九州大学 山田研究室

The 14th learning analytics and knowledge conference(14th LAK)的参加报告

2024年08月17日

大家好。

我于 2024年3月18日至3月22日在日本京都的京都国际会议中心参加了第14届国际学习分析与知识大会(LAK24)。 学习分析与知识大会(LAK24)是教育技术领域最重要的活动之一,涉及教育数据利用和系统开发。今年,有许多有趣的会议聚焦于生成式人工智能的应用、学习数据的机器学习分析和多模态学习分析(MMLA)。

会议第一天,我参加了“第六届基于阅读和学习行为分析的成绩预测研讨会”。我特别参加了关于 “在学习分析中利用 ChatGPT 识别高危学生的可行性 ”和“利用 MBTI 预测和 ChatGPT 增强个性化学习 ”的会议。MBTI 预测和 ChatGPT 量身定制的学习建议增强个性化学习”。 这些演讲展示了如何将生成式人工智能与 LA 相结合,不仅可以识别在学习中磕磕绊绊的学生,还可以根据学生的个性和其他特征(如 MBTI(迈尔斯-布里格斯类型指标,一种将人分为 16 种不同性格类型的工具))支持个性化学习。

3 月 19 日,我参加了“来自虚拟现实的学习分析 ”研讨会,在会上听取了许多关于学习实验室如何利用虚拟现实(VR)学习环境的介绍,从中我学到了很多东西。特别是马库斯-斯派希特(Marcus Specht)教授的主题演讲“从虚拟现实中的学习环境透视:从追踪吉他和弦到讨论飞机设计”,表明将虚拟现实作为学习环境可以支持个人学习的边缘实践(“从虚拟现实中的学习环境透视:从追踪吉他和弦到讨论飞机设计”)。 我思考了“LA ”如何有助于设计更有效的学习环境,什么是虚拟现实中的沉浸式学习体验,以及如何将其用于自己的研究中。我决定将它们应用到自己的研究中。

在6月20至6月22日的主会场会议上,我主要听取了与LA仪表板、自我调节学习和 MMLA 有关的研究报告。其中,我听到了几项使用ENA(认识网络分析)和ONA(有序网络分析)的研究,并认识到由于分析方法的应用,我以前没有意识到的分析方法有了扩展。 特别是 “TAM4SRL:用于分析自我调节学习的综合时态分析方法”(Nath,Gasevic,Fan & Rajendran, 2024)研究,该研究使用了ONA和模式挖掘以及数据可视化,并将ONA与模式挖掘和数据可视化相结合。该方法将ONA、模式挖掘和数据可视化等多种方法融为一体,提出了一种研究自我调节学习中学习活动的新方法。所提出的方法利用学习数据可视化直观地展示学习活动如何随时间变化,利用ONA考察自我调节学习活动的顺序,利用模式挖掘识别学习过程中多次重复的活动序列,通过这种多维度的调查、通过这种多维度的调查,突出了行为的时间性,并提出了新的、更全面的LA方法,以支持自我调节学习。此外,虽然我迄今为止读到的 MMLA 研究都侧重于分析,但听了 LAK24 的介绍后,我意识到 MMLA 可以超越生理数据的收集和分析,为学习者设计和创造更合适的学习环境。

LAK24对我来说是一次非常有意义的经历。特别是,它让我有机会思考生成式人工智能的发展如何拓展学习分析的可能性,以及 VR 等新技术如何改变学习体验。这些发现将对未来的研究方向和在教育实践中的应用产生重大影响。另一方面,我感到在最新的学习分析分析方法和生成式人工智能方面,我在某些领域的知识和技术更新跟不上。这促使我再次确认并克服自己研究中的挑战。此外,与其他研究人员的交流为我提供了不同的视角和想法,使我对自己迄今为止的研究有了新的认识。因此,在LAK24的基础上,我希望今后能更积极地参加国际会议,以提高自己的研究质量,并促成新的合作。

(笔者:特任助教 耿学旺)

PAGE TOP