大家好。

在这篇文章中，我将介绍在本次英语文献研讨会上阅读的论文及其感想。

论文标题： Using multimodal learning analytics to model students’ learning behavior in animated programming classroom
期刊名称：Education and Information Technologies
卷号：29(6)
页码：6947-6990
出版年份：2024
作者：Abdullahi Yusuf, Norah Md Noor, Shamsudeen Bello

由于学习过程通常是通过问卷调查或访谈等方法来确定的，因此往往依赖于学生的自我报告。然而，随着技术的进步，人们对学生客观行为指标的关注日益增加。其中，行为注意（behavioral attention）和行为参与（behavioral engagement）这两个行为指标尤为受到关注。行为注意与参与可以从以下三个理论模型中进行理解。

首先是认知心理学模型。在该模型中，注意与参与被定位为一种过滤机制，通过决定兴趣和好奇心来促进进入工作记忆的信息量。因此，注意与参与被认为对于学生选择适当的活动至关重要。其次是参与模型。该模型解释了注意与参与是相互关联的。它们既可以是影响学习和信息处理的认知因素，也可以是兴奋、无聊、好奇、愤怒等情感因素。第三是教学质量模型。在该模型中，注意与参与被视为衡量学生任务投入情况以及教师是否提供适当支持的指标。

为了测量行为注意与参与，通常会分析学生在课堂上的行为。具体而言，可以列举以下四点：

・视线方向：将注意力集中在教师的教学上被认为是学习的重要前提条件。有趣的是，有报告指出，较短的凝视时间代表高度注意，而较长的扫视则代表重要的注意转移。

・坐姿：研究表明，与向后或侧向坐着的人相比，坐姿端正的人更容易回忆起积极的记忆或思考愉快的事情。

・笔记记录行为：根据信息处理模型，笔记记录可以提高学生保持教师讲课内容的可能性，从而促进学习成果的提升。

・干扰课堂的言行：主要的干扰行为包括过度交谈、不适当的走动、大声喧哗、使用手机等。这些行为会导致学习成果下降和参与度降低。

然而，关于课堂学生行为分析的先行研究往往倾向于关注特定行为，多聚焦于视线移动或操作任务等单一指标。因此，本研究旨在收集编程课堂中的视线方向、坐姿、笔记记录行为以及干扰课堂的言行等数据，多维度分析学习行为，并利用机器学习算法预测学习成果。

调查对象为尼日利亚某大学计算机科学与计算机教育专业的35名二年级学生。参与者中男性27名，女性8名，平均年龄为19.8岁。编程学习使用了基于块的编程工具Alice 3。该环境的特点是通过动画和游戏学习编程的基本概念。课程持续8周，每节课首先观看20分钟的动画视频，随后进行编程练习。学习内容包括变量声明与赋值、数据类型、控制结构、字符串处理等编程基础要素。此外，还进行了测量编程理解程度的后测。教室内安装了3台摄像机以记录学生行为。通过在中央放置1台、两侧各放置1台摄像机，可以从不同角度观察学生的情况。2名编码员分别将录像中的行为分类为视线方向、坐姿等4类。Kappa系数为0.91，表明编码具有较高的一致性。利用隐马尔可夫模型分析观察到的行为流，并通过贝叶斯信息准则（BIC）和赤池信息准则（AIC）确定了最匹配的3种模式。此外，还使用了多元线性回归、随机森林、朴素贝叶斯和支持向量机，根据确定的行为特征预测了参与者的学习成果。

分析结果显示，学生的行为大致可以分为三种模式。第一种是“积极学习状态”，约占总体的43%。处于该状态的学生倾向于紧盯着屏幕，保持端正的坐姿，并热衷于做笔记。第二种是“消极学习状态”。这是观察到最多的状态，约占总体的49%。在此状态下，视线频繁游离，坐姿容易松懈，并出现与课堂无关的交谈。第三种是“被动学习状态”，约占总体的9%。处于该状态的学生虽然看着屏幕，但很少有做笔记等积极行为。特别值得注意的是，频繁观察到从“消极状态”向“被动状态”的转换。这可能是受动画教材特性的影响。动画虽然能吸引并维持学生的注意与参与，但由于动画的信息量比文本大，可能会给工作记忆造成认知负荷。此外，关于学习成果，视线移动和干扰课堂的言行被发现是预测成绩的重要因素。研究确认，屏幕注视时间越长且干扰课堂行为越少的学生，学习成果往往越高。

从分析结果中，可以获得关于动画编程环境下学习支持的几点重要启示。首先，从教师的角度来看，理解学生的行为模式将有助于提供更有效的支持。例如，对于视线频繁游离的学生，具体指示其关注动画教材的哪一部分可能非常有效。此外，对于坐姿容易松懈的学生，我认为在适当的时机引入休息时间有助于维持其注意力。从学习环境设计的角度也获得了启示。动画教材确实具有吸引学生视觉注意的效果，但同时也可能带来认知负荷。因此，在解释复杂概念时，需要采取调整动画速度或强调重点等措施。

以上是论文的概要。作为个人感想，我认为这项研究提供了非常有趣的视角。特别是分析编程学习中视线和坐姿等多模态数据的方法，将为今后的研究提供重要参考。期待这种详细的课堂行为分析能够促进更有效的教育环境开发。另一方面，也留下了一些疑问。例如，关于行为注意和行为参与如何与这些行为数据相关联的解释似乎不够充分。此外，我认为如果包含对先前知识水平的测量，将能够更准确地评估学习成果。关于视线数据，我认为今后通过使用眼动仪等设备，可以实现更客观的测量。

文责：耿学旺