不同績效學生群體參與一對一在線輔導的比較研究

陳玲　張文靜　朱婷婷

摘要：為了促進學生個性化發展、提升教育公平，基于學生的異質性提供個性化輔導成為學者們探討的熱點問題。為了解一對一在線輔導這種政府提供的個性化教育公共服務是如何促進不同背景學生的個性化學習，該文針對北京某區2471名學生輔導產生的1 6820條對話數據，分析不同成績學生在線輔導行為差異，并對輔導主題和師生情感分布進行組間比較分析。結果表明：在線行為中，學生參與輔導的次數和難度與其學習成績相關;不同成績組學生的輔導次數與難度均存在差異性;通過對輔導高頻知識點的分析，發現不同成績組學生輔導知識點具有相似性，同時也存在一定知識點廣度和深度的群體差異;在情感維度發現，不同績效背景群體沒有顯著差異，且師生參與輔導的正面情感密度遠遠高于負面情感，表明師生對參與一對一輔導整體持有積極、肯定的情感。

關鍵詞：個性化在線輔導;在線行為分析;話題分析;情感檢測

中圖分類號：G434

文獻標識碼：A

一、引言

教育部于201 8年4月印發的《教育信息化2.0行動計劃》中提到， “圍繞加快教育現代化和建設教育強國新征程，構建網絡化、數字化、智能化、個性化、終身化的教育體系，建設人人皆學、處處能學、時時可學的學習型社會，實現更加開放、更加適合、更加人本、更加平等、更加可持續的教育”[1]。隨著網絡技術的發展，MOOC等在線開放課程由于其平臺的開放性及學習資源的豐富性促使大量學習者參與到網絡學習中來，也成為在線學習的主要研究對象。然而，這種大規模在線開放課程主要呈現出教師與學生一對多的授課形式難以滿足學習者個性化的學習需求，致使學習者在學習過程中存在注冊率高而完成率低、參與度低以及學習獲得感較低等問題[2][3]。在這種情形下，問題驅動的一對一在線輔導能有效彌補大規模在線課程的缺陷。學習者在先驗知識的基礎上，根據自身的學習需求通過個性化提問并在教師的協作闡述下促進知識的應用與整合，優化學習進度與教學方法，增強學習者的內在學習動機及學習主動性，最終實現深度學習[4]。

進一步聚焦到基礎教育，正如北京師范大學陳麗教授指出的“新時代中國教育的主要矛盾是學生日益增長的個性化的、高品質的、靈活的、終身的教育需求和基于學校的、標準化的、班級的、單一渠道的服務供給方式之間的矛盾”。多樣化、個性化教育供給成為教育質量提升的新訴求[5]，而完全依賴、訴求于市場輔導機構提供的個性化服務供給，一方面是輔導質量難以得到保障，校外培訓機構自身需要進一步規范和引導[6];另一方面，價格不菲的課外輔導班費用難以兼顧教育普適性和公平性，經濟收入薄弱家庭孩子的發展需求難以通過該渠道得到滿足。因此，需要政府積極探索個性化教育公共服務形態，打破體制內教師傳統資源配置和流轉思路，借助網絡突破校園圍墻的空間限制、打破課程表的時間約束，通過構建課內課外和線上線下融合的網絡教育空間來在線萃取教師的個性化服務形態，實現教師智力資源的在線流轉，并進一步精準推薦給有相應需求的學生[7]，從而延展學校服務空間、滿足學生個性化發展。

在上述背景下，北京市教育委員會在《關于積極推進“互聯網+”行動的指導意見》等國家政策文件的支持下，面向師資相對較為薄弱的北京市遠郊區縣的中學生開展中學教師開放型在線輔導試點計劃（簡稱“開放輔導”），通過提供遠程一對一輔導等多種形態來解決學生課外個性化問題和促進學生的揚長學習。計劃推行以來，得到一線學生和家長普遍認可，很多學生逐漸形成有問題求助開放輔導教師的習慣，在平臺上也匯聚形成了大量學生輔導數據，結合學生成績發現，開放輔導覆蓋了各種績效背景的學生，這在體現輔導的“全納”性特點的同時，也會引發新的思考：不同成績背景的學生參與一對一個性化輔導的在線行為是一致的嗎？具有怎樣的群體差異？學生在主動發起的輔導內容方面有無群體差異性？其互動話語的情感變化和分布又是怎樣的？該如何捕捉、分析這種差異性，指導教師為學生提供更有針對性的分層輔導和服務？通過對這些問題的探究和分析，可以更好地透視不同背景學生參與個性化教育公共服務的特點，為教師的“因材施教”、精準服務提供支撐，推進輔導可持續、深度發展，提升學生的教育獲得感。

二、文獻綜述

（一）在線學習的群體差異研究

1963年Carroll提出的掌握學習法指出學生在學習過程中合適的學習節奏比自身智力更重要，即個性化的教育往往會比傳統的群體教學的學習效果更好[8]。2017年的美國國家教育技術計劃將個性化學習定義為學習者根據自身的實際需求，自定學習進度，選擇合適的教學方法以達到優化教學的目的[9]。

隨著在線輔導等非正式學習在傳統教學中充當越來越重要的角色[10]，近年來越來越多的學習者選擇在線輔導進行個性化學習。學者們也開始從不同角度關注個性化在線輔導的差異、成效和對教育公平的影響。如從區域、城鄉差異角度出發，討論在線教育城對城鄉教育差距縮小的作用[11]，為城市與農村的教學資源平衡提供潛在可能性[12];有從性別差異角度，認為性別因素一直是影響學生學習發展的關鍵[13]，嘗試發現男、女生在線學習的共性與個性問題[14]，并認為在線教育能縮小男女性別之間的教育差距，有助于實現民主化教育[15];而不同績效背景和在線學習關系也受到很多研究者關注，如Tu等人認為個性化學習與學生個體的學習成績密切相關，并認為學生在個性化學習過程中可以通過掌握一定的自我調節學習技能，如：目標設定、時間管理、任務策略與環境結構等來獲得更顯著的學習成就[16]，自主在線學習有助于消除不同成效組學生的成績差距[17]，學習成就較高的學生在線參與度較高[18-20]，學生的輔導參與度隨其成績的提升而深人[21][22]。

（二）在線學習分析技術應用現狀

圍繞在線學習，結合文獻發現，研究者較為關注于使用學習分析技術整合學生學習過程中的行為數據，刻畫學生學習全過程的規律，進而預測學生的學習效果或提出學習建議等。如通過對開放課程中的學習者特征、在線學習行為及其平臺使用情況的統計和可視化呈現，揭示了高校開放課程中學習者社群和學習行為總體特點和衍變趨勢[23];將學生的在線行為分為獨立學習、系統交互、資源交互與社會交互四種，并建議教師針對不同的學習行為模式采用不同的教學策略進行個性化教學等[24]。在具體開展分析時，重視通過采集文本、音頻、視頻或動作、表情等多維度信息，從行為、認知和情感等多維度來透視學生學習特點和規律等。如聚類分析學生的行為模式，分析學生行為模式與其學習動機與成效間的內在聯系，在此基礎上對教師的教學提出建議[25];使用迪利克雷主題建模文本分析方法，自動識別并歸類學生討論關于高校優勢與劣勢的主題，對高校合理有效招生提供建議[26];從情感狀態識別維度，探討學生正面情緒和學生負面情緒對其學業控制的影響等[27]。

綜上，一方面，發現相關群體差異研究大多以大學生、成人為研究對象，且無論是在線學習還是個性化輔導形態，居多由教師自上而下設計和發起，這和本研究面向中學生、由學生課外主動發起的在線個性化輔導的研究情境有一定的差異，這也進一步說明本研究具有一定的理論和實踐意義。另一方面，相關學者對在線學習和個性化輔導的分析維度、具體分析技術能為群體比較維度提供支撐。本文將從師生輔導的在線行為、輔導主題內容以及情感狀態維度，探索不同績效背景的學生群體個性化輔導行為的特點和差異，從而為后續如何進一步提升輔導成效、促進教育公平提供建議和參考。

三、研究設計

（一）研究對象

本研究獲取2016-2017學年北京某個區域初一數學學科下的2830名學生與老師的一對一在線實時輔導產生的198 15條對話數據。由于本研究要結合學生最近期末考試成績進行績效分組，剔除個別沒有參與區域統一命題、統一閱卷的學校，或由于個人原因沒有參與期末考試的學生，最終剩下2471名學生，共計討論對話1 6820條。這247 1名學生的平均成績是73.29分（全區統一命題、統一閱卷）。參考Kelley提出的按照成績對學生進行分組時，最佳的劃分規則是將成績由高到低有序排列，高、低成績組學生人數分別占學生總人數的27%[28]，最終得到高成就組學生667名，產生對話4213條;中成就組學生1137名，產生對話7064條;低成就組667名學生，產生對話5543條。其中區直學生607人，農村學生1864人;男生1551人，女生920人，男女比例近似為3：2。

（二）數據來源

如圖1所示，師生一對一輔導的基本流程是學生主動向老師發起邀請，并將自己的問題拍照上傳，老師接收邀請后，利用點陣筆，通過音頻和視頻等方式針對學生的提問提供一對一在線輔導，輔導結束后師生端各需在線填寫一份輔導反饋量表。對師生在線輔導進行全面的量化與質性分析數據包括教師對學生輔導行為的反饋量表數據（如圖2所示），后臺每條輔導記錄日志數據（如圖3所示），以及記錄完整輔導過程的媒體數據。其中，輔導記錄日志成為學生行為分析的主要數據來源;輔導內容主題詞則是通過教師對學生評價量表中標記的知識點獲得;師生情感分析數據則是把師生對話的音頻轉錄成文本內容，進而開展分析。

（三）數據處理和分析過程

本研究聚焦在線輔導的學生在線行為、輔導高頻話題以及師生情感狀態這三個維度，具體數據處理和分析過程介紹如下。

1.在線行為統計和分析

我們從開放輔導項目的后臺獲取學生下述4種主要在線行為。

輔導次數：即學生參與一對一在線輔導的總次數。先通過后臺數據庫獲取師生輔導的源數據，接著通過學生的學號計算出每位學生參與輔導的次數;

平均輔導時長：指的是學生每次輔導的平均時間長度。平均輔導時長的計算方法是將每位學生參與輔導的時長相加再與輔導次數作除，以分鐘為單位;

回訪率：學生在輔導過程中向同一位老師發起輔導的概率。學生的回訪率（R）等于學生向同一位老師發起輔導的次數（a）除以學生參與輔導的總次數（N），即：R=a/N;若學生與多位老師（n）均產生多次輔導（a1，a2…an），則學生的回訪率等于多位老師回訪率的平均值，即：R=（a1/N+a2/N+…+an，N）/n;

輔導難度：學生向老師所提問題的難度。在輔導結束后，教師填寫的評價量表中包含對學生輔導難度的打分（0-5分，5分難度最大），我們將每位學生收到的輔導難度相加的和再除以學生的輔導次數，得到每位學生的平均輔導難度。中輔導難度值大小依次分為高輔導難度（x>=3）、中輔導難度（3>x>=2）與低輔導難度（2>x>=1）。

通過將上述四種在線行為與學生成績做相關分析，得到和學生成績存在潛在聯系的在線行為，并對影響成績的具體行為進行組間差異分析。

2.輔導高頻話題統計和分析

本研究從后臺獲取輔導結束時教師填寫的反饋量表中對問題知識點的主題標記，并將這些主題與初一數學學科39個知識點進行關鍵詞匹配，得到學生提問包含的具體學科知識點。接著使用條形圖將全體學生與高、中、低成績組學生所討論的高頻知識點進行可視化呈現，進一步分析不同群體學生所關注的具體學科內容的差異性。

3.情感狀態統計

本研究在董振東先生研制的HowNet[29]、臺灣大學發布的簡體中文情緒極性詞典[30]以及清華大學自然語言處理與社會人文計算實驗室研制的《中文褒貶義詞典v1.0》[31]的基礎上，結合現在網絡的常用情緒詞匯，最終得到包含9594個正面情感詞與12884個負面情感詞的中文情感詞典。我們將師生的對話數據進行分詞、并與中文情感詞典進行匹配（0為負面情感，1為正面情感），建立小時一星期一情感密度的三維矩陣，以周為單位提取數據，分別計算每天內24小時的正、負面情感密度。最后使用Exce12016軟件將學生一周內的正/負面情感密度分布趨勢進行可視化呈現并比較群體差異。

四、研究結果分析

（一）學生參與在線輔導行為

1.參與輔導的時間分布

我們根據高、中、低成績組將師生輔導的對話數據分成3個數據集，建立小時一星期的二維時間矩陣，得到不同成績組一周內輔導的時間分布圖，如圖4所示。

分析圖4可以看出學生在周一至周五的輔導峰值在20：00，而周末的輔導時間分布相對分散，且高、中、低成就組參與輔導時間高峰時段整體是趨于一致的。

2.學生參與行為的整體描述

表1所示是對該區全體以及不同群組學生的在線參與行為的整體描述，包括區直與農村學生、男生與女生以及高成就組、中等成就組以及低成就組學生的參與人數、人均輔導次數、平均輔導時長、平均回訪率與平均輔導難度。從中可以看出，農村學校參與的人數較多，但區直學校參與輔導人均次數和每次輔導平均時長都略高于農村學校學生;女生參與輔導人均次數和平均輔導時長也都略高于男生;同時，成績排名低的學生參與次數在增多，每次輔導的平均時長在降低，但回訪率反而略高。

3.學生成績和在線參與行為的關系

為了進一步探究學生參與輔導行為與其學習成績的關系，將學生在輔導行為、學習成績之間做相關性分析，具體分析結果如表2所示。

觀察上表可以發現：學生的輔導次數與其成績存在負弱相關，這說明成績越好的學生其參與輔導頻次相對反而較少;而學生的輔導難度與其成績的相關系數為0.196***，這說明隨著學生成績的提高，其難度也隨之提升;學生的輔導次數與輔導時長存在相關關系，說明隨著輔導次數的提升，學生每次輔導時間也隨之提升;學生的回訪率與其輔導次數、輔導時長及輔導難度存在顯著的負相關關系，說明學生輔導次數越多、輔導時間越長、輔導難度越大，找同一位老師的幾率反而變小;學生的輔導難度與其輔導時長存在顯著正相關關系，說明學生所問知識點的難度越大，輔導的時間越長。

為了進一步探明輔導次數、輔導難度這兩種和成績相關較大的數據在不同績效組學生的具體差異表現，采用ANOVA進一步從高、中等及低成效組進行組間比較和分析，如表3所示，從中可以看出高成就組、中等成就組與低成就組學生之間的輔導次數存在差異性（F=3.209冰），且輔導難度存在顯著差異性（F=103.822***）。

對輔導次數與輔導難度進行事后檢驗分析，結果如表4所示。其中1表示高成就組，2表示中成就組，3表示低成就組。在關于三組輔導次數的差異性比較中，高成就組、中等成就組分別與低成就組存在差異性，而高、中成就組之間差異不大;而高中低成就組學生關于輔導難度的比較中發現均存在顯著差異性，且呈現出高成就組、中等成就組與低成就組輔導難度依次遞減的趨勢。

（二）輔導內容的主題分析

對不同成績群體學生的話題知識點分析有助于了解學生知識掌握情況的差異，首先將教師標記的主題與數學知識點匹配，再將每個學生群體討論頻率較高的前5個知識點用條形圖可視化展現，結果如圖5所示，從中可以看出該階段學生整體對于一元一次方程、角的相關定義以及三角形的相關計算提問最多，這透視出了該階段學生數學學習的難點。通過組間比較發現，高、中、低組提問的知識點有一定的一致性，都包括一元一次方程、角和三角形等，這和學生學習進度都保持一致有一定的關系。但整體可以看出高成就組提問的知識點維度相對更豐富、更多元。

（三）情感分析

為了解師生對在線輔導系統的情感態度，進一步分析師生輔導所討論的對話中正/負面情感的差異性，對已有數據開展了不同維度的分析，如圖6和圖7所示。

從結果可以看出，師生輔導過程中討論的話語詞大多為中性詞，且比較圖6和圖7可以發現，學生的正面情感顯著高于負面情感（學生的正面情感密度在0.03上下波動，其負面情感在O.Ol上下波動），表明師生對于一對一在線輔導的熱情較為高漲，整體呈現向上、積極的情感態度。而對高中低三組的情感分布組間比較來看（如表5所示），高中低成就組學生關于正面情感與負面情感分布的差異性不大，并且其正面情感均顯著高于負面情感。

五、討論和建議

通過對在線參與行為的數據分析，發現不同績效組學生尋求數學學科在線個性化輔導的時段保持一致，但成績越好的學生其輔導平均參與次數相對反而較少（其中高、中成就組差異不大，但均明顯少于低成績組人均參與次數）;學生輔導難度和其學科成就背景成正比，在高、中、低成就組均呈現出顯著性組間差異;學生所問知識點的難度越大，輔導的時間越長。而結合輔導主題內容分析，發現學生的提問主題受課程進度的影響較大，不同組提問主題有較多的重合率，但高成就組學生提問更具有多元性。從情感維度來看，對于參與個性化在線輔導，師生之間明顯持有積極情感的交流傾向，不同成就組沒有明顯差異。基于上述數據分析結果，相關討論和建議如下。

（一）低績效組學生為開放輔導的高參與群體，應引導其從作業問題解決到關注學科能力發展

通過對在線參與行為的數據分析，發現不同績效組學生尋求數學學科在線個性化輔導的時段整體保持一致，但低成就組學生參與的平均次數均超過高、總成就組（其中高、中成就組差異不大，但均明顯少于低成績組人均參與次數）。究其原因，首先是成績薄弱的學生在課外作業時，碰到的學業問題可能的確更多;其次，結合一些個別訪談和問卷反饋發現，由于提供在線個性化輔導的是非本校教師，部分學生會認為“網絡上的教師不知道自己的成績怎么樣，反而沒有顧慮、更愿意去尋求幫助”，因此在線求助的方式會降低其求助威脅，使得低績效組學生更愿意以這種方式解決自己的學業問題。

在看到開放輔導為成績薄弱的學生提供了問題解決機會的同時，應避免在線輔導淪為其替代作業的工具，應引導低績效組學生關注問題背后基礎知識的系統學習，推動其學科能力的整體提升。一方面基于學生提問，輔導結束后為其進一步推薦相關知識點講解的微課;另一方面，為總是詢問同樣或相關知識點的學生，推薦對應教學特長點的教師，引導學生和教師結對，給自己提供長期、量身定做的“補缺”輔導。

（二）高績效組輔導需求升級，引導其利用開放輔導開展揚長學習

由于高績效組群體學生課外的學業問題相對較少，需要解決的問題也相對較難，其提問的知識點綜合性更強、覆蓋面也會更廣，因此其利用開放輔導次數相對較少，每次輔導和教師的互動時長也相對更長。對于這部分學生群體，需要引導其挖掘開放輔導優勢，實現學習需求的升級轉型，幫助其認識到開放輔導不僅是作業問題的“答疑”空間，是線下學習的“補缺”空間，更應成為其興趣發展的“揚長”空間，應鼓勵學生圍繞個人的學業興趣點，尋找、匹配相關特長點教師，和教師就課程內容的延伸點、個人興趣拓展點等進行在線研討和交流，進一步夯實自身優勢，發展個性和特長。

（三）完善系統功能，支持教師面向不同成就背景學生開展個性化、精準化輔導

對于教師而言，作為輔導的被動響應者，面對不同績效背景陌生學生所提出的各種輔導需要，針對每個需求提供即時的、適宜的個性化輔導方案則構成了一定的壓力和挑戰。為支持教師為學生提供更契合、精準化的輔導，在尊重隱私的前提下，系統可以向輔導教師開放學生輔導次數、最近輔導知識點等方面的背景學習數據，支持教師能夠更快、更準確診斷學生學情;同時，提取彼此互動契合度較好、回訪率較高的師生特點，在同等條件下優先推薦相似特點的教師給學生，提高輔導的效率和效果;此外，對于受不同績效組學生歡迎、輔導質量較好的教師，系統還可以挖掘其輔導會話結構和特點，構建面向不同績效學生的優秀輔導案例庫和策略庫，供更多教師學習，提升教師在線輔導的勝任力。

（四）輔導數據反哺線下教學教研，進一步推進不同績效學生學業的整體發展

通過對學生輔導問題提取和知識標記，能夠得到不同績效、不同背景學生學科共性問題以及背后的學科知識疑難點數據，形成面向班級、學校和區域等各級輔導分析報告，這些學習數據和分析報告可以進一步反哺線下課堂教學和教研。班級任課教師可以根據班上不同成就學生學習完后存在的問題，在課上開展分層教學和個性化干預，學校和區域可以根據不同績效學生普遍存在疑難和困惑的知識點開展精準教研，借助學生課外輔導數據促進課堂教學行為和區域的教研行為的轉型，從而構建以學生為中心的課上課下、線上線下無縫的學習空間，促進不同績效學生學業的整體發展。

六、結語

個性化學習是未來教育發展的基本趨勢，北京市開放型在線輔導通過全市優質教師資源的在線均衡配置，讓不同績效背景的學生都能有機會得到適合自身需要的在線服務，在國內乃至國際都是一個具有極強示范意義的探索。本文從行為、輔導知識點和輔導用詞情感這三個維度分析了不同績效背景學生參與輔導的特征，并基于分析對如何利用開放輔導支持不同績效組學生的發展提出了相關實施建議，相關研究結論對于理論和實踐均具有一定的啟示和借鑒。后續還可以從以下幾個方面開展持續深入研究：從性別、所在學校類型等角度來比較不同背景學生參與輔導的差異;結合師生輔導過程中的對話分析、互動模式分析來深入挖掘不同背景學生對話質量;開放輔導對不同群體學生學習效果的追蹤研究等。

參考文獻：

[1]教技[2018]6號文件，“教育部關于印發《教育信息化2.0行動計劃》的通知”[Z].

[2] Macleod H，Haywood J，Woodgate A，et al.Emerging patterns inMOOCs：Learners，course designs and directions[J].Techtrends LinkingResearch&Practice to Improve Learning，2015，59（1）：56-63.

[3] Evans B J，Baker R B，Dee T S.Persistence Patterns in Massive OpenOnline Courses （MOOCs）[J].Journal of Higher Education，2016，87（2）：206-242.

[4] Dolmans D H J M，Loyens S M M，Marcq H，et al.Deep and surfacelearning in problem-based learning：a review of the literature[J].Advances in Health Sciences Education，2016，21（5）：1087-1112.

[5][7]陳玲，余勝泉等.個性化教育公共服務模式的新探索——“雙師服務”實施路徑探究[J].中國電化教育，2017，（7）：7-13.

[6]國辦發[2018]80號文件，“國務院辦公廳關于規范校外培訓機構發展的意見”[Z].

[8] Carroll J B.A model of school learning.[J].Teaching CollegeRecord，1963，64：723-733.

[9]United States Department of Education. Reimagining the role oftechnology in education：2017 National Education Technology Planupdate[DB/OL].https：//tech.ed.gov/files/2017/Ol/NETP17.pdf，2017-01-09.

[1O]Davis K，Fullerton S.Connected learning in and after school： exploringtechnology's role in the learning experiences of diverse high schoolstudents[J].The Information Society，2016，32（2）：98-116.

[11] Khan S，Hwang G J，Abbas M A，et al.Mitigating the urban -rural educational gap in developing countries through mobiletechnology-supported learning[J].British Journal of EducationalTechnology，2019，50（2）：735-749.

[12] Masino S，Nino-Zarazua M.What works to improve the quality ofstudent learning in developing countries？[J].International Journal ofEducational Development，2015，48：53-65.

[13] Maceli K M，Fogliasso C E，Baack D.Differences of Students'Satisfaction with College Professors：The Impact of StudentGender on Satisfaction[J].Academy of Educational LeadershipJournal，2011，15（4）：35-45.

[14] Harvey H L，Parahoo S，Santally M.Should Gender Differences beConsidered When Assessing Student Satisfaction in the OnlineLearning Environment for Millennials？[J].Higher EducationQuarterly，2017，71（2）：1-18.

[15] Knox J.Digital culture clash：“massive” education in the E-leamingand Digital Cultures MOOC[J].Distance Education，2014，35（2）：164-177.

[16] Tu C H，Yen C J，Sujo-Montes L E.Personal Learning Environmentsand Self-Regulated Learning[M].New York：Springer InternationalPublishing，2015.

[17] Yang T C，Chen M C，Chen S Y.The influences of self-regulatedlearning support and prior knowledge on improving learningperformance[J].Computers&Education，2018，126：37-52.

[18] Lee J S.The Relationship Between Student Engagement andAcademic Performance：ls It a Myth or Reality？[J].Journal ofEducational Research72014，107（3）：177-185.

[19] Borman G D，Overman L T.Academic Resilience in Mathematicsamong Poor and Minority Students[J].The Elementary SchoolJournal，2004，104（3）：177-195.

[20] Moreira P A S，Adelaide D，Carla M，et al.School effects on students'engagement with school：Academic performance moderates the effect ofschool support for learning on students' engagement[J].Learning andIndividual Differences，2018，67：67-77.

[21] Carbonaro，W.Tracking，Students'Effort，and Academic Achievement[J].Sociology of Education，2005，78（1）：27-49.

[22] Sirin S R，Rogers-Sirin L.Exploring School Engagement of Middle-ClassAfrican American Adolescents[J].Youth&Society，2004，35（3）：323-340.

[23]羅恒，楊婷婷等.開放課程中的學習行為分析：來自Google Analytics的證據[J].中國電化教育，2017（10）：8-14+31.

[24]吳林靜，勞傳媛等.網絡學習空間中的在線學習行為分析模型及應用研究[J].現代教育技術，2018，28（6）：46-53.

[25] Li L，Tsai C C.Accessing online learning material： Quantitativebehavior patterns and their effects on motivation and learningperformance[J].Computers&Education，2017，114：286-297.

[26] Srinivas S，Rajendran S.Topic-based knowledge mining of onlinestudent reviews for strategic planning in universities[J].Computers&Industrial Engineering，2018，128：1-34.

[27] Niculescu A C，Tempelaar D T，Dailey-Hebert A，et al.Extendingthe change-change model of achievement emotions：The inclusionof negative learning emotions[J].Learning and IndividualDifferences，2016，47：289-297.

[28] Kelley T L.The selection of upper and lower groups for the validationof test items[J].Journal of educational psychology，1939，30（1）：17-24.

[29] Dong，Z.D.HowNet[DB/OL].How Net's HomePage，http：//www.keenage.eom，2019-12-23.

[30] Ku L W，Liang Y T，Chen H H.Opinion Extraction，Summarization andTracking in News and Blog Corpora[C].Boston：AAAI Press，2006.100-107.

[31]李軍.中文褒貶義詞典vl.O[DB/OL].http：//nlp.csai.tsinghua.edu.cn/site2/index.php/zh/resources/13 ～v10，2011-01-22.作者簡介：

陳玲：講師，博士，研究方向為技術支持下創新教學、技術支持下的教師專業發展等（chenling@bnu.edu.cn）。

張文靜：助理研究員，研究方向為教師網絡教研等（164598713@qq.com）。

朱婷婷：在讀碩士，研究方向為技術支持下的教師專業發展、學生學業求助等（2055186203@qq.com）。*本文系2018年度國家社會科學基金重大項目“信息化促進新時代基礎教育公平的研究”（項目編號：18ZDA334）研究成果。