基于多模态数据的在线学习认知负荷评估

近年来，认知负荷过载成为影响在线学习效果的一个重要因素。为解决此问题，文章聚焦在线学习认知负荷评估，首先设计了基于多模态数据的在线学习认知负荷评估研究框架，包含多模态数据采集、多模态特征提取和评估模型构建三个部分。接着，文章通过实验，采集学习者在特定在线学习环境下的多模态数据，提取人脸表情特征、眼动追踪指标特征和脑电信号特征，构建在线学习认知负荷评估模型。之后，文章对评估模型的准确性进行验证，发现在五种机器学习算法模型中，KNN模型的综合性能最佳，故将此模型作为最终的在线学习认知评估模型；同时，文章对多模态数据进行了分析，发现多模态融合方法在认知负荷评估上具有优越性。文章构建的评估模型可赋能在线学习平台实现认知负荷的实时评估，进而实现基于认知负荷的个性化学习，增强学习动机，提升学习效果，促进在线教育质量提升。