多模态视域下军事职业教育精准化学习评价路径与方法

宋瑶瑶　周益名　陈健

［摘 要］智能感知技术的发展推动了学习分析领域的变革，使多模态数据的获取和融合分析成为可能，也使传统在线教学评价向“第四范式”数据密集型评价迈进。文章首先立足于当前学习评价现状，剖析军事职业教育侧重结果性评价、评价主体单一、缺乏智能化手段支撑等问题；其次基于具身认知理论将多模态数据分为基础信息数据、个体特征数据、交互行为数据三类，依据数据感知技术和数据表征方式构建在线学习多模态数据测评框架；最后从多模态数据采集、多维度数据融合、多元化分析建模、精准化反馈改进等四个环节，探索数据驱动下的精准化学习评价路径，不断促进军事职业教育的内涵式发展。

［关键词］多模态数据；军事职业教育；精准化学习评价

［中图分类号］ G71 ［文献标识码］ A ［文章编号］ 2095-3437（2023）14-0141-05

十八大以来，习近平主席多次强调，要健全军队院校教育、部队训练实践、军事职业教育三位一体的新型军事人才培养体系[1]。军事职业教育作为军队院校教育和部队训练实践的补充、延伸和拓展，其突破了时间和空间的限制，具有鲜明的全时、全域、全员的特征，是面向全军官兵的有组织的、自主在岗的个性化“泛在学习”，对实施人才强军战略、加快推进军事人员现代化具有重要作用。而学习评价是保障学习质量、提高教学效果的重要举措，是军事职业教育过程中不可缺少的一环。2021年1月印发的《军队军事职业教育条例（试行）》强调，要全过程检查督促学习绩效，加强学习行为分析、状态监测和质量评估，跟踪掌握学习情况，及时进行学习指导。

教育信息化建设的不断推进，网络在线课程内容丰富、自由度高、灵活性好等特点，较传统授课模式更能满足学习者碎片化学习、个性化学习、多样化学习的需求，成为军事职业教育的重要组成部分。“互联网+”背景下，数字学习数据快速海量增长，学习者外显行为（视频学习行为、讨论区学习行为等）和内隐表现（学习偏好、学习态度等）能够被及时跟踪记录，助力教育评价范式向数字化转型，以数据驱动为导向的精准化教学评价方式为军事职业教育革新提供了新的思路。

一、军事职业教育学习评价现状

依托网络平台开展的军事职业教育，是利用信息技术手段开展的现代学习、在线学习，其不仅实现了优质课程资源的大规模共享，还实现了跨时空界限的学习方式，为构建“人人皆学、时时能学、处处科学”的新型军事人才培养平台提供了保证[2]。随着信息技术进入智能化新阶段，单纯的远程在线教育学习评价面临着思想定位不够精准、制度机制不够健全、学习质效不够明显等现实问题。

（一）结果性评价有余，而过程性评价不足

军事职业教育平台由于其开放、大规模的特性，师生处于时空分离状态，弱化了教师对学习过程的指导和监控作用，虽然通过章节和期末测验能够了解学习者的学习效果，但测验作为课程某一阶段学习活动的终点，其反馈具有滞后性。此外，军事职业教育学习常带有指令性色彩，强调任务指标，学习评价更倾向于结果而忽视过程。但评价结果不仅仅是对学习者当前学习状况的判断，更是下一步学习活动开展的逻辑起点和生长点，动态地服务于学生对自我发展的评估。

（二）平面性评价有余，而立体性评价不足

任何一项评估都希望全面且客观地反映问题，学习评价也不例外。传统意义下的学习评估，往往是为了某个专项进行有针对性的评估，这种特定需求下开展的评估具有很强的主观色彩，并有一定的片面性。军事职业课程学习评价数据大多是阶段性数据，主要依靠平时成绩、期末考试成绩评价学生的学习效果，数据之间间隔的时间比较长，考核内容基本上围绕记忆型知识，缺少突出高阶能力素质的考核。传统强调“知道什么”的知识本位型学习已难以满足学生学习的基本需求，强调“能做什么”的能力发展型学习开始受到关注，注重个体在任务处理和问题解决过程中的能力表现，促使测评方式由单一主体的平面性评价向多方参与的立体性评价转变。

（三）传统化手段有余，而智能化手段不足

现阶段，军事职业教育平台未能完全记录过程性数据，仅仅将传统学习评价迁移到在线环境，单纯面向学习结果，无法实现“因材施教”的个性化评价，难以从根本上维持学习者的学习动机，激发学生的内在驱动力。“工欲善其事，必先利其器”，近年来，随着人工智能、情感计算及区块链等技术的兴起和发展，学习者的学习环境、学习资源获得、学习方式有了新变化，为更高效的数字化评价分析奠定了基础。教学评价方法不仅只能依靠考试、测验等形式，还能从理论的角度利用数据建模对学习者进行科学全面的评价。通过数据清洗、数据挖掘、数据建模等技术可获取、处理学习者在线学习过程的数据，根据直观、全面的学习绩效分析，可实现对学习者学习过程的评价、追踪、预测和干预。

二、军事职业教育平台多模态数据类型及表征

模态是指一种客观存在的、可表征的符号系统，每一种信息的来源或形式都可以称为一种模态，其既包含信息的表征形态和感知通道，又包含基于感知设备的数据采集方式。教育信息化2.0时代，教育评价进入智能化阶段，开创了基于全样本、全过程、全景式的元教育大数据挖掘和分析，即“数据密集型评价”的第四范式[3]。军事职业教育平台蕴含了海量的结构化、半结构化和非结构化数据，并且随着军事职业教育的深入开展，数据呈指数级增长。通过对现有教育评价理论以及关键技术进行深度剖析，探究在线学习过程中多模态数据类型及表征，利用多模态数据之间的信息互补提升数据分析的准确性，可还原教与学的全过程，满足新型教育情境下精准评价需求，推进智能时代军事职业教育的改革与创新。

（一）在线学习多模态数据类型

在远程学习领域的多模态数据研究中，随着各类学习活动数据得以记录和存储，其不再局限于学习者与教师或者其他学习者之间的交流数据，以及平台轨迹行为，学习者脑电、心率、皮电等生理数据因不易受主观意志的控制，使其表征学习者内隐认知活动、情绪变化情况更具客观性、实时性、准确性，成为学习分析研究的新对象。不同类型的数据通过特征提取可以表征學习者不同层次的学习活动和能力发展，将多模态信息结合能够提供对象多方面的信息，实现全面、系统的剖析和解释[4]。新兴研究领域“具身认知理论”，强调认知过程是身心一体的[5]，认知的世界是以身体为中心的意义集合，身体是理解和认识世界的一种方式和途径，与学习环境的交互是深度知识学习的关键。在线学习活动师生时空分离，要特别考虑学习者的社会心理需求，核心是参与式学习，关键是学习交互。据此，笔者将多模态数据分为基础信息数据、个体特征数据、交互行为数据。

1.基础信息数据

基础信息数据是指学习者在学习之初已经具备的个人属性和特质，在进行学习分析的过程中，这些数据必须与其他层面的数据相结合才具有实际分析的意义。其监测指标包括学习者的基本信息（年龄、性别、岗位等）、学习偏好、学情基础等数据，可以通过档案袋、成绩单获得，借助区块链技术将数据进行梳理和规范化存储。例如Tortorella等人借助传感器采集学习者的学习情境信息，并根据学习者的学习风格在“自适应移动学习系统”中推荐适宜的多媒体学习资源[6]。

2.个体特征数据

个体特征数据主要包括生理特征数据和心理特征数据。生理特征数据是学习者心理和行为的重要反映，主要监测指标为眼动、脑电、心率、皮电等数据变化。心理特征数据是学习者自身心理活动的数据，主要监测指标为注意力、情绪等数据的变化。例如，基于人机交互设备，借助眼动仪、脑电图、无线血压监测仪等感知设备构建学习者认知和情绪监测分析系统，可实现对学习者情绪状态的智能感知。Li等人基于红外图像數据、面部表情数据和人机交互数据等数据集，利用CNN对学习者在线参与度进行测评[7]。

3.交互行为数据

交互行为数据主要包括生生交互数据、师生交互数据、人机交互数据。在线学习过程中，社交行为主要依托网络进行，通过网络向教师或其他学习者请教，或者在讨论区发布问题等。生生交互和师生交互数据主要指学习者与教师或者其他学习者之间的互动，监测指标包含言语信息、非言语信息。人机交互数据主要监测指标为鼠标点击、鼠标移位、键盘输入、触屏等数据。例如石月凤等人通过对在线课程论坛交互数据进行数据采集，利用社会网络分析和相关分析方法探究其与学习成效之间的关系[8]。

（二）在线学习多模态数据测评

学习是一个复杂而多维的过程，得益于物联网、传感器、可穿戴设备、云存储以及大数据高性能计算等的发展，各类高频、微观的学习过程数据得以精准获取，在线学习评价转向全样本、全过程、多模态的伴随式教育诊断，契合在线学习行为数据的多源异构、多层关联、多维互补等特点。笔者通过对学习者学习过程中产生的特征数据及行为数据进行来源剖析与内涵分析，提出在线学习评价的多模态数据测评框架，全方位、精准化评估学习者的学习活动（见表1）。

三、多模态视域下精准化学习评价路径

多模态视域下的精准化学习评价是对多空间、多场景、多时段、多过程的数据进行记录、采集、加工、处理，实现“1+1>2”能效的一种评价方法，主要由多模态数据采集、多维度数据融合、多元化分析建模、精准化反馈改进等要素组成。其中多模态数据采集提供数据来源，多维度数据融合提供统一量化标准，多元化分析建模提供数据挖掘手段，精准化反馈改进提供反馈应用服务，从而形成闭环（见图1）。

（一）多模态数据采集

在线学习的自主性和灵活性特征使得学习者具有多样化的学习行为模式，学习活动发生在“虚实相融”的混合空间中[1]。人工智能领域发展已迈向以文本、语音、图像符号系统表征的语义信息的识别和加工为核心的感知智能阶段，推动了多模态数据的采集，贯穿于整个教育过程，伴随着感知与测量学习者的认知数据、行为数据、生理数据等。

（二）多维度数据融合

单个模态通常无法包含产生精确预测结果所需的全部有效信息，基于数据融合方法集成不同类型数据可描述学习者的整体状态。在评价中，采集到的教育数据并非是在统一时刻被分析处理的，按照融合的阶段来划分，多模态数据融合可以分为早期融合、晚期融合、混合融合三种。早期融合是为了解决数据间标准不一、数据缺失等问题，先从每种模态中分别提取特征表示，在特征级别进行融合；晚期融合也称为决策级融合方法，先用不同模型对不同模态进行训练，再融合多个模型输出结果；混合融合则是结合早期和晚期融合两种方法。

（三）多元化分析建模

为实现及时有效的个性化指导，教师需要了解学习者在线学习过程的表现，以便实施恰当的干预。常用的分析建模可以划分为四类：优化、分类、评价、预测。优化是基于现有最有效的教学条件，利用各种资源实现教学效益最大化；分类是采集学习者的基础信息、学业数据等信息，划分学习者类型，实施精准教学；评价是围绕教学过程主体及相关要素，构建科学指标体系；预测是基于学习者持续变化的认知、情感、行为等数据，诊断学习状态并预测未来变化。

（四）精准化反馈改进

数据融合分析的最终结果都是方便教师使用，反馈“教”“学”“管”。一是以学定教。借助各类工具对平台大量的学习数据进行有效分析，精准感知学习者的学习状况，以分析结果作为下一步教学的起点，支撑教师的个性化教学。二是个性化学习。深入挖掘分析学习者学习偏好、学习风格和认知能力，精准掌握学习者学习需求，实现“资源”与“学习者”的双向匹配。三是高效管理与决策。军事职业教育面向的学习对象来源多样，学习场景也不尽相同。通过对学习过程中伴随式数据的精准挖掘，对师生群体行为规律和总体需求进行划分，能够对学习者的学习成效进行精准定位，辅助管理者和教师进行精准管理与决策。

四、展望与对策

军事职业教育是推进军事人员现代化的重要举措，是加强新时代练兵备战的全新载体，是提高官兵综合素质的重要平台。开展科学有效的教育评价是构建高质量军事职业教育体系的必经之路。目前，基于数据驱动的学习评价研究仍处在探索阶段，但随着教育与信息技术的深度融合，大数据背景下的学习评价呈现快速发展的趋势，如何进一步整合挖掘学习者的个性化数据，为学习者提供个性化支撑方案成为重中之重。

（一）构建多模态视域下的综合素质评价指标框架

智能教育时代，大数据、人工智能等技术的发展使学习过程数据的全面采集成为可能。在线学习过程中，数据的产生与采集是多场景、全过程的，覆盖情感、社交、课程等多个方面，根据评价目的、具体教育场景的不同汇集多源、多维数据，包括图像、语言、文本等，亟须统一的标准和全面化的指标框架。因此，学习绩效评价需要建立符合多维数据特性的综合评价框架和指标体系，用于汇聚来自不同模态的学习数据，为后续全方位、多维度地描绘学习者的综合素质评价数字画像做好准备。

（二）完善平台数据采集与分析方面的关键技术

现阶段，大数据应用还处在初级阶段，军事职业教育平台实现多模态数据采集和个性化学习评价还面临着困难。由于教学过程的复杂性和非结构性，数据种类繁多且多样化、学习数据的多源化、某些关键性数据难以电子化等问题，针对指定被试人群同时采集多模态数据及支持学习分析建模的标签数据依然难以实现。军事职业教育应积极利用数据驱动，建设智能化教学支持环境，突破学习评价中行为、认知、情感和社会评价方面的关键技术。同时由于军队院校的特殊性，平台数据的安全性应放在首位，要对敏感数据进行加密，提升系统的安全性，防止数据被窃取或篡改。

（三）提升教师应用测评技术反馈改进教学能力

未来，教育将从“经验主义”走向“数据主义”，借助平台提供的学习评价数据，分析并把握学习者的知识储备、学习状态等，将成为教师必备的关键能力。一是教师需要具备基于数据开展有效教学设计的能力，借助数据进行教学决策、开展教学设计；二是教师需要具备基于数据动态监控教学过程的能力，依托数据及时介入学习过程，有效进行教学干预；三是教师需要具备基于数据有效反思教学实践的能力，通过数据不断迭代优化教学设计[9]。

五、结语

智能感知技术的发展推动了学习分析领域的变革，使多模态数据的获取和融合分析成为可能，传统在线教学评价逐步向“第四范式”数据密集型评价迈进。文章首先立足于当前学习评价现状，剖析军事职业教育侧重结果性评价、评价主体单一、缺乏智能化手段支撑等问题；其次基于具身认知理论将多模态数据分为基础信息、个体特征、交互行为三类，依据数据感知技术和数据表征方式构建在线学习多模态数据测评框架；最后從多模态数据采集、多维度数据融合、多元化分析模型、精准化分析改进等四个环节，探索数据驱动下的精准化学习评价路径，不断促进军事职业教育内涵式发展。

［ 参 考 文 献 ］

[1] 雷霁，韩政元，赵陆洋，等.军事职业教育现状及影响因素调查分析[J].医学教育研究与实践，2021，29（6）：827-831.

[2] 李小平.论我军军事职业教育体系的构建[J].继续教育，2017，31（1）：10-12.

[3] 朱德全，吴虑.大数据时代教育评价专业化何以可能：第四范式视角[J].现代远程教育研究，2019，31（6）：14-21.

[4] 钟薇，李若晨，马晓玲，等.学习分析技术发展趋向：多模态数据环境下的研究与探索[J].中国远程教育，2018（11）：41-49.

[5] 叶浩生.具身认知：认知心理学的新取向[J].心理科学进展，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] 石月凤，刘三[][牙]，刘智，等.基于社会网络分析的在线学习行为分析实证研究[J].中国教育信息化，2019（1）：5-10.

[9] 葛文双，韩锡斌，何聚厚.在线学习测评技术的价值、理论和应用审视[J].现代远程教育研究，2019，31（6）：52-60.

［责任编辑：刘凤华］