國內在線學習研究的熱點和趨勢*
——基于2009—2021 年CSSCI 期刊載文的可視化分析

華南 秦煒煒

蘇州大學教育學院 江蘇蘇州 215123

0 引言

隨著“互聯網+教育”的融合發展，在線學習已成為“互聯網+”時代數字化學習的重要方式，也是國家教育數字化戰略行動的關鍵支點。2020年新冠疫情的持續性暴發，更是開啟了全世界最大規模的在線教育實驗，在線學習研究與實踐空前發展。據統計，僅2020 年疫情暴發就導致全球15.8億學生無法返校，195 個國家的學校被迫關閉[1]。為了應對這場突如其來的公共衛生危機，全球教育系統紛紛制定和加強了遠程在線學習策略[2]。我國教育部在2020 年初發布《關于在疫情防控期間做好普通高等學校在線教學組織與管理工作的指導意見》，提出實現在疫情防控期間“停課不停教、停課不停學”“在線學習與線下課堂教學質量實質等效”的要求[3]，做好線上教學活動的準備工作，如：準備各類優質線上資源、學習如何使用線上教學平臺。這一指導意見使在線學習得到飛速發展，在線學習也從應急走向一種“新常態”。

經統計，從開始出現疫情至2020 年5 月8日，我國采用線上教學的高校達到1 454 所，參與的教師和大學生分別達到103 萬以及1 775 萬，總共涉及23 億人次；其中在線課程共開出了107 萬門[4]。據《疫情下的2020 年移動互聯網報告》顯示，2020 年3 月在線教育用戶規模大漲近一倍，即便疫情緩和后有所回落，較疫情前仍增長1.09 億[5]。與此同時，在線學習研究數量不斷增長、研究主題日漸豐富，然而在線學習依然面臨師生在線教學互動不充分[6]、學生學習自主性偏低[7]等問題，研究與現實差距較大。國內在線學習研究的核心議題、主要特征、發展趨勢等問題尚不明確。為了使以上問題得到解決，必須從在線學習的研究層面、彌合研究以及實踐差距、提高研究效率等方面出發。

高質量論文往往預示著在線學習研究領域的發展前沿，可以在一定程度上反映在線學習研究的主要內容、典型特征和未來方向。對于一篇論文來說，關鍵詞反映了其研究核心，能夠對整篇文章進行高度概括和抽象反映；而高頻關鍵詞能夠對整個研究領域的具體研究方向和內容進行全方位刻畫[8]。所以，要想掌握在線學習領域研究的主要課題，可以基于聚類分析高頻關鍵詞來實現。多維尺度分析則是為了研究當前在線學習的研究熱點及其變化趨勢、彼此之間的關系，進而明晰國內在線學習的發展趨勢。基于此，本研究對在線學習研究領域現有CSSCI 期刊載文進行可視化分析，試圖回答前述與在線學習有關的若干未解問題。最終在文獻計量學的框架體系下，利用社會網絡分析方法，為指明在線學習的未來研究方向、推動在線學習研究領域的發展等提供一定的參考和借鑒。

1 研究設計

1.1 數據來源

本研究基于在線教育研究的CSSCI 期刊論文，以“在線學習”為篇名、關鍵詞和摘要在中國知網（CNKI）平臺進行檢索。經過檢索發現，“在線學習”相關文章數量自2009 年開始顯著增多。因中國知網收錄的CSSCI 期刊論文時間晚于期刊實際出刊時間，故時間范圍限定為2009—2021 年（2021 年10月），共檢索出1 566 篇CSSCI 期刊文獻。基于對文獻摘要的閱讀，剔除會議綜述、會議通知、文件講話、重復內容以及訪談等和主題聯系比較低的文獻，最后得到的文獻數量為1 529 篇（如圖1）。由圖1 可知，國內在線學習研究自2013 年開始增幅明顯，并于2020 年達到高峰。如果說2013 年在線學習研究數量的增長可能與大規模開放在線課程（Mass Open Online Courses，簡稱MOOC）浪潮催生的“中國慕課元年”有關，那么2020 年在線學習研究的蓬勃發展無疑與新冠疫情的全球性暴發密切相關。在線學習的廣泛實踐催生了更多的在線學習研究，但同時也反映了對已有在線學習研究進行回溯性元分析的必要性和重要性。

圖1 2009—2021 年在線學習研究CSSCl 發文量

1.2 研究工具

本文在研究的過程中運用了Ucinet 社會網絡分析軟件、Bicomb2.0 軟件（書目共現分析系統）以及數據統計軟件SPSS2.0 來完成可視化的研究與分析。首先，將中國知網上的文獻信息導出，然后在新建的Bicomb2.0 項目當中導入，對需要用到的字段進行準確提取，然后歸類存儲，再進行矩陣分析以及統計計算，形成本文的研究數據依據[9]。其次，運用SPSS2.0 對研究熱點進行聚類分析，明確研究主題，并通過多維尺度分析和繪制在線學習研究領域知識圖譜。最后，應用Ucinet 繪制社會網絡。

1.3 研究內容及流程

本研究利用Bicomb2.0 軟件從1 529 篇有效文獻中提取高頻關鍵詞，以期客觀反映在線學習領域的研究熱點及發展方向（如圖2 所示）。具體研究過程如下。

圖2 研究過程

1.3.1 數據收集

在中國知網收集到的有效文件總共1 529 篇，將這些文件通過NoteFirst 格式進行導出，然后另存為.txt 格式，在所保存的文本文件當中，具體涉及所有文獻的作者單位、作者名稱、標題、期刊名稱、關鍵詞以及各種重要信息，以此形成高頻關鍵詞的詞篇矩陣以及數據統計表，根據不同關鍵詞出現的頻率來判斷該主題的研究熱度以及主題之間的關聯性。

1.3.2 基于詞篇矩陣的聚類分析

為了對在線學習研究所表現的主題結構了解得更深入，就要聚類分析高頻關鍵詞。在SPSS2.0 軟件當中導入詞篇矩陣，再選系統分析，選擇度量標準為二分類當中的Ochiai 系數，這些操作完成之后就能形成分析樹狀圖。聚類分析能使研究對象的各種關鍵詞統一歸類，以保證對主題之間的關系進行判斷，進而明確其研究熱度和現狀。

1.3.3 基于關鍵詞的多維尺度分析和社會網絡分析

多維尺度數據分析法能夠通過簡化多維空間的各種研究對象，使其變成低維空間，為之后的分析、定位以及歸類呈現可視化的結果；而且對象之間的原始關系也能夠被保留[10]。研究者能夠基于可視化結果明確不同主題以及關鍵詞之間的位置，從而對當前在線學習的具體發展情況進行客觀判斷。通過系統分析生成相似性矩陣，并將其導入Excel 數據處理軟件。將經過整理的表格在SPSS2.0 軟件當中導入并展開多維尺度分析，與聚類分析的結果相結合，完成知識圖譜的繪制。然后在Ucinet 中導入相關矩陣再次處理，結果保存成.##h 文件，用來進行NetDraw 關鍵詞社會網絡的繪制，同時對所繪制出的社會網絡基于“degree”條件展開中心度分析。

2 研究結果

2.1 在線學習研究的高頻關鍵詞

高頻關鍵詞就是相對頻繁地出現在目標文獻當中的關鍵詞，具體的判斷標準通常是累計頻次達到總頻次大約40%的關鍵詞[11]。本研究應用Bicomb2.0 軟件自1 529 篇文獻中提取了202 個關鍵詞，其累計頻次達到總頻次的40.049%，符合高頻關鍵詞的遴選標準，可以初步反映我國近年在線學習研究的熱點和發展動向。鑒于不同文獻的關鍵詞存在同義詞和包含的問題，需利用軟件將多個同義詞合并設置為一個詞語，如本研究中MOOC 指代MOOCs、慕課、大規模開放在線課程等關鍵詞；在線教育指代在線輔導、在線教育平臺、在線課程以及遠程教育等關鍵詞；在線教學指代在線協作學習和在線教育等關鍵詞；學習者指代在線學習者、成人學習者等關鍵詞；學習投入指代認知投入、行為投入以及情感投入等關鍵詞。最終提取出頻次≥20 的關鍵詞，共計18 個，如圖3 所示。

圖3 高頻關鍵詞出現頻次

結果表明，我國在線學習領域研究側重于在線教學、MOOC、學習分析、學習投入、學習者、影響因素、深度學習、大數據、社會網絡分析、人工智能、學習效果、數據挖掘等方面，強調自主學習、網絡課堂、翻轉課堂以及混合式教學等教學模式，也注重對各種資源進行共建共享，研究過程中的具體范疇以及層次基本上都在高等教育。

2.2 在線學習研究的聚類分析

聚類分析就是劃分數據集為不同的類別或組別，讓處于同一組的數據對象相似度更高，而處于不同組的數據完全不同。處于目標研究領域的部分關鍵詞，能夠用聚類分析把具有密切關聯的關鍵詞進行聚集以產生不同類別，進而獲得不同分支在該領域中的構成[12]。聚類分析能夠使研究主題的結構更加清晰，所以本研究深入分析了在線學習當中的高頻關鍵詞。詞篇矩陣的基礎是共現矩陣，本文研究當中基于Bicomb2.0 軟件來完成高頻關鍵詞詞篇矩陣的生成，并在SPSS2.0 軟件當中導入，以Ochiai 系數來展開聚類分析。之后，再通過該軟件完成高頻關鍵詞共現矩陣的生成，作為多維尺度分析的基礎。結合專業知識背景，本研究將19 個主題詞聚為四類，如圖4 所示。

圖4 高頻主題詞聚類分析樹狀圖

按照高頻關鍵詞所形成的聚類樹狀圖，本文將研究在線學習的熱點劃分為下面幾類。

2.2.1 在線學習分析數據處理研究

在線學習分析數據處理研究的文獻檢索關鍵詞包括“學習投入”“數據挖掘”“社會網絡分析”“學習分析”。Martin[13]認為學習投入是對學習過程產生最直接影響的因素，他將學習投入劃分為認知投入以及行為投入這樣兩個維度。認知投入就是在學習活動中學習者經過思考之后所形成的認知水平，是認知以及心理層面的高度投入[14]。而行為投入就是在學習活動中匯總學習者的各類行為，是高度投入學習活動的表現[15]。基于研究，可以通過了解學習者對課程的感知、調控和情感體驗，使在線學習課程教學設計水平更上一層樓[16]，增強課程的個性化以及針對性，所以很有必要研究學習投入。數據挖掘就是基于現有數據來進行所需知識挖掘的過程[17]。該技術基于對數據內涵的探究來掌握學生的情況以及具體學習環境，相關方法和技術也在進一步升級[18]。社會網絡和學習分析技術有助于了解在線學習的主要研究熱點與研究內容之間的關系。自2020 年開始，新冠疫情的暴發與反復促使教學主陣地從線下轉至線上，倒逼在線教育的蓬勃發展。在線學習從“應急式”逐步轉變為“常態化”，其應用中存在諸多局限性，比如部分在線教學的錄播或直播僅是傳統課堂教學的翻版，并未充分利用現代教育技術助力教育教學智能升級[19]；“以機器為中心”的在線教育未能精準判斷學生學習投入情況并實現因材施教；碎片化在線學習在幫助學生建立對事物整體性、系統性、一致性的認識方面存在困難等。在教育教學以及信息技術的不斷融合、“互聯網+教育”應用越來越廣泛的后疫情階段，克服上述弊端必須借助技術手段對在線學習的相關研究數據進行全面深度分析，明確對學生自主學習以及線上學習產生影響的關鍵因素，針對性地完善線上教育的教學活動設計以及教學內容，進一步提升在線學習在培養學生綜合能力以及知識水平方面的針對性和有效性。由圖5 可知，教育界已開始對“大規模開展在線學習”進行深入探索和深刻反思。

圖5 高頻關鍵詞知識圖譜

2.2.2 在線學習手段研究

本研究利用“大數據”“人工智能”和“自主學習”3 個關鍵詞檢索在線學習的學習方式和技術研究成果，旨在分析其優勢及內在問題，探索解決路徑。文獻分析發現，相較于傳統課堂教學，在線教學的數據收集、處理、信號傳輸能力更勝一籌。近年來，基于大數據的在線學習全周期行為資料的全面、實時、精準采集、分析、應用為在線教學改革提供了數據支撐、過程監控和效果反饋，并為教、學和管理決策的制定提供了實證依據，便于教學管理部門和教學執行者實施精準且個性化的干預指導[20]。此外，基于大數據的在線學習平臺，根據不同學生的個性特征和知識結構基礎，為其精準推送適宜、感興趣的學習內容，有利于激發學生的學習動力，提高學生的自主學習效果。所以，對大數據的應用不但提高了高校管理效率，還降低了管理成本，有利于高校數字化治理和教育教學改革的長效、可持續發展[19]。“人工智能+教育”就是教育教學當中采取人工智能自適應系統，使教學效果以及信息化水平提高。而其中的個性化自適應學習系統主要是基于大數據的一種新型教育技術范式[21]。自主學習就是學生自主制訂學習計劃、明確學習方向、自我監控、選擇學習方法以及對學習結果進行評價的一個過程。自主學習能力是制約在線學習效果的關鍵因素。相較于傳統課堂教學，在線學習的學生更能發揮自主性，教學更具開放性，教學資源更具多樣性。盡管大數據、云計算、人工智能、元宇宙等信息技術對推進在線學習高速發展、提高優質教學資源覆蓋面、助力邊遠落后地區教學質量提升具有跨時代的意義，但在推廣優秀在線教學模式、提高學生在線學習持久性和完成率、降低在線學習輟學率等方面仍面臨重大困境。利用網絡和實時通信技術開展在線教學模式、教學策略、教學工具培訓，提高教師在線教學設計水平和教學質量，優化在線學習平臺界面和功能，吸引、激勵更多學生持續學習在線課程將是未來在線教育領域關注的重點工作。

2.2.3 在線學習模式與資源研究

應用“混合式教學”“翻轉課堂”“MOOC”“高等教育”“開放教育資源”“在線學習”“在線教學”“網絡課程”“學習者”等關鍵詞查閱、匯總在線學習模式與資源的研究成果。在線學習模式包括基于在線教學工具的混合式教學、翻轉課堂等。MOOC及其他網絡課程則屬于重要的在線教育資源。在線學習模式的構建與推廣同在線學習資源的生成與完善互相促進、相輔相成，兩者共同助力數字時代中國教育數字化轉型及疫情防控常態化下各級各類學校“停課不停學”目標的實現。值得關注的是，雖然在線教育為學生提供了豐富的教學資源和便利的學習條件，但也容易使學生的學習陷于淺表性、選擇迷失性等不利局面。如何科學、高效助力學生在海量繁雜的學習資源內精選出高質量、強適切性的在線課程和其他學習資料，為教育強國、人才強國建設提供技術支撐，亦是“互聯網+”時代教育領域亟待解決的難題。

綜合已有研究，可以將在線學習的主要影響因素分為四類：第一，個人因素，如目標與動機、在線學習技能、意志監控能力、自我效能感以及學習風格等；第二，環境因素，如人為干擾、設備條件、學習資源與平臺、物理場所等；第三，教師因素，如教師的素養、教師的社會地位、授課語種、課程內容等；第四，課程因素，如課程類型、課程設計等。上述因素不僅影響學生學習質量與學習效果，同時影響學生知識建構水平和遷移能力的提升，以及創新意識和批判性思維的培養。應全面剖析不同因素對學生在線學習效果的作用機制。在微觀層面，針對關鍵環節改進教學設計和教學策略，增強學生交互動機和交互質量感知，以實質性激勵策略和高質量教學內容提升學生專注度；在宏觀層面，加強信息化基礎設施建設，完善政府引導、多方參與、共建共享的資源建設機制，以政策傾斜推進教育信息化均衡發展，多主體、多途徑協同提升在線課程質量和學生在線學習成效。

2.3 在線學習研究的多維尺度分析

本研究基于聚類分析了解在線學習研究在我國的主題結構。之后，通過Bicomb2.0 工具以及SPSS2.0 軟件對高頻關鍵詞展開多維尺度分析，使不同主題及關鍵詞的位置更為直觀地呈現，以此對國內在線學習的發展趨勢進行分析。通過研究能夠得出高頻關鍵詞相似矩陣，見表1。

表1 高頻關鍵詞相似矩陣（節選）

表1 中的數字（即相似系數）代表關鍵詞之間的相似性，通常介于0 和1 之間，其數值大小反映了高頻關鍵詞之間關系親疏程度。越大的相似系數，代表變量具有越高的親密度；相反，親密度就會越低。當相似系數趨向于1 時，兩個變量之間關系最為緊密。當相似系數趨向于0 時，兩個變量之間關系最為疏遠[22]。由表1 可以看出，關鍵詞“MOOC”與“在線教學”的相關性最高，相關系數為0.144；關鍵詞“自主學習”與“學習投入”的相關性最低，相關系數為0.000。將完成處理的相似矩陣在SPSS2.0軟件當中導入，然后展開多維尺度分析，與聚類分析的結果相結合，完成知識圖譜的繪制，如圖5。

在知識圖譜中，各個關鍵詞相對均勻地分布于四個象限，體現出各關鍵詞與“在線學習”這一主題詞之間關系的緊密程度。由圖5 可知，我國在線學習領域的研究內容和主題比較分散。在所繪制的知識圖譜當中，坐標軸會將坐標圖分割為四個象限，而橫坐標在其中屬于向心度（Centrality），代表的是不同主題的影響強度；其中的縱坐標是密度（Density），代表的是不同主題要素之間的聯系緊密度[23]。通過分析圖5 可以發現，近十年來，我國在線學習的四個研究主題在整個研究網絡中處于不同象限，其發展階段也各不相同。

在線學習當中的數據處理研究（主題一）分布在二、三象限當中，以第二象限為主，具有較低的向心度以及較高的密度，這代表當前在研究在線學習數據處理方面已經形成相對穩定和規模性的結構，但與在線學習資源以及模式的研究相比還有一定的薄弱性；位于第二象限的高頻關鍵詞主要有“數據挖掘”“社會網絡分析”等，這些高頻關鍵詞之間聯系密切，而且呈現穩定的研究結構，研究相對較成熟，但這也反映出其中的問題，即忽視該主題與其他研究主題的聯系，在今后的研究中應擴大研究范圍，開闊研究視野；位于第三象限的高頻關鍵詞主要有“學習投入”“學習分析”等，這些高頻關鍵詞之間聯系較松散，沒有形成穩定的研究結構，該主題和其他熱點主題的聯系也不緊密。

在線學習手段研究（主題二）分布在三、四象限，以第四象限為主，特征是高向心度，低密度，這代表研究結構上比較松散；位于第三象限的高頻關鍵詞主要是“大數據”，這一主題與其他高頻關鍵詞聯系較松散，需增加對“大數據”的研究；位于第四象限的高頻關鍵詞主要有“自主學習”“人工智能”等，這些高頻關鍵詞關聯度不高，說明該主題內部研究結構松散。

在線學習模式與資源研究（主題三）橫跨四個象限，向心度較高，說明在線學習模式與資源研究位于整個研究網絡的核心，是這些年來研究的主要主題；位于第一象限的高頻關鍵詞主要有“翻轉課堂”“網絡課程”“MOOC”“混合式教學”等，這些高頻關鍵詞不僅是整個研究網絡的核心，而且它們之間的聯系也較為密切，形成了穩定的研究結構和規模。這四個高頻關鍵詞的分布比較緊密，劃分類團時聚集于“學習模式與資源”研究主題中，該主題也正是疫情時期在線學習的新視點和研究熱點；位于第二象限的高頻關鍵詞主要是“學習者”，這一關鍵詞與研究主題的內部聯系緊密，形成了穩定的研究結構，但和其他研究主題的聯系不緊密；位于第三象限的高頻關鍵詞主要是“在線學習”，此關鍵詞是研究主題詞，不再進行贅述；位于第四象限的高頻關鍵詞主要有“在線教學”“高等教育”“開放教育資源”等，這些高頻關鍵詞雖然和其他研究主題聯系較為緊密，處于研究網絡的核心，但在內部仍未形成成熟的研究結構，而且也沒有穩定性，容易在其他主題當中變成子領域，所以后續還要對研究結構不斷完善，以體現出特色。

在線學習效果以及影響因素研究（主題四）分布在第二象限，特征是低向心度、高密度，這代表在該象限當中的研究主題具有緊密的內部聯系，而且研究結構穩定，但和其他主題之間沒有形成緊密聯系；高頻關鍵詞主要有“影響因素”“學習效果”“深度學習”等，這些高頻關鍵詞多為微觀研究，與其他研究主題聯系不密切。

為了搞清楚在線學習當前的研究熱點和各主題之間存在的聯系，進一步通過Ucinet 軟件以及Bicomb2.0 書目共現分析系統來完成社會網絡的繪制，具體如圖6。

圖6 高頻關鍵詞社會網絡

由圖6 可知，國內在線學習研究領域的主題分布是以“在線學習”“在線教學”“MOOC”為核心研究內容，周邊環繞著“混合式教學”“學習分析”“深度學習”“自主學習”“學習者”等。“在線學習”“在線教學”“MOOC”位于社會網絡的中心位置，是當前的研究熱點。“混合式教學”“學習分析”“深度學習”“自主學習”“學習者”處于網絡的中部位置，是連接核心主題與邊緣主題的樞紐，側面反映當前在線學習研究的落腳點。未來可從“學習者”出發，在“學習分析”和“深度學習”領域開展更全面、科學的研究項目，以期優化在線學習方式，提升學習效果。此外，“影響因素”“社會網絡分析”“數據挖掘”“學習效果”“學習投入”等處于社會網絡的最外圍，屬于在線學習體系中的邊緣研究。隨著大數據、云計算、多模態學習分析、神經網絡分析理論與技術的成熟，當前的邊緣研究有望成為新一代在線學習領域的研究熱點。

3 討論與反思

對1 529 篇CSSCI 期刊論文的分析雖然不能完全反映整個在線教育的發展情況，但確實可以在一定程度上描繪和揭示當前國內在線學習的熱點、特征和趨勢，并為未來在線教育的研究提供方向。數據顯示，國內在線學習研究主要圍繞一條主線和四個熱點領域進行：一條主線是在線學習的學習模式與資源研究；四個熱點領域則是在線學習的數據處理、學習手段、學習模式與資源、影響因素與學習效果。

從時間的維度來看，我國關于在線學習研究的文獻在2009 至2012 年幾乎無人問津，從2013 年才開始出現較大增長的趨勢，但整體數量仍比較低；但從2020 年開始，文獻數量呈現明顯“高增長”的態勢，進入“高關注”階段。

從高頻關鍵詞數量的維度來看，“在線教學”“MOOC”“學習分析”和“混合式教學”是在線學習領域里出現頻率較高的詞，說明這些研究領域有諸多交叉之處；其余的研究領域出現頻次相差不大，可作為未來深入研究和探索的方向。

從研究主題的維度來看，關于在線學習的研究主要分為“數據處理”“學習手段”“學習模式與資源”“影響因素與學習效果”四個主題，其中“學習模式與資源”這一主題研究范圍最廣，包含了9個高頻關鍵詞，是在線學習研究網絡的核心，相較于其余主題內部研究結構最穩定，與其他主題聯系最緊密；其次是“數據處理”，該主題研究范圍包含4 個高頻關鍵詞，已經形成一定的規模和穩定的研究結構，但與其他主題的聯系較不緊密，研究尚不成熟；“學習手段”研究范圍包含3 個高頻關鍵詞，該主題內部研究結構松散，研究尚不成熟，處于整個研究網絡的邊緣位置，有待加強系統性研究，進一步完善研究結構；“影響因素與學習效果”研究范圍包含3 個高頻關鍵詞，該主題內部研究聯系緊密，形成了穩定的研究結構，但和其他研究主題的聯系不緊密，研究規模較小，處于研究的邊緣。

從高頻關鍵詞分布情況的維度來看，于在線學習研究中心的關鍵詞分別是“在線教學”“MOOC”“學習分析”“混合式教學”，是“在線學習”研究的熱點領域；其次是“學習投入”“自主學習”“學習者”“影響因素”“深度學習”，未來可從這些領域著手，開展深度研究；其余關鍵詞包括“翻轉課堂”“大數據”“社會網絡分析”“人工智能”“學習效果”“數據挖掘”“開放教育資源”“高等教育”“網絡課程”，這些關鍵詞還處于“在線學習”研究的邊緣地帶。

通過多維尺度分析結果呈現出的四個熱點主題在整個研究網絡中所處的位置，我們可以看出各主題間有較大差異。但必須注意，多維尺度分析結果也表現出定義不合理、聚類不完整以及無意義類團等問題[23]，所以后續還需要對這些問題進行規避。

可以將我國未來在線學習的研究方向劃分成以下幾個方面。

3.1 對在線學習進行系統的分析及客觀的評價

在線學習的發展之所以非常迅猛，是因其存在很多優點，然而，我們也應該對其進行理性看待，了解在線學習存在的局限性，與傳統教育的優勢相結合，來予以解決。自新冠疫情暴發以來，我國在線教育迅猛發展的同時，亦暴露出一定的問題與不足。比如，大部分學校在線課程以面向本校學生為主，校際間課程學習的學分互認轉化困難，在線課程的共享性不強[24]。為了解決在線教育現有問題，可以統籌完善學分互認機制，利用物聯網、區塊鏈等新興技術實現學分認證與轉化。此外，引導在線教育高質量發展，還可以通過制定在線教育評價標準來規范教育行為，并推動多利益相關者參與標準研制過程，充分發揮評價標準的改進功能，提升標準適用性[24]。教師是學生的輔助者、引導者，應該進一步提升在線教學的有效性。因此，探究智能時代師生協同應用現代信息技術提高教學資源可及性、使用率及應用效果具有重要意義。

3.2 關注新興技術的發展和應用

目前，人工智能、大數據、數據挖掘、社會網絡分析等技術仍處于在線學習體系研究的邊緣地帶，具有廣泛的研究空間和價值。傳統課堂與現代化的課堂相比，在滿足學生的學習需求方面明顯不足，新技術帶給教育的影響非常顯著。比如，若人工能智能識別、分析、構建不同在線學習者情緒和動機之間的隱藏模式，就有可能通過情緒來測算學習動機[25]。綜合以上分析，在線學習一定要順應時代發展，保證教育和新興技術的融合發展，提供給學習者更加個性化、智能化以及便利化的環境。

3.3 豐富在線學習的深度研究

現階段，我國的在線學習研究體系大多在教學資源和模式中集中，而針對學習者自身投入、影響因素以及學習效率方面的研究內容很少。學習者的學習持續性以及學習動機與學習效率之間為正相關[26]。為此，研究者需要進一步關注在線學習的實證研究，探究不同影響因素對學習效果的作用機制。