學習分析對自我調節學習的影響機理研究

徐曉青 趙蔚 劉紅霞 姜強 李綠山 程諾

[摘? ?要] 近年來，眾多學者將學習分析應用于自我調節學習以優化學習過程和學習效果，但當前學習分析的應用多以數據為驅動，尚未涉及學習者內在要素的變化規律，無法得知學習分析是如何影響自我調節學習的。為回答該問題，研究首先基于現有研究和理論歸納學習分析與自我調節學習的內在聯系。其次，以學習分析的普遍應用模式為背景，收集學習者自我調節學習后的反思和訪談數據，利用認知網絡分析和語義分析挖掘自我調節學習受學習分析影響的要素變化規律和各階段觸發特征。最后，總結變化規律和觸發特征得到學習分析對自我調節學習的影響機理。結果表明，學習分析介入后，切實促進了自我調節學習各要素的融合，且在自我調節學習的不同階段，學習分析觸發自我調節學習發生的起點和路徑存在差異。研究結論為促進學習分析更深入地支持自我調節學習提供了發展方向和理論依據。

[關鍵詞] 學習分析; 自我調節學習; 質性研究; 認知網絡分析; 影響機理

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 徐曉青（1995—），女，山東濰坊人。博士研究生，主要從事學習分析、自我調節學習研究。E-mail：xuxq271@nenu.edu.cn。趙蔚為通訊作者，E-mail：zhaow577@nenu.edu.cn。

一、引? ?言

教育信息化提高了自我調節學習（Self-regulated Learning，SRL）對學習成效的影響。學習分析基于SRL模型從不同階段和要素支持、優化自我調節學習[1]。然而，學習分析如何促進自我調節學習、促進的程度如何等問題一直未得到解答。因此，學習分析在自我調節學習中的應用始終停留在數據驅動的層面，未能從內核發現學習分析支持自我調節學習的融合路徑。數據驅動的研究著眼于相關關系而忽視因果關系，難以發現學習分析對自我調節學習的影響機理。因此，我們要跳出數據驅動的研究范式，以挖掘學習分析支持自我調節學習的內在機理為最終目標，回答學習分析如何影響自我調節學習這一問題。質性研究方法符合該需求，它能夠探尋事物是如何發生或為什么發生等問題，幫助我們理解事物的內在運行規律[2]。因此，本研究采用質性研究方法從SRL要素變化規律和觸發特征探究學習分析如何影響自我調節學習并總結影響機理，為相關研究提供借鑒與啟示。

二、學習分析與自我調節學習的內在邏輯

要探索學習分析對自我調節學習的影響機理，首先要厘清兩者的邏輯關系。社會認知理論認為，認知是由行為（如打開網頁）和環境（如教師反饋）因素相互決定的。這意味著任何利用技術優化學習的教學模式，不僅涉及技術問題，還涉及學習者的內部因素和行為模式。因此，要研究學習分析對自我調節學習的影響，需要著眼于學習者的內在要素，探索學習分析與SRL各要素的關聯關系。目前，學習分析在自我調節學習中的應用主要分為以下兩種路徑：

（一）外部：分析視角下的挖掘/表征之路

這類研究一般在學習分析應用于自我調節學習的初級階段，旨在幫助人們認識、理解自我調節學習，即利用學習分析展示SRL各要素的狀態特征。

在認知方面，學習分析處理、分析復雜且隱性的多維數據，表征學習狀態，實現調節過程的可測量和可解釋[3]。在情感方面，學習分析利用表情識別等技術支持研究者發現學習者的情緒特征[4]。在動機方面，學習分析通過數據揭示SRL過程的動機變化，了解自我調節學習的進展[5]。在行為方面，研究者運用學習分析挖掘SRL行為，發現學習行為的規律特點[6]。在策略方面，研究者采用不同的學習分析技術識別和解釋SRL策略使用和學習策略執行的頻率、順序、時間等，為表征自我調節學習提供新見解[7]。由此可知，學習分析對于內隱數據的挖掘能夠多維度表征認知、情感、行為等內在要素，以幫助研究者認識、理解自我調節學習。

（二）內部：輔助視角下的干預/支持之路

隨著技術的發展，學習分析在自我調節學習中的應用重點逐漸轉移，以學習分析為輔助工具，從不同階段促進自我調節學習，改善學習效果。

Howell等人指出，學習分析通過儀表盤向學習者提供反饋，以影響學習者的情感和學術彈性，進而改善自我調節學習[8]。趙艷等人在學習分析支持下設計反饋與干預策略，以提高在線自我調節學習的效果[9]。此外，Lim等人基于學習分析技術設計學習反饋系統，經實驗發現，實驗組的SRL模式與對照組不同，且學習成績明顯高于對照組[10]。由此可知，基于學習分析設計儀表盤、學習反饋系統、干預策略等能夠實現對自我調節學習的正向影響。

綜上所述，學習分析與自我調節學習存在緊密的關聯關系。一方面，學習分析從外部表征SRL要素，實現對自我調節學習的準確把控;另一方面，基于數據驅動理念，學習分析從內部、支持、優化自我調節學習。雖然研究視角已經逐漸從外部表征轉移到內部支持，但關于學習分析是如何支持自我調節學習發生的這一問題仍未解決，即學習分析優化自我調節學習的機理未被真正發現。基于此，本研究通過實證研究探索學習分析對自我調節學習的影響機理。

三、研究設計

（一）研究流程

學習分析旨在支持研究者更準確地理解和學習者更高效地完成自我調節學習。目前已形成較為穩定的應用模式。在預見、計劃、激活階段，學習分析以可視化技術激發動機，輔助學生明確任務目標[11];在學習監測階段，學習分析儀表盤呈現學習進度等幫助學習者掌握自身狀態[12];在學習控制階段，學習分析提供個性化學習策略和資源引導學習者完成任務[13];在反應與反思階段，學習分析結果促進學習者更全面地自我反思[14]。綜上，本研究總結出學習分析在自我調節學習中的應用模式，在學習分析平臺支持學習者經歷自我調節學習的過程，如圖1所示。研究設置對照實驗，實驗組在SRL各環節有學習分析的支持、呈現、引導和促進，而對照組僅按照學習流程完成學習任務。任務完成后，研究者收集反思與訪談數據，利用認知網絡分析對比兩組在認知、動機、情感、行為、背景五要素間的特點和差異，并探究實驗組在SRL不同階段中五要素間的特征與差異，以語義分析法挖掘學習分析優化自我調節學習的觸發特征。

（二）研究對象

研究對象為貴州師范大學二年級本科生，實驗組與對照組各25人。研究采用MSLQ量表[15]對兩組學習者的自我調節學習能力進行前測。該量表從動機性信念和自主學習策略兩方面衡量學習者的自我調節學習水平，其信效度經過眾多研究者驗證，結果可靠[16]，經前測證明兩組無顯著差異（見表1）。

（三）研究工具與方法

1. 反思提綱與深度訪談提綱

反思數據能夠幫助研究者較快地理解學習者對SRL的體驗與感受。研究依據Pintrich提出的SRL模型[17]設計反思提綱：各階段的反思內容涉及該階段的學習體驗、遇到的困難、策略選取、學習成果等。

然而書面表達的局限性使得反思深度難以保證，因此，研究者基于反思數據開展一對一訪談，在征得同意后記錄。訪談提綱包括：個人信息、主要問題（SRL各要素的具體感受）、追蹤問題（針對被訪談者的回答進行追問）、探測性問題（讓被訪談者提供更深入或準確的回答，如通過舉例解釋自己的感受）。

2. 反思編碼標準

本研究以Pintrich的SRL模型為理論基礎，因為該模型在SRL四個階段分別明確地闡述了認知、動機/情感、行為、背景各要素的表現方式[17]。預見/計劃/激活階段：認知生成關于學習任務的預測、激活先驗知識、設定目標;動機/情感要素側重于識別從事任務的原因，判斷任務的價值、興趣和難度等;在行為要素方面，考慮如何給任務中的要素分配時間和精力等;在背景要素方面，可以調節情境特征。監測階段：在認知要素方面，對學習的判斷和對知識的感受被呈現出來;動機/情感要素主要包括預期的變化、解釋任務歸因及情緒反應;在行為要素方面，設定任務標準后，學習者跟蹤這些因素來發現偏差;在背景要素方面，會掃描對環境因素的更改。控制階段是控制每個要素，如果學習不合格，學習者可以復習內容、修改任務難度的評級或尋求幫助等。反應與反思階段：在認知要素方面，可能會意識到激活與任務相關的知識能夠取得更好的成就;在動機/情感要素方面，可能會將低活躍性歸因于學習節奏緩慢;在行為要素方面，時間可能被認為比最初考慮的更重要;在背景要素方面，學習者要求教師更清楚地說明任務的各個部分是如何加權的，可以更好地分配時間[18]。需要說明的是，該模型將動機/情感作為一個要素，但學習者的情感是體現自我調節學習內在機理的重要組成部分，因此，本研究從認知、動機、情感、行為和背景五個要素對學習者的反思數據進行編碼。部分編碼樣例見表2。

對反思數據編碼時，有相關表述記為1，無相關表述記為0。本研究依據編碼標準培訓兩名編碼員，并對編碼結果進行一致性檢驗，Kappa值為0.777>0.7表明一致性良好，結果可信，可以進行下一步分析。

3. 認知網絡與語義網絡分析

認知網絡分析（Epistemic Network Analysis，ENA）是一種民族志技術，用于對數據中的連接結構進行建模。有研究利用ENA表征認知元素之間的聯系模式來探究學習過程中認知框架的發展[19]。ENA是一種適用于任何具備有意義連接結構場景的技術[20]。因此，本研究使用ENA對反思數據中的認知、動機、情感、行為和背景進行建模，探索SRL各要素間的聯系。

語義網絡分析能夠通過網絡形式展示人類語言包含的內在含義。本研究采用語義網絡分析、語義聚類分析等方法分析訪談數據，在認知網絡分析結果的基礎上探索引起學習者自我調節學習發生的內在機理。

四、學習分析影響自我調節學習的變化規律和觸發特征

本研究通過分析反思數據挖掘學習分析影響自我調節學習的變化規律，通過分析訪談數據探索學習分析影響自我調節學習的觸發特征。

（一）學習分析影響自我調節學習的變化規律

本研究對比實驗組與對照組的ENA結果，旨在對比學習分析對自我調節學習整體的影響效果;探究實驗組在不同SRL階段的ENA結果，旨在發現學習分析在不同階段影響自我調節學習的要素變化特征。

1. 學習分析影響SRL各要素整體差異分析

研究者將編碼結果導入ENA網站得到分析結果（如圖2所示）。實驗組均位于X軸正半軸，分布緊密，對照組多位于X軸負半軸，分布稀疏。本研究在X和Y維度對兩組做了T檢驗，見表3。結果表明，在X方向上兩組有顯著差異，在Y方向上兩組差異不顯著。

作者對比了兩組在SRL各要素上的差異，如圖3所示。圖3（i）表明實驗組在認知、動機、情感、行為四個要素的關聯性既緊密又均衡;相比之下，背景與其他要素的關聯性表現不明顯。圖3（ii） 表明對照組的自我調節學習表現主要集中在認知、行為和動機三個要素，與情感和背景的關聯性較低;且圖3（ii）顯示與認知相連的路徑更加突出，這說明對照組在經歷自我調節學習時以認知層面的表現為中心。圖3（iii）表明，相比于對照組，實驗組SRL五要素間的關聯性更強，且較大程度地突出了自我調節學習的情感要素，對背景要素的表述也有所增強。

該結果表明，傳統自我調節學習者完成學習時主要調用認知、動機和行為要素，且以認知為主。但在學習分析加入后，學習者明顯增加了對其他要素的關注和調用，其中以情感層面的變化最為突出。總的來說，有學習分析支持的實驗組在SRL過程中更能將各要素結合起來，激發、輔助、促進學習者完成學習任務。

2. 學習分析影響SRL各階段要素的變化規律分析

為進一步了解學習分析支持自我調節學習的細節，本研究以SRL階段為對照標準對實驗組進行認知網絡分析，如圖4所示。

由圖4可知，實驗組在SRL不同階段，認知、動機、情感、行為和背景之間的關聯性有明顯區別。SRL第一、二階段相似，但第一階段更突出背景要素的效果，而第二階段前四個要素的關系更加緊密。SRL第三階段，五個要素關聯性較低，以行為為中心，與其余四個要素建立聯系，其中，行為與認知和情感間的聯系更強，與動機和背景的聯系稍弱。SRL第四階段，認知的作用更加突出，其中，認知與動機和行為的聯系最為突出，認知與背景的聯系也得到強化。

結果表明，實驗組對五個要素的調用處在動態變化之中，各要素在SRL不同階段的側重各有不同。第一階段，學習者受學習分析的激發，綜合運用認知、動機、行為和情感完成對任務的預測和計劃。第二階段，學習分析引導學習者降低對背景的關注，進一步加強認知、動機、行為、情感間的融合，實現對各要素的監控。第三階段，學習者將聚焦于行為，以行為驅動認知和情感的調節，從而確保控制學習過程。第四階段，學習分析促進學習者反思，將重點轉移到認知上，回顧學習過程中學習分析帶來的支持和體驗。

（二）學習分析影響自我調節學習的觸發特征

研究者將訪談主題按SRL階段分為四部分，采用語義網絡分析和語義聚類分析挖掘學習分析對SRL各階段的觸發特征，得到SRL四階段的語義網絡圖，節點大小表示中心度高低，底紋顯示聚類結果，圓形網絡圖展示語義網絡分析結果，如圖5所示。

在SRL第一階段，任務、學習、完成、平臺是中心度較高的詞語，聚類結果分為關注任務、情感變化、激勵、時間計劃、自身感受等方面。語義網絡分析結果展示了學習分析支持SRL第一階段的影響機理：（1）以任務驅動觸發情緒;（2）以情緒提高學習動機;（3）以時間計劃展示認知行為。

在SRL第二階段，計劃、任務、學習、制定、完成等是中心度較高的詞語，聚類結果分為對任務計劃的監測、對同伴學習的關注和對可視化結果的情緒體驗。結果表明，學習分析一方面降低了學習者自我監測的門檻，另一方面也讓學習者更加全面地了解自身與他人的差距，將元認知技能通過學習分析直接呈現給學習者，提高了學習的主動性和緊迫感。

SRL第三階段最主要的詞語是學習，平臺、任務、同學等詞次之。聚類結果分為學習方法/尋求幫助、課程平臺、時間計劃、情緒狀態等。這說明學習分析提高了學習者調整學習計劃的效率和能力。結果展示了學習者在第三階段以學習行為為中心，連接認知、動機、情感、背景的內在變化機理。學習分析幫助學習者迅速聚焦學習行為，并且以學習行為的調整改善自身情緒狀態。

在SRL第四階段，學習、反思是核心詞。聚類結果分為反思任務、學習投入、調節體驗、制定計劃等。這說明學習分析促進了反應與反思的發生，主要表現為對未來任務的啟示、對學習投入度和學習體驗的反思，以及對學習總結。研究表明，學習分析通過可視化展示學習評價結果，提高了自身對自我學習過程的認知。此外，在SRL反思階段之后，學習者的學習動機會延伸到下一次學習循環中，形成了良性循環。但在這一階段，學習者對情緒的反思相對較少，這在認知網絡分析和語義網絡分析結果中均得到證明。

五、討? ?論

研究依據學習分析影響自我調節學習的要素變化規律和各階段觸發特征，解釋了學習分析介入后，對學習者認知、動機、情感、行為、背景五要素的影響，得到學習分析對自我調節學習的影響機理，如圖6所示。

（一）學習分析強化要素聯系，全方位支持自我調節學習

在自我調節學習時，對照組主要調動認知、動機和行為;而實驗組則調動認知、動機、行為和情感，且對于背景要素的關注也有所提高。該結果說明，學習分析幫助學習者全方位認識自我，綜合聯系認知、情感、動機、行為、背景支持自身完成自我調節學習。有研究發現，學習者認為，學習分析能夠支持他們完成對學習過程的規劃和組織、自我評估、提供適應性建議以及對他們的學習活動進行個性化分析[21]。這是因為學習分析對各種數據的分析可以幫助學習者監控自身狀態，規劃學習行為，避免不良的學習結果[22]。

（二）SRL第一階段：學習分析以背景觸動情緒，以情緒激發動機，以動機促進整合

在第一階段，學習分析搭建的學習環境首先引起學習者注意，觸動情緒，情緒的波動激發學習動機，進而使學習者更積極地感知任務，采取設置目標、制定計劃等行為。訪談結果證明，學習分析幫助學習者聚焦學習任務，激發情感變化，引導計劃時間，關注自身感受。因為在學習者注意到學習分析后，情緒最先反應，正向的學習分析結果讓學習者產生希望、放松等情緒，并在一定程度上推動他們保持較高的學習積極性;負面的學習分析結果讓學習者產生焦慮、失望等情緒，處在這種適當的消極情緒中，會激勵學習者更加努力地參與到學習中。這一發現與成就目標理論相契合。Aguilar等同樣發現，向學習者呈現學習分析結果能夠影響學習動機，促進自我調節學習[23]。

（三）SRL第二階段：學習分析以內容聚焦注意力，弱化背景存在感

學習分析利用可視化技術讓學習者在SRL第二階段更加關注自身的行為、認知、情感和動機，雖然這些引導是通過學習分析環境實現的，但學習者表示，在接受這些功能或提示時，其更加關注內容信息，而忽略了背景的存在。Chen等人同樣發現，學習分析儀表盤呈現的知識、計劃、學習策略等信息能夠輔助學習者進行元認知和自我監控[12]。因為可視化是呈現信息的一種方式，真正輔助學習者自我監控的是學習分析所傳遞的內容與信息。即學習分析的介入，讓學習者更容易關注到自己的行為、情感等狀態，輔助學習者監控自身學習狀態，為后續的學習調節打好基礎，而作為背景存在的學習分析的存在感則被削弱。

（四）SRL第三階段：學習分析以行為強化控制，以融合優化調節

在第三階段，學習分析將重點集中于行為，通過提供個性化SRL策略，從認知、動機、情感、背景對學習者的學習行為調節提供幫助。學習者表示，在認知要素方面，學習分析平臺提供認知策略;在動機要素方面，學習分析通過展示任務進度、同伴成就等內容激勵自己對學習做出適當調整;在情感要素方面，學習分析利用語言/圖片提示初步緩解消極情緒，使用擴展資源、難點提示等方法從根源解決引起消極情緒的知識性問題;在背景要素方面，學習分析運用儀表盤、學習路徑等展示學習者自我調節學習的狀態，為學習者控制學習進度、選擇學習策略提供支撐。正如Panadero等人所提出的，當前學習分析應用于自我調節學習是評估與干預同時發生的，以學習分析儀表盤呈現評估結果、提供學習建議與反饋能夠幫助學習者發展自我調節學習[24]。

（五）SRL第四階段：學習分析以促進反思為手段，形成以認知為核心，動機、行為、情感多重交互的作用機理

在學習分析的支持下，學習者在SRL第四階段掌握反思的核心理念，以發散式思維進行評價和反思。學習者表示，相比于前三個階段，學習分析在這一階段的影響是最大的。因為學習者在平時學習中真正反思的較少，且多集中于對成績的反思。而學習分析的加入，讓學習者關注到自身在動機、行為和情感要素的變化，更重要的是，能夠關注到環境對學習的支持和幫助，為下一次自我調節學習提供經驗。Silva等人發現，學習分析顯著優化了學習者的自我反思與評價、認知目標等維度[25]。此外，Yoon等人發現，受到學習分析支持的學習者在自我反思、行為投入、情感狀態和認知水平等方面都表現出更高的水平[26]。這些結果均證明，在學習分析全方位的支持下，學習者的認知、動機、行為、情感等要素均得到關注，幫助學習者反思，促進學習者完成自我調節學習。

六、結? ?語

本研究以質性研究方法為手段，以SRL模型為指導，以反思與訪談數據為主體，研究學習分析介入后的自我調節學習過程中各要素的相互作用關系。研究發現，學習分析的加入，首先從整體上強化了自我調節學習各要素之間的作用效果，尤其對情緒的激發最為突出。此外，學習分析對SRL不同階段中各要素的影響程度存在差異。研究者對學習者訪談數據分析的結果表明了學習者在接收學習分析支持后，其認知、情緒、動機、行為等要素的變化特點，并總結出學習分析對自我調節學習的影響機理。本研究不同于常規的“模型設計—實證分析—結果討論—得到結論”的研究模式，而是由果及因，以“數據收集—分類提取—發現特征—凝聚結論”的研究模式，探索當前普遍意義上的學習分析對自我調節學習的影響機理，從而為后續更好地完善學習分析與自我調節學習的融合提供方向，也為具有類似特征的研究提供經驗和依據。

[參考文獻]

[1] 徐曉青，趙蔚，劉紅霞，姜強.自我調節學習中學習分析的應用框架和融合路徑研究[J].電化教育研究，2021，42（6）：96-104.

[2] RUBIN H J， RUBIN I S. Qualitative interviewing： The art of hearing data[M]. Thousand Oaks， CA： Sage， 2011.

[3] NOROOZI O， ALIKHANI I， J？魧RVEL？魧 S， et al. Multimodal data to design visual learning analytics for understanding regulation of learning[J]. Computers in human behavior， 2019， 100（11）： 298-304.

[4] 單迎杰，傅鋼善，王一冰，王改花.基于反思文本的慕課學習情感體驗特征分析[J].電化教育研究，2021，42（4）：53-60，75.

[5] MALMBERG J， J？魧RVEL？魧 S， J？魧RVENOJA H. Capturing temporal and sequential patterns of self-， co-， and socially shared regulation in the context of collaborative learning[J]. Contemporary educational psychology， 2017， 49（2）： 160-174.

[6] 鄧國民，徐新斐，朱永海.混合學習環境下學習者的在線自我調節學習潛在剖面分析及行為過程挖掘[J].電化教育研究，2021，42（1）：80-86.

[7] UZIR N A， GA？譒EVICD， JOVANOVICJ， et al. Analytics of time management and learning strategies for effective online learning in blended environments[C]//Proceedings of the Tenth International Conference on Learning Analytics & Knowledge. New York： Association for Computing Machinery， 2020： 392-401.

[8] HOWELL J A， ROBERTS L D， MANCINI V O. Learning analytics messages： impact of grade， sender， comparative information and message style on student affect and academic resilience[J]. Computers in human behavior， 2018， 89： 8-15.

[9] 趙艷，趙蔚，姜強.學習分析視域下教師在線自我調節學習干預設計與實證研究[J].現代遠距離教育，2020（3）：79-88.

[10] LIM L A， GENTILI S， PARDO A， et al. What changes， and for whom？ A study of the impact of learning analytics-based process feedback in a large course[J]. Learning and instruction， 2021， 72（2）： 101202.

[11] JIVET I， SCHEFFEL M， SCHMITZ M， et al. From students with love： an empirical study on learner goals， self-regulated learning and sense-making of learning analytics in higher education[J]. The internet and higher education， 2020， 47： 100758.

[12] CHEN L， LU M， GODA Y， et al. Design of learning analytics dashboard supporting metacognition[C]//Proceedings of 16th International conference of cognition and exploratory learning in digital age 2019. Cagliari： IADIS Press， 2019： 175-182.

[13] 李月，姜強，趙蔚.基于過程挖掘的在線自主學習行為模式識別及干預實證研究[J].電化教育研究，2021，42（5）：61-69.

[14] CHA H J， PARK T. Applying and evaluating visualization design guidelines for a MOOC dashboard to facilitate self-regulated learning based on learning analytics[J]. KSII Transactions on Internet and Information Systems（TIIS）， 2019， 13（6）： 2799-2823.

[15] PINTRICH P R， SMITH D A F， GARCIA T， MCKEACHIE W J. A manual for the use of the motivated strategies for learning questionnaire[EB/OL]. [2021-12-01]. https：//eric.ed.gov/？id=ED338122.

[16] PINTRICH P R， SMITH D A F， GARCIA T， et al. Reliability and predictive validity of the motivated strategies for learning questionnaire[J]. Educational and psychological measurement， 1993， 53（3）： 801-813.

[17] PINTRICH P R. A conceptual framework for assessing motivation and self-regulated learning in college students[J]. Educational psychology review， 2004， 16（4）： 385-407.

[18] WINNE P. Self-regulated learning[J]. SFU educational review， 2016， 9（1）： 1-3.

[19] SHAFFER D W. Epistemic frames for epistemic games[J]. Computers & education， 2006， 46（3）： 223-234.

[20] 王辭曉.技術供給的動力作用：合作探究中具身參與的認知網絡分析[J].中國電化教育，2021（2）：113-122.

[21] SCHUMACHER C， IFENTHALER D. Features students really expect from learning analytics[J]. Computers in human behavior， 2018， 78（C）： 397-407.

[22] GA？譒EVIC D， DAWSON S， SIEMENS G. Let's not forget： learning analytics are about learning[J]. Techtrends， 2015，59（1）：64-71.

[23] AGUILAR S J， KARABENICK S A， TEASLEY S D， et al. Associations between learning analytics dashboard exposure and motivation and self-regulated learning[J]. Computers & education， 2021， 162（2）： 1-11.

[24] PANADERO E， KLUG J， J？魧RVEL？魧 S. Third wave of measurement in the self-regulated learning field： when measurement and intervention come hand in hand[J]. Scandinavian journal of educational research， 2016， 60（6）： 723-735.

[25] SILVA J C S， ZAMBOM E， RODRIGUES R L， et al. Effects of learning analytics on students' self-regulated learning in flipped classroom[J]. International journal of information and communication technology education， 2018， 14（3）： 91-107.

[26] YOON M， HILL J， KIM D. Designing supports for promoting self-regulated learning in the flipped classroom[J]. Journal of computing in higher education， 2021， 33（4）：398-418.