智慧教育中混合式学习环境下学习过程数据化关键技术

（一）项目背景

当前，智慧教育具有智能导学、精准推荐、定制辅导、精细评价等特点，已成为国际国内教育信息化发展的趋势。智慧教育的研究主要聚焦于智慧学习环境建设的研究、智能技术支持下的智慧教学研究和机器学习技术支持下的个性化学习研究。智慧教育的出现极大地促进了当前教育中学习空间的重构。在“学习空间”之前，人们通常使用“教学空间”来指代这种场所，将有教学活动的场所均称作教学空间。随着人们对学习过程的理解变化、智慧教育的快速发展以及人们对非正式学习的重视，学习空间逐渐由单一的物理教学空间向包含物理空间、网络空间、移动空间的多元学习空间转变。多元学习空间的提出虽然更多地体现出了“以学生为中心”的倾向，但如何具体衡量多元学习空间对学生学习效果的影响是评价多元学习空间的重要步骤。同时，在多元学习空间具体构建时，面对空间中来源不同、结构多样、数量庞大的多模数据如何进行处理存储、并在保证数据有效性的前提下对教育数据进行隐私保护是多元学习空间需要解决的另一个难点。

（二）项目简介

本项目主要目标是针对信息技术支撑下学习空间多元化、场景复杂、需求多样化，学习者及学习行为呈现出新的特点和规律，研究多元学习空间中学习行为数据化关键技术，构建“云-边缘-物联网”架构的多模态数据存储与处理平台，实现混合式学习环境下学习行为智能感知和数据化，优化学习行为模型，基于实际应用与不同学习目标函数及内容，建立可重复、可预测、可验证的对比数据集，为数据驱动的智慧教育生态构建和教育应用提供核心技术与数据支撑。

（三）关键技术

我们面向智慧教育中准确认知学生的学习状态和行为的大数据需求提出研究方案。本项目实施方案涉及教育学、物联网、云计算、人工智能、隐私保护等多个领域，主要技术路线如图所示：

图 1 技术路线图

其中，项目包括的关键技术主要有以下三点：

1.基于物联网的多模态数据实时智能感知和多时间域数据采集技术

该技术针对学习状态的数据化、特征参数量化问题，设计能够采集多重学习空间下的智能数据感知物联网系统。主要技术难点在于抽样频率与识别准确度的平衡、人机交互的变化规律等全新科学问题。

2.学习状态多模态数据解析和智能处理技术

利用智能感知物联网采集实时性的原始学习状态数据，包括面部表情、脑电信号、头部姿态、交互行为等原始数据，这些数据具有数据量大、模态多、冗余度高等特点，需要通过智能化的预处理方法转换成可以量化的状态数据。

3.多层次数据差分隐私保护技术

学习行为数据是学习者被动采集的多方面行为数据，受到日益增长的具有争议性的数据伦理的制约。该项技术通过数据隐私保护机制实现数据多层次化的差分隐私安全算法；在保证学习者最大数据隐私性的前提下，研究满足学习行为分析所需要的数据颗粒度。