[中圖分類號(hào)]G434 [文獻(xiàn)標(biāo)志碼]A

[作者簡(jiǎn)介]王洪江（1977—），男，浙江紹興人。教授，博士，主要從事在線教學(xué)理論、人工智能教育應(yīng)用研究。E-mail：wanghongjiang@m.scnu.edu.cn。

一、引言

隨著全球數(shù)字化浪潮的推進(jìn)，數(shù)字技術(shù)逐步推動(dòng)教育數(shù)字化轉(zhuǎn)型發(fā)展I，為教育系統(tǒng)帶來諸多新機(jī)遇。2022年2月，《教育部高等教育司關(guān)于印發(fā)2022年工作要點(diǎn)的通知》要求，“全面推進(jìn)高等教育教學(xué)數(shù)字化，打造全球在線教育資源公共平臺(tái)\"2]。2024年1月，《數(shù)字化引領(lǐng)教育變革新風(fēng)向一一年來國家教育數(shù)字化戰(zhàn)略行動(dòng)發(fā)展觀察》表明，“以慕課和在線教育為抓手，高等教育數(shù)字化轉(zhuǎn)型的步伐在不斷加快\"3]?？梢?，教育數(shù)字化轉(zhuǎn)型新局面推動(dòng)了在線教育持續(xù)發(fā)展，進(jìn)一步釋放在線學(xué)習(xí)變革教學(xué)方式的潛力。然而，在線學(xué)習(xí)者元認(rèn)知能力普遍較低，無法有效審視自身學(xué)習(xí)過程并做出反饋調(diào)整，導(dǎo)致在線學(xué)習(xí)成效受到影響4。元認(rèn)知是反映或調(diào)節(jié)認(rèn)知活動(dòng)的任一方面知識(shí)或認(rèn)知活動(dòng)，在線學(xué)習(xí)者需調(diào)整自身元認(rèn)知能力以適應(yīng)在線學(xué)習(xí)環(huán)境。因此，對(duì)在線學(xué)習(xí)者元認(rèn)知能力進(jìn)行模型構(gòu)建，可以為其提供調(diào)整學(xué)習(xí)策略和過程的依據(jù)，促進(jìn)深度學(xué)習(xí)的發(fā)生。但當(dāng)前關(guān)于在線學(xué)習(xí)者元認(rèn)知能力的建模研究缺乏理論依據(jù)，且元認(rèn)知能力表征模態(tài)選取也較為單一，這在一定程度上削弱了模型的全面性與準(zhǔn)確性，影響在線學(xué)習(xí)成效。

多模態(tài)技術(shù)是對(duì)多種感官渠道（即“模態(tài)\"）進(jìn)行融合分析，以實(shí)現(xiàn)信息高效傳遞與感知的技術(shù)。多模態(tài)數(shù)據(jù)分析結(jié)果能夠?yàn)閺?fù)雜的學(xué)習(xí)過程提供全面洞察與客觀評(píng)價(jià)8，便于實(shí)現(xiàn)學(xué)習(xí)者模型的準(zhǔn)確全面構(gòu)建，進(jìn)而助力學(xué)習(xí)者建模的數(shù)字化轉(zhuǎn)型。因此，本研究梳理在線學(xué)習(xí)元認(rèn)知理論，基于在線課程中的多模態(tài)數(shù)據(jù)，構(gòu)建數(shù)字化模型并開展實(shí)證研究，旨在從理論和實(shí)踐兩方面解決當(dāng)前研究不足，為后續(xù)相關(guān)研究開展提供借鑒。

二、文獻(xiàn)綜述

（一）在線學(xué)習(xí)元認(rèn)知理論

在元認(rèn)知研究的早期，主要由Flavell和Brown對(duì)其概念進(jìn)行定義與界定。Flavell認(rèn)為，元認(rèn)知的兩要素是相對(duì)靜態(tài)的“元認(rèn)知知識(shí)\"和“元認(rèn)知體驗(yàn)\"Brown則更傾向于將其視為活動(dòng)過程，將兩要素界定為\"認(rèn)知知識(shí)\"和\"認(rèn)知調(diào)節(jié)\"[]。在此基礎(chǔ)上，董奇對(duì)元認(rèn)知結(jié)構(gòu)進(jìn)行三元細(xì)化，將其定義為“元認(rèn)知知識(shí)”“元認(rèn)知體驗(yàn)\"\"元認(rèn)知監(jiān)控\"。王亞南在上述\"三元論\"的定義上，提煉出三部分之間“相互聯(lián)系、密不可分\"的動(dòng)態(tài)連續(xù)特性[12]。隨著元認(rèn)知概念界定的明晰，研究者逐漸探索教育教學(xué)領(lǐng)域的元認(rèn)知應(yīng)用，并將其視為引導(dǎo)自我管理學(xué)習(xí)的重要機(jī)制[13]。然而，傳統(tǒng)教學(xué)環(huán)境的元認(rèn)知“三元論\"可能不適用于在線學(xué)習(xí)，原因如下：（1）元認(rèn)知知識(shí)在應(yīng)用層面存在差異。傳統(tǒng)課堂中，師生交互有助于學(xué)習(xí)者獲取和應(yīng)用元認(rèn)知知識(shí)。而在線學(xué)習(xí)中，學(xué)習(xí)者更多依賴于自我反思和自主學(xué)習(xí)，對(duì)元認(rèn)知知識(shí)有著更高要求。（2）元認(rèn)知體驗(yàn)在情感層面存在差異。相較于傳統(tǒng)學(xué)習(xí)環(huán)境，在線學(xué)習(xí)者將面臨因技術(shù)焦慮產(chǎn)生的情感變化，影響元認(rèn)知策略在學(xué)習(xí)過程中的應(yīng)用[4。（3）元認(rèn)知監(jiān)控在支持層面存在差異。針對(duì)傳統(tǒng)教學(xué)中學(xué)習(xí)者的自我監(jiān)控調(diào)節(jié)，教師會(huì)給予計(jì)劃和評(píng)估方面的支持。但在線師生處于異步狀態(tài)，教師提供的學(xué)習(xí)支持也僅限于間接作用[15]，無法直接影響學(xué)習(xí)者元認(rèn)知監(jiān)控過程。

（二）在線學(xué)習(xí)元認(rèn)知能力數(shù)字化建模

隨著技術(shù)不斷發(fā)展，在線學(xué)習(xí)元認(rèn)知能力數(shù)字化建模取得了一些突破。具體而言，已有研究從以下兩方面開展：（1）基于內(nèi)隱生理信號(hào)的數(shù)字化建模。Zargar等人通過設(shè)計(jì)眼動(dòng)任務(wù)并開展在線學(xué)習(xí)活動(dòng)，基于注視持續(xù)時(shí)間對(duì)元認(rèn)知監(jiān)控進(jìn)行數(shù)字化建模，以了解學(xué)習(xí)者的監(jiān)控困境；Dindar等人利用皮電活動(dòng)EDA（ElectrodermalActivity，EDA）對(duì)在線學(xué)習(xí)者元認(rèn)知體驗(yàn)進(jìn)行建模，為觀察和量化元認(rèn)知提供新的途徑[17]。（2）基于外顯學(xué)習(xí)行為的數(shù)字化建模。紀(jì)陽等人梳理了“參與\"“學(xué)習(xí)\"“方式\"等五類行為指標(biāo)集，基于16種行為指標(biāo)對(duì)在線學(xué)習(xí)元認(rèn)知能力進(jìn)行建模[8}；Zhang等人從“內(nèi)容\"\"評(píng)估\"等五類行為獲取學(xué)習(xí)者行為序列數(shù)據(jù)，對(duì)在線學(xué)習(xí)元認(rèn)知能力進(jìn)行數(shù)字化建模，發(fā)現(xiàn)模型能夠有效提取微觀層面信息[19]。可見，當(dāng)前數(shù)字化建模研究取得了一定成效，為在線學(xué)習(xí)元認(rèn)知能力評(píng)估提供了依據(jù)。

然而，現(xiàn)有研究仍存在以下不足：（1）理論層面缺乏統(tǒng)一指導(dǎo)，導(dǎo)致評(píng)估準(zhǔn)確性不足。例如：Taub與Tsai等基于不同元認(rèn)知理論構(gòu)建眼動(dòng)信息的數(shù)字化模型，在固定視覺是否顯著評(píng)估元認(rèn)知能力的結(jié)論上存在分歧[20-21;李士平與Li等采用不同理論基礎(chǔ)的元認(rèn)知問卷，導(dǎo)致“瀏覽學(xué)習(xí)資源\"評(píng)估指標(biāo)分析結(jié)論不一致[22-23]。（2）實(shí)踐層面模態(tài)選取較為單一，導(dǎo)致評(píng)估全面性不足。例如：Zhang 等人僅基于文本模態(tài)數(shù)據(jù)，對(duì)學(xué)習(xí)者調(diào)節(jié)過程中元認(rèn)知能力進(jìn)行數(shù)字化建模2；Tsalas等人僅通過事件相關(guān)電位ERP（EnterpriseResourcePlanning，ERP）數(shù)據(jù)構(gòu)建模型，以此判斷元認(rèn)知與認(rèn)知過程之間的差異2]。

（三）在線學(xué)習(xí)中多模態(tài)數(shù)據(jù)支持的數(shù)字化建模

通過整合兩種及以上數(shù)據(jù)來源，多模態(tài)技術(shù)能更準(zhǔn)確、全面地對(duì)在線學(xué)習(xí)者進(jìn)行數(shù)字化建模。具體而言，在線學(xué)習(xí)中多模態(tài)數(shù)據(jù)支持的數(shù)字化建模具有以下特性：（1）內(nèi)隱表征性。研究者通常獲取在線學(xué)習(xí)者生理行為、心理變化等多模態(tài)數(shù)據(jù)并進(jìn)行分析，以實(shí)現(xiàn)內(nèi)部學(xué)習(xí)狀態(tài)的準(zhǔn)確刻畫2，與元認(rèn)知的內(nèi)隱性相契合。（2）全面動(dòng)態(tài)性。已有多模態(tài)研究通常涉及在線學(xué)習(xí)過程的數(shù)據(jù)采集，進(jìn)而分析學(xué)習(xí)者內(nèi)部狀態(tài)變換情況[2，與元認(rèn)知的動(dòng)態(tài)特性一致[28]。（3）高效準(zhǔn)確性。相較于單模態(tài)，多模態(tài)數(shù)字化建模能聚合更多通道信息，在性能、精度上也更佳，已在各類應(yīng)用中取得顯著效果[2]

基于以上優(yōu)勢(shì)，多模態(tài)技術(shù)有助于支持在線學(xué)習(xí)者元認(rèn)知能力的數(shù)字化建模。然而，此類研究在日常教學(xué)中卻難以推廣[30]，這是因?yàn)椋阂环矫?，多模態(tài)研究在真實(shí)教學(xué)環(huán)境中，學(xué)習(xí)者活動(dòng)更加多樣化，數(shù)據(jù)采集和分析的復(fù)雜性增加，實(shí)踐效果難以保證；另一方面，多模態(tài)研究往往依賴各種可穿戴設(shè)備采集學(xué)習(xí)者生理和行為數(shù)據(jù)，在實(shí)踐中設(shè)備難以具有一致性，阻礙了多模態(tài)研究的常態(tài)化應(yīng)用。

綜上所述，在線學(xué)習(xí)元認(rèn)知能力模型構(gòu)建缺乏統(tǒng)一理論指導(dǎo)，實(shí)踐中采用數(shù)據(jù)模態(tài)較為單一，導(dǎo)致元認(rèn)知能力評(píng)估缺乏準(zhǔn)確性與全面性。而在線學(xué)習(xí)中多模態(tài)數(shù)據(jù)支持的數(shù)字化建模與元認(rèn)知特性契合，為模型構(gòu)建提供了新思路。但多模態(tài)研究存在忽視實(shí)驗(yàn)與真實(shí)環(huán)境差異、對(duì)智能設(shè)備要求較高等問題，難以在常態(tài)化教學(xué)推廣應(yīng)用。鑒于此，本研究擬梳理在線學(xué)習(xí)元認(rèn)知理論，構(gòu)建基于多模態(tài)數(shù)據(jù)的在線學(xué)習(xí)元認(rèn)知能力數(shù)字化模型并開展實(shí)證研究，以期在理論和實(shí)踐層面推動(dòng)多模態(tài)研究在常態(tài)化教學(xué)中的應(yīng)用。

三、基于多模態(tài)數(shù)據(jù)的在線學(xué)習(xí)元認(rèn)知能力數(shù)字化建模

（一）數(shù)字化模型構(gòu)建

1.數(shù)字化模型理論基礎(chǔ)

與傳統(tǒng)的元認(rèn)知“三元論”不同，在線學(xué)習(xí)情境下的元認(rèn)知理論具有獨(dú)特的發(fā)展路徑，將二者等同視之，可能對(duì)元認(rèn)知研究的深入推進(jìn)產(chǎn)生一定干擾。鑒于此，本文在繼承“三元論\"核心觀點(diǎn)的基礎(chǔ)上，結(jié)合在線學(xué)習(xí)的情境特征，對(duì)相關(guān)理論進(jìn)行了遷移與整合，旨在構(gòu)建適用于多模態(tài)數(shù)字化建模的在線學(xué)習(xí)元認(rèn)知理論框架，從而為后續(xù)研究提供堅(jiān)實(shí)的理論支撐。具體而言，在線學(xué)習(xí)元認(rèn)知理論具有以下特性：（1）元認(rèn)知知識(shí)自主性與多樣性。在線學(xué)習(xí)中，學(xué)習(xí)者需自主了解多樣的學(xué)習(xí)過程與資源，以實(shí)現(xiàn)學(xué)習(xí)策略的適配調(diào)整與應(yīng)用。（2）元認(rèn)知體驗(yàn)復(fù)雜性與情感性。在線學(xué)習(xí)者元認(rèn)知體驗(yàn)不僅局限于學(xué)習(xí)活動(dòng)，還涉及多種復(fù)雜學(xué)習(xí)情境認(rèn)知，此過程中的學(xué)習(xí)孤立感與技術(shù)焦慮都將增加認(rèn)知負(fù)荷[3，進(jìn)而產(chǎn)生較為頻繁的情緒波動(dòng)。（3）元認(rèn)知監(jiān)控動(dòng)態(tài)性與調(diào)控性。在線學(xué)習(xí)者通常需要?jiǎng)討B(tài)監(jiān)控多類型的在線學(xué)習(xí)活動(dòng)，實(shí)現(xiàn)對(duì)自身學(xué)習(xí)過程的準(zhǔn)確判斷與調(diào)控，以促進(jìn)不同類型學(xué)習(xí)目標(biāo)達(dá)成。

2.基于多模態(tài)數(shù)據(jù)的在線學(xué)習(xí)元認(rèn)知能力數(shù)字化模型

本研究基于在線學(xué)習(xí)元認(rèn)知理論，參考常態(tài)化教學(xué)環(huán)境下能有效評(píng)估學(xué)習(xí)者內(nèi)隱認(rèn)知過程的多模態(tài)數(shù)據(jù)采集維度（文本、圖像、音頻和行為）3，對(duì)各模態(tài)數(shù)據(jù)進(jìn)行預(yù)處理，結(jié)合多種深度學(xué)習(xí)算法對(duì)數(shù)據(jù)進(jìn)行分析，最后采用多模態(tài)融合算法整合結(jié)果，以實(shí)現(xiàn)在線學(xué)習(xí)元認(rèn)知能力數(shù)字化模型的構(gòu)建（如圖1所示）。

基于多模態(tài)數(shù)據(jù)的在線學(xué)習(xí)元認(rèn)知能力數(shù)字化模型由三個(gè)核心組成部分構(gòu)成：多模態(tài)數(shù)據(jù)支持、算法分析支持以及在線學(xué)習(xí)元認(rèn)知能力建模。首先，在常態(tài)化線上教學(xué)環(huán)境中，學(xué)習(xí)管理系統(tǒng)LMS（LearningManagementSystem，LMS）對(duì)多模態(tài)數(shù)據(jù)進(jìn)行采集、分類與存儲(chǔ)，為模型構(gòu)建提供了數(shù)據(jù)基礎(chǔ)。其次，借助各類深度學(xué)習(xí)算法對(duì)多模態(tài)數(shù)據(jù)進(jìn)行特征提取與評(píng)估分析，結(jié)合決策層多模態(tài)融合方法，為數(shù)字化模型提供了有效的分析支持。最后，基于在線學(xué)習(xí)元認(rèn)知理論，結(jié)合數(shù)據(jù)分析結(jié)果，模型可實(shí)現(xiàn)對(duì)“元認(rèn)知知識(shí)”“元認(rèn)知體驗(yàn)”“元認(rèn)知監(jiān)控”三項(xiàng)核心要素及其特性的自動(dòng)化與客觀化評(píng)估，從而實(shí)現(xiàn)對(duì)學(xué)習(xí)者元認(rèn)知能力的全面系統(tǒng)測(cè)量。

（二）模型結(jié)構(gòu)解析

1.在線學(xué)習(xí)元認(rèn)知能力層級(jí)及其評(píng)估方式解析

當(dāng)前，學(xué)習(xí)成果分類主要基于布魯姆、安德森等教育心理學(xué)家提出的目標(biāo)分類學(xué)[3]，為研究者提供了客觀劃分學(xué)習(xí)者能力的依據(jù)。因此，本研究基于布魯姆認(rèn)知目標(biāo)分類體系，構(gòu)建在線學(xué)習(xí)元認(rèn)知能力層級(jí)結(jié)構(gòu)，明確劃分低、中、高三類在線學(xué)習(xí)元認(rèn)知能力水平（如圖2所示）。在線學(xué)習(xí)元認(rèn)知能力呈螺旋上升趨勢(shì)，三類不同元認(rèn)知能力水平學(xué)習(xí)者與布魯姆認(rèn)知目標(biāo)層級(jí)相對(duì)應(yīng)：（1）低在線學(xué)習(xí)元認(rèn)知能力。低水平學(xué)習(xí)者在三要素上缺乏理解能力，通常僅停留在基礎(chǔ)學(xué)習(xí)需求的認(rèn)識(shí)（知記與領(lǐng)會(huì)），難以有效選擇學(xué)習(xí)策略與自我監(jiān)控。（2）中在線學(xué)習(xí)元認(rèn)知能力。相比低水平學(xué)習(xí)者，中等水平學(xué)習(xí)者已具備較好的學(xué)習(xí)規(guī)劃能力，能夠調(diào)整情緒并應(yīng)對(duì)學(xué)習(xí)障礙（應(yīng)用），主動(dòng)剖析自身學(xué)習(xí)過程（分析）。（3）高在線學(xué)習(xí)元認(rèn)知能力。高水平學(xué)習(xí)者能對(duì)復(fù)雜的在線學(xué)習(xí)任務(wù)作出準(zhǔn)確判斷（綜合），并通過反思監(jiān)控學(xué)習(xí)過程以優(yōu)化學(xué)習(xí)策略（評(píng)價(jià)），確保學(xué)習(xí)目標(biāo)的實(shí)現(xiàn)。

依據(jù)上述層級(jí)評(píng)估標(biāo)準(zhǔn)，數(shù)字化模型將對(duì)四類多模態(tài)數(shù)據(jù)分別進(jìn)行評(píng)估，模態(tài)對(duì)應(yīng)在線學(xué)習(xí)元認(rèn)知能力具體如下：（1）音頻數(shù)據(jù)通常記錄學(xué)習(xí)者規(guī)劃學(xué)習(xí)任務(wù)的過程及體驗(yàn)，反映在線學(xué)習(xí)元認(rèn)知知識(shí)自主性、元認(rèn)知體驗(yàn)情感性。（2）文本數(shù)據(jù)通常包含在線學(xué)習(xí)者對(duì)學(xué)習(xí)過程的自主反思、自我調(diào)節(jié)以及情感變化，對(duì)其評(píng)估涉及元認(rèn)知知識(shí)自主性、元認(rèn)知體驗(yàn)情感性及復(fù)雜性。（3）圖像數(shù)據(jù)可呈現(xiàn)學(xué)習(xí)者在多種復(fù)雜學(xué)習(xí)情境下的認(rèn)知程度，適用于表征元認(rèn)知體驗(yàn)復(fù)雜性。（4）行為數(shù)據(jù)直接記錄學(xué)習(xí)者學(xué)習(xí)過程，支持自主規(guī)劃、策略調(diào)整等方面的全方位觀察，能夠反映除元認(rèn)知體驗(yàn)情感性外的其他在線學(xué)習(xí)元認(rèn)知能力維度。

2.多模態(tài)數(shù)據(jù)處理解析

依據(jù)在線學(xué)習(xí)元認(rèn)知能力層級(jí)及其評(píng)估方式，多模態(tài)數(shù)據(jù)處理能逐步使原始數(shù)據(jù)轉(zhuǎn)化為有意義的信息，進(jìn)而評(píng)估學(xué)習(xí)者在線學(xué)習(xí)元認(rèn)知能力：（1）數(shù)據(jù)預(yù)處理。清理不同模態(tài)數(shù)據(jù)，以確保后續(xù)分析可行性。例如，文本數(shù)據(jù)、訪談音頻中包含冗余信息與噪聲，需要通過算法去除。（2）數(shù)據(jù)編碼。鑒于各模態(tài)評(píng)估在線學(xué)習(xí)者元認(rèn)知能力時(shí)側(cè)重點(diǎn)不同，此階段采用人工編碼方式，按照低、中、高三類元認(rèn)知能力層級(jí)對(duì)數(shù)據(jù)進(jìn)行標(biāo)注，以支持后續(xù)評(píng)估分析。（3）數(shù)據(jù)分析與呈現(xiàn)?；跇?biāo)注數(shù)據(jù)，構(gòu)建并訓(xùn)練深度學(xué)習(xí)模型，實(shí)現(xiàn)在線學(xué)習(xí)者元認(rèn)知能力的自動(dòng)評(píng)估與預(yù)測(cè)分析，并通過多模態(tài)融合算法揭示各元認(rèn)知特性權(quán)重分布。

四、基于多模態(tài)數(shù)據(jù)的在線學(xué)習(xí)元認(rèn)知能力模型應(yīng)用

（一）應(yīng)用場(chǎng)景

本研究以廣州市H高校在線平臺(tái)“礪儒云課堂”公選課\"移動(dòng)互聯(lián)網(wǎng)創(chuàng)業(yè)模式與實(shí)踐\"為例，應(yīng)用基于多模態(tài)數(shù)據(jù)的在線學(xué)習(xí)元認(rèn)知能力數(shù)字化模型，以期為常態(tài)化多模態(tài)評(píng)估提供借鑒。在線課程每期開展11周，為獲取充足的在線數(shù)據(jù)，實(shí)驗(yàn)選取兩期共93名學(xué)習(xí)者為研究對(duì)象。

（二）數(shù)據(jù)采集與編碼

本研究依托在線學(xué)習(xí)平臺(tái)收集常態(tài)化多模態(tài)數(shù)據(jù)，實(shí)現(xiàn)學(xué)習(xí)者在線學(xué)習(xí)元認(rèn)知能力數(shù)字化建模，并開展多模態(tài)評(píng)估。第一，教師在平臺(tái)上設(shè)置“學(xué)習(xí)計(jì)劃\"“階段反思\"等討論區(qū)，提供視頻與文本等學(xué)習(xí)資源，平臺(tái)會(huì)自動(dòng)獲取在線學(xué)習(xí)者多模態(tài)數(shù)據(jù)日志。第二，教師在課程結(jié)束后發(fā)放在線學(xué)習(xí)元認(rèn)知能力調(diào)查問卷，獲取學(xué)習(xí)者在線學(xué)習(xí)元認(rèn)知能力水平相關(guān)數(shù)據(jù)。問卷結(jié)合在線學(xué)習(xí)元認(rèn)知理論，對(duì)Schraw[34]、ONeil等常用元認(rèn)知問卷進(jìn)行改編，并在數(shù)據(jù)分析前對(duì)其信度與效度進(jìn)行檢驗(yàn)，結(jié)果表明，問卷結(jié)構(gòu)良好且具有可信度（CronbachsAl 0.804，Bartlett球形檢驗(yàn)值為0.004）。第三，依據(jù)在線學(xué)習(xí)元認(rèn)知能力層級(jí)及評(píng)估方式構(gòu)建多模態(tài)數(shù)據(jù)編碼表（見表1，其中，行為模態(tài)以量化替代編碼），并由兩位專家按照該編碼表對(duì)數(shù)據(jù)進(jìn)行標(biāo)注，將低、中、高三個(gè)層級(jí)分別賦值為1、2、3。編碼方式有效避免了專家之間的差異，計(jì)算所得各模態(tài)編碼一致性達(dá)88.4% ，編碼具備有效性。第四，結(jié)合各模態(tài)標(biāo)注數(shù)據(jù)訓(xùn)練深度學(xué)習(xí)模型，并以7：3比例隨機(jī)劃分為訓(xùn)練集和測(cè)試集，進(jìn)而評(píng)估模型性能。

（三）數(shù)字化模型應(yīng)用效果分析

1.文本模態(tài)分析

在文本識(shí)別方面，模型將實(shí)現(xiàn)在線學(xué)習(xí)元認(rèn)知知識(shí)自主性、元認(rèn)知監(jiān)控調(diào)控性、元認(rèn)知體驗(yàn)情感性的分類評(píng)估。本研究選取Bi-LTSM + Self-Attention深度學(xué)習(xí)模型進(jìn)行自主性和調(diào)控性分類任務(wù)，大模型GPT-4o進(jìn)行情感性分類任務(wù)。其中，Bi-LTSM + Self-Attention是一種全局語義理解架構(gòu)，在文本分類任務(wù)中能有效捕捉雙向信息及其重要特征[3;GPT-4o是一種具備多模態(tài)能力，能夠理解自然語言的生成式預(yù)訓(xùn)練模型，可用于文本情緒識(shí)別任務(wù)中[7]

本研究將標(biāo)注數(shù)據(jù)輸入上述模型，通過學(xué)習(xí)文本間的語義關(guān)聯(lián)，在元認(rèn)知層面實(shí)現(xiàn)對(duì)內(nèi)容的解讀。文本模態(tài)評(píng)估預(yù)測(cè)結(jié)果見表2，其中，準(zhǔn)確率、精準(zhǔn)率、召回率、F1值是常見的模型評(píng)估指標(biāo)，在本研究中可用于衡量模型自動(dòng)評(píng)估在線學(xué)習(xí)者元認(rèn)知能力的性能。可見，Bi-LTSM ?+i Self-Attention模型對(duì)自主性和調(diào)控性的評(píng)估預(yù)測(cè)結(jié)果均在 90% 以上，整體評(píng)估效果較好;GPT-4o精確率達(dá)到了較高的 95.79% ，可用于在線學(xué)習(xí)元認(rèn)知體驗(yàn)情感性識(shí)別。

2.圖像模態(tài)分析

思維導(dǎo)圖是學(xué)習(xí)者多種思維方式的可視化呈現(xiàn)[38]，通過分析其節(jié)點(diǎn)連接、層級(jí)結(jié)構(gòu)和概念關(guān)聯(lián)，有助于揭示學(xué)習(xí)者的整體思維模式。因此，在圖像模態(tài)分析中，首先采用拉普拉斯算子（LaplaceOperator）進(jìn)行邊緣增強(qiáng)處理，突出思維導(dǎo)圖中的節(jié)點(diǎn)、線條等結(jié)構(gòu)化信息，隨后輸人VGG_16以評(píng)估預(yù)測(cè)在線學(xué)習(xí)元認(rèn)知體驗(yàn)復(fù)雜性。VGG_16是一種經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，由卷積層（提取局部特征）池化層（保留重要特征）全連接層（全局整體理解）三類組成，可用于檢測(cè)學(xué)習(xí)者在復(fù)雜環(huán)境下的知識(shí)掌握情況[39]。

在VGG_16模型中，卷積層會(huì)提取思維導(dǎo)圖局部特征，池化層會(huì)進(jìn)一步提取關(guān)鍵特征，全連接層將提取的高級(jí)特征映射到元認(rèn)知能力標(biāo)簽，最終實(shí)現(xiàn)元認(rèn)知能力層級(jí)預(yù)測(cè)評(píng)估（微調(diào)后VGG_16架構(gòu)如圖3所示）。結(jié)果表明，訓(xùn)練后的模型對(duì)圖像模態(tài)具有較好的預(yù)測(cè)準(zhǔn)確率（準(zhǔn)確率 88.89% 精確率 92.59% 召回率90.91% 、F1值 91.04% ），可用于評(píng)估在線學(xué)習(xí)元認(rèn)知能力體驗(yàn)復(fù)雜性。

3.音頻模態(tài)分析

在語音識(shí)別方面，模型將對(duì)線上討論數(shù)據(jù)進(jìn)行分析，實(shí)現(xiàn)在線學(xué)習(xí)元認(rèn)知體驗(yàn)情感性、元認(rèn)知知識(shí)自主性的分類評(píng)估。本研究采用中文語音預(yù)訓(xùn)練模型Wav2vec2.0進(jìn)行特征提取，結(jié)合雙向變換器模型BERT進(jìn)行分析處理，實(shí)現(xiàn)元認(rèn)知情感性與自主性的評(píng)估預(yù)測(cè)。其中，中文Wav2vec2.0模型能夠從大規(guī)模未標(biāo)注的中文語音數(shù)據(jù)中提取高質(zhì)量語音特征；BERT則可以通過同時(shí)從前后文學(xué)習(xí)語義表示，進(jìn)行自然語言處理任務(wù)。

本研究將音頻數(shù)據(jù)輸人Wav2vec2.0中，將語音特征向量解碼為文本數(shù)據(jù)后，結(jié)合BERT理解文本的上下文語義，識(shí)別文本中與元認(rèn)知知識(shí)、元認(rèn)知體驗(yàn)相關(guān)的關(guān)鍵內(nèi)容，并通過標(biāo)注數(shù)據(jù)指導(dǎo)模型實(shí)現(xiàn)自動(dòng)評(píng)估，語音模態(tài)評(píng)估預(yù)測(cè)結(jié)果見表3?？梢?，BERT模型可通過微調(diào)適應(yīng)在線學(xué)習(xí)元認(rèn)知的評(píng)估預(yù)測(cè)。

4.行為模態(tài)分析

在行為識(shí)別方面，模型將對(duì)在線學(xué)習(xí)日志進(jìn)行分析，實(shí)現(xiàn)在線學(xué)習(xí)元認(rèn)知知識(shí)、體驗(yàn)、監(jiān)控三類能力的評(píng)估預(yù)測(cè)。本研究參考王洪江等評(píng)估元認(rèn)知能力的在線學(xué)習(xí)行為指標(biāo)及量化方法，并將11種行為指標(biāo)輸人BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)自動(dòng)評(píng)估。BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，通過反向傳播算法調(diào)整權(quán)重以處理復(fù)雜的非線性關(guān)系，在多維度數(shù)據(jù)評(píng)估中具有一定優(yōu)勢(shì)。

在BP神經(jīng)網(wǎng)絡(luò)中，輸入層接收標(biāo)準(zhǔn)化后的行為特征，隱含層通過非線性激活函數(shù)學(xué)習(xí)特征與元認(rèn)知能力之間的映射，輸出層形成元認(rèn)知能力標(biāo)簽類別。本研究選用常見的三種機(jī)器學(xué)習(xí)模型與BP神經(jīng)網(wǎng)絡(luò)作對(duì)比，評(píng)估預(yù)測(cè)結(jié)果見表4，可見BP神經(jīng)網(wǎng)絡(luò)相比機(jī)器學(xué)習(xí)模型，在分類與整體預(yù)測(cè)上均具有較好的準(zhǔn)確率。

5.多模態(tài)融合分析

在多模態(tài)融合分析中，本研究對(duì)在線學(xué)習(xí)元認(rèn)知各特性采用決策級(jí)融合，全面剖析元認(rèn)知能力評(píng)估要素權(quán)重占比。其中，決策級(jí)融合是多模態(tài)研究中最常用的數(shù)據(jù)融合方案，通過整合不同模態(tài)模型的結(jié)果以得出精準(zhǔn)決策[4。具體而言，本研究將上述四種模態(tài)模型的分析結(jié)果進(jìn)行匯總，結(jié)合在線學(xué)習(xí)元認(rèn)知能力調(diào)查問卷數(shù)據(jù)，采用多層感知機(jī)MLP進(jìn)行各特性權(quán)重計(jì)算。在MLP中，將帶有標(biāo)注的四種模態(tài)分析結(jié)果作為輸入數(shù)據(jù)，利用多元線性回歸算法對(duì)模型進(jìn)行擬合運(yùn)算（其權(quán)重矩陣記錄了各模態(tài)對(duì)元認(rèn)知能力的貢獻(xiàn)），加權(quán)線性模型為：在線學(xué)習(xí)元認(rèn)知能力 Π=0.160× 自主性 +0.208× 多樣性 +0.180× 復(fù)雜性 +0.160× 情感性 + 0.156× 動(dòng)態(tài)性 +0.136× 調(diào)控性，同時(shí)模型擬合程度良好（R²=87.49% ）。通過加權(quán)線性模型可知，在線學(xué)習(xí)元認(rèn)知能力是由多個(gè)因素共同作用的結(jié)果，各特性在評(píng)估過程中均有一定貢獻(xiàn)。

五、討論

（一）基于多模態(tài)數(shù)據(jù)的數(shù)字化模型是在線學(xué)習(xí)元認(rèn)知能力準(zhǔn)確評(píng)估的基礎(chǔ)

已有研究表明，基于多模態(tài)數(shù)據(jù)的學(xué)習(xí)評(píng)估可全面獲取教學(xué)場(chǎng)景數(shù)據(jù)，從而實(shí)現(xiàn)對(duì)學(xué)習(xí)狀態(tài)的準(zhǔn)確評(píng)估[42]。因此，本研究基于在線學(xué)習(xí)元認(rèn)知理論，構(gòu)建多模態(tài)數(shù)字化模型并應(yīng)用于常態(tài)化教學(xué)中，分別收集與處理四種模態(tài)數(shù)據(jù)，結(jié)合多模態(tài)決策級(jí)融合技術(shù)，對(duì)在線學(xué)習(xí)元認(rèn)知三要素及其特性進(jìn)行自動(dòng)評(píng)估與權(quán)重解析。結(jié)果表明：在理論層面，數(shù)字化模型以在線學(xué)習(xí)元認(rèn)知理論為支撐，闡述了元認(rèn)知能力具體層級(jí)關(guān)系及評(píng)估方式，為在線學(xué)習(xí)元認(rèn)知能力準(zhǔn)確評(píng)估奠定理論基礎(chǔ)；在實(shí)踐層面，數(shù)字化模型采用深度學(xué)習(xí)模型評(píng)估在線學(xué)習(xí)元認(rèn)知各特性，通過多模態(tài)決策級(jí)融合算法整合結(jié)果，充分獲取了多模態(tài)數(shù)據(jù)的完整特征，提高了準(zhǔn)確評(píng)估的可能性。

（二）多模態(tài)融合有助于提高在線學(xué)習(xí)元認(rèn)知能力模型的全面性與可解釋性

通過多模態(tài)數(shù)據(jù)分析，教育研究者能更好地理解學(xué)習(xí)者的內(nèi)在認(rèn)知狀態(tài)，但如何進(jìn)行多模態(tài)數(shù)據(jù)融合是該領(lǐng)域的難點(diǎn)問題[43]。因此，本研究采用多模態(tài)決策級(jí)融合，利用MLP擬合最優(yōu)回歸模型，確定各特性在評(píng)估過程中的權(quán)重占比。結(jié)果表明，在線學(xué)習(xí)元認(rèn)知能力是由多個(gè)相互關(guān)聯(lián)的特性共同決定的，其中元認(rèn)知知識(shí)多樣性的影響權(quán)重系數(shù)最大。這是因?yàn)?，元認(rèn)知知識(shí)為元認(rèn)知活動(dòng)提供基本知識(shí)背景，多樣化知識(shí)背景使學(xué)習(xí)者能夠選擇并應(yīng)用合適的策略，從而更有效地進(jìn)行情感管理和調(diào)整，促進(jìn)元認(rèn)知體驗(yàn)與監(jiān)控能力的提升。通過多模態(tài)決策級(jí)融合得出的權(quán)重系數(shù)，可有效提高模型的全面性與可解釋性：一方面，多模態(tài)融合有效消除了單一模態(tài)評(píng)估的片面性，使教師能夠更全面準(zhǔn)確地了解在線學(xué)習(xí)者元認(rèn)知三個(gè)維度的表現(xiàn)，為改善教學(xué)策略提供數(shù)據(jù)層面的支持；另一方面，根據(jù)決策級(jí)融合生成的各特性權(quán)重，在線學(xué)習(xí)者內(nèi)隱認(rèn)知狀態(tài)得到更加客觀的解釋，教育工作者可基于此優(yōu)化在線課程設(shè)計(jì)。

六、結(jié)束語

本研究基于在線學(xué)習(xí)元認(rèn)知理論，依托常態(tài)化在線學(xué)習(xí)場(chǎng)景的多模態(tài)數(shù)據(jù)與分析技術(shù)，進(jìn)行在線學(xué)習(xí)元認(rèn)知能力多模態(tài)數(shù)字化建模，并將其應(yīng)用于在線課程中開展實(shí)證研究，以實(shí)現(xiàn)自動(dòng)準(zhǔn)確的多模態(tài)評(píng)估。研究結(jié)論如下：（1）基于多模態(tài)數(shù)據(jù)的在線學(xué)習(xí)元認(rèn)知能力數(shù)字化模型由“多模態(tài)支持”“算法分析支持”“在線學(xué)習(xí)元認(rèn)知能力\"組成，為準(zhǔn)確評(píng)估在線學(xué)習(xí)元認(rèn)知能力提供理論基礎(chǔ)；（2）各模態(tài)數(shù)據(jù)采用深度學(xué)習(xí)模型分析，結(jié)合多模態(tài)決策級(jí)融合，提升了在線學(xué)習(xí)元認(rèn)知能力評(píng)估的全面性與可解釋性。

多模態(tài)技術(shù)轉(zhuǎn)向常態(tài)化教學(xué)應(yīng)用時(shí)，往往面臨教學(xué)情境復(fù)雜、數(shù)據(jù)多樣化等問題[45。本研究對(duì)在線學(xué)習(xí)環(huán)境中的多模態(tài)數(shù)據(jù)進(jìn)行收集與分析，實(shí)現(xiàn)了在線學(xué)習(xí)元認(rèn)知能力的準(zhǔn)確評(píng)估，在提升在線學(xué)習(xí)質(zhì)量的同時(shí)，也為教育研究提供更多的實(shí)證基礎(chǔ)。此外，相比于在線學(xué)習(xí)環(huán)境，混合學(xué)習(xí)結(jié)合了在線學(xué)習(xí)與傳統(tǒng)學(xué)習(xí)優(yōu)勢(shì)，也適合在常態(tài)化教學(xué)中推廣應(yīng)用。因此，后續(xù)研究將以混合學(xué)習(xí)理論為基礎(chǔ)，重點(diǎn)關(guān)注傳統(tǒng)學(xué)習(xí)與在線學(xué)習(xí)元認(rèn)知能力結(jié)合的路徑，推動(dòng)多模態(tài)元認(rèn)知能力模型在混合學(xué)習(xí)中的應(yīng)用。

[參考文獻(xiàn)]

[1] 陳亮，許姝燕，成紅麗.數(shù)字化轉(zhuǎn)型賦能城鄉(xiāng)教師高質(zhì)量發(fā)展的內(nèi)在邏輯與培育策略[J].中國電化教育，2024（8）：94-101.

[2] 中華人民共和國教育部.教育部高等教育司關(guān)于印發(fā) 2022年工作要點(diǎn)的通知[EB/OL].（2022-02-23）[2024-12-06].htp：/ww. moe.gov.cn/s78/A08/tongzhi/202203/t20220310_606097.html.

[3]中國教育報(bào).數(shù)字化引領(lǐng)教育變革新風(fēng)向———年來國家教育數(shù)字化戰(zhàn)略行動(dòng)發(fā)展觀察[EB/OL].（2024-01-27）[2024-12-06]. http：//www.moe.gov.cn/fbh/live/2024/55785/mtbd/202401/t20240129_1113154.html.

[4]ANTHONYAMYL.Theuseofmetacognitivestrategiesforundisruptedonlinelearing：preparinguniversitystudents inteageof pandemic[J]. Education and information technologies，2021，26（6） ：6881-6899.

[5]吳秀娟，張浩，倪廠清.基于反思的深度學(xué)習(xí)：內(nèi)涵與過程[J].電化教育研究，2014，35（12）：23-28，33.

[6]BROADBENTJ，POONWL.Self-regulatedlearningstrategiesamp;academicachievementinonlinehighereducationlearning environments：a systematic review[J]. The internet and higher education，2O15，27：1-13.

[7]王洪江，李作錕，廖曉玲，等.在線自主學(xué)習(xí)行為何以表征元認(rèn)知能力——基于系統(tǒng)性文獻(xiàn)綜述及元分析方法[J].電化教育研究， 2022，43（6）：94-103.

[8]殷常鴻，張義兵，高偉，等.“皮亞杰—比格斯\"深度學(xué)習(xí)評(píng)價(jià)模型構(gòu)建[J].電化教育研究，2019，40（7）：13-20.

[9]FLAVELLJH.Metacogitioandcognitivemonitoring：aneareaofcognitivedevelopmentalinquiryJ].Americanpsyhologist， 1979，34（10） ：906.

[10] BROWN A. Knowing when， where amp; how to remember： a problem of metacognition[M]. New Jersey： Lawrence Erlbaum Associate， 1987.

[11]董奇.論元認(rèn)知[J].北京師范大學(xué)學(xué)報(bào)，1989（1）：68-74.

[12]王亞南.元認(rèn)知的結(jié)構(gòu)、功能與開發(fā)[J].南京師大學(xué)報(bào)（社會(huì)科學(xué)版），2004（1）：93-98.

[13]STANTONJD，SEBESTAAJ，DUNLOSKYJ.Fostering metacognition tosupport studentleaingandperformance[J].CBE—Life sciences education，2021，20（2）：fe3.

[14] BROADBENT J.Comparing onlineand blended leamersself-regulated learning strategiesandacademicperformance[J].The internet and higher education， 2017，33：24-32.

[15]ANTHONYSAMYL，KOO A C，HEW SH.Self-regulated learning strategies and non-academicoutcomes in higher education blended leaming environments：aone decade review[J]. Educationand information technologies，2O2o，25（5）：367-3704.

[16] ZARGARE，ADAMS A M，CONNOR C M D.Therelationsbetween children’s comprehension monitoringandtheirreading comprehension and vocabulary knowledge：an eye-movement study[J]. Reading and writing，2020，33（3）：511-545.

[17] DINDAR M，JARVELA S，HAATAJAE. What doesphysiological synchronyrevealabout metacognitive experiencesand group performance？[J]. British journal of educational technology，2020，51（5）： 1577-1596.

[18]紀(jì)陽，李思琪，張默雨.元認(rèn)知評(píng)估能力發(fā)展預(yù)測(cè)的可行性研究[J].北京郵電大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2020，2（5）：117-124.

[19]ZHANG M，DUX，RICEK，etal.Revealingat-risklearningpaternsandcoespondingself-regulatedstrategiesvia LSTM encoder and time-series clustering[J]. Information discovery and delivery， 2022，50（2）：206-216.

[20]TAUB M，AZEVEDOR.Howdoesprior knowledge influenceeyefixationsandsequencesofcognitiveandmetacognitive SRL procesesduringlearningwithanintellgenttutoringsystem？[J].Internationaljournalofatificalintellgenceinducation， 2019，29：1-28.

[21]TSAIPY，YANGTT，SHEHC，et al.Leveragingcolegestudents'scientificevidence-basedreasoning performance witheyetracking-supported metacognition[J]. Journal of science education and technology，2019，28：613-627.

[22]李士平，趙蔚，劉紅霞，等.數(shù)據(jù)表征元認(rèn)知：基于學(xué)習(xí)分析的網(wǎng)絡(luò)自主學(xué)習(xí)行為研究[J].電化教育研究，2017，38（3）：41-47.

[23] LI Q，BAKER R，WARSCHAUER M. Using clickstream data to measure，understand，and support self-regulatedlearning in online courses[J]. The internet and higher education，2020，45：100727.

[24] ZHANG T，TAUB M，CHEN Z.Measuring theimpactofCOVID-19 induced campus closureonstudent self-regulated learning in physicsonlinelearingmodulesCthInteratioalLeaingAnalyticsandKnowledgeCoferenc，April1-16，1，Uiesiy of California，Irvine，California.New York：Association for computing Machinery，2021：110-120.

[25]TSALAS NRH，MULLER B C N，MEINHARDTJ，et al.An ERP studyon metacognitive monitoring proceses in children[J]. Brain research，2018，1695：84-90.

[26]CHANGO W，CEREZOR，ROMERO C.Multi-sourceand multimodal data fusion forpredictingacademic performance inblended learning university courses[J]. Computers amp; electrical engineering， 2O21，89：106908.

[27]王小根，陳瑤瑤.多模態(tài)數(shù)據(jù)下混合協(xié)作學(xué)習(xí)者情感投入分析[J].電化教育研究，2022，43（2）：42-48，79.

[28]汪玲，郭德俊.元認(rèn)知的本質(zhì)與要素[J].心理學(xué)報(bào)，2000（4）：458-463.

[29] HUNG Y，DUC，XUEZ，etal. What makes multi-modallearning beterthansingle（provably）[J].Advancesinneural inforation processing systems，2021，34：10944-10956.

[30]范福蘭，李韓婷，戚天姣，等.基于多模態(tài)數(shù)據(jù)的大學(xué)生認(rèn)知深度評(píng)價(jià)框架構(gòu)建及應(yīng)用[J].現(xiàn)代遠(yuǎn)距離教育，2023（3）：57-65.

[31]TSAIMJ.Themodelofstrategice-learning：understandingandevaluatingstudente-leaingfrommetacognitiveperspectives[]. Journal of educational technologyamp; society，2009，12（1）：34-48.

[32]馬云飛，鄭旭東，趙冉，等.深度學(xué)習(xí)的發(fā)生機(jī)制與多模態(tài)數(shù)據(jù)測(cè)評(píng)研究[J].遠(yuǎn)程教育雜志，2022，40（1）：50-60.

[33]張紅峰.基于創(chuàng)新核心素養(yǎng)的高校學(xué)習(xí)成果分類框架研究[J].教育學(xué)術(shù)月刊，2018（10）：24-34.

[34]SCHRAWG，DENSONRS.Asessing metacogtive awareness[J].Contemporary educatioal psyholgy，1994（19）：46475.

[35]ONEILH，BROWNRS.DiferentialeectsofquestionforatsiathassessmentonmetacognitioandectApplied measurement in education，1998，11（4）：331-351.

[36]XIEJ，CHEB，GUX，etalSelf-aenionbasedBiSTmodelforsorttextfingrainedsenimntclasification[J].EEE access，2019，7：180558-180570.

[37]RATHJES，MIREADM，SUCHOLUTSKYI，etal.GPTisanefectivetoolformulilingual psychologicaltextanalysis[J] Proceedings of the national academy of sciences，2024，121（34）：e2308950121.

[38]趙國慶，楊宣洋，熊雅雯.論思維可視化工具教學(xué)應(yīng)用的原則和著力點(diǎn)[J].電化教育研究，2019，40（9）：59-66，82.

[39]LIUY，HEL，YAOZ.epaionoftificalintellgenceasstantteeplearingintachers'teachingandsudents learning processes[J]. Frontiers in psychology，2022，13：929175.

[40]王洪江，陳沛瑜，李作錕，等.基于 BPNN的在線學(xué)習(xí)者元認(rèn)知能力評(píng)估[J].現(xiàn)代教育技術(shù)，2024，34（11）：132-142.

[41]丁繼紅.多模態(tài)協(xié)作學(xué)習(xí)分析理論模型、實(shí)踐邏輯和教育價(jià)值[J].遠(yuǎn)程教育雜志，2023，41（2）：95-104.

[42]張學(xué)波，李王偉，張思文，等.數(shù)據(jù)使能教學(xué)決策的發(fā)展——從數(shù)據(jù)教育應(yīng)用到多模態(tài)學(xué)習(xí)分析支持教學(xué)決策[J]. 電化教育研 究，2023，44（3）：63-70.

[43]彭紅超，姜雨晴.多模態(tài)數(shù)據(jù)支持的教育科學(xué)研究發(fā)展脈絡(luò)與挑戰(zhàn)[J].中國遠(yuǎn)程教育，2022（9）：19-26，33，78.

[44]汪玲，郭德俊，方平.元認(rèn)知要素的研究[J].心理發(fā)展與教育，2002（1）：44-49.

[45]CUKUROVA M，GIANNAKOS M，MARTINEZ-MALDONADOR.The promise andchalengesof multimodal learning analytics[J]. British journal of educational technology，2020，51（5）：1441-1449.

Digital Modeling and Application of Online Learning Metacognitive Abilities based on Multimodal Data

WANG Hongjiang1， ZHANG Yifu'， LUN Hao1，CHEN Peiyu2， ZHANG Shaoying1 （1.School of Information Technology in Education， South China Normal University， Guangzhou Guangdong 510631; 2.Guangzhou Huadu District Tieying School， Guangzhou Guangdong 510800）

[Abstract] Online learning metacognitive ability has an important impact on the effctiveness of online learning，and modeling it helps learners to adjust their learning strategies and processes.However， current modeling approaches suer from inconsistent theoretical guidance and an over-reliance on unimodal indicators. For this reason，the study combs through online learning metacognition theories， constructs a digital model of online learning metacognitive ability based on multimodal data，and applies it toregular online courses to verify the effctiveness of model -based assessment of online learning metacognitive ability.The results demonstrate that：（1）the multimodal data-based digital model provides a solid foundation for accurately assessing online learning metacognitive ability;（2）each modal data is analyzedusing a deep learning model combined with multimodal decision-level fusion to make the assessment results comprehensive and interpretable.

[KeyWords] Online Learning Metacognitive Ability; Digital Model; Multimodal Assessment; Routine Teaching; Deep Learning