基于多模态长周期数据的学习障碍模型研究

Learning obstacle refers to the phenomenon that learners are unable to achieve mastery on a skill or concept despite spending a significant amount of time and efforts. For an ordinary learner, the occurrence of learning obstacle would seriously deteriorate the learning efficiency and impair learning outcomes. Meanwhile, it is still a challenging problem for both learners and instructors to diagnose and predict the learning obstacle in a timely and accurate way. On the basis of multimodal learner data and the classic theories from learning science, we propose to build the diagnostic and predictive models for commonly-seen learning obstacles. A specific platform for collecting the multimodal long-term data from the large volume of learners will be designed and implemented.By leveraging on the machine learning algorithms, we will then develop multiple models in terms of influential factors of learning obstacle, typically including domain knowledge structure, learning capability and learner engagement level. Considering all such influential factors and their dependency, a hybrid model, using the ensemble learning or other methods, will be established to conduct the diagnosis of the occurring learning obstacle. After that, another model will be built to predict the learning obstacles that are highly possible to occur. All the built models and analytical results would not only provide the theoretical insights for learning obstacle and learning science, but also supply practical diagnostic tools for learners in both online and offline study environments.

学习障碍是指学习者对于某项知识或技能进行反复学习，却仍然不能对其掌握的现象。对于普通学习者，学习障碍的发生通常会严重降低其学习效率和效果。对学习障碍进行客观、准确、及时地诊断和预测，无论对于普通学习者还是教学者仍然是很大的挑战。本项目拟基于学习者客观数据与学习科学领域的经典理论，建立数据模型对学习障碍进行诊断和预测。项目中将首先建立数据采集平台对大量学习者的多模态长周期数据进行采集。然后，利用机器学习等算法，分别针对与学习障碍相关的各类的关键影响因素进行建模,主要包括了领域知识结构、学习者能力水平以及学习专注度等。最后，统筹协调考虑各关键影响因素及利用集成学习等方法，首先建立复合模型对学习障碍进行诊断，然后建立预测性模型对尚未发生的学习障碍进行预测。各类学习障碍模型的建立，不但可以利用学习者客观数据对学习障碍在理论上进行深入阐释，也可以为实际教学与线上学习系统提供重要的诊断工具。

学习障碍的发生通常会严重降低普通学习者的学习效率和效果，当前教育技术领域尚无法对学习障碍的发生进行客观、准确、及时地诊断和预测，因此对高质量、个性化的教学产生较为严重的阻碍。本项目基于学习者长周期多模态客观数据与教育科学领域的经典理论，分别针对与学习障碍相关的三类关键影响因素进行建模与深入研究。具体而言，主要包括了领域知识结构、学习者认知状态以及学习者内驱因素。在领域知识结构维度，本项目课题组首次提出可以用于障碍自动诊断和教学概念自动提取的教育知识图谱自动生成系统，相关成果对本领域的学术研究产生了一定的推动左右；在学习者认知状态维度，本项目课题组首次提出了利用领域知识结构信息，尤其是知识点间的前驱后继等关系，建立新型知识追踪模型，在准确性等关键指标上显著提高了预测性能；在学习者内驱因素维度，本项目课题组首次提出对学习者在学习过程中的典型行为等信息进行自动捕捉与识别，并进一步利用ICAP等认知科学理论估计学习者的专注度等指标，从而判断学习障碍发生的内驱原因，探索将信息科学模型与教育认知理论进行有效结合的新途径。在以上各维度研究成果的基础上，本项目课题组统筹协调考虑各关键影响因素，建立了复合模型对学习障碍进行诊断和预测，并进一步研发了新型智能导学系统与教育机器人，可以应用于多场景一线的教学实践中，具有较好的应用前景。