教育大數據驅動的個性化學習服務機制研究

楊麗娜 魏永紅 肖克曦 王維花

[摘? ?要] 大數據驅動的個性化學習正逐步成為現實。個性化學習服務旨在滿足學習者個性化、精準化與智能化的學習需求。研究基于在線教育大數據，采用質性研究方法，面向在線學習全流程，在辨析了大數據背景下不同層次個性化學習內涵的基礎上，從設計、實施到評價三個不同層面研究了個性化學習服務機制。研究認為：區分在線學習大數據的類別和制定基本數據指標是開展個性化學習服務的數據基石;建立面向不同個性化學習層次的學習者數字畫像是開展個性化學習服務的基礎;整合不同類別在線學習大數據和學習者數字畫像，研究并設計個性化學習服務引擎是開展個性化學習服務的關鍵。然后結合上述研究內容，研究并構建了個性化學習服務體系，提出了個性化學習服務效果的評價指標和觀測維度。

[關鍵詞] 教育大數據; 數據驅動; 個性化學習; 服務機制

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 楊麗娜（1975—），女，內蒙古烏蘭浩特人。教授，博士，主要從事教育大數據與個性化學習研究。E-mail：yanglina@tjfsu.edu.cn。

一、引? ?言

大數據作為“互聯網+”時代教育發展的新引擎，其思維與技術正推動著教育科學化決策、智能化管理、精準化教研、個性化學習等方面的變革與創新[1]。未來的學習將是大數據驅動的個性化學習，大數據正在積極推進教育的智能化發展[2]。教育大數據作為個性化學習研究與實踐的重要基石，推動著教育智能化不斷走向深入。從教育大數據的構成來說，在線學習大數據首當其沖，可以說，教育大數據廣受關注與研究，與在線教與學的組織、實施、效果和評價密不可分[3]。在舍恩伯格的《與大數據同行——學習與教育的未來》一書[4]中，第一個大數據教育應用的案例就來自在線學習。當前，在線教育的個性化學習研究與實踐主要集中在學習環境搭建、學習平臺開發、學習資源建設，以及個性化推薦等方面，雖然這些研究從不同側面開展了個性化學習研究，但相較于個體在線學習的系統性和完整性來說，鮮有研究面向在線學習全流程開展個性化學習服務體系和機制研究。大數據技術與人工智能教育應用的不斷深入，為面向在線學習全程的個性化學習服務研究提供了強有力的數據基礎與技術保障。本文采用大數據驅動研究視角，以在線學習教育大數據為基礎，面向在線學習全流程，從在線學習個性化服務體系構建、在線學習個性化服務實施與評價等多個方面探討個性化學習服務機制的建立，以期為促進大數據驅動的個性化學習服務實踐提供參考。

二、大數據視角下的個性化學習內涵

隨著教育理念的革新與信息技術教育應用的不斷深入，個性化學習的內涵也在不斷發展。在線學習的出現，尤其是隨著人工智能技術賦能的教育實踐的不斷深入，使得踐行“因材施教”理念的個性化學習成為可能。準確把握個性化學習的內涵是構建大數據驅動的個性化學習服務體系的基礎與關鍵。英國教育與通信技術局在《個性化學習：技術提供機遇》中指出，個性化學習是以學生為中心、滿足全體學生特別是那些學習有困難學生需求的包容性的學習方式[5]。美國教育部《國家教育技術計劃》指出，個性化學習是指學生結合自身學習興趣及個人經歷自主安排學習進度和選擇學習方法[6]。北京師范大學余勝泉教授在其著作《互聯網+教育：未來學校》[7]一書中提出了個性化學習內涵的三個層次：基于知識水平的個性化學習、基于學習情境的個性化學習、適應個性發展的柔性教育體系。上述有關個性化學習內涵的不同界定，一方面體現了個性化學習內涵的發展性與豐富性，另一方面也體現了個性化學習實現的不同階段與不同層次。本文以余勝泉教授關于個性化學習內涵的三個層次為基礎開展個性化學習服務機制研究，并就這三個層次的個性化學習內涵作進一步的闡釋。

（一）基于知識水平的個性化學習

在傳統大班授課的場景下，根據學生知識水平開展個性化學習很難做到，隨著教育大數據和人工智能技術的應用，通過采集、分析和處理學習者全流程的學習行為和學習過程大數據，可以對學習者的知識學習能力進行精準診斷，并根據診斷結果，為學生提供面向知識水平提升的個性化學習服務。可以說，這為基于學習者學習行為大數據的分析和診斷，實現基于知識水平的個性化與精準化學習服務提供了理念指導與技術路線參考。

（二）基于學習情境的個性化學習

當前，智能終端設備的情境感知能力越來越強，通過智能終端設備，可以有效感知學習者情境和學習需要，并向學習者提供學習資源、學習同伴、學習工具等推送服務。基于情境感知的個性化學習將會成為大數據驅動的人工智能時代的主流學習方式。在智能技術和裝備的加持下，可以非常容易地捕獲、識別和分析學習者的個性化學習需要，并能根據學習情境的變化動態調整和推送滿足學習者情境化需要的個性化服務。這個層次的個性化學習是技術充分賦能的學習階段，也是滿足學習者按需、適時、適量學習的泛在學習階段。

（三）適應個性發展的柔性教育體系

適應個性發展的柔性教育可以說是個性化學習理念與智能技術深度融合的高級階段。在教育理念層面，更加凸顯以人為本，突出教育的人性化、靈活性與適應性;在教育實踐層面，通過構建智慧化的學習空間，學習者可以在物理學習空間和虛擬學習空間之間進行無縫切換。在智慧化的學習空間中，學習者可以自定學習進度和學習步調，智慧學習空間能自適應學習者的學習節奏，學習者完全自主安排學習內容，自定學習計劃，不再有課上課下的概念，學習就是一種自然而然的需要和生活方式。這個層次的個性化學習雖然不再是單純的數據驅動和技術賦能的學習過程，但是，教育大數據和人工智能等相關技術卻是踐行柔性教育理念、構建柔性教育體系的關鍵抓手和技術保障。

當前，個性化學習走向常態化雖然還有待時日，但在大數據、機器學習、深度學習，以及學習分析等技術應用的助推下，以上三個層次的個性化學習無論在理念、方法、技術還是實踐層面上，都具有了實現的可能性與良好契機。

三、基于在線教育大數據的個性化學習服務體系構建

在線學習環境中的教育大數據，從狹義的角度來說就是在 “教”與“學”的互動中所產生的海量數據，這些數據涵蓋了學習行為、學習資源、學習過程、學習評價，以及基于學習交互所產生的各類社會化網絡關系數據等，可以說，這些數據涵蓋了教學全程的相關數據。這些數據擁有著海量的數據規模、多樣化的數據類型、多模態的數據形式和動態的數據體系。基于上述個性化學習三個層次內涵的辨析，本文將分別從在線學習大數據、學習者數字畫像、個性化學習服務引擎，以及個性化學習服務匹配等方面構建個性化學習服務體系，如圖1所示。

個性化學習服務體系由數據層、分析層、服務層和用戶層構成。數據層匯集和處理各類在線學習全流程大數據，為個性化學習服務實施提供數據基礎;分析層基于數據層的各類大數據構建不同層次的學習者數字畫像，并面向不同學習者數字畫像設計個性化學習服務引擎，這是開展個性化學習服務實施的關鍵;服務層和用戶層，面向不同認知水平、情境感知和綜合服務需求的學習者，提供不同層次和不同場景下的個性化學習服務。

（一）在線學習大數據與基本數據指標

在線學習大數據的采集和處理是個性化學習服務實施的數據基礎，也是準確構建不同層次學習者數字畫像的關鍵。在線學習大數據聚合了在線學習全流程的各類學習行為、資源創用、學習互動、學習評價、學習情境等類別的大數據。本文面向個性化學習的三個不同層次，基于楊現民教授提出的大數據類別和數據基本指標[8]，將在線教育大數據分為三類：學習者知識水平診斷類大數據、情境感知類大數據，以及用戶偏好類大數據。

1. 學習者知識水平診斷類大數據

在線學習環境中，可用于診斷學習者知識水平的大數據主要有三大類，分別是學習行為數據、練習測試數據和學習結果數據。學習行為大數據主要來自于課件瀏覽、在線發言與課程筆記三大類學習行為;練習測試大數據主要來自于練習、測驗和考試環節中產生的大數據;學習結果大數據主要來自于發布成果、分享心得和自我反思。

通過采集和分析學習者的學習行為大數據，可以精準地診斷學習者的學業困難和學習中遇到的問題，學習行為數據及其基本數據指標見表1。例如，通過分析學習者在課件瀏覽中的點播次數、暫停次數和快退重看的次數，就可以精準分析學習者的學業問題與知識水平。聚合在線學習平臺的課件瀏覽、在線發言和課程筆記等學習行為大數據，為面向基于知識水平的個性化學習服務提供了大數據基礎。

在線學習中的練習測試能較好地反映出學習者對知識的掌握情況，練習測試數據及其基本數據指標見表2。例如，通過分析學習者練習的正確率、錯誤率，測驗的通過率與正確率，以及考試的成績，就可以精確地診斷出學習者的知識掌握水平，這個維度的在線學習大數據也將為開展基于知識水平的個性化學習服務提供重要的數據參考，進而采取有效的干預措施，提高學習效果。

學習成果數據也是表征學習者知識學習水平的一類大數據，通過分析學習者提交到平臺上的學習成果和自我反思數據，可以精準化地診斷學習者的知識學習情況和存在的問題，進而為學習者提供有效的干預措施和推送適合學習者情況的學習策略，見表3。

2. 情境感知類大數據

智能設備的情境感知能力越來越強大，通過移動智能設備可以有效感知學習者情境和學習需要，通過感知和有效采集在線學習的情境化數據，可以有效地開展基于情境的個性化學習服務。本文研究的學習情境數據主要包含四個方面：學習者基本信息、服務信息、學習目標、學習任務和學習結果，見表4。通過采集和分析這些維度的情境數據，可以有效地開展情境自適應的個性化學習服務。

3. 用戶偏好類的大數據

采集和分析學習者的在線學習資源應用行為數據，是診斷和識別學習者資源偏好模式的重要數據基礎，本文重點研究六類資源應用行為數據，見表5。這些資源應用行為中，隱含著學習者的資源興趣與偏好模式，如，通過分析學習者對某一類資源的應用行為（如，下載、分享、轉載等），就可以分析出學習者對該類資源的喜好程度。如果學習者對某一類資源既下載又分享，那么就可以判斷該學習者對這一類資源的喜好程度較高，類似于這樣的資源應用行為數據是構建學習者數字化畫像的重要數據基礎。

學習互動數據也是一類非常重要的用于表征用戶偏好的大數據，通過采集和分析學習者的互動數據，也可以挖掘出學習者的偏好模式，學習互動大數據類別與數據基本指標見表6。通過分析學習者的發帖次數、回帖次數、提問和追問的次數等，可以分析學習者在在線學習中的參與度和活躍度，這類數據對于構建基于多源數據類型的學習者畫像具有重要的參考價值與實踐意義。

（二）基于大數據的學習者數字畫像

學習者數字畫像是對學習者的學習風格、個性和行為特征，以及偏好模式的形式化表征和描述。學習者數字畫像的質量高低直接影響到個性化學習服務的品質，包括服務的針對性、精準性、智能性和靈活性。根據上述個性化學習內涵的三個層次，以上述提出的六類在線學習大數據為基礎，本文分別設計了基于知識水平、基于情境感知與融合多源數據的三個層次的學習者數字畫像。

基于知識水平的學習者畫像主要面向正式學習環境中的學習者需要和偏好進行建模。正式學習環境一般具有明確的學習目標、大綱和學習任務。通過挖掘學習者在線學習行為數據、互動數據、練習測試數據和學習結果等數據，構建基于知識水平的學習者畫像。該學習者畫像在某種程度上就是對學習者在正式學習環境下的學習問題和學習需求的診斷、識別與分析，在此基礎上向學習者推送面向學習問題和學習需求的個性化診斷報告、學習策略和學習內容，從而實現差異化和個性化的學習服務。

基于情境感知的學習者畫像主要面向非正式學習場景。在這樣的學習場景下，通過智能終端感知學習者置身的真實學習情境、正在解決的問題、任務或學習需求，從而構建基于情境感知的學習者畫像。學習者由于置身在真實問題情境中，學習需求和遇到的學習問題具有不確定性和情境關聯性，因此，開展情境化的個性化學習服務，就是要在學習者無感知和無干擾的情況下，感知學生的問題情境和學習需要，主動向學習者推送學習資源、問題解決方案和學習同伴等資源，進而為學習者提供真實情境下的學習服務。

信息技術教育應用的不斷深入，使得正式學習與非正式學習的邊界越來越模糊，融合學習者多源偏好數據來構建學習者數字畫像，可實現個性化學習服務的自適應性和智能性。多源數據融合就是要綜合采集、挖掘和分析能夠通過數據表征或表達學習者學習興趣、學習需要、學習問題的各類大數據，包括知識層面的學習大數據、情境感知的學習大數據，還包括在線學習者學習偏好的演化生成數據、學習者的社會化學習互動數據、在線學習平臺上動態連接的學習同伴，以及以學習資源、學習活動和學習互動為媒介動態生成的學習圈子等各類生成性大數據等，融合在線學習多模態數據，構建學習者的綜合數字畫像，可以較為完整和系統地為學習者提供更具針對性和精準性的個性化學習服務，如推送滿足學習者認知風格和學習偏好的學習路徑、學習資源包、社會認知網絡等。這些體現著在線學習者個體特征和偏好模式的多模態資源將會從不同的維度和側面滿足學習者的個性化、精準化與智能化的學習需求。

（三）個性化學習服務引擎

大數據是個性化學習服務實施的基礎，學習者畫像是個性化學習服務實施的關鍵。個性化學習服務引擎是建立在大數據和學習者畫像基礎上的一個集服務適配、規則生成、算法選擇與動態推送于一體的智能知識系統，它能動態、自適應地建立起學習者、學習情境、學習偏好和學習資源之間的個性化匹配關系，并能基于不同類型的學習者畫像實施精準化的學習服務。本文中的個性化學習服務引擎由個性化學習資源服務適配器、自適應學習模式匹配規則庫、智能推薦算法適配器、動態學習路徑生成器和動態學伴推送規則庫組成。

1. 個性化學習資源服務適配器

個性化學習資源服務適配器是一個知識系統，由個性化學習資源的主題、類型、形態等方面的匹配與服務規則集構成。該適配器面向不同學習者群體提供精準化的學習資源推送，例如，面向不同知識水平學習者畫像、情境感知學習者畫像，以及多源數據融合學習者畫像，依據適配器的服務規則建立學習者偏好與學習資源的動態匹配關系。

2. 自適應學習模式匹配規則庫

自適應學習模式匹配規則庫通過挖掘和分析六類在線學習大數據獲得學習者的學習模式，在此基礎上識別、分析和生成學習者與學習內容、學習活動、學習策略、學習成果呈現方式等方面的匹配關系。自適應學習模式匹配涉及在線學習者學習模式與資源類型、形態、呈現方式、推送時機等方面的服務需求匹配。

3. 智能推薦算法適配器

智能推薦算法適配器用于動態、自適應地選擇和確定服務不同學習者的智能推薦算法。目前，主流的智能推薦算法有基于內容的推薦、基于關聯規則的推薦、基于協同過濾的推薦、基于語義本體的推薦算法等，該適配器面向不同類型學習者畫像或某一維度的學習行為大數據，實現智能推薦算法的自適應選擇與應用。

4. 動態學習路徑生成器

學習者的學習過程不僅是知識的習得過程，也是一個體現學習者個體特征的學習路徑的生成過程。學習路徑體現著學習者知識學習的序列化和系統性，動態學習路徑生成器不僅面向學習者推送傳統意義上的學習資源與學習內容，同時也將通過對六類在線學習大數據的挖掘與分析，面向不同類型學習者畫像，根據學習者的個體特征提供動態的學習路徑推送。

5. 動態學伴推送規則庫

在線學習不僅是學習者的知識建構過程，同時也是學習者之間的社會化互動過程。動態學伴推送規則庫通過分析在線學習者的學習大數據，為學習者聚合和推薦具有相似學習偏好的學習同伴。為在線學習者動態推送學伴，不僅可以促進學習者的學習，還可以幫助學習者構建虛擬的社會化學習網絡，讓學習者在虛擬學習社群中更加有效地開展在線學習。

四、個性化學習服務的實施與評價

（一）個性化學習服務的實施

個性化學習服務的實施是對個性化學習服務體系的具體實踐。本文將個性化學習服務實施分為知識習得導向服務、情境感知導向服務和綜合服務三種類別。知識導向的個性化學習服務是依托個性化學習服務引擎的個性化學習資源服務適配器、動態學習路徑生成器和動態學伴推送規則庫，面向傳統的正式學習環境，以知識的習得與目標的達成為目的，向學習者提供個性化的學習服務，服務的內容涵蓋基于學習問題診斷的資源推薦、學習路徑推薦、學習同伴推薦等服務內容。情境感知的個性化學習服務是面向真實情境中問題解決的服務，服務內容涵蓋主動感知學習者需求和偏好變化，根據學習者在真實學習情境中遇到的學習問題和任務類型，智能化診斷學習者遇到的問題，并能適時給出解決問題的方案、方法和解決流程的參考等。個性化學習的綜合服務可以實現傳統的正式學習環境與非正式學習環境的無縫銜接，在不被打擾的情況下為學習者提供面向學習問題解決、學習資源需求、學習任務完成等情況的個性化資源、學習策略、學習活動、學習建議等方面的個性化推送服務。

（二）個性化學習服務的評價

個性化學習服務的評價是改進和完善個性化學習服務體系的有效機制。大數據和學習分析技術的應用不但為個性化學習服務的實施提供了強有力的技術支持，同時也為個性化學習服務的評價提供了技術保障。個性化學習服務實施效果最終是要對學習者的學習服務體驗和學習成效進行檢驗。本文提出了六個方面的評估指標及其觀測二級指標，這些指標可從不同的側面和維度來評估個性化學習服務的效果，如圖2所示。

1. 服務時機的恰當性

資源推送時機是評價學習服務個性化水平的一個重要指標。在教育大數據普及應用之前，個性化學習服務的層次僅停留在粗粒度資源等很有限的水平上。例如，在課前為學習者推送一些課前指導資料或導學任務清單，而這種推送往往也都是規模化的推送，就其本質而言是一種將學習者偏好平均化的推送，并不能對學習者的個性化學習行為和學習過程進行精準的識別和分析，進而也無法有效地挖掘和分析學習者的學習行為數據，以及隱藏在學習行為數據背后的真實學情，推送的時機并不好掌握。教育大數據的創生與應用，對于開展適時的個性化學習服務提供了數據和技術層面的支持。通過采集在線學習平臺上學習者的各類學習大數據，結合學習者的學習進程與適時學情進展，采用學習分析技術可以精準定位學習者在不同學習時段的資源服務需求。無論線上還是線下學習，學習者的學習主要有三個關鍵時段，即課前、課中與課后，鑒于不同學習時段學習者的不同學情與服務需求，本研究認為個性化學習服務可在這三個關鍵時刻進行推送，即課前的復習舊知與預習新知的推送、課中的新知建構與新知內化環節的推送，以及課后的鞏固新知與應用新知的推送。面向這三種不同學習時段開展適時的資源與服務推送，不僅可以實現在線學習的精準服務，同時也可以提升學習者的個性化學習體驗。

2. 資源服務的差異性

從學習資源的生成與組織來看，在線學習資源可分為靜態資源與生成性資源。將相對穩定、良構和系統性的顯性知識視為靜態資源，將在教與學的過程中動態產生的非良構、過程性和易變性的資源視為生成性資源。學習者由于學習風格的不同，對于靜態資源和生成性資源的需求與偏好也表現出很大的差異性。靜態資源的服務效果評價應重點關注學習資源的類型、內容與學習者的風格匹配度。根據Felder-Silverman學習風格維度（信息加工、感知、信息輸入、內容理解）的描述，不同學習者在學習風格上具有差異性。例如，視覺型的學習者更喜歡圖表、圖形和視頻類的資源，而言語型的學習者更喜歡文字為主的學習資源。鑒于生成性資源是在學習過程中動態生成和演化出來的過程性資源，蘊含著學習者在學習互動中的很多隱性知識，這類資源對于學習者來說更具參考價值。為此，生成性資源的服務效果評價應重點關注的是服務系統是否能夠匯聚這些生成性資源，并通過學習大數據分析診斷學習者對生成性資源的需求，在此基礎上開展生成性資源的推送服務，例如，向學習者推送學習主題相關的學習策略、學習活動、知識點序列、學習路徑以及學習同伴等。

3. 服務推送的靈活性

評判個性化學習服務效果的另一個指標是服務推送的靈活性，主要體現在兩個方面：一方面，服務系統能夠面向不同學習者畫像精準推送資源與服務，并能隨著學習情境或學習任務的變化，動態調整服務策略，在不同學習者畫像之間進行適時切換;另一方面，服務系統能夠針對某一特定學習者畫像，開展情境導向、目標導向、任務導向和問題導向的資源與服務推送。通過這兩個方面的服務推送，可以為學習者提供滿足其不同學習目標、學習任務、學習情境、問題解決需要的學習資源與服務，讓學習者在毫無察覺的情況下獲取所需的資源與服務。

4. 服務方式的恰當性

服務方式的恰當性主要體現在三個方面：學習者的認知水平匹配度、資源偏好匹配度和學習者類型匹配度。服務系統通過學習大數據挖掘、分析與診斷，為學習者提供滿足其不同認知水平和偏好的資源。不同類型的學習者，在認知水平和資源偏好上均具有差異性，個性化學習服務系統的精準化服務也體現在能夠為學習者提供滿足上述三方面差異的服務。例如，有的學習者喜歡某一主題的學習資源包方式的推送;有的學習者喜歡學習建議或學習策略的推送，而不是傳統意義上的學習資源服務;有的學習者喜歡為其推送適合自己認知水平的學習路徑或學習任務清單，以便更有針對性地解決學習問題和完成預期學習目標等。

5. 服務推送的多樣性

服務推送的多樣性主要體現在資源的多樣性、服務方式的多樣化和服務途徑的多元化三個方面。學習資源的多樣性體現在學習資源的種類、數量和形態的多樣性方面。鑒于在線學習者在學習風格和認知水平上的差異，不同的學習者對所推送資源呈現方式都有不同的喜好模式，多樣化的資源推送可以滿足不同學習風格學習者的不同需求。服務方式的多樣化體現在面向學習者在學習終端、學習情境、問題解決、學習偏好等方面差異的多樣化服務。服務途徑的多元化體現在課前、課中和課后這三個不同學習時段，服務系統可以針對這三個不同學習時段的學情和學習需要，通過采取課前預習推送、課上生成性資源推送和課后學習鞏固與內化階段的推送來促進學習者的學習，進而提升學習效果。

五、結? ?語

個性化學習服務是教育理念與信息技術深度融合與應用的產物，面向國家在5G教育應用中不斷涌現出的多元化、智能化、聯通性等方面的服務需求，大數據驅動的個性化學習研究與實踐已經成為教育信息化領域的一個重要課題。開展個性化學習服務的關鍵在于，精準識別學習者在不同學習情境、學習任務、問題解決中的服務需求與偏好，建立學習者偏好模式與學習服務的有效匹配機制。本文以在線教育大數據為基礎，面向在線學習全流程，從個性化學習服務體系構建的關鍵要素、個性化學習服務實施與評價等方面探討了個性化學習服務機制，這是開展個性化學習服務實踐的重要前提，也是助力學習者實現個體知識與社會知識建構、不斷完善學習者個性化知識體系的重要機制。

[參考文獻]

[1] 李振，周東岱，董曉曉，黃雪嬌.我國教育大數據的研究現狀、問題與對策——基于CNKI學術期刊的內容分析[J].現代遠距離教育，2019（1）：46-55.

[2] 卓文秀，楊成，李海琦.大數據與教育智能——第17屆教育技術國際論壇綜述[J].終身教育研究，2019（3）：62-67.

[3] 孫洪濤，鄭勤華.教育大數據的核心技術、應用現狀與發展趨勢[J].遠程教育雜志，2016，34（5）：41-49.

[4] 維克托·邁爾-舍恩伯格，肯尼思·庫克耶.與大數據同行——學習和教育的未來[M].趙中建，張燕南，譯.上海：華東師范大學出版社，2015.

[5] 費龍，馬元麗.發展個性化學習，促進教育公平——英國個性化學習基本理論及實踐經驗探討[J].全球教育展望，2010（8）：42-46.

[6] National Education Technology Plan 2010.Transforming American education： learning powered by technology[DB/OL].[2019-12-18].http：//www.lahc.cc.ca.us/research/Learn_Powered_by_tech_exec-sum%205-11.pdf.

[7] 余勝泉.互聯網+教育：未來學校[M].北京：電子工業出版社，2019.

[8] 楊現民，田雪松.中國基礎教育大數據（2016—2017）：走向數據驅動的精準教學[M].北京：科學出版社，2018.

[9] 楊麗娜，魏永紅.情境化的泛在學習資源智能推薦研究[J].電化教育研究，2014（10）：103-109.

[10] R·M·加涅，W·W·韋杰，K·C·戈勒斯.教學設計原理[M].王小明，龐維國，陳保華，等譯，皮連生校.上海：華東師范大學出版社，2018.