大家好。

在本文中，我将介绍本次英语文献研讨会所阅读的论文及其感想。

论文标题： From Complexity to Parsimony: Integrating Latent Class Analysis to Uncover Multimodal Learning Patterns in Collaborative
国际会议： LAK 2025: The 15th International Learning Analytics and Knowledge Conference
出版年份：2025
页码：70-81
作者： Lixiang Yan, Dragan Gasevic, Vanessa Echeverria, Yueqiao Jin, Linxuan Zhao, Roberto Martinez-Maldonado

本研究针对协作学习，收集了学习者的位置信息、语音及生理数据，并利用多模态学习分析（MMLA）进行了分析。理解协作学习需要从语言与非语言互动、物理与数字资源利用等多个角度进行观察。传统的MMLA研究往往侧重于单一模态，对整合多种数据模态的综合分析较为有限。针对这一课题，本研究利用潜在类别分析（LCA），整合了不同的数据模态，从而识别出更为简洁且具有解释力的学习模式。

在研究方法上，研究对象为56名接受医疗教育的学生，研究人员收集了他们在医疗模拟环境中的团队活动数据。其数据收集方式非常有趣，同时捕捉了3种不同的数据流。位置信息数据使用了Pozyx creator toolkit，实时追踪学生在空间内的坐标，并持续记录其在教室内的精确位置。语音数据通过紧凑型无线耳机麦克风收集，并经由多通道音频接口同步同一小组学生的语音，随后进行了详细的转录与分析。生理数据则测量了心率，用于评估模拟活动中的觉醒度以及与其他参与者之间的同步性。

收集到的数据被分别转换为不同的行为指标。任务行为方面，测量了在模拟环境内不同区域（主要任务空间、辅助任务空间等）的协作工作、个人工作以及任务间的转换等。例如，“主要任务空间内的协作工作”被定义为两名学生在进行重要医疗处置的区域内，保持1米以内距离且持续10秒以上的状态。团队沟通指标方面，从语音数据中分析了“任务分配”、“信息共享”、“确认应答”等对医疗团队至关重要的沟通模式。生理指标则测量了心率的“同步性”（团队成员间心率模式的相关性）和“觉醒”（超过基准线的心率状态）。

为了整合不同模态的数据，作者选择了60秒作为分析单位，对各模态数据进行了同步化处理。研究将任务行为持续10秒以上、沟通指标在60秒间隔内至少发生1次、生理指标持续30秒以上作为标准，将各行为的“存在”与“缺失”编码为二元数据。通过这种方法，实现了对时间粒度不同的数据进行统一格式的分析。

分析结果显示，4个潜在类别分别呈现出独特的行为模式。“协作沟通”表现为所有类别的行为均存在；“身体协作”表现为语言沟通较少的协作工作；“远程互动”表现为虽然物理距离较远但维持了语言沟通的状态；“个人参与”则表现为独自从事辅助性任务的状态。此外，通过ENA（认知网络分析）分析表明，相比于多个单模态数据，4个多模态指标模型在任务与协作活动满意度的差异方面具有更高的解释力。

以下是我的感想。本研究利用MMLA，为多样化数据源的收集与处理提供了详细的见解。特别是位置信息、语音及生理数据等不同模态的同步与整合方法，在实践研究设计中极具参考价值。此外，利用LCA这一方法从多种模态数据中提取4个主要模式的手法，也提供了新的视角。我认为，利用LCA将单模态指标转换为多模态指标的方法，在以易懂的形式解读复杂数据集方面具有创新性。同时，我也对ENA这一分析方法产生了兴趣。虽然我本人尚未实际使用过该方法，但它似乎是识别多个数据模态间关系的有力工具。今后，我也想在自己的研究中尝试这些方法。令我感到好奇的一点是，本研究为何没有包含手势等非语言沟通数据。在协作学习，特别是像医疗模拟这样身体活动较多的环境中，手势或表情等数据应该也发挥着重要作用。关于这一点，我想进一步了解是出于技术限制，还是研究设计上的选择。我认为，作为一种整合复杂多模态数据的方法，本研究为今后的协作学习研究提供了重要的启示。

文责：耿学旺