基于過程數據及分析的在線學習路徑研究：規律與規劃

崔 萌 穆 肅 黃曉地

(1 華南師范大學 現代遠程教育研究所，廣東廣州 510631；2 查爾斯特大學 計算機與數學學院，新南威爾士州奧爾伯里 2640，澳大利亞)

一、引 言

在數據密集型科學研究范式(祝智庭等，2013)的背景下，在線學習研究著重關注學習過程，包括學習過程的全數據感知、學習行為與路徑分析建模、動態過程監控與管理(穆肅等，2018)。在線學習路徑的生成與導航是個性化學習的必備要素(EDUCAUSE，2014)，也是智慧教育系統關鍵技術之一(鐘紹春，2019)。學習路徑是學習者學習過程中選擇的一系列概念和活動的序列集合(牟智佳，2016)。有效的學習路徑有利于解決“學習迷航”“認知負荷過載”等問題，進而改善在線學習成效和體驗。近年來，學習路徑研究逐漸成為教育技術研究新的重要生長點(蘭國帥，2017)，亟需系統梳理學習路徑研究的關注點、發展脈絡和未來走向等，清晰了解其整體研究狀況，以便支持基于學習數據和人工智能技術的智能化學習分析與預測、教育知識圖譜生成、學習過程監控與管理等研究與實踐。

本研究采用定量和定性分析結合方法梳理學習路徑國內外研究現狀，定量分析文獻的關鍵詞，展示學習路徑研究整體狀況，定性分析梳理文獻核心內容，聚焦四個問題：學習路徑是什么，具體研究了什么，發展特點有哪些，未來方向有哪些。

二、文獻選取及過程

表一 中英文文獻檢索規則及結果

表二 近五年高頻關鍵詞匯總(前30)

研究分別以“學習路徑”和“learning path”為關鍵詞在中英文權威數據庫檢索文獻。中文文獻源于CSSCI期刊、北大核心、CNKI碩博士論文、專利和會議論文庫；以關鍵詞、篇名或摘要含有“學習路徑”為規則進行檢索。英文文獻源于SCI、SSCI、ESCI、A&HCI、CPCI收錄期刊及會議；以關鍵詞、拓展關鍵詞、篇名、摘要中含有“learning path”為規則檢索論文。檢索時間為2019年12月9日，文獻發表時間跨度為2014年至2019年(近五年)，共檢索到中文論文391篇和英文論文637篇。因文獻作者對學習路徑的理解和界定不盡相同，初次檢索所得文獻包含與本文相關度不高的文獻，如機器人行走路線的學習路徑，為此本研究對初次檢索得到的文獻進行二次篩選。研究者通讀所有文獻摘要，人工判斷該文獻內容與“基于數據的在線學習路徑”研究主題的相關度，利用中文文獻分析工具E-Study和英文文獻分析工具EndNote，從“內容相關、引用率高、專業權威期刊”三方面進行相關度判定并賦值，形成六個等級的相關度，分別以數值5到0標記,最高相關度標記為5，最低標記為0,3表示有相關度。本研究選取相關度得分大于等于3的文獻進行分析，其中中文文獻324篇、英文255篇(見表一)。

關鍵詞反映了文獻的核心內容，高頻關鍵詞在一定程度上代表了某一領域較受關注的研究內容。本研究對選取的中英文文獻的關鍵詞進行量化分析，得出頻次前30的高頻關鍵詞(見表二)。選取出現頻次為3及以上的關鍵詞生成高頻關鍵詞共現網絡(見圖1、圖2)。共現網絡的節點大小代表網絡的中心度，展示領域研究內容的聚焦點。

關鍵詞量化數據顯示，相關研究以學習路徑為中心，與個性化學習、自適應學習、教育大數據、學習分析、教育數據挖掘、在線學習、智慧學習、知識圖譜、人工智能等研究關系緊密。學習路徑規劃(如個性化路徑生成)、學習路徑可視化(如學習路徑圖)、學習路徑生成智能算法(如蟻群算法、遺傳算法、機器學習)、學習路徑系統構建(如個性化學習系統、適應性學習系統)是研究者的關注熱點。大量關于學習情境感知模型、知識地圖構建、學習者特征模型(如學習風格)、學習資源推薦等的研究為學習路徑的要素構成、生成算法、系統應用提供了支持。

圖1 近五年中文高頻關鍵詞共現網絡圖(頻次3及以上)

圖2 近五年英文高頻關鍵詞共現網絡圖(頻次3及以上)

三、概念界定

明確界定學習路徑對文獻分析至關重要。學習路徑研究分布在多個領域，如教學設計、學習科學、學習分析等。教學設計研究者傾向于將教學設計流程的可視化表達稱為學習路徑(趙琳等，2017)，此種理解多出自教學設計實踐層面的研究，缺少抽象分析、量化表達，無法為基于數據的學習路徑智能分析提供支持。從學習分析角度出發，部分研究者將可量化信息節點的組織序列稱為學習路徑(曹良亮，2014)，特點是易于實現基于數據的呈現和分析。因此，學習路徑研究近年從以教學設計為主導的流程設計逐步轉到以個性化學習為主導，以學習數據為基礎，以學習分析為目標，以智能分析技術為支撐的在線學習路徑研究。本文的學習路徑指基于數據的學習路徑，相關分析也依此展開。

表三 以學習內容為節點的學習路徑描述

(一)概念內涵

借鑒“圖論”思想(Durand et al.，2013)，學習路徑被抽象化理解成學習節點的組織序列及在此基礎上的數學建模(見圖3)。構成學習路徑的要素有路徑節點和節點間的關系。學習路徑包括路徑起點、路徑過程和路徑終點，分別表示學習過程的開始、學習進行中與學習結束。路徑節點是學習路徑最基本的構成要素，是學習者達成學習目標所發生學習事件的最小單元，包含一系列學習信息，如知識點(Vanitha et al.，2019)。節點之間存在一種或多種關聯進而形成關系體系，如序列關系、包含關系。學習路徑形成的影響因素有知識特征、學習者特征和環境特征等(黃志芳等，2015)。

圖3 學習路徑構成要素

(二)學習路徑節點的分類

1．以學習內容為學習路徑節點

此類研究關注“學習者學什么”，學習路徑的節點為學習內容，學習路徑為知識序列、概念序列或學習資源序列(見表三)。根據教育學原理，知識之間存在序列、從屬等關系，形成知識地圖(Zhu et al.，2018)。知識地圖是以知識點為基本單位對學習內容進行的結構化表征(黃榮懷等，2012)，能夠展示知識整體結構，有知識定位、學習導航(李士平等，2016)等作用。如何構建科學合理的知識地圖，如何根據學生知識掌握情況重構個性化知識地圖是此類研究的重點。

表四 以學習行為為節點的學習路徑描述

2．以學習行為為學習路徑節點

該類研究關注“學習者怎么學”，學習路徑節點為“學習行為”，學習路徑為學習行為序列(見表四)。學習行為序列體現學習過程的動態特征，挖掘隱藏在行為數據背后的規律，能幫助教學雙方深度理解學習過程與結果。學習行為節點建模是此類研究的關鍵，如何確定待分析的學習行為，用哪些數據量化表征這些行為尤為重要(樂惠驍等，2019)。

學習行為分登陸、瀏覽和點擊等操作性學習行為(李爽等，2017)和具有學習活動屬性的學習行為。具有學習活動屬性的學習行為指有教學理論支持、系統化的學習行為。如根據古娜瓦德娜(Gunawardena)知識建構分析框架將知識建構過程的學習行為分為分享、比較、討論主題信息，發現和探索觀點間的不一致，進行意義協商和協同知識建構，測試和修訂協同建構的知識,應用新建構的知識和與協同翻譯活動無關的行為(楊現民等，2016)。不同學習活動的行為體系不同(首新等，2018；鄭蘭琴等，2017；冷靜等，2019)。

由于學習內容和學習行為的不可割裂性，單純考慮某一方面都會導致學習過程分析的片面性。所以，有研究者同時考慮學習內容和學習行為這兩方面信息進行學習路徑分析。如姜強等(2018)提出學習路徑包括學習活動和學習對象。趙蔚等(2018)、羅梅羅等(Romero et al.，2018)提出學習路徑是學習內容和學習活動序列。學習路徑節點信息的多維性有助于學習過程分析的完整性，但信息點的簡單混合不能真正解決分析的片面性問題，需考慮多類信息的融合處理。師亞飛等(2019)提出的“學習畫像模型”，包含學習元序列和學習元時間序列，用于描繪學習的發生、發展過程。這種多維信息系統整合建模保證了多維性和系統性，是學習路徑節點建模的可行方向。

四、核心內容

學習路徑研究主要關注三方面內容(見圖4)：學習路徑是什么，即學習路徑節點及其相互關系的確定；學習路徑的走向如何確定，如學習路徑合理規劃；學習路徑有無一般或特殊模式，如學習路徑模式發現。路徑規劃利用已有數據對未來路徑進行最優規劃，包括基于知識特征、學習者特征和情境特征生成最優學習路徑，重在智能適應。路徑發現關注發現已有學習路徑數據的規律，包括發現普遍學習路徑和發現最優學習路徑，突出群體智能。學習路徑研究成果的教學應用主要有個性化學習路徑推薦(劉萌等，2016；Dwivedi et al.，2018)、學習干預、學習預測等(劉三女牙，2016)。

(一)學習路徑規劃(節點排序)

學習路徑規劃指合理安排學習路徑各節點的學習順序，為學習者找到最優學習路徑。此類研究多將學習內容作為路徑節點，通過優化算法為學生找到知識網絡的最優路線。其首要任務是確定何為“最優”，需考慮知識特征和學習者特征因素(Liu et al.，2019)。知識特征包括知識點內容、知識點性質，如學習難度、知識點關系(李士平等，2016)、知識點對應資源特征等(李浩君等，2019)。學習者特征包括個人信息、學習需求、學習風格(Joseph，2017)、學習興趣(岳俊芳等，2017)、知識掌握程度(李菲茗等，2019)、能力水平(Zhu et al.，2017)、學習體驗(王玨等，2017)、情感狀態(馬相春等，2017)等。

圖4 學習路徑研究的關鍵內容

1.基于知識特征的最優學習路徑

知識地圖包含學習者所有可能產生的路徑。知識地圖一般由學科教師、領域專家基于對知識結構的理解人工構建而成，也可利用本體技術形式化表征較為復雜且操作性強的知識地圖(趙蔚等，2015)。典型案例有物理學科本體構建(趙呈領等，2014)、教育技術課程本體構建(胡海斌等，2017)。有研究者將知識地圖看作由知識點構成的有向無環圖(Alshalabi et al.，2018)，最優學習路徑可轉化為有向無環圖中的最短路徑，即學習者以最少的精力完成所有知識點的學習。常用算法有適用于單源點最短學習路徑問題的迪杰斯特拉算法、最短路徑快速算法(Shortest Path Faster Algorithm)以及適用于多源點最短學習路徑的弗洛伊德算法。節點之間的關系(如知識難度、知識中心度)、關系權重的確定是這類研究的關鍵。權重值可由專家確定，也可通過馬爾可夫鏈等方法確定(李孟等，2014)。

2.增加學習者特征的最優學習路徑

增加學習者特征可增強學習路徑的可選擇性、可變更性。為彌補基于知識的最優學習路徑的不足，研究者提出符合學習者特征的個性化學習路徑才是最優學習路徑。從知識掌握的角度看，最符合學習者知識掌握水平的路徑即為最優路徑。研究者通常先以知識特征確定初始的最優學習路徑，再根據學習者對知識點掌握情況的動態變化形成個性化學習路徑。學習者知識掌握程度判斷的依據和方法是這類研究的關鍵，學生答題情況是知識掌握水平常見的判斷依據，知識掌握水平判斷方法可由人工或智能算法確定(Supic，2018)。從學習風格角度看，最符合學習者學習風格的路徑即為最優路徑。如何合理匹配知識特征和學習風格進而找到最符合學生個人情況的學習路徑是難點。挖掘相同學習風格學生群體的普遍學習路徑是個性化學習路徑生成的可行方法之一(姜強等，2018)。學習者的知識水平、學習風格是研究較多的個性化學習特征(Dwivedi et al.，2018)，學習需求、學習興趣等也被研究者列為最優學習路徑的影響因素，但大多未被作為獨立影響因素單獨深入研究，更多的是列入學習者特征信息作為整體綜合分析(Kamsa et al.，2018)。

(二)學習路徑發現(序列發現)

學習路徑發現指通過已有的學習過程數據，發現個人或群體未直接表現出來的學習路徑模式。這類研究多將學習行為作為路徑節點，發現個體或群體學習規律(李維娜等，2017)，如發現學習者個人經常訪問的知識點序列可以支持學生認知特點分析。群體學習路徑可為學習者群體提供高效的學習路徑參考(De，2016；唐燁偉等，2019)。學習行為的選擇直接關系學習路徑價值發現的準確性(Hayashi et al.，2018)。學習行為選擇方式分四種(見表五)。現有學習行為的選取和量化表征沒有統一的理論基礎和編碼標準，部分研究行為編碼的可信度不高，缺乏系統性和科學性，導致最終學習路徑分析結果的可信度降低(武法提等，2018)。

表五 學習行為選擇方式對比

1.普遍學習路徑發現

普遍學習路徑指在學習路徑群中具有共現、序列等群體特征的路徑。滯后序列分析(Bakeman et al.，1997)可以幫助教師準確把握學習者潛在的行為模式(胡振凡，2016；劉智等，2017)，如大學生協同翻譯活動的知識建構行為模式發現(Yang et al.，2015)。序列模式挖掘通過現有序列找到有共現特征的頻繁序列集，可用于發現具有共現特征的學習路徑。林布鍇(2017)以閱讀行為為基礎挖掘成功學習者的普遍學習路徑。此類研究的發展方向有影響因素的綜合考慮(張曉濱等，2016)、算法的改進(徐啟寒等，2018)。關注過程狀態變化的馬爾可夫鏈(Taraghi et al.，2014)也是常用的算法。張茜(2018)用隱馬爾可夫模型挖掘在線學習行為規律，理解學生學習過程，也有研究者用隱馬爾科夫鏈挖掘MOOC的關鍵學習行為轉換模式，進而分析學習持續度(Davis et al.，2016)。基于過程交互模式分析的流程挖掘方法(van et al.， 2015)也用于學習行為模式分析。有研究者利用流程挖掘方法分析學生自我調節學習過程中的交互行為，挖掘交互行為模式(Maldonado et al.，2018)。

2.最優學習路徑發現

群體中的最優學習路徑屬于群體最優解問題(趙呈領等，2015)，體現了群體智能(Xie，2017)。蟻群算法是一種基于種群尋找最短路徑的啟發式搜索算法，屬于蟻群覓食最短路徑問題(趙錚等，2016)，重要參數有啟發信息和信息素。啟發信息可來自學習風格、學習狀態(趙琴等，2018)等學習者特征(劉新新等，2018)。粒子群算法是模擬鳥群覓食的一種基于迭代的優化算法，屬于鳥群覓食最短路徑問題(吳雷等，2016)，重要參數有粒子和適應度。例如，粒子為學習資源，適應度為資源與目標知識點的相關度，通過學習難度和學習投入等影響因素更新粒子找到最短路徑。多維信息特征映射的粒子更新影響因素是該算法改進的方向之一。遺傳算法是一種隨機搜索啟發式算法，屬于遺傳優化最優解問題，重要參數有適應性函數、交叉概率、變異概率。它通過環境因素和學習者個性化特征產生學習對象染色體(Jung，2019)，經過一系列的選擇、交叉、序列突變、長度變異，生成新的學習路徑集合，并進行適應度評估，獲取最優學習路徑(李浩君，2016)。

五、發展趨勢

(一)學習路徑由預設的、靜態的轉變到生成的、動態的

根據以上分析可知，已有的知識地圖導航路徑多為預設的靜態路徑。在考慮綜合情境特征后，學習路徑常由教師、知識、學習者和環境共同決定，此時的學習路徑具有不可預知性，在學習過程中動態生成，沒有固定的路徑適合所有學習者(Lin et al.，2013)。知識體系更新、學習風格轉變等影響因素動態變化，學習路徑隨之動態更新。所以，個性化動態學習路徑的模型構建、算法優化和系統開發是研究者的關注重點。近年來，有學者強調教育需求設計(陳佳琳等，2019)，提出個性化不能只強調技術和算法，應回歸教育，更多考慮教與學的實際需求。如何將先進的學習路徑生成技術并將其應用到解決復雜多變的教學實際是每位研究者應該思考的問題。

(二)用于學習路徑分析的數據由單一維度轉向多維度整合

學習路徑研究最普遍的數據來源是在線學習平臺中直接可得的外顯數據和需從底層數據挖掘而得的內隱數據(祝智庭等，2012)。如何利用數據標準接口(如xAPI)進行在線學習路徑分析是重點(顧小清等，2014)。人工智能時代更關注學習發生的全過程輸出(郭炯等，2019)，單維度的在線學習數據雖量大且易得，卻不能真實反映學習者的認知心理過程。近年來，在教育神經科學、腦科學、學習科學等融合背景下，在線學習過程的多維信息整合分析逐步得到重視(李浩君等，2019)，基于多維度數據考量學習行為(牟智佳，2016)及心理特征已成為教育技術研究的趨勢(陳凱泉等，2017)。通過數據挖掘技術析取學情與行為數據，使過程性學習行為考察和個性化發展支持成為可能。已有研究有:眼動數據支持的在線學習路徑分析(穆肅等，2019)、深度學習(劉哲雨等，2018)、學習情感(薛耀鋒等，2018)、學習情緒(Ma et al.，2018)、學習興趣(陳靚影等，2018)、在線學習過程監控(許陵等，2014)等。多維度數據整合分析的創新價值可觀，是在線學習分析的重要趨勢(穆肅等，2019)。

(三)實現學習路徑應用的技術方法趨向于人工和機器結合

學習路徑影響因素判定,建模參數確定,算法和系統實現可由人工或者機器完成。傳統的研究較多采用人工方式，智能技術支持的智慧學習時代更強調機器自動化實現(鐘紹春，2019)，利用多重智能算法實現學習路徑的高效精確生成與應用。例如，學習風格是學習路徑的重要影響因素，傳統的學習風格識別大多用人工編寫的量表測量，方法單一、主觀性強、難以考慮學習的過程性因素等，從而導致測量結果不可靠。智能技術應用下，有研究者提出基于海量的在線學習過程數據，利用神經網絡技術智能推測學習者的學習風格并驗證了有效性(Rasheed et al.，2019)。人工方式的優勢在于教育領域專家理論的權威性，機器數據分析的優勢在于大規模、自動化(劉三女牙，2016)。整合和利用人工和機器分析，多學科融合，多樣化方法優勢互補，是學習路徑研究高質量開展的保證。

六、未來展望

近年來，學習路徑的研究保持增長態勢，主要關注學習路徑研究思路的發展、算法優化和技術升級。本文對選取文獻的關鍵詞進行聚類，形成時間趨勢圖(見圖5、圖6)。其中，顏色分布代表內容聚類，顏色深淺代表時間趨勢，顏色越淺代表該內容越新。數據顯示，“學習過程”“學習行為”“個性化”“綜合情境”“可視化”等研究有增多的趨勢。當下對學習路徑的研究呈現多維信息特征映射的教育知識圖譜構建，綜合情境感知的個性化學習路徑生成，基于學習行為且體現群體智能的學習路徑發現，多維度數據支持的在線學習路徑可視化四個方向。

(一)多維信息特征映射的教育知識圖譜重構

人工智能時代的教育知識圖譜以知識元為節點，根據其多維語義關系進行關聯，在知識層面和認知層面上表示學科領域知識和學習者認知狀態，可用于知識導航、認知診斷、資源聚合、路徑推薦的知識組織與認知表征工具(李振等，2019)。教育知識圖譜是知識地圖的升級，為學習路徑的生成提供更多有價值的參考信息。目前，教育知識圖譜構建的難點有:知識圖譜的知識粒度仍需細化；需利用多維信息對知識特征進行全面建模；學生認知狀態變化對知識圖譜結構的動態影響；教育知識圖譜構建及應用技術的智能化。

(二)面向學習過程綜合情境感知的個性化學習路徑生成

關注學習過程，綜合考慮學習路徑各方面的影響因素，進而提高個性化的準確性是學習路徑研究的重要方向(Zhou et al.，2018)。未來，學習路徑的節點應為一個綜合信息包，包含學習過程各類情境信息，為學習過程分析提供支持(穆肅等，2019)。多維度信息的綜合考慮在帶來最優路徑準確性的同時，也帶來了研究難度的提升，研究者需在理念和算法上有所突破，所以此類研究目前大多數仍處在理論和方法探討階段，實質性的研究成果較少。其難點在于學習過程中綜合情境信息的感知、提取與系統整合；個性化學習路徑智能生成技術的實現。

(三)基于學習行為且體現群體智能的學習路徑發現

群體智能概念來自對自然界中生物群體行為規律的觀察，表示非智能群體通過簡單合作表現出的智能行為的特征(Wong et al.，2012)。群體具有自組織性，它的控制是分布式的，群體智能不是簡單的、多個體的集合，而是超越個體行為的更高級的群體智慧體現。從個體行為到群體行為的演變過程往往較為復雜，難以預測，但具有重要研究價值。在大數據時代，在線學習群體產生大量學習行為數據，學生群體學習行為是否也具有群體智能表現,如何借助智能算法挖掘群體智能規律是研究的新方向(穆肅等，2019)，難點在于基于學習行為的學習路徑建模和群體智能發現算法的構建與實現。

圖5 近三年中文高頻關鍵詞聚類時間趨勢

圖6 近三年英文高頻關鍵詞聚類時間趨勢

(四)多維度數據支持的在線學習路徑可視化

持續記錄學習路徑的多維屬性數據并將其可視化，形成直觀、完整和可回放的學習路徑圖(Xia et al.，2019)，能夠加深學習者的自我認識，培養學習者的自控能力，也能夠幫助教師發現學習者的學習模式，預測他們的學業表現和風險。已有研究表明，學習路徑的直觀呈現有助于培養學生的自我效能感(姜強等，2019)。可視化技術的優劣直接影響可視化系統的教學實踐應用，如何突破可視化技術瓶頸，實現自動、高效的在線學習路徑直觀呈現，是此類研究的關鍵。