智慧教育視野中的學習分析與個性化資源推薦

劉敏 鄭明月

摘要：學習分析與個性化學習資源推薦是智慧教育的兩個重要環節。該文采用準實驗研究方法探索學習分析和個性化學習資源推薦的理論與實踐問題。從學習風格、在線學習偏好、學習者知能結構以及學習者在線學習行為及結果等方面進行學習分析，對學習資源的內容、類型、資源的推薦時間以及頻次等進行個性化的推薦設置。研究表明學習分析和個性化學習資源推薦為學習者設置了個性化學習路徑，有利于提高學習者參與學習活動的積極性、提高學習者的學習成績、改善學習者的知能結構，在一定程度上實現因材施教的教育理想，并對學習分析、學習資源推薦與學習者主體意識的關系進行了討論，提出了提高學習分析與個性化學習資源推薦效果的策略。

關鍵詞：智慧教育;學習分析;個性化;學習資源推薦

中圖分類號：G434 文獻標識碼：A

一、問題的提出

作為教育信息化的新境界、新訴求，智慧教育引領教育信息化的創新發展[1]，成為教育領域的新熱點。智慧教育最早的倡導者IBM在2009年提出了五大核心，其中之一即提供“個性化和多元化的學習路徑”[2]。個性化和多元化學習路徑的提供，是基于現代信息技術（大數據分析、移動通訊技術、物聯網技術等）對學習者個體差異、個性化發展目標的尊重、認可和支持，也是踐行《中國教育現代化2035》中所提出的教育應更為注重“因材施教”“面向人人”理念的有效途徑[3]。

美國學者卡羅爾認為個性化教學是依據學習者的個性特征，使學習者與學習環境之間建立的關聯關系。因此，個性化和多元化學習路徑的實現，是依據學習者不同的目標追求、學習準備、學習風格與習慣、學習能力等個性化差異，使學習者與不同內容、不同序列的學習資源相結合，并在這一過程中根據學習者的學習效果、新的需求進行實時調整，從而實現學習者個性化智慧學習的過程。其實現，至少涉及兩個方面的智慧教育環節：首先是學習者的學習分析，其目的是為個性化和多元化學習路徑的實現提供依據;其次是個性化學習資源的推薦，即以學習分析的結果為依據，基于特定的原理和匹配機制，由智慧教育系統向學習者推薦相應的學習元資源序列，這是對個性化和多元化學習路徑的具體實現。上述兩個環節在智慧教育實踐中所蘊含的諸如從哪些方面、如何對學習者進行學習分析，如何依據學習分析的結果進行個性化的學習資源推薦等問題是智慧教育過程無法回避的重要現實問題，本研究擬對此進行理論和實踐探索。

二、相關研究

（一）學習分析相關研究

學習分析被Malcolm Brown視為教育技術發展的第三次浪潮[4]。2011年第一屆“學習分析與知識國際會議”（International Conference on LearningAnalytics&Knowledge，LAK）界定了學習分析的三個核心要素：目的（理解和優化學習的過程與環境）、數據來源（學習者及學習者所在情境）和數據處理過程（測量、收集、分析、匯總）[5]。Muldner[6]認為學習分析有助于學習者學習情緒狀態以及學習活動進展的自我監控，提高了學習者的學習動機，使學習者獲得積極的情感體驗。Verbert等[7]指出了學習行為（包含學生作品）、社交互動、資源使用、學習時間及練習和測試結果等五類可用于學習分析的數據源。Wolfgang Greller[8]等構建了包含分析目標、數據類型（開放的、受保護的）、分析方法（技術、算法、理論、其他）、約束條件（內部約束、外部約束）以及利益相關者（機構、教師、學生、其他）的學習分析要素模型。

國內學者魏順平[9]認為學習分析有助于發揮學習過程數據的價值，使之成為決策和過程優化的重要依據。毛剛[10]研究發現學習分析及其反饋在時間管理、閱讀速度、干擾控制等方面能有效激發學習者的元認知意識，促進學習行為的調整和優化。姜強等[11]基于Few儀表盤設計原則和Kirkpatrick四層評價模型設計學習分析儀表盤，其研究表明學習分析儀表盤提高了學習效率和動機，增強了學生的學習滿意度。王懷波等[12]認為確定目標是學習分析的關鍵前提，學習分析的數據既包括學習者可直接觀察獲取的顯性行為數據（學習者登錄、檢索、瀏覽、下載資料等），也包括學習者內部知識建構的隱性行為數據（學習者在線學習行為的相關內容）。

（二）個性化學習資源推薦相關研究

個性化推薦的概念在1994年由Resnick[l3]首先提出。此后，個性化推薦技術成為國內外相關領域的研究熱潮。De-Marcos認為學習資源推薦是多目標組合優化問題[14]，對學習者進行建模以優化、組合適當的學習資源的內容和序列是其中最為關鍵的技術。Corbett[l5]、Baker[l6]、姜強等[17]、2achary[18]等學者根據學習者知識掌握情況進行了學習者建模;何玲[l9]根據學習者的興趣和進度推薦學習資源;許多數字圖書館系統（如美國的My Library、Library@LANL、我國的浙江大學圖書館等）基于學習者興趣進行建模推薦資源;陳曉丹等[20]利用神經網絡基于學習者的認知水平推薦學習資源;Dascalua等[21]依據學習者的訪問歷史數據為學習者推薦學習活動和資源。

以上研究及相關成果為本研究提供了理論和方法上的有益借鑒，但上述研究存在兩個問題：其一是學習分析的維度，要么是對學習者的興趣進行分析，要么是對在線學習行為數據的分析，要么是對學習者內部的知識建構進行分析，或者是結合上述某兩、三個方面進行分析，較少有研究能夠將學習者看作具有自主性和能動性的統一主體，從學習者風格、偏好、知能結構、在線學習行為、主觀學習需要和訴求等多個維度進行學習分析。其二，個性化推薦學習資源更多地體現在學習資源的具體內容、學習資源的推薦順序等的不同，很少有研究考慮到學習者個性化學習時間及對資源推薦頻次、學習資源類型的不同訴求，將推薦時間、頻次及推薦的學習資源類型等納入資源推薦的問題域。本研究試圖基于這兩個問題展開進一步的探索。

三、學習分析與資源個性化推薦模型及調整策略

以上述相關研究成果為依據，我們構建了學習分析與資源個性化推薦模型。如圖1所示，學習分析和個性化資源推薦是兩個密切聯系的過程，其目的是尊重和基于學習者的個體獨特性，定制并動態調整個性化資源的推薦來優化學習的過程，實施因材施教的智慧教育。其中，學習分析的數據來源有兩部分，一部分是學習者獨特的學習預備狀態，包括學習者的知能結構、主觀學習訴求、學習風格、在線學習偏好。另一部分則是學習者的個性化學習過程數據，包括學習者的學習行為數據、資源的使用、學習過程中與教師和其他同學的社交互動、完成的作業或作品情況、學習時間以及練習和測試的結果等。學習分析的結果成為資源個性化推薦的依據。顯然，智慧教育過程中學習分析是一個持續的過程，資源推薦也是不斷循環迭代以與學習者的個性化需求逐漸吻合的漸進過程。學習分析的各數據來源中，學習者的學習風格、在線學習偏好相對固定，學習者的知能結構和主觀訴求則隨著學習過程而變動，學習者的個性化學習過程數據隨著學習過程不斷生成和發展。學習資源的個性化推薦過程，是以對學習者的準備狀態分析（學習之初的知能結構和主觀訴求、學習風格、在線學習偏好等）作為基礎，初步確定資源的內容、類型以及推薦的時間和頻次等以生成初始學習資源，并在學習者應用資源的學習過程中逐漸調整的動態過程。

四、學習分析與個性化資源推薦教學實踐

（一）實驗設計

我們采用準實驗研究的方法，在智慧學習及相關學習理論的指導下開展學習分析和個性化學習資源推薦的實踐研究。研究設計如圖2所示：首先建設“信息技術知識與教學能力”學習資源庫作為研究的前提條件和基礎資源。然后通過信息技術學科知識以及信息技術教學能力測試，選擇知識與能力相近的28名學習者作為實驗對象，并隨機分為實驗組和對照組（實驗組與對照組在知識和能力方面均無統計學差異）。對照組學習者利用前期建設的資源庫進行學習，實驗組學習者則進行多角度的學習分析，依據學習分析結果推薦個性化學習資源，并持續分析學習者利用資源的學習過程和效果，以調整學習資源推薦的內容、類型、時間和頻次。在為期8周的學習結束之后，通過對實驗組和對照組學習者的比較分析、實驗組學習者前、后測的比較分析來驗證學習分析和個性化資源推薦的有效性。

（二）實驗過程

1.“信息技術知識與教學能力”資源庫建設

本研究以某師范大學教育技術學專業的28名本科生為研究對象。對于這個專業的師范生來說成為中小學信息技術學科教師是主要的就業方向之一。參加信息技術教師資格考試是大多數學生在大學三年級或四年級的必然選擇。學生主觀上有學習信息技術學科知識，提高自身教學能力的需求。因此，我們決定建設“信息技術知識與教學能力”資源庫滿足學習者的需求，使之成為研究的基礎資源。研究中使用的資源庫建設平臺為Moodle365，其依據在于Moodle365平臺是我國在線學習較為專業的服務平臺，支持當前流行的慕課、微課視頻教學功能，具有在線課程建設、教學過程和結果管理的各項功能，特別是平臺提供了對學習者學習路徑的設計與選擇功能，可以較好地支持我們的研究。

依據舒爾曼的教師知識分類[22]，結合教師資格考試的考點及學生的實際情況，我們建立了包括學科知識模塊、教學論知識模塊、教學技巧模塊、教學觀摩反思模塊以及牛刀小試模塊等的“信息技術知識與教學能力”課程資源庫。以信息技術教學論知識模塊為例，如下頁圖3所示，在內容上整合學科內容知識和教學法知識，每一個知識點都包含教學目標、知識點講解和訓練、檢測題等組成部分。另外，還根據學習者教師資格考試需求設置了“案例分析題型講解”“教學設計題型詳解”及《信息技術知識與教學論》模擬題等內容。資源呈現類型豐富，包含文字資源，插圖、圖表、概念圖等圖表資源，演示文稿，以及音頻、視頻資源等。

2.學習分析與個性化資源推薦

（1）學習風格分析

研究采用Felder-Silverman學習風格量表對實驗組學習者進行學習風格測試。該量表以其易于區分學習者的優勢，在技術支持學習領域的應用較為廣泛。量表將學習者區分為四個維度八種類型（視覺型/言語型、活躍型/沉思型、序列型/綜合型、感悟型/直覺型）。其中，視覺型學習者傾向于通過“看”來學習;言語型學習者傾向于通過“聽”學習?；钴S型學習者更依賴于學習環境，傾向于同教師或學習同伴互動交流的學習方式;沉思型學習者傾向于自我導向的、獨立思考的學習方式。序列型學習者傾向于遵循邏輯的、小步調的線性學習方式;綜合型學習者傾向于以整體式、跨越式思維綜合所獲得的材料。感悟型學習者喜歡學習事實性知識，不喜歡復雜或變化的事物;直覺型學習者喜歡學習抽象性的概念或理論知識，樂于創新并且有較強的創造力。

根據量表的計算方法，得出實驗組學習者在各個維度上的測試結果如表1所示。其中的a或者b表明學習者在某一維度上傾向于前一種風格類型（a），還是后一種風格類型（b），a或者b前面的數值則表明傾向的程度，數值越大傾向性越強。由測試結果很容易得出實驗組學習者的學習風格類型，如編號為01的學習者屬于視覺/活躍/序列/感悟型學習風格。也就是說，編號為01的學習者傾向于通過圖表、視頻、概念圖、圖片等視覺化的信息來獲取知識的認知方式;在學習過程中往往表現得較為積極，傾向于通過與教師、學習同伴的交流合作進行學習;喜歡按部就班，遵循一定邏輯的小步調的線性學習;喜歡學習事實性知識，更喜歡基于事實或者案例的學習方式。

（2）在線學習偏好分析

我國學者對在線學習偏好的研究還處于探索階段。陳麗[23]從心理、生理和經驗三個維度研究網絡學習者的學習行為特征。彭文輝等[24]學者從信息的檢索、加工、發布，人際交流、問題解決等維度對網絡學習行為進行研究。李素珍[25]在彭文輝等的研究基礎上，從生理、心理、情感、社會、環境等五個維度研究網絡學習行為。本研究以李素珍的網絡學習行為分類維度為依據，設計《在線學習偏好調查問卷》。其中，生理維度主要調查學習者偏好的學習時間、學習地點及學習頻次;心理維度主要調查學習者對在線學習資源的心理偏好;情感維度主要調查學習者學習過程中的心理情感的傾向性，包括學習的堅持性、進行學習的情感因素等;社會維度主要調查學習者在線學習類型、交互態度及行為等方面的偏好;環境維度調查學習者對學習資源的背景顏色、背景音樂等的偏好。

通過對調查問卷的分析可以得出每—位學習者的在線學習偏好。以編號為01的學習者為例，調查表明其生理維度的學習偏好為：傾向于晚上在宿舍進行在線學習;一周大約在線學習1—3次，持續的時間約為30到45分鐘;心理維度的學習偏好表現為：對視覺型學習資源（圖片、視頻等）更感興趣，音頻資源傾向于選擇女性聲音的資源，喜歡持續時間在15分鐘以上的名師講解等;情感維度上，該學習者基于學習責任進行在線學習，學習堅持性較好，能完成在線學習任務，偏好實踐型的學習方式;社會維度上，該學習者能夠積極參與學習交互，喜歡交流與合作;該學習者對環境不敏感，沒有明確的學習環境偏好。

（3）學習資源需求分析

學習資源需求分析主要以信息技術教師資格考試要求為參照，分析學習者在信息技術學科知識及課程教學知識、信息技術課程教學能力等方面的現狀和不足。本研究認為學習者所欠缺和不足的地方，意味著學習者需要進一步學習，也即學習者需要獲得這些內容的學習資源，具有相應的資源需求，可以作為學習資源個性化推薦的依據。

研究中以歷年信息技術教師資格考試真題為參照，設計了兩套知識范圍和難度相當的檢測題，分別作為信息技術學科及課程教學知識的前測試題和后測試題。分析學習者前測試題f后測試題在研究后期效果評價時應用）的答題情況，作為學習者相關學習資源需求分析和個性化資源推薦的依據。測試題從內容上看涉及信息與信息技術、信息的來源與獲取等15個知識模塊。通過分析學習者答題情況，得到他們對各模塊的理解及掌握水平。以編號為01的學習者為例，其對各模塊內容的掌握情況并不均衡，信息與信息技術等模塊的得分很高，表明該學習者對上述各模塊內容有較好的掌握。對于信息管理與信息社會等模塊的掌握情況良好，但還需要進一步的強化學習。信息技術教學媒體的選擇、Photoshop基礎操作等模塊是01學習者掌握較差的模塊，需要較多的學習和練習。

研究中通過說課測試學習者的信息技術教學能力。學習者抽取說課的課題，由兩位有豐富教學經驗的專業教師從教態（滿分為1 5分）、語言表達（滿分為20分）、板書（滿分為15分）、教學設計（滿分為50分）等四個方面進行評分。兩位教師評分接近時取平均值作為最終成績，評分差距較大時則通過協商來決定最終成績。學習者信息技術教學能力檢測結果如表2所示。以編號為01的學習者為例，其教態較為自然、充分利用肢體語言輔助教學。教學語言流暢、簡潔，教學過程注意到聲音的抑揚頓挫、跌宕有致，在教態、語言表達方面表現較為突出;但他板書設計的較為凌亂，也沒能很好地體現教學的重點。教學設計上不能貼近生活，各教學環節在時間把握上也有所欠缺。

（4）個性化學習資源推薦與調整

為達到適時、適度、適當地為學習者推薦個性化學習資源的目的，研究設計了資源試用環節，時間為一周，以初步獲取實驗組學習者在線學習的各種數據。以實驗前期對學習者的學習風格、在線學習偏好、學習需求等諸項分析的結果為依據，結合資源試用期的在線學習數據，為學習者進行了如下所述的個性化學習資源推薦：

個性化設置學習資源推薦時間的目的主要是尊重學習者的主觀需求及其在線學習偏好，在學習者偏好的時間段或其有空閑的時間段推送學習資源。如編號為01的學習者，他習慣于在晚上進行在線學習，所以選擇在晚上9點左右為他推送學習資源，以支持其晚上下課后進行在線學習。由于學習者在線學習偏好相對穩定，且學習資源推薦時間在整個實驗期間并未收到來自學習者不適應反饋信息，所以沒有進行調整。

資源推薦頻次初步設定的依據主要是學習者的資源需求、學習偏好及資源試用周的學習數據。如，編號為01、05、07、08、09、11、12的幾位學習者，其在線學習習慣較好，具有豐富的在線學習經驗，試用期間訪問次數為5次或略超過5次，所以在正式實驗的第一周為他們設置的學習資源推薦頻次是5次。編號為02、14的學習者，試用期間訪問次數是4次，編號為03、04的學習者，試用期間訪問次數為3次且具有在線學習經驗、自我提高的需求較迫切，因此為這四位學習者設置的初始推薦頻次都是4次。編號為06、10、13的學習者，試用期間訪問次數小于等于3次，他們也傾向于每周3次左右的在線學習，因此為他們設置的初始推薦頻次為3次。

學習資源的推薦頻次在實驗期間基于學習者的主觀訴求、學習堅持性以及上周在線學習效果每周進行一次調整。以編號為01的學習者為例，基于推薦頻次調整的計算公式f_n=f_n-1+cn₁+Cn₂+cn₃，其f₁設定為5，第一周學習結束后沒有明確的主觀訴求，所以C₂₁為0;第一周的學習堅持性較好，c₂₂值也為0;第一周學習過程中資源學習效果測試不理想，所以C₂₃為1，由此第二周該學習者的資源推薦頻次為6。第三周中該學習者主觀訴求系數、學習堅持性系數及學習效果系數均為0，資源推薦頻次仍為6。第四周時，因其要求增加資源推薦次數，所以C₄₁為1，其它兩個系數為0，所以學習資源推薦次數為7。第五周時學習效果系數C₅₃為1，其它兩個系數為0，推薦次數為8。第六周至第八周三個系數均為0，推薦次數保持不變。

學習資源內容的個性化推薦情況如表3所示，其中A到0表示信息與信息技術、信息的來源與獲取等學習資源模塊，P到S表示教態訓練等教學技能訓練模塊。1至14表示14位實驗組學習者。

以編號為01的學習者為例，其知能結構中，信息技術的發展歷程、Photoshop基礎操作等知識模塊掌握較差，板書設計能力、教學設計能力不足，因此在準實驗過程中加強對這些內容的推薦。且依據其“視覺/活躍/序列，感悟”的學習風格特點及在線學習偏好，學習資源的推薦遵循知識之間的內在邏輯，推薦的學習資源類型以圖片、文字、名師講解視頻為主，盡可能多地邀請他參與合作學習活動。具體推薦內容如下：在第一周為該學習者推薦了“信息技術發展歷程”相關內容的學習資源，由于其學習后測試成績較高，表明對該部分內容的掌握情況理想，所以在第二周為該學習者推送“信息加工與處理”模塊。由于學習者對該模塊內容掌握較差，因此第三周繼續推送該模塊內容，并在其掌握后推送“Photoshop基礎操作”相關學習資源。第四周繼續推送“Photoshop基礎操作”模塊，直到學習者較好地掌握該部分內容。第五周推送“學習者分析”相關資源，以加強這部分知識的掌握，并在學習者較好地掌握該部分后推送“板書設計訓練”相關內容。在第五周檢測學習者信息技術教學能力，發現其板書有所改進，但還存在布局不太合理問題，所以在第六周繼續有針對性地推送“板書設計訓練”模塊資源直到學習者較好地把握該教學技能，然后推送“信息技術教學媒體的選擇”相關資源，且學習者測試成績較理想。第七周推送“教學設計訓練”相關資源。針對學習者信息技術教學能力測試中教學設計方面存在的問題，在第八周繼續推送“教學設計訓練”相關資源。

（三）實踐效果分析

1.學習者信息技術學科及課程教學知識分析

利用研究初期編制的測試題在實驗開始和八周實驗結束后分別進行測試，以檢測學習者信息技術學科及課程教學知識的變化，測試結果如下頁表4所示。t檢驗結果顯示：（1）實驗組前測和后測成績有顯著差異（t值為2.62，sig值為0.01小于0.05），即實驗組后測成績明顯高于前測成績，表明學習分析和個性化資源推薦實驗顯著提高了實驗組學習者的信息技術學科及課程教學知識;（2）對照組后測成績均值高于前測，但這種差異并不顯著（t值為1.24，sig值為0.23大于0.05），表明對照組學習者利用“信息技術知識與教學能力”資源庫的在線學習過程也提高了其信息技術學科及課程教學知識，但提高效果不顯著;（3）實驗組和對照組的前測成績無顯著差異（t值為0.0008，sig值為0.99大于0.05）;（4）實驗組和對照組后測成績有顯著差異（t值為2.43，sig值為0.02小于0.05），即實驗組后測成績明顯高于對照組后測成績。上述t檢驗結果表明，在信息技術學科及課程教學知識的掌握方面，學習分析與個性化資源推薦的效果明顯優于一般的在線學習。

比較實驗組學習者各知識模塊的前后測成績，發現實驗組學習者知識結構中薄弱模塊的測試成績有較明顯提高，表明通過學習分析和個性化學習資源推薦，學習者的知識結構趨于合理、更加完善。以編號為01的學習者為例，其前測中成績較低的信息加工與處理等模塊，在后測中成績都有較大幅度的提高。

2.學習者信息技術教學能力分析

研究中采用隨機抽取課題說課形式對學習者的信息技術教學能力進行了四次測試。其中，第一次測試在研究初期學習者資源需求分析時進行，第二至第四次測試分別在準實驗研究的第五周、第六周和第八周周末進行。測試結果如表5所示。從表5數據可以看出，實驗組和對照組學習者信息技術教學能力均表現出逐漸提高的趨勢，且實驗組學習者提升的幅度大于對照組。從實驗組和對照組平均分的t檢驗結果來看，學習者的信息技術教學能力在前三次測試中p值均大于0.05，差異不顯著。第四次測試中兩組平均分差異顯著，即通過8周的準實驗研究，實驗組學習者信息技術教學能力平均得分明顯高于對照組。

在第四次測試中，實驗組學習者教學能力諸方面的平均得分均高于對照組（如圖4所示），表明學習分析和個性化學習資源推薦在完善學習者教學能力方面也起到了積極作用。以編號為01的學習者為例，其第一次測試中板書設計（10分1和教學設計（30分1存在明顯不足，經過有針對性的學習資源推薦和專項訓練，在第四次測試中這兩項教學能力得分有了明顯提高（分別為14分和42分），信息技術教學整體水平得到提升。

3.學習者互動社會網絡分析

整理學習者在資源學習過程中的互動數據，形成學習者互動二維矩陣。運用UCINET軟件對互動矩陣進行分析，得到學習者的互動網絡關系圖f如圖5所示）。圖中的有向線段表示學習者之間的互動情況。該互動網絡由28名學習者組成（sl至s14為實驗組學習者，s15至s28為對照組學習者），網絡密度為0.758，表明學習者之間的聯系較為密切，所形成的互動網絡的結構較好。其中，學習者sll、sl、sl0、s12、s25處于網絡的中心位置，在學習過程中表現更為積極，發帖及回帖頻率較高。學習者s19、s22、s26、s4、s14、s9、s21、s23、s18、s24處于互動網絡的邊緣位置，和其他學習者的交流與互動聯系較少。從圖5可以看出.實驗組學習者比對照組學習者更為活躍，部分實驗組學習者成為互動網絡的中心，對整個互動網絡及其他學習者有較大影響。

4.個性化資源推薦滿意度調查

為了解學習者對學習資源推薦的主觀感受，研究中對實驗組學習者進行了個性化資源推薦滿意度調查。調查結果顯示，在學習資源推薦頻次方面，22%的學習者表示非常滿意，50%的學習者感到滿意，21%的學習者滿意度一般，只有1位學習者感到不太滿意，她認為資源推薦的頻次偏多，學習壓力較大，完成學習任務有難度。沒有學習者感到不滿意。對于學習資源推薦的類型和內容，2g%的學習者表示非常滿意，57%的學習者感覺滿意，只有1位學習者認為推薦的資源內容一般，1位學習者表示不太滿意（其表述的原因是感覺推薦的內容太多），沒有學習者表示不滿意。

五、結論與討論

（一）研究結論

本研究運用準實驗研究方法，對智慧教育的兩個重要環節“學習者學習分析”和“給學習者提供個性化學習資源”及其所蘊含的諸多現實問題進行實證研究。通過準實驗研究中前、后測對比分析、實驗組與對照組學習者學習行為和學習結果的對比分析，得出如下結論：

1.學習分析和個性化學習資源推薦為學習者設置個性化的學習路徑，有利于提高學習者參與學習互動的積極性、提高學習者的學習成績、改善學習者的知能結構，在一定程度上實現因材施教的教育理想。

2.上述學習分析和個性化學習資源推薦取得的較理想效果，表明研究過程中對學習者進行學習分析的思路和實踐路徑是有效的，即：學習分析應當綜合考慮學習者的學習需求分析（即學習者已有知能結構分析）、學習風格分析、在線學習偏好分析，以及學習者在線學習過程和結果分析。

3.本研究中學習分析和個性化學習資源推薦取得了較理想效果，還表明研究過程中對學習者進行學習資源個性化推薦的實現方法是可行的，即個性化學習資源推薦可以從學習資源的內容、類型、學習資源推薦的時間、頻次等方面為學習者進行個性化學習資源的建構和推送。

（二）相關討論

如上所述，學習分析和個性化資源推薦作為智慧教育環境中支持學習者學習的功能，提高了學習者在線學習的效果和質量。究其原因，一方面如上文所述，學習分析和個性化學習資源推薦為學習者提供了適恰的學習資源，另一方面，則在于其內在地影響了學習者的主體意識，從而幫助學習者在學習活動中確認自我、明確目標、積極參與、努力提高和探索。

1.學習分析增強學習者的主體意識

作為一種學習干預技術，學習分析試圖從多個角度對學習者進行畫像。就本研究所涉及的角度來看，首先，對學習者學習風格、在線學習偏好、學習者已有知能結構的分析，有助于喚醒和增強學習者的自我意識，幫助學習者從智慧學習活動系統和諸多學習活動中確認和區分“自我”，協調學習活動中“主體的我”對“客體的我”的意識，促使學習者明確自己的情緒狀態、知能結構和學習需求，幫助學習者將智慧學習活動系統中的客體、工具、共同體等要素置于自我意識之下，通過自身積極主動的學習活動突顯學習者作為學習活動主體的自主性和主動性。其次，對學習者在線學習行為及其結果的分析有助于增強學習者主體意識中的實踐意識，促使學習者對智慧學習活動系統中自身的學習活動和學習行為進行再認識和再建構，使之從無意識走向有意識，從自在的存在轉變為自為的存在。再次，學習分析在幫助學習者確認“自我”和規劃學習的行為的過程中，使學習者明確自己在學習共同體中的權利和責任，有助于增強學習者主體意識中的關系意識（或社會意識），在智慧學習共同體中更好地處理自我與他人、自我與學習共同體之間的關系?？傊瑢W習分析技術將學習者現狀、需求、學習行為以及學習目標聯結起來，同時將學習者與智慧學習活動系統中的其它要素（如客體、工具、共同體、規則和分工等）聯結起來，增強了學習者的主體意識，突顯了智慧學習活動中學習者的自主性、主動性、創造性和社會性。

2.學習資源推薦與學習者主體意識的沖突與一致

在智慧學習活動系統中，學習資源推薦本質上是一種學習干預技術，是智慧學習環境基于多角度、系統化的學習分析為學習者提供的有針對性、個性化的支持服務，具體表現為將特定類型、順序的學習資源序列，按學習者偏好的時間和頻次推薦給學習者，為學習者設置了個性化學習路徑。而學習者的主體意識是學習者對自身作為學習活動全過程中主體的自覺意識，要求學習者對學習活動的方式、進程、順序等自行規劃和設計，主動地實施和自我評估。從理論上來看，前者屬于學習路徑和過程的他者設定和他組織（Heter-organization），后者則是自我設定和自組織（Self-organization），二者在理念上存在著某種程度的對立和沖突。

而在智慧學習活動系統中，二者則表現為互相促進、融合與一致。首先，學習資源推薦與學習者主體意識的目標指向一致，都是為了完善和發展學習者的知能結構，提高學習者解決問題能力、思維水平和創新能力。其次，在絕對意義上完全踐行學習者主體意識需要某些前提條件，比如學習者是絕對成熟的“學習能手”、學習者對學習活動資源有著絕對的熟悉等。在現實教育實踐中，這些條件往往并不成立，學習者不那么成熟，而且學習資源極為豐富、類型多樣，絕對意義上的學習者自組織的學習很難取得理想的學習效果和效率，必須將學習資源推薦與學習者主體意識相結合。再次，在智慧學習活動系統中，由于學習者主體意識的增強，學習資源推薦被納入到學習者的主體意識之中，成為學習者自組織的一部分，并且在學習資源推薦過程中將學習者對學習資源的類型、內容、順序，以及推薦的時間、頻次等的主觀訴求作為學習資源推薦的重要依據，使二者相互融合、互相促進，表現出某種程度的一致性。

3.提高學習分析與學習資源推薦效果的策略

學習分析的效果影響著學習者畫像的精準性、學習者學習需求分析的準確性、所進行的學習預測的可靠性以及資源推薦、個性化學習路徑設置的效果。學習資源推薦效果直接影響學習者所獲得學習資源與學習者知能結構、學習需求的適恰性。進而間接影響學習者的學習效果和效率。提高學習分析和學習資源推薦的可能策略有：（1）盡可能碎片化學習資源。將學習資源按照知識內在的邏輯切割成碎片化的資源，以實現學習資源推薦的細致化和精準化;（2）提供更為豐富的學習資源。提供所在領域覆蓋面更廣以及更深入的學習資源，對同一內容的資源則提供文字、圖片、視頻、音頻等多種呈現形式以滿足不同學習風格和學習偏好的學習者的需求;（3）提高學習分析的精準性。改進和完善學習者風格、學習偏好的測量量表，簡化并完善學習者主觀訴求的反饋機制，提高對學習者在線學習行為進行分析和學習者畫像的精準性;（4）優化學習資源推薦算法。學習資源推薦算法包括關于學習資源推薦時間、頻次的算法，基于學習資源內在邏輯的學習資源內容的推薦算法，以及綜合學習資源內在邏輯、學習者風格及偏好的學習資源組織與呈現算法等。

受數據挖掘和學習資源推薦相關技術水平的限制，本研究中學習分析和學習資源推薦過程中包括了較多的人工操作。隨著數據挖掘和人工智能等相關技術的進步，學習分析和學習資源推薦的自動化、智能化程度都將隨之提高，學習分析和個性化學習資源推薦的效果也將逐漸增強，以更好地實現個性化智慧學習和因材施教。

參考文獻：

[1]祝智庭.智慧教育新發展：從翻轉課堂到智慧課堂及智慧學習空間[J].開放教育研究，2016，22（1）：18-26.

[2]Rudd J，Sullivan P，King M，et al.Education for aSmarter Planet：TheFutllre of Learning[EB，0L].http：，/www.red—books.ibm.com/redpapers/pdfs/redp4564.pdf'20 12—09—09.

[3]中共中央、國務院印發《中國教育現代化2035》[EB/OL].http//www.moe.gov.cn/jyb_xwfh/gzdt_gzdt/201902/t20190223_370857.htmd，2019_02_24.

[4][12]王懷波，李冀紅等.目標導向的學習分析模型構建[J]中國電化教育，2018，（5）：96—102.

[5]siemens G，Long P.Penetrating the Fog：Analytics in Learning andEducation[J].Td Teenologie Didattiche，2014，46（2）：S866.

[6]Muldner K，Wixon M，Rai D，et al.Exploring the impact of a leamingdashboard on student afkct[C].Switzerland：Sp“nger internationalpublishing，2015_307一317.

[7]Verbert K，Govaerts S，Duval E，et al_Learning dashboards：anoverview and future research opponunities[”Personal&UbiquitousCoI11puti“g，2014，18（6）：1499—1514.

[8]Greller W，Drachsler}LTranslating Leaming into NuIIlbers：A Genericnmllework for Leaming Analydcs[J].JoLlmal of Educational Technology&Soeie'y，2012，15（3）：42—57.

[9]魏順平.學習分析技術：挖掘大數據時代下教育數據的價值[J].現代教育技術，2013，23（2）：5—11.

[10]毛剛.學習分析作為元認知反思支架的效能研究[J]電化教育研究，2018，39（9）：22—27.

[11]姜強，趙蔚等.基于大數據的學習分析儀表盤研究[J].中國電化教育，2017，（1）：1 12—120.

[13]Resnick P，Iakovou N，Sushak M，et al[A].Grouplens：an openarchitecture for collaborative fihering of netnews[C].Chapel hill：InProceedings ofCSCW'94，1994.175一186.

[14]De—Marcos L，Pages C，Martinez J J，et al[A].Competency—basedLearnin9 0bjeet Sequencing using Particle Swarms[C].New YorkCity：Proceedings of the IEEE International Conference on T00LS withArtmcial Intelligence，2007.111—116.

[15]Corbett A T，Anderson J R.Knowledge tracing：Modeling theacquisition of procedural knowledge[J].User Modeling and Use卜Adapted Interaetion，1994，4（4）：253—278.

[16]Baker R S J D，Corbett A T，Aleven V[A].More Accurate StudentModeling through Contextual Estimation of slip and GuessProbabilities in Bayesian Knowledge Tracing[C].Berlin：Proceedingsof the 9th international conference on Intelligent TutoringSystems，2008.406一415.

[17]姜強，趙蔚等.基于用戶模型的個性化本體學習資源推薦研究[J]中國電化教育，2010，（5）：106—111.

[18]Pardos Z A，Heffernan N T.Modeling Individualization in aBayesian Networks Implementation of Knowledge Tracing[C].Berlin：International Conference on User Modeling，Adaptation，andPersonalization.Springer—Verlag，2010_255—266.

[19]何玲，高琳琦.網絡環境中學習資料的個性化推薦方法[J].中國遠程教育，2009，（2）：67—69.

[20]陳曉丹，陳桂蘭等.智能教學系統中認知學生模型的實現[J].信息技術，2010，（12）：18—21.

[21]Dasealu M I，Bodea C N，Moldoveanu A，et al.A recommender agentbased on learning styles for better virtual collaborative learningexperiences[J]Computers in Human Behavior'2015，45（C）：243—253.

[22]Shulman L S.Those Who Understand：Knowledge Growth inTeaehing[J].Educational Researcher，1986，15（2）：4—14.

[23]陳麗，張偉遠等.中國遠程學習者學習風格特征的三維模型[J].開放教育研究，2005，（2）：48—52.

[24]彭文輝，楊宗凱等.網絡學習行為分析及其模型研究[J]中國電化教育，2006，（10）：3—5.

[25]李素珍.基于網絡學習行為分析的網絡學習風格與學習偏好挖掘模型研究[D].武漢：華中師范大學，2009.