傳感數據應用于學習分析的研究綜述*

肖 婉 季一木 劉尚東 劉 強

傳感數據應用于學習分析的研究綜述*

肖 婉1季一木2[通訊作者]劉尚東2劉 強2

（1．南京郵電大學 教育科學與技術學院，江蘇南京 210023；2．南京郵電大學 計算機學院，江蘇南京 210023）

在智能時代，各種智慧教育場所、移動智能終端和可穿戴設備中內置的傳感器可以對教育過程中學習者的生理信息、行為動作、學習場所等數據進行捕捉，為全方位、情境性、過程性的學習分析提供了條件。基于此，文章采用系統性文獻綜述法，對51篇利用傳感數據開展學習分析的實證研究文獻進行分析，以揭示傳感數據應用于學習分析的研究現狀，探究基于傳感數據的學習分析研究內容及其實證效果，并在此基礎上探討傳感數據應用于學習分析的挑戰和建議，以期為相關教育研究者與實踐者提供教學設計與優化的實證參考。

傳感數據；學習分析；系統性文獻綜述

在智能時代，物聯網技術、傳感技術、可穿戴技術、人工智能技術等在教育中的應用，為學習分析帶來了新契機，可以實現物理空間和虛擬空間教育大數據的采集與分析。傳感數據是指由感知設備或傳感設備感受、測量及傳輸的數據。當前，各種智慧教育場所、移動智能終端和可穿戴設備中內置的傳感器可以對學習過程中的數據進行全方位采集，拓展了學習分析的數據維度。比如，利用環境傳感器捕獲學習者所在環境的位置、移動等信息，利用活動傳感器識別人體的手勢、姿勢、動作等學習行為，利用生物傳感器對學習者的血壓、心率、腦電等生理特征進行測量，從而實現具身性、情境性、過程性的學習分析。本研究通過對已有實證研究的系統分析，探究傳感數據在學習分析領域應用的實際情況，了解傳感數據對于學習的解釋和優化效應，以期為相關教育研究者與實踐者提供數據支持和經驗參考。

一 研究設計

1 研究方法

本研究采用系統性文獻綜述法開展研究，即帶著具體的研究目的，基于精準的研究問題，制定文獻的納入和排除標準，采用標準化技術對所選文獻資料進行數據抽取和整合，得出研究問題的答案[1]。系統性文獻綜述法研究問題清晰、檢索策略全面、文獻標準明確、評估過程嚴謹、數據分析綜合，能夠有效克服傳統文獻研究方法的主觀性問題，獲得較為可靠的研究結果[2]。因此，系統性文獻綜述已經在醫藥學、情報學、教育學等領域得到逐步應用。

2 研究問題

為了探索傳感數據在學習分析中的應用效果，本研究確定了如下研究問題：①傳感數據應用于學習分析的研究現狀如何？②傳感數據應用于學習分析的研究內容有哪些？③應用傳感數據開展學習分析面臨哪些挑戰？

3 樣本獲取

為了盡可能全面地獲取相關文獻數據，本研究在初次檢索時以Web of Science、Wiley、Eric、ScienceDirect數據庫為來源，將“sensor AND learning analytics”“wearable AND learning analytics”作為關鍵詞，對2011～2020年期間的教育類SSCI期刊文獻進行初次檢索，共獲得文獻109篇。為了擴大文獻樣本，本研究在進行二次檢索時根據文獻所在期刊分布，對論文發表數量較多的5本SSCI期刊——、、、、再次逐刊進行檢索，以字符串“Sensor”“Wearable”為關鍵詞，檢索時間設定為2011～2020年，共獲得文獻316篇。通過兩輪檢索，本研究獲得文獻425篇。

為保證文獻質量和分析結果的可靠性，本研究根據研究問題制定了以下文獻納入/排除標準：①與研究主題密切相關，即聚焦于傳感數據在學習分析中的應用，排除相關性不強的文章（如研究雖采用了傳感技術或可穿戴設備，但不涉及學習分析或相關性較弱）；②為實證研究，包括采用定量、定性或混合研究方法的文獻，排除理論探討和文獻綜述等文章；③包含研究目的、研究方法以及具體的數據收集、分析、結果闡述等內容，排除以上內容不全面的文章。

文獻篩選過程主要包括三個環節：①檢查兩輪檢索的所有文章標題，剔除重復性文獻，得到文獻392篇；②根據文獻納入/排除標準對文章摘要、目的、方法、結論進行篩選，得到61篇文獻；③再次通讀全文，最終將51篇文獻確定為數據樣本。

4 數據分析

基于前文所述的三個問題，本研究設計了分析框架（如表1所示），對51篇文獻進行系統分析。隨后，本研究從研究場景、研究對象、研究方法等方面分析傳感數據應用于學習分析的研究現狀，從數據來源、研究主題、研究結果等方面闡釋傳感數據應用于學習分析的研究內容，并在此基礎上探討傳感數據應用于學習分析的挑戰，進而提出在學習分析中應用傳感數據的建議。在主題與結果分析的過程中，本研究采用Nvivo 11對相關內容進行三級編碼[3]，通過開放性編碼從文獻摘要、問題、研究內容及結果中提煉出具體的研究主題，再通過關聯性編碼從各研究主題關系中梳理、歸納出研究維度，最后通過選擇性編碼從各維度內在關聯中找出研究類屬，從而系統梳理傳感數據在學習分析中的研究內容和實踐效果。

表1 分析框架

二 傳感數據應用于學習分析的研究現狀

本研究通過對樣本文獻中研究場景、對象和方法的分析，探討當前傳感數據應用于學習分析的研究現狀。

1 研究場景廣泛，涉及正式與非正式教育

研究場景文獻分布如圖1所示，可以看出：基于傳感數據的學習分析主要應用于學科與專業教育等正式教育環境（有18篇），包括數學、物理、化學實驗、科學實驗等學科課程教學和教育學、統計學、計算機科學、營銷學等專業課程教學。已有研究依托具體課程，利用傳感數據測量學習者的學習體驗或學習效果[4][5]，或者探討不同教學環境、教學方法等教學設計或實施要素對于某課程教學效果的差異[6][7]。同時，基于傳感數據的學習分析也應用于非正式教育場景，如工程項目、協同任務、場館學習等多種形式的實踐學習場景，涉及任務、活動、情境等要素對學習的作用，主要應用于實踐學習中的情境識別、參與度和人際交互分析等[8][9]。此外，基于傳感數據的學習分析還應用于閱讀素養、語言學習、數字素養等研究場景[10][11][12]，也有研究者關注兒童色彩識別能力的培養[13]。能力和素養的培養涉及情感態度變化、元認知調節等內部心理過程，人工調查、訪談、自我報告等分析方法均有一定的干擾性，且無法獲取相關要素的連續信息流，而表情、動作及生理信號等測量方法能以非侵入式的方式不間斷地獲取相關信息，從而幫助研究者間接了解學習者的情感、態度等變化。在智能時代，數字化學習環境是學習發生的重要場所，研究者利用傳感數據探索多媒體材料設計、在線學習環境、基于游戲的學習等情境因素對學習效果的影響[14][15][16]。可見，基于傳感數據的學習分析已經在正式和非正式教育場景得到了廣泛應用，并在面向學習者能力、素養等內隱特征的研究中體現了一定的數據優勢。

圖1 研究場景文獻分布圖

圖2 研究對象文獻分布圖

2 研究對象多元，關注特殊群體

研究對象文獻分布如圖2所示，可以看出：傳感數據應用于學習分析涉及的研究對象范圍較廣，涵蓋學生（包含從學前兒童到研究生的不同學生身份）、教師、成人、特殊群體等。其中，高等教育是研究實施的重要陣地，其中面向本科生的相關研究最多（有24篇）。值得注意的是，有兩項研究是針對特殊群體開展的：Lorenzo等[17]關注孤獨癥兒童社交能力的發展，通過定位系統、感知系統、攝像系統中的傳感器來獲取其位置、方向、動作、表情等信息，從而分析其在知識獲取、社交技能等方面的發展；而Standen等[18]將基于多模態情感識別的自適應學習系統應用于智力障礙學習者，該系統可以根據學習者情感狀態的判斷來調節學習內容。由于特殊群體在語言表達、理解測試等方面存在一定的局限性，故采用自然學習情境下的表情、動作、生理信號等傳感數據可以更客觀地揭示學習者內隱的認知和情感特征。當然，研究對象并非局限于單一群體，可將不同階段的學習者作為研究對象，或同時將教師和學習者作為研究對象[19][20]。

3 量化研究為主，注重混合設計

在研究設計方面，本研究選取的51篇文獻中有36篇采用了量化研究設計，有15篇采用了混合研究設計。在具體的研究方法上，51篇文獻中采用實驗研究法、問卷調查法、準實驗研究法、自我報告法較多，有些研究同時采用多種研究方法，具體如圖3所示。由于傳感數據的采集需借助于特定的傳感設備，且獲取的數據量通常較大，需借助人工智能技術進行數據處理，故量化研究是基于傳感數據的學習分析的主要路徑。研究者主要通過實驗研究法和準實驗研究法采集特定實驗情境或真實教育情境下的傳感數據，對學習體驗與學習效果進行分析；或將傳感技術應用于實踐進行學習反饋與干預，以提高學習效果。此外，由于當前傳感數據應用于學習分析尚處于探索階段，不僅需要專家把關，也需要參與主體的反饋，因此有部分研究將問卷調查法、自我報告法、觀察法、訪談法等作為輔助研究方法，形成了混合研究設計。研究者通過不同維度的數據分析，與基于傳感數據獲得的研究結果進行相互驗證，提高了研究的可信度。

圖3 研究方法文獻分布圖

三 傳感數據應用于學習分析的研究內容

本研究通過對學習分析中研究數據來源、研究主題及研究結果的挖掘，探究傳感數據應用于學習分析的具體研究內容，揭示傳感數據是如何反映學習相關信息的。

1 研究數據來源

學習分析中傳感數據的獲取主要依賴于特定的傳感器或傳感系統，如采用眼動儀測量眼球位置與眼球運動信息，包括桌面式眼動儀、頭戴式眼動儀、虛擬現實眼動儀三種類型；利用攝像頭或體感系統捕捉行為數據，從而對表情、語音、動作和空間運動信息進行收集；心率、腦電、皮膚電等生理數據則主要通過可穿戴設備或生物傳感設備進行采集。此外，一些環境和設備中內置的傳感器也可以采集位置、筆壓、椅壓、鼠標輸入等數據。表2展示了已有研究中常用的傳感數據采集設備、常用儀器型號及數據內容。

2 研究主題分析

通過對樣本文獻研究主題的分析，本研究發現傳感數據在學習分析中主要應用于解釋學習現象和結果，其次用于優化學習過程和情境，如表3所示。具體來說，研究者通過對學習者注意力、元認知、交互行為、學業情緒、學習滿意度等主題的研究，揭示學習者在學習過程中的認知、行為以及情感特征。同時，研究者通常采用多種傳感數據、學業測試、問卷、量表等多模態數據，對學習者的知識獲取、技能習得和協作績效進行分析，以解釋或預測學習者的學業表現。此外，研究者還利用傳感技術開發注意力監測系統、情感分析系統、感知交互系統、情境感知系統以及自適應學習系統，以用于學習過程的智能反饋，從而及時優化學習情境。

表2 傳感數據采集設備、常用儀器及數據內容

表3 研究類屬、維度及主題

3 研究結果分析

在認知分析方面，相關研究發現，體溫、心率、血壓與學習壓力具有相關性[21]，并在一定程度上能反映認知負荷[22]、自我調節[23]。腦電是神經細胞的電生理活動在大腦皮層或頭皮表面的整體反映，在大腦處于專注、放松、休眠等不同工作狀態時，腦電波形的振幅、頻率、功率存在差異，因此能在生理維度表征學習者的注意力、投入度等狀態[24][25]。

在行為分析方面，眼動數據中的注視時間、眼動軌跡等反映了學習主體的視覺注意及變化，能揭示不同學習者的視覺行為差異[26]，通過眼注熱點圖可以呈現學習者感興趣的內容或視覺偏好[27]。此外，手勢、姿勢、空間位置及方向等信息可用于動作或體態分析，如Mcgann等[28]利用Kinect獲取的姿勢、動作等信息，評估了商業游戲和趣味健身游戲對用戶運動技能的影響。由于人際交互中通常涉及空間距離、身體運動和體態姿勢的變化，故也能間接反映協作學習中的參與程度和互動模式[29]。

在情感分析方面，表情識別能比較準確地分析學習者在學習過程中的情緒，以了解其積極、消極或中性的情感傾向[30]，或識別緊張、平和、歡樂、參與、沮喪、無聊等不同學業情緒[31][32]。由于皮膚電是機體受外界刺激或情緒狀態發生改變時導致的皮膚電傳導變化，因此研究者通常將其作為情緒的生理喚醒指標。通過對比發現，基于皮膚電的情緒識別與采用其他方法測量的情緒分析結果具有較高的一致性[33]。此外，皮膚電也可以作為腦喚醒、警覺水平的間接指標，用于測量壓力程度等[34]。

研究發現，通過綜合運用多種類型傳感數據，可以揭示教育過程中的學習者特征，進而分析或預測學習者的知識獲取、技能習得、情感態度或協作績效，但不同研究的實證效果存在較大差異性[35][36][37][38]。

此外，可以在教學設計中融入傳感技術以進行學習過程干預，如利用腦電反饋信息對學習者的注意力進行監測，并在適當的時機進行提醒與引導[39]；或利用情感感知學習系統、基于姿勢的學習系統、手勢互動游戲等開展教學實驗[40][41][42]，以提高學習體驗和學習效果。研究發現，基于傳感數據的學習情境干預效果較好。

可以看出，研究者主要將傳感數據應用于揭示學習現象和結果、優化學習過程和情境兩個方面。但已有的實證研究更多地關注傳感數據對學習規律的解釋作用，利用傳感數據干預與優化學習過程的研究相對較少。一方面，學習者是教育活動的主體，傳感數據能提供學習者生理、行為、環境等多方面數據，有利于全方面、多維度地反映學習者的特征，從而發現并揭示學習過程與學習結果中的相關規律。另一方面，研究者希望打開“傳感數據—學習”的“黑箱”，解密其具體規律和內在機制，進而為應用傳感數據開展教學干預奠定理論基礎。本研究認為，基于傳感數據的學習分析研究不僅要對傳感數據與學習的“黑箱”進行理論解構，也要應用整體系統優化思想面向具體應用進行實踐建構，以充分發揮傳感數據對學習的干預和優化效應。

四 傳感數據應用于學習分析的挑戰與建議

基于前文所述，傳感數據已被廣泛應用于不同學段、多種場景的教育研究，如學習者特征分析、學業表現預測、學習系統應用等方面，并取得了一定的研究成效。但研究發現，傳感數據在對學習的解釋力度和優化效果方面仍面臨一定挑戰，需要不斷推進和完善相關研究與實踐。

1 傳感數據對學習規律的解釋力度有限，應深化多學科協同研究建構系統理論模型

傳感數據雖然拓展了學習分析的數據維度，可以采集學習者生理、行為、環境等多方面信息進行學習分析，但從已有研究來看，傳感數據對于學習現象與規律的解釋力度有限，在部分研究中傳感數據的分析結果和預測效果還不夠理想。比如，有研究試圖通過眼動、腦電、心率、體溫等多模態數據對學習投入和學業表現進行預測，但發現多模態數據對于學習投入的預測準確率僅為12.08%～39.44%，對于學業表現的預測準確率僅為6.21%～25.49%[43]。由于當前運用傳感數據開展學習分析的實證研究仍處于探索階段，缺少不同傳感數據與學習相關性的理論證據，如部分研究采用的心率、血壓、腦電等數據并不能直接指向學習相關的信息，在一定程度上影響了實證效果。因此，后續研究應深化多學科協同探索，對學習分析視域下的傳感數據進行深入挖掘，從而建構系統的理論分析框架。研究者應通過教育學、心理學、腦科學、神經科學等多學科的協同合作，借助多學科相關理論，從不同傳感數據中抽取出與學習相關的指標或維度，并建立指標的計算方法和權重信息，形成系統的分析模型，從而為實證研究提供更加充分的理論依據，提高實證研究效果。

2 傳感數據對教學設計的優化作用有待挖掘，應重視個性化干預研究推進教育實踐發展

雖然傳感數據對于學習的解釋力度有限，但已有實證研究中應用傳感數據優化學習過程或情境所產生的學習效果卻十分顯著。比如，基于環境傳感器設計的學習情境感知系統可以根據學習者的實際情況提供個性化學習路徑支持，從而引導其完成真實情境中的學習任務[44]；基于手勢感知與互動的閱讀系統能有效激發兒童閱讀的興趣，促進兒童語言和理解能力的提升[45]；在兒童色彩識別任務中，采用手勢互動游戲的兒童干預組呈現出更好的學習表現和運動技能[46]。然而，當前利用傳感數據干預與優化學習過程的研究相對較少，且干預模式相對單一，個性化反饋程度不足。傳感數據應用于學習分析的最終目標是優化學習體驗與效果，因此應充分利用傳感數據過程性反饋的優勢進行個性化學習干預研究。而充分發揮傳感數據對教學與學習過程的干預作用，可以有效推進教育實踐的發展。基于此，未來研究應重點關注傳感數據對學習干預的方式、時機及場景，開展具體且“落地”的實證研究。比如，利用心率、體溫等數據監測學習者的壓力狀態，并根據學習者的壓力變化特征制定個性化學習計劃，或在檢測到壓力狀態超標時向學習者推薦休閑放松類學習活動；通過情境感知數據對學習場景進行分類，并根據不同學習場景進行學習資源、學習方式的智能化推薦。

五 結語

基于傳感數據的學習分析既可以實現物理學習環境下的教育大數據采集，也可以為在線學習、移動學習提供真實情境中的教育數據，故拓展了學習分析的新路徑。本研究揭示了傳感數據應用于學習分析的研究現狀、研究內容及面臨的挑戰，并在此基礎上提出了相關建議，以期為傳感數據在學習分析中的深入研究和實踐應用提供參考。在未來研究中，相信教育研究者與實踐者通過開展跨學科協同理論研究、重視個性化干預實證研究，將充分發揮人工智能與人類智慧的雙重優勢，并能更好地理解學習現象、揭示學習規律、優化學習過程。

[1]游景如,黃甫全.新興系統性文獻綜述法:涵義、依據與原理[J].學術研究,2017,(3):145-151、178.

[2]SutherlandS. An introduction to systematic reviews[J]. Journal of Evidence Based Dental Practice, 2004,(1):47-51.

[3]肖婉,張舒予.“導師制”學術團隊知識創生的內在機制——基于扎根理論的個案研究[J].高教探索,2021,(9):48-53.

[4]Giannakos M N, Sharma K, Papavlasopoulou S, et al. Fitbit for learning: Towards capturing the learning experience using wearable sensing[J]. International Journal of Human-Computer Studies, 2020,136:102384.

[5][41]Shakroum M, Wong K W, Fung C C. The influence of gesture-based learning system (GBLS) on learning outcomes[J]. Computers & Education, 2018,117:75-101.

[6][36]Sung B, Mergelsberg E, Teah M, et al. The effectiveness of a marketing virtual reality learning simulation: A quantitative survey with psychophysiological measures[J]. British Journal of Educational Technology, 2020,(1):196-213.

[7]Sun J C Y. Influence of polling technologies on student engagement: An analysis of student motivation, academic performance, and brainwave data[J]. Computers & Education, 2014,72:80-89.

[8][20][40]Chen C C, Huang T C. Learning in a u-Museum: Developing a context-aware ubiquitous learning environment[J]. Computers & Education, 2012,(3):873-883.

[9]Malmberg J, J?rvel? S, Holappa J, et al. Going beyond what is visible: What multichannel data can reveal about interaction in the context of collaborative learning?[J]. Computers in Human Behavior, 2019,96:235-245.

[10][45]Homer B D, Kinzer C K, Plass J L, et al. Moved to learn: The effects of interactivity in a Kinect-based literacy game for beginning readers[J]. Computers & Education, 2014,74:37-49.

[11][31]Chen C M, Lee T H. Emotion recognition and communication for reducing second-language speaking anxiety in a web-based one-to-one synchronous learning environment[J]. British Journal of Educational Technology, 2011,(3):417-440.

[12][23]Mason L, Scrimin S, Tornatora M C, et al. Internet source evaluation: The role of implicit associations and psychophysiological self-regulation[J]. Computers & Education, 2018,119:59-75.

[17][35]Lorenzo G,Pomares J, Lledó A. Inclusion of immersive virtual learning environments and visual control systems to support the learning of students with Asperger syndrome[J]. Computers & Education, 2013,62:88-101.

[14][30]Chen C M, Sun Y C. Assessing the effects of different multimedia materials on emotions and learning performance for visual and verbal style learners[J]. Computers & Education, 2012,(4):1273-1285.

[15]Chen C M, Wu C H. Effects of different video lecture types on sustained attention, emotion, cognitive load, and learning performance[J]. Computers & Education, 2015,80:108-121.

[16][28]Mcgann J, Issartel J, Hederman L, et al. Hop. Skip. Jump. Games: The effect of “principled” exergame play on children’s locomotor skill acquisition[J]. British Journal of Educational Technology, 2019,(3):798-816.

[18][32]Standen P J, Brown D J, Taheri M, et al. An evaluation of an adaptive learning system based on multimodal affect recognition for learners with intellectual disabilities[J]. British Journal of Educational Technology, 2020,(5):1748-1765.

[19][29][37]Cukurova M, Luckin R, Millán E, et al. The NISPI framework: Analysing collaborative problem-solving from students’ physical interactions[J]. Computers & Education, 2018,116:93-109.

[21]Kaklauskas A, Kuzminske A, Zavadskas E K, et al. Affective tutoring system for built environment management[J]. Computers & Education, 2015,82:202-216.

[22]Larmuseau C, Cornelis J, Lancieri L, et al. Multimodal learning analytics to investigate cognitive load during online problem solving[J]. British Journal of Educational Technology, 2020,(5):1548-1562.

[24]Chen C M, Wang J Y, Yu C M. Assessing the attention levels of students by using a novel attention aware system based on brainwave signals[J]. British Journal of Educational Technology, 2015,(2):348-369.

[25]Lin F R, Kao C M. Mental effort detection using EEG data in E-learning contexts[J]. Computers & Education, 2018,122:63-79.

[26]Mason L, Tornatora M C, Pluchino P. Do fourth graders integrate text and picture in processing and learning from an illustrated science text? Evidence from eye-movement patterns[J]. Computers & Education, 2013,(1):95-109.

[27]Emerson A, Cloude E B, Azevedo R, et al. Multimodal learning analytics for game‐based learning[J]. British Journal of Educational Technology, 2020,(5):1505-1526.

[33]Pijeira-Diaz H J, Drachsler H, Kirschner P A, et al. Profiling sympathetic arousal in a physics course: How active are students?[J]. Journal of Computer Assisted Learning, 2018,(4):397-408.

[34][38]Dindar M, Jrvel S, Haataja E. What does physiological synchrony reveal about metacognitive experiences and group performance?[J]. British Journal of Educational Technology, 2020,(5):1577-1596.

[39]Sun J C Y, Yeh K P C. The effects of attention monitoring with EEG biofeedback on university students’ attention and self-efficacy: The case of anti-phishing instructional materials[J]. Computers & Education, 2017,106:73-82.

[13][42][46]Hsiao H S, Chen J C. Using a gesture interactive game-based learning approach to improve preschool children’s learning performance and motor skills[J]. Computers & Education, 2016,95:151-162.

[43]Sharma K, Papamitsiou Z, Giannakos M. Building pipelines for educational data using AI and multimodal analytics: A “grey‐box” approach[J]. British Journal of Educational Technology, 2019,(6):3004-3031.

[44]Hwang G J, Kuo F R, Yin P Y, et al. A heuristic algorithm for planning personalized learning paths for context-aware ubiquitous learning[J]. Computers & Education, 2010,(2): 404-415.

A Research Review of the Application of Sensor Data in Learning Analysis

XIAO Wan1JI Yi-mu2[Corresponding Author]LIU Shang-dong2LIU Qiang2

In the intelligence era, sensors built in various smart educational places, mobile smart terminals, and wearable devices can capture data about learners’ physiological information, behavioral actions, and learning places during the education process, which provides conditions for comprehensive, contextual, and procedural learning analysis. Based on this, this paper adopted a systematic literature review method, analyzed 51 empirical studies carrying out learning analysis using sensor data, in order to reveal the research situation of the application of sensor data in learning analysis, to explore the research content and empirical effect of the learning analysis based on sensor data, and to accordingly discussthe challenges and suggestions of the application of sensor data in learning analysis, expecting to provideempirical referenceof teaching design and optimization for education researchers and practitioners.

sensor data; learning analysis; systematic literature review

G40-057

A

1009—8097（2022）04—0031—09

10.3969/j.issn.1009-8097.2022.04.004

基金項目：本文為教育部人文社會科學基金青年項目“基于多模態數據的學習者情感分析及應用研究”（項目編號：20YJC880104）、江蘇省博士后科研資助計劃項目（項目編號：2021K460C）、南京郵電大學教改課題“軟件迭代開發模型在高校軟件人才培養中的應用研究”（項目編號：JG00411J65）的階段性研究成果。

肖婉，博士，講師，研究方向為教育大數據與學習分析，郵箱為xiaow@njupt.edu.cn。

2021年12月8日

編輯：小時