多模態視域下軍事職業教育精準化學習評價路徑與方法

宋瑤瑤　周益名　陳健

［摘 要］智能感知技術的發展推動了學習分析領域的變革，使多模態數據的獲取和融合分析成為可能，也使傳統在線教學評價向“第四范式”數據密集型評價邁進。文章首先立足于當前學習評價現狀，剖析軍事職業教育側重結果性評價、評價主體單一、缺乏智能化手段支撐等問題；其次基于具身認知理論將多模態數據分為基礎信息數據、個體特征數據、交互行為數據三類，依據數據感知技術和數據表征方式構建在線學習多模態數據測評框架；最后從多模態數據采集、多維度數據融合、多元化分析建模、精準化反饋改進等四個環節，探索數據驅動下的精準化學習評價路徑，不斷促進軍事職業教育的內涵式發展。

［關鍵詞］多模態數據；軍事職業教育；精準化學習評價

［中圖分類號］ G71 ［文獻標識碼］ A ［文章編號］ 2095-3437（2023）14-0141-05

十八大以來，習近平主席多次強調，要健全軍隊院校教育、部隊訓練實踐、軍事職業教育三位一體的新型軍事人才培養體系[1]。軍事職業教育作為軍隊院校教育和部隊訓練實踐的補充、延伸和拓展，其突破了時間和空間的限制，具有鮮明的全時、全域、全員的特征，是面向全軍官兵的有組織的、自主在崗的個性化“泛在學習”，對實施人才強軍戰略、加快推進軍事人員現代化具有重要作用。而學習評價是保障學習質量、提高教學效果的重要舉措，是軍事職業教育過程中不可缺少的一環。2021年1月印發的《軍隊軍事職業教育條例（試行）》強調，要全過程檢查督促學習績效，加強學習行為分析、狀態監測和質量評估，跟蹤掌握學習情況，及時進行學習指導。

教育信息化建設的不斷推進，網絡在線課程內容豐富、自由度高、靈活性好等特點，較傳統授課模式更能滿足學習者碎片化學習、個性化學習、多樣化學習的需求，成為軍事職業教育的重要組成部分。“互聯網+”背景下，數字學習數據快速海量增長，學習者外顯行為（視頻學習行為、討論區學習行為等）和內隱表現（學習偏好、學習態度等）能夠被及時跟蹤記錄，助力教育評價范式向數字化轉型，以數據驅動為導向的精準化教學評價方式為軍事職業教育革新提供了新的思路。

一、軍事職業教育學習評價現狀

依托網絡平臺開展的軍事職業教育，是利用信息技術手段開展的現代學習、在線學習，其不僅實現了優質課程資源的大規模共享，還實現了跨時空界限的學習方式，為構建“人人皆學、時時能學、處處科學”的新型軍事人才培養平臺提供了保證[2]。隨著信息技術進入智能化新階段，單純的遠程在線教育學習評價面臨著思想定位不夠精準、制度機制不夠健全、學習質效不夠明顯等現實問題。

（一）結果性評價有余，而過程性評價不足

軍事職業教育平臺由于其開放、大規模的特性，師生處于時空分離狀態，弱化了教師對學習過程的指導和監控作用，雖然通過章節和期末測驗能夠了解學習者的學習效果，但測驗作為課程某一階段學習活動的終點，其反饋具有滯后性。此外，軍事職業教育學習常帶有指令性色彩，強調任務指標，學習評價更傾向于結果而忽視過程。但評價結果不僅僅是對學習者當前學習狀況的判斷，更是下一步學習活動開展的邏輯起點和生長點，動態地服務于學生對自我發展的評估。

（二）平面性評價有余，而立體性評價不足

任何一項評估都希望全面且客觀地反映問題，學習評價也不例外。傳統意義下的學習評估，往往是為了某個專項進行有針對性的評估，這種特定需求下開展的評估具有很強的主觀色彩，并有一定的片面性。軍事職業課程學習評價數據大多是階段性數據，主要依靠平時成績、期末考試成績評價學生的學習效果，數據之間間隔的時間比較長，考核內容基本上圍繞記憶型知識，缺少突出高階能力素質的考核。傳統強調“知道什么”的知識本位型學習已難以滿足學生學習的基本需求，強調“能做什么”的能力發展型學習開始受到關注，注重個體在任務處理和問題解決過程中的能力表現，促使測評方式由單一主體的平面性評價向多方參與的立體性評價轉變。

（三）傳統化手段有余，而智能化手段不足

現階段，軍事職業教育平臺未能完全記錄過程性數據，僅僅將傳統學習評價遷移到在線環境，單純面向學習結果，無法實現“因材施教”的個性化評價，難以從根本上維持學習者的學習動機，激發學生的內在驅動力。“工欲善其事，必先利其器”，近年來，隨著人工智能、情感計算及區塊鏈等技術的興起和發展，學習者的學習環境、學習資源獲得、學習方式有了新變化，為更高效的數字化評價分析奠定了基礎。教學評價方法不僅只能依靠考試、測驗等形式，還能從理論的角度利用數據建模對學習者進行科學全面的評價。通過數據清洗、數據挖掘、數據建模等技術可獲取、處理學習者在線學習過程的數據，根據直觀、全面的學習績效分析，可實現對學習者學習過程的評價、追蹤、預測和干預。

二、軍事職業教育平臺多模態數據類型及表征

模態是指一種客觀存在的、可表征的符號系統，每一種信息的來源或形式都可以稱為一種模態，其既包含信息的表征形態和感知通道，又包含基于感知設備的數據采集方式。教育信息化2.0時代，教育評價進入智能化階段，開創了基于全樣本、全過程、全景式的元教育大數據挖掘和分析，即“數據密集型評價”的第四范式[3]。軍事職業教育平臺蘊含了海量的結構化、半結構化和非結構化數據，并且隨著軍事職業教育的深入開展，數據呈指數級增長。通過對現有教育評價理論以及關鍵技術進行深度剖析，探究在線學習過程中多模態數據類型及表征，利用多模態數據之間的信息互補提升數據分析的準確性，可還原教與學的全過程，滿足新型教育情境下精準評價需求，推進智能時代軍事職業教育的改革與創新。

（一）在線學習多模態數據類型

在遠程學習領域的多模態數據研究中，隨著各類學習活動數據得以記錄和存儲，其不再局限于學習者與教師或者其他學習者之間的交流數據，以及平臺軌跡行為，學習者腦電、心率、皮電等生理數據因不易受主觀意志的控制，使其表征學習者內隱認知活動、情緒變化情況更具客觀性、實時性、準確性，成為學習分析研究的新對象。不同類型的數據通過特征提取可以表征學習者不同層次的學習活動和能力發展，將多模態信息結合能夠提供對象多方面的信息，實現全面、系統的剖析和解釋[4]。新興研究領域“具身認知理論”，強調認知過程是身心一體的[5]，認知的世界是以身體為中心的意義集合，身體是理解和認識世界的一種方式和途徑，與學習環境的交互是深度知識學習的關鍵。在線學習活動師生時空分離，要特別考慮學習者的社會心理需求，核心是參與式學習，關鍵是學習交互。據此，筆者將多模態數據分為基礎信息數據、個體特征數據、交互行為數據。

1.基礎信息數據

基礎信息數據是指學習者在學習之初已經具備的個人屬性和特質，在進行學習分析的過程中，這些數據必須與其他層面的數據相結合才具有實際分析的意義。其監測指標包括學習者的基本信息（年齡、性別、崗位等）、學習偏好、學情基礎等數據，可以通過檔案袋、成績單獲得，借助區塊鏈技術將數據進行梳理和規范化存儲。例如Tortorella等人借助傳感器采集學習者的學習情境信息，并根據學習者的學習風格在“自適應移動學習系統”中推薦適宜的多媒體學習資源[6]。

2.個體特征數據

個體特征數據主要包括生理特征數據和心理特征數據。生理特征數據是學習者心理和行為的重要反映，主要監測指標為眼動、腦電、心率、皮電等數據變化。心理特征數據是學習者自身心理活動的數據，主要監測指標為注意力、情緒等數據的變化。例如，基于人機交互設備，借助眼動儀、腦電圖、無線血壓監測儀等感知設備構建學習者認知和情緒監測分析系統，可實現對學習者情緒狀態的智能感知。Li等人基于紅外圖像數據、面部表情數據和人機交互數據等數據集，利用CNN對學習者在線參與度進行測評[7]。

3.交互行為數據

交互行為數據主要包括生生交互數據、師生交互數據、人機交互數據。在線學習過程中，社交行為主要依托網絡進行，通過網絡向教師或其他學習者請教，或者在討論區發布問題等。生生交互和師生交互數據主要指學習者與教師或者其他學習者之間的互動，監測指標包含言語信息、非言語信息。人機交互數據主要監測指標為鼠標點擊、鼠標移位、鍵盤輸入、觸屏等數據。例如石月鳳等人通過對在線課程論壇交互數據進行數據采集，利用社會網絡分析和相關分析方法探究其與學習成效之間的關系[8]。

（二）在線學習多模態數據測評

學習是一個復雜而多維的過程，得益于物聯網、傳感器、可穿戴設備、云存儲以及大數據高性能計算等的發展，各類高頻、微觀的學習過程數據得以精準獲取，在線學習評價轉向全樣本、全過程、多模態的伴隨式教育診斷，契合在線學習行為數據的多源異構、多層關聯、多維互補等特點。筆者通過對學習者學習過程中產生的特征數據及行為數據進行來源剖析與內涵分析，提出在線學習評價的多模態數據測評框架，全方位、精準化評估學習者的學習活動（見表1）。

三、多模態視域下精準化學習評價路徑

多模態視域下的精準化學習評價是對多空間、多場景、多時段、多過程的數據進行記錄、采集、加工、處理，實現“1+1>2”能效的一種評價方法，主要由多模態數據采集、多維度數據融合、多元化分析建模、精準化反饋改進等要素組成。其中多模態數據采集提供數據來源，多維度數據融合提供統一量化標準，多元化分析建模提供數據挖掘手段，精準化反饋改進提供反饋應用服務，從而形成閉環（見圖1）。

（一）多模態數據采集

在線學習的自主性和靈活性特征使得學習者具有多樣化的學習行為模式，學習活動發生在“虛實相融”的混合空間中[1]。人工智能領域發展已邁向以文本、語音、圖像符號系統表征的語義信息的識別和加工為核心的感知智能階段，推動了多模態數據的采集，貫穿于整個教育過程，伴隨著感知與測量學習者的認知數據、行為數據、生理數據等。

（二）多維度數據融合

單個模態通常無法包含產生精確預測結果所需的全部有效信息，基于數據融合方法集成不同類型數據可描述學習者的整體狀態。在評價中，采集到的教育數據并非是在統一時刻被分析處理的，按照融合的階段來劃分，多模態數據融合可以分為早期融合、晚期融合、混合融合三種。早期融合是為了解決數據間標準不一、數據缺失等問題，先從每種模態中分別提取特征表示，在特征級別進行融合；晚期融合也稱為決策級融合方法，先用不同模型對不同模態進行訓練，再融合多個模型輸出結果；混合融合則是結合早期和晚期融合兩種方法。

（三）多元化分析建模

為實現及時有效的個性化指導，教師需要了解學習者在線學習過程的表現，以便實施恰當的干預。常用的分析建模可以劃分為四類：優化、分類、評價、預測。優化是基于現有最有效的教學條件，利用各種資源實現教學效益最大化；分類是采集學習者的基礎信息、學業數據等信息，劃分學習者類型，實施精準教學；評價是圍繞教學過程主體及相關要素，構建科學指標體系；預測是基于學習者持續變化的認知、情感、行為等數據，診斷學習狀態并預測未來變化。

（四）精準化反饋改進

數據融合分析的最終結果都是方便教師使用，反饋“教”“學”“管”。一是以學定教。借助各類工具對平臺大量的學習數據進行有效分析，精準感知學習者的學習狀況，以分析結果作為下一步教學的起點，支撐教師的個性化教學。二是個性化學習。深入挖掘分析學習者學習偏好、學習風格和認知能力，精準掌握學習者學習需求，實現“資源”與“學習者”的雙向匹配。三是高效管理與決策。軍事職業教育面向的學習對象來源多樣，學習場景也不盡相同。通過對學習過程中伴隨式數據的精準挖掘，對師生群體行為規律和總體需求進行劃分，能夠對學習者的學習成效進行精準定位，輔助管理者和教師進行精準管理與決策。

四、展望與對策

軍事職業教育是推進軍事人員現代化的重要舉措，是加強新時代練兵備戰的全新載體，是提高官兵綜合素質的重要平臺。開展科學有效的教育評價是構建高質量軍事職業教育體系的必經之路。目前，基于數據驅動的學習評價研究仍處在探索階段，但隨著教育與信息技術的深度融合，大數據背景下的學習評價呈現快速發展的趨勢，如何進一步整合挖掘學習者的個性化數據，為學習者提供個性化支撐方案成為重中之重。

（一）構建多模態視域下的綜合素質評價指標框架

智能教育時代，大數據、人工智能等技術的發展使學習過程數據的全面采集成為可能。在線學習過程中，數據的產生與采集是多場景、全過程的，覆蓋情感、社交、課程等多個方面，根據評價目的、具體教育場景的不同匯集多源、多維數據，包括圖像、語言、文本等，亟須統一的標準和全面化的指標框架。因此，學習績效評價需要建立符合多維數據特性的綜合評價框架和指標體系，用于匯聚來自不同模態的學習數據，為后續全方位、多維度地描繪學習者的綜合素質評價數字畫像做好準備。

（二）完善平臺數據采集與分析方面的關鍵技術

現階段，大數據應用還處在初級階段，軍事職業教育平臺實現多模態數據采集和個性化學習評價還面臨著困難。由于教學過程的復雜性和非結構性，數據種類繁多且多樣化、學習數據的多源化、某些關鍵性數據難以電子化等問題，針對指定被試人群同時采集多模態數據及支持學習分析建模的標簽數據依然難以實現。軍事職業教育應積極利用數據驅動，建設智能化教學支持環境，突破學習評價中行為、認知、情感和社會評價方面的關鍵技術。同時由于軍隊院校的特殊性，平臺數據的安全性應放在首位，要對敏感數據進行加密，提升系統的安全性，防止數據被竊取或篡改。

（三）提升教師應用測評技術反饋改進教學能力

未來，教育將從“經驗主義”走向“數據主義”，借助平臺提供的學習評價數據，分析并把握學習者的知識儲備、學習狀態等，將成為教師必備的關鍵能力。一是教師需要具備基于數據開展有效教學設計的能力，借助數據進行教學決策、開展教學設計；二是教師需要具備基于數據動態監控教學過程的能力，依托數據及時介入學習過程，有效進行教學干預；三是教師需要具備基于數據有效反思教學實踐的能力，通過數據不斷迭代優化教學設計[9]。

五、結語

智能感知技術的發展推動了學習分析領域的變革，使多模態數據的獲取和融合分析成為可能，傳統在線教學評價逐步向“第四范式”數據密集型評價邁進。文章首先立足于當前學習評價現狀，剖析軍事職業教育側重結果性評價、評價主體單一、缺乏智能化手段支撐等問題；其次基于具身認知理論將多模態數據分為基礎信息、個體特征、交互行為三類，依據數據感知技術和數據表征方式構建在線學習多模態數據測評框架；最后從多模態數據采集、多維度數據融合、多元化分析模型、精準化分析改進等四個環節，探索數據驅動下的精準化學習評價路徑，不斷促進軍事職業教育內涵式發展。

［ 參 考 文 獻 ］

[1] 雷霽，韓政元，趙陸洋，等.軍事職業教育現狀及影響因素調查分析[J].醫學教育研究與實踐，2021，29（6）：827-831.

[2] 李小平.論我軍軍事職業教育體系的構建[J].繼續教育，2017，31（1）：10-12.

[3] 朱德全，吳慮.大數據時代教育評價專業化何以可能：第四范式視角[J].現代遠程教育研究，2019，31（6）：14-21.

[4] 鐘薇，李若晨，馬曉玲，等.學習分析技術發展趨向：多模態數據環境下的研究與探索[J].中國遠程教育，2018（11）：41-49.

[5] 葉浩生.具身認知：認知心理學的新取向[J].心理科學進展，2010，18（5）：705-710.

[6] TORTORELLA R A W， GRAF S. Considering learning styles and context?awareness for mobile adaptive learning[J]. Education and information technol?ogies， 2017，22（1）：297-315.

[7] LI Z H， ZHAN Z L. Integrated infrared imaging techniques and multi?model information via convolution neural network for learning engagement evaluation[J]. Infrared physics and technology，2020，109：103430.

[8] 石月鳳，劉三[][牙]，劉智，等.基于社會網絡分析的在線學習行為分析實證研究[J].中國教育信息化，2019（1）：5-10.

[9] 葛文雙，韓錫斌，何聚厚.在線學習測評技術的價值、理論和應用審視[J].現代遠程教育研究，2019，31（6）：52-60.

［責任編輯：劉鳳華］