基于數據驅動的遠程學習者在線學習干預模型設計

［摘 要］利用數字技術賦能在線學習是遠程教育領域關注的重點，在線學習干預是優化數字技術應用和提升遠程學習者學習成效的關鍵環節。文章結合遠程教育的特點構建在線學習干預模型，主要包括在線學習環境中的伴隨式數據采集、基于學習分析的學習危機智能診斷、綜合多維度的個性化干預策略實施、面向多群體的干預成效檢驗與反饋四個環節，旨在為遠程學習者提供更加個性化、精準的在線教學服務。

［關鍵詞］在線學習；干預模型；干預策略；遠程學習者

［中圖分類號］G434 ［文獻標識碼］A ［文章編號］1008-7656（2023）04-0005-06

*［基金項目］ 2021年度江蘇高校哲學社會科學研究一般項目“基于大數據的遠程學習者在線學習預警及干預研究”（編號：2021SJA0742）

［收稿日期］ 2023-06-15

學習者的學業保持率是影響遠程教育機構質量評估、辦學效益以及社會聲譽的重要因素。如何提高保持率、降低輟學率，這是遠程教育領域關注的重點。近年來，大數據、人工智能、學習分析等數字技術融入遠程教育領域，為提升遠程學習者的學業保持率提供了有效途徑。利用大數據分析方法可以對學生的在線學習數據進行收集、測量和分析，進一步優化教學過程及其情境，為教學決策、學業預警提供支持，實現個性化學習，從而提高教學效果，促進學生的學業成長。在線學習干預作為大數據和學習分析技術在教育領域的深入應用，是對遠程學習者實時規劃、監測、評估與糾正的一種綜合活動，對于加強遠程學習管理、提升學習者參與度和學業保持率具有重要價值[1]。

由于課程學習和考試大部分在網絡上進行，因此，遠程教育積累了大量的在線數據。在此基礎上，利用學習分析技術挖掘和分析學生在線學習數據，依托智能化工具能夠診斷出遠程學習者存在的學習問題，幫助學校和教師深入了解學生的學習狀態，主動實施干預，在可能出現學業危機的關鍵節點上提供各種支持和幫助。國外在線學習干預的研究起步較早，在遠程教育領域應用廣泛，如英國開放大學的學習預警系統、澳大利亞開放大學的學習成功樞紐系統等，均依托智能化工具實施精準干預，經實踐證明能夠有效提高學生學習成績和學業保持率[2]。我國的遠程教育領域缺少對在線學習干預的全面、深入研究，依托工具的智能化干預水平需要提升，成熟的應用案例不多。因此，加強在線學習干預在遠程教育領域應用的理論和實踐研究顯得尤為重要。

一、遠程學習者在線學習干預面臨的現實困境

通過對在線學習干預相關文獻的分析，以及對國內幾所開放大學和部分現代遠程教育試點高校開展問卷調研發現，遠程教育領域學習干預的理論和實踐研究還存在一些困難，影響了在線學習干預的進一步發展。

（一）缺少對遠程學習者全面、客觀的分析

文獻研究發現，國內關于在線學習干預方面的研究數量較多。例如，楊雪等[3]對大學生在線學習拖延進行了深入研究，并提出了有針對性的干預策略。趙慧瓊等[4]設計了在線學習干預模型，將其應用于Moodle平臺上的一門大學課程中，經實踐證明，在線學習干預模型能有效提升學生的學習效果。張家華等[5]基于學習分析構建了在線學習干預模型，以普通全日制在校學生為干預對象，通過開展對照實驗，發現干預組在規避學習風險的概率、學習者的自我效能感與課堂滿意度上均得到提升[5]。以上研究既豐富了學習干預相關理論研究，又通過實踐證明了在線學習干預的有效性。然而，現有的研究大多針對普通高校全日制在校學生，對于遠程學習者的關注不足。由于大多數遠程學習者是在職人員，存在工學矛盾，投入學習的時間和精力相對較少，更容易在遇到學習障礙后放棄學習。因此，杜永新等[6]將遠程學習者的在線學習歷程概括為“開始于強烈動機→落實于注冊報名→體驗于學習過程→否定于自我效能→付諸于輟學行動”。同時，遠程學習者的學習習慣和學習動機與其他在線學習者不相同，忽視遠程學習者的學習特點，沿用針對普通高校學生設計的在線學習干預模型，難以真正提高干預模型在遠程教育領域的應用實效。

（二）干預維度和方式不夠豐富，智能化干預水平需要提升

傳統遠程教育的學習干預多以人工干預方式為主，輔導教師往往依托遠程教育學習支持服務體系實施干預，通過發送郵件、在線消息提醒或打電話等方式主動聯系存在學習困難的學生，為學生提供一對一的學習支持。但人工干預的工作量較大且準確度難以保證，難以適應規模較大的在線課程學習。此外，學習干預大多聚焦于遠程學習者知識學習等認知層面的干預，對于情感方面的干預程度不足。由于遠程學習過程中師生常常處于時空分離的狀態，師生之間缺少實時互動，容易陷入情感孤獨狀態，因此，遠程學習者的情感干預也應得到相關研究者和工作者的足夠重視，進一步拓展在線學習干預維度。當前，隨著數字技術在教育領域的深入應用，在線學習干預正向智能化和個性化方向發展，相較于傳統的干預模式有著更大的干預范圍、更個性化的干預路徑與更全面的干預應用等特征。遠程教育機構應充分利用平臺上存儲的在線學習數據，進一步提升學習干預的智能化水平，為遠程學習者提供更加精準的教學服務。

（三）缺少系統化的干預模型和干預策略設計

干預模型從系統和整體的角度指導整個干預過程的設計與實施，對于干預過程的順利開展和干預目標的實現起著重要作用[7]。在中國知網數據庫中以“遠程教育”和“在線學習干預”為關鍵詞進行檢索，楊世鑒[8]探討了基于遠程學習者畫像的在線學習危機預警和干預實施的基本原則。陳然[9]介紹了英國開放大學在線學習干預實踐的經驗，并結合我國遠程教育的實際情況提出對策建議。許其鑫[10]結合“干預—反應”（RTI）模式，設計了多級別、多通道遠程學習預警干預機制和干預策略。已有的研究大多從理論視角出發，聚焦于微觀層面的干預原則、機制和策略探討，缺少整體性與系統性的干預模型設計。在實踐過程中，遠程教育學習平臺大多針對遠程學習者的學習問題直接匹配干預措施，如遠程學習者未按時完成學習任務，便對所有人采取彈窗提醒的方式。學習是個復雜和獨特的過程，出現問題的原因可能是專業知識學習難度大、超出了遠程學習者的認知水平，也可能是遠程學習者學習興趣不高、學習時間和精力不足等。只有通過設計系統化的干預模型和干預策略，綜合分析診斷表象之下的根源問題，才能更有效地幫助遠程學習者解決困難，化解學習危機。

二、數據驅動的遠程學習者在線學習干預模型構建

武法提等[11]基于人機智能協同理念，構建了精準學習干預模型，包括遠程學習者數據采集、學習問題診斷、干預策略匹配、干預策略實施、干預效果驗證五個主要環節。基于以上研究，本文提出構建遠程學習者在線學習干預模型，該模型以幫助遠程學習者解決學習危機、提升學業保持率和促進學習進步為目標。模型以數據驅動為核心，包括學習數據采集、學習危機診斷、干預策略實施、干預成效檢驗與反饋四個環節，各環節層層遞進、首尾相連，構成了遠程學習者在線學習干預實踐的完整閉環，如圖1所示。

在遠程學習者在線學習干預模型中，單輪次干預主要包括以下環節。首先，在線學習環境中記錄了遠程學習者大量學習數據和個人信息數據，在伴隨式采集相關數據的基礎上，利用學習分析技術智能診斷遠程學習者是否存在學習危機。其次，系統根據學習危機診斷結果，自動匹配相應的干預策略，結合人工干預方式，實現多維度、多層次、多形式、全過程干預。最后，對干預效果進行檢驗，驗證干預策略的實施成效，并將反饋結果應用于對模型的持續修正和改進。

（一）在線學習環境中的伴隨式數據采集

在線學習環境記錄和存儲了遠程學習者的信息數據和在線學習行為數據，數據獲取和采集是干預模型實施的起點，也是后續各環節實施精準干預的基礎。教育大數據采集方式主要包括集中式采集、伴隨式采集和周期性采集。其中，伴隨式數據采集以過程性數據為主，具有密集性、動態性、復雜性、全面性等特點[12]。因此，采取伴隨式數據采集方式，完整采集遠程學習者在學習過程中產生的實時數據，有利于全面刻畫遠程學習者的特征、甄選更加有效的預測指標。數據采集維度可以分為四類，包括人口學信息數據、在線學習行為數據、學習準備數據、學習結果數據。其中，人口學信息數據包括學習者性別、年齡、所在地區、職業信息等。在線學習行為數據包括在線學習時長、訪問時間段、學習資源點擊率和下載量、視頻學習點擊率、參與討論情況等。學習準備數據包括最高受教育水平、已修課程成績、已獲學分等。學習結果數據包括作業完成情況、平時測驗成績、課程總評成績等。

（二）基于學習分析的學習危機智能診斷

對遠程學習者學習危機的準確識別和診斷，直接影響后續干預策略的實施。利用學習分析技術，挖掘遠程學習者個人信息數據和在線學習行為數據，通過算法模型綜合判斷學習者是否存在學習危機。英國開放大學經過大量的實踐發現，是否提交平時測驗與最終能否完成課程學習密切相關，未提交平時測驗的學習者往往難以完成課程學習，未通過平時測驗的學習者同樣不能通過課程最終測試[13]。因此，遠程學習者是否提交和完成課程平時測驗可以作為預測其是否存在學習危機的一個關鍵指標。

在確定關鍵預警指標的基礎上，學習危機診斷包括數據預處理、數據挖掘建模和模型分析預測三個環節。在數據預處理階段，對前期采集的原始數據進行整理、集成和變換，形成預處理后的數據集。當數據類型較為豐富且數據量較大時，采用機器學習方法形成的預測模型更為準確、可靠[14]。因此，綜合采用決策樹、貝葉斯網絡、邏輯回歸、神經網絡、支持向量機等機器學習算法開發預測模型，對不同模型的精確率、召回率、準確率和綜合評價指標進行對比分析，選擇具有良好預測效果的模型。最終，模型輸出分析結果，判斷當前階段遠程學習者是否存在學習危機并診斷危機程度。若模型診斷結果顯示遠程學習者可能存在學習危機，則要為遠程學習者提供適當的干預策略，若診斷結果顯示遠程學習者不存在學習危機，將利用學習分析技術對遠程學習者產生的數據進行持續動態分析，管理整個學習過程。

（三）綜合多維度的個性化干預策略實施

干預策略是指遠程教育機構為化解遠程學習者學習危機和改善學習效果，利用技術和人工手段實施的各種支持性策略和指導性活動的綜合。作為干預模型的核心環節，干預策略實施具有多層次、全過程、多維度、多形式的特征，其中，多層次干預是對存在學習危機的不同學習群體或個體實施干預，包括群體干預、小組干預和個體干預。全過程干預是指干預策略覆蓋課程學習全過程，即課程學習前、學習中、學習后。多維度干預是從知識、情感、行為三個維度整體設計在線學習干預策略，形成綜合系統的干預方案。多形式干預是綜合利用系統干預和人工干預方式為遠程學習者提供支持，包括數字儀表盤、學習進度提示、頁面彈窗、個性化資源推送、學業建議規劃推薦、人工干預等，具體干預策略如下頁表1所示。

根據診斷出的學習危機程度不同，采取不同的干預策略。依據RTI干預反應三級模型，將遠程學習者的學習危機程度劃分為三個級別，即輕度危機、中度危機和重度危機。伴隨危機程度不斷增加，干預強度逐漸增加且干預人數逐漸聚焦。其中，針對具有輕度危機的遠程學習者，干預策略以正向積極強化與激勵為主，利用系統自動干預方式實施群體干預，側重于促進遠程學習者的自我反思和自我調控。針對中度危機的遠程學習者，根據不同危機成因匹配不同的干預策略，制定個性化的干預方案，通過強化教學支持和調整教學設計提高遠程學習者學習參與度，幫助遠程學習者順利完成課程學習。系統診斷為重度危機的遠程學習者，輟學風險較高，針對這一類群體的干預是基于個體特征的全方位干預，干預強度最高，側重于對遠程學習者個體的一對一輔導和情感關懷，目的是提高遠程學習者的學習可持續性，增強學習信心，降低輟學風險。

（四）面向多群體的干預成效檢驗與反饋

針對遠程學習者實施干預策略以后，分析和檢驗干預策略的實施效果也是干預模型的重要環節。已有的研究大多關注學習干預技術層面的設計與實現，缺少對學習干預效果的長周期檢驗和精準化反饋，使得干預模型難以依據干預效果和學生反饋對學習干預的目標、時機和策略進行動態調整和優化，不利于模型的持續修正和迭代改進[15]。干預成效檢驗不僅包括遠程學習者學業保持率和學習成績提升情況，還包括干預后遠程學習者學習動機、學習能力、學習態度的變化，從多個維度綜合評價學習干預對遠程學習者的影響。同時，調研遠程學習者、教師和教學管理者對在線學習干預的接受度和滿意度，鼓勵他們對干預時間、內容、方式等提供反饋建議，用于完善和改進干預模型各環節。此外，通過可視化報告的形式面向多類群體提供干預效果反饋，以支持科學的教學決策。一方面，干預反饋可以幫助遠程學習者了解自身學習狀態變化，提升自主學習能力，改善學習狀態。另一方面，可以幫助教師和管理者改進課程學習資源和課程考核設計，調整教學方法和教學模式，加強學習支持服務，尤其是針對存在學習危機的遠程學習者的開展個性化教學輔導和情感支持，以及加強遠程教育教學在線常態化監測力度，進一步優化教育教學資源配置。

三、結語

加強教育教學在線常態監測，精準判斷學生學習狀態與教學質量，才能實現個性診斷與及時干預。遠程教育作為高等學歷繼續教育的重要形式，應大力推動在線學習干預的實施應用，以實現更加精準的教學和更加個性化的學習支持服務。然而，目前的國內遠程教育領域在線學習干預的理論和實踐研究亟待更新，缺少系統化的干預模型和干預策略設計。針對這一問題，本文從數據驅動視角出發，系統構建遠程學習者在線學習干預模型，以期促進學習干預在遠程教育領域的進一步發展。

未來，應持續加強在線學習干預的相關研究。在理論層面，積極借鑒心理學、教育學等不同學科理論，深入探究遠程學習者在線學習干預的認知基礎、運作機制等，夯實研究的理論基礎。在技術層面，除了采集遠程學習者的結構化數據之外，還要重視獲取遠程學習者的情感、心理、生理等非結構化數據，為干預策略實施提供多模態數據源。同時，還要不斷優化和改進算法模型，積極運用學習分析、數據挖掘等技術，提升學習危機診斷的效率和準確性。在實踐層面，結合不同的專業和課程開展干預模型的實踐研究，從學業保持率、成績提升情況、師生接受度和滿意度等方面驗證干預模型的實施效果。這些研究和實踐可以為遠程教育領域提供更加全面、精準的學習支持服務，推進新時代高等學歷繼續教育改革的深入發展。

［參考文獻］

［1］胡水星，荊洲.在線學習干預的新發展：從學習分析儀表盤到教育智能體［J］.遠程教育雜志，2022（5）：83-92.

［2］陳然.國外開放大學在線課程質量保障的特點與啟示［J］.成人教育，2022（9）：60-66.

［3］楊雪，姜強，趙蔚，等.大數據時代基于學習分析的在線學習拖延診斷與干預研究［J］.電化教育研究，2017（7）：51-57.

［4］趙慧瓊，姜強，趙蔚，等.基于大數據學習分析的在線學習績效預警因素及干預對策的實證研究［J］.電化教育研究，2017（1）：62-69.

［5］張家華，鄒琴，祝智庭.學習分析視角下在線學習干預模型應用［J］.現代遠程教育研究，2017（4）：88-96.

［6］杜永新，牛健，李瑩.在困頓與沮喪中艱難前行：電大輟學生的學習體驗［J］.開放教育研究，2011（3）：96-105.

［7］李彤彤，黃洛穎，鄒蕊，等.基于教育大數據的學習干預模型構建［J］.中國電化教育，2016（6）：16-20.

［8］楊世鑒.基于學習者畫像的遠程在線學習預警機制研究［J］.河北廣播電視大學學報，2020（6）：28-34.

［9］陳然.遠程學習者在線學習危機預警及干預研究——英國開放大學OU Analyse項目剖析［J］.成人教育，2021（11）：12-17.

［10］許其鑫.遠程學習風險預測模型構建及預警反饋設計研究［D］.重慶：西南大學，2020.

［11］武法提，高姝睿，田浩.人機智能協同的精準學習干預：動因、模型與路向［J］.電化教育研究，2022（4）：70-76.

［12］柴喚友，劉三女牙，康令云，等.教育大數據采集機制與關鍵技術研究［J］.大數據，2020（6）：14-25.

［13］張佳妮，江穎.學習支持服務如何使遠程教育更具吸引力？——英國開放大學MILLS對我國遠程教育的啟示［J］.外國教育研究，2019（6）：57-73.

［14］牟智佳，武法提.教育大數據背景下學習結果預測研究的內容解析與設計取向［J］.中國電化教育，2017（7）：26-32.

［15］王一巖，鄭永和.智能學習干預：現實困境、實施原則與實踐進路［J］.開放教育研究，2023（2）：103-111.

［作者簡介］陳然，江蘇開放大學學科建設處助理研究員，碩士，研究方向：遠程教育。

［責任編輯 李培福］