xí)系統(tǒng)各要素之間的信息是互通的，可以根據(jù)變化或需求隨時調(diào)整，服務(wù)于整個教學(xué)過程，促進(jìn)個性化學(xué)習(xí)。

最后是應(yīng)用層，多方利益相關(guān)者根據(jù)學(xué)習(xí)風(fēng)格分析結(jié)果提供個性化教學(xué)服務(wù)，完成個性化教學(xué)的應(yīng)用與實施。DIA分析框架的數(shù)據(jù)和結(jié)論也可反饋給研究者，加強(qiáng)學(xué)習(xí)風(fēng)格分析的理論建設(shè)，開拓新的研究道路，推動領(lǐng)域研究的完善與發(fā)展。從教育者角度來說，學(xué)校要教育今天的學(xué)生，就必須適應(yīng)學(xué)生的學(xué)習(xí)方式、興趣和生活經(jīng)歷。學(xué)習(xí)風(fēng)格分析結(jié)果可以為教師提供更多的學(xué)生個性化特征，將直接影響教學(xué)設(shè)計和教學(xué)內(nèi)容（Felder, 2005）。當(dāng)教師教學(xué)風(fēng)格與學(xué)生學(xué)習(xí)風(fēng)格相匹配時，學(xué)生學(xué)習(xí)效果會更好（Schmid et al., 2009）。教師可以減少教學(xué)挫折，幫助學(xué)生取得更好的成績（Ariffin et al.,2010）。從受教育者角度來說，學(xué)生意識到自己的學(xué)習(xí)風(fēng)格，就會選擇更適合的學(xué)習(xí)對象，使得學(xué)習(xí)更容易、學(xué)習(xí)進(jìn)度加快（Phung et al., 2018）。學(xué)術(shù)成功取決于學(xué)生的學(xué)習(xí)風(fēng)格和信息呈現(xiàn)方式（Rothwell, 2008），了解學(xué)生學(xué)習(xí)風(fēng)格對于確定合適的教學(xué)方法、提供匹配的教學(xué)內(nèi)容、把握適當(dāng)?shù)慕虒W(xué)進(jìn)度和以動態(tài)方式將學(xué)生分成不同小組都是至關(guān)重要的（Fatt & James, 2000）。

教師和研究者大多對基于學(xué)習(xí)風(fēng)格開展個性化學(xué)習(xí)持積極態(tài)度。調(diào)查表明，相當(dāng)比例的中小學(xué)教師和高校教師贊同教學(xué)應(yīng)與學(xué)生特定學(xué)習(xí)風(fēng)格相一致（Marta et al., 2016）。2013 年到 2015 年發(fā)表的近90%研究文獻(xiàn)，支持教師教學(xué)要考慮學(xué)習(xí)風(fēng)格。許多報告稱，學(xué)習(xí)風(fēng)格理論作為教材原則，應(yīng)成為教師教育課程的一部分（Newton & Mahallad，2017）。盡管教學(xué)與學(xué)習(xí)風(fēng)格匹配的概念仍在傳播，但也存在爭議。教師面對時間和資源的雙重挑戰(zhàn)，難以利用課堂時間識別學(xué)習(xí)風(fēng)格，靈活調(diào)整教學(xué)過程。學(xué)習(xí)風(fēng)格的確定也可能會對學(xué)習(xí)者動機(jī)產(chǎn)生負(fù)面影響，學(xué)習(xí)者可能將學(xué)業(yè)失敗歸咎于不匹配的教學(xué)資源和教學(xué)方法（Weiner, 1972）。多模態(tài)技術(shù)的出現(xiàn)為學(xué)習(xí)風(fēng)格的分析和應(yīng)用提供了機(jī)遇，分析學(xué)習(xí)者學(xué)習(xí)風(fēng)格既要注重定量數(shù)據(jù)的采集，也要注重定性數(shù)據(jù)的分析，既要注重考量過程性數(shù)據(jù)的考量，也要注重結(jié)果性數(shù)據(jù)的判斷，多主體、多方法、多維度地判斷、分析和應(yīng)用學(xué)習(xí)風(fēng)格。綜上所述，本研究從學(xué)習(xí)風(fēng)格分析的研究演進(jìn)出發(fā)，剖析基于多模態(tài)技術(shù)的學(xué)習(xí)風(fēng)格分析的困境，提出分析路徑和發(fā)展圖景，完善學(xué)習(xí)風(fēng)格分析的理論研究，為學(xué)習(xí)風(fēng)格各異的學(xué)習(xí)者與教師提供個性化教學(xué)與支持服務(wù)。