胡航 楊旸

【摘 要】

深度學(xué)習(xí)評價是多領(lǐng)域交叉形成的一個新方向，通過采集并構(gòu)建深度學(xué)習(xí)數(shù)據(jù)庫創(chuàng)設(shè)深度學(xué)習(xí)評價分析模型以達到優(yōu)化教育評價的目的。根據(jù)目前的研究基礎(chǔ)和研究問題，深度學(xué)習(xí)數(shù)據(jù)庫根據(jù)“腦—行為—認(rèn)知—環(huán)境—技術(shù)”五種模態(tài)進行數(shù)據(jù)的采集、標(biāo)注與分析;學(xué)習(xí)績效預(yù)測利用運動預(yù)測指標(biāo)與課堂預(yù)測指標(biāo)，為分析和量化運動、課堂行為與學(xué)習(xí)績效之間的關(guān)系提供有力的評價支撐;深度學(xué)習(xí)評價分析基于“四個基本要素”“四個基本原則”這一前提，保證其遵循教育規(guī)律、教育現(xiàn)實與教育發(fā)展。未來基于多模態(tài)數(shù)據(jù)的深度學(xué)習(xí)評價可從數(shù)據(jù)采集自動化、整合預(yù)測模型、深化教育應(yīng)用、統(tǒng)一機理、增強決策智慧化等方面實施和改進。

【關(guān)鍵詞】? 多模態(tài);大數(shù)據(jù);深度學(xué)習(xí);行為分析;數(shù)據(jù)挖掘;學(xué)習(xí)績效預(yù)測;評價機制;教育決策

【中圖分類號】? ?G40-057? ? ? ? ?【文獻標(biāo)識碼】? A? ? ? ?【文章編號】? 1009-458x（2022）2-0013-07

隨著大數(shù)據(jù)分析、物聯(lián)網(wǎng)及人工智能等新興技術(shù)的發(fā)展，社會隨之發(fā)生源自內(nèi)核的變革，也引發(fā)教育范式的變化。教育評價范式的大轉(zhuǎn)型作為實現(xiàn)教育現(xiàn)代化2035的重要建設(shè)內(nèi)容，旨在通過利用數(shù)據(jù)分類、行為挖掘、數(shù)據(jù)預(yù)測與社會網(wǎng)絡(luò)分析等方法，收集、歸一、分析與報告有關(guān)學(xué)習(xí)者的相關(guān)數(shù)據(jù)，助力教育策略的數(shù)據(jù)化治理（艾興， 等， 2021）。

深度學(xué)習(xí)評價通過收集學(xué)習(xí)者行為、運動和課堂等多模態(tài)數(shù)據(jù)，搭建深度學(xué)習(xí)因子數(shù)據(jù)庫，建立預(yù)測模型，為學(xué)習(xí)者、教師、教育研究者與管理者提供全方位、全模式、全“人”的綜合應(yīng)用服務(wù)。目前已有研究團隊試圖通過對課堂數(shù)據(jù)進行空間建模、數(shù)據(jù)建模等，利用虛實結(jié)合的方法，以優(yōu)化學(xué)習(xí)體驗（牟智佳， 2020）。但大多數(shù)研究缺少具有全周期、全方位的多模態(tài)數(shù)據(jù)分析范式。本研究基于深度學(xué)習(xí)評價的相關(guān)研究基礎(chǔ)與問題（杜爽， 等， 2020; 胡航， 等， 2021; 李雅馨， 等， 2021），以深度學(xué)習(xí)評價機制為導(dǎo)向，歸納出深度學(xué)習(xí)評價的路徑與策略。

一、研究基礎(chǔ)與問題

（一）深度學(xué)習(xí)評價的相關(guān)研究

深度學(xué)習(xí)（Deeper Learning）是一種將教育學(xué)、心理學(xué)、腦科學(xué)與信息技術(shù)進行深度融合的學(xué)習(xí)機制。不同于計算機算法中的深度學(xué)習(xí)（Deep Learning），它注重知識的理解與整合，強調(diào)學(xué)習(xí)者的遷移與批判、關(guān)系溝通和協(xié)作能力的掌握（胡航， 2017）。深度學(xué)習(xí)評價在分析外顯表現(xiàn)（如上課表現(xiàn)、學(xué)習(xí)日志、學(xué)習(xí)成績等）的基礎(chǔ)上更強調(diào)內(nèi)隱表現(xiàn)（如心理、思維、學(xué)習(xí)行為動機等），研究行為表現(xiàn)與學(xué)習(xí)績效的關(guān)系。西南大學(xué)深度學(xué)習(xí)研究中心研發(fā)的思維評測系統(tǒng)，對學(xué)生知識的理解程度、學(xué)習(xí)習(xí)慣、思維模式等進行科學(xué)評測。與傳統(tǒng)教學(xué)評測方法不同的是，深度學(xué)習(xí)強調(diào)通過改變學(xué)生的學(xué)習(xí)習(xí)慣、思維習(xí)慣、心理動態(tài)等內(nèi)化的表征來實施教學(xué)評測（胡航， 等， 2020b）。深度學(xué)習(xí)從傳統(tǒng)的認(rèn)知層面擴展到了人際和自我層面，更具時代性和整合性，也更能體現(xiàn)出深度學(xué)習(xí)的本質(zhì)內(nèi)涵（胡航， 等， 2019）?；谶^程性數(shù)據(jù)的深度學(xué)習(xí)評價逐漸被教育研究者關(guān)注，更強調(diào)研究學(xué)生的學(xué)習(xí)情緒、學(xué)習(xí)行為、學(xué)習(xí)思維等多元化的內(nèi)隱特征（戴歆紫， 等， 2017）。

據(jù)此不難看出，計算機系統(tǒng)分析的學(xué)生行為，不能毫無顧忌地作為解釋學(xué)生認(rèn)知的終極手段，深度學(xué)習(xí)教學(xué)評價所提倡的技術(shù)與教育統(tǒng)一應(yīng)是包括知識與邏輯、情感態(tài)度、知識建構(gòu)、學(xué)習(xí)動作的統(tǒng)一，是由教學(xué)主體間相互影響內(nèi)化而成的。

（二）多模態(tài)數(shù)據(jù)的深度學(xué)習(xí)評價基礎(chǔ)

1. 早起、借閱行為與學(xué)習(xí)績效的關(guān)系

由于目前多模態(tài)數(shù)據(jù)教育評價研究主要集中在課堂學(xué)習(xí)環(huán)境下的數(shù)據(jù)收集與研究，但多模態(tài)數(shù)據(jù)應(yīng)是多場景、多環(huán)境的。基于目前可應(yīng)用的學(xué)習(xí)行為檢測技術(shù)，從生活場景與學(xué)習(xí)場景兩種數(shù)據(jù)庫入手，收集大學(xué)生早起行為與借閱行為的相關(guān)數(shù)據(jù)，劃分了大學(xué)生的校園卡消費頻次、消費時間、借閱次數(shù)、借閱時間、借閱種類等數(shù)據(jù)與學(xué)習(xí)績效之間的關(guān)系，試圖發(fā)現(xiàn)基于多模態(tài)行為數(shù)據(jù)關(guān)系的行為評價模式。結(jié)果表明：借閱行為和早起行為都與學(xué)習(xí)績效建立了相關(guān)關(guān)系，元認(rèn)知發(fā)揮了中介作用;早起行為主要反映出大學(xué)生元認(rèn)知體驗與計劃水平，早起時間比早起規(guī)律更能反映與學(xué)習(xí)績效的相關(guān)程度;借閱行為主要反映大學(xué)生元認(rèn)知思維活動監(jiān)控和反思上的差異，閱讀速度對學(xué)習(xí)績效有顯著影響，借閱量與閱讀深度促進專業(yè)知識技能的掌握。基于這一研究結(jié)果，更加確定了多模態(tài)數(shù)據(jù)庫搭建的重要性，以期為后續(xù)研究提供更高效率的數(shù)據(jù)分析基礎(chǔ)（杜爽， 等， 2020）。

2. 基于數(shù)據(jù)關(guān)系的學(xué)習(xí)績效預(yù)測模型構(gòu)建

在前期研究中，通過采集800多名大學(xué)生的生活數(shù)據(jù)，構(gòu)建在線學(xué)習(xí)行為、早起行為、借閱行為和學(xué)習(xí)績效預(yù)測指標(biāo)，通過五種機器學(xué)習(xí)模型對學(xué)習(xí)績效進行預(yù)測分析，結(jié)合提升（Boosting）和裝袋（Bagging）兩種方法提高預(yù)測模型的準(zhǔn)確率，并與人工神經(jīng)網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)模型進行預(yù)測性能對比。研究表明：一是多場景行為表現(xiàn)指標(biāo)有較強預(yù)測能力，深度神經(jīng)網(wǎng)絡(luò)模型預(yù)測準(zhǔn)確率最高（82%），但耗時最多;二是結(jié)合決策樹與規(guī)則模型建立了分類規(guī)則、易讀性高和易操作等特點，可實現(xiàn)多場景學(xué)習(xí)行為診斷，實現(xiàn)精準(zhǔn)教學(xué)干預(yù)、學(xué)習(xí)資源推薦與教育決策推薦（胡航， 等， 2021）。

3. 預(yù)測模型應(yīng)用：基于運動與學(xué)習(xí)的分析

為了能夠更好地驗證預(yù)測模型的可靠性，研究團隊采集了1，053名大學(xué)生12周運動日志和課堂視頻，構(gòu)建了運動與課堂行為預(yù)測指標(biāo)，通過采用決策樹和規(guī)則算法生成直觀、可讀性較強的決策樹圖形和規(guī)則集，構(gòu)建預(yù)警閾值區(qū)間和行為預(yù)警策略;通過深度學(xué)習(xí)模型形成預(yù)測指標(biāo)的先導(dǎo)經(jīng)驗，應(yīng)用主成分法和熵值法得到兩種行為的權(quán)重和得分區(qū)間，構(gòu)建行為組合評價策略。研究表明：一是學(xué)習(xí)績效模型能有效基于運功與課堂行為數(shù)據(jù)預(yù)測對學(xué)習(xí)績效的影響，課堂專注時間對學(xué)習(xí)績效的影響最大;二是學(xué)習(xí)行為預(yù)警策略能有效發(fā)現(xiàn)學(xué)生行為變化規(guī)律，提高教學(xué)管理能力;三是學(xué)習(xí)行為組合評價策略能量化行為特征值與學(xué)習(xí)績效的關(guān)系，提升教育治理水平;四是對學(xué)習(xí)績效模型的局限性與改良進行了探討，為模型的進一步應(yīng)用提供發(fā)展方向（李雅馨， 等， 2021）。

（三）問題發(fā)現(xiàn)

1. 多模態(tài)數(shù)據(jù)結(jié)構(gòu)性與系統(tǒng)性不足

多模態(tài)學(xué)習(xí)分析關(guān)注收集各種類型的數(shù)據(jù)，注重對各類數(shù)據(jù)的整合分析，以期更準(zhǔn)確、全面地體現(xiàn)學(xué)習(xí)過程的復(fù)雜性（穆肅， 等， 2021）。目前在國內(nèi)的研究中所使用的多模態(tài)數(shù)據(jù)分類機制并沒有一個結(jié)構(gòu)化的標(biāo)準(zhǔn)。在前期的研究過程中，由于多模態(tài)數(shù)據(jù)具有多維整體、真實境脈、實時連續(xù)等特性，在數(shù)據(jù)分析過程中花費了大量的人力與物力。另外，多模態(tài)學(xué)習(xí)行為數(shù)據(jù)關(guān)系是學(xué)習(xí)者在課內(nèi)或課外活動中所表現(xiàn)出的強烈個人主觀意識，屬于內(nèi)顯因素的范疇;傳統(tǒng)的學(xué)習(xí)評價主要包括認(rèn)知與技能的遷移和轉(zhuǎn)換，并且能夠通過考試與訪談等方式得到評價結(jié)果，為一種外顯的因素（徐蕊玥， 等， 2019）。評價模式應(yīng)是將外顯與內(nèi)顯有機融合，以實現(xiàn)對教學(xué)過程和教學(xué)效果更加即時、多維、直觀、全面的分析。

2. 預(yù)測模型智能性與應(yīng)用性不強

預(yù)測學(xué)習(xí)效果本身并不是目的，而是為了給教師提供教學(xué)決策和行動方案制定的客觀依據(jù)，教學(xué)決策和行動方案會隨著客觀條件的變化而調(diào)整。因此，預(yù)測不應(yīng)一次完成，而應(yīng)是一個預(yù)測與調(diào)控持續(xù)循環(huán)反復(fù)的過程。通過構(gòu)建行為預(yù)警與組合評價策略能較好地對課堂行為進行分析和評測，但課堂視頻在分析中如果截取的圖像出現(xiàn)一些模糊影像，甚至有一些對抗樣本，會使行為特征數(shù)據(jù)的分布產(chǎn)生偏差，對后期預(yù)測模型的準(zhǔn)確性和泛化能力產(chǎn)生影響。目前的預(yù)測模型能較好地預(yù)測運動與課堂行為特征對學(xué)習(xí)績效的影響，但只能呈現(xiàn)行為與學(xué)習(xí)績效的關(guān)系，不能得出運動與課堂行為之間的聯(lián)系，特別是運動對課堂行為產(chǎn)生的影響，或是課堂行為與運動之間的關(guān)系，未能從模型中反映出來。

3. 評價機制科學(xué)性與有效性不夠

學(xué)習(xí)的發(fā)生通常都伴隨著五個維度的動態(tài)變化，即認(rèn)知遷移、思維變遷、行為伴隨、情感投入、環(huán)境變化與技術(shù)支撐，這五個維度互相交織并互相作用（張生， 等， 2021）。不論最終的學(xué)習(xí)層次和效果如何，學(xué)習(xí)者在整個學(xué)習(xí)過程中五個維度的變化都應(yīng)成為教育評價機制科學(xué)性和有效性的重要依據(jù)。從評價方式來看，目前的評價方式雖已逐步開始利用信息化手段來得到學(xué)習(xí)者畫像、課堂畫像、學(xué)習(xí)者在線平臺行為軌跡等，但程度依然不夠（胡航， 楊旸， 2020a）。隨著信息技術(shù)的快速發(fā)展，教育評價通過利用多維數(shù)據(jù)來記錄學(xué)習(xí)者的成長歷程，應(yīng)重點關(guān)注學(xué)習(xí)者的學(xué)習(xí)能力水平、多元智能發(fā)展、認(rèn)知能力培養(yǎng)、深度學(xué)習(xí)思維變化、情感態(tài)度等問題。從評價結(jié)果來看，學(xué)生考試分?jǐn)?shù)的背后應(yīng)具有更為深刻與豐富的意蘊，教師與研究者應(yīng)從更為辯證、科學(xué)和深入的角度來看待。

4. 教育決策可靠性與扎根性不力

數(shù)據(jù)智能化作為實現(xiàn)教學(xué)對象“可觀測、分析、解釋、預(yù)言和調(diào)控”的有效技術(shù)手段，能夠細(xì)致化學(xué)習(xí)者的行為模式、量化學(xué)習(xí)者個人屬性（如生理、人格、知識、意向和情感等）、預(yù)測學(xué)習(xí)者的學(xué)習(xí)績效、透視人的心理與動機，最終進行干預(yù)與調(diào)控（段偉文， 2018）。如今，縱觀教育體系中宏觀層面的教育體制與教育管理，在中觀層面的數(shù)字化教育決策服務(wù)和微觀層面的數(shù)據(jù)化建設(shè)等方面，研究成果依然不夠多，仍不足以為教育決策提供可靠的理論支撐（張琪， 等， 2021）。另外，我國目前的教育決策仍然囿于垂直式管理，組織結(jié)構(gòu)、運作模式、專業(yè)結(jié)構(gòu)、隊伍特質(zhì)等方面的自我強化特征明顯（王小飛， 閆麗雯， 2020）。在數(shù)據(jù)化驅(qū)動教育決策、結(jié)構(gòu)化變革教育的數(shù)字化時代，亟待使用多模態(tài)數(shù)據(jù)分析技術(shù)對教育決策進行細(xì)致化、量化的分析，為扎根數(shù)字化教育決策提供重要依據(jù)（顧小清， 2020）。

未來應(yīng)重點關(guān)注多模態(tài)數(shù)據(jù)分析視閾下深度學(xué)習(xí)評價體系的構(gòu)建，以及在不同教育場景的應(yīng)用效果研究，幫助教師利用診斷性評測、學(xué)習(xí)檔案評價及大數(shù)據(jù)評價等評價方式，實現(xiàn)精準(zhǔn)分析與全域關(guān)照，促進學(xué)習(xí)者的個體價值回歸與主體價值增值。

二、深度學(xué)習(xí)評價分析路徑

學(xué)習(xí)者無論在何種學(xué)習(xí)空間中開展學(xué)習(xí)活動都會產(chǎn)生相應(yīng)的教育場景數(shù)據(jù)（McAfee， et al.， 2012）。在復(fù)雜的教育環(huán)境下，數(shù)據(jù)的采集與來源變得更加多元，不僅包括傳統(tǒng)教育場景與線上教育平臺，還包括學(xué)習(xí)者在社會環(huán)境下伴隨著生活作息、思維表征、認(rèn)知變遷等所產(chǎn)生的多模態(tài)數(shù)據(jù)（楊現(xiàn)民， 等， 2021）。深度學(xué)習(xí)評價分析模型是智慧化評價路徑中至關(guān)重要的一步，其本質(zhì)是依據(jù)不同的教育場景（如生活場景、課內(nèi)學(xué)習(xí)場景、課外學(xué)習(xí)場景等）構(gòu)建相應(yīng)的評價體系，包括多模態(tài)數(shù)據(jù)采集、學(xué)習(xí)績效預(yù)測和綜合應(yīng)用三個階段（如圖1所示）。

（一）多模態(tài)數(shù)據(jù)采集

深度學(xué)習(xí)強調(diào)的是將腦、認(rèn)知、行為、環(huán)境與技術(shù)融合，并促進學(xué)習(xí)空間從傳統(tǒng)單一的教室實體向物理空間和網(wǎng)絡(luò)空間高度融合的混合式學(xué)習(xí)空間變遷。隨著可穿戴設(shè)備、大數(shù)據(jù)挖掘技術(shù)、人機交互等技術(shù)的不斷興起與更新，推動傳統(tǒng)教學(xué)環(huán)境下的多模態(tài)數(shù)據(jù)得以采集。根據(jù)復(fù)合場景（生活場景、課內(nèi)學(xué)習(xí)場景和課外學(xué)習(xí)場景）下的多模態(tài)數(shù)據(jù)采集構(gòu)建深度學(xué)習(xí)數(shù)據(jù)庫（如圖2所示），包括數(shù)據(jù)采集、數(shù)據(jù)標(biāo)注和數(shù)據(jù)分析三個階段。每個階段相互作用與影響，數(shù)據(jù)庫內(nèi)各層級數(shù)據(jù)互為因果并形成一定的循環(huán)（如圖3所示）。需要說明的是，圖2和圖3為相互對應(yīng)的關(guān)系，內(nèi)核層表示深度學(xué)習(xí)數(shù)據(jù)庫的合集，最外層表示數(shù)據(jù)庫中的具體數(shù)據(jù)對象，從內(nèi)核層到具體數(shù)據(jù)層表示的是數(shù)據(jù)的逐步細(xì)化與學(xué)習(xí)表征的過程。

第一階段是數(shù)據(jù)采集。基于攝像頭、麥克風(fēng)、腦電設(shè)備、眼動設(shè)備、心理傳感器等模態(tài)傳感器，利用深度學(xué)習(xí)、人工智能、大數(shù)據(jù)深度挖掘和區(qū)塊鏈等技術(shù)，對學(xué)習(xí)者學(xué)習(xí)過程中的行為及其環(huán)境數(shù)據(jù)進行采集。通過云存儲平臺引入面向區(qū)塊鏈的訪問控制、安全計算和同態(tài)加密等信息安全技術(shù)，對研究實驗中產(chǎn)生的多模態(tài)數(shù)據(jù)進行切片化處理，并對各切片數(shù)據(jù)予以加密，使參與計算的各方能夠保證在不向驗證者提供任何信息的情況下，保證驗證者論斷的正確性，從而有效避免引入第三方造成對數(shù)據(jù)的竊取或者窺視（牟智佳， 2020）。該數(shù)據(jù)庫按照性別、學(xué)段、學(xué)科、行為和區(qū)域等字段，反映學(xué)習(xí)者個體及群體的學(xué)習(xí)現(xiàn)狀與規(guī)律，為多模態(tài)數(shù)據(jù)庫的特征提取和融合數(shù)據(jù)提供存儲支持。

第二階段是數(shù)據(jù)標(biāo)注?；趯ι黼娦盘栠M行濾波、通道檢測等預(yù)處理，提取24～36組與相空間重構(gòu)相關(guān)的嵌入維、延遲時間、Lyapunov指數(shù)及關(guān)聯(lián)維等非線性特征，采用自適應(yīng)閾值進行歸一化，對獨立成分分析（ICA）進行降維，遞歸量化分析（RQA）計算相關(guān)參數(shù)，提取眼動信號的近似熵和樣本熵，以及皮膚電信號的SCL和SCR值。

第三階段是數(shù)據(jù)分析。深度學(xué)習(xí)因子數(shù)據(jù)分析階段采用深度信念網(wǎng)絡(luò)（DBN）對五種模態(tài)數(shù)據(jù)進行決策分類，構(gòu)建元認(rèn)知、學(xué)習(xí)投入度、學(xué)習(xí)專注度和學(xué)習(xí)情緒四個學(xué)習(xí)指標(biāo);在決策階段采用深度玻爾茲曼機（DBM）對四個學(xué)習(xí)指標(biāo)進行決策分類，構(gòu)建學(xué)習(xí)因子關(guān)系模型，進而分析深度學(xué)習(xí)的認(rèn)知水平，最終建立一個完整、可信的多模態(tài)深度學(xué)習(xí)數(shù)據(jù)庫。

可見，在深度學(xué)習(xí)數(shù)據(jù)庫建構(gòu)與運行的三個階段，每個階段都有明確的構(gòu)建任務(wù)、發(fā)展目標(biāo)與核心技術(shù)，各階段相互影響、層層遞進并互為因果，具有內(nèi)在的嚴(yán)謹(jǐn)性和系統(tǒng)性。

（二）學(xué)習(xí)績效預(yù)測

在前期研究的基礎(chǔ)上，更新了基于多模態(tài)的深度學(xué)習(xí)績效預(yù)測模型，其研究流程如圖4所示。

其一，在標(biāo)注指標(biāo)數(shù)據(jù)源上，按照學(xué)習(xí)成績將學(xué)生分為A組（大于、等于80）和B組（小于80），通過兩個策略在這個二分類問題中的應(yīng)用來綜合分析運動與課堂行為和學(xué)習(xí)績效之間的關(guān)系，主要從兩條路徑構(gòu)建學(xué)習(xí)績效模型的應(yīng)用策略。其二，在行為預(yù)警策略構(gòu)建上，首先通過機器學(xué)習(xí)建立決策樹（C&R）和規(guī)則（JRip）模型，分別用于行為指標(biāo)分類的可視化和學(xué)習(xí)行為規(guī)則集的生成;然后將行為規(guī)則集中的關(guān)鍵分類閾值進行合并和轉(zhuǎn)換，確定用于行為預(yù)警判斷的閥值區(qū)間;最后生成運動與課堂行為預(yù)警策略。其三，在行為組合評價策略構(gòu)建上，首先通過對機器深度學(xué)習(xí)分類模型（WekaDeeplearning4j）與決策樹和規(guī)則預(yù)測模型進行預(yù)測效果的比較，確定最優(yōu)預(yù)測模型的預(yù)測結(jié)果，得到預(yù)測指標(biāo)，即先導(dǎo)經(jīng)驗[λ];然后使用主成分法計算運動與課堂行為類型的權(quán)重系數(shù)，同時使用熵值法，結(jié)合[λ]計算兩個行為類型中行為指標(biāo)的權(quán)重系數(shù);最終得到調(diào)整后的運動與課堂行為權(quán)重系數(shù)，同時計算行為特征、行為類型和組合評價的得分區(qū)間，為分析和量化運動與課堂行為對學(xué)習(xí)績效之間的關(guān)系提供有力的評價支撐。

（三）深度學(xué)習(xí)評價分析運行機制

基于多模態(tài)數(shù)據(jù)的深度學(xué)習(xí)評價分析運行機制，一方面以多模態(tài)數(shù)據(jù)與學(xué)習(xí)者為核心，在復(fù)合場景（生活場景、課內(nèi)學(xué)習(xí)場景和課外學(xué)習(xí)場景）中進行數(shù)據(jù)采集與分析;另一方面，學(xué)習(xí)者、技術(shù)和環(huán)境三者之間存在一個雙向動態(tài)且交互的關(guān)系，以期保證深度學(xué)習(xí)評價分析的正常運行。另外，在評價體系中還應(yīng)包含對教學(xué)、科研、管理和評價的綜合應(yīng)用，涉及實現(xiàn)步驟與前提可被理解為“四個關(guān)鍵要素”和“四個基本原則”，為深度學(xué)習(xí)評價分析研究提供支撐。

1. 四個關(guān)鍵要素

“四個關(guān)鍵要素”和“四個基本原則”保證基于多模態(tài)數(shù)據(jù)的深度學(xué)習(xí)評價分析的可實施性和系統(tǒng)性。其中，“四個關(guān)鍵要素”包括數(shù)據(jù)采集與預(yù)測、多模態(tài)數(shù)據(jù)融合、動態(tài)交互協(xié)作和學(xué)習(xí)服務(wù)，成為深度學(xué)習(xí)評價運行和優(yōu)化的重要支撐。

（1）數(shù)據(jù)采集與預(yù)測。一是采集與捕獲數(shù)據(jù)設(shè)備，需選用具有適應(yīng)性、前沿性和豐富性的設(shè)備，以保證數(shù)據(jù)采集的針對性、有效性和全面性，為構(gòu)建具有科學(xué)性的深度學(xué)習(xí)數(shù)據(jù)庫提供堅實的基礎(chǔ);二是模型運行與檢測，需實現(xiàn)全自動與動態(tài)運行，保證循環(huán)驗證，并實時關(guān)注學(xué)習(xí)者的指標(biāo)變化與動態(tài)表現(xiàn)，以避免學(xué)習(xí)者與預(yù)測模型的差異過大問題。

（2）多模態(tài)數(shù)據(jù)融合。通過多種傳感器，基于大數(shù)據(jù)、深度學(xué)習(xí)等相關(guān)算法對數(shù)據(jù)進行特征提取與處理，保證分析模型的準(zhǔn)確性、科學(xué)性和系統(tǒng)性。

（3）動態(tài)交互協(xié)作。在整個分析模型中，各場景、各要素與各階段需要協(xié)調(diào)運作，針對復(fù)雜問題，實現(xiàn)“人—技術(shù)—數(shù)據(jù)—環(huán)境”四個要素的和諧與統(tǒng)一。這就涉及虛實體內(nèi)多主體的動態(tài)交互協(xié)作，如學(xué)習(xí)者與傳感器、可穿戴設(shè)備、環(huán)境、教師、同學(xué)和教務(wù)系統(tǒng)間的交流與反饋。

（4）學(xué)習(xí)服務(wù)。為彰顯深度學(xué)習(xí)評價分析模型的關(guān)鍵要素，針對模型的開發(fā)、運行、調(diào)控、評測與優(yōu)化都需要以學(xué)生為主體。不僅要明確服務(wù)的標(biāo)準(zhǔn)與目標(biāo)，更要不斷提高模型的服務(wù)水平，同時提高滿足學(xué)習(xí)者切實需要的智慧化適應(yīng)能力。

2. 四個基本原則

為了保證模型的科學(xué)性與有效性，深度學(xué)習(xí)評價在實施過程中還需遵守“四個基本原則”，即遵循現(xiàn)實基礎(chǔ)、保持?jǐn)?shù)據(jù)更新、增加模型數(shù)量和緊跟時代前沿。

（1）遵循現(xiàn)實基礎(chǔ)。這里指的是在進行深度學(xué)習(xí)評價分析模型構(gòu)建之前，要對學(xué)校的智慧化建設(shè)現(xiàn)狀、信息化建設(shè)條件等進行全面核實，以保證構(gòu)建具有適應(yīng)性的模型設(shè)計方案。

（2）保持?jǐn)?shù)據(jù)更新。多模態(tài)在積累到一定數(shù)量的同時，需要兼顧數(shù)據(jù)的“新鮮度”，以保證系統(tǒng)學(xué)生數(shù)據(jù)的多樣化，以此充分發(fā)揮內(nèi)部數(shù)據(jù)的有效性。另外，管理者與研究者還要充分考慮學(xué)生數(shù)據(jù)的隱私性與保密性，在后期研究與開發(fā)中做好數(shù)據(jù)庫的保密與整理工作。

（3）增加模型數(shù)量?；诙嗄B(tài)的深度學(xué)習(xí)評價分析模型的最終目標(biāo)是實現(xiàn)全方位、全模態(tài)、全周期并具有高度適應(yīng)性的教育評價，需要研究者融合多學(xué)科、多領(lǐng)域的知識與技術(shù)，逐步達到符合全學(xué)段、全類型的深度學(xué)習(xí)評價分析模型。

（4）緊跟時代前沿。為創(chuàng)建一個具有高度精密性、具有智慧決策性的深度學(xué)習(xí)評價分析模型，研究者、學(xué)校、管理機構(gòu)等需要緊跟時代發(fā)展（艾興， 等， 2021）。遵循現(xiàn)實基礎(chǔ)，通過不間斷地提高模型質(zhì)量逐步達到能夠精準(zhǔn)預(yù)測學(xué)習(xí)者的先知、先覺與共智，以此實現(xiàn)深度學(xué)習(xí)評價分析模型的價值最大化。

三、深度學(xué)習(xí)評價策略

深度學(xué)習(xí)評價在跨空間、跨學(xué)科與跨時段的視閾下進行數(shù)據(jù)記錄、采集、加工與處理，實現(xiàn)數(shù)據(jù)在深度學(xué)習(xí)評價分析模型中流暢地運行與累加，以此實現(xiàn)高效能的一種評價方法。基于以上分析，構(gòu)建了深度學(xué)習(xí)評價策略（如圖5所示）。

（一）開發(fā)自動化的采集裝備與技術(shù)

隨著多模態(tài)數(shù)據(jù)分析技術(shù)的普及與更新，高維度、多樣化的數(shù)據(jù)采集工程變得更加復(fù)雜與煩瑣。當(dāng)前，通過使用可穿戴設(shè)備、體感交互設(shè)備等，在特定的教育環(huán)境或教育實驗室中采集數(shù)據(jù)并進行分析，這樣的評價方式具有一定的特定性與實驗性，對于學(xué)習(xí)狀態(tài)的分析存在局限性與非自然性。后續(xù)研究應(yīng)通過構(gòu)建深度學(xué)習(xí)數(shù)據(jù)庫，搭建低成本和常態(tài)環(huán)境下的自動化采集設(shè)備，結(jié)合各類行為數(shù)據(jù)與整個學(xué)習(xí)過程中累積產(chǎn)生的日志類環(huán)境數(shù)據(jù)，實現(xiàn)自動化數(shù)據(jù)標(biāo)注與注釋，為深度學(xué)習(xí)評價提供堅實的技術(shù)支撐。

（二）建設(shè)跨時空的多模態(tài)預(yù)測模型

就模型而言，科學(xué)建模的前提是具有形成、評價與支持的情境，需要在研發(fā)、反饋與運行的過程中解決問題，并揭示事物的發(fā)生機制。因此，需要整合多種方法，而非單一的解決方法。在融合式的教育應(yīng)用環(huán)境下（如學(xué)前教育、基礎(chǔ)教育、職業(yè)教育等），探索多模態(tài)數(shù)據(jù)與深度學(xué)習(xí)更高階的關(guān)系映射，并進行類推以形成系統(tǒng)化的預(yù)測模型?，F(xiàn)今較為普及的多模態(tài)數(shù)據(jù)呈現(xiàn)分布式和散狀的狀態(tài)，需要整合物理環(huán)境與網(wǎng)絡(luò)環(huán)境的學(xué)習(xí)軌跡與交互進行分析，最終實現(xiàn)對跨時空學(xué)習(xí)過程中的腦、行為、認(rèn)知、環(huán)境、技術(shù)等關(guān)系的立體建模，預(yù)測影響深度學(xué)習(xí)真實發(fā)生的生理信號及其行為變化。

（三）探索深度學(xué)習(xí)評價的教學(xué)應(yīng)用策略

當(dāng)前教育評價領(lǐng)域主要以單模態(tài)分析與可視化技術(shù)為主，所開發(fā)的數(shù)據(jù)采集與分析技術(shù)主要集中于學(xué)習(xí)者在學(xué)習(xí)活動中的行為數(shù)據(jù)、操作日志與交互數(shù)據(jù)等，導(dǎo)致學(xué)習(xí)分析結(jié)果主要停留在學(xué)習(xí)成績、資源使用時長及社交數(shù)據(jù)等外顯行為的表征上，較少涉及學(xué)習(xí)情緒、學(xué)習(xí)思維、學(xué)習(xí)認(rèn)知與學(xué)習(xí)心理等內(nèi)隱行為的分析（張志禎， 等， 2021）。近年來，隨著機器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)分析與大數(shù)據(jù)挖掘技術(shù)等的快速發(fā)展，非結(jié)構(gòu)化數(shù)據(jù)（如圖像、影像、文本等）可被識別與解析，程序性工作被機器簡化（高巍， 等， 2020）。通過利用現(xiàn)有的成熟技術(shù)開發(fā)全自動化、可拆解的深度學(xué)習(xí)評價分析工具，并與不同學(xué)段、不同學(xué)科的教學(xué)場景有機融合，提升深度學(xué)習(xí)課堂的學(xué)習(xí)體驗，與當(dāng)下課堂學(xué)與教現(xiàn)實緊密契合，提升個性化的學(xué)習(xí)感知與學(xué)習(xí)反饋，實現(xiàn)深度學(xué)習(xí)評價分析與教學(xué)場景的動態(tài)轉(zhuǎn)化。

（四）探索統(tǒng)合學(xué)習(xí)科學(xué)與計算機科學(xué)的深度學(xué)習(xí)機理

深度學(xué)習(xí)評價是基于交叉學(xué)科形成的全新領(lǐng)域，在學(xué)習(xí)科學(xué)與計算機科學(xué)中同時開展關(guān)于多模態(tài)數(shù)據(jù)分析的研究探索。但兩者對于“學(xué)習(xí)”的解釋卻不盡相同（魏華燕， 等， 2019）。學(xué)習(xí)科學(xué)研究的是實現(xiàn)學(xué)習(xí)者認(rèn)知和思維轉(zhuǎn)化的學(xué)習(xí);計算機科學(xué)則是通過計算機模擬和仿真人的學(xué)習(xí)（如AlphaGo等），強調(diào)從數(shù)據(jù)中尋找學(xué)習(xí)的規(guī)律，并對未知的數(shù)據(jù)進行預(yù)測建模。而學(xué)習(xí)的過程既需要腦科學(xué)和心理學(xué)的測量，也需要基于人工智能的自動化分析。為了加大深度學(xué)習(xí)評價分析的可持續(xù)性，需要為兩大學(xué)科建構(gòu)共同的話語體系，共筑研究成果共享平臺，探索深度學(xué)習(xí)的內(nèi)在機理，同時為創(chuàng)新學(xué)習(xí)理論夯實基礎(chǔ)。

（五）提高教育決策與教育治理的智慧化

深度學(xué)習(xí)評價可以為改進教育決策提供數(shù)據(jù)依據(jù)，為教育管理提供符合現(xiàn)實需求與未來發(fā)展的決策參考（胡航， 等， 2021），以實現(xiàn)從教育數(shù)據(jù)到教育意義的分析和闡釋。另外，教育發(fā)展的核心應(yīng)是教育，而非技術(shù)（黃琰， 等， 2020）。智慧化的教育決策與教育治理，應(yīng)緊緊圍繞教育過程，以創(chuàng)建理論解釋與發(fā)展教學(xué)理論為價值導(dǎo)向（黃平， 等， 2013）。

四、結(jié)束語

多模態(tài)數(shù)據(jù)分析視閾下的深度學(xué)習(xí)評價注重真實性、創(chuàng)新性、協(xié)同性的教育過程挖掘與實踐改進，能夠較好地解決教育需求轉(zhuǎn)變、教育過程挖掘困難、多模態(tài)數(shù)據(jù)復(fù)雜等問題，以實現(xiàn)教育規(guī)律、教育本質(zhì)與教育價值的科學(xué)把握為終極目標(biāo)。因此，為了確保深度學(xué)習(xí)因子與分析結(jié)論具有教育性意義與操作化價值，已有理論與操作機制是一個關(guān)鍵橋梁，可以指導(dǎo)研究者應(yīng)該關(guān)注哪些學(xué)習(xí)變量，并為解釋結(jié)果提供框架。然而，目前的自動收集、處理不同模態(tài)的方式與工具仍不夠成熟，可用于表征學(xué)習(xí)的顯著性特征還沒有形成體系，在不同的學(xué)習(xí)場景中如何有效地組合不同模態(tài)數(shù)據(jù)還缺乏基礎(chǔ)性探索。在新一輪人工智能和教育評價改革的推動下，深度學(xué)習(xí)評價勢必成為驅(qū)動教育發(fā)展的重要力量。

[參考文獻]

艾興，張玉. 2021. 從數(shù)字畫像到數(shù)字孿生體：數(shù)智融合驅(qū)動下數(shù)字孿生學(xué)習(xí)者構(gòu)建新探[J]. 遠程教育雜志，39（1）：41-50.

戴歆紫，王祖浩. 2017. 國外深度學(xué)習(xí)的分析視角及評價方法[J]. 外國教育研究，44（10）：45-58.

杜爽，飛云倩，何牧，胡航. 2020. 大學(xué)生“早起”和“借閱”行為與學(xué)習(xí)績效的關(guān)系研究[J]. 中國遠程教育（11）：47-58，77.

段偉文. 2018. 數(shù)據(jù)智能的算法權(quán)力及其邊界?？盵J]. 探索與爭鳴（10）：92-100，143.

高巍，徐仕曄. 2020. 基于視頻分析的反思性教學(xué)模型優(yōu)化研究[J]. 教師教育學(xué)報，7（1）：86-92.

顧小清. 2020. 玩轉(zhuǎn)教育大數(shù)據(jù)，破解“學(xué)習(xí)如何發(fā)生”——淺析數(shù)據(jù)驅(qū)動下的學(xué)習(xí)分析技術(shù)[J]. 教育家（34）：32-34.

胡航. 2017. 技術(shù)促進小學(xué)數(shù)學(xué)深度學(xué)習(xí)的實證研究[D]. 東北師范大學(xué).

胡航，杜爽，梁佳柔，康忠琳. 2021. 學(xué)習(xí)績效預(yù)測模型構(gòu)建：源于學(xué)習(xí)行為大數(shù)據(jù)分析[J]. 中國遠程教育（4）：8-20，76.

胡航，李雅馨. 2021. 學(xué)習(xí)績效預(yù)測模型的應(yīng)用：運動與課堂行為關(guān)系研究[J]. 中國遠程教育（10）：19-28.

胡航，李雅馨，曹一凡，趙秋華，郎啟娥. 2019. 腦機交互促進學(xué)習(xí)有效發(fā)生的路徑及實驗研究——基于在線學(xué)習(xí)系統(tǒng)中的注意力干預(yù)分析[J]. 遠程教育雜志，37（4）：54-63.

胡航，楊旸. 2020a. 公共危機中在線教育的反思[J]. 終身教育研究，31（4）：37-43.

胡航，楊旸. 2020b. 深度學(xué)習(xí)：從“點”走向“變換”[J]. 今日教育（6）：50-55.

胡航，楊旸，飛云倩. 2021. 教育信息化助推教育現(xiàn)代化：使命、路徑與策略[J]. 教學(xué)研究，44（1）：24-31.

黃平，李太平. 2013. 教育過程的界定及其生成特性的詮釋[J]. 教育研究，34（7）：18-27.

黃濤，趙媛，耿晶，王涵，張浩，楊華利. 2021. 數(shù)據(jù)驅(qū)動的精準(zhǔn)化學(xué)習(xí)評價機制與方法[J]. 現(xiàn)代遠程教育研究，33（1）：3-12.

黃琰，趙呈領(lǐng)，趙剛，劉軍，疏鳳芳，李紅霞. 2020. 教育過程挖掘智能技術(shù)：研究框架、現(xiàn)狀與趨勢[J]. 電化教育研究，41（8）：49-57.

牟智佳. 2020. 多模態(tài)學(xué)習(xí)分析：學(xué)習(xí)分析研究新生長點[J]. 電化教育研究，41（5）：27-32，51.

穆肅，崔萌，黃曉地. 2021. 全景透視多模態(tài)學(xué)習(xí)分析的數(shù)據(jù)整合方法[J]. 現(xiàn)代遠程教育研究，33（1）：26-37，48.

田愛麗. 2020. 綜合素質(zhì)評價：智能化時代學(xué)習(xí)評價的變革與實施[J]. 中國電化教育（1）：109-113，121.

王小飛，閆麗雯. 2020. 政府教育智庫服務(wù)教育決策的路徑依賴與突破[J]. 中國高教研究（11）：38-42.

魏華燕，余亮，弓瀟然. 2019. 混合式教學(xué)情境下生成性資源的進化與促進策略[J]. 教師教育學(xué)報，6（5）：66-74.

徐蕊玥，周琴. 2019. 基于知識圖譜分析的國內(nèi)外智慧教育研究熱點[J]. 教師教育學(xué)報，6（6）：39-46.

楊現(xiàn)民，趙瑞斌. 2021. 智能技術(shù)生態(tài)驅(qū)動未來教育發(fā)展[J]. 現(xiàn)代遠程教育研究，33（2）：13-21.

張琪，王丹. 2021. 智能時代教育評價的意蘊、作用點與實現(xiàn)路徑[J]. 中國遠程教育（2）：9-16，76.

張生，王雪，齊媛. 2021. 人工智能賦能教育評價：“學(xué)評融合”新理念及核心要素[J]. 中國遠程教育（2）：1-8，16，76.

張志禎，齊文鑫. 2021. 教育評價中的信息技術(shù)應(yīng)用：賦能、挑戰(zhàn)與對策[J]. 中國遠程教育（3）：1-11，76.

McAfee， A.， Brynjolfsson， E.， & Davenport， T. H.， et al. （2012）. Big Data： The Management Revolution. Harvard Business Review， 90（10）： 60-68.

收稿日期：2021-04-06

定稿日期：2021-07-10

作者簡介：胡航，博士，副教授，碩士生導(dǎo)師，西南大學(xué)教師教育學(xué)院卓越教學(xué)中心主任，學(xué)習(xí)教學(xué)與智能化研究中心副主任（400715）。

楊旸，碩士，講師，本文通訊作者，柳州職業(yè)技術(shù)學(xué)院（545006）。

責(zé)任編輯 韓世梅