數智賦能下的學習分析：國際焦點與前瞻

摘 要：第十二屆學習分析與知識國際會議（LAK）作為學習分析領域最具影響力的知識平臺，是探索該領域國際焦點與前瞻的抓手。研究采用LDA主題模型、社會網絡及引文回溯等語義挖掘方式對LAK22收錄文獻進行評述與分析，發現學習分析在多模態學習數據挖掘、學習者精準學業預測、學習動態監控與反饋、個性化教學干預決策、安全與道德倫理保障等方面的研究焦點及其在理論、應用與技術層面的前瞻動向。這啟示我們，未來學習分析研究應關注涵蓋安全倫理道德的學習分析理論建設、關注各類傳感器在多模態數據挖掘中的應用、關注自我調節學習策略在監控反饋中的應用、關注情感算法在學業精準預測中的技術開發、關注符合腦認知學的干預決策系統技術開發。

關鍵詞：學習分析與知識國際會議；學習分析；多模態數據挖掘；學業預測：教學干預；教育公平與倫理

中圖分類號：G4 文獻標志碼：A 文章編號：2096-0069（2024）03-0085-08

引言

作為促進教與學發展的關鍵技術，學習分析一直是學界關注的熱點議題之一。學習分析研究學會（Society for Learing Analytics Research，簡稱 SoLAR）組織的學習分析與知識國際會議LAK（International Conference on Learning Analytics amp; Knowledge，簡稱LAK）作為專門面向學習分析研究的國際性頂級學術會議[1]，匯聚和展示了學習分析領域最具權威的學術觀點，是學習分析領域前沿與動態的方向標。第十二屆學習分析與知識國際會議（LAK22）于2022年3月21日至25日在線舉行，主題為“學習分析以促進轉型、突破和社會革新（Learning Analytics for Transition， Disruption and Social Change）”。來自教育技術學、社會學、計算機科學、數據學科等領域的專家、學者、行政領導以及相關從業人員，共同交流和研討。LAK22共接受長論文39篇、短論文23篇。對LAK22收錄的論文進行研究分析，能夠析出當前學習分析的研究熱點，有利于厘清學習分析研究的發展脈絡，展望學習分析研究的未來趨向。

一、研究過程與結果

（一）分析框架設計

本研究選定第十二屆學習分析與知識國際會議所收錄的全部62篇論文為分析對象，以Python、UCINET為研究工具，通過對論文正文、關鍵詞及參考文獻開展LDA主題建模、社會網絡和引文回溯分析，力求析出數智賦能下的學習分析領域的國際焦點，厘清研究的前瞻動向，以期構建學習分析領域的研究熱點結構和學習分析研究發展框架，并對學習分析研究的發展提出關切與展望。研究路線與分析框架如圖1（見下頁）所示。

（二）LDA主題模型

以LAK22收錄的62篇文章正文為樣本，利用Python，將全部文本數據轉化為小寫英文；并對每個字符進行英文判斷，去除非英文的數據；對處理結果進行按照空格切分，得到切詞后數據。然后，使用Gensim構建詞典語料庫，使用LDA模型對數據進行訓練，將文本數據劃分為3～10個主題；通過結果主題效果歸類判斷，選擇最優主題聚類數為5，生成LDA結果。

表1展示了每個主題中所轄的典型文本及其權重。主題1主要圍繞多模態學習數據挖掘與分析展開，包含學習者的社會交互情況、發帖文本、基于傳感器的生理數據挖掘類型，涵蓋了文本、語音分析等數據處理方式。主題2中主要用于預測學習者學業表現的學習者建模以及算法訓練，足見精準化用戶學業走向預測是當前國際學習分析領域的視角之一。主題3指向學習動態監控與反饋，主要體現在學習分析儀表盤、自動化、可視化等呈現方式。主題4聚焦學習分析中的個性化教學干預與數智決策，包含學業預警等介入方式，也包含智能教學系統等數智決策形態。主題5關注學習分析中的倫理道德與隱私安全問題，包含用戶隱私、規則保障等關鍵詞。5個主題聚類分別代表學習分析的5大國際焦點：多模態學習數據挖掘、學習者精準學業預測、學習動態監控與反饋、個性化教學干預決策、安全與道德倫理保障。

（三）社會網絡分析

樣本選定大會收錄論文的62組關鍵詞，利用Ucinet 6.0與NetDraw開展可視化關鍵詞共現網絡結構和中心性計算研究。

1. 共現網絡分析

從LAK22高頻關鍵詞共現網絡結構可以看出，核心關鍵詞的網絡結構與本屆大會的主題“學習分析以促進轉型、突破和社會革新”緊密相關，“學習分析”一詞處于網絡中心位置，為研究的核心內容，體現了LAK22的辦會宗旨。環繞學習分析，呈現出多模態學習分析、計算機支持的協作學習、倫理、教育數據挖掘以及高等教育等主題，表示學習分析與協作學習、數據挖掘、高等教育、安全倫理等方面顯著關聯。同時，自動反饋、機器學習、自然語言處理等話題也在網絡中占據重要地位，可見當前數據科學、信息技術和智能技術在一定程度上延展了學習分析的內涵，推動了學習分析技術的轉型發展。另外，人工智能技術和多模態數據挖掘與分析技術作為LAK22的重點研究視角，是新時代學習形態向數智化轉型發展的重要契機。此外，公平倫理等核心關鍵詞暗示了學習分析技術的發展與數據安全倫理問題間的平衡關系及同步探索。

2. 中心性計算

在網絡節點中心度數值計算部分，據表2所示，學習分析、高等教育、倫理等關鍵詞在高頻關鍵詞共現網絡中有較高的度數中心性，處于較重要的地位，為學習分析領域的發展提供了較多的知識溢出。在線學習、討論板、多模態學習分析等關鍵詞在高頻關鍵詞共現網絡中有較大的中間中心度，這些關鍵詞更有可能在網絡中扮演“樞紐”與“過渡”的角色；計算機支持的協作學習、倫理、機器學習、混合式學習、自動反饋、自然語言處理等，在高頻關鍵詞共現網絡中有較小的接近中心性，表示后續發展的前景開闊，這些關鍵詞更有可能成為學習分析的發展前沿。

（四）引文回溯分析

在引文回溯分析環節，選用LAK22收錄的62篇論文中的2587條參考文獻為研究樣本，按其發表時間，從首屆LAK22舉辦時間2011年開始，以每3年為1個時間切片進行劃分，形成4個時序集合，并對每個時序集合內的引文題目進行詞頻分析，通過對比不同年份詞頻的變化特征，揭示學習分析領域研究視角的演變，以此推演學習分析研究的發展規律與前瞻動向。對比發現，“學習分析”占主體，且體量趨于平穩，表明各階段的引文都將學習分析標記為中心議題。理論層面，“技術”“數據”標簽的體量漸趨減小，“公平”“體系”標簽的比重逐步提高，這表明學習分析領域的關注點正逐步從“技術本位”向“教育本真”轉變。應用層面，“協作學習”的體量逐步增加，這表明學習分析的應用越來越關注對學習者協作交互情況的分析，體現了學習分析與計算機支持協作學習兩大研究方向的漸進與融合；且“教室”等關鍵詞弱化，“在線”“虛擬”等關鍵詞體量增加，這體現了學習分析的應用正從現實場景向虛實融合學習場景邁進。技術層面，“反饋”“儀表盤”等關鍵詞亦逐步弱化，“自動化”“支持”等核心詞凸顯，這表明學習分析研究維度正從描述性、診斷性功能向支持教育數智化預測與干預升級。

二、數智賦能下學習分析領域的國際焦點

依據2022年學習分析與知識國際會議收錄文獻的LAK22主題模型及其文獻關鍵詞的共現情況分析，本研究構建了數智賦能時代學習分析領域的研究視角結構分布圖（如圖2所示）。其中，數據挖掘、學業預測、監控反饋、教學干預共同構成了學習分析的運轉閉環，倫理安全作為重點研究視角滲透在學習分析的各個環節。

（一）多模態學習數據挖掘

在數智時代，多模態數據廣泛而海量存在。如何依托多模態數據間的互補學習來發現隱藏在數據背后的巨大價值，是現階段數據科學研究的主要議題。數據互補與融合分析是多模態數據挖掘與分析的重要手段之一。學習分析的數據輸入變量從學業成績、學生的教育記錄、人口統計數據逐漸擴大到在線討論內容、自我報告、在線學習行為，如登錄的頻率、訪問內容的持續時間和發布的評論的數量，甚至包含對語篇分析、腦電波、移動點軌跡、面部表情、情感信息等數據的采集。例如，卡魯巴亞（Karumbaiah ）等[2]對虛擬學習環境中學生情感狀態與學業成績關系的實證研究進行了系統回顧，提出自動情感探測設備和學生情緒狀態自我報告在虛擬學習環境設計中具有重要作用。

（二）學習者精準學業預測

在學習預測層面，不斷提升算法模型預測的準確率是學習分析當前的研究熱點之一。人工智能技術在學業預測領域的核心是算法，數據與算力是基礎。目前越來越多的學者建議運用最少的數據量，開發和訓練相對先進的算法，如集成方法、深度學習算法、使用經驗貝葉斯的方法、因果模型等，在體現出良好的預測能力同時，實現數據的簡約性。這樣既能提升算力效率，也有益于數據安全。集成化的預測模型與績效歸因分析模型也成為關注焦點之一，溫克（Vinker）等[3]設計出融合學習分析、數據挖掘、機器學習等要素的信息技術智能MOOC教學系統，該教學系統表現出更準確的學業預警性能，能夠預測學生輟學的風險，甄別出高輟學風險的學生。

（三）學習動態監控與反饋

現有研究已證實形成性協作反饋在促進協同和提升學業成效方面具有積極效用，學習分析儀表盤作為監控與反饋工具，其動態化、可視性化與無痕化的特性設計是該方向的研究焦點。基于問題驅動的學習分析儀表盤，可將學習者的學習行為與知識軌跡可視化，以更加直觀地展示更為豐富的信息，幫助學生理解復雜的信息，增強其學習動機，提高其對復雜概念的認知，使其更充分地了解自身學習的變化情況。無痕化反饋則主張將反饋機制嵌入課程內容所在的智慧學習環境。例如，超級學習分析儀表盤將學業進程反饋內嵌于學業內容，在支持學習者交互的同時，弱化了學習分析干預對學生注意力的影響。

（四）個性化教學干預決策

當前，智能教學系統與自適應學習系統逐漸成為學習分析應用的主流。智能系統依據用戶情況，自動向學習者發送注意力提醒，推薦學習資源，甚至提供學法指導。塞赫里什（Swiecki）等[4]通過網絡分析和統計測試方法，發現了學習共同體的認知發展與其言語行為之間的重要關聯，并對比了兩種不同的教學干預措施對這些關聯的影響；張旭東等[5]設計了一種多級跟蹤聚類分析方案，用于在在線學習環境中跟蹤數據并可視化學生的自我調節學習策略，這些反饋可以促使教師重新思考課程結構的設計，并實施干預措施。學習分析中的教學干預與決策逐漸從人工半自動化向智能全自動化轉變，然而，智能學習系統在應用中也暴露出一些問題，如用戶的依從性較差、算法評判標準不公平、對學生獨立思考機會的削減等。相比之下，自適應學習平臺的開發被證實更符合人腦認知的特點，基于學習資源設計的半推薦系統僅給出可能的問題解決方案，為學習者留下自我反思的空間，從而促進學習者的深入思考。

（五）安全與道德倫理保障

伴隨科技的發展，數據在帶來便利的同時，也帶來不確定的倫理風險，包括人工智能是否安全，大數據安全和隱私保護如何來保障，教育是否公平、包容等。防范用戶隱私泄露等倫理道德問題是當前學習分析和數據科學研究領域的重要議題之一，斯利巴（Slibar）等[6]對2010年至2021年期間發表的93篇論文進行了定性分析，探討了學習分析應用與倫理隱私保護之間的關系，明確了在學習分析實施過程中與道德隱私相關的問題及其處置指導方針。數據的收集與使用要有標準、界限和授權，數據存儲應給予保護。

三、數智賦能下學習分析領域的前瞻動向

基于關鍵詞接近中心性計算與引文回溯的分析結果，在回溯學習分析研究趨勢的基礎上，從理論、應用與技術層面歸納數智賦能下學習分析領域的前瞻動向。

（一）理論層面：注重數據安全以及倫理道德等教育公平視角

防范人工智能算法歧視、保障人人享有公平的信息化教育機會以及隱私保護和數據安全，成為本屆學習分析與知識國際會議重點關注的熱點主題之一。教育公平是學習分析理論模型開發時需要考量的重要維度，包括剔除可能存在不公風險的數據類目收集與分析，使機器學習算法更好地服務于高等教育。例如，李成璐等[7]探索出一種創新性學伴推薦者算法，通過在現有的網絡嵌入模型基礎上提出公平網絡嵌入，為在線學習者提供公平和準確的信息，確保學伴推薦引擎不會出現性別、族裔等歧視，以支持在線學習者網絡的知識探究。研究結果還表明，在學習分析中構建公平感知模型對于解決數據中的潛在偏差和創建值得信賴的學習分析系統至關重要。

（二）應用層面：注重數據挖掘與監控反饋對協作學習的促進

如何提升用戶的交互協作水平以支持學習者的社會知識建構，是學習分析領域的主要研究議題之一。協作學習研究主題主要關注學習分析技術為計算機支持的協作學習提供的環境支持，聚焦在學生小組交互中學習分析技術的協作數據采集與反饋。在分布式的協作學習情境中，自動文本分析和語篇分析對在線協作討論文本的研究，可用于小組協同探討的交流專注于主題一致性和語義多樣性的研究；采用聚類分析技術，則可發現在線討論中學習者所扮演的新興角色和腳本角色在社會和認知維度的相似性和差異性；認知網絡分析能協助可視化協作過程中社會知識的發展軌跡，為計算機支持的協作學習的教學實踐和技術發展提供參考。

在集中式的協作場景中，挖掘學習者協作學習過程中的言語對話、面部行為、空間和音頻等數據，通過定位提取和語音檢測，捕捉用戶的非語言事件，構建多模態學習分析數據模型，包括語言模態中的語義信息和發言人信息、音頻模態中的發言人音調變化以及視頻模態中的發言人面部肌肉運動、行動軌跡、身體朝向等數據，分析判斷學習者的學習意圖和表現，進而為計算機支持的協作學習提供實時的自適應支持。例如，埃爾坎（Elkan）等[8]基于語義分析的協作同伴反饋理論，將同伴反饋作為提升同伴協作活動的支架，并證實其能夠有效提升學習者互動水平。

（三）技術層面：注重人工智能與個性化學習系統的設計開發

人工智能與學習分析應用融合研究是最多產的話題之一。人工智能技術加成主要體現在智慧算法推薦和個性化的學習支持，注重對人的非認知能力的培養，如批判性思維、問題解決能力、自我效能感、元認知等高階能力。自然語言處理與自適應反饋作為人工智能在作業自動評估與分析方面的重要技術支持，是本屆大會的重要關注點之一。費雷拉·梅洛（Ferreira Mello）等[9]探討了一種文本自動校正工具在作文課堂上的有效性，結果發現獲得糾正性反饋是提高學習者語言技能的方法之一；但通過對比教師的作文批改，發現該工具的準確性有待提高。這說明技術固然提高了教學效率，但人類的教學活動并不能為機器所完全取代。

四、研究啟示

本研究基于當前學習分析領域的5個國際焦點與學習分析在理論、應用與技術層面的前瞻趨向，構建學習分析研究的發展趨向框架，發現學習分析領域的發展呈現出學習數據挖掘多模態化、學習者學習表現預測精準化、監控反饋動態可視及無痕化、教育決策與干預智慧化、數據安全與倫理道德法治化的特點。

這啟示我們在未來的學習分析研究應重點關注以下幾方面：在理論層面，關注涵蓋安全倫理道德的學習分析理論建設；在應用層面，關注各類傳感器在多模態數據挖掘中的應用，關注自我調節學習策略在監控反饋中的應用；在技術層面，關注情感算法在學業精準預測中的技術開發、關注符合腦認知學的干預決策系統技術開發。

（一）關注涵蓋安全倫理道德的學習分析理論建設

未來學習分析系統在兼顧高度智能化與隱私高度安全化的同時，應進一步完善相關法律政策，提升教育系統網絡安全保障能力，加強對學習分析系統開發與運營方的監控，提高面向用戶的透明度，包含數據的采集范圍、目的等，提高學習者對自我隱私的保護意識，提升用戶對學習分析技術的信賴度，保障學習分析活動參與者的知情權、選擇權和隱私權。此外，還需要防范人工智能的算法偏見與歧視，進一步彌合數字鴻溝，加快信息無障礙建設，確保每一個家庭的子女享有公平的信息化教育機會。

（二）關注各類傳感器在多模態數據挖掘中的應用

針對學習數據挖掘向情感多模態發展的趨勢，應開展基于各類感知設備和技術的多模態數據融合算法研究。學習日志、運動數據、網絡學習中鼠標點擊流已作為數據來源開始被專家學者運用[10]。有些學者提出利用多通道傳感器設備，追蹤學習者的情緒靈活性、情緒適應性和情緒拐點等情感數據，保障學習者在學習過程中的情緒監控與調節。無感傳感器的應用與情緒傳感器技術的進步，可以使得多模態學習數據挖掘從表情、行為、眼動、手指、生理、語音向學習者的注意過程、情緒過程、行為過程和認知過程延展，從而實現從生理數據到心理數據的升維。有些學者提出實時合并學習階段數據學習路徑圖，及時介入，以支持學生自我調節學習，滿足學習復雜性的要求。

在多模態數據融合算法方面，由于傳感器的種類越來越多、精度越來越高，再加上有多種多樣的特征提取方式，因此，充分利用廣泛存在的海量多模態數據，攻克多模態學習數據的模態不完整性、學習發生的時效性等難題成為一項緊迫性任務。通過多模態數據融合與互補分析，挖掘學習數據中隱藏的價值，是設計數據融合分析方法面臨的嚴峻挑戰。

（三）關注自我調節學習策略在監控反饋中的應用

弱干擾的動態可視化的監控與反饋，通過對學習者的學習起點分析、學習目標設置、學習過程監控及學習結果反饋4個方面的支持，更好地增強學習者對自身的認知評估、學習進度把控，能夠提升其批判性思維與元認知能力，促進其自我調節學習。作為在學習分析中監控與反饋的表征工具，學習分析儀表盤的設計亦需包括自我學習評價、學習目標設置、學習過程監控及學習結果反饋4個循環環節。在自我學習評價環節，學習分析儀表盤要能夠根據用戶先前的表現和結果，展示學習者在某一項學習任務上的現有能力與水平，幫助學習者判斷自己的學習效能；在學習目標設置環節，學習分析儀表盤需輔助學習者分析學習任務，設置學習目標，基于學習目標與能力起點設計學習規劃與策略；在學習過程監控環節，學習分析儀表盤需動態反饋學習者的任務完成進度、學習策略執行情況、學伴協作交互密度、情感狀態等信息，使學習者可以在學習的進程中及時糾偏；在學習結果反饋環節，通過學習分析儀表盤的反饋，學習者對自己使用的每種學習策略的結果進行監控、反思與修正，以確定所選策略的有效性。

（四）關注情感算法在學業精準預測中的技術開發

智慧教育場域、智能移動終端和各種穿戴設備中內嵌感知技術的廣泛應用，為近年來情感計算技術的蓬勃發展奠定了數據基礎。基于情感計算技術，學習分析系統可以通過學習者的面部表情來識別和判斷其學習狀態，預測學習者的學業表現。情感計算將智能感知傳感器識別到的學習者行為數據標記為各類情感標簽，如發言語速較快、聲音洪亮可能對應緊張、自信等情緒狀態。在標記足夠多的情感標簽后，情感計算可利用深度學習技術，如卷積神經網絡、遞歸神經網絡算法、區域候選優化算法等，通過模型訓練與數據積累，逐步形成學習者情感狀態的識別模型，最后基于趨勢預測算法實現學習分析中學習者學習表現預測的精準化。基于情感計算的精準化學習預測，可以使時空分離的師生在云端了解彼此的心理感受，提高師生交互的質量，改善在線學習環境中因為缺乏傳統課堂的氛圍而導致的學生厭學情緒。

（五）關注符合腦認知學的干預決策系統技術開發

學習分析需融合人腦科學與認知科學的最新研究成果，納入促進學習者非認知能力發展的控件，開發出智能學習環境中基于腦認知原理的高級學習模型，通過幫助學生準備個性化的目標課程、自動推薦知識關聯的學習資源與自動學伴配對，使學習分析技術促進學習模式的革新。學習分析技術應不斷迭代升級，開發出基于人腦與認知科學的個性化學習系統，實現向支持智慧教育的方向邁進。

數智技術的跨領域深度融合與發展，正在催化學習變革、驅動社會轉型。數智技術的賦能將持續推進學習分析在理論、應用與技術層面的發展與創新，使學習分析技術參與教育數字化轉型，實現信息社會學習形態的新突破，促進教育變革與社會革新。

參考文獻

[1] 陳雅云，郭勝男，馬曉玲，等.數智融合時代學習分析技術的演進、貢獻與展望：2021學習分析與知識國際會議（LAK）評述[J].遠程教育雜志，2021，39（4）：3-15.

[2] KARUMBAIAH S， BAKER R， TAO Y， et al. How does students’ affect in virtual learning relate to their outcomes？ A systematic review challenging the positive-negative dichotomy[C]//LAK22： 12th International Learning Analytics and Knowledge Conference，2022： 24-33.

[3] VINKER E， RUBINSTEIN A. Mining code submissions to elucidate disengagement in a Computer Science MOOC[C]//LAK22： 12th International Learning Analytics and Knowledge Conference，2022： 142-151.

[4] IQBAL S， SWIECKI Z， JOKSIMOVIC S， et al. Uncovering associations between cognitive presence and speech acts： A network-based approach[C]//LAK22： 12th International Learning Analytics and Knowledge Conference，2022： 315-325.

[5] ZHANG T， TAUB M， CHEN Z. A multi-level trace clustering analysis scheme for measuring students’self-regulated learning behavior in a mastery-based online learning environment[C]//LAK22： 12th International Learning Analytics and Knowledge Conference，2022： 197-207.

[6] SLIBAR B， GUSIC MUNDJAR J， RAKO S， et al. Co-occurrence patterns of issues and guidelines related to ethics and privacy of learning analytics in higher education：literature review[C]//LAK22： 12th International Learning Analytics and Knowledge Conference，2022： 577-582.

[7] LI C， XING W， LEITE W L. Do gender and race matter？ Supporting help-seeking with fair peer recommenders in an online algebra learning platform[C]//LAK22： 12th International Learning Analytics and Knowledge Conference，2022： 432-437.

[8] ER E， VILLA-TORRANO C， DIMITRIADIS Y， et al. Theory-based learning analytics to explore student engagement patterns in a peer review activity[C]//LAK21： 11th International Learning Analytics and Knowledge Conference，2021： 196-206.

[9] FERREIRA M R， FIORENTINO G， OLIVEIRA H， et al. Towards automated content analysis of rhetorical structure of written essays using sequential content-independent features in portuguese[C]//LAK22： 12th International Learning Analytics and Knowledge Conference，2022： 404-414.

[10] 陳羽潔，張義兵.國際學習分析研究新趨勢[J].數字教育，2018，4（4）：11-16.

（責任編輯 李強）

International Focus and Prospect on Learning Analytics Empowered by Digital Intelligence

Wang Wei1， Zhao Shuai2

（1. Institute of Educational Digitization， Guangdong University of Education， Guangzhou， Guangdong， China 510303;

2. College of Elementary Education， Ludong University， Yantai， Shandong， China 264000）

Abstract： As the most influential knowledge platform in the field of learning analytics， the LAK22 is a catch-all for exploring the international focus and foresight in the field. Using semantic mining methods such as LDA， SDA and citation backtracking to analyze the literature included in LAK22， it is found that learning analytics research focuses on multimodal learning data mining， learner’s accurate academic prediction， learning dynamics monitoring and feedback， personalized instructional intervention decision-making， safety and moral and ethical safeguards， and its prospects in theory， application and technology. Based on this， many suggestions are proposed， such as paying attention to the theoretical construction of learning analytics covering safety and ethics， the application of various types of sensors in multimodal data mining， the application of self-regulated learning strategies in monitoring and feedback， the technological development of affective algorithms in accurate academic prediction， and the technological development of intervention and decision-making systems in line with brain cognition， so as to provide reference to the development of the field of learning analytics in China.

Key words： "LAK; Learning analytics; Multimodal data mining; Academic prediction： instructional interventions; Educational equity and ethics

收稿日期：2023-03-05

基金項目：國家社科基金“十四五”規劃2022年度教育學一般課題“數據驅動下教師智能教育素養提升路徑與機制研究”（BCA220207）；2024年度廣東省哲學社會科學規劃一般項目“教育數字化轉型下人工智能賦能基礎教育的研究”（GD24CJY13）；2023年度廣東省新師范建設助推基礎教育高質量發展研究與實踐項目“人工智能背景下教師隊伍建設研究與實踐”；廣東省社科聯研究基地“粵港澳大灣區教育數字化發展研究中心”資助

作者簡介：王煒（1968 — ），男，遼寧錦州人，博士，院長、教授、博士生導師，研究方向為計算機支持的協作學習、大數據與學習分析；趙帥（1991— ），男，黑龍江佳木斯人，博士，講師，研究方向為計算機支持的協作學習、學習分析。