学习工具智能化水平对学生问题解决的影响研究.pdfVIP

摘要

问题解决作为21世纪关键能力之一，对学生的全面发展至关重要。为学生提

供良好脚手架的智能化学习工具，能够帮助学生高效解决问题。然而，在人机协同

场景下，较少有研究明晰不同智能化水平的学习工具对学生问题解决的影响，并厘

清外显行为、内隐状态等的变化。为了解决这些问题，可以基于多模态数据的分析

视角，设计基于问题的学习情景开展实验研究，进一步完善多模态学习分析方案在

具体情景中的设计与应用。但现有相关研究存在多数聚焦探索基于智能化学习工具

的学习与传统纸质学习之间的差异、认知神经相关的设备过于昂贵而无法大面积应

用于课堂、对过程性数据处理颗粒度过粗等问题。为了解决上述问题，主要研究内

容如下：

为了探究不同智能化水平的学习工具对学生问题解决的影响，基于现有研究，

建构主义学习理论和认知负荷理论，本研究基于对多模态数据的分析，结合不同模

态数据特征分别采用统计分析方法、行为序列分析方法、基于传统机器学习方法构

建生理信号模型以及定性分析方法等展开研究。本研究选取量表制作作为问题解决

任务，设计对比实验以收集多模态数据。本研究选取并收集符合真实教学场景的多

模态数据，包括问卷数据、音视频数据、皮肤电生理信号数据和脉搏波数据。通过

视频编码得到行为序列，再根据行为序列对生理信号数据提取指标，以此实现对学

生学习过程数据的细颗粒度分析。

研究发现：（1）使用智能化水平高的学习工具的学生在学习收获方面表现更好。

且智能化水平高的学习工具不仅可以减轻学生因技术和材料而产生的外在负荷，还

可以减轻学生因任务本身而产生的内在负荷。（2）对两组行为序列进行分析后，发

现智能化水平高的学习工具能够引导学生进入良性的教学交互中，让学生更多地投

入到对问题的思考中；智能化水平高的学习工具能简化学生对软件操作的熟悉过程，

并为学生评估量表模型分析结果提供更多支持。（3）不同智能化水平的学习工具在

特定频率范围内的生理信号能量存在明显差异。特别是在0.05到0.075的频率范围

内，高智能化水平学习工具组的信号能量较低，而低智能化水平学习工具组的信号

能量较高。此外，通过应用庞加莱图对心率信号数据进行观察，研究者发现高智能

化水平学习工具组的个体生理状态水平更正常，而低智能化水平学习工具组的个体

生理状态水平受到压力或负荷的影响。且基于皮肤电生理数据指标和心率生理数据

指标的分类模型，对学习成效分类效果良好。

I

综上所述，本研究通过采用多模态数据分析技术、细粒度视频编码和复杂的生

理信号数据处理方法，深入探究了学习工具智能化水平对学生问题解决过程的影响，

为人机协同学习场景下不同智能化学习工具的影响提供了深入研究和理论支持，为

后续相关的研究和实践提供了参考。

关键词：问题解决;人机协同;生理信号

II

Abstract

Asoneofthekeycompetenciesofthe21stcentury,problem-solvingiscrucialforthe

holisticdevelopmentofstudents.Intelligentlearningsystemsthatprovideeffective

scaffoldingcanassiststudentsinsolvingproblemsefficiently.However,inthecontextof

human-computercollaborativelearning,thereisalackofresearchclarifyingtheimpactof

learningsystemswithdifferentlevelsofintelligenceonstudents’problem-solving,and

elucidatingchangesinexplicitbehaviorsandimplicitstates.Toaddresstheseissues,

multimodallearninganalysis