計算教育學：是什么、做什么及怎么做

王晶瑩　楊伊　宋倩茹　鄭永和

摘要：隨著計算機科學技術被廣泛應用于教育研究，基于海量數據計算的研究范式成為教育研究的重要手段，這也引發了教育研究基本視角和價值觀念的轉變。計算教育學正是對這種新興教育研究范式的概括，是以大數據為基礎，以復雜計算為核心，以算力為支持，以構建教育理論、解決教育問題、揭示教學規律為目標的研究領域。對相關文獻進行聚類分析后發現，計算教育學主要涉及六大熱點：在線社會媒體中的學習行為和學業表現，人工智能和云計算在學習管理中的應用，教育數據挖掘和學習分析，數字化課程的評價和創新，針對教學過程的教育仿真和文本挖掘，涉及師生人格品質的數據挖掘。對典型研究案例進行剖析后發現，計算教育學研究在操作路徑上具有如下共性：一是得益于體量龐大的數據，相較于精度，更追求宏觀層面對數據的洞察;二是研究的起點是“基于數據”而非“基于假設”，強調讓數據“開口說話”;三是在數據收集上傾向于獲取“即時數據”。未來，我國計算教育學研究應當實現如下轉變：從關注學的過程到關注教學過程，從研究學生認知過程到研究師生互動機制，從勤于技術突破到回歸教育內涵，從借鑒國際經驗到融合本土特色。

關鍵詞：計算教育學;研究范式;教育研究;數據挖掘;機器學習

中圖分類號：G434? ?文獻標識碼：A? ? 文章編號：1009-5195（2020）04-0027-10? doi10.3969/j.issn.1009-5195.2020.04.004

*基金項目：國家自然科學基金青年項目“學校學習環境對中學生STEM職業期望的影響機理及其改進研究”（71704116）;中國科學院院士咨詢項目“我國科學教育發展戰略研究”（2018-Z10-A-025）。

作者簡介：王晶瑩，博士，特聘教授，青島大學師范學院（山東青島 266071）;楊伊（通訊作者），師資博士后，上海師范大學教育學院（上海 200234）;宋倩茹，碩士，研究實習員，青島大學師范學院（山東青島 266071）;鄭永和，教授，博士生導師，北京師范大學教育學部（北京 100875）。

當下，計算教育學引發了國內外研究者的關注，作為一個新興的交叉領域，它既受益于計算機科學技術的日益成熟，又為教育學解決瓶頸問題提供了新的研究范式。如今，計算教育學在國際上已取得了一系列研究成果。本文從計算教育學的內涵剖析入手，采用系統聚類分析凝練其國際研究熱點，并通過多項典型研究案例呈現其研究范式的具體操作路徑，進而深度反思計算教育學的現狀與未來。

一、計算教育學是什么：范式流變到學科融合

大數據時代為教育研究帶來了新的機遇與生機，而計算教育學體現的是一種基于關聯思維的研究范式，這與過去基于因果思維的研究范式有很大不同。如今，國內學者關注與探索計算教育學的興趣日益濃厚。為準確認識計算教育學，我們不但應當從縱向的發展脈絡中理解其出現的必然，還應當從橫向的學科交叉中探索學科由“分立”到“融合”的機理。

1.從范式之爭看計算教育學出現的必然

關于教育研究范式的爭論由來已久，而“實證”與“思辨”之爭是學界討論的焦點。參照國內外學者對教育研究方法的類型劃分，可以將其分為思辨研究和實證研究兩大類，其中實證研究又包括質性研究、定量研究和混合研究三個子類（陸根書等，2016）。自改革開放打開“西窗”以來，兩種范式之爭從未平息，在爭論的背后是對教育研究科學化的求索。思辨研究基于個體理性認識能力和經驗，通過對概念、命題進行邏輯演繹和推理以認識事物的本質特征，故思辨研究的辯護者認為，對教育價值層面的哲學省思和追問更接近教育的本真。相對地，實證研究則是基于觀察、實驗和調查，對收集的數據或信息進行分析和解釋，以事實為證據來探討事物的本質屬性或發展規律（姚計海，2017），故實證研究的辯護者認為，在科學的度量尺度之下，實證研究才能揭示出實然的教育。然而隨著研究數量的不斷增長和研究群體的日益壯大，教育思辨研究出現了良莠不齊和泛化的亂象;與此同時，以人為對象的教育實證研究本身存在不可重復性、不可驗證性、研究結果無法應用于現實等問題，導致教育研究的科學性無法確保（余勝泉等，2019）。以傳統的眼光看，思辨研究呈現了“應然的教育”，實證研究呈現了“實然的教育”，事實上，后者的根本亦是驗證應然的教育，也就是對人類直覺、經驗等的驗證，與我們期望的科學的、實然的教育尚有一定距離。跨越這一距離必然要突破基于假設的研究范式，建立一種基于事實的研究范式。所以，當務之急不在于否定某一種范式，而是看到每一種范式固有的局限，探尋突破瓶頸之法。

計算機科學哲學資深學者拉斐爾·阿爾瓦拉多（Rafael Alvarado）等在“已知的已知、已知的未知、未知的未知”的知識分類中，加入第四類知識“未知的已知”，即機器經驗的知識（計算機已知而人類可能未知）（Alvarado et al.，2017）。第四類知識的出現打破了人們對思辨研究和實證研究的執念，這背后蘊含著一種隱喻：教育研究仍有大片超出人類經驗可抵達范圍的處女地，等待新的工具去開墾。在此背景下，計算教育學破繭而出，其核心內涵就是運用計算機信息處理技術（理論、算法、軟件），對過去與現在的教育數據進行定量分析，以發現和揭示教育中的規律，更好地為教育服務（孫仕亮，2015）。

事實上，計算教育學的出現從內部講，是教育學研究范式流變的結果，而從外部講，是社會科學發展的大勢所趨。上世紀末，人們迫切需要新的范式來解決社會問題，與此同時，計算機攻克復雜問題的能力不斷提升，于是1994年誕生了“社會計算”（Social Computing）。經過十余年的發展， “計算社會科學”（Computational Social Science）的概念于2009年進入學者們的視野，其始于美國哈佛大學大衛·拉澤（David Lazer）教授等15名頂級學者在《科學》雜志上的聯合發文。而后，社會學家們一方面受到計算社會科學的啟發，另一方面也不滿足于計算社會科學的一般范式，于是基于社會學的學科特征，在2014年正式提出了“新計算社會學”（New Computational Sociology）。遵循這一路徑，作為社會科學分支的教育學同樣具有社會科學的共性，更有其自身的學科特征和研究需求，因而自立門戶地建構起“計算教育學”的研究領域，以解決教育研究中存在的諸多問題，這也是計算社會科學發展到一定時期的必然結果。

利用SPSS內置的K-均值聚類功能，對關鍵詞進行聚類分析后，結合關鍵詞的語義和組間距離，最終將國際計算教育學研究的關鍵詞劃分為6個核心領域：領域一，在線社會媒體中的學習行為和學業表現;領域二，人工智能和云計算在學習管理中的應用;領域三，教育數據挖掘和學習分析;領域四，數字化課程的評價和創新;領域五，針對學習過程的教育仿真和文本挖掘;領域六，涉及師生人格品質的數據挖掘。上述領域所包含的特征關鍵詞如表1所示，每個特征關鍵詞后括號內的數字為頻次和中心度，分別表示該關鍵詞的熱度和重要程度;每個類別中特征關鍵詞按照其與該類別研究主題間相關性的強弱進行排序。

（注：括號中第1個數字為關鍵詞的頻次，第2個數字為關鍵詞的中心度。）

領域一主要分布在第二象限，是計算教育學中起步較早的一個研究領域，其主題內部的連接緊密，形成了相對成熟的研究體系和研究范式。該領域的研究主題為在線社會媒體中的學習行為和學業表現，主要基于Facebook、YouTube等社交平臺中的大數據研究學生的學習行為模式及學業表現。例如，丹尼爾·喬治（Daniel George）等采用在Facebook上推送壓力管理內容的方式來緩解學生學業壓力，并基于產生的數據對其效果進行研究（George et al.，2013）。張思等收集了教師的在線學習行為數據，進而分析網絡專業學習社區中教師的動機信念、動機調節與學習參與之間的關系（Zhang et al.，2019）。

領域二主要分布在第四象限，其研究總體呈現影響范圍較大但內部分散的特征，該領域具有進一步發展的空間，但領域內研究間的融合性有待增強。該領域的研究主題為人工智能和云計算在學習管理中的應用，即通過云計算和人工智能技術為學習者和教育管理者提供便捷有效的學習管理途徑。例如，易卜拉欣·阿拉帕伊（Ibrahim Arpaci）基于云計算發現學生的信息管理行為（檢索、存儲、共享、應用）與其態度顯著相關，建議通過設計真實的學習環境來協助學生進行個人信息管理（Arpaci，2019）。捷克生命科學大學開發了一種利用人工智能技術對學習進行管理的實驗工具，并研究其在隱性知識獲取上的作用（Pavlicek et al.，2014）。

領域三主要分布在第一象限和第二象限，該領域的研究主題為教育數據挖掘和學習分析，在線教育（如MOOCs）中的數據挖掘是其研究熱點和中心。學習分析和機器學習也屬于該區域，其研究雖呈現出日漸成熟的趨勢，但影響力仍有待進一步提升。機器學習和數據庫是教育數據挖掘的兩大支撐技術，特別是前者為在線教育中的數據挖掘研究提供了重要方法。例如，瑪利亞·卡塔米蘇（Maria Cutumisu）在加拿大西部一所大學開設的“教育技術導論”本科課程中，利用基于無監督機器學習技術的主題建模方法，從職前教師的反思文本中提取主題特征，進而確定其主題（Cutumisu et al.，2019）。

領域四主要分布在第一象限和第四象限，其研究主題可概括為數字化課程的評價和創新。數字化課程具有較強的多學科交叉特征，其研究的影響范圍較廣。例如，吉利·霍夫曼（Jirí Hoffman）基于教學系統設計原則開發電子學習課程，其可以提供不同層次的信息與學生的興趣深度相匹配，并提出了一種被稱為“簡單機器”（Simple Machines）的具體任務，通過強化學生在物理學習中的問題解決情境，來幫助他們獲得更好的學習體驗（Hoffman，2013）。

領域五主要分布在第四象限，少量分布在第一、三象限，該領域的研究主題為學習過程中的教育仿真和文本挖掘，其研究的內部聯系有待進一步加強。例如，邢旭等針對學生難以清晰表達相關概念的問題，利用計算機仿真技術構建更加真實的學習環境，并讓學生通過合作探究的方式完成相關任務。實證研究的結果表明，學生在進行推理時的表達得到改善，其學習行為也得到規范（Xing et al.，2019）。

領域六集中在第三象限，該領域的研究主題涉及師生人格品質的數據挖掘，其處于整個計算教育學的邊緣，內部聯系不夠緊密，相互影響程度也較弱。20世紀80年代以來，隨著研究者們在人格描述模式上基本達成共識，“大五人格”（Big Five）模型被廣泛應用于人格研究。領域六的主要研究為利用大數據和數據挖掘技術，結合“大五人格”模型研究教育主體的人格品質及其在性別上的特征差異。如杰羅爾·柯萬（Jeral Kirwan）基于“大五人格”模型，通過大數據分析并探討了大學生的自我導向與其他人格特質之間的關系（Kirwan，2014）。對教師人格品質的分析也是該領域的研究重點，如拉扎·扎伊迪（Raza Zaidi）等基于大數據分析了教師的人格品質與其工作投入量間的關系，發現教師性格的開放程度與工作投入度顯著相關（Zaidi et al.，2013）。

三、計算教育學怎么做：國際研究案例剖析

遵照計算教育學的定義，本研究選擇同時符合“以大數據為基礎”“以復雜算法為核心”“以算力為支持”“解決教育學問題”“揭示教與學規律”等條件的多個典型案例，聚焦其操作路徑，從對學生認知過程的模擬和對在線學習行為數據的挖掘兩個方面來進行整合分析，以求透過其具體的研究過程，形象地回應“計算教育學怎么做”這一問題。

1.對學生認知過程的模擬

傳統的科學教育研究常通過學生的學習結果反推其認知過程，卻難以反映學生在橫向維度上的跨學科學習和縱向維度上的科學思維形成過程，因而限制了對實驗結果的完整解釋。理查德·蘭姆（Richard Lamb）將計算教育學引入科學教育研究，形成了多項重要成果。將教學過程視為一種機制，是他進行一系列教育模擬的前提。

在一項關于“科學教育中學生認知過程的計算模型”（Lamb et al.，2014）的研究中，蘭姆等人建立了一個能夠模擬學生在科學課堂中完整認知過程的計算模型。該模型基于對認知屬性的識別，通過融合認知診斷理論和項目反應理論（Item Response Theory，IRT）的測量框架，為構建的人工神經網絡（Artificial Neural Networks，ANN）模型提供輸入。該人工神經網絡模型是整個計算模型的核心組成部分，可基于多個相互聯系的認知屬性的交互作用，對學生在科學任務中的認知反應進行處理。首先，他在研究中模擬了一個認知訓練過程以對學生的學習行為進行干預，并通過分層抽樣的方式隨機選擇學生參加對照試驗。該試驗收集學生在完成三維嚴肅教育游戲（Serious Educational Games，SEG）過程中產生的數據，并建立學生任務與認知模型（Student Task and Cognition Model，STAC-M），該模型提供了一種可以控制環境刺激并跟蹤學生游戲過程的方法。而后，通過Q矩陣對SEG過程中的數據進行編碼，并提交到STAC-M模型中進行訓練，再利用模型的訓練數據進行擬合分析，以驗證認識屬性的層次結構（即完成任務的行為組合）。最后，以學生執行任務是否正確以及完成任務所使用的屬性是否為目標屬性來量化批判性推理。圖2歸納了STAC-M的訓練過程和后續的模擬干預過程。該研究不但表明使用有針對性的認知屬性方法可以提高學生完成任務時的成功率，其構建的計算模型也為教育研究提供了一種檢驗教育理論的手段。

在另一項應用研究中，蘭姆等人發現教與學的規律與一類被稱作多目標進化算法（Multi-Objective Evolutionary Algorithms，MOEA）的訓練過程相似，故就多目標進化算法如何與認知計算模型協同工作這一問題進行探究，以模擬學生在科學課上解決推理問題的認知過程（Lamb et al.，2017）。該研究對是否加入MOEA的STAC-M進行了對比實驗，研究結果表明加入MOEA的模型更加快速、有效。從方法論的角度講，教育學領域的研究者對這類算法表現出日益濃厚的興趣。

同樣是在科學教育的背景下，蘭姆還比較了三維嚴肅教育游戲、二維網絡實驗室和傳統課堂教學等情景下的學習效果（Lamb，2016）。該研究依舊采用分層抽樣的方式隨機選擇實驗樣本，并基于STAC-M計算和分析了認知系統關鍵要素（如心理旋轉、空間可視化）的潛在作用機制，研究發現，三維嚴肅教育游戲對學習有顯著促進。這可能是緣于空間域（Spatial Domain）對學習者認知的重構，使其認知通道得到拓展，因而降低了其在思維過程中的認知負荷。

2.對在線學習行為數據的挖掘

隨著數字化系統在學習中被越來越多地使用，有關學習過程和環境的數據源源不斷地產生。因此，借助于工具和技術的創新，對在線學習行為數據進行挖掘，研究者可以從中獲得關于學習的重要見解。這正是前文所述的第四類知識，是只有基于教育大數據才能發現的潛在規律，也是目前國際上關于計算教育學的又一類經典應用領域。

安托萬·范登比姆（Antoine Van den Beemt）等從個人建構主義的視角出發，將MOOC中的學生活動視為學習行為與學習過程的結合，以“流程挖掘：行動中的數據科學”（Process Mining：Data Science in Action）課程為例，對MOOC平臺上產生的學生數據進行分析，以探究“及格”和“不及格”學生在課程周期內學習活動的差異（Van den Beemt et al.，2018）。研究使用聚類分析、均值分析以及運用過程挖掘技術對活動聚合計數、特定課程項目計數和活動順序進行分析后，發現四類值得關注的學生群體，圖3為這四類學生群體的學習行為隨時間分布的狀況。研究將參加MOOC學習的16224名學生均看作獨立案例，共涉及285036個學習活動事件。圖3中的每一個點代表學生在特定時間發生的一個學習事件，橫向為特定學生的所有學習事件，縱向以周為單位對學習事件進行分隔，左邊的拱形部分邊緣顯示出不同學生產生首次學習事件的時間先后順序，點密度可體現出學生的學習事件頻度。利用過程挖掘技術對學生的學業成績和學習事件進行分析后發現，學業成功的學生表現出更穩定的學習行為，這些學習行為多與視頻觀看有關，而與學習事件的時間安排無關。上述分析結果可為教師優化在線教學提供有效的指導。

同樣是基于有關學生行為的海量數據，徐星等（Xu et al.，2019）提取了4000名學生的互聯網使用行為數據，并對在線時長、互聯網流量和連接頻率等特征進行歸一化處理，而后利用決策樹、神經網絡和支持向量機等機器學習算法對其學習成績進行預測和分析。研究結果表明，學生使用互聯網的行為模式對其學業成績具有顯著影響，網絡連接頻率與學習成績正相關，而網絡流量和在線時長與學習成績負相關。這與傳統經驗中對在線學習規律的認識有所差異，其原因在于過于復雜的學習行為會對學習效果造成負面影響。此外，研究還發現隨著特征數量的增加，預測精度總體呈現上升趨勢。該研究不僅揭示了學生的互聯網使用行為與學習成績間的關系，而且表明通過機器學習方法能夠對學生的學業表現進行預測。

此外，數據挖掘方法還可以用于學習資源的精準推薦，以滿足學生的個性化學習需求。魏鵬程等（Wei et al.，2019）基于對用戶偏好行為數據的分析構建了面向在線教育的個性化推薦系統，并對多個推薦模型的效果進行對比。具體地講，就是利用產品屬性挖掘方法確定推薦系統的推薦標準集，然后利用個性化推薦算法對用戶偏好進行建模，通過分析用戶偏好與推薦標準間的相似度來產生精準推薦結果。實驗結果表明，基于用戶距離相似度的多準則推薦算法效果最好，可有效提升推薦的精準性。

綜合分析上述具有代表性的研究案例的過程和結果，可以看出，盡管計算教育學研究尚處于萌芽期，但其在研究的設計和方法上都與傳統教育研究存在較大差異。第一，從研究數據的特征來看，計算教育學研究得益于體量龐大的數據，相較于精度，其更追求在宏觀層面對數據的洞察。第二，從研究過程的特征來看，計算教育學研究的起點是“基于數據”，這有別于傳統教育研究“基于假設”的研究范式，上述案例無一不是讓數據“開口說話”，這與“通過數據證明假設”的傳統研究過程有較大差異。第三，從數據收集的途徑來看，計算教育學研究傾向于獲得“即時數據”，這不僅與傳統教育研究中為驗證假設而收集數據的方式存在明顯區別，也不同于傳統教育研究在數據收集后往往不進行實時分析和反饋的習慣。可以看出，計算教育學針對教育問題的研究是基于對教學過程的模擬和分析來展開的，其背后的動因是“計算主義思潮”，即是將宇宙視為巨型計算裝置，微觀層面上教育現象的多樣性是算法復雜程度不同的外部表現。因此，上述研究案例均蘊含了計算教育學研究范式全新的算力隱喻及其獨特的算法特征，隨著計算教育學向實踐領域的縱深發展，其理論體系會更加趨于完善，其方法論基礎也會日益堅實。

四、反思與展望：計算教育學的現狀與未來

計算教育學是一個成長中的新興領域，計算機科學技術的每一次突破都為其發展注入動力。早在30年前，葉瀾、陳桂生、瞿保奎等學者就極具前瞻性地提出，從其他相關學科中吸取新的思維方式和移植研究方法，是教育研究方法向科學化目標前進中邁出的最富有生氣的一步。在計算機尚未普及的時代，他們就樂觀地指出，計算機等現代化技術手段在教育研究中的普遍采用雖然還有一個過程，但是畢竟開始了（葉瀾等，1989）。20年之后，靳玉樂再次強調跨學科合作對于教育科學發展的重要性，并指出這有利于產生教育科研的創新點（顧明遠等，2009），這既是研究內容的創新，更是研究范式的創新。由此觀之，不論是從研究范式科學化的走向看，還是從教育學自身發展的需求看，抑或是從跨學科合作研究的趨勢看，將教育與計算相結合以解決教育理論與實踐問題的構想絕非偶然，它在我國學者幾十年來的反思與呼吁中萌發已久。而在今天，我們順應社會科學研究發展的潮流，找到了“計算教育學”這一跨學科結合的明確路徑和方向，在此，有必要從學科內涵和教育學發展的需求出發，對計算教育學的現狀與未來進行審視。

1.由關注學的過程到關注教學過程

我國學者裴娣娜對“教”與“學”的深層關系作了完整闡釋：教學的根本目的、出發點和歸宿都要體現、落實于學的狀態，教的必要性建基于學的必要性，教的現實性取決于學的可能性，教的準備依存于學的準備（裴娣娜，2007）。這也就意味著在教與學的矛盾關系中，學是主要方面，教則是次要方面，但若脫離了矛盾的一個方面而單獨討論另一個方面就很難揭示出教學過程的本質。縱觀當前的計算教育學研究，不難看出，不論是利用計算機模擬人的認知過程，還是通過數據挖掘尋找行為特征和學習偏好，都是在針對學的過程進行研究。特別是在以MOOC為背景的研究中，學生自始至終是在與視頻等資源進行互動，教師的地位已被學習資源所削弱，教學過程的復雜性愈發突出。上述研究取向在某種程度上是源自西方教育研究范式中“關注學勝于關注教”的傳統，也是因為學生的在線學習行為數據更易于收集和監測。而在大量非在線的教學情境中，教師的“教”是不可或缺的部分，教學過程是教師的“教”、學生的“學”以及教學環境等共同構成的有機整體。因此，計算教育學研究應立足于教育的真實情境和過程，把握“教的過程符合、適應于學的過程”的內在邏輯，在利用信息技術揭示學習規律和認知過程的同時，能進一步對“教”的效果進行量度。“教”的任務是否完成，“教”的目的是否達到，教師的教學是否有效，最終都要落在“學”的終態上。研究者只有深刻認識到教與學的依存關系，計算教育學研究才能突破學的單一視角，突破在線學習的單一情境，在更廣泛、更普遍、更真實的教學情境中發揮出更大的價值。

2.由單一認知過程到雙向互動機制

承接前文對教學過程的討論，正是因為計算教育學對“教”的研究不足，導致了在教學互動研究上的缺失，甚至不少研究用“人機互動”來代替 “師生互動”，這在很大程度上限制了研究成果的推廣。朱永新認為關注鮮活的教育生命才是教育科研的走向，而其關鍵之一就是關注教室里發生的事情（顧明遠等，2009）。隨著在線學習的發展，縱使教師地位在今天似有弱化的趨勢，但不可否認的是，在可預見的將來，正規教育仍將以課堂教學作為主要形式。因此，面對課堂教學復雜多變的教學過程，應當將教師與學生同時作為核心對象，將師生互動作為分析課堂教學的重要突破口。如若脫離了人與人的關系而只針對人與物的關系，僅就學習進行的研究也就背離了教學的本質。雖然此類研究所取得成果具有一定的借鑒價值，但師生間的互動不僅可以從學生的認知過程這一微觀視角去解讀，還應當基于社會和文化的立場，就人際交互中的社會知覺、情意感染、行為適應與調節乃至價值涵化與認同等方面進行探究（裴娣娜，2007）。一旦深入到“互動”層面，就意味著研究會涉及到教師、學生等多個主體，且由于教學和學習具有復雜的非線性關系，因而難以通過傳統的統計模型（如回歸分析）進行建模（Crooks et al.，2012）。由于構建獨立的教學模型具有相當的復雜性，研究人員往往難以將教與學的相互作用整合為單個系統，這是教學研究中難啃的硬骨頭，也注定是計算教育學面臨的復雜問題。因此，國內外研究者應當從單一的學生視角中解放出來，把在學生認知過程模擬中獲得的研究成果作為優化教學和設計教學的依據。具體而言，可以從以下幾個方面入手：一是從“怎樣更好地學”出發，觀照“如何更好地教”;二是從學生認知的微觀過程出發，探索師生互動的機制;三是從提升計算機的模擬水平出發，解答教學研究中更為復雜且更具不確定性的問題;四是從單一的研究對象出發，逐步深入探討以師生互動為基礎的課堂生態。

3.由勤于技術突破到回歸教育本質

計算教育學自其出現便受到學界的廣泛關注。從研究案例中不難看出，西方計算教育學的研究成果是服務于教育的，這有賴于其研究者的知識結構。西方最早開展計算教育學研究的是具有較高技術水平的教育學者，其研究是在用技術的“內核”解決教育問題。例如，蘭姆利用計算機模擬學生認知過程的研究，其最終提供的是一種檢驗教育理論的方法。類似成果最大的貢獻不在于算法或教育產品本身，而是解決了教學中真實存在的問題，并為教育理論的建構和完善提供支持。而我國的計算教育學研究的先行者普遍具有計算機科學背景，因此多將教育問題作為研究的情景，其對技術改進的興趣遠比對教育問題的興趣要濃厚。這便回歸到一個基本問題，計算教育學是以技術本身的突破為最終成果，還是以揭示教育規律、優化教學過程為最終成果？該問題從根本上決定著計算教育學研究的發展路徑。從教育技術哲學的角度講，計算教育學研究的對象是教育活動，而教育活動是教育的主體性活動，技術的屬性、結構、功能和規律等因素作用于教育，使教育發生變化并轉化為教育的本質力量（顏士剛，2010）。這也就意味著技術有能力改變教育內在的、根本的屬性（目的、方式、功能等），但這并非是對主客體關系的徹底顛覆。從教育目的的角度講，教育目的反映了一定社會培養人的總要求，有多少教育價值取向就有多少關于教育目的的取向（陳桂生，2012）。關于此問題的討論層出不窮，最終都落腳于對人的一般教養規格和社會角色教養規格的爭論，其中的關鍵詞正是“人”。所以不論從哪個角度來探討技術與教育的關系，都再一次證明，教育問題才是計算教育學的根本，而教育則是它的靈魂。如果把計算教育學比喻為一幅畫，那么技術便是作畫的工具，教育卻不是畫布而是畫的內容，技術的繁榮必然要回歸教育的本質和規律。

4.由借鑒國際經驗到融合本土特色

國際上成熟的計算教育學研究案例為我們帶來了諸多啟示，具有極強的指導和借鑒意義。在處理本土研究與國際經驗間關系的問題上，顧明遠先生既反對“西方中心主義”，也不贊成“東方中心主義”，認為只有結合中國國情，走自己的路，才能真正實現中國教育科學的現代化（顧明遠等，2009）。基于此，我們要明確認識到國內外計算教育學研究存在的根本差異。這種差異主要源于研究者具有不同的知識結構和學科背景，其也為新興交叉領域的生長提供了不同質地的“土壤”。此外，由于研究范式和研究傳統上的差異，中外計算教育學研究必然呈現不同的取向和特色，而我國應當立足于國情和教育傳統來發展計算教育學。相較而言，西方教育研究具有深厚的實證研究根基，西方教育研究者對數據的敏感和對量化的熱情使其更能適應基于數據的研究范式。而我國教育研究者長于思辨，這是提倡“窮理悟性”的一種根深蒂固的思維方式，因此，計算機科學領域的研究者成為了計算教育學在中國的“先驅”。計算教育學在我國的推廣是以信息技術進步、教育產品更新為驅動的，研究集中于對技術的探討;而其在西方的研究雖亦是基于技術，但本質上是將技術作為解決教育問題的手段，使其服務于教學。我國也需要讓計算教育學回歸教育的本質，而目前最有效的方式就是開展跨學科合作，讓不同學科背景的學者同儕攜手，將計算機科學與教育科學中的理論和方法結合起來，基于數據科學解決教育中存在的瓶頸問題。此外，我們要在借鑒西方教育研究之長的同時發揮我國學者的優勢，探索出一條與我國的教育研究傳統相契合，與我國研究者的專業結構相適配的具有中國本土特色的計算教育學研究之路。

參考文獻：

[1]陳桂生（2012）.教育原理（第三版）[M].上海：華東師范大學出版社：178-192.

[2]顧明遠，葉瀾，鐘秉林等（2009）.教育研究的時代使命——“新形勢下教育研究創新發展學術研討會暨《教育研究》雜志創刊30周年紀念座談會”發言摘要[J].教育研究，30（5）：17-27.

[3]黃榮懷，周偉，杜靜等（2019）.面向智能教育的三個基本計算問題[J].開放教育研究，25（5）：11-22.

[4]李政濤，文娟（2019）.計算教育學：是否可能，如何可能？[J].遠程教育雜志，37（6）：12-18.

[5]陸根書，劉萍，陳晨等（2016）.中外教育研究方法比較——基于國內外九種教育研究期刊的實證分析[J].高等教育研究，37（10）：55-65.

[6]裴娣娜（2007）.教學論[M].北京：教育科學出版社：131.

[7]隋明爽，崔雷（2016）.基于SPSS的共現聚類分析參數選擇的實例研究[J].中華醫學圖書情報雜志，25（1）：52-56.

[8]孫仕亮（2015）.計算教育學與十大研究主題[J].中國人工智能學會通訊，5（9）：15-16.

[9]王凌燕，方曙，季培培（2011）.利用專利文獻識別新興技術主題的技術框架研究[J].圖書情報工作，55（18）：74-78，23.

[10]許新華（2019）.計算教育學——一門新興的交叉融合新學科[J].湖北師范大學學報（哲學社會科學版），39（5）：101-106.

[11]顏士剛（2010）.技術的教育價值論[M].北京：教育科學出版社：69-71.

[12]姚計海（2017）.教育實證研究方法的范式問題與反思[J].華東師范大學學報（教育科學版）， 35（3）： 64-71，169-170.

[13]葉瀾，陳桂生，瞿葆奎（1989）.向著科學化的目標前進——試述近十年我國教育研究方法的演進[J].中國教育學刊，（3）：2-6.

[14]余勝泉，徐劉杰（2019）.大數據時代的教育計算實驗研究[J].電化教育研究，? 40（1）：17-24.

[15]Alvarado， R.， & Humphreys， P. （2017）. Big Data， Thick Mediation， and Representational Opacity[J]. New Literacy History， 48（4）：729-749.

[16]Arpaci， I. （2019）. A Hybrid Modeling Approach for Predicting the Educational Use of Mobile Cloud Computing Services in Higher Education[J]. Computers in Human Behavior， 90：181-187.

[17]Cioffi-Revilla， C. （2017）. Introduction to Computational Social Science[M]. Berlin： Springer International Publishing.

[18]Crooks， A. T.， & Heppenstall， A. J. （2012）. Introduction to Agent-Based Modelling[M]// Heppenstall， A.， Crooks， A.， & See， L. et al. （Eds.） （2012）. Agent-Based Models of Geographical Systems. Dordrecht： Springer：85-105.

[19]Cutumisu， M.， & Guo， Q. （2019）. Using Topic Modeling to Extract Pre-Service Teachers Understandings of Computational Thinking from Their Coding Reflections[J]. IEEE Transactions on Education， 62（4）：325-332.

[20]George， D. R.， Dellasega， C.， & Whitehead， M. M. et al. （2013）. Facebook-Based Stress Management Resources for First-Year Medical Students： A Multi-Method Evaluation[J].Computers in Human Behavior， 29（3）：559-562.

[21]Hoffman， J. （2013）. E-Learning Based Preparation for Educational Activities Outside of School[C]// Proceedings of the 12th European Conference on E-Learning. London， England： ECEL：590-597.

[22]Kirwan， J. （2014）. An Investigation of Big Five and Narrow Personality Traits in Relation to Learner Self-Direction in Undergraduate Students[J]. Journal of Curriculum & Teaching， 3（1）：74-80.

[23]Lamb， R. L. （2016）. Examination of the Effects of Dimensionality on Cognitive Processing in Science： A Computational Modeling Experiment Comparing Online Laboratory Simulations and Serious Educational Games[J]. Journal of Science Education and Technology， 25（1）：1-15.

[24]Lamb， R. L.， & Firestone， J. B. （2017）. The Application of Multiobjective Evolutionary Algorithms to an Educational Computational Model of Science Information Processing： A Computational Experiment in Science Education[J]. International Journal of Science and Mathematics， 15（3）：473-486.

[25]Lamb， R. L.， Vallett， D. B.， & Akmal， T. et al. （2014）. A Computational Modeling of Student Cognitive Processes in Science Education[J]. Computers & Education， 79：116-125.

[26]Pavlicek， J.， ?vec， V.， & Tichá， I. et al. （2014）. Business Games Powered by Artificial Intelligence in Education[J]. The Journal of Erie Studies， 3：436-443.

[27]Van den Beemt， A.， Buys， J.， & Van der Aalst， W. （2018）. Analysing Structured Learning Behaviour in Massive Open Online Courses （MOOCs）： An Approach Based on Process Mining and Clustering[J]. International Review of Research in Open and Distributed Learning， 19（5）：37-60.

[28]Wei， P.， & Li， L. （2019）. Online Education Recommendation Model Based on User Behavior Data Analysis[J]. Journal of Intelligent & Fuzzy Systems， 37（4）：4725-4733.

[29]Xing， W.， Popov， V.， & Zhu， G. et al. （2019）. The Effects of Transformative and Non-Transformative Discourse on Individual Performance in Collaborative-Inquiry Learning[J]. Computers in Human Behavior， 98：267-276.

[30]Xu， X.， Wang， J.， & Peng， H. et al. （2019）. Prediction of Academic Performance Associated with Internet Usage Behaviors Using Machine Learning Algorithms[J]. Computers in Human Behavior， 98：166-173.

[31]Zaidi， N. R.， Wajid， R. A.， & Zaidi， F. B. et al. （2013）. The Big Five Personality Traits and Their Relationship with Work Engagement Among Public Sector University Teachers of Lahore[J]. African Journal of Business Management， 7（15）：1344-1353.

[32]Zhang， S.， & Liu， Q. （2019）. Investigating the Relationships Among Teachers Motivational Beliefs， Motivational Regulation， and Their Learning Engagement in Online Professional Learning Communities[J]. Computers & Education， 134：145-155.

收稿日期 2019-12-21責任編輯 譚明杰