《表2 多模态学习分析中数据整合情况》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《全景透视多模态学习分析的数据整合方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

（注：表中缩写字母的对应涵义为BL(Body Lan-guage）、SR(Screen Recording）、SP(Self-Report Questionnaire）、VO(Video Observation）、BMP(Body Movement and Position），其他缩写沿用常规缩写。）

为了进一步挖掘学习分析层面的数据融合情况，本研究从数据整合方式、数据类型、学习指标三方面对多模态数据整合分析的研究文献进行了归纳。由表2可知，已有文献中的数据整合方式既有跨类型的多模态数据整合，例如跨越数字空间数据和物理空间数据整合（Alyuz et al.，2017），跨越心理测量数据和生理体征数据整合（Dindar et al.，2020）；也有非跨类型的多模态数据整合，例如生理体征数据类型中对具体数据的整合（Yin et al.，2017）。对于学习指标，数据整合既有关注单一指标的，如学习投入度（Thomas，2018）；也有同时关注多个指标的，如同时关注协作、投入和学习绩效（Worsley et al.，2018）。现有的数据整合方式主要有三类（见图4):(1）多对一，即用多维度、多模态数据测量一个学习指标，以提高测量的准确性；（2）多对多，即用多维度、多模态数据测量多个学习指标，以提高信息的全面性；（3）三角互证，即通过多方数据互相印证来提高对某一问题阐释的合理性，是进行整合研究的实证基础。对比三类整合研究可发现，与单模态数据相比，数据整合的价值体现在整合能够提高测量的准确性和信息的全面性，并带来更有意义的研究结论，从而起到“1+1>2”的效果。只有做到“多对一”分析才算真正走向了数据整合。