基于深度学习框架的多模态指标体系为深度学习的基础规律研究提供了操作性的研究依据和指标选择参照。为了满足不同目的和水平的研究需求，本书将指标体系细化为基础型多模态指标和专业型多模态指标，旨在为深度学习的实证研究提供多元化、个性化的指标选择依据。虽然多模态指标体系中存在一些指标重复出现的情况，但是其解释机制、组合方式、激活程度和评估标准各不相同，因此该指标依然可以发挥判断深度学习是否发生以及发生程度的作用。
通过梳理相关领域的多模态研究，分析文献和实验数据背后的深度学习机制，推演与深度学习机制接近的已有的多模态指标，多条路径并举建构深度学习的多模态指标体系，有效推进深度学习的基础规律研究。深度学习的多模态研究方法是对深度学习传统认知行为研究范式的补充，后期研究要重视各个模态指标之间的潜在联系，对其进行一致性处理或协同。
与此同时，本研究也存在着局限性：①与阅读等领域的基础规律研究相比，深度学习基础规律的多模态研究刚刚起步；②本书所提供的深度学习框架仍需完善；③文中的指标体系努力去解释和发现深度学习的机制，并非与深度学习结果之间存在着一一对应的因果联系。立足前人的研究，本研究力求更快速、更准确地接近深度学习的内在机制，促进基础规律的研究取得质的突破，从而开启深度学习常态化发展的新时代。
【注释】
[1]刘哲雨，王志军.行为投入影响深度学习的实证探究——以虚拟现实（VR）环境下的视频学习为例[J].远程教育杂志，2017，（1）：72-81.
[2]段金菊，余胜泉.学习科学视域下的e-Learning深度学习研究[J].远程教育杂志，2013，（4）：43-51.
[3]张静，陈佑清.学习科学视域中面向深度学习的信息化教学方式变革[J].中国电化教育，2013，（4）：20-24.
[4]纪宏璠，雷体南，方红.基于ITtools3.0的深度学习过程设计与实践研究[J].现代教育技术，2015，（2）：40-46.(www.xing528.com)
[5]卜彩丽，冯晓晓，张宝辉.深度学习的概念、策略、效果及其启示——美国深度学习项目（SDL）的解读与分析[J].远程教育杂志，2016，（5）：75-82.
[6]张思琦，张文兰，李宝.国外近十年深度学习的研究现状与发展趋势——基于引文分析及共词矩阵的知识图谱分析[J].远程教育杂志，2016，（2）：64-72.
[7]张琪，武法提.学习分析中的生物数据表征——眼动与多模态技术应用前瞻[J].电化教育研究，2016，（9）：76-81、109.
[8]尚俊杰，张露.基于认知神经科学的游戏化学习研究综述[J].电化教育研究，2017，（2）：104-111.
[9]刘哲雨，郝晓鑫.深度学习的评价模式研究[J].现代教育技术，2017，（4）：12-18.
[10]刘咏梅，吴立宝.信息技术对促进数学基本思想教育的价值分析[J].数学教育学报，2017，（1）：41-46.
[11]姜永志.教育神经科学的理论与实践——从“实验室”到“教室”的学习科学[J].开放教育研究，2013，（3）：71-77.
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
