教育大數據背景下智能測評研究的現實審視與發展趨向

牟智佳 俞顯

【摘 要】 人工智能、學習分析與教育大數據之間的相互融合使得學習評價由數字化的學習測評走向數據化的智能測評。從智能測評技術發展視角對國內外相關平臺進行梳理和分析，發現智能測評平臺存在測評目的異化、測評數據采集單一、測評分析缺乏深度、測評結果可視化水平低和測評反饋智能化薄弱五方面問題。本文從智能測評研究視角對國內外現狀進行內容分析，把握研究態勢與不足；在此基礎上對智能測評發展的理論與技術趨向、目標導向進行闡釋；最后提出智能測評服務模式，即以支持個性化學習為目標導向，以基于學習能力的學習練習智能匹配、基于內容掌握的個性化學習路徑規劃、基于活動參與的個性優勢識別以及基于測評結果的知識地圖描繪為服務支持，為將來智能測評發展與研究提供有益的啟示。

【關鍵詞】 教育大數據；智能測評；學習分析；機器學習；個性化學習

【中圖分類號】 G642.0 【文獻標識碼】 A 【文章編號】 1009-458x（2018）5-0055-8

一、學習測評發展的現實困境與突破口

當前學校教育中對學習的測評側重學習結果的顯性表現，如測評得分、題目正確率、成績排名等，對學習者的隱性行為關注較少，如對學習內容的掌握程度、協作學習活動內容的貢獻度、達到學習目標的層級水平等。學習評價專家保羅和迪倫（Paul & Dylan， 1998）認為如果一個評價僅僅用于評定分數，內容上沒有提供進一步的學習機會，評價就不是真正形成性的，只有評價揭示了學生思維的具體方面，借助這些方式才能進一步開展有效教學，并且運用所揭示的診斷性信息為學習者提供額外的學習機會。數字化環境下的學習評價既注重學生的總結性評價，更關注學生的形成性評價（Tomas， Borg， & McNeil， 2015）。評價的形成性本質不但存在于評價本身中，而且存在于評價與其課堂角色的交互中。如何對整個學習活動過程進行有效評價并判別出學習者在知識、能力和思維方面的真實水平是當前學習評價面臨的現實困境。

近年來，教育大數據、學習分析和智能網絡學習平臺的逐步發展使得學習軌跡不僅能夠得到記錄進而形成全學習過程數據鏈，而且能夠對學習過程和結果進行個性化分析和評測。而以深度學習、機器學習、自然語言處理等為代表的人工智能技術興起，使得測評技術更加智能和精準，基于學習內容和結果可以對學習者的知識和能力水平進行智能化評測，以更好地服務于認知診斷。因此，我們可以借助大數據和學習分析技術對學習過程中的階段性學習表現進行評價和歸因分析，并結合學習者的個性特征定制基于內容掌握的學習路徑，最終促進其對知識的深度理解和概念的掌握。

二、基于教育大數據的智能測評平臺梳理分析

（一）智能測評平臺的功能比較分析

為了解當前智能測評技術在實踐中的應用和發展情況，本研究借助國內外搜索引擎對國內外有關文字書寫、語音分析、測評考試等不同智能測評平臺進行整理分析。在選取智能測評平臺的過程中，以具備多元化、智能化、交互性、可視化等特征為依據，確保分析的智能測評平臺符合本研究的需求。對平臺的分析從使用對象、數據采集來源、分析內容、結果呈現形式、特色功能展現等方面進行多維對比，結果見表1。

可以發現，在分析對象上，平臺較為關注學生在群體中的表現，其測評結果偏重于比較；在數據采集來源上，平臺采用多種方式收集，既使用傳統的試卷、問卷和量表，也使用動作捕獲感應器、自然語音拾取等高科技手段；在分析內容上，當前國內外智能測評平臺涉及的測評內容除以學業成績、語言能力、實驗操作能力等為代表的學業水平測評外，也涉及心理測量、學習自適應能力等非學業水平方面的測評；在數據類型上，結構化數據是目前各測評平臺數據的主要類型，目的在于方便數據分析，并以可視化方式呈現最終結果。

（二）智能測評平臺存在的問題分析

通過對國內外主流智能測評平臺進行梳理分析發現，當前智能測試平臺存在以下五方面問題：

1. 測評目的異化

研究者在分析上述智能測評平臺的過程中發現，無論從所面向的使用對象還是分析內容的組成上看，均存在較為明顯的測評目的異化的情況（該現象在國內實踐中尤為突出），即測評目的在于選拔和甄別，而忽視測評的診斷、反饋和促進功能。如測評平臺關注區域教育質量監測及對比、學校辦學質量分析、教師教學質量分析、學生學業成就分析，而提供的診斷報告集中在基于常模參照測量下的排序和比較，具有較為明顯的“排位次”現象。測評需要為教師精準教學和學生高效學習提供有效支持，如果盲目追求測評的選拔和甄別作用，缺少基于測評結果的教與學的優化，則會造成測評活動舍本逐末無助于教與學改進的困境。

2. 測評數據采集相對單一

數據采集的內容和形式將直接決定后續分析的廣度和深度。從數據內容上看，當前智能測評平臺主要以學業成績數據為主，缺乏對學生日常學習行為數據、家庭背景信息等重要內容的采集；從數據類型上看，已有分析數據以結構化數據為主，如學生的試卷分數、調查問卷結果、在線學習時間、點擊次數等，缺乏對更能體現學生情感、價值觀、學習品質和學習思維等非結構化信息內容的采集；從數據收集時間跨度上看，以階段性、結果性數據為主，缺乏對日常關鍵事件和典型表現等行為數據的收集。當前，無論是數據內容和類型，還是數據收集的時間跨度，現有測評平臺尚未達到智能測評對數據采集的要求。

3. 測評分析缺乏深度

受限于測試數據采集較為單一，目前各測評平臺在分析內容和分析方法上的設計也較為簡單。在分析內容上，主要是對采用問卷、試卷等測量工具獲取的區域教育質量、學生學業成就等方面信息進行分析；從分析方法上看，以描述性的量化統計分析為主，缺乏質性分析及縱向和橫向的對比分析，缺乏從多角度、多層次分析同一對象；從測量統計理論的應用上看，主要以經典測量理論作為理論依據，缺乏對于更能反映學生認知過程、數據處理精度更高的認知診斷和項目反應等理論的應用。因此，分析結果往往較為片面，無法形成有效的證據鏈，可信度不高。

4. 測評結果可視化程度低

通過分析各類評測平臺可知，用圖表對分析結果進行可視化輸出是當前各智能測評平臺結果呈現的主要特征，這一形式符合信息可視化，有助于信息理解、采納和創新的研究結論（趙慧臣， 2014）。目前，測評平臺一般采用靜態和動態兩種類型的可視化結果。靜態的可視化結果是指以直方圖、雷達圖、數據儀表盤等圖表呈現的結果，一般不能更改；動態的可視化結果是指通過選擇和關聯不同時間、測評維度和統計分析指標來呈現的測評結果，具有交互性功能。例如在分析學生口語表達能力時，學生可以按照自己的需求選擇語音、詞匯等分項內容的診斷結果，也可以自定義分項成績來模擬當前口語水平與目標水平的差距等。整體而言，測評結果的可視化在數據更新、圖形化、交互性等方面還較弱。

5. 測評反饋智能化水平薄弱

智能測評平臺的關鍵特征是測試結果的智能化和個性化，平臺應基于對區域、學校、學生作答數據的分析結果提供相應的教育質量預測和改進建議。但從目前的調查來看，各測評平臺提供預測和建議的功能有待完善。部分提供教與學改進建議的平臺并沒有做到個性化，給出的建議較為寬泛且缺乏個性化分析。所分析的測試平臺均未提供預測分析功能。由此可以看出，實踐中有較多測評平臺冠以智能之名，但未有智能之實，這一現象也值得深思。

三、數據集驅動的智能測評研究現狀分析

為了解近年來國內外智能測評研究的整體狀況，對國內外相關文獻進行梳理和內容分析。其中，中文文獻的檢索選取中國期刊全文數據庫、中國博士和碩士學位論文全文數據庫和中國重要會議論文全文數據庫作為樣本來源，以下述檢索式進行檢索：檢索項為“主題”；檢索詞為“智能測評”“智能反饋系統”“智能測試系統”“智能評價”；根據相關文獻出現的初始時間和研究進度確定時間跨度為2002年1月至2016年12月；匹配方式為“模糊”。剔除會議通知、簡訊等無關內容，篩選后共獲得樣本文獻19篇。外文文獻的檢索選取Elsevier ScienceDirect、Springer Link、Wiley Blackwell、Web of Science等國外知名數據庫為樣本文章來源，以下述檢索式進行檢索；檢索項為“Theme”；檢索詞為“intelligent assessment”“intelligent evaluation”“artificial assessment”“artificial evaluation”；時間跨度與中文文獻一致，并輔之以Google學術搜索。剔除會議通知、workshop等非研究文獻，共獲得有效文獻23篇。通過對所獲樣本的整合與分析，當前國內外智能測評研究主要集中在以下幾個方面：

（一）智能測評的理論與技術研究

該類研究主要集中在智能測評結構觀的認識和發展探討、智能測評量表設計與開發的理論依據、智能測評的算法和模型等方面。例如，邱江等（2004）在借鑒國外學者對智能結構最新研究成果的基礎上，分析了未來智能測驗應遵循的原則并進行了智能測驗的試題編制。Yulan He等（2009）在文本語義挖掘研究中對潛在語義分析（Latent Semantic Analysis， LSA）、n-gram共生和BLEU等技術進行深入分析，結果表明與現有技術相比，新技術支持的文本自動化評估能夠實現文本分析高精度并且顯著提高分析性能。

（二）智能測評系統的設計與實現

這方面研究主要圍繞多元化、個性化智能測評系統的設計和實現來展開。例如，吳志剛等（2010）在研究學習者和學習內容的基礎上，整合學習目標、學習能力、評價方法等因素提出三維個性化評價模型，并從提升系統的效度和可用性出發，構建了個性化智能測評系統模型。Arturas Kaklauskas等（2015）采用生物特征識別、語音壓力分析和特殊算法開發了智能自我評估系統，支持考生在正式考試前對自己的情緒和壓力進行測評，為幫助學生緩解考前壓力和平復緊張情緒提供參考。Ifeyinwa Chika等（2008）利用增強現實技術構建了一個集成智能測評功能的虛擬實驗室，該虛擬實驗室可以實時動態地采集學生在實驗過程中的操作過程數據并自動反饋實驗效果達成度等診斷信息。

（三）基于智能測評系統的教與學應用研究

這類研究主要包含智能測評技術在語言學習中的應用、智能測評在混合式教學和在線學習中的應用、基于智能測評結果的教與學改進策略和模式等。例如，李娟（2016）基于“注意假設”理論，通過兩個班級的口語教學實踐和語用能力調查以及對學生的訪談發現移動智能測評終端的應用有助于提高教學效果。 Chia-I Chang（2002）針對網絡學習中如何評價學習者離線后課程學習表現的問題，提出了基于《學生問題課程量表》（Student Problem Course Scale）的在線智能測評系統，該系統能夠依據學生的個性特征和需求組織課程材料并生成課程內容，其自適應和自組織特性能夠激發學生學習課程的興趣和參與度。Uday Kumar等（2011）利用智能測評的相關理論構建了在線智能評估系統，用以測量學習者在線學習表現以及為學習者推薦個性化學習資源，幫助學習者挖掘自身學習潛力并提高其學習表現。

通過對國內外智能測評研究的分析可知，當前多元智能理論是智能測評的主要理論依據，新的“智能學說”正不斷受到研究者的關注；在測量趨向上，研究者開始使用新的算法和模型，并結合新的測量統計理論來不斷提高智能測評系統的測量精度。在設計趨向上，基于個性化測評結果的教與學改進得到普遍認同，這是智能測評的價值追求所在，也是智能測評服務模式的內在要義。然而，目前有關智能測評的理論和技術走向尚不明晰，智能測評在學習過程中如何實時監控和預警，在學習結果上如何促進學生個性發展是測評走向智能化和個性化必須面對的重要議題。

四、智能測評發展的理論與技術趨向

學習測評的關鍵原理是必須提供反饋和回溯的機會，而且被評價的內容必須和學生的學習目標相一致（Briansford， Brown， & Cockin， 2013）。智能測評需要在學習內容、學習過程和學習目標等方面提供個性化學習評價結果，以此作為改進教與學的反饋信息的來源。因此，智能測評發展需要以個性化學習為目標，以形成性評價為中心，以學習理論為指導，以機器學習分析和自然語言處理為技術支撐，持續對學生的知識、思維和理解進行評價和反饋，最終促進學習者達成目標。

（一）智能測評發展的理論趨向

1. 以內容為導向的概念轉變學習理論

促進學習者對所學知識點的概念理解是學習測評的一個重要目的。而在概念理解上，特別是理科知識概念，存在容易讓學習者困惑的相異概念、迷思概念、直覺概念等，因此需要通過智能測評發現并促使學習者完成概念轉變，其中包括通過題目和選項的分析挖掘出學習者存在的迷思概念和通過觀點分析并轉變先前概念背后的本體論和認知論假定。此外，對學習者建模的評判可以了解其概念轉變過程，當學習者建構并轉變他們的模型時，他們就在通過改變正在學習的概念重新組織知識結構（高文等， 2009）。

2. 以理解為導向的生成性學習理論

學習結果是學習者在完成知識內容學習和參與學習活動之后在知識內化上的集中體現，對學習結果的評價離不開學習過程和活動，而對過程進行持續跟蹤和評價有助于及時發現學習問題，并提供學習干預和補救。生成性理論強調在學習過程中學習者對知識的理解和意義建構（Wittrock， 1974）。該理論的基本假設是學習者是學習過程的主動參與者，只有通過個體生成關系和理解，才能生成有意義的知識。智能測評在內容上的設計應將測評內容和知識點與學習者所學內容進行關聯，并著重理解性題目內容的設計和評價，以促使學習者建立知識之間的聯系并生成自己的理解。

3. 以結果為導向的學習目標分類理論

對學習結果的測評不僅要關注所取得的成績和知識掌握程度，也要了解學習者在學習目標上所達到的層級，以進一步合理規劃后面的學習內容和學習活動。而在目標分類理論上，注重通過外顯行為觀測目標的布魯姆教學目標分類理論能夠有效區分學習者的能力表現。布魯姆提出的教學目標分類理論包含兩方面特征：①用學生的外顯行為來陳述目標；②目標是有層次結構的。該分類理論包括知道、領會、應用、分析、評價和創造六個層級，能夠將學生的行為由簡單到復雜按秩序排列，并具有連續性和累積性（Krathwohl， 2002）。研究者Rex Heer（2012）在該分類理論基礎上增加了知識層級維度，形成了以知識和認知過程為組合的二維表，對學生的學習結果表現可以通過這兩個維度進行坐標定位，了解學生達到的能力層級。

（二）智能測評發展的技術趨向

1. 基于學習行為數據鏈的機器學習分析技術

大數據技術、數據科學和移動技術的日漸成熟和廣泛應用使得學習者在任何情境下的數字化學習行為得到跟蹤和記錄。學習行為時間點包含學習者在線預習、活動參與、學習測評等整個學習流程。而學習行為數據類型則包含隱性學習行為和外顯學習行為。其中隱性學習行為是學習者在學習活動過程中所進行的有意識的、無意識的、分散的、連續的、跳躍的等不確定特征的思考和行為過程，而外顯學習行為是學習者在參與學習活動過程中與學習資源、學習平臺交互所產生的行為路徑。學習行為時間點和數據類型構成了整個學習數據鏈，為智能測評提供了大數據源。而基于這些學習大數據應用機器學習技術進行測評可以精準識別出學習者在行為偏好、知識強弱、能力水平、學習路徑等方面的個性特征，從而為后面的學習任務智能匹配提供數據支持，最終使學生的學習更有效。

2. 基于生成文本數據鏈的自然語言處理技術

學習者在練習測評過程中的學習行為除了通過鼠標輸入的客觀題作答數據，還包括通過鍵盤輸入的以文本為交互內容的主觀題作答數據。而對這些文本內容進行情境化分析則需要自然語言處理技術，包括詞法分析、句法分析、語義分析、文本生成、語音識別等。在自然語言處理系統輸入層面上，要使系統能夠處理基于不同終端和多種輸入方式生成的真實文本數據；在輸出層面上，使系統能夠對文本內容進行深層理解，提取符合作答內容的關鍵信息以及包含個人情感和觀點的個性信息。隨著混合式學習逐步成為常態，學生的測評內容既包括傳統紙質文本數據，還包括在線測評文本數據。因此，需要整合兩部分真實文本數據。由于測評內容的分布性和真實情境性，未來應當進一步加強不同情境真實語料庫的整合以及大規模、信息豐富的詞典編制工作，以提高測評文本的實時性和精準性。

（三）智能測評發展的目標導向

1. 以個性化學習為目標

《國家教育事業發展“十三五”規劃》（2017）在主題主線部分中提出，積極促進信息技術與教育的融合創新發展，努力構建網絡化、數字化、個性化、終身化的教育體系。歷年新媒體聯盟《地平線報告》高等教育版和基礎教育版中多次將推進個性化學習作為影響學校應用教育技術的重要挑戰（Johnson， 2015， 2016）。從新媒體技術的發展軌跡來看，平板電腦、自適應技術、人工智能等技術正逐步在教育中進行深度應用和融合，這為個性化學習提供了有力的技術支撐。因此，為學生提供個性化學習服務是教育信息化發展的題中應有之義。而智能測評作為學習流程的最后環節應當基于個人學習目標和內容進行智能評價和診斷，為學習者提供差異化學習報告和反饋，最終促進個性化學習。

2. 以個性化學習過程為對象

要使智能測評能夠支持學習者的個性化學習，需要對個性化學習過程特征進行總結。為了解國內外關于個性化學習過程特征的相關內容，基于國內外文獻數據庫進行檢索，之后對文獻做二次整理分析，篩選出與個性化學習過程特征內容直接相關的文獻，通過對所篩選文獻進行內容分析整理出數字化學習環境下個性化學習過程特征的內容，見表2。

由表2可知，在分析視角方面國外較為微觀聚焦，側重學習特征的內容，而國內分析側重整個學習過程。在個性化學習特征內容分析方面，國外側重分析學習者、學習結果和學習心理，而國內則注重分析學習環境和學習活動過程。受研究范式、文化和國情等影響，兩者之間體現出不同的研究取向。總體而言，在分析視角方面主要集中在個性化學習環境、個性化學習特征和個性化學習過程。而在個性化學習特征內容分析方面主要集中在個性特征、學習活動與內容、學習目標、學習結果與評價和學習心理等方面。在數字化學習環境下，為了使個性化學習更具可實施性和操作性，并使其與測評對象相關聯，從學習內容、學習活動和學習結果三個方面對個性化學習過程的特征進行總結。在教育大數據和學習分析支撐下，智能測評在個性分析和差異評價上將凸顯出其技術優勢，基于學生的個性化學習過程提供學習評價和反饋是未來實現測評智能化的主要路徑。

五、智能測評服務的實現路徑

在上述理論與技術的支撐下，智能測評服務應當以面向個性化學習為宗旨，在學習任務上以學習能力為評價起點，基于能力水平智能匹配學習任務以實現有效學習；在學習路徑上以內容掌握為評價標準，依據測評結果提供個性化學習路徑以實現高效學習；在學習過程上以活動參與為評價對象，依據學習行為特征識別出個性優勢以進行個性化培育；在學習目標上以學習表現為評價結果，依據知識掌握和能力水平描繪個人知識地圖以精準定位學習狀態并據此合理設定目標。

（一）基于學習能力的學習練習智能匹配

傳統練習環境下衍生出的題海戰術盡管在提高成績上有一定的效果，但花費的時間成本較高，學習者往往需要遍歷每套試題中的所有題目才能找到真正薄弱點。在理科題目練習中，不同選項的答案反映出學習者頭腦中應用不同推理邏輯計算得出的結果，這折射出學習者存在迷思概念和先前知識不足的可能性。當前，數字化學習環境下的錯題練習較多是基于同類知識點題目進行分析推送，缺少關注學習者已有知識及其思維方式。智能測評環境下的練習應當根據學習能力和學習思維，智能匹配與其水平和先驗知識相當的練習測評任務，讓其測評過程既有挑戰性又有成就感，同時能夠使其從知識理解層面完成從迷思概念到正確概念的轉變。

（二）基于內容掌握的個性化學習路徑規劃

最近發展區理論對學生能力范圍的清晰界定和差異表現說明傳統測評在評價內容和反饋步調上整齊劃一的特性無助于促成每個學習者達成目標。個體學習風格和能力的差異使得學習測評要以內容掌握為常量，以掌握時間為變量，根據學習者的掌握程度和進度動態規劃學習內容和活動路徑。在設計和分析上應當對學科知識點進行屬性標記，包括難度、掌握程度、學習狀態等。其中，難度區分為簡單、中等和困難；掌握程度區分為未掌握和已掌握；學習狀態區分為待學習、進行中和已完成。基于測評內容結果對知識學習狀態進行評估，進而動態優化后面的學習路徑，使學習能夠循序漸進并更加有效。

（三）基于活動參與的個性優勢識別

學習結果是學習過程的精煉理解，通過對學習活動、過程和行為進行分析和評價可以更為精準地測評出學習者的知識水平和能力特征。學習活動行為既包括外在行為，如訪問學習資源、測評考試、互動交流等，也包括內在行為，如學習偏好、思維特征、能力傾向等。相對于傳統學習環境在數據搜集上的乏力性，數字化學習環境下的學習行為數據可以通過學習平臺進行記錄和搜集，由此我們可以對其進行個性化分析，洞察學生的真實學習過程和能力，識別出其個性優勢。依據加德納的多元智能理論對學習者在測評題目、觀點表達、行為路徑等方面進行內容和行為解析，獲取學習者在語言、數理邏輯、空間、人際等方面的個性特征，有助于創新型和個性化人才的培養。

（四）基于測評結果的知識地圖描繪

對學習結果的測評和反饋不僅僅是對題目內容對錯的簡單評判，還要從學科知識內容出發，識別出學生知識薄弱點，并根據知識點間的相互承接關系和掌握程度描繪出個人知識地圖。在知識地圖的構建上，通過采集學習者結構化、半結構化和非結構化學習行為數據對其進行結構化處理，利用實體識別、語義推理、關系抽取與識別等技術進行挖掘和構建。知識地圖應當具備知識推理的邏輯結構能力，并使知識內容和關系更好地理解語義范圍域，根據測評結果實時更新地圖內容。通過知識地圖中知識點邏輯關系、掌握度、強弱點、迷思概念等信息呈現促使學習者的自我概念系統向科學概念系統轉變。

[參考文獻]

丁念金. 2013. 基于個性化學習的課堂轉變[J]. 課程·教材·教法（8）：42-46.

高文，等. 2009. 學習科學的關鍵詞[M]. 上海：華東師范大學出版社.

國務院關于印發國家教育事業發展“十三五”規劃的通知. 2017. http：//www.gov.cn/zhengce/content/2017-01/19/content_5161341.htm

蔣志輝. 2013. 網絡環境下個性化學習的模式建構與策略優化[J]. 中國遠程教育（2）：48-51.

李廣，姜英杰. 2015. 個性化學習的理論建構與特征分析[J]. 東北師范大學學報：哲學社會科學版（3）：152-156.

李娟. 2016. 移動智能測評終端的應用及評估：以語用能力調查問卷為例[J]. 南京理工大學學報：社會科學版（3）：63-68.

邱江，張慶林. 2004. Shavinina的智能測評觀述評[J]. 心理科學進展（3）：416-422.

孫剛成，王瑩，楊眉. 2014. 泛在學習視域下的個性化學習取向[J]. 教學與管理（7）：132-133.

吳志剛，張紅軍，蔡俊. 2010. 計算機與教育：理論、實踐與創新——全國計算機輔助教育學會第十四屆學術年會論文集：個性化智能評測系統模型[C]. 上海：中國人工智能學會計算機輔助教育專業委員會：528-532.

趙慧臣，王淑艷. 2014. 知識可視化應用于學科教學的新觀點：訪瑞士知識可視化研究開拓者馬丁·愛普教授[J]. 開放教育研究（2）：4-10.

Briansford， J.， Brown， A.， & Cockin， R. （2013）. How people learn： Brain， mind， experience， and scholl. Shanghai： East China Normal University Press.

Chang， C. I. （2002）. Intelligent assessment of distance learning. Information Sciences， 140（1）， 105-125.

Chika， I. E.， Azzi， D.， Azzi， D.， Stocker， J.， & Haynes， B. （2008）. Genuine lab experiences for students in resource constrained environments： The realLab with integrated intelligent assessment. International Journal of Online Engineering， 4（3）， 18-24.

Department for Education and Skills （DfES）. （2004）. A national conversation about personalized learning. Nottingham： DfES.

DiMartino， J.， Clarke， J.， & Wold， D. （2001）. Personalized learning： Preparing high school students to create their futures. Lanham， MD： Scarecrow Press.

Giancarlo， B. （2006）. Advanced personalized learning and training applications through mobile technologies and services. In Nejdl W.， Tochtermann K. （Eds.）， Innovative approaches for learning and knowledge sharing： Lecture notes in computer science （pp. 555-560）. Berlin： Springer.

Hamideh， A.， & Jafar， T. （2010）. A high level architecture for personalized learning in collaborative networks. In Camarinha-Matos， L.M.， Boucher， X.， Afsarmanesh， H. （Eds.）， Collaborative networks for a sustainable world IFIP advances in information and communication technology （pp. 601-608）. Berlin： Springer.

He， Y.， Hui， S. C.， & Quan， T. T. （2009）. Automatic summary assessment for intelligent tutoring systems. Computers & Education， 53（3），890-899.

Johnson， L.， Adams， B.， Cummins， M.， Estrada， V.， Freeman， A.， & Hall， C. （2016）. NMC horizon report： 2016 higher education edition. Austin， Texas： The New Media Consortium.

Johnson， L.， Adams B.， Estrada， V.， & Freeman， A. （2015）. NMC horizon report： 2015 K-12 edition. Austin， Texas： The New Media Consortium.

Kaklauskas， A. （2015）. Biometric and intelligent self-assessment of student progress system. Computers & Education， 55（2）， 821-833.

Keamy， R. L.， Nicholas， H. R， & Mahar， S. （2007）. Personalizing education： From research to policy and practice. Melbourne： Department of Education & Early Childhood Development.

Kim， C. M. （2012）. The role of affective and motivational factors in designing personalized learning environments. Educational Technology Research and Development， 60（4）， 563-584.

Krathwohl， D. R. （2002）. A revision of Bloom's taxonomy： An overview. Theory into practice， 41（4）， 212-218.

Michael， P. （2009）. Personalization， personalized learning and the reform of social policy： The prospect of molecular governance in the digitized society. Policy Futures in Education， 7（6）， 615-627.

Paul， B. & Dylan， W. （1998）. Assessment and classroom learning. Assessment in Education Principles Policy & Practice， 5（1）， 7-74.

Rex， H. （2012）. A Model of Learning Objectives based on A Taxonomy for Learning， Teaching， and Assessing： A Revision of Bloom's Taxonomy of Educational Objectives. www.celt.iastate.edu/teaching/RevisedBlooms1.html

Stefanie， G.， & Andreas， H. （2012）. Systems for personalized learning： Personal learning environment vs. e-portfolio？ In Cheung， S. K. S.， Fong， J.， Kwok， L. F.， Li， K.， Kwan， R. （Eds.）， Lecture notes in computer science （pp. 294-305）. Berlin： Springer.

Tomas， C.， Borg， M.， & McNeil， J. （2015）. E-assessment： Institutional development strategies and the assessment life cycle. British Journal of Educational Technology， 46（3）， 588-596.

Uday， M.， Mamatha， J.， Jain， S.， & Jain， D. （2011）. Intelligent online assessment methodology. In Abraham， A.， Corchado， E.， Han， S. C. （Eds.）， International conference on next generation web services practices （pp. 215-220）. Spain： IEEE.

Waldrip， B.， Cox， P.， Deed， C.， Dorman， J.， Edwards， D.， & Farrelly， C.， et al. （2014）. Student perceptions of personalized learning： Development and validation of a questionnaire with regional secondary students. Learning Environments Research， 17（3）， 355-370.

Wittrock， M. C. （1974）. Learning as a generative process. Educational Psychologist， 45（2）， 40-45.

作者簡介：牟智佳，博士，講師，本文通訊作者，江南大學人文學院（214122）。

俞顯，碩士，寧波市教育考試院（315000）。

責任編輯 單 玲