學習者模型可視化認同感分析與效能評測

姜強 潘星竹 趙蔚 王朋嬌

[摘? ?要] 基于社會比較理論，學習者模型可視化不但有助于自我改進、強化及評價，具有元認知和自我調節學習價值，而且還能內化同伴的學習知識，激發學習動機，提升自我效能感，促進高階思維發展。以美國匹茲堡大學的MasteryGrids自適應學習系統為例，利用問卷調查法，從有用性、感知性等方面對學習者模型可視化進行認同感分析，并采用曼惠特尼U檢驗分析方法和實驗控制組對其效能進行評測。結果表明，學習者模型可視化所具有的特性驗證了期待和信仰，可為在線個性化學習環境設計提供理論依據，尤其是解決學生持續學習能力差和低完課率等實際問題，確保在線教育的成功實施。

[關鍵詞] 學習者模型; 可視化; 社會比較; 認同感; 效能

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 姜強（1978—），男，遼寧丹東人。副教授，博士，主要從事個性化自適應學習研究。E-mail：jiangqiang @nenu.edu.cn。

[Abstract] Based on the social comparison theory， the visualization of learner model not only contributes to self-improvement， reinforcement and evaluation， but also has the value of metacognition and

self-regulated learning. In addition， it can internalize the learning knowledge of peers， stimulate the learning motivation， enhance the sense of self-efficacy， and promote the development of high-order thinking. Taking the MasteryGrids adaptive learning system of the university of Pittsburgh in America as an example， this study adopts questionnaire survey to analyze the identification of the visualization of the learner model from usefulness， perception and other aspects， and uses Whitney U test and experimental control group to evaluate its efficiency. The results show that the characteristics of the visualization of the learner model verify the expectation and belief， which can provide a theoretical basis for the design of online personalized learning environment， especially for solving practical problems such as students' poor continuous learning ability and low completion rate to ensure the successful implementation of online education.

[Keywords] Leaner Model; Visualization; Social Comparison; Identification; Efficiency

一、引? ?言

隨著大數據學習分析技術、智慧教育的發展，個性化自適應學習將成為大數據時代數字化學習的新常態，教育技術研究的新范式[1]。學習者模型是實現個性化自適應學習的基礎，是系統個性化的核心驅動器，支持知識自適應呈現和自適應導航，一方面為學習者提供最適合的資源，另一方面避免了網絡學習迷航與認知負荷等問題。目前多數關于學習者建模研究表現在學習者的學習風格、興趣背景、認知水平、學習行為等個體特征[2]，忽略了人類學習的社會性。人類是社會性動物，形同“孤島”環境中的學習將會有礙學習者知識和技能的形成、情感和價值觀的塑造。在學習過程中，需要學生不斷與同伴進行社會性學習比較，產生期待效應和個人行為動力，獲取對自身穩定的認識，形成自我完善和自我滿足，有效提高學生的學習成效。本文試圖在闡述社會比較理論的基礎上，研究它對學習者模型設計的啟示及其認同感與效能評價分析，以期促進學生知識發展、學習投入、動機等。

二、社會比較理論

社會比較指將自己與他人進行比較，無意識地、自發地產生，其過程信息具有基本的進化價值，影響獲得自我的知覺和評價以及自我提升、自我增強，準確了解自己的能力和局限性，一定程度上決定了自我概念、情緒狀態和對未來的期望[3]。美國社會心理學家費斯廷格在社會比較理論中，提出了與他人比較學習能力、信念、態度等時會產生情感、認知、行為三種后果，并產生自我評價、自我強化、自我改進三種學習動機[4]。美國心理學家班杜拉在社會學習理論中提出，通過觀察別的個體學習過程能夠獲得或失去某種學習行為，社會化學習有助于促進取得更好的成績、改變動機、高階思維發展、高滿意度及自我尊重。蘇聯心理學家維果斯基在社會發展理論中明確了社會交互將會影響到認知發展，學生最近發展區體現在教師或同伴協作幫助下執行學習任務與獨立解決問題之間[5]。美國社會革新論者庫利在《社會組織》一書中提出，人的行為很大程度上取決于對自我的認識，而這種認識主要是通過與他人的社會交互形成，他人對自己的態度、評價等是反映自我的一面“鏡子”，個人通過這面“鏡子”認識和把握自己。奧地利裔美國社會學家舒茨在人際需要理論中提出，學生學習不是個體行為，而是群體行為，同伴學習信息可以提供導航支持。同伴是最好的教師，通過查看同伴信息，進行比較，有利于提高學習動機，改善教育活動參與度。

此外，人類學研究表明，學習者與同伴在互動比較過程中能夠習得抽象的社會行為、信念與角色，進而適應特定的社會文化定勢，跟上位學習者進行比較，會取得更好成績，使學生的知識水平發生變化，如初級可以轉變為中級，中級轉變為高級。教育神經科學研究也證明，社會比較是構成人類學習的關鍵屬性，引領學習環境設計的革新，是促進學習的強效活性劑。總之，通過與同伴的學習比較，不僅能夠清晰了解到學習差距，更重要的是能夠從同伴學習中獲取到信息、知識和觀念，促進社會規范在個體身上的內化、達到相互感染而奮發向上的一種教育方式。正如孔子所說“三人行，必有我師”“擇其善者而從之”及孟子的“近朱者赤”。

三、社會比較下學習者模型可視化

社會比較的價值強化了有必要開啟原有封閉式的“黑匣子”學習者模型，做到自我、教師、同伴及社會多種角色均能訪問查看，實現學習者模型可視化（Learner Model Visualization，LMV），顯性呈現學習者模型信息，并進行對比學習交流，不但可以理解自己，也能了解他人。

（一）解讀LMV

LMV通常也稱為開放學習者模型（Open Learner Model），是一種個性化工具，被圖形化，很容易被理解。可采用很多方式建構LMV，比如采用進度條方式顯示學生掌握知識程度，其中箭頭方式表示學生知識程度，箭頭顏色代表了知識概念重要性程度，箭頭數量表示概念知識水平;也有采用技能表通過顏色標注學生理解正確的內容、理解錯誤的內容及未學習的內容。此外，更高級可視化方式，如模糊邏輯模型的文本解釋、樹形層級結構、貝葉斯網絡圖形表示、概念圖譜等，勾勒出與學生相關的概念及概念間關系總體視圖。LMV具有社會比較可視化功能，允許學生觀看和反思自己的學習進展、知識掌握程度，以及學習活動，同時也能看到同伴學習信息，發現優秀學生，跟同伴學習知識、學習進展、學習績效以及內涵出來的興趣偏好進行比較，產生跟隨。教師也能透視學習者在線學習行為，認識并理解最“真實”的學生，復習、重新設計教學策略，有針對性地給予個性化干預指導，從而有利于提高學習動機和學習參與，能夠有效提高學習質量[6]。

LMV不僅實現了跟同伴信息進行比較，同時也能同自己的歷史學習痕跡進行比較，也即時間比較。正如美國心理學家亞當斯在《社會交換中的不公平》等著作中提出的，處在極限目標比較的學生由于成績繼續上升的空間不大，引導他回頭查看自己的學業成績，能夠進一步提升學習動力。此外，LMV具有多項功能，如促進元認知活動，如反思、計劃和自我監控;允許學習者自我控制，鼓勵學習獨立性;促進協作或競爭;促進學生與同伴、教師、家長交互;促進資源、聯系、問題或任務等導航;支持評價，尤其提供形成性和總結性評價;增強學習者模型數據準確性;提供學習者信任度;自身有權訪問數字化數據。

值得關注的是，LMV的重要應用之一在于對個性化學習路徑的可視化顯示，引導學生有目的、有步驟開展自我學習[7]，同時有助于教師觀察每個學生知識掌握動態變化，并作及時判斷[8]。基于LMV所表現先前知識與自適應學習分析技術，圖1顯示“學生甲”的概念知識點測試及學習序列，從中能夠清晰看出自己強項和弱項，也能激發學生思考所傳遞信息的正確與否，回顧學習歷程。

“學生甲”的知識點測試與學習的可視化路徑為Q3（S1）—>Q7（S1），Q3（S2）—>Q10（S2），Q1（S3）—>Q4（S3），Q9（S3）—>Q10（S3）。其中R1為“True（是）”，表明了學生對領域知識1具有一定先前知識，學習測試將從問題Q3開始，R2為“True（是）”，表明了學生已經掌握了領域知識1，不需要完成其后續知識，可以跳轉到領域知識2，R3為“False（否）”，表明了學生需要按著常規學習路徑進行學習，R4為“True（是）”，表明了學生在領域知識3中可以進行跳躍式學習。

（二）LMV研究現狀

國外關于LMV問題研究起步較早，英國伯明翰大學Susan Bull教授很系統地研究了學習者模型可視化，描述了在自適應學習環境中，應用開放學習者模型框架，并采用了眼動研究實驗方法，結果表明，學習者模型可視化有助于看到自己的知識掌握程度，提高學習者元認知能力，促進自適應知識學習導航，發現學生的迷思概念，有助于更好地評價學習[9]。美國卡耐基梅隆大學Yanjin Long 和 Vincent Aleven兩位博士利用智能導學系統，通過練習小學數學計算題實驗研究，證明了LMV能夠有效促進學習成績提高，同時能夠更好地支持元認知和自我調節學習[10]。美國匹茲堡大學I-Han Hsiao在其博士論文中，將LMV應用到多個自適應學習系統中，如SQL-tutor、QuizGuide、Comtella、JavaGuide、KnowledgeSea、Progressor、QuizMAP、Parallel IntrospectiveViews等，分析LMV使用的易用性、學習的易用性及分享學習信息涉及個人隱私等問題，研究結果表明LMV支持學習內容導航，提高學習動機，增強學習質量[11]。泰國研究者Nilubon Tongchai也強調了將LMV嵌入到Moodle中，展開的混合式學習模式，不但利于提高學生學習成績，而且利于教師監控學生的學習過程[12]。澳大利亞學者YongWee Sek等人把LMV作為一種有效的個性化可視化工具，利于提升自我反思，目的在于提高教與學[13]。希臘比雷埃夫斯大學的Fotis Lazarinis和Symeon Retalis兩位學者研究表明，LMV支持教學決策，有助于創建一個更可信的學習者模型，促進學習過程，便于學生深度理解學習優勢和不足[14]。新西蘭坎特伯雷大學的Antonija Mitrovic提出了在基于約束模型建構的智能導學系統中嵌入LMV，能對學習績效和元認知技能產生重要的積極影響，有助于學生選擇學習知識點，提高自我評價能力[15]。

與國外相比，國內關于學習者模型可視化問題研究較少，處于發展階段。華東理工大學的胡慶春和黃勇兩位學者采用問卷調查方式，研究表明，LMV有助于促進在線學習中同伴交互評價[16]。王麗萍博士從開放的目的、開放的內容、開放的形式和開放的對象等四個角度分析和描述了學習者模型可視化問題，提出了LMV有助于協作與競爭，促進學習者反思、規劃和監督學習，提高學習績效[17]。

（三）LMV的價值：元認知和自我調節學習

元認知是認知的高階思維，與認知知識、規則和監控相關，包括推理和反思學習活動，控制認知技能和過程，思考、檢測和調整思維、問題解決方法和學習習慣，已被教育、心理和人工智能等學科領域廣泛吸納，尤其探究支持元認知技能發展的方法，如自我解釋、反思。LMV能夠通過顯性和隱性方式呈現學習信息，且能與同伴學習進展、績效等信息進行比較，提供自我反思、評價和監督機會，培養元認知能力，從而支持深度學習，發現知識學習中存在的內隱不足。通常，用于支持元認知的LMV事件表現在捕獲、記錄等行為上，比如LMV相關的學生行為和交互日志為元認知提供了關鍵證據源，有助于學習者認識到自己的元認知過程。一個潛在任務是基于數據挖掘技術，利用LMV去解釋和評價元認知行為。通常，可以采用自我報告、活動日志、學生與系統交互中的反饋推斷等3種技術方法測量元認知，實時獲取到自我報告元認知狀態，以便更好地理解學習中存在的弱點，有助于更好地計劃學習活動，同時呈現學習者及同伴的學習行為序列，更好地監控和計劃學習任務，進而支持元認知過程，促進發展元認知技能。

自我調節學習具有元認知、動機和行為執行者等關鍵特征，在元認知過程中，學生能夠制定計劃、目標，組織、自我監控和評價，學習選擇和執行策略，從而獲得技能;在動機過程中，學習者具有高度自我效能感，自我歸因和內在任務興趣;在行為過程中，學習者能夠選擇結構，創建環境，優化學習。英屬哥倫比亞大學Butler提出了自我調節學習四階段：知識和信仰、目標選擇、策略和監控[18]。LMV有助于四階段發展，比如知識和信仰，LMV可以向學生自我效能感信度設計抵觸信息，學習者可以跟其他同伴信息進行比較，有助于提高自我信念。關于目標，LMV所呈現的反饋信息能幫助學生設定目標，在導航內容中作出一個好的抉擇;確定一個適當的策略去達到目標可能是困難的，尤其當學習者不是很熟悉學習任務的時候，LMV能夠使用其他學生的學習歷史信息實施導航幫助;監控學習過程需要LMV中的反饋信息（如當前目標、學習活動進展）支持。

四、學習者模型可視化認同感分析

盡管已有研究證明了LMV有助于提高教與學效率以及從理論層面上體現了LMV價值，然而采用LMV是一個非常復雜的過程，受到很多相關因素的影響，比如個體學習偏好特征和在線接口特征，將會直接影響學習者使用LMV的態度。其中學習偏好指接受、處理、評價、理解和利用新技術技能，因此，有必要重點調查分析學習者對LMV使用的認同感，進而優化LMV設計。

（一）研究設計

本研究主要從有用性、感知性等方面調查分析學生對LMV的認同感，采用李克特5分制量表，從“1”代表“極不同意”到“5”代表“非常同意”。選取了合作導師美國匹茲堡大學國際知名自適應學習研究專家Peter Brusilovsky團隊研究中心（Personalized Adaptive Web System，PAWS）——MasteryGrids自適應學習系統[19]，內嵌開放學習者模型，實現學習信息可視化（如圖2和圖3所示）。其中，如圖2主要顯示了學生在MasteryGrids中“SQL數據庫”課程學習進展及掌握情況（深色代表著知識掌握程度高），圖3顯示了學習者與班級學習進展比較，同時能清晰看出個體在整個班級學習中所處的位置。

以 “SQL數據庫”課程學習為例，有103名學生（大學三年級和碩士研究生）參與實驗，其中14人從未登錄Mastery Grids系統，被排除。對剩余89人進行調查分析，其中有43人未采用LMV（組1），45人采用LMV（組2）。最后，通過IBM SPSS軟件對兩組學生關于LMV的認同感進行描述性統計。

（二）數據統計分析

1. LMV的有用性分析

依據圖2，同時對兩組學習者進行調查分析，結果見表1。

由表1可知，組1（未采用LMV）對LMV有用性評價總體均值為3.68，而組2（采用LMV）對LMV有用性評價總體均值達到3.93，且該組學生對多個問題評價均值都超過4.0。顯然，組2給出了更為正向積極的答案，多數人認為LMV能夠有助于更好地理解知識組織結構，看清自身的學習弱點以及愿意看到自己的學習進展，并表示了采用不同強度的綠色進行標注更易理解等。但是在問到LMV是否有助于制定學習計劃的環節時，從反饋均值可以看出LMV的作用不是很明顯。此外，問卷反饋中第3個問題兩組答案差異最大，進一步證明了學生非常渴望能夠跟蹤并監控自己的學習進展。

2. LMV的感知價值分析

依據圖3，分別對兩組學習者進行調查分析，結果見表2和表3。

根據表2（組1學生對LMV的感知價值反饋結果）和表3（組2學生對LMV的感知價值反饋結果）中的評價結果，可知表2中第1問題均值與表3中第2、3和5問題均值差異比較明顯，說明組2學生更加肯定LMV的感知價值。值得關注的是，表2中第2問題均值與表3中第10問題均值差異不明顯，說明了LMV激發學生學習積極性不是非常強。

表3中第2、3和5等三個問題描述了與小組學習進展的比較，第6、8等兩個問題描述了同伴學習進展信息，從反饋均值看學生對LMV給予了肯定判斷，認可LMV價值特性。從第4、9等兩個問題反饋均值看，學生認同采用顏色不同程度標注學生的學習進展及對知識的掌握程度。表3中第12個問題是一個消極問題，從反饋均值結果看，通常學生不認可社會比較學習后所產生的負面影響。另外發現，第11個問題反饋均值較低，說明學生比較看重個人隱私信息，類似第13個問題，從反饋均值看更加證實了要注重保護信息隱私，這涉及倫理道德問題。

此外，在開放式問題中，多數學生也對LMV給出了積極肯定觀點。正如有的同學表示，“從開始，我就感覺它非常有用，使我有權力查看他人的學習模型，進行學習比較，引發學習思考，同時也允許他人訪問我的學習模型，非常公平”“利用它可以看到同伴出現的迷思概念，能夠警惕自己避免犯同樣的錯誤”“有了它，我可以很輕松找到同伴，尋求學習上的幫助，幫我解決困難問題”等。當然也有個別學生表達了否定觀點，如“是否能查看到同伴的學習進展沒有關系，我有我自己的學習計劃，只關心自己的學習情況就好”“我不想將自己的學習模型信息向同伴開放，因為不想自己的學習等級水平成為他人衡量學習成績高低的標桿”等。

五、學習者模型可視化效能評測

（一）學習效率分析

本研究采用曼惠特尼U檢驗分析方法，針對組1（未采用LMV）和組2（采用LMV）的4周學習，主要從作用在不同實例上的學習時間（單位：分鐘）分析LMV對學習效率的影響，統計結果見表4。

從表4中看出，兩組在學習每個實例、問題、活動及查看知識結構等所用時間存在顯著差異，組2學生所用時間要低于組1，學習效率要高，尤其在查看知識結構方面差異最大。究其原因在于，LMV具有社會導航支持的作用，為學習者提供可視化學習路徑、內容;同時，通過LMV可查看他人的學習信息，有助于促進學習動機，引導學生試圖超越他人的想法。

（二）學習成績分析

本研究組1（未采用LMV）定為控制組，組2（采用LMV）定為實驗組，實驗分析前，每位學生進行前測，規定至少嘗試做5道題，排除個別差異，最終確定組1為41人，組2為42人，且兩組學生的知識水平沒有顯著差異。同時，根據每個學生的成績確定了每組學弱生和學優生，其中前測分數低于平均值25%為學弱生，其他為學優生，結果顯示，組1中有學弱生29人，學優生12人，組2中有學弱生23人，學優生19人。在4周的學習過程中，兩組學生都進行后測，部分數據分析結果見表5。

從表5看出，組2中學弱生學習成績提升最為明顯，由前測2.7提高到后測6.2，而學優生學習成績提升效果不明顯，且組1和組2中的學優生學習成績并沒有顯著性差異，分析原因在于，學弱生更傾向于利用LMV作為學習工具，學優生自我調節學習能力強，有時會按照自己的意愿學習，忽略了LMV給出的學習導航。由此可見，LMV對學弱生學習干預指導更有作用。此外，表中數據顯示拋棄問題數量和嘗試解決問題次數，組2學生對應比組1學生要少，原因在于，LMV提供了鼓勵反思、自我評價的機會，幫助學生進行自我調節學習和社會比較學習，從而可以掌控自我學習，選擇活動序列，使學習效率更高。

六、結? ?語

本研究通過文獻述評、理論探討、問卷調查及實驗對比分析，充分肯定了社會比較視域下的學習者模型的可視化價值。首先，它有助于理解和控制系統適應性，同時，利于學生感知自己的學習信息，包括已掌握概念和迷失概念;其次，學生能夠積極參與到模型建構過程中，提高了學習過程中的自我意識、自我控制，有助于學習者在面臨失敗時，作出更好的自我判斷;第三，LMV能夠促使學生審視自己的知識能力，有助于取得更好的元認知水平，促進自我調節學習，同時允許學習者查看同伴學習進展，跟班級其他學生進行比較，提高學習動機。此外，通過實驗對比分析證實了LMV對學弱生學習更有幫助，在問卷調查中數據顯示學生對LMV給出了肯定評價。當然，LMV也存在不足之處，比如，若LMV呈現教學資源（學習信息）很復雜，難以理解，使學生產生挫折和不滿意，干擾學生使用LMV;再或者部分學生會感覺到向同伴或教師分享學習進展很不舒服，尤其跟比自己強的人比較時會產生嫉妒、敵意、挫折等消極的情感體驗，同時產生自卑感。針對上述現象，如何做到精準預測并實施有效的干預和疏導，將是下一步研究工作的內容。

[參考文獻]

[1] 姜強，趙蔚.個性化自適應學習研究——大數據時代數字化學習的新常態[J].中國電化教育，2016（2）：25-32.

[2] 菅保霞，姜強，趙蔚，李勇帆.大數據背景下自適應學習個性特征模型研究——基于元分析視角[J].遠程教育雜志，2017（7）：87-96.

[3] 郭淑斌，黃希庭.社會比較的動力： 動機與傾向性[J].西南大學學報（社會科學版），2010（4）：14-18.

[4] FESTINGER L. A theory of social comparison processes[J]. Human relations， 1954（7）： 117-140.

[5] VYGOTSKY L S. Mind and society： the development of higher mental processes[M].Cambridge， MA： Harvard University Press，1978.

[6] 姜強，趙蔚，李勇帆，李松. 基于大數據的學習分析儀表盤研究[J].中國電化教育，2017（1）：112-120.

[7] 姜強，趙蔚，李松，王朋嬌.大數據背景下的精準個性化學習路徑挖掘研究——基于AprioriAll的群體行為分析[J].電化教育研究，2018（2）：45-52.

[8] 徐墨客，吳文峻，周萱，蒲彥均.多知識點知識追蹤模型與可視化研究[J].電化教育研究，2018（10）：53-59.

[9] BULL S. Student models that invite the learner in： the smili open learner modeling framework[J].International journal of artificial intelligence in education， 2007，17（2）：89-120.

[10] YANJIN L，VINCENT A. Supporting students self-regulated learning with an open learner model in a linear equation tutor[C]//Artificial intelligence in education. Berlin Heidelberg：Springer-Verlag， 2013：219-228.

[11] I-HAN H. Navigation support and social visulization for personalized e-learning[D]. Pittsburgh：University of Pittsburgh，2012.

[12] TONGCHAI N. Impact of self-regulation and open learner model on learning achievement in blended learning environment[J].International journal of information and education technology， 2016，6（5）：343-347.

[13] YONGWEE S. Investigating learner preferences in an open learner model program： a Malaysian case study[C]// The 25th Australasian conference on information systems. New Zealand： Auckland University Press， 2014：1-9.

[14] LAZARINIS F， RETALIS S. Analyze me： open learner model in an adaptive web testing system[J]. International journal of artificial intelligence in education， 2007，17（3）： 255-271.

[15] MITROVIC A. Evaluating the effects of open student models on learning[C]//Adaptive hypermedia and adaptive web-Based systems. Berlin Heidelberg：Springer-Verlag，2002：296-305.

[16] QINGCHUN H， YONG H. The design of open learner model to improve interaction of peer assessment in online learning[C]//The 10th international conference on computer science & education. UK：Cambridge University Press，2015：310-315.

[17] 王麗萍，趙蔚等. 開放性社會學習者模型的研究進展視圖[J].現代遠程教育研究，2015（2）：104-112.

[18] BUTLER D L. Feedback and self-regulated learning： a theoretical synthesis[J]. Review of educational research，1995，65（3）：245-281.

[19] BRUSILOVSKY P. The value of social： comparing open student modeling and open social student modeling[C]//User modelling， adaptation and personalization. Switzerland： Springer-Verlags， 2015：44-55.