胡钦太 伍文燕 冯广 潘庭锋 邱凯星

[摘   要] 当前，学习行为分析已成为研究热点。基于大数据技术挖掘学生的学习行为特征，能为学习过程的改善、学习评价的优化提供重要依据。然而，现有研究却存在分析数据类型单一、实时性不强、结果准确度不高、缺乏可解释性等问题。文章从利用深度学习算法进行多模态学习分析入手，采用HDRBM（Hybrid Deep Restricted Boltzmann Machine，深度混合判别受限玻尔兹曼机）神经网络模型，建立多模态学习分析模型，为教育技术领域中利用多模态大数据挖掘学习者行为特征提供了新范式;接着从可解释性分析的角度，阐述利用深度学习算法进行多模态学习行为分析的算法设计与实现过程;通过实验表明，研究中所采用的方法与技术路线对提高学习行为分析的可解释性有较好成效。

[关键词] 深度学习; 多模态; 学习行为分析; 可解释性

[中图分类号] G434            [文献标志码] A

[作者简介] 胡钦太（1964—），男，广东惠来人。教授，主要从事教育技术学、智能信息技术与教育研究，E-mail：huqt8@gdut.edu.cn。伍文燕为通讯作者，E-mail：wuwy@gdut.edu.cn。

一、引   言

人工智能、大数据、物联网等新一代信息技术的迅速发展和深入应用，给社会各领域带来了巨大的变革，同时也对教育教学产生了深远影响，推动新时代智慧教育的产生与发展。当前，基于智慧教育环境的研究重点逐渐从学习平台开发、资源与内容设计、传统普适性研究、应用模式与实证探究等转向基于行为全过程分析的精准助教与评价研究上。学生个体千差万别，其行为表现一定程度上反映了学生的学习风格、心理特征和情感特征，通过智慧课堂感知系统、教学管理平台采集学习行为过程数据，并通过大数据技术挖掘学生行为特征，能为学习过程的改善提供重要依据。……