多模态数据分析在来华留学生思政教育中的应用研究*

雷 莉, 陈 雯

(1.四川大学 海外教育学院,四川 成都 610041；2.四川大学 文学与新闻学院,四川 成都 610207)

一、引 言

留学生思政教育是将知识、技能及实践等各类课程所蕴含的思政元素和所承载的思政教育功能融入课堂教学环节，以实现价值引领、知识教育、能力培养的育人行为(1)沈庶英.来华留学课程思政：基于学科交叉的统整建构[J].教育研究,2021,(6).。早在20世纪末，崔永日(2)崔永日,崔亨龙,金永灿.浅谈来华留学生教育管理中的思想教育[J].中国高教研究,1998，(6).，宋乃莲(3)宋乃莲.浅谈来华留学生教育管理[J].中国高教研究,2000,(9).等学者便强调思想教育工作是留学生管理工作的关键。其后，学界从留学生思政教育的概念内容、存在的问题、途径策略等方面进行研究。李慧琳、张营广从趋同管理背景探讨高校来华留学生的思想教育问题，明确留学生思想教育的内涵、内容与方法，提高来华留学生思想教育工作的针对性与实效性(4)李慧琳,张营广.趋同管理背景下高校来华留学生思想教育问题探析[J].思想教育研究,2014，(11).。秦小莉(5)秦小莉,范纯琍.来华留学生思想教育现状分析与应对策略[J].思想教育研究,2015，(10).、翟国(6)翟国.高校留学生群体思想政治教育策略研究[J].教育探索,2015,(3).、何正英(7)何正英.趋同管理背景下来华留学生思想教育工作问题及对策[J].学校党建与思想教育,2018，(14).、李宝贵(8)李宝贵,李博文.新时代国际学生思想政治教育:意义、特点、内容与路径[J].辽宁师范大学学报(社会科学版),2018,(4).和刘又萌(9)刘又萌,张地珂.来华留学生思想教育策略研究[J].学校党建与思想教育,2021，(10).等学者均立足来华留学生思想政治教育面临的困境提出对策，主要包括建设留学生管理信息系统，制定完善留学生思想政治教育制度，加强留学生专职辅导员师资队伍建设和创新留学生思想政治教育方式等。随着现代信息技术的发展，有学者聚焦来华留学生的个性化特征，利用互联网技术赋能留学生思政教育工作。如许蕴文重点关注来华留学生的思维差异，提出通过思维差异化教学模式建设和开展思维引导工作(10)许蕴文.基于思维差异的来华留学生思想教育工作思路与措施[J].学校党建与思想教育,2019,(4).；李慧琳等提出来华留学生思政教育工作应借助多媒体资源，将思想教育融入留学生教学(11)李慧琳,张营广.趋同管理背景下高校来华留学生思想教育问题探析[J].思想教育研究,2014,(11).；曹静提出利用网络平台开展思想政治教育，以便及时掌握留学生的心理状况、思想动态、生活情况等，便于实施者及时疏导留学生的不良情绪并解决其遇到的困难(12)曹静.我国留学生思想政治教育网络平台设计研究[J].渭南师范学院学报,2015,(22).。总体而言，留学生思想政治教育是促进培养质量提升，落实立德树人目标的重要保障，学界多针对其发展困境提出对策，但对留学生思政教育与现代信息技术的结合问题关注尚少，有待深入探究。

由于留学生思政教育的教学环境复杂，学习者个体差异较大，导致教学效果的监测与评估成为难题。多模态学习分析方法拓展了传统的学习评估方法，能够对留学生思政教育的学习过程与结果进行全面细致的刻画。鉴于此，文章以真实评价留学生思政教育成效为目标，构建基于多模态数据的留学生思政教育多模态学习分析框架，通过对学生在线下实体课堂、线上智能平台以及其他媒介平台中的多模态数据进行挖掘、采集、整理和分析，以可视化形式展现思政教育对留学生思想情感、行为动态的影响，为更加精准、科学地开展留学生思政教育工作提供指导和数据参考。

二、多模态学习分析与来华留学生思政教育

为保障真实全面的留学生思政教育过程挖掘与实践改进,本文重点聚集多模态数据分析视域下的学习评价研究,以多模态学习分析理论为指导,通过多模态数据的采集,处理和分析,客观描绘、评估留学生思政教育的过程与成效，实现多模态数据赋能教育的目标。

(一)多模态学习分析

学习分析是利用多种分析技术和数据挖掘方法，收集和分析学习者的行为数据，多维度、深层次地理解和优化学习过程，提升教学效果的一种方法或手段(13)高明,王小霞.多模态学习分析研究现状与启示——基于学习分析与知识国际会议的调研[J].开放学习研究,2022,(1).。随着各类可穿戴传感器技术、互联网技术和大数据计算能力的发展，为获取多种模态数据提供了技术支撑，促成了多模态学习分析研究的诞生，并成为学习分析领域的一个重要新兴分支。

多模态学习分析(MultiModal Learning Analytics，MMLA)最早由美国南加州大学的Stefan Scherer 和 Louis-Philippe Morency、西北大学的Marcelo Worsley等学者于2012年在第十四届《多模态交互国际会议》上正式提出(14)SCHERER S，WORSLEY M，MORENCY L P.1st international workshop on multimodal learning analytics：extended abstract[C]//Proceedings of the 14th ACM international conference on multimodal interaction.New York：ACM，2012：353～356.，它是基于人的多重感知模式，采用多种方式追踪学习者的学习过程，获取与分析学习者不同层面的数据，更精准、更全面地洞悉复杂学习者的学习过程及其学习环境(15)潘青青,杨现民,陈世超.国际学习分析技术研究进展与趋势分析——基于2014年至2016年Journal of Learning Analytics论文分析[J].中国远程教育,2019,(3).。目前多模态学习分析广泛应用于教育领域，通过分析学习者的对话、行为、心理情感等多模态数据，解释和预测学生的学习轨迹、学习表现、学习结果等，以实现多模态数据赋能的学习现象的解释和学习规律的发现。

(二)多模态学习分析应用于来华留学生思政教育的可行性

1.信息化、智慧化是来华留学生思政教育发展的必然趋势

来华留学生思政教育是以课程育人、创新培养为目标导向，在知识传授的过程中进行价值引领，助力来华青年理解“中国方案”并形成文化和价值认同。在百年未有之大变局以及新冠疫情的影响下，国际中文教育发生重大变革，大数据、人工智能等信息技术的应用重塑了国际中文教育生态，来华留学生思政教育作为国际中文教育领域的重要组成部分，其教学生态逐渐向信息化、智慧化转型。

目前，已有学者基于大数据、智能化发展的视角对思政教育进行创新研究，主要集中于两方面：其一，大数据、人工智能时代的思政教育理论内涵创新研究，如崔建西等提出智能思政是人工智能时代思政教育创新发展的新形态(16)崔建西,白显良.智能思政：思想政治教育创新发展的新形态[J].思想理论教育,2021,(10).，刘政等提出数据挖掘技术的目标、内容、方式有助于信息传播与思想政治教育的融合创新(17)刘政,郑易平.数据挖掘视域下思想政治教育创新的新时代意蕴[J].喀什大学学报,2022,(1).；其二，大数据、人工智能技术等手段推动思政教育的实践发展研究，如黄欣荣提出大数据将人类思想、情感和行为数据化，为思想政治教育系统的可观可控提供了数据基础(18)黄欣荣.大数据对思想政治教育方法论的变革[J].江西财经大学学报,2015,(3).，如林晶、宋林泽等从路径、手段和功能三个维度说明了大数据如何推动思政教育转型(19)林晶,王建亭.大数据思想政治教育模式构建的可能性及其实现路径研究[J].湖北社会科学,2020,(5);宋林泽,丁凯.大数据时代思想政治教育研究范式转型的三重维度[J].江淮论坛,2020，(6).，操菊华等从理论逻辑和实践路径说明了大数据技术和人工智能如何赋能高校精准思政(20)操菊华.人工智能赋能思政课教学精准化的理论逻辑与实践图景[J].思想理论教育导刊,2022，(4)。

虽然暂未有学者直接将多模态学习分析应用于留学生思政教育，但现代信息技术在思政教育领域的广泛应用证明两者融合发展的必然性和可行性，现代信息技术为思政教育智慧化转型提供了技术支撑，也为思政教育研究创新提供了新的思路和方法。

2.多模态学习分析有助于科学、精准地开展来华留学生思政教育工作

面向留学生实施精准思政的难度较大，原因主要有以下三点：其一，从学习对象来看，来自不同国家、地区的留学生具有不同的文化背景和语言习惯，其个性化、差异化特征鲜明，涉及的分析维度较多，评价指标更为复杂；其二，从教学生态来看，留学生思政教育场域呈现出线上线下交叉融合的趋势，教学生态复杂，学习过程的监控难度较大；其三，从思政教育的特点来看，思政教育强调留学生潜移默化地接受文化熏陶和道德教育，其学习过程的监测及教学成效的评估难以通过试卷、作业等传统考核形式完成，且这种行为变化是动态发展的，需要全过程追踪学习者的思想行为动态。

为解决这一评估困境，可充分利用多模态学习分析方法及技术，基于多模态数据的分析处理，从留学生的外显特征追踪内在变化，全面、客观地分析学习行为，并依据结果指导教学，赋能精准思政。目前，国际中文教育领域已经开发建设了众多的软件平台、智慧教室，储存着海量的学习者信息及学习过程数据，如来自学习管理系统、MOOC、社交媒体、教育游戏等平台的数据资料，这些数据资料主要包括两部分：一是服务主体课程的教辅资料，教师可挖掘这些资料中的思政要素直接用于课堂教学环节；二是反映学习过程的数据，包括学习者的语言、表情、手势、肢体动作等多模态数据，教师可通过这些数据了解最真实的学习情况，如学习者的注意力、情感变化、行为动态等。多模态学习分析是以多模态数据为研究对象，可最大化发挥学习数据的价值，将这些数据变为信息，成为审慎决策、过程优化的重要依据，并用以指导决策，服务教学，实现对学习者及其学习过程的正面引导，全面提高人才培养质量。

三、来华留学生思政教育中的多模态数据采集

(一)来华留学生思政教育中的多模态数据

多模态学习分析的分析对象是学习过程中的多模态数据，即多种模态数据的融合。由于来华留学生思政教育的复杂性，仅凭单一模态的数据分析难以呈现立体、全面的学习行为，需采集不同模态的信息，增强不同模态信息之间的互补性。

为了系统、科学地采集复杂学习环境中的多模态学习数据，需要对采集到的多模态数据进行分类整合，通过多模态数据融合支撑精准分析。文章参考牟智佳的分类标准(21)牟智佳.多模态学习分析：学习分析研究新生长点[J].电化教育研究,2020,(5).，以学习者为中心，搜集分析留学生思政教育产生的学习数据，将多模态数据分为学习资源数据、学习体征数据、学习环境数据和学习交互数据。

如图1所示，四类多模态学习数据是相辅相成、互为一体的。其中，学习资源数据是基础，它既是学习分析的要素，也可作为教辅资料直接用于教学活动；学习体征数据是主体，是直观反映学习行为和学习过程的部分；学习交互数据是辅助，侧重于学习交互活动的分析，帮助全面描绘教学过程；学习环境数据是背景，既包括现实的教学环境，也包括承载学习数据的虚拟载体。具体如下：

图1 来华留学生思政教育的多模态学习数据

1.学习资源数据

来华留学生思政教育的学习资源数据主要包括专业课程与思政要素。思政要素是以“理想信念”为核心，以立德树人为目标，包括专业课程在教学体系、教学内容、教学过程和教学方式中蕴含的思政理念、思政内容、思政载体、思政资源等要素。留学生思政教育的学习资源除了深入梳理专业课的课程内容，还包括中国历史、地理、社会、经济等中国国情和基本文化知识，中国社会主流价值观和公共道德观念等内容，甚至涵盖支撑思政教育的多媒体课件、教材教辅、微课视频等辅助资源。

2.学习体征数据

学习体征数据指留学生个体的身体多模态数据，既包括以文本、图像、音视频、点击流等为代表的外显行为数据，也包括眼动、面部表情、脑电信号等为代表的内隐特征数据。如在线上线下融合环境中开展的来华留学生思政教育的学习体征数据既包括笔记记录频次、课堂注意力时间比等课堂学习数据，也包括平台登录时间点、频次和持续时间、学习任务完成进度、练习测验结果等网络学习行为数据。

值得注意的是，面向来华留学生的思政教育通常是动态变化的学习过程，尤其重视学习者价值观念、情感态度的变化，因此，其学习分析的体征指标不仅包括外部行为变化，更强调学习者内在心理、生理的变化。以注意力分配和转移为例，可跟踪面部表情、眼动等生理信号，识别学习者的实时注意力，获取学生注意力高度集中的时间段分布信息。

3.学习交互数据

学习交互是反映教学过程动态发展的重要指标，来华留学生的思政教育的学习交互数据则包括师生交互数据、生生交互数据和人机交互数据，其中，人机交互数据包括键盘输入、鼠标位移、点击流等数据，可利用大数据追踪、云计算等手段进行采集，师生交互数据和生生交互数据主要包括言语信息和非言语交流两类，可通过学生出勤频次、师生互动频次及时长、生生互动频次及时长等指标进行采集分析。

4.学习环境数据

学习环境数据以真实环境和网络空间环境两类数据为主。真实环境主要指线下的课堂环境，包括所处方位、温度、光照等自然条件，也包括桌椅位置、教室装饰等课堂环境；网络空间环境指开展在线教学的网络环境，包括直播平台、自主学习平台等数字空间，还包括网络运行速度、运行状态等影响因素。

(二)来华留学生思政教育多模态数据采集流程

多模态数据的采集与分析是多模态学习分析的基础与关键，对揭示复杂环境下的学习行为和学习规律有直接影响。为全面收集、整合学习者的多模态数据，需充分利用现代信息技术，优化数据采集流程，以更好发挥学习数据的价值，精准科学地评估学习者的学习行为和状态。来华留学生思政教育多模态数据采集流程可分为数据采集、数据预处理、数据分类、解释分析四个过程，如图2所示。

图2 来华留学生思政教育多模态数据采集流程图

1.数据采集：综合利用脑电感应、眼动追踪等多模态生物识别技术和数据挖掘技术，采集线上、线下课堂以及各学习平台中的留学生思政教育的相关学习数据，包括课堂学习表现、学习平台登录信息、日志文件等。由于研究中思政教育的对象是来自不同文化背景的留学生，在采集上述四类多模态学习数据的基础上，还需采集学习者的基本信息数据，如国籍、性别、年龄、职业、学历、汉语水平等，为学习分析提供全面系统的数据支撑。

2.数据预处理：对收集到的数据进行整理，清除无用的、不完整的、不一致的数据，确保数据真实有效。由于来华留学生思政教育具有对象多样化、内容多元化、环境复杂化等特点，数据种类繁复，体量庞大，且数据质量不尽相同，更需要通过预处理将与最终决策相关性较低的数据去除，为分析计算提供可靠性较高的数据。

3.数据分类：不同类别的学习数据具有不同的表征形式，可基于某类主题将不同模态的数据分类存储，形成满足具体学习行为信息提取的数据分析环境，如依据留学生的基本信息、学习体征、学习环境等建立思政教育主题数据库，并将各数据库进行关联，既可以实现分类处理，也可以满足融合分析的需求。

4.解释分析：通过上述数据处理分析得出结果，以可理解、可视化的方式呈现结果，基于分析结果解释和预测学习者的学习轨迹、学习表现、学习参与度等。

四、多模态学习分析在来华留学生思政教育中的应用

(一)来华留学生思政教育多模态学习分析框架构建

来华留学生思政教育多模态学习分析框架是在采集多模态学习数据的基础上，以多模态学习分析理论为指导，构建以学习者为中心、以多模态学习数据为分析对象，以思政教育成效可视化输出为目标的分析框架，该框架致力于将复杂多元的数据转化为可阐释、可利用的教学信息，以跟踪学习体验，解释和预测学习者的行为动态，从而科学精准指导教学实践。

来华留学生思政教育多模态学习分析框架从下往上依次为：多模态数据采集层、多模态数据管理层、多模态数据分析与展现层和多模态数据应用服务层。数据采集层将采集到的各类学习数据传递给数据管理层，并通过数据整合、存储形成数据库，教师或教学管理者可基于多模态学习数据库进行分析评估，在分析与展现层实现学习数据的可视化呈现，并将分析结果传递给应用服务层。总体而言，每个环节都有明确的研究任务和分析目标，各个阶段相互影响、层层递进，形成了一个系统的分析框架，具体如图3所示。

图3 来华留学生思政教育多模态学习分析框架

1.多模态数据采集层

主要通过摄像头、麦克风、脑电设备、眼动设备、心理传感器等模态传感器，并利用人工智能、大数据深度挖掘和区块链等技术，对学习者行为及其环境数据进行采集。为了保证学习数据的系统性和科学性，数据采集环节应该规范数据格式进行预处理，如基于来华留学生思政教育的个性化、差异化特征鲜明，依据国别区域、语言水平、个体学习表现等字段建立主题数据库，反映学习个体及群体的学习现状与规律，也便于后续多模态数据的存储、管理与应用。

2.多模态数据管理层主要包含数据标注、数据整合和数据储存

(1)数据标注是将收集到的数据转换为可用于学习分析的数据标签，这一过程可借助Elan、Anvil等多模态注解技术划分不同模态的数据，再由专家、教师或教学管理者对数据进行判断和注释，将包括语音、图片、文本、视频等在内的学习数据转换为机器可识别的信息。

(2)数据整合是在数据标注的基础上，根据一定的规则对多个数据集进行重新融合，从整体保证数据的一致性和相关性。如将反映情感态度的数据信息进行合并，对比分析留学生的情感态度变化，也可通过数据发现留学生更易于接受和理解的思政内容。

(3)数据存储是所有数据的集中存放地，主要用来存放各种历史数据、汇总数据、预测数据等，可通过集群应用、网络技术和分布式文件系统等功能，集合不同的学习数据库，并提供业务访问功能以满足学习分析的需求。由于思政教育强调“全过程育人”，学习数据的储存尤为重要，不仅包括学习者个体信息、思政内容等基本资料，还包括语言、表情、动作等学习者数据，以保证全面、立体地刻画思政教育的全过程。

3.多模态数据分析与展现层是对处理后的多模态学习数据进行分析评估

(1)学习分析是指通过测量、收集、分析、汇报学习者和他们所处环境的数据，用以理解和优化学习以及学习发生的环境(22)Siemens G,Long P.Penetrating the fog:Analytics in learning and education[J].Educause Review,2011,(5).，研究者可使用包括多元回归分析、分类聚类、文本内容分析及社会网络分析等多种方法处理分析多模态数据集。为全面客观地评估留学生思政教育成效，应综合考量资源使用、学习投入、社会互动、情绪分析、认知负荷等评价指标，形成一个完整、可信的多模态学习分析数据库。

(2)可视化是将数据转换成图形或图像在屏幕上显示出来，是对数据世界的“透视”或“显像”。文章的学习分析对象为来华留学生在思政教育的学习体验，分析目标是解释和预测留学生的学习行为、思想动态等，利用数据可视化技术能够以更加直观、更易于理解的方式呈现学习者的内在心理、生理表现，预测留学生的行为发展趋势，为下一步的教学决策提供指导。

4.多模态数据应用服务层是将分析结果进行反馈解释，以引导学习者做出一些新的学习行为，分为教学服务和发展服务两大模块：教学服务模块即多模态学习分析主要应用于挖掘思政要素，丰富教学内容，构建多模态教学环境，增强体验感和交互性以及全面评价学习行为及学习过程，实现精准教学和科学管理；发展服务模块即基于分析结果提供个性化学习服务、信息分析和共享服务以及学习者行为动态的监测和预警服务。

总体而言，将多模态学习分析的结果用于改善实际的留学生思政教育工作，有助于推动留学生思政教育的全面改革和科学化、精准化发展。如教师可结合教学理论、学习分析理论解释可视化分析结果中的关键发现，将结果用于指导思政教育的学习活动层面，以改进教学策略，优化教学计划，完善课程的设计与开发；还可预测留学生的学习倾向、思想行为发展趋势，为其推荐个性化的学习资源、学习任务和学习路径，以更好地满足其个性化学习需求，提升精准思政的实效。

(二)来华留学生思政教育多模态学习分析的基本原则

为了保证多模态学习分析的科学性和有效性，结合留学生思政教育的特点，在分析过程中需要遵守四个基本原则，即科学性原则、系统性原则、个性化原则和动态性原则。

1.科学性原则

科学性原则指多模态学习分析的评价指标覆盖是否全面，用于评价的数据来源是否真实可靠，学习评价的结果能否真实反映留学生的学习状态及其思想价值、态度行为的发展变化。留学生思政教育的多模态学习数据庞杂，除了学习者个体差异，还有如知识课程、技能课程和实践课程的课程类别差异，且不同课程涉及的思政要素及其表现形式也各有不同，处理难度较大。因此，要尽可能遵循科学性原则，一方面保证数据来源真实可靠，减少冗余数据的干扰；另一方面合理选择数据处理方法，如融合R语言、云计算等形式，提高数据分析处理的效果。

2.系统性原则

面向留学生开展的思政教育是以课程思政为载体，为留学生提供中国视角的认知方式、知识体系和价值引领，使其了解、理解和认同中国，这是一项系统工程，其最终成效通常受多种因素影响。因此，系统性原则要求在进行多模态学习分析前应全面收集信息，综合分析学习者、教学资源、教学环境等多种因素的相互关系，融合多种模态数据进行计算分析，做出系统评价。同时，留学生思政教育的成效是潜移默化的，更多是以内隐的生理、心理特征形式展现，因而系统性也强调全方位、全模态、全周期并具有高度适应性的评价，将评价作为教育教学活动的重要组成部分，贯穿于教学的各个环节。

3.个性化原则

个性化原则强调多模态学习分析应考虑留学生的个体特征，在坚持系统性评价分析的基础上尊重差异。从客观环境来看，各个国家、地区之间存在较大的政治、经济、语言文化、硬软件设施等方面的差异；从留学生个体来看，受教育程度、学习需求、学习动机等个性化特征鲜明。因此，多模态学习分析在确定和选用评价标准和评价方式时，应在达到最低教学要求的基础上，考虑留学生的个性和创造性发展，如根据个体需求，在国情文化、社会热点等问题上分类教学，提升教学内容的针对性；还可以对比不同留学生的学习特征，总结其学习规律，提供具有个体适应性的教学形式。

4.动态性原则

动态性原则强调要以发展的眼光对待分析结果，以结果促进思政教育的优化发展。一方面，思政教育作为一项立德树人的系统工程，难以基于短期、片面的学习数据开展评估，依据动态性原则，用于学习分析的多模态数据要保持更新发展，以保证真实、及时地追踪留学生学习行为、思想态度的变化发展，为教师优化教学过程、学习者监控学习进度提供参考；另一方面，动态性原则也强调紧跟时代前沿，及时发现、整合最新的数据计算分析方法和技术手段，扩充算法模型，不断提高数据分析的质量以达到能够精准预测学习者行为表现，最大化实现多模态数据的教育价值。

(三)多模态学习分析赋能精准思政

基于留学生思政教育多模态学习分析框架和分析原则，结合留学生思政教育的特点，本部分将重点探讨多模态学习分析如何从丰富教学内容、塑造教学环境、解释学习过程、预测发展趋势等方面赋能精准思政。

1.挖掘思政元素，针对性生成教学内容

思政要素的挖掘是思政教育的重要环节，基于多模态学习分析，可明确学生对语言、文化、国情等知识点的学习兴趣和学习诉求，指导教师调整教学重点与难点，有针对性地设计思政教育的素材内容和呈现形式。

一方面，可借助多模态数据挖掘技术，结合不同课程的内容特点、价值理念和教学目标，利用统计分析、关联规则、频繁访问组、聚类分析等方法，从大量的、随机的数据中提取有用的信息和知识，构建留学生思政教育数据资源库，以保证收集到尽可能多的思政要素，丰富课程内容。如通过分析进一步发现教学过程中成效显著和成效一般的思政元素，并基于此从传统文化、价值观念、国家治理、科技进步、社会发展风貌、风土人情、生活方式等方面全方位开发多模态教学资源，推动文本形式的课程思政元素转为多元媒体的呈现形式。另一方面，面向留学生开展的思政教育还应考虑留学生的认知水平、思维习惯、语言文化等差异特征，注意思政内容的适用性、针对性。如教师和教学管理者可以在多模态数据整合过程中按照国别、年龄、语言水平等基本信息建立学习者个人档案信息库，并将不同子库链接起来，既可以基于分析结果描绘单一个体学习者画像，也可以发现某一国别、区域学习者的认知偏好，采集并推送符合其学习需求和兴趣偏好的思政内容。

2.塑造多模态教学环境，增强体验感和交互性

多模态学习分析基于信息化、智能化的基础设施开展教学，在教学过程中动态收集学习者及其所处环境的相关数据，并基于分析结果为师生创设更加多元、真实的教学环境，为师生交流、知识讲授提供便利。

目前，来华留学生思政教育面临线上线下融合的复杂教学环境，借助多模态学习分析结果，可有效整合文本、图片、声音、影像多模态符号资源，以“多模态协同”的方式构建教学环境。教师可以在课堂中充分利用人工智能、5G等现代信息技术，借助教学平台、学习网站和移动APP等智能设施全方位链接物理空间与网络空间，拉近师生互动的时空距离，打造云端思想政治教育仿真实践场，如教师可以引导留学生云参观庆祝改革开放40周年大型展览，带领学习者全景式回顾中国社会的发展变化，使其身临其境地感受，增强思想感染力和引导力。

3.监测学习过程，评估学习行为

教学评价是教学的风向标和测量仪，解释和评估学习者的学习行为，再现学习过程，是留学生思政教育的重点，也是难点。多模态学习分析将现代信息技术融入思政教育，将数据转化为可解读的信息资源，以可视化的形式反馈给教学主体，帮助监测学习过程，评估学习行为。

教师和教学管理者可借助智能工具观察留学生在学习过程中的思想波动与情绪变化，掌握其日常行为数据，从思想与行为、过程与结果、现状与趋势等诸多维度进行评价分析，跟踪留学生的学习参与、合作学习和师生互动等情况。此外，多模态学习分析基于多模态数据集全周期、全过程地追踪学习行为，教师可基于留学生思政教育全过程的持续观察、记录、反思做出发展性评价，随时了解留学生的学习进展情况，获得连续反馈，为教师及时调整教学计划、改进教学方法提供数据支撑。

4.预测发展趋势，建立干预机制

来华留学生思政教育应做到全过程育人、全方位育人，将思想教育内容内化于对留学生教育、教学、管理和服务的全过程，促进留学生综合素质的全面发展，这一过程中应实时监测学习者的学习状态，预测其行为发展趋势，及时实施干预。

多模态学习分析利用信息技术追踪留学生在各种社交平台的信息数据记录，帮助教师更好地观察、了解、分析学习过程，并通过深入挖掘和分析这些数据，第一时间掌握留学生的思想动态和生活近况。同时，基于对留学生多模态学习数据的处理分析，教师能有效监测学生思想意识形态的发展变化，预测留学生在学习过程中的危机，及时发送预警信号，并发挥校内外主体协同联动作用，建立针对性的干预机制，在共同的规则、共同的文化、共同的要求的规范和熏陶下，帮助来华留学生了解中国国情文化，增强思想教育实效。

五、结 语

留学生思想政治教育是一项必要且重要的工作，但面临线上线下融合的复杂教学环境，如何评估留学生的学习态度、情感投入以及行为特征以落实思政教育成效，值得进一步深入研究。多模态学习分析利用智能传感设备和分析技术再现学习生态的全貌，为全方位评测思政教育成效，全过程监测学生思想状态提供了有效途径。文章利用多模态学习分析理论及方法，对思政教育过程中产生的多模态学习数据进行采集、整合、处理和分析，监测分析学习过程，预测学习者的思想动态，为教学主体提供教学支持和导学服务，以优化思政教育过程。随着大数据、人工智能、云计算等现代信息技术的持续发展与广泛应用，多模态学习分析理论方法不断趋于成熟，能够为实现精准思政提供技术支撑和理论指导，为来华留学生思政教育创新研究提供强大动力。