基于在線作業(yè)數(shù)據(jù)的學習行為投入畫像構建研究

張治 楊熙 夏冬杰

[摘? ?要] 學習者畫像是描述學習者特征、實現(xiàn)智能化推送、實施個性化教育的重要基礎。如何挖掘并利用在線學習平臺中的數(shù)據(jù)構建學習者畫像是當前亟待解決的問題。研究以在線作業(yè)為目標場景，以在線學習行為投入為切入點，構建了以參與、堅持、專注、學術挑戰(zhàn)和自我調控為主要維度的分析框架和測量指標，利用7695名小學生在線作業(yè)數(shù)據(jù)進行了27個測量指標的有效性驗證，采用K-Means聚類方法對在線學習者的行為特征和結果特征進行了標簽分類，形成了四類學習者的群體畫像，提出了相應的學習指導建議。研究發(fā)現(xiàn)，學習者的學業(yè)成績與作業(yè)行為投入之間存在顯著相關，不同的行為投入平臺指標與學業(yè)成績呈現(xiàn)不同的相關性，學習品質相關指標與學業(yè)成績呈現(xiàn)強相關。因此，在線教育平臺應通過畫像技術，持續(xù)跟蹤學習者的在線學習行為投入，評估學習者的學習品質，提出個性化的指導建議，推送精準化的學習資源，進而提升學習者在線學習效率。

[關鍵詞] 學習者畫像; 學習行為投入; 在線作業(yè); 測量指標; 學習分析

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 張治（1975—），男，河南周口人。正高級教師，博士，主要從事教育管理、教育信息化、研究性學習研究。E-mail：87476088@qq.com。

一、問題的提出

近年來，隨著信息技術快速的發(fā)展，世界各國開始通過大力發(fā)展教育信息化來促進教育教學改革，這使得信息技術快速地融入了教育的各個領域[1]。大量教育信息化服務平臺應運而生，進而產(chǎn)生了大量的教育領域數(shù)據(jù)[2]。如何挖掘并利用這些數(shù)據(jù)中隱含的學習者的習慣、投入、情感及態(tài)度信息就成了學界主要關注的問題。

學習者畫像作為描述學習者特征、精準識別學習者群體的新興研究領域，可以為教育數(shù)據(jù)的挖掘與應用提供一個新的思路和方向。一方面，學習者畫像可以更加直觀地呈現(xiàn)對學習者個體的評價結果，動態(tài)地反映學習者狀態(tài)，為個性化綜合評價、精準化服務的實現(xiàn)提供數(shù)據(jù)支持。另一方面，學習者畫像是一種新的綜合素質評價結果呈現(xiàn)方式，可以更加形象、全面、易懂，方便學習者、教師以及教育管理者使用綜合素質評價結果，為教育教學規(guī)律的發(fā)現(xiàn)提供依據(jù)[3]。安特爾曼（Antelman K）等學者認為，學習者畫像的目標是刻畫學習者的關鍵特征[4];謝里菲（Sharifi M）等學者認為，學習者畫像可以精準地評估學習者的學習能力[5]。也有學者認為，學習者畫像是一種幫助在線學習中利益相關者有效地報告學習者的學習效果、學習行為、理解和優(yōu)化學習以及產(chǎn)生環(huán)境的方法[6-7]。丁恩（Dinh D. P.）等人先通過學習動機對學習者角色進行劃分，再根據(jù)各個學習者角色的特點提供不同的服務，從而達到個性化服務的目的[8]?；衾℉olley D）和奧利弗（Oliver M）利用風險預測模型構建學習者模型以識別高危、中危、低危學習者，并為不同類型的學習者提供相應的干預服務[9]。

現(xiàn)有的學習者畫像研究通常包含學習者個人基本信息、心理特征、學習行為特征、學習結果特征、環(huán)境特征等多種維度的信息[10]。安特爾曼等學者構建的學習者畫像中包含學習者的學習需求、學習動機和學習偏好等特征[4]。陳海建等人為了實現(xiàn)個性化教學而構建的學習者畫像中包括基本特征、學習風格偏好特征、學習者類型特征及知識點興趣特征[11]。肖君等人為了從不同角度評價學習者的學習效果，通過知識水平、行為特征和態(tài)度特征等維度來構建學習者畫像[12]。

但這些特征受到數(shù)據(jù)采集方式、豐富程度、分析方法及評價方式等方面的制約，目前尚沒有一套統(tǒng)一的標準或方式可以融合起來，這就給學習者畫像的實現(xiàn)帶來了極大的困難和挑戰(zhàn)。筆者認為可以選擇一個較為具體且數(shù)據(jù)豐富的場景進行分析。盡管在更具體的場景下我們無法全面地刻畫學習過程，但可以從更精細的粒度去分析和解釋學習者在某一任務過程中所體現(xiàn)的規(guī)律與特質。基于上述考慮，本文選擇在線作業(yè)作為主要的研究場景，主要原因有：（1）作業(yè)是教學過程中非常重要的一環(huán)，每個學習者都不可避免地要完成各種形式的作業(yè)任務;（2）相對于教學過程的其他子環(huán)節(jié)，學習者完成作業(yè)任務的過程相對獨立且完整，可以提供豐富的細節(jié)性數(shù)據(jù);（3）智能化的在線作業(yè)平臺已經(jīng)被我國中小學廣泛地使用，為我們進行在線作業(yè)數(shù)據(jù)的采集和分析提供必要的支持。

實現(xiàn)基于在線作業(yè)行為的學習者畫像研究的必要條件是探尋到一個具有教育意義的、與在線作業(yè)場景相關的且具有可執(zhí)行性的特征框架來刻畫學習者，即要解決從哪些維度來刻畫學習者的問題。本文在文獻調研的基礎上，選取學習行為投入作為主要的畫像描述框架，主要基于以下幾點考慮：（1）學習行為投入是影響學習效果的重要因素[13-15]，對學習行為投入的及時評測與干預可以有效地促進學習效果的提高;（2）學習行為投入可以影響教學改革的成效，是國內外教育機構進行教學研究、教學改革和評估重點關注的因素[16-17];（3）在線作業(yè)行為可以反映學習者的行為投入，在已有的研究工作中，作業(yè)相關指標經(jīng)常作為學習投入整體分析框架中的子模塊來進行分析，且很多研究也表明了作業(yè)相關指標與學習效果具有很強的相關性[18-22]。

綜上分析，本文以學習者在線作業(yè)行為為切入點，通過對學習者作業(yè)狀態(tài)的跟蹤和分析，刻畫學習者在作業(yè)行為中隱含的行為特征，構建基于作業(yè)數(shù)據(jù)的學習行為投入畫像。主要探索的問題如下：

（1）在線作業(yè)學習行為投入的分析框架：從哪些維度來刻畫在線作業(yè)系統(tǒng)中的學習行為投入，這些維度的理論依據(jù)是什么;

（2）在線作業(yè)學習行為投入的評價指標：哪些平臺指標能夠有效地表征學習行為投入，這些指標與學習者的學習效果的相關性如何，呈現(xiàn)出怎樣的規(guī)律性;

（3）在線作業(yè)學習行為投入的學習者畫像構建及分析：如何利用學習行為投入指標和學習效果進行學習者分類，探究影響各類學習者學習效果的影響因素并提出針對性建議。

二、基于在線作業(yè)行為的學習行為投入評測框架

（一）分析框架及指標構建

在現(xiàn)有的眾多國內外研究中，學習行為投入的分析維度眾多，研究人員通常會根據(jù)對象、場景及環(huán)境的不同而提出不同分析方法與維度。本文從學習行為投入研究出發(fā)，對近年來具有代表性且與在線學習場景密切相關的研究進行了梳理，見表1。

通過表1可知，參與（Participation）、堅持（Persistence）、專注（Concentration）、交互（Interaction）、自我調控（Self-Regulated）等維度常作為學習行為投入的評測維度。李爽等人的研究表明，“交互”類指標與成績呈高度相關性，但考慮到本文面向的在線作業(yè)場景要求學習者獨立完成作業(yè)[22]，因此，不將“交互”作為學習行為投入的評測維度。李爽等研究框架中的“學術挑戰(zhàn)（Academic Challenge）”維度，與張琪等提出的“專注”維度有一定的概念重合，都強調在面對有難度和有挑戰(zhàn)的問題時學習者的學習行為投入表達。主動性（Initiative）維度僅在張琪、武法提的研究中被明確提及，其他的兩個研究工作中并未單獨刻畫，但在具體評測指標的建立和分析過程中，主動性也是主要考慮的因素，如李爽等認為，盡早提交作業(yè)、專注完成作業(yè)、為獲得滿意成績而多次提交最好版本的作業(yè)等指標，都體現(xiàn)了學習者在完成作業(yè)過程中的主動與努力，而這些指標可以拆分到“堅持”“專注”“自動調控”三個維度中[22]。

綜上，本文在文獻研究的基礎上，結合在線作業(yè)數(shù)據(jù)的特點，構建基于在線作業(yè)的學習行為投入分析框架。將參與、堅持、專注、學術挑戰(zhàn)和自我調控作為分析學習行為投入的主要維度，對應的分析子維度和相關平臺指標示例見表2。

“參與”指學習者投入到在線作業(yè)這項任務中的時間與精力，表現(xiàn)為在線作業(yè)的參與情況、作業(yè)投入時間及是否按時提交作業(yè)的情況，體現(xiàn)了學習者對于作業(yè)規(guī)則、要求的接受和認同程度?！皥猿帧敝笇W習者為實現(xiàn)學習目標而表現(xiàn)的持續(xù)性的努力，表現(xiàn)在作業(yè)的高參與率、高完成率等方面，體現(xiàn)了學習者在較長的時間維度上的持續(xù)性精力與時間的投入，說明學習者不僅可以遵循和響應基本要求，還在任務中投入了更多的堅持和努力?！皩Ｗⅰ敝笇W習者集中完成作業(yè)任務的程度，表現(xiàn)在完成作業(yè)的效率、能不能一次性不間斷地完成作業(yè)等方面，體現(xiàn)了學習者對作業(yè)任務的興趣以及克服外界干擾的能力。“學術挑戰(zhàn)”指學習者在面臨有難度、有挑戰(zhàn)的任務時的投入，表現(xiàn)在對難度較高的題目的完成質量和效率，體現(xiàn)了學習者的知識掌握程度和高階能力的發(fā)展情況?！白晕艺{控”指學習者對自我的管理、調節(jié)和控制方面的投入，表現(xiàn)在反思性、時間管理和規(guī)律等方面，體現(xiàn)了學習者的責任感和自我管理意識。

（二）指標有效性驗證

為了回答引言部分提出的第2個問題，本文基于在線作業(yè)平臺收集了一批學習者作業(yè)行為數(shù)據(jù)。通過對在線作業(yè)平臺各模塊的分析，本研究根據(jù)基于在線作業(yè)的學習行為投入分析框架初步設定46個行為投入測量指標，其中，參與類7個，堅持類6個，專注類16個，學術挑戰(zhàn)類11個，自我監(jiān)控類6個。通過ANOVA（Analysis of Variance）方差分析及數(shù)據(jù)可視化方法，分析不同成績的學習者在各個行為投入指標上的表現(xiàn)，以此來驗證平臺指標的有效性。

1. 智能作業(yè)平臺與樣本數(shù)據(jù)

本文首先通過“一起作業(yè)”智能作業(yè)平臺收集了2020年春季學期（3月到7月）上海市9所小學的語文、數(shù)學、英語三科作業(yè)行為及測試結果數(shù)據(jù)，經(jīng)過對基礎數(shù)據(jù)的清洗、標準化等處理，共得到有效的7695名小學生的作業(yè)和考試數(shù)據(jù)。

2. 指標的差異性分析

為了探究學習行為投入指標的有效性，需要驗證不同分組的學習者在學習行為投入上的表現(xiàn)是否存在差異。本研究根據(jù)考試成績進行分組，這里的考試成績指單科多次考試的平均成績，共分為9組。分組的規(guī)則：考試成績?yōu)?00分制，60分以上的學習者，以5分為一檔進行分組;60分以下的學習者分到fail組。各組人數(shù)整體呈正態(tài)分布。

在預設的46個指標中，剔除13個指標缺失率在75%以上的指標，對其余的33個指標進行方差分析，結果顯示，有6個指標和成績無明顯相關性，其余的27個指標呈分組顯著差異（顯著性水平為0.01），表2中摘錄了部分差異顯著的平臺指標。方差分析結果表明，提前提交作業(yè)時長、作業(yè)完成率、作業(yè)效率、不同難度題目的時長及結果、錯題訂正率等指標的區(qū)分度十分顯著，說明這些指標可以作為評價學習者作業(yè)行為投入及學習者畫像構建的重要參考維度，具有進一步深入分析和刻畫的意義。

3. 指標的可視化分析

在上述分析的基礎上，可以利用可視化方法，觀察各種指標在學習者群體中表現(xiàn)出的規(guī)律和細節(jié)，但由于篇幅的限制，本節(jié)選取幾種特別典型的指標進行可視化分析。

（1）參與類指標分析

在參與類指標中，提前提交作業(yè)的時間可以反映學習者完成作業(yè)任務的積極程度。如圖1所示，成績越好的學習者，越能夠提早提交作業(yè)，同時其置信區(qū)間較小，說明分布緊密，該指標表現(xiàn)穩(wěn)定。成績越差的學習者，越傾向于在作業(yè)截止時間提交作業(yè)，在不及格（fail）段的學習者會出現(xiàn)平均皆為延遲提交的情況。同時，成績越差的學習者，該指標置信區(qū)間分布廣，說明其分布不穩(wěn)定，即這一部分學習者沒有一個穩(wěn)定良好的提交作業(yè)習慣。

（2）堅持類指標分析

在堅持類指標中，在一個較長時間段內的作業(yè)完成率可以反映學習者表現(xiàn)出的持續(xù)性的投入程度，如圖2所示，不同的折線代表不同科目的表現(xiàn)?？傮w來說，學習者的作業(yè)完成率很高，基本保持在92%以上。成績越好的學習者，作業(yè)完成率越高。但是，在數(shù)學學科上，D+和C組的學習者也有較高的作業(yè)完成率，但他們在成績上表現(xiàn)并不理想。對于這一部分學習者，在肯定他們完成作業(yè)的態(tài)度的同時，需要在知識層面上進行指導。

（3）專注類指標分析

總作業(yè)時長用于刻畫學習者在作業(yè)過程中的總體耗時，有效作業(yè)時長是切實投入到作業(yè)上的時長?？傋鳂I(yè)時長和有效作業(yè)時長的均值分布情況如圖3所示?？梢园l(fā)現(xiàn)，成績越好的學習者，其作業(yè)總時長均值就越小，同時有效作業(yè)時長的均值越長，說明成績越好的學習者越能夠專心投入在作業(yè)上。結合作業(yè)質量來看，高分組（A+和A組）的學習者能高效、高質量地完成作業(yè)，而低分組（D組和fail組）的學習者則是高效、低質量地提交作業(yè)，很可能是在應付作業(yè)，因此，對這部分學習者，需要關注其作業(yè)質量。

同時，注意到60分段（D和D+）的學習者，其作業(yè)總時長和有效作業(yè)時長均值都比較高，說明這部分學習者確實投入了很長的時間和精力在作業(yè)上，但是可能因為學習能力不足或做題效率低等原因，導致總作業(yè)時間很長。對于這部分學習者，建議從提高學習能力和做題效率方面進行強化訓練。此外，fail組學習者的有效作業(yè)時長是整體中最低的，且作業(yè)完成度、作業(yè)完成質量等指標都相對較低，建議從提高作業(yè)完成度和作業(yè)質量的角度進行干預。

（4）學術挑戰(zhàn)類指標分析

學習者在不同難度的題目上的有效時長可以反映學習者的作答能力和作答意愿。圖4展示了不同成績的學習者在面對不同難度題目時投入的作答時長分布情況，題目難度的數(shù)值越大，表示題目難度越高?？梢园l(fā)現(xiàn)，在難度為1～3的題目上，不同成績段的學習者作答時長相差不大。在難度為4的題目上，呈現(xiàn)A+組學習者解題時間短，D-A組學習者解題時間稍長且分布均勻的情況。結合學習者不同難度題目得分等指標可以發(fā)現(xiàn)，雖然A+組和fail組的學習者作答速度都很快，但A+組學習者的做題正確率更高。在難度為5的題目上，成績越好的學習者，解題時間越長，說明成績更好的學習者，更有挑戰(zhàn)難題的意愿。

（5）自我調控類指標分析

錯題訂正率是指學習者對自己錯題進行訂正的比率，可以反映學習者的自主反思性。如圖5所示，成績越好的學習者，對錯題的訂正率越高。注意到A+組學習者的錯題訂正率幾乎接近100%，同時箱盒的分布也更加緊密，說明這部分學習者保持著良好的訂正習慣。而B、B+和A組的學習者，其錯題訂正的眾數(shù)明顯低于A+組的學習者，對這一部分學習者，如果能多督促他們及時地進行自我評估和反思，有較大概率可以提升學習成績。

三、基于在線作業(yè)的學習行為投入的學習者畫像構建

（一）畫像目標

學習者畫像根據(jù)分析目標的不同，往往有不同的學習者畫像模型。本文將結合在線作業(yè)的場景特點，在學習行為投入特征和學習結果特征的基礎上對學習者進行分類，形成學習者群體畫像，進而探討不同的學習者群體在學習行為投入和學習結果上的不同表現(xiàn)，為后續(xù)的個性化、精準化的學習服務提供數(shù)據(jù)支持。

構建學習者畫像的前提是確定學習者畫像維度。李雪嬌通過理論演繹和總結的方法，在尹燁彬[10]所構建的在線學習者多維特征模型的基礎上，補充了學習結果特征，構建了包含人口學特征、心理特征、行為特征和學習結果特征在內的在線學習者畫像模型[25]。筆者認為，該模型較為全面地包含了在線學習者的特征分析的主要內容?？紤]到本文的研究場景為在線作業(yè)，屬于在線學習中的一個環(huán)節(jié)，因此，本文在該模型的基礎上，選取行為特征和結果特征作為主要的分析和建模維度。其中，行為特征主要指學習者在在線作業(yè)中所體現(xiàn)的行為投入特征，可在上一節(jié)刻畫的學習行為投入分析框架及指標來刻畫。學習結果特征則由學習者的學業(yè)成績來描述。

學習者畫像分析將圍繞學習者畫像中各個維度的特征而展開，主要思路是利用這些維度的信息將學習者分類，分析不同學習者群體所表現(xiàn)出來的不同特征。本文綜合考量學習者的作業(yè)行為投入特征與學習結果特征，對學習者進行聚類分析。聚類分析的結果可為學習者、家長、教師及其他教學利益相關者提供教學評價、設計和改進的參考。

（二）學習者群體的聚類分析

如何基于學習者的行為特征和學習結果特征進行學習者分類是學習者畫像分析的關鍵。利用聚類分析方法進行學習者分類，已經(jīng)被眾多的研究者所采用[26]。本文基于行為投入特征下的參與、堅持、專注、學術挑戰(zhàn)、自我調控，利用K-Means聚類方法，將學習者進行聚類，使用的數(shù)據(jù)與本文第二部分相同。經(jīng)過多次聚類與質量評估，學習者最終可被劃分為四類，輪廓系數(shù)為0.313。從F檢驗的結果來看，四類學習者人群在平臺指標上的表現(xiàn)也均有顯著差異，說明了聚類模型的有效性。為了更直觀地了解這四類學習者在作業(yè)行為投入上的表現(xiàn)，選取代表性的指標對四類學習者人群進行分析，見表3。

第I類學習者在各項指標上均表現(xiàn)優(yōu)秀，作業(yè)完成率高，投入的有效作業(yè)時長和總時長較短，作業(yè)效率很高，錯題訂正率高，但在難題上投入的時間較短。說明本類學習者在參與、堅持、專注及自我調控維度表現(xiàn)優(yōu)秀，但在學術挑戰(zhàn)維度略有不足。綜合學業(yè)成績來看，該類學習者的平均成績是四類中最高的。所以對于本類中成績優(yōu)秀的學習者，在督促其保持良好學習習慣的同時，可以適當增加一些挑戰(zhàn)性學習項目，激發(fā)其學習興趣和潛力。同時，本類中也包含部分學習成績不突出的學習者，說明這部分學習者本身學習習慣良好，但是成績不夠理想，建議對其進行學習方法上的針對性指導，以獲得較大幅度的成績提升。本類學習者占總人數(shù)的44.40%。

第II類學習者在各項指標上均表現(xiàn)良好，作業(yè)完成率高，在難題上的投入時間長，有效作業(yè)時間在四類學習者中最長，但作業(yè)效率僅略高于整體平均水平，錯題訂正率略低于整體平均水平。本類學習者的學業(yè)成績表現(xiàn)良好，說明這一部分學習者本身具有較強的學習能力和良好的作業(yè)習慣，但在如作業(yè)效率、錯題訂正率等行為維度上與第I類學習者有顯著的差距。說明本類學習者在參與、堅持及學術挑戰(zhàn)維度表現(xiàn)良好，但在專注和自我調控維度表現(xiàn)一般。所以，可以考慮從學習主動性、反思性及作業(yè)質量等方面對本類學習者進行指導，促進其學習效果的提升。本類學習者占總人數(shù)的20.51%。

第III類學習者各項指標大多處于整體平均水平左右，與第I、II類學習者有較大差距，特別是作業(yè)效率在四類學習者中最低，作業(yè)完成率也不理想，學業(yè)成績同樣處于整體平均水平。說明本類學習者在參與、學術挑戰(zhàn)及自我調控維度上表現(xiàn)一般，而堅持、專注相較其他維度來說表現(xiàn)有待提升。對于這一部分學習者，需要家長和教師的關注和及時干預，特別是在堅持和專注這兩項基本指標上的加強提高，極有可能改善其學習表現(xiàn)。進一步地，在學術挑戰(zhàn)和自我調整方面進行提升，從更高級的層面給予學習者心理及認知策略上的指導，促進學習態(tài)度的改變，進而提高學習效果。本類學習者占總人數(shù)的18.28%。

第IV類學習者各項指標均低于整體平均水平，學業(yè)成績也是四類學習者中最低的。說明本類學習者沒有良好的作業(yè)習慣，學習行為投入的各個維度均有待提升。本類學習者需要特別的關注，建議教師和家長與學習者深入溝通，充分分析學習者的主要問題，并進行針對性的干預與指導，幫助學習者解決遇到的困難或問題。數(shù)據(jù)分析發(fā)現(xiàn)，本類學習者中有一部分成績優(yōu)秀者（A級以上），這部分學習者同樣應該成為教師和家長重點關注的對象，幫助其在保持優(yōu)秀的學業(yè)成績的同時，擁有較高的學習投入和好的學習習慣，使其具有長期的可持續(xù)的能力提升空間。本類學習者占總人數(shù)的16.81%。

四、結論與探討

本文在文獻研究的基礎上，結合目標場景，構建了“基于在線作業(yè)的學習行為投入的分析框架”，并在此基礎上探究了哪些在線作業(yè)行為的平臺指標可以有效表征和評價學習行為投入。為了實現(xiàn)構建學習者畫像的目標，本文在上述分析框架的基礎上，利用聚類分析的方法將學習者劃分為四類?；谝陨系睦碚摷皵?shù)據(jù)分析結果，我們可以得到以下結論：

首先，學習者的學業(yè)成績與作業(yè)行為投入之間存在顯著相關，說明作業(yè)行為投入對學習績效具有較強的解釋力。與已有的研究結果一致[13-14， 22]，行為投入與學習成績之間存在顯著的正相關關系，即行為投入越高，學習者的學業(yè)成績越好。

其次，不同的行為投入平臺指標與學業(yè)成績呈現(xiàn)不同的相關性。如作業(yè)時長、作業(yè)完成次數(shù)等指標與學業(yè)成績呈弱相關性，這從數(shù)據(jù)層面有力地說明了并不是作業(yè)做得越多、題目做得越多，就能夠得到更好的成績;而恰恰是體現(xiàn)學習者的作業(yè)積極性、作業(yè)效率、挑戰(zhàn)難題的意愿和反思性等學習品質方面的指標與學業(yè)成績呈現(xiàn)強相關，說明提升學業(yè)成績的核心在于提升學習者的學習品質（如堅持、專注、反思等）等非學業(yè)方面的素質。這也為從作業(yè)角度進行“減負增效”提供了有力的數(shù)據(jù)支持和方向指引。

最后，建立對學習者行為投入的跟蹤和評價系統(tǒng)是非常必要的。結合學習者畫像構建技術，從多個維度來刻畫學習者的行為投入情況，對不同類型的學習者采用個性化的指導方案，例如，可以針對不同類型的學習者推送個性化的作業(yè)任務或個性化的學習資源，利用智能化的學習系統(tǒng)提升學習者的學習投入是實現(xiàn)高效學習的有效方式。

信息技術的發(fā)展使得在線學習的方式與邊界都在不斷擴大。目前，本文中涉及的場景比較單一，主要是教師布置的在線作業(yè)任務，對于其他類型的作業(yè)，如線下作業(yè)、自主作業(yè)、選做作業(yè)、假期作業(yè)等以及其他非作業(yè)場景中的任務均有待進一步的探究。在未來的研究中，筆者將繼續(xù)對所構建的模型、指標和方法進行完善與探索，使之適應不同類型、不同情境下的學習行為投入分析。同時，未來研究也將探討影響學習者學習行為投入的因素，例如，在自我調控的反思性維度，教師和家長的錯題提醒是否能夠影響學習者反思能力的提升，同伴之間的協(xié)作或互評是否可以促進學習者更積極主動地參與到作業(yè)任務中。將進一步地探討干預和促進學習行為投入的機制，提升學習者的學習績效。

[參考文獻]

[1] 祝智庭，管玨琪.教育變革中的技術力量[J].中國電化教育，2014（1）：1-9.

[2] 顧小清，舒杭.信息技術的作用發(fā)生了嗎——用學習分析技術刻畫學習行為印記[J].現(xiàn)代遠程教育研究，2016（5）：10-19.

[3] 張治，戚業(yè)國.基于大數(shù)據(jù)的多源多維綜合素質評價模型的構建[J].中國電化教育，2017，368（9）：69-77，97.

[4] ANTELMAN K， FELIX E， KIM J H. Creating personas workshop tool[DB/OL].（2018-10-10）[2021-07-09]. https：//learningspacetoolkit.org/.

[5] SHARIFI M， SOLEIMANI H， JAFARIGOHAR M. E-portfolio evaluation and vocabulary learning： moving from pedagogy to andragogy[J]. British journal of educational technology， 2017， 48（6）： 1441-1450.

[6] 肖君，喬惠，許貞，等.泛在學習環(huán)境下基于活動理論的移動MOOC設計及實證研究[J].中國電化教育，2017（11）：87-94.

[7] DARWISH H. The "persona effect"： shortcomings in the evaluation of pedagogical agents' embodiment[C]// 2014 International Conference on Web and Open Access to Learning （ICWOAL）， Dubai， November 25-27，2014. Piscataway： IEEE， 2015.

[8] DINH D P， HARADA F， SHIMAKAWA H. Directing all learners to course goal with enforcement of discipline utilizing persona motivation[J]. IEICE Transactions on information & systems， 2013， 96（6）： 1332-1343.

[9] HOLLEY D， OLIVER M. Student engagement and blended learning： portraits of risk[J]. Computers & education， 2010， 54（3）： 693-700.

[10] 尹燁彬.在線環(huán)境下成人學習者多維特征研究[D].上海：華東師范大學，2017.

[11] 陳海建，戴永輝，韓冬梅，等.開放式教學下的學習者畫像及個性化教學探討[J].開放教育研究，2017，23（3）：105-112.

[12] 肖君，喬惠，李雪嬌.基于xAPI 的在線學習者畫像的構建與實證研究[J].中國電化教育，2019（1）：123-129.

[13] FREDRICKS J A， PARIS B A H. School engagement： potential of the concept， state of the evidence[J]. Review of educational research， 2004， 74（1）： 59-109.

[14] JOHNSON M L， SINATRA G M. Use of task-value instructional inductions for facilitating engagement and conceptual change[J]. Contemporary educational psychology， 2013， 38（1）：51-63.

[15] 李艷燕，彭禹，康佳，等.在線協(xié)作學習中小組學習投入的分析模型構建及應用[J].中國遠程教育，2020（2）：40-48，77.

[16] COATES H. Student engagement in campus-based and online education： university connections[M]. London： Taylor and Francis， 2006：1-212.

[17] 武法提，張琪.學習行為投入：定義、分析框架與理論模型[J].中國電化教育，2018（1）：35-41.

[18] ELBADRAWY A， POLYZOU A， REN Z， et al. Predicting student performance using personalized analytics[J]. Computer， 2016， 49（4）：61-69.

[19] QIU J， TANG J， LIU T X， et al. Modeling and predicting learning behavior in MOOCs[C]// the Ninth ACM International Conference. New York： ACM， 2016：93-102.

[20] SOROUR S E， MINE T. Building an interpretable model of predicting student performance using comment data mining[C]// 2016 5th IIAI International Congress on Advanced Applied Informatics （IIAI-AAI）. Piscataway： IEEE， 2016：285-291.

[21] 武法提，牟智佳.基于學習者個性行為分析的學習結果預測框架設計研究[J].中國電化教育，2016，348（1）：49-56.

[22] 李爽，王增賢，喻忱，等.在線學習行為投入分析框架與測量指標研究——基于LMS數(shù)據(jù)的學習分析[J].開放教育研究，2016（2）：77-88.

[23] 張思， 劉清堂，雷詩捷，王亞如.網(wǎng)絡學習空間中學習者學習投入的研究——網(wǎng)絡學習行為的大數(shù)據(jù)分析[J].中國電化教育， 2017，363（4）：24-30.

[24] 張琪，武法提.學習行為投入評測框架構建與實證研究[J].中國電化教育，2018，380（9）：108-114.

[25] 李雪嬌.基于學生畫像的在線學習支持服務策略設計研究[D].上海：華東師范大學，2019.

[26] 王夢倩，范逸洲，郭文革，汪瓊.MOOC學習者特征聚類分析研究綜述[J].中國遠程教育，2018（7）：9-19，79.