基于學習者個性行為分析的學習結果預測框架設計研究*

武法提，牟智佳

(北京師范大學 教育學部 教育技術學院，北京 100875)

基于學習者個性行為分析的學習結果預測框架設計研究*

武法提，牟智佳

(北京師范大學 教育學部 教育技術學院，北京 100875)

對學習者及其所在情境中產生的數據進行記錄和分析并為其提供個性化學習服務是教育大數據背景下學習分析研究在促進有效學習方面的內在旨趣，而要實現對學習狀態的評估、預警和干預則需要對學習者個性化信息進行實時建模。該文通過對國內外學習分析模型的梳理分析總結存在問題，并基于個性化學習模式和相關文獻構建了數字化學習環境下個性化行為分析模型。在此基礎上，以教學目標分類理論、個性化學習理論和社會認知理論為指導設計了“目標—過程—結果”為思想的學習結果分類設計原理，并對各層級的學習行為類型進行分析。最后基于學習行為分析模型和學習結果分類設計了學習結果預測框架，包括學習內容分析、學習行為分析和學習預測分析三個模塊，為后面個性化學習分析工具的設計提供理論指導。

學習分析模型；個性化學習模式；學習行為分析；學習目標；學習結果預測

一、引言

近年來，學習分析引起了國內外研究者、學術團體、管理者和教學實踐者的廣泛關注。它通過搜集教與學過程中的行為數據并應用復雜的分析工具進行挖掘分析來改善學習和教育，使其逐步成為一個新興的研究領域。從近五年來舉辦的“學習分析與知識國際會議”主題來看，其關注點由早期的將學習分析中的技術與社會、教育相整合到探索大數據背景下的教育研究與技術改善學習[1]，再聚焦到利用大數據實現大范圍的影響研究[2]，其重心逐漸轉移到教與學成效改善方向上。Xavier Ochoa等研究者還對會議內容進行了詞頻和主題分析，并總結了六類研究主題關鍵詞，即可視化、行為分析、社會學習分析、應用、挑戰和概念[3]，其中行為分析部分涉及四類層級水平：第一層級是捕獲和分析不同的數據來源，包括手勢數據、眼動數據、可汗學院平臺數據；第二層級是確定這些數據的影響；第三層級是預測分析，即對可能存在學習問題的學生進行預測；第四層級是對學生行為的序列結構進行分析。可以看出，相對以往的教育數據挖掘和統計分析工具注重對行為數據的分析和挖掘，聚焦于還原論分析[4]，學習分析則是在數據分析結果的基礎上，通過建立分析模型來預測行為，并對學習過程進行干預、優化、預警等。

從國內外研究者和學術團體對學習分析的界定上看，學習分析的目標是要預測學習結果并進行干預以更好地改善學習成效，例如George Siemens認為學習分析是應用智能數據、學習者產生的數據和分析模型發現學習者內在的信息和社交聯系，以預測和改善學習[5]；Johnson, L.等認為通過學習分析可以預測未來的學習表現，并發現潛在的問題[6]；國內研究者李艷燕等認為通過學習分析可以對學習者行為進行預測、評估學習者的學習狀態和效果，繼而干預學習，提高學習者學習績效的技術[7]；李青等認為學習分析目標是預測學習結果、診斷學習中發生的問題、優化學習效果的一類教學技術的集合[8]。因此，搜集學習者的學習過程行為數據并進行個性化分析、評價、預測和干預是學習分析研究在促進有效學習方面的內在旨趣。本研究通過對網絡學習者個性化行為進行分析和模型構建，并設計學習結果預測框架，以豐富學習分析在個性化學習服務方面的理論探索，并為后面設計個性化學習分析工具提供理論依據。

二、國內外學習分析模型研究現狀與問題分析

(一)國內外學習分析模型研究分析

學習分析模型是教育數據背景下用于指導和開展網絡學習行為分析的理論基礎，在學習分析研究領域初期階段，研究者們分別從分析環節、分析維度、分析框架等方面提出了設計模型，勾勒出學習分析在應用實踐過程中的系統分析思路。比較有代表性的學習分析模型研究有：George Siemens依據系統方法提出了學習分析循環模型，該模型包括搜集、存儲、數據清洗、數據整合、分析、可視化呈現和行動等七個部分[9]。其中數據來源部分包括學習管理系統數據、感知數據、手動輸入數據、數據市場等；行動部分包括干預、優化、引導、預警等內容。整個設計過程采用線性循環思路，將學習分析的各個環節融為整體，并使各部分內容緊密相連。Katrien Verbert等研究者認為學習分析過程包括感知、反思、意義建構和影響四個層面[10]。其中感知階段關注的是數據及其可視化的活動流；反思階段關注用戶提出的問題以及對這些問題的有效性和相關性進行評估；意義建構階段關注用戶在反思過程中提出的問題以及新觀點的創新性；影響階段是將用戶認為有用的想法進行實踐并改變自己的行為。Tanya Elias通過對學習分析的過程和及其相關利益者進行分析，提出了學習分析改善模型，該模型包括數據搜集、信息處理和知識應用三部分內容[11]。其中數據搜集模塊涉及數據選擇和捕獲；信息處理模塊涉及整合和預測；知識應用模塊涉及提煉和應用。這三部分內容由機構組織、計算機、相關人員和理論等四塊內容提供支持。Dirk Ifenthaler等通過對已有學習分析模型的分析，指出個別模型在指導實踐方面還存在不足，并在此基礎上提出較為具體的學習分析內容框架[12]，該框架包括八部分內容：(1)個人特征，包括興趣、先驗知識、學習策略、競爭力等；(2)社交網絡，包括個人網絡、社交關系、同伴互助、社交媒體偏好；(3)身體數據，包括地理位置、健康、情感、動機等；(4)課程，包括基本要求、學習設計、學習目標、評價等；(5)網絡學習環境，包括學習路徑、交互數據、內容導航、討論活動、評價和表現、滿意度等；(6)學習分析引擎，包括數據挖掘、結構化和非結構化數據、自然語言、回歸和預測等；(7)報告引擎，包括儀表盤、熱點圖、統計圖標和自動報告等；(8)個性化和自適應引擎，包括引導、可視化、提供支架、反饋、推薦等；(9)機構策略；(10)管理決策。各部分內容擯棄了以往學習分析內容的單向線性關系，轉而形成雙向多層關系，且各部分內容進一步細化，從使其在指導實踐方面更具信度和可操作性。

相對于國外研究視角和內容的多樣性，國內研究者在學習分析模型探索上形式單一且側重整個系統環節，例如趙蔚等依據在項目實踐中應用的自適應學習系統，以個性化自主學習、個性化自適應推薦、個性化心理學和計算機科學為理論基礎，從數據與環境、關益者、方法和目標等四個方面建立個性化自適應在線學習分析模型，描述了在線學習分析所涉及的數據來源、分析目標、相關參與人員和分析方法[13]。馮翔等通過分析教育信息化領域對學習分析的需求以及大數據技術，設計了以Hadoop為核心的學習分析系統，該系統包括利益相關者、教育系統、數據域處理、學習分析引擎和顯示面板五部分[14]。郁曉華等采用極簡設計思想，對學習行為的內容和流程進行了設計，該模型包括學習需要、學習目標、學習活動，其中學習活動涉及活動內容、工具和參與的人，各部分呈邏輯遞順序向前指向和分解[15]。

(二)已有學習分析模型研究中存在的問題

通過對國內外已有學習分析模型的梳理和分析可以看出，各分析模型多是關注整個學習分析環節和過程，對于指導學習分析研究具有一定的指導意義，但在實際操作和分析內容方面缺乏指導，其存在的問題主要有：(1)各學習分析模型屬于工作模型，用于指導開展學習分析的系統研究，缺少以學習者為核心分析對象的計算模型；(2)側重分析教育大數據范圍內利益相關者的多樣化分析，弱化對學習行為這一關鍵點的層級式分析；(3)模型中各部分內容在操作層面上未能指出適合分析的學習行為數據，Dirk Ifenthaler等雖然分析了個人學習行為活動，但未指出其前后行為數據在分析層面上的影響關系；(4)學習分析模型在個性化學習特征和行為分析方面分析不足，基于學習行為數據分析學生個性優勢并提供個性化學習路徑實現其個性發展是教育大數據在學習分析方向要解決的關鍵問題，因此學習分析模型應在個性化分析內容和行為方向上進行深入分析。

學習行為分析是學習分析領域在其分析過程、數據來源、學習分析工具設計、學習結果可視化、學習預測與干預等不同研究過程中所涉及的共同關注點，它既是網絡學習者行為活動數據分析的起點，也是觀察和測量學習預測與干預效果的終點。而學習行為分析模型則是指導行為數據分析來源、學習工具設計與學習結果可視化等過程的分析依據。已有的學習分析模型側重系統環節分析，缺少對個性化學習行為活動內容及其分析結果的關聯設計，因此需要圍繞學習行為分析這一關鍵點在個性化、貫一性、有效性方面設計分析模型。

三、學習者個性化行為分析模型的構建

(一)個性化學習模式分類介紹

在個性化學習模式方面，筆者與學習分析研究協會(Society for Learning Analytics Research)的創辦人之一George Siemens教授進行了討論交流，他認為個性化學習模式可以分為五種類型：(1)基于學前分析的個性化學習，即在學習前通過調查數據了解學生個性特征和學習偏好，設計不同的學習材料，該類型搜集的數據屬于靜態學習檔案數據，不能根據學習過程行為的變化進行調整[16]；(2)自定步調的個性化學習，即由學習者根據自身能力情況自定學習時間和進度；(3)基于概念掌握的個性化學習，該類型依據項目反應理論(Item Response Theory，簡稱IRT)通過開展能夠反映學生能力特征的相關測試題來了解學生知識掌握情況。其代表性應用是KNEWTON個性化網絡學習平臺[17]，該平臺能夠根據學生的不同能力、學習特點和行為習慣即時調整學習內容，從而滿足學生的個性化學習需求；(4)教師主導的個性化學習，即教師根據學生個性特點設計課程內容，并對學生個人學習過程和學習結果進行監控，以即時調整學習活動內容。其代表性應用是Smart Sparrow自適應網絡學習平臺[18]，該平臺由教師設計課程學習內容，并為學生定義個性化學習路徑，其最大特點在于其適應性，教師設計課程內容之后的每一步都是在學生學習行為基礎上動態生成的，通過互動反饋可以幫助教師進一步掌握學生學習情況，引導教師實時調整教學內容，進而更好地改善學習效果；(5)計算個性化學習，該類型能夠通過語義方式對學生當前學習內容和狀態做出判斷并通過語義方式計算適合學生的個性化學習方案。其代表性應用是WolframAlpha[19]計算知識引擎，該平臺能夠對學習者要學習的知識通過語義計算并以多種可視化方式提供分析結果。

從這五種個性化學習模式中可以看出，前兩種個性化學習缺少自適應技術的支持，第三種雖然能夠通過即時調整學習內容，但缺少教師在學習活動方面的監控和教學內容的即時調整，而第四種類型尚在探索中未在教育領域中開展有效的實踐應用。因此，第五種模式是未來一段時間內較為理想且有效的個性化學習方式，既有自適應技術滿足學習需求又有教師監控實時調整學習活動。該模式主要解決Benjamin S.Bloom在教育研究領域提出的比較有影響力的“2 sigma”問題[20]，即研究者和教師其中一個重要任務是基于現實和實踐條件尋求能夠采用低成本方式實現小組教學與一對一教學同樣效果的方法。基于大數據、云計算、教育云、學習分析等新興媒體技術，該問題可以得到有效解決。該模式對本研究的啟示包括：(1)實時監控學習活動過程和學習行為，并適時調整學習內容；(2)為教師提供學習結果反饋，幫助教師分析學生學習特征并為其提供個性化學習路徑，發揮其課程主導作用；(3)能夠將個性特征、學習內容和學習行為進行線性分析，提高系統適應性；(4)學習分析采取目標與過程并重的價值取向，并與教學過程相互整合[21]。基于上述分析，本研究將以教師主導的個性化學習為設計思路，設計面向教師監控學習狀態和學生學習結果反饋的個性化行為分析模型。

(二)個性化行為分析模型的構建

要構建個性化行為分析模型需要解決兩方面的問題，一是要分析學習者的個性行為特征，找到反應其個性優勢的分析內容；二是建立學習行為分析內容與學習結果之間的聯結，為后面學習結果的預測分析提供依據。為了解決上述問題，本研究首先依據個性化學習理論和相關文獻建立初步的個性化行為分析模型，之后采用德爾菲法對個性化行為分析內容進行優化，征詢的專家意見包括個性特征分析維度、學習分析內容、學習行為分析、前后線性關系、學習結果分類等內容，征詢形式既包括分析維度和內容的認同感，也包括針對具體分析內容的開放式意見征詢。依據反饋結果對模型進行了修正，最終形成面向學習結果的個性化行為分析模型，如下頁圖1所示。該模型在分析維度上從宏觀到微觀，在分析過程上從內容到結果，由學習者的個性行為特征推演到學習結果分析。其分析過程包括學習體征分析、學習內容分析、學習行為分析和學習結果分析四個過程，并形成內容與結果的邏輯遞進與聯結。其中在個性行為特征分析方面包括學習者個人特征、社交網絡、情感狀態和在線環境等四個維度的學習體征分析；在此基礎上，對學生在數字化學習環境下的學習內容進行分析，并總結其學習行為，最后形成以學習目標層級、學習活動完成度、學習能力層級、交互層次分析和知識圖譜分析的學習結果分類。

四、基于學習行為分析的學習結果分類設計原理

(一)基于學習行為分析的學習結果分類設計原理

要設計學習結果預測模型需要確定學習結果分類及其行為數據，本研究以教學目標分類理論、個性化學習理論和社會認知理論為指導，基于個性化行為分析模型中學習結果的分類設計了以“目標—過程—結果”為思想的學習結果分類設計原理，如圖2所示。其中教學目標分類理論指導分析學習目標層級和學習能力，確定學習者實現的目標層級及其所達到的能力水平；個性化學習分析理論用于指導分析學習活動完成度和參與度，以監控學習活動過程；社會認知理論用于指導分析交互層次和知識圖譜，以了解學生的最終學習結果。

圖1 數字化學習環境下個性化行為分析模型

圖2 基于學習行為分析的學習結果分類設計原理

(二)面向學習結果分類的行為數據分析

1.基于學習目標層級的學習結果分析

基于學習目標的學習結果分類主要依據Benjamin S.Bloom的教學目標分類理論和前面設計的評價量規，將學習目標評價分為六個層級，每個層級依據網絡學習活動設計可記錄的學習行為數據，如圖3所示。例如，在學習目標的知道層級水平上，可以通過學習觀看視頻學習材料的時長、學習次數和通過目標數來判斷學習者是否達到該目標層級水平，其它層級水平采用同樣方式處理。

依據Benjamin S.Bloom的教學目標分類理論，本研究設計了基于學習目標層級的學習評價量規，如下頁表所示。該量規遵循“目標—內容—行為”一致性的邏輯主線，即通過目標推導所需要完成的學習內容，通過評價內容來推導需要記錄的學習行為數據。量規中包括學習目標分類、單項指標分類、評價內容、學習行為數據和權重六個部分。其中學習目標分類是依據教學目標分類理論，評價內容是分析網絡學習平臺中不同的學習模塊內容，學習行為數據是能夠記錄評價內容行為的數據類型。通過將評價量規整合到學習分析系統中可以判斷學生達到的目標層級從而為課程設計提供依據[22]。

圖3 基于學習目標的學習結果分類

基于學習目標層級的學習評價量規表

2.基于學習活動參與度的學習結果分析

基于學習活動參與度的學習結果分類依據學習者在教育云平臺中參加的各類學習活動類型而設計，包括課件點播學習、討論交流、資源下載、在線閱讀、作業與考試等，如圖4所示。在各個活動模塊中，通過不同的行為數據指標對各類活動參與情況進行分析。

3.基于學習活動完成度的學習結果分析

基于學習活動完成度的學習結果分析主要分為活動類型、活動知識點、活動完成時間和活動完成度四個部分。其中活動類型是要明確學習者參與的單元學習活動模塊，如視頻學習、討論交流、在線閱讀、練習考試等[23]；活動知識點是對學習活動中需要評價的知識內容進行設計，如微視頻中的互動問題、學習社區中回答問題、在線作業與練習等[24]；活動完成時間是對學習者完成學習活動的用時統計；活動完成度是依據活動知識點對已完成的內容進行統計，形成一個百分比的統計結果。

圖4 基于學習活動參與度的學習結果分析

4.基于學習能力的學習結果分析

基于學習能力的學習結果分析主要是從學習者反思能力、學習成就等方面進行分析。其中反思能力是對學習者所學知識進行輸出和表達的考察和分析；學習成就是對學習者通過不同學習模塊的學習進行量化評價，了解學習困難者并為其提供學習干預[25]。

5.基于交互層次分析的學習結果分析

基于交互層次的學習結果分析是對學習者與學習平臺、學習內容交互層次的分析，主要從操作交互、信息交互和概念交互三個方面進行分析[26]。其中操作交互反映學習者較少進行網絡學習；信息交互反映學習者瀏覽和學習課程內容，但互動交流較少；概念交互反映學習者課程參與度較高，能夠掌握課程學習內容。在開源工具和平臺的支持下，可以應用學習分析對遠程教學交互進行基于行為數據的分析[27]。

6.基于知識圖譜的學習結果分析

基于知識圖譜的學習結果分析是對學習者的知識點掌握情況進行分析，通過將知識點分為熟練掌握、一般掌握、未掌握等不同級別分析學習者的知識掌握圖譜，并在此基礎上建立學習者的個人知識網絡圖譜，以直觀查看已掌握知識點情況及其知識點之間的相互關系[28]。

五、基于學習行為分析模型的學習結果預測框架

基于前面對學習內容、學習行為數據和學習結果的分析，我們設計了基于網絡學習行為數據的學習結果預測框架，如圖5所示。該框架包括學習內容分析、學習行為分析和學習預測分析三個模塊。其中學習內容分析主要從學習者在網絡學習平臺中的課程內容學習模塊及其評價內容進行分析；學習行為分析主要基于學習模塊對學習活動行為和學習結果行為進行分析；學習預測分析主要是采用聚類分析對不同學習水平的群體進行分類，并采用決策樹、時間序列分析進行預測，預測的結果將反饋到學習管理系統中。通過系統平臺搜集學生數據并應用預測分析得出分析報告，之后對存在問題的學生建立預警檔案并將相關信息發給教師，最后通過在線學習支持環境為其提供學習干預[29]。

企業應當設立信用評估部門，聘請專業人員對客戶的資信狀況進行評估，對客戶的經營能力及償債能力等各項指標進行系統的分析計算，將各個客戶的信用狀況分等級進行歸類整理并且建立檔案，估計出每個客戶應收賬款的收回期限以及其壞賬損失和所需要付出的管理成本，便于企業判斷是否對客戶進行賒銷以及賒銷的數量，對資信情況不好的企業不賒銷，對資信情況較好的企業適量賒銷，這從源頭就降低了賒銷可能帶來的財務風險。

圖5 基于學習行為分析模型的學習結果預測框架

該模型的預測原理是基于學習活動和學習結果兩方面所涉及的六個分類結果，從學習內容分析中選取能夠表征和反應其結果的分析指標，并將各類指標按活動重要性進行權重轉換，形成層級和分值兩種方式預測結果輸出。在預測分析算法上，相對于貝葉斯預測模型，決策樹分析法速度快，計算量相對較小，容易轉化成分類規則。在準確性方面，挖掘出的分類規則準確性高，可以清晰顯示出哪些字段比較重要。在決策樹預測算法上主要采用ID3算法，該算法主要針對屬性選擇問題，是決策樹算法中最具影響和典型的算法。該算法的基本策略包括：(1)創建一個節點，若樣本都在同一類中，則算法停止，該節點改成樹葉節點，并用該類標記；(2)若樣本不在同一類中，選擇一個能夠最好的將訓練集分類的屬性，該屬性作為該節點的測試屬性；(3)對測試屬性中的每一個值，創建相應的一個分支，并據此劃分樣本；(4)使用同樣的過程自頂向下遞歸。在選擇樹叉時，ID3算法是采用信息增益來進行判斷，即選擇具有最高信息增益的自變量作為當前的樹叉，其計算方式為其中I為目標變量，m為不同屬性值，pi是任意樣本屬于m各類別中的概率[30]。通過上述計算方式可以確定決策樹中各個分類樹叉，本研究后面將利用ID3算法對不同學習結果中的分類節點進行計算分析，基于已有數據利用歸納算法生成可讀的規則和決策樹，然后使用決策對新數據進行預測分析。

六、結束語

在教育云服務、網絡學習空間人人通、教育大數據背景下，學習者的網絡學習活動和行為可以得到全過程的記錄和監控，并由此形成以學習者為中心來自其學習活動、社交網絡、情感狀態等多維信息的立體化數據。而基于學習者肖像特征數據進行學習分析并對其學習結果進行預測，則可以發現存在學習障礙和困難的學生，這為學習補救和學習干預提供了數據支持，由此可以為學習者提供符合其個性特征的學習路徑和學習服務。本研究通過構建個性化學習分析模型并據此設計學習結果預測框架旨在描繪數字化學習環境下開展學習行為分析及其結果預測的理論路線。后面我們將依據該模型和框架，基于教育服務平臺設計個性化學習分析工具，并通過儀表盤形式將學習活動和結果進行可視化呈現，為教師及時調整教學內容和提供個別化指導提供科學依據。

[1] The 3th International Conference on Learning Analytics and Knowledge [EB/OL].https://tekri.athabascau.ca/analytics/,2013-04-08.

[2] The 5th International Conference on Learning Analytics andKnowledge[EB/OL].http://lak15.solaresearch.org/,2015-03-16.

[3] Xavier Ochoa, Dan Suthers, Katrien Verbert, Erik Duval.Analysis and Reflections on the Third Learning Analytics and Knowledge Conference (LAK 2013)[J].Journal of Learning Analytics,2014,1(2):5-22.

[4] Baker, R., Duval, E., Stamper, J., Wiley, D., & Buckingham Shum, S.Panel: Educational Data Mining Meets Learning Analytics [A]. Dawson,S.,Haythornthwaite,C.,Shum,S.,Ga?evi?,D.&Ferguson,R.Proceedings of the 2nd International Conference on Learning Analytics and Knowledge[C].New York: Association for Computing Machinery,2012.3-5.

[5] Siemens, G. What are Learning Analytics?[EB/OL].http://www.elearnspace.org/blog/2010/08/25/what-are-learninganalytics/,2010-08-25.

[6] Johnson, L., Smith, R., Willis, H., Levine, A., Haywood, K. The 2011 Horizon Report [R].Austin, Texas:The New Media Consortium.2011.28.

[7] 李艷燕,馬韶茜等.學習分析技術:服務學習過程設計和優化[J].開放教育研究,2012,18(5):18-24.

[8] 李青,王濤.學習分析技術研究與應用現狀述評[J].中國電化教育,2012,(8):129-133.

[9] George Siemens. Learning Analytics: The Emergence of a Discipline[J].American Behavioral Scientist,2013,57(10):1380-1400.

[10] Katrien Verbert, Erik Duval1, Joris Klerkx1, Sten Govaerts, José Luis Santos. Learning Analytics Dashboard Applications[J].American Behavioral Scientist,2013,57(10):1500-1509.

[11] Tanya Elias. Learning Analytics: The Definitions, the Processes, and the Potential[EB/OL].http://learninganalytics.net/LearningAnalyticsDe finitionsProcessesPotential.pdf/,2011-12-26.

[12] Dirk Ifenthaler,Chathuranga Widanapathirana. Development and Validation of a Learning Analytics Framework:Two Case Studies Using Support Vector Machines[J].Technology, Knowledge and Learning,2014,19(1):221-240.

[13] 姜強,趙蔚等.基于大數據的個性化自適應在線學習分析模型及實現[J].中國電化教育,2015,(1):85-92.

[14] 馮翔,余明華等.基于大數據技術的學習分析系統架構[J].華東師范大學學報(自然科學版),2014,(2):20-29.

[15] 郁曉華,顧小清.學習活動流:一個學習分析的行為模型[J].遠程教育雜志,2013,(4):20-28.

[16] ELEARNSPACE: Learning, Networks, Knowledge,Technology,Comm unity[EB/OL].http://www.elearnspace.org/blog/2015/07/02/personallearning-graphs-pleg/,2015-07-02.

[17] KNEWTON個性化網絡學習平臺[EB/OL].https://www.knewton.com/,2015-09-07.

[18] Smart Sparrow自適應網絡學習平臺[EB/OL].https://www.smartsparrow.com/,2015-09-10

[19] WolframAlpha計算知識引擎[EB/OL].https://www.smartsparrow.com/,2015-09-12.

[20] Bloom B S. The 2 sigma problem:The search for methods of group instruction as effective as one-to-one tutoring[J].Educational researcher,1984,13(6): 4-16.

[21] 朱珂,劉清堂.基于“學習分析”技術的學習平臺開發與應用研究[J].中國電化教育,2013,(9):127-132.

[22] Gibson A, Kitto K, Willis J. A Cognitive Processing Framework for Learning Analytics[A].Pistilli,M.,Willis,J.,Koch,D.,Arnold,K.,Teasl ey,S.&Pardo,A.Proceedings of the Fourth International Conference on Learning Analytics and Knowledge[C].New York:Association for Computing Machinery,2014.212-216.

[23] Tempelaar D T, Rienties B, Giesbers B. In search for the most informative data for feedback generation: Learning Analytics in a datarich context [J].Computers in Human Behavior,2015,47(6):157-167.

[24] Anna Lea Dyckhoff, Dennis Zielke, Mareike Bültmann, Mohamed Amine Chatti，Ulrik Schroeder. Design and Implementation of a Learning Analytics Toolkit for Teachers[J].Educational Technology &Society,2012, 15(3):58-76.

[25] Brooks C, Greer J. Explaining Predictive Models to Learning Specialists Using Personas[A].Pistilli,M.,Willis,J.,Koch,D.,Arnold,K.,T easley,S.&Pardo,A.Proceedings of the Fourth International Conference on Learning Analytics and Knowledge[C].New York:Association for Computing Machinery,2014.26-30.

[26] 陳麗.遠程學習的教學交互模型和教學交互層次塔[J].中國遠程教育,2004,(3):24-28.

[27] 孫洪濤.學習分析視角下的遠程教學交互分析案例研究[J].中國電化教育,2012,(11):40-46.

[28] Gunnarsson B L, Alterman R. Predicting Failure: A Case Study in Co-blogging[A].Dawson,S.,Haythornthwaite,C.,Shum,S.,Ga?evi?,D.&Ferguson,R.Proceedings of the 2nd International Conference on Learning Analytics and Knowledge[C].New York:Association for Computing Machinery,2012.263-266.

[29] Sandeep M. Jayaprakash, Erik W. Moody, Eitel J.M.Lauría, James R. Regan,Joshua D. Baron. Early Alert of Academically At-Risk Students: An Open Source Analytics Initiative[J].Journal of Learning Analytics,2014, 1(1):6-47.

[30] (美)Mehamed Kantardzic,王曉海.數據挖掘:概念、模型、方法和算法(第二版)[M].北京:清華大學出版社,2013.121-122.

責任編輯：李馨 趙云建

征稿通知：2016年21世紀的混合式學習國際會議

2016年“21世紀的混合式學習國際會議”將于2016年4月22日-26日在希臘卡瓦拉（Kavala, Greece）舉行，本屆會議是“混合式學習國際協會”首次在希臘舉辦，秘書處成員分別來自加拿大、沙特阿拉伯、希臘、美國、塞內加爾、中國和馬來西亞。

本次會議是在技術與互聯網飛速發展的時代下，在混合式學習領域的研究、經驗與實踐做法等領域，吸引全球教育界的專家、學者、教師和技術人員投稿，分享個人或機構在該領域的最新發現與創新。當社會發展的腳步進入21世紀后，我們看到新一代的學習者在日常生活中隨處使用技術，而與此同時，數字化資源隨時隨地可以獲取。教育和培訓工作者在設計混合式學習時需要考慮到這些因素。本屆大會的主題之一就是關注設計混合式學習的最佳范例和指南。實施混合式學習要依賴于技術，而新技術的出現，也幫助教育培訓工作者更好的實施混合式學習。采用何種技術來實施高質量的混合式學習？在使用混合式學習方面開展了哪些研究？本屆大會的另一個主題就是回答如何在混合式學習中使用技術。

隨著時間的推移、技術的發展，我們需要探討混合式學習未來要扮演何種角色。對于學習者來說，混合式學習如何才能更加有效地激發學生的學習？影響混合式學習的未來趨勢是什么？大學計劃如何嵌入混合式學習？關于混合式學習當前的研究如何能夠影響其未來的實踐？這些都將在本次大會中得以深入全面地闡釋。

長期以來，企業培訓都采用面授的方式，但是隨著數字媒體的出現和發展，各種學習平臺的使用及學習內容的發布方式多樣化，混合式學習將在企業培訓中發揮越來越大的作用。

本次大會側重于深入了解教學法，這是教學實踐、教學方法、教學策略和教學心理及信條的指南。實踐做法也是大會要討論的主題，任何關于學習和培訓工具以及實踐做法的成功經驗均可以成文分享。

長篇論文不超過8頁、短片論文不超過4頁、輔導手冊不超過2頁、海報1頁、企業展板2頁。

會議的重要日期如下：

(1)參會提前注冊的最后截止日期：2016年1月10日

(2)長短論文的投稿截止日期：2016年1月10日

(3)輔導手冊和企業展板投稿截止日期：2016年1月10日

(4)錄用通知日期：2016年2月1日

(5)照相制版提交日期：2016年2月30日

(6)演講稿和材料提交日期：2016年3月30日

(7)大會召開日期：2016年4月22日

聯系方式：論文提交地址Agnieszka Palalas

＜agaizabella@rogers.com＞

The Design Research of Learning Outcomes Prediction Based on the Model of Personalized Behavior Analysis for Learners

Wu Fati, Mou Zhijia
(School of Educational Technology, Faculty of Education, Beijing Normal University, Beijing 100875 )

It is internal purport for recording and analysis of the data that is generated by learners and their contexts and providing personalized learning service in the aspect of promoting effective learning under the educational background of big data. The real time modeling is required to achieve the assessment of learning status, early warning as well as intervention. The existing problems were summarized by combing analysis for learning analysis model at domestic and abroad in this paper. And we built a personalized behavior model applying in the digital environment based on the personalized learning patterns and related literature. In addition, we designed learning outcome classification principles with the idea of “target-process-results” in the guidance of instruction theories which included teaching target classification theory, personalized learning theory and social cognitive theory. The type of behaviors was also analyzed at all levels. Finally, the learning outcomes prediction framework was designed based on learning behavior analysis model and learning results. The framework included learning content analysis, learning behavior analysis and learning prediction analysis, which could provide theoretical guidance for the design of personalized learning analysis tools.

Learning Analysis Model; Personalized Learning Pattern; Learning Behavior Analysis; Learning Objectives; Learning Outcomes Prediction

G434

：A

1006—9860(2016)01—0041—08

武法提：教授，博士生導師，研究方向為數字化學習環境與學習資源設計(wft@bnu.edu.cn)。

牟智佳：在讀博士，研究方向為數字化學習技術與環境(ambitionyt@163.com)。

2015年9月23日

* 本文系2014年全國教育科學“十二五”規劃教育部重點課題“基于教育大數據的學習分析工具設計與應用研究”(課題編號：DCA140230)、2014年北京師范大學自主科研基金重點項目“電子書包中基于大數據的學生個性化信息挖掘與應用研究”(課題編號：00305-310400080)和2015年國家留學基金委建設高水平大學公派研究生項目研究成果。