設計類問題解決能力的多模態表征模型與驗證

武法提 王兆雪

一、引言

設計是一種創造性活動，是國家核心競爭力的重要組成部分，旨在產生創造性結果或創造性地解決問題，是實現創新的重要途徑和有效方式（山丹, 2021）。21 世紀以來，設計類問題在各大領域中頻繁出現，具備設計類問題解決能力可以幫助人們解決各類復雜問題與生活議題。因此，設計類問題的解決能力成為21 世紀學習者必備的關鍵技能。研究表明，對其進行測評，有助于面向智能時代創新型人才的培養（王兆雪& 武法提, 2022）。同時，設計類問題解決是一種協作問題解決活動。在這種協作問題解決活動中，設計思維是貫穿設計類問題解決過程的思維策略，協作交流是貫穿設計類問題解決過程的重要途徑。

目前對于設計類問題解決能力測評主要基于數據驅動的多模態測評方式，這種方式可以獲取全方位數據，兼顧外在行為數據與內在生理數據，是精準化測評的重要手段（胡航&楊旸,2022）。設計思維重點考察設計認知方面的情況，主要采用心理學量表、真實情景的計算機測試或多模態數據進行測評，如蓋勒等（Gero&Milovanovic,2020）以設計認知為研究主題，收集學習者在設計過程中的眼動數據和情緒數據，分析生理層面的設計認知，同時收集EEG 腦電波數據、功能性近紅外光譜和功能性磁共振成像數據，分析神經層面的設計認知。協作交流主要考察社會技能，如協同進行信息共享并共同完成任務的情況，主要采用社交網絡特征、交互式文本分析或心率皮膚電等數據變化來測評，如格羅弗等（Grover et al.,2020）通過收集協作過程中的視頻、音頻、點擊流和屏幕捕獲數據，對合作能力進行多模態測評，最終達到44%的預測準確率。施奈德等（Schneider&Blikstein,2014）利用雙手協調數據、身體同步數據和身體距離數據來評判學習者的協作學習結果。

為了實現精準化的設計類問題解決能力測評，如何將多種來源、通道和場景的數據進行融合是目前多模態學習分析的難點（彭紅超&姜雨晴,2022）。在高階能力測評研究中，多模態數據融合主要有三種方法：1）數據融合，將多個模態的數據融合成單一的特征矩陣，輸入機器學習的分類器中進行訓練（王一巖&鄭永和,2022）；2）特征融合，提取數據特征，并基于這些特征規則進行融合（Majumder et al.,2018）；3）決策融合，也是能力測評中最常用的一種數據融合方案，先對每個模態的數據單獨進行處理、訓練和判斷，最后對所有決策結果進行融合（丁繼紅, 2023）。決策融合的優勢在于需要融合的數據來自不同的數據分類器或模態結果，每個模態的數據之間互不影響，可單獨計算，錯誤不會累計。三種方法各有利弊，但在設計類問題解決能力的測評中，不同融合方式的效果還需要探索。

因此，本研究對學習者在設計過程中的全過程數據進行記錄與分析，并運用恰當的算法分析交叉驗證設計類問題解決能力各維度的狀態，對設計類問題解決能力進行多模態數據表征，從而打開設計的“黑箱”，為設計類問題解決能力測評提供更加精準的方法，為培養學生的創新能力提供支撐。

二、多模態數據表征的設計類問題解決能力測評模型實證分析

（一）測評模型構建

本研究試圖剖析設計類問題解決能力的關鍵要素，通過采集學習者在設計類問題解決過程中的多模態數據，對設計類問題解決能力進行多模態數據表征，為其個性化、精準化測評提供新的解決方案。王兆雪和武法提（2022）在關于設計類問題解決能力的研究中，從認知與協作兩個維度進行分析，提出“設計思維是貫穿設計類問題解決過程的思維策略與協作交流，是貫穿設計類問題解決過程的重要途徑”兩個重要觀點，并將其劃分為反思調節、觀點建構、組織協調和同理心四個子維度。本研究對上述設計類問題解決能力多模態測評框架進行修改與完善，通過采集心理量表、生物傳感數據和行為言語數據，構建了多模態數據表征的設計類問題解決能力測評模型，如表1所示。

表1 多模態數據表征的設計類問題解決能力測評模型

（二）實驗設計與數據采集

實驗在北京師范大學多模態學習分析實驗室中展開，被試為校內學生。首先進行預實驗，隨機召集被試三組，共9人，年齡為18—22 歲。預實驗的目的主要是對實驗設備的有效性、學習任務和學習支架的可靠性進行檢驗。正式實驗選取被試181人，3—4人一組進行實驗，要求學習者在給定空地上建造一個合理用水的生態海綿校園。主試在后方全程監督，在不干擾被試的前提下確保被試順利完成學習任務。

在學習者完成設計的過程中，主試進行問題解決全過程的數據采集，包括會話文本數據、心理問卷數據和生理數據。對于生理數據，本研究使用Empatica 公司開發的E4 手環，以4Hz 的采樣率獲取皮膚電數據，以64Hz 的采樣率獲取心率數據。對于文本數據，研究使用科大訊飛智能錄音筆進行會話過程的錄制與文本轉寫，并進行后期人工校對。討論結束后，主試引導被試填寫后測問卷（包含同理心問卷、引領度問卷等）。

三、數據分析

本研究通過多模態數據分析，以期探求設計問題解決過程中的教育新規律與新發現。圖1呈現了設計類問題解決能力測評分析的總體工作流程，主要展現了測評過程中不同維度下被試的分布情況，以及各維度所運用的分析方法，直觀地將數據分析流程體現出來。其中，數據分析建模部分共用到103 位學習者的數據，而數據融合部分共用到68 位學習者數據，彼此間數據互不相同、互不交叉。

圖1 多模態數據表征的設計類問題解決能力表征模型分析路線圖

（一）反思調節維度

學習者在協作設計中的言語、行為等可以反映其在解決問題過程中反思與調節的情況，因此，本研究抽取學習者在問題解決過程中動態的、有過程傾向的行為與言語數據，構建基于深度學習的反思調節維度交互文本分類模型，從啟發性、構思性、實施性和反思度四種維度對設計類問題解決過程的認知情況進行分析。

1.文本編碼

在啟發階段，學習者一般從問題的定義出發，通過小組成員之間的頭腦風暴進行靈感的迸發，激活自身信念，為學習做好準備，對任務進行分析從而設定目標和戰略規劃。在構思階段，學習者通過自我控制和自我觀察，集中精力完成任務并使用有效的策略來實現共同體的目標，主要關注學習者如何綜合運用已有的學科知識和問題解決能力進行方案設計。在實施階段，更加關注學習者如何推動設計進展，使方案更加完善和科學。在反思階段，學習者通過監控感知到的信息，根據計劃階段設定的目標進行自我評估，并對結果進行歸因。本研究設計的反思調節編碼框架如表2所示。

表2 反思調節維度數據標注方案

2.文本標注與預處理

本研究采用先人工、后機器的方式預測言語數據所屬的類別。在人工階段，本研究選取兩位專家背對背將單獨的句子作為分析單元進行編碼，每句話分為具有啟發性、構思性、實施性、反思度和無關言語五類。當學習者的言語與測評指標中的編碼規則重合，則記為1，若發言但沒有與編碼規則中的句子重合，則記為0，最終將每個指標的頻次累計作為該指標的得分。這種編碼方式不僅可以避免不同專家之間的差異，還可以更快地處理大量的數據。然后，計算文本數據的Kappa系數，編碼一致性系數達到0.85及以上，則證明本研究編碼有效，可以進行下一步的自動化編碼。

本研究主要從以下四個方面對數據進行預處理：一是刪除無效和冗余數據，二是進行文本分詞，三是文本向量化，四是數據采樣。

3.算法模型訓練

本研究選取當前文本分類中較為常見的Bi-LSTM+self-Attention 和BERT 深度學習算法訓練文本分類算法模型。

Bi-LSTM在LSTM（Zhou et al.,2016）模型的基礎上能夠同時考慮前向和后向的時序信息；注意力機制可以更好地處理輸入序列中的重要信息。因此Bi-LSTM+Attention模型進一步提升了模型對時間序列數據的處理能力。這種方法在自然語言處理、語音識別、圖像處理等領域取得了良好的效果（甄園宜&鄭蘭琴,2020）。

BERT 通過對大規模文本語料進行預訓練，學習總結出通用的文本表征，從而能夠在各種自然語言處理任務中進行微調，取得優秀的效果（Devlin et al.,2018）。本研究采用的兩種算法模型如圖2和圖3所示。

圖2 Bi-LSTM+self-Attention算法模型示意圖

圖3 BERT算法模型示意圖

4.文本分類效果

本研究將數據集隨機分為80%訓練集與20%測試集。利用訓練集數據對上述2個文本分類器模型進行訓練，獲得的分類模型在測試集上進行分類測試的各項指標如表3所示。

表3 兩種深度學習算法在測試集上的分類結果

由表3 可知，BERT 模型的整體準確率較高，表明BERT 模型可以更好地提取實施類、反思類和無關類的語義信息，而在啟發類和構思類的語義信息識別上還有待改進。本研究采用BERT模型作為反思調節維度的文本分類最終算法。

5.反思調節維度得分計算方法

BERT 模型在訓練集和驗證集中的準確率和Loss 值的變化曲線如圖4所示。訓練輪次設置為20 輪。Loss 值逐漸減小，而準確率逐漸升高，最終驗證集上最高的分類準確率達到82%。

圖4 訓練集和驗證集的準確率和Loss值變化趨勢圖

圖5 為BERT 模型經歸一化處理后的混淆矩陣分析結果，其橫坐標代表預測標簽（Predicted Label），即分類結果，縱坐標代表正確標簽（True Label），即實際類型，坐標中的0—4 分別代表啟發類、構思類、實施類、反思類和無關信息類5種類型的設計類問題解決能力言語交互文本，矩陣中的數值表示該類交互文本的召回率。從混淆矩陣分析結果可以看出，對角線上的分類預測情況較好，在各個維度上均表現較優，表明BERT分類器具有較好的分類效果。但僅能判斷學習者的話語屬于哪一個維度還不能完全評判其得分，因此，最終將每個指標的頻次累計作為該學生的指標得分，以此實現個體和群體的得分計算。

圖5 BERT模型分類混淆矩陣

（二）觀點建構維度

雖然知識構建是一種群體現象，但貢獻來自可識別的個人。如何度量知識貢獻是提高知識構建活動質量的關鍵。然而，衡量知識建構過程中的貢獻在教學實踐和研究領域都很困難。信息論提供了一種定量的方法來衡量信息相關系統中信息的內容（Vrankoviet al.，2020）。如果某學習者的交互文本中包含了對此次主題式設計有用的信息，則該學習者就做出了知識貢獻，并減少了這個小信息系統產生的不確定性。交互文本信息內容可以通過其中所有關鍵詞的信息之和來衡量。這種方法命名為“知識貢獻的信息度量（IMKC） ”（Wu et al.，2021）。在本研究中，采用這種方法探索設計問題可解決學習者觀點的科學性、創新性和系統性。本研究構建了基于海綿校園主題的關鍵詞匯總表，共66 個關鍵詞，當學習者交互文本中出現關鍵詞匯時，會進行下一步的計算。觀點建構維度下三個量化指標的計算方法如下。

1.科學性

根據香農的信息論，學習者互動文本的總信息量是指文本中所有關鍵詞的信息量之和，通過分析可知，學習者所提出的方案的科學性越好，則說明學習者提出的觀點中涉及的知識關鍵詞越準確，因此本研究采用準確關鍵詞的信息總量來表征科學性。其中M 指學習者人數，n 指每個人的句子數，freij指第i 個學習者第j 句話中關鍵詞出現的頻率，frek指第k個學習者出現關鍵詞的頻率，pk指第k個人所說的話中包含關鍵詞的總概率，見式（1）。

2.創新性

觀點的創新性越好，則說明學習者更具創造力，可以提出不同的知識觀點，因此采用言語文本的關鍵詞信息增益進行評價。將關于“海綿校園”主題的一個組別的所有文本數據都放置在一個時間軸上。具體算法如下：當學生在討論中出現與先前不同的新的關鍵詞時，就將該關鍵詞納入進來。D指上一句話中關鍵詞的個數，R 指下一句話中關鍵詞個數，card|R-D|指新增的關鍵詞個數；ΔI指新增關鍵詞的信息增益。由于每組學生為3人，交互式文本中有對話的情況，因此我們建構了式（3），其中下標i代表第i個學習者，ΔIi為第i個學習者的信息增益，見式（2）和式（3）。

3.系統性

通過分析得知，知識點覆蓋度越高，代表學生在合作過程中能更充分地認識到問題涉及的知識面，因此采用關鍵詞的覆蓋比例表征學生在討論中觀點的系統性。freij表示第i 個人說到第j 個關鍵詞的詞頻，N 是關鍵詞總數，uni函數是對詞頻的記錄，sys函數則是對關鍵詞覆蓋程度的表征，見式（4）和式（5）。

（三）組織協調維度

組織協調維度主要表征協作過程中學習者之間溝通交流的情況，學習者對小組活動參與越多，投入度越高，則信任感和歸屬感越高（馬志強等,2022），從而有助于小組內部的知識構建和知識分享。合作學習中的協調被定義為“和諧與合作藝術”。協調是為了使一個團體或個人獲得預期目標而進行的相互作用。協調包括與團隊成員合作，并且針對團隊成員建立了一系列彼此相關的計劃活動（Malone &Crowston,1994）。有效協調是合作的關鍵，并依賴于服務與組織間和系統間有效工作關系的建立（Entin&Serfaty,1999）。

由于設計思維維度已經考慮了協作過程中的認知情況，故本節僅考慮協作問題解決過程中學習者交互的情況。本研究采用心理問卷的組間互評與自評來對組織協調維度進行表征。

1.協調度

劉紅（2022）在協作能力提升項目的研究中提出了包括協作態度、組織協調和溝通交流的協作能力三維測評框架，并編制了測評量表。其中組織協調包含評價、規則、組織工作、調控四個要素。在此基礎上，本研究完善了調控維度的問卷，將其作為協調度的表征問卷，用《協作能力問卷》中的量表來表征學習者在協作設計中組織協調組間關系，維護組間穩定的情況，即協調度。量表共14 題，克隆巴赫系數≥0.7，Bartlett 球形度檢驗p＜0.01，問卷的信效度較好，可以用于測評。

2.響應度

以往的研究表明，通過參與者與同伴或老師的互動來衡量其參與度是可行的。因此本研究采用《基于項目化學習的協作能力測評》中“協作態度維度”的測評量表對協作過程中的響應度進行測評（劉紅,2022,p.22）。問卷包括承擔責任、寬容性、協作性和協作意愿四項，共12題，克隆巴赫系數≥0.7，Bartlett球形度檢驗p＜0.01，問卷的信效度較好，可以用于測評。

3.引領度

本研究采用《青少年領導力問卷（中文版）》對學習者在協作過程中的領導力進行測量（李敏, 2013, pp.95-96）?！额I導技能量表（中文版（LSI-C））》是以凱特和湯曾德（Carter & Townscend, 1983）《領導技能量表（修訂版）》為藍本，經過翻譯修訂和檢驗的量表，包括團隊工作、理解自我、溝通、決策和領導五個分量表，共21 題，克隆巴赫系數為0.91，Bartlett球形度檢驗p＜0.05，問卷的信效度較好，可以用于測評。

（四）同理心維度

在同理心維度，將構建兩個機器學習分類模型，分別為理解力表征的分類模型和體驗度表征的分類模型，采用特征工程的方法分別對理解力和體驗度進行表征。同理心維度的表征流程圖如圖6所示。

圖6 同理心維度多模態表征流程示意圖

首先，本研究對心率、心跳間期、血容量脈沖和皮膚電的數據從頻域特征、時域特征、非線性特征等方面進行特征提?。ㄎ浞ㄌ岬?2022），共提取170 個特征值。時域特征包括各類信號的標準差、均值、一階差分最大值和最小值、二階差分最大值和最小值、四分位距、絕對中位差、偏度、峰度、最大最小值差等；頻域特征包括自回歸方法、傅里葉方法、Lomb-Scargle周期圖法提取的高低頻特征（李幼軍, 2018, pp.22-27）；非線性包括龐加萊圖和去趨勢波動分析所提取的特征等（楊敏,2013,pp.15-22）。

其次，以同理心問卷（IRI）的認知共情和情緒共情兩個維度的心理測驗分數的分類值作為標準得分，分別對理解力和體驗度進行機器學習分類算法模型的構建。IRI 問卷是對同理心進行多維評估的經典問卷（Davis,1983），量表共有28 道題，以5 點李克特式計分。隨后，對問卷數據進行歸一化，將70 分以下設為C 類，70—85 分設為B 類，85—100分設為A類。每位學習者有一組對應的標簽和若干組特征值，以此提取有效性高的特征值。在計算特征值后，采用相關分析中的皮爾孫系數對若干特征進行篩選。特征值與體驗度、理解力的相關系數的絕對值低于0.3 的特征被刪除，其中“理解力模型”和“體驗度模型”分別篩選出18 個和23 個重要特征值。

最后，本研究以同理心問卷的認知共情和情緒共情維度水平為驗證標簽，選用支持向量機、決策樹、隨機森林、樸素貝葉斯、貝葉斯網絡、邏輯回歸、K 最近鄰七種機器學習算法進行分類模型構建。在驗證階段，本研究選用70%訓練集和30%測試集，并將這70%訓練集采用十折交叉驗證的方法進行分類模型的訓練和測試，采用模型的預測準確率（Accuracy）、各類別的平均預測精準率（Precision）與召回率（Recall）以及F1分數（精準率與召回率的調和均值）。

對于同理心的理解力維度和體驗度維度的得分預測，隨機森林法表現最佳，且預測準確率分別達到了77%和65%，因此，本研究采用隨機森林法作為數據分類模型算法，分類效果如表4所示。

表4 理解力與體驗度的機器學習分類模型準確率

四、設計類問題解決能力多模態數據的融合分析

多渠道獲取的數據主要存在數據類型不同、數據時間難以對齊等問題，如心率、皮膚電的數據為時間序列的連續數據，而行為言語編碼的數據為離散數據，這兩種數據不能直接進行融合評價。因此將多種來源、通道和場景的數據進行融合是目前多模態學習分析的難點。本研究將前面四個維度所訓練得到的問題解決能力各維度模型，通過權重分配融合為一個確定的問題解決能力測量值，以解決該難點。為了保證數據決策模型的有效性和科學性，本研究選取了68 位被試的數據進行數據融合模型的搭建與測試，為了避免數據擬合情況過好，所選取的測試數據與前面模型構建時的數據集完全不同。具體流程如圖7所示。

圖7 設計類問題解決能力決策級融合流程

融合模型的標簽為專家對學生設計類問題解決能力設計方案的主觀評分和小組內自評與互評的加權求和。專家的主觀評分采用了背對背評分的方式，當兩位專家評分之差超過5分時進入第二輪打分，研討評分原因，并得到最終得分，以保證評分的公平公正，避免由一人評分導致的偶然性。

本研究選取多元線性回歸法中的最小二乘法進行數據的預測擬合，探究本研究所提出的四維度的設計類問題解決能力的多模態測評模型是否能夠在真正意義上表征學習者在合作過程中的問題解決能力。

首先，需要計算因變量與自變量的關系的正態分布情況和散點圖，以此確定因變量與自變量的關系。同時，需要分析殘差是否符合正態分布?；貧w標準化殘差在區間（-2, 2）內波動，則說明擬合程度好。自變量和因變量之間呈現線性關系。

其次，多元回歸模型分析結果顯示，本研究所采用的回歸模型R2=0.725，說明可以解釋72%的因變量變異。

接下來對模型的顯著性進行檢驗，方差為F=59.509（p＜0.05），說明模型顯著，拒絕回歸系數為0 的原假設，因此模型基本滿足要求。通過多元回歸模型，我們得知，該模型可以運用多模態數據表征設計類問題解決能力。

在明確模型能夠表征設計類問題解決能力后，需要明確每個要素的權重，以便了解影響問題解決能力的具體要素及其比重。從標準化系數來看，在統計學中將設計類問題解決能力的回歸方程為：設計類問題解決能力得分=-0.223×構思性+0.165×啟發性-0.127×實施性+0.144×反思度+0.225×領導力+0.097×協調性+0.221×響應度+0.118×系統性+0.194×科學性+0.227×創新性+0.234×識別度+0.167×體驗度。

標準化回歸方程可以解釋不同變量間的影響程度。標準化系數越大則變量對因變量的影響越大。由回歸方程可知，同理心維度和反思的程度對設計類問題解決能力的影響比較大，因此學習者需要加強在問題解決過程中對同伴的理解與共情以及不斷地反思與迭代的能力。圖8展示了本次模型的原始數據圖、模型擬合值、模型預測值。由圖8 可知，模型擬合情況較好。

圖8 回歸模型的擬合效果圖

至此，基于多模態數據的設計類問題解決能力表征完成。

五、討論

設計問題具有復雜性、社會性等特性。設計類問題解決能力涉及多個維度，從學習者的內隱心理和外顯行為，到社會文化情境中身份、存在感和社會關系等。本研究以多模態數據設計類問題解決能力的測評為主題，拓寬了問題解決等高階思維的測評范式，也為精準化能力提升與干預的發展帶來重要轉機。

（一）精準的數據采集和特征提取是基于多模態數據的設計類問題解決能力測評的基礎

首先，本研究基于已有的測評框架開展了設計類問題解決能力的測評實驗，招募了181位被試，并收集了其在討論過程中的文本、生理和心理問卷的過程性數據。通過從過程的視角進行測評，可以更全面地了解學生在設計類問題解決過程中的思考和表現。這為教育者提供了一個深入了解學生學習過程的機會，從而更好地調整教學策略和課程內容，以促進學生的設計能力和問題解決能力的發展。其次，研究采用BERT算法、隨機森林算法和關鍵詞詞頻分析法等數據挖掘方法對數據進行了分析。這表明設計類問題解決能力是一種可測的能力，教育者可以借助機器學習和數據分析的工具和方法，提供精細化的測評和個性化的反饋。這有助于教育者更好地了解學生的學習情況，為他們提供更具針對性和更有效果的教育支持。因此，本研究基于多模態設計類問題解決能力測評實證，總結出基于多模態測評設計類問題解決能力精準測評的基礎——數據獲取與特征提取。每個環節都需要用感知技術、識別技術和融合技術等關鍵技術來提取和處理多模態交互信息，以實現對參與者行為、社交和認知等方面變化的聚合判斷。與現有研究中單一和靜態的分析方法相比，這種方法彌補了這一缺陷。

（二）多模態融合有助于設計類問題解決能力表征的準確性和可解釋性

深度學習技術因其以數據驅動學習的特點，在自然語言處理、圖像處理、語音識別等領域取得了巨大成就（任澤裕 等, 2021）。但將大量的多模態數據進行整合分析存在較多困難，且費時費力。因此，多模態數據融合分析既是多模態學習分析的核心，也是難點。本研究通過各類算法將學習者各維度得分計算后進行決策級融合，采用回歸分析的方法，確定不同維度的權重分配。首先，采用算法和數據分析的手段，更全面地了解學習者在各個維度上的表現，這有助于教育工作者更準確地評估學生的學習情況，并對其進行有針對性的指導。如通過算法分析，我們可以發現學生在某一維度上表現不佳，從而幫助教育者識別并解決學生的學習障礙。其次，通過決策級融合的方法將不同維度的得分綜合起來，可以得出一個更準確和更綜合的評估結果，這有助于消除單一維度評估的片面性，更全面地了解學生的學習能力和水平。通過分析和融合多個維度的數據，教育者可以更好地了解學生的優勢和不足，以制定更有針對性的教學計劃。此外，決策級融合方法的數據均來自不同的數據分類器或模態結果，每個模態的數據之間互不影響，可單獨計算，錯誤不會累計，這也提升了分析模型的準確性和容錯率。通過合理地分配權重，教育者可以更好地理解學生在各個維度上的重要性，從而在制定教學計劃和課程安排時更加科學和有效，更好地滿足學生的學習需求，提升整體教育質量。

采用合理有效的多模態融合方法可以充分利用多模態信息之間的互補性，獲得更完整、更好的特征表達，從而在保證模型效果的情況下，在學習的過程中針對不同的特征實現不同程度的強化，這對深度學習的可解釋性有一定的幫助，也為深入表征設計類問題解決能力提供了清晰的方法體系。

（三）問題情境創設是設計類問題解決能力測評的前提

在設計類問題解決能力的測評中，問題情境創設至關重要。由于設計問題是一種復雜、開放的問題，設計類問題解決能力測評情境的創設需要考慮學習者在設計過程中綜合利用其他資源和相關知識，并運用各類工具動手實踐的水平。因此，設計問題解決能力的測評需要為學生提供一個有效的問題思考情境，這種情境使得測評不僅僅是對學生知識的考核，更是對他們理解、應用、分析、評估和創造知識能力的綜合評價。問題情境應模擬現實生活中的復雜問題，如環境保護、城市規劃、可持續發展等。本研究以海綿校園為情境進行設計問題解決測評，涵蓋了地理、物理、化學等多個學科領域的知識。這種綜合學科的情境設計有助于打破學科之間的界限，促進跨學科思維和學科知識的綜合運用。

研究表明，僅關注整體的設計思維和協作水平是不夠的，還需要多維度、分層次對學習者的設計過程進行表征和干預。在設計類問題解決活動中，教學者應注重培養學生的啟發思維、反思能力、領導力、應變能力、系統思考能力、科學探究能力、創新意識和問題識別能力，從而綜合提升他們的設計類問題解決能力，有助于提升他們的創新能力和適應未來挑戰的能力。

六、總結

未來的研究中，設計類問題解決能力的培養和測評應聚焦于幾個關鍵領域。首先，提升數據采集的精準性和降低入傾性是基本出發點，要確保獲得的信息準確反映學生的實際表現和能力。隨著數據量的增長和復雜性的提高，自動化數據預處理工具的研發將成為重要的研究方向，旨在減輕處理大量多模態數據的負擔。其次，不斷迭代和優化測評模型，提高其信效度，以應對學生表現的偶然性和多樣性，是確保評估結果準確性和有效性的關鍵。這種測評不僅關注學生的設計思維和創新能力，還將評估他們的批判性思維、問題識別、團隊協作和領導力等高階能力。此外，隨著計算技術的進步，大規模計算機輔助測評將成為可能，不僅能提高評估效率，還能為每個學生提供個性化的反饋和指導?？傮w來看，未來的設計類問題解決能力測評將更加精準、高效和全面，更好地促進學生在復雜多變的世界中發展創新能力和高階思維能力?；诙嗄B數據的智能化測評是一種新興的研究方式，需要研究者通過不斷的改良和優化推動其發展。