教師在線學習結果的混合預測研究

李昕 荊永君

摘要：學習者的個體特征和學習過程中的行為表現對在線學習結果具有一定的預測作用。為了探究在職教師在線學習結果的影響因素及預測模型，研究以教師信息技術應用能力在線學習為研究場景，選取1041名教師作為研究對象，依據性別、年齡、學科、學段等傾向性指標和參與、專注、績效、規律4個維度的行為表現指標建立4種學習結果預測模型，綜合評估7種分類算法后選擇較優的預測模型和算法，并對確定的預測模型進行調參優化、動態適應性檢驗、可視化呈現和規則提取，并對預測風險給出了干預策略。研究表明：應用CART決策樹算法通過傾向性指標和行為表現指標的混合預測模型獲得了較優的預測效果，并且該模型具有早期的預測能力，可以為培訓管理者在不同的學習階段實施學習干預和支持服務提供科學依據。

關鍵詞：在線專業發展；傾向性指標；學習行為；學習結果；預測與干預

中圖分類號：G434 文獻標識碼：A

* 本文系全國教育科學規劃教育部重點課題“基于學習分析的教師網絡學習行為預測與干預研究”（課題編號：DCA170305）研究成果。

2019年教育部在《關于實施全國中小學教師信息技術應用能力提升工程2.0的意見》中提出打造智能化、數字化的教師培訓網絡平臺，建立自適應、個性化的教師培訓學習體驗空間，實現“三提升一全面”的總體發展目標?；诰W絡的教師培訓具有跨時空、形式多樣、資源豐富、學習方式靈活等優勢，已逐漸成為教師專業發展的主要途徑，教師在線學習結果也成為備受關注的熱點。研究者通過問卷調查法和訪談法從政策要求、課程設置、培訓模式、活動設計等外部環境因素，以及受訓教師的年齡、性別、學習態度、學習動機、學習風格等個體內部因素多個角度開展了學習結果影響因素的研究[1][2]。此類研究大多是在教師培訓結束后開展的調查研究，屬于事后總結追因分析，目的是為后續教師培訓提供參考和決策。隨著學習分析技術的成熟，在線學習過程中的行為表現指標被納入在線學習結果的預測模型，并取得了較好的預測效果[3]。基于行為表現指標的預測可以在學習過程中，當各類學習行為數據有了一定積累之后，根據前期建立的學習行為與學習結果的預測模型給出預測分析，便于在學習過程中實施干預措施。從研究對象來看，已有的在線學習結果預測研究大多數是針對在校大學生和MOOCs學習者，而關于在職教師的研究偏少[4]。參加在線學習的教師年齡分布范圍廣、職業身份特殊、學歷層次較高，受過良好的學科知識教育和教師職業教育，原有知識基礎、學習動機、職業發展的認知等多方面與其他學習者不同。這些因素可能會導致其與其他學習者的在線學習行為和學習結果的影響因素存在著差異，教師在線學習結果的影響因素和預測模型還有待進一步深入研究。因此，本研究嘗試基于教師的傾向性指標（靜態）和學習行為表現指標（動態）建立4種學習結果預測模型，并綜合評估機器學習中常用的7種分類算法選擇較優的預測模型和算法，以期獲得更好的預測性能和早期的預警能力，為教師在線學習干預和支持服務提供精準的決策依據，改善和優化教師的在線學習投入，從而提高教師在線學習效果。

大數據技術的興起促使數據密集型研究范式被逐漸應用于在線學習結果的預測研究。研究者更加注重綜合運用多種預測模型和算法，采集多種場景數據豐富數據來源，將數據按時間維度進行序列化，希冀構建的預測模型不僅能夠獲得較優的預測性能，而且還要具有早期的預測能力。吳林靜、趙磊等人在綜合對比分析決策樹、K近鄰分類、人工神經網絡等多種分類算法的預測性能后，確定了大學生和MOOCs學習者的課程成績預測的較優模型，發現在線學習時長、內容交互、人際交互和參與評價等行為是關鍵的預測指標[5][6]。羅楊洋等人使用隨機森林增量學習算法構建混合式學習環境中大學生的在線學習行為與課程成績的預測模型，研究結果證實隨著樣本量增加準確率越高[7]。胡航、許煒等人利用傾向性指標和在線學習行為、課堂行為、一卡通消費、圖書借閱和運動行為等多種場景數據，實現了對大學生課程成績的有效預測[8-10]。王亮、Hassan、Waheed等人分別以日、周、季度為時間窗編制學生活動時間序列預測開放教育學習者的課程完成情況，研究發現預測模型能在學習初期達到較好的準確度，從而使預測模型具備早期的預測能力[11-13]。

關于在職教師的研究中，劉麗娜等人以農村幼兒園教師網絡培訓為案例，利用相關性和方差分析研究發現在線學習完成率影響最顯著的是地域因素，與任教年限、年齡、在線學習經歷、計算機操作技能以及學習動機、學習風格等心理特征顯著相關，而與性別和學歷無關[14]。趙艷、吳紹靖等人利用多元回歸分析發現，登錄總時長、登錄次數、交流討論次數、完成任務等因素是中小學教師在線學習成績的關鍵因素[15][16]。張思等人在綜合對比6種常見的分類算法后，使用決策樹以參與、專注、規律和交互4個維度的學習投入情況預測中小學教師的在線學習成績，獲得了較好的準確性[17]。

綜上所述，學習者的個體特征和學習過程中的行為表現能夠有效預測在線學習結果。在預測指標的選擇上，學習者的性別、年齡、知識背景等傾向性指標，和行為的次數、時間、作業（練習）成績、人際交互等行為表現指標是相對穩定和重要的預測因子，主要以課程成績、完成情況、是否獲得證書等學習結果作為預測目標。由于在線學習者的構成來源不同、學業背景各異，導致學習結果與學習者的個體特征、在線學習行為之間的關系復雜。眾多研究表明在線學習結果的預測具有一定的教學情境差異，還尚未形成適應各類學習者的通用預測指標和模型[18]。

為了進一步探究在職教師在線學習結果影響因素及學習結果預測模型，本研究以教師信息技術應用能力在線學習為研究場景，開展基于傾向性指標和行為表現指標的學習結果混合預測研究。其中，傾向性指標在教師的性別、年齡、計算機操作水平、所在區域等個體特征的基礎上，增加了與教師職業緊密相關的學段、學科特征；行為表現指標在行為產生的數量、取得的質量和持續時間的基礎上，利用信息熵計算行為規律指數衡量行為發展的穩定性，即將行為表現指標劃分為參與、專注、績效和規律4個維度。依據傾向性指標和行為表現指標建立4種學習結果預測模型，并對構建的預測模型進行算法評估、調參優化、動態適應性檢驗、可視化呈現和規則提取，以期提高教師在線學習結果預測的準確性、穩定性和早期預測能力。

（一）研究場景

Y市教師信息技術應用能力培訓項目由教育管理部門依據《中小學教師信息技術應用能力標準（試行）》設計課程內容，共包括8個主題，每個主題學習時間為1周（從周一開始至周日結束），要求中小學在職教師全員參與，并累計在線學習50小時。依托的在線學習平臺包括：課程公告、課程內容、在線測試、課程作業、學習討論、學習小組和學習評價等功能，在線學習活動以任務驅動、活動引領、小組協作學習為主，教師的學習完成率95%以上。學習結束后參加管理部門統一組織的水平測試，測試結果分為合格與不合格兩類，合格率為69%。

（二）研究模型

在本研究場景中，教師參加在線學習活動除了自身專業發展需求外，還具有一定的組織約束性，在線學習的完成率較高并不適合作為預測目標，所以選擇水平測試結果作為預測目標。在借鑒已有研究和教師在線學習特點的基礎上，構建了基于傾向性指標和行為表現指標的學習結果混合預測模型。其中，傾向性指標主要是指教師個體特征屬性，包括教師的性別、年齡、計算機操作水平、學校所在區域、學段和學科6個指標；行為表現指標主要是指教師在線學習過程發生的教學交互行為。

在遠程教育的教學交互研究中，穆爾和安德森從教學構成要素的視角，認為遠程教育的教學交互包括學習者、教師、學習內容三者之間的交互[19]；陳麗從交互層次的視角提出遠程學習中的教學交互層次塔理論，認為交互由具體到抽象、由低級到高級，分為學習者與媒體界面的操作交互，學習者與資源、學習者、教師的信息交互，以及學習者新舊概念的交互[20]。本研究按照教學交互理論提取教師各類在線學習行為，為了更細致、準確地刻畫教師的在線學習行為表現指標，將其劃分為參與、專注、績效和規律4個維度[21]。其中參與反映交互行為的數量，即教師按照課程學習要求與系統、資源、同伴和培訓者間交互的各類在線學習行為發生的次數，如登錄系統次數、瀏覽學習內容次數、參與討論次數等；專注反映交互行為的持續程度，即教師在線學習時保持注意力的努力程度，如學習投入時間、每次登錄持續學習時間、學習序列的步長、話題討論的深度和內容長度等；績效反映交互行為的質量，即教師完成課程評價設置的相關學習任務取得的成績，如練習和作業的成績、討論話題質量、學習任務完成度等。規律反映交互行為發展的有序程度，即教師在線學習行為的偏好和規律特征，如在不同時間段內具有穩定的或傾向性的學習頻率、學習投入時間、學習序列等。

為了多角度驗證研究模型的有效性，本研究構建了傾向性指標（模型A）、不含規律維度的行為表現指標（模型B）、全部行為表現指標（模型C）、基于傾向性和行為表現的混合指標（模型D）共4種預測模型。模型A用于檢驗在學習初期傾向性指標對學習結果的預測效果；模型B用于檢驗在學習過程中積累了一定量的交互行為數據后，行為表現指標對學習結果的預測效果；模型C用于與模型B對比分析，用于檢驗行為表現指標增加規律維度后對學習結果預測效果的影響；模型D用于與其他模型對比分析，以此檢驗基于傾向性和行為表現的混合指標對學習結果的預測效果是否優于其他模型。

（三）研究方法

本研究的預測目標是一個二分類問題，因此可以采用邏輯回歸、決策樹、人工神經網絡等分類方法分析傾向性指標和行為表現指標對學習結果的影響。整個研究過程分為4個階段：一是按照研究模型從系統日志和數據庫中收集整理相應的傾向性指標和行為表現指標數據；二是通過相關性分析篩選出與學習結果相關的指標作為4種預測模型的預測變量；三是將研究樣本分為訓練集和測試集，運用7種常用的分類算法通過訓練集建立預測模型，再使用測試集評估預測模型的預測性能選出較優的預測模型；四是對確定的預測模型進行調參優化、動態適應性檢驗、可視化呈現及規則提取生成規則集。具體技術路線如圖1所示。

（一）數據收集

按照數據可獲得性和完整性，從學習平臺中篩選出1041名教師作為研究對象，共收集教師平臺訪問、工具使用和學習討論等各類在線學習行為數據28萬余條。研究對象的基本情況如表1所示。

由表1可知，女性教師的數量將近男性教師的5倍，這與我國當前基礎教育女性教師偏多的現象相一致。教師年齡主要集中在36—45歲，各學段的教師人數相對均衡，語文和數學學科的教師相對多些，物理、化學、歷史和政治等其他學科占三分之一左右，教師所在學校位于中心城區和計算機操作水平屬于低等水平的人數各占一半以上。

按照研究設計從系統訪問日志和數據庫中收集整理出教師平臺、工具、資源和人際交互行為的參與、專注和績效的度量指標，并在此基礎上計算獲得各行為度量指標的規律指數和行為偏好特征。共篩選出35個教師在線學習行為表現的度量指標，如表2所示。

參與、專注和績效中各度量指標的次數、時間和成績可以從系統訪問日志和數據庫中統計分析獲得。規律維度中的偏好度量指標是指教師在學習行為序列和學習時間上的傾向性，其中學習序列導向偏好采用滯后序列分析和頻繁序列分析獲得，如基于學習內容或績效的行為序列導向[22]；主題學習時滯偏好和活躍偏好采用描述性統計和方差分析方法，獲得統計學意義上存在顯著性差異的行為傾向，如主題開始階段學習傾向、夜間學習傾向等。規律維度中各類度量指標的規律指數是衡量每個主題中度量指標的有序程度，由信息熵計算獲得[23][24]。其計算過程為：先將每個主題開放學習時間內教師的參與、專注和績效各度量指標形成數據集合，再根據集合中數據分布的熵值獲得，其計算公式如下：

規律指數Hx的取值范圍為0—1之間，取值越高說明數據分布越有序。例如，計算教師x在n個主題內的登錄系統次數的規律指數，其中pi表示該教師第i個主題登錄系統次數在n個主題內總登錄系統次數中的比重。假設教師A和B的8個主題內的登錄系統總次數均為100次，每個主題內的登錄系統次數分布如表3所示。

根據規律指數計算公式，可獲得教師A和B的登錄系統次數的規律指數分別為0.994和0.853，說明教師A比教師B的登錄系統行為更有序、更穩定?？梢娦袨槎攘恐笜艘胍幝芍笖岛竽芨顚拥胤从掣黝悓W習行為數據的含義。

（二）預測變量選擇

根據變量數據類型和分布特點，采用Spearman相關系數檢驗6個傾向性指標和35個行為表現指標與學習結果的相關性，刪除掉不顯著和相關系數小于0.2的指標，最終保留20個指標作為學習結果的預測變量，如表4所示。

大多數傾向性指標和行為表現指標與學習結果在0.05水平上具有顯著相關性，相關系數絕對值在0.2—0.6之間，其中學段、所在區域、登錄系統次數、主題學習時間、主題學習時間規律指數和討論得分規律指數6個指標與學習結果為中度相關，其他14個指標為弱相關。因此可以將以上指標作為自變量全部選入學習結果預測模型。

（一）預測模型的構建

研究對象的水平測試合格率為69%，可以看出預測目標數據存在不均衡問題，因此采用SMOTE過采樣方法擬合生成測試結果為不合格的新樣本，最后共有1712名教師數據作為數據樣本，測試結果的類別比例接近1∶1，保證數據樣本的無偏性，以便提高預測模型的準確性。按照7∶3的比例將數據樣本形成訓練集和測試集，分別用于執行和評估各種分類算法和模型。

本研究使用Python語言及常用的機器學習庫Scikit-learn包作為分析工具，首先將預測變量中的性別、年齡、學段、學科、所在區域、學習活躍偏好等離散型變量轉成One-Hot編碼；其次利用十折交叉驗證法分別使用邏輯回歸、線性判別分析、K近鄰算法、CART算法、樸素貝葉斯、支持向量機和人工神經網絡7種常用的分類算法，對訓練集按照研究設計的4種預測模型進行訓練；然后以準確率、精準率、召回率、F1分數和AUC值作為預測評估指標，綜合分析預測評估指標選定4種預測模型的較優分類算法；最后使用測試集評估選定的較優分類算法和預測模型的泛化能力。4種預測模型的較優分類算法的評估指標如表5所示。

從評估指標對比分析可以看出4種預測模型都有較好的預測表現，在模型A和模型B中人工網絡算法和線性判別分析算法分別獲得了較優的預測效果，在模型C和模型D中CART算法獲得了較優的預測效果。由模型C與模型B比較發現除精準率外，其他評估指標有所提高，測試集的準確率、召回率、F1分數和AUC值分別由0.669、0.701、0.669和0.670提高到0.685、0.806、0.709和0.691，可見在學習行為增加了規律維度后預測效果有了一定提升。由模型D與其他模型比較發現，除了召回率略低于模型C外其他評估指標均為最高值，測試集的準確率為0.801、精準率為0.800、F1分數為0.789、AUC值為0.800，召回率為0.778比模型C（0.806）略有下降?？傮w來說，基于動態行為表現的學習結果預測性能優于基于靜態傾向性指標，學習行為增加了規律維度后預測性能有所提升，基于傾向性指標和行為表現指標的混合預測模型（模型D）的預測性能明顯優于其他模型，對學習結果的預測獲得了較優的預測效果。

（二）預測模型的優化

為使混合預測模型（模型D）生成的決策樹能夠具有較好的泛化能力，避免出現過擬合問題，本研究采用代價復雜度CCP算法對決策樹進行剪枝處理，通過迭代在訓練集和測試集中尋求一個衡量代價與復雜度之間關系的較優參數α值。通過計算獲得當α值介于0.05—0.10之間時，決策樹模型的訓練集和測試集的正確率均比較高，穩定在0.75—0.90之間。因此本研究以α為0.06構建決策樹模型，獲得測試集的準確率、精準率、召回率、F1分數和AUC值分別為0.791、0.813、0.765、0.788和0.791。最終共有性別、年齡、學段、學科、所在區域5個傾向性特征指標，和登錄系統次數、討論內容長度、測試成績、登錄系統次數規律指數、主題學習時間規律指數、討論內容長度規律指數、測試成績規律指數和討論得分規律指數8個行為表現指標參與決策樹分類。參與、專注、績效和規律4個維度中均有指標被選取為分類特征，其中規律維度指標最多。按分類特征重要性排序，學段、主題學習時間規律指數、討論得分規律指數、所在區域和登錄系統次數指標排在前5名。可以看出，本研究提出的學習行為規律維度與其他行為維度比對學習結果的預測作用更顯著。例如，主題學習時間方面，有四分之三以上的教師能夠達到培訓方案規定的學習時間要求（50小時），但不同主題間存在學習時間分配不均衡現象，主題學習時間指標在對學習結果的預測中并沒有起到分類作用；而主題學習時間規律指數能在一定程度上規避集中突擊或不規則“刷課”產生的“學習時間”對學習結果預測的影響，起到較好的分類作用。

（三）預測模型的動態適應性檢驗

為了檢驗預測模型在學習過程中的動態適應性，以主題學習時間段為時間窗，按照主題的學習進程將教師每個主題內的學習行為數據逐步累加，分別形成8個主題的行為表現數據子集。預測模型C和D使用CART算法分別對第2—8個數據子集（因第1個主題數據子集沒有學習行為規律維度，故排除）進行分類預測與評估，計算獲得測試集的準確率、精準率、召回率和F1分數的變化趨勢如圖2所示。

從圖2可以看出，在不同主題學習階段模型D的預測性能優于模型C；隨著學習過程中學習行為數據的不斷積累，模型D的預測性能不斷提升，其中的準確率從0.762上升到0.801；模型D的召回率相對平穩而模型C波動較大。其中主題5學習時間處于法定假期，通過學習行為數據分析發現，教師整體登錄次數和學習投入時間明顯低于其他主題，這種學習活躍性和學習投入低且不規律的現象對學習結果預測性能產生了一定影響。整體上來說，基于傾向性指標和行為表現指標的混合預測（模型D）在整個學習過程中具有很好的動態適應性，可以在不同主題學習階段開展學習結果預測，充分發揮預測模型的早期預警能力。

（四）預測模型的可視化及規則提取

為了使學習結果預測模型獲得的知識更加通俗易懂，便于培訓管理者在實際場景中使用，本研究利用可視化技術將學習結果預測模型進行可視化在線呈現，生成的決策樹的局部樹形結構如圖3所示。

節點中“主題學習時間≤0.878”表示當前節點分類條件（如無分類條件則為葉子節點），上分支為滿足分類條件的情況，下分支為不滿足條件的情況。分類不純度代表樣本的不確定性，當樣本中每類的數量均勻分布時分類不純度越大，分類結果也就越不確定。樣本比例表示當前節點樣本數占總樣本的比例，類別比例表示各分類結果的比例，類別表示當前節點被判斷的分類結果，分類結果為葉子節點時用橢圓形標識。培訓管理者可以根據可視化樹形圖結合教師的傾向性特征和行為表現特征的多個維度信息建立學習結果的診斷規則。例如，從圖3中可以提取如下規則：

規則1：如果教師的主題學習時間規律指數≤0.878，并且討論得分規律指數≤0.936；則學習結果為不合格的概率為0.798。

規則2：如果教師的主題學習時間規律指數≤0.878，并且討論得分規律指數>0.936，并且年齡在46歲以上；則學習結果為不合格的概率為0.750。

規則3：如果教師所在學段不為初中，并且主題學習時間規律指數>0.977；則學習結果為合格的概率為0.676。

規則中傾向性指標是教師固有的個體特征，是無法通過學習活動和主觀努力改變的，只在預測中起到分類作用；而行為表現指標是在學習過程中動態發生的，可以通過外界干預措施和支持服務進行優化調整。學習平臺可以通過監測教師的在線學習行為表現，匹配相應的預測規則推送給培訓管理者和潛在學習風險群體，助力培訓管理者實施有目的、有針對性的干預措施和學習支持服務，促使潛在學習風險群體調整在線學習行為和投入時間，從而提高教師在線學習效益。

（五）預測風險的干預

在本研究場景中，教師整體在線學習參與度、專注度、績效水平和學習完成率較高，其中大多數的行為度量指標還具有良好的規律性。但也有少部分行為度量指標表現欠佳，例如在線測試成績、參與討論次數不高，以及它們對應的規律指數較低；也存在著部分學習結果預測為不合格的潛在學習風險群體。該類群體是培訓管理者實施干預和學習支持服務的重點對象。首先在學習開始階段依據教師的傾向性指標預測學習結果，培訓管理者初步篩選出潛在學習風險群體，分析其學習態度、動機、認知、自我管理能力和計算機應用能力等在線學習準備情況，再結合其在線學習過程中可能出現的問題行為特點，從培訓前期的設計與組織抓起，實施補償性群體干預策略并建立干預對象持續跟蹤機制。然后在學習過程中隨著學習行為數據的不斷積累，再增加行為表現指標進行混合預測，進一步提高學習結果預測的準確率和精準率，為實施跟蹤式個體學習干預措施和支持服務提供科學依據。

1.學習初期補充性群體干預

根據上述學習結果預測模型研究結果，在學習初期依據傾向性指標預測模型共獲得兩類潛在學習風險群體。

群體1：小學和初中位于縣區鄉鎮的教師（學習結果不合格的預測概率為0.658）。

群體2：年齡在46歲以上的教師（學習結果不合格的預測概率為0.667）。

雖然我國教師在線培訓已經開展多年，但不同學段、年齡和地區教師的在線專業發展理念和信息技術素養等方面還存在著一定差異，培訓設計與組織應正視不同群體的差異，才能促進以人為本的精準培訓的實現[25]。針對以上潛在學習風險群體，可以在培訓前采取補償性的基于人工的群體干預化解學習風險，將學習風險干預措施前移。例如，在培訓設計與組織前，開展在線學習準備情況和需求調查，特別關注潛在學習風險群體學習準備方面存在的不足，以及學習需求和困惑。開展必要的理論引領學習，使其認同在線專業發展的價值，改變消極的學習態度，提高在線學習的主觀能動性和感知有用性。提供在線學習技術和心理輔導，使其具有基本的在線學習技術能力和心理適應能力，提升在線學習感知易用性，從而促進持續學習行為意向的產生。建立小組合作學習方案，實施互助式學伴機制，根據教師傾向性指標預測的學習結果劃分學習小組，建立城鄉、不同學段和年齡段間的協作學習小組，形成不同群體間以強帶弱、優勢互補、協作互助、共同發展的學習共同體。

2.學習過程跟蹤式個體干預

在學習過程中依據基于傾向性和行為表現的混合指標預測模型共獲得5類潛在學習風險群體。

群體1：小學和初中年齡在46歲以上，且主題學習時間不規律的教師（主題學習時間規律指數≤0.878，學習結果不合格的預測概率為0.750）。

群體2：小學女性，且主題學習時間和在線測試成績不規律的教師（主題學習時間規律指數≤0.977，在線測試成績規律指數≤0.893，學習結果不合格的預測概率為0.764）。

群體3：小學和初中，且主題學習時間和參與討論得分不規律的教師（主題學習時間規律指數≤0.878，討論得分規律指數≤0.936，學習結果不合格的預測概率為0.798）。

群體4：高中，且登錄學習積極性低的教師（平均主題登錄次數≤7.13，學習結果不合格的預測概率為0.868）；

群體5：小學和初中位于縣區鄉鎮，且登錄學習積極性低的教師（平均每個主題登錄次數≤6.06，學習結果不合格的預測概率為0.986）。

在學習過程中系統自動采集分析教師的學習行為數據，當滿足潛在風險群體判別要素的條件時，則觸發基于系統的學習風險個體干預機制，如采取學習任務檢測、推送學習預警信息、展示學習榜樣行為畫像等策略，實施診斷、指導、提醒、激勵等干預[26]。

建立學習任務檢測機制，能夠強化教師學習任務完成質量。如根據在線學習評價要求設置學習任務點，定期檢測任務點完成情況并給出主題學習報告和總結評價，促進教師學習過程全面參與，避免出現課程結束前集中突擊的現象。針對預設討論話題設置回復內容長度檢測和詞云展示提醒，避免低質量甚至無效的應付式回復，促進教師間深度交互。控制在線測試提交時間，避免因測試投入時間過少而導致成績不高的現象，對測試成績較低的教師，推送與測試知識點對應的學習內容，建議其重新學習內容后再測試，鼓勵其取得較好的測試成績。

及時推送學習預警信息的目的是引起潛在學習風險群體的注意，引導、督促其自主調整學習狀態，化解學習風險并順利完成在線學習。如針對登錄學習不積極、主題學習時間不規律的教師，以郵件、手機短息的方式推送學習日程和學習要求，提醒其按要求登錄學習系統，并完成內容學習、作業提交、階段測試等任務，督促其提高在線學習的活躍性和規律性；在設計發布學習內容和學習任務時給出完成所需時間要求，在學習系統中設置在線持續學習時間提醒功能，讓學習者及時了解自身學習進度和持續學習時間，促使其保持學習投入時間的充足性和持久性。

社會比較理論認為人類體內存在一種評價自己觀點和能力的驅力，個體需要通過和他人比較才能獲得穩定和準確的自我評價，以及維護自尊和自我價值[27]。因此，對潛在學習風險群體可采取學習榜樣行為畫像激勵的策略。選擇與其具有相同傾向性指標的學習榜樣作為社會比較對象，通過數字畫像技術呈現二者學習行為表現指標，形成平行比較和上行比較激勵機制，便于潛在學習風險群體認識到自身學習行為表現差距，激發自我評價、自我提高和自我滿足的社會比較動機，改變不良學習行為，實現自我調節學習，從而規避學習風險。

預測干預機制能夠將學習風險的“事后處理”轉變成為“事前預防”和“事中控制”。預測結果和問題學習行為預警信息不僅反饋給學習者起到自我監控和自我調節的作用，而且也呈現給培訓管理者起到學習督促與監管的作用。

教師在線學習結果的預測與干預能夠有效提升教師在線專業發展的質量。本研究通過多種模型與分類算法對比分析，證實了教師的傾向性指標和行為表現指標對學習結果具有一定的預測能力。傾向性指標中與教師職業相關的所在學段和學校所在區域，以及行為表現指標中參與維度的登錄次數、規律維度的主題學習時間（專注）規律指數和討論得分（績效）規律指數等指標是學習結果的重要影響因素。學習行為增加了規律維度后能夠提升學習結果的預測性能，應用CART算法構建的基于傾向性和行為表現指標的混合預測模型獲得了較優的預測效果，并在學習過程中表現出較好的動態適應性，隨著行為數據的累加預測性能不斷提升，預測模型具有一定的早期預警能力。未來研究中，可以在預測指標上增加教師的學習動機、學習風格等心理特征，在數據源上還可以引入教師生活、工作等多種場景數據，將能進一步提高學習結果的預測性能。

參考文獻：

[1][15] 趙艷，趙蔚等.基于學習分析技術的中小學教師遠程培訓效果影響因素實證研究[J].中國電化教育，2014，（9）：142-148.

[2] 劉麗娜.在職教師特征與網絡學習成效關系的實證研究[J].教師教育學報，2017，（4）：46-54.

[3][18] 范逸洲，汪瓊.學業成就與學業風險的預測——基于學習分析領域中預測指標的文獻綜述[J].中國遠程教育，2018，（1）：7-17+46+81.

[4] 田浩，武法提.學習分析視域下學習預測研究的發展圖景[J].現代教育技術，2020，（11）：98-104.

[5] 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，（6）：46-53.

[6] 趙磊，鄧彤等.基于數據挖掘的MOOC學習者學業成績預測與群體特征分析[J].重慶高教研究，2021，（6）：95-105.

[7] 羅楊洋，韓錫斌.基于增量學習算法的混合課程學生成績預測模型研究[J].電化教育研究， 2021，（7）：83-90.

[8] 胡航，杜爽等.學習績效預測模型構建：源于學習行為大數據分析[J].中國遠程教育，2021，（4）：8-20，76.

[9][23] 胡航，李雅馨.學習績效預測模型的應用：運動與課堂行為關系研究[J].中國遠程教育，2021，（10）：19-28+76.

[10] 許煒，劉文同等.基于大學課堂學習行為的成績預測方法研究[J].現代教育技術，2021，（6）：104-111.

[11] 王亮.學習者與平臺交互行為挖掘及學習預測模型構建[J].中國遠程教育，2021，（5）：62-67.

[12] Hassan SU，Waheed H，et al.Virtual learning environment to predict withdrawal by leveraging deep learning [J].International Journal of Intelligent Systems.2019，（34）：1935-1952.

[13] Waheed H，Hassan SU，et al.Predicting academic performance of students from VLE big data using deep learning models [J].Computers in Human Behavior，2020，（11）：1-13.

[14] 劉麗娜，平凡等.在職教師特征對其網絡學習成效的差異性影響初探[J].中國遠程教育，2015，（12）：32-37+60+79.

[16] 吳紹靖，易明.中小學教師網絡學習行為對學習效果的影響[J].現代教育技術，2019，（9）：101-107.

[17][21] 張思，劉清堂等.網絡學習空間中學習者學習投入的研究——網絡學習行為的大數據分析[J].中國電化教育，2017，（4）：24-30+40.

[19] 特里·安德森，董秀華.再論混合權利：一種最新的有關交互的理論定理[J].開放教育研究，2004，（4）：19-26.

[20] 陳麗，王志軍.三代遠程學習中的教學交互原理[J].中國遠程教育，2016，（10）：30-37+79-80.

[22] 荊永君，李昕.學習分析技術支持下的教師在線學習行為特征分析[J].中國電化教育，2020，（2）：75-82.

[24] Cao Y，Gao J，et al.Orderliness of campus lifestyle predicts academic performance：A case study in Chinese University [M]. Digital Phenotyping and Mobile Sensing，New Developments in Psychoinformatics，2019.

[25] 唐燁偉，范佳榮等.人本服務理念下區域中小學教師信息化教學能力精準培訓策略研究[J].中國電化教育，2019，（11）：113-119.

[26] 李艷燕，邢爽等.在線協作學習中學習分析工具對教師干預的影響研究[J].中國電化教育，2019，（2）：80-86.

[27] 邢淑芬，俞國良.社會比較研究的現狀與發展趨勢[J].心理科學進展，2005，（1）：78-84.

作者簡介：

李昕：副教授，碩士，研究方向為遠程教育與智能教學。

荊永君：教授，博士，研究方向為教師教育研究、在線教育與學習分析。

Research on Hybrid Prediction of Learning Results in Teachers’ Online Professional Development

Li Xin， Jing Yongjun（Institute of Educational Technology， Shenyang Normal University， Shenyang 110034， Liaoning）

Abstract： Online learning results can be predicted through learners’ individual characteristics and behavior in the learning process. In order to explore the influencing factors and prediction model of learning results in Teachers’ online professional development， this paper takes the project of teachers’ information technology application ability online learning as the research scene， and 1041 teachers are taken as the research object. The four learning results prediction models are established according to gender， age， discipline， school stage and other dispositional indicators and behavior indicators such as participation， attention， performance and regularity. After seven classification algorithms are evaluated， the better prediction model and algorithm are selected. Then the generalization ability of the model is optimized by adjusting parameters， the dynamic adaptability is tested， and the knowledge and rules are visualized and extracted from the model. Finally， some intervention strategies for predicting risk are given. The results show that better prediction performance are obtained by using the classification and regression trees（CART） algorithm in the hybrid prediction model of dispositional indicators and behavior indicators. The model has early prediction ability and can provide scientific suggestions for training managers to implement learning intervention and support services in different learning stages.

Keywords： online professional development； dispositional indicators； learning behavior； learning results； prediction and intervention