數(shù)據(jù)驅(qū)動(dòng)的自我調(diào)節(jié)學(xué)習(xí)動(dòng)態(tài)評(píng)價(jià)模型研究

摘 要：對(duì)學(xué)習(xí)者自我調(diào)節(jié)學(xué)習(xí)過(guò)程的準(zhǔn)確評(píng)價(jià)，是實(shí)現(xiàn)教學(xué)干預(yù)的必要前提。然而，已有評(píng)價(jià)方法多為總結(jié)性評(píng)價(jià)，實(shí)時(shí)性不足。為此，本研究提出了數(shù)據(jù)驅(qū)動(dòng)的自我調(diào)節(jié)學(xué)習(xí)動(dòng)態(tài)評(píng)價(jià)模型。以學(xué)習(xí)任務(wù)為單位對(duì)學(xué)習(xí)過(guò)程進(jìn)行時(shí)序化處理，并構(gòu)建學(xué)習(xí)過(guò)程中生成性數(shù)據(jù)到自我調(diào)節(jié)學(xué)習(xí)狀態(tài)的映射關(guān)系。研究結(jié)果表明：（1）生成性數(shù)據(jù)是評(píng)價(jià)學(xué)習(xí)者自我調(diào)節(jié)學(xué)習(xí)狀態(tài)的有力因素，模型具有較高的有效性。（2）學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)狀態(tài)在不同評(píng)價(jià)維度呈現(xiàn)出差異性變化趨勢(shì)，其中任務(wù)分析、自我激勵(lì)的信念和自我觀察維度趨于穩(wěn)定，而自我控制、自我判斷和自我反應(yīng)3個(gè)維度呈現(xiàn)明顯波動(dòng)性變化。（3）高低績(jī)效群體在自我激勵(lì)的信念、自我控制和自我反應(yīng)3個(gè)評(píng)價(jià)維度上表現(xiàn)出顯著差異，而在任務(wù)分析、自我觀察和自我判斷有3個(gè)維度上沒(méi)有統(tǒng)計(jì)學(xué)差異。

關(guān)鍵詞：自我調(diào)節(jié)學(xué)習(xí)；生成性數(shù)據(jù)；指標(biāo)體系；人工智能；學(xué)習(xí)分析

中圖分類號(hào)：G431 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2096-0069（2024）01-0019-07

引言

自我調(diào)節(jié)學(xué)習(xí)（Self-Regulated Learning，簡(jiǎn)稱SRL）是指學(xué)習(xí)者積極激勵(lì)自己并且使用適當(dāng)策略的學(xué)習(xí)[1]。研究表明，對(duì)學(xué)習(xí)者自我調(diào)節(jié)學(xué)習(xí)進(jìn)行實(shí)時(shí)、有效的評(píng)價(jià)，是發(fā)現(xiàn)學(xué)習(xí)者學(xué)習(xí)困難、制定針對(duì)性學(xué)習(xí)干預(yù)策略的基礎(chǔ)[2]。目前，對(duì)自我調(diào)節(jié)學(xué)習(xí)評(píng)價(jià)的研究大多是學(xué)期末的問(wèn)卷、訪談等靜態(tài)評(píng)價(jià)、總結(jié)性評(píng)價(jià)，實(shí)時(shí)性不足[3]。但對(duì)學(xué)習(xí)者而言，學(xué)習(xí)就是一個(gè)自我調(diào)節(jié)學(xué)習(xí)的過(guò)程，對(duì)自我調(diào)節(jié)學(xué)習(xí)的實(shí)時(shí)動(dòng)態(tài)評(píng)價(jià)是幫助學(xué)習(xí)者及時(shí)發(fā)現(xiàn)問(wèn)題并保持較高學(xué)習(xí)動(dòng)機(jī)的關(guān)鍵[4]。為此，如何實(shí)現(xiàn)對(duì)學(xué)習(xí)者自我調(diào)節(jié)學(xué)習(xí)的動(dòng)態(tài)評(píng)價(jià)成為學(xué)界關(guān)注的熱點(diǎn)。

本研究在巴里·J.齊默曼（Barry J. Zimmerman） [5]自我調(diào)節(jié)學(xué)習(xí)理論的基礎(chǔ)上，構(gòu)建了數(shù)據(jù)驅(qū)動(dòng)的自我調(diào)節(jié)學(xué)習(xí)動(dòng)態(tài)評(píng)價(jià)模型。以學(xué)習(xí)任務(wù)為單位對(duì)學(xué)習(xí)過(guò)程中的生成性數(shù)據(jù)進(jìn)行時(shí)序編碼，并利用人工智能技術(shù)挖掘生成性數(shù)據(jù)到自我調(diào)節(jié)學(xué)習(xí)狀態(tài)的映射關(guān)系，然后對(duì)時(shí)序化的生成性數(shù)據(jù)進(jìn)行連續(xù)映射，實(shí)現(xiàn)對(duì)學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)狀態(tài)的動(dòng)態(tài)評(píng)價(jià)。最后，將模型應(yīng)用于教學(xué)實(shí)踐，對(duì)學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)狀態(tài)進(jìn)行跟蹤分析，并比較了高低績(jī)效群體自我調(diào)節(jié)學(xué)習(xí)狀態(tài)的差異性。

一、相關(guān)研究

（一）自我調(diào)節(jié)學(xué)習(xí)評(píng)價(jià)的進(jìn)展

目前，關(guān)于自我調(diào)節(jié)學(xué)習(xí)的評(píng)價(jià)方法主要有兩種，即自我報(bào)告法和數(shù)據(jù)分析法。其中，自我報(bào)告法指學(xué)習(xí)者利用口頭（如訪談）或書(shū)面（如問(wèn)卷）等形式對(duì)實(shí)時(shí)或一段時(shí)間內(nèi)的學(xué)習(xí)過(guò)程進(jìn)行匯報(bào)。克塞尼婭·維爾科娃（Kseniia Vilkova）[6]使用在線自我調(diào)節(jié)學(xué)習(xí)問(wèn)卷OSLQ從目標(biāo)設(shè)定、時(shí)間管理等6個(gè)維度對(duì)MOOC學(xué)習(xí)者進(jìn)行自我調(diào)節(jié)學(xué)習(xí)狀態(tài)測(cè)量，并驗(yàn)證了自我調(diào)節(jié)學(xué)習(xí)狀態(tài)對(duì)輟學(xué)率的影響。蘭國(guó)帥等[7]使用學(xué)習(xí)動(dòng)機(jī)策略量表MSLQ測(cè)量了探究社區(qū)中學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)狀態(tài)，發(fā)現(xiàn)良好的自我調(diào)節(jié)學(xué)習(xí)有助于深度學(xué)習(xí)和知識(shí)建構(gòu)的發(fā)生與發(fā)展。

數(shù)據(jù)分析法則是通過(guò)對(duì)學(xué)習(xí)過(guò)程中的操作行為、單元測(cè)試成績(jī)等生成性數(shù)據(jù)進(jìn)行挖掘與分析，實(shí)現(xiàn)對(duì)自我調(diào)節(jié)學(xué)習(xí)狀態(tài)的自動(dòng)評(píng)價(jià)。有研究者認(rèn)為學(xué)習(xí)過(guò)程中的視頻完成率、視頻瀏覽時(shí)間、瀏覽的視頻部分和視頻拖動(dòng)操作能夠有效反映學(xué)生的自我調(diào)節(jié)學(xué)習(xí)狀態(tài)[8]。何宇（He Yu）等[9]從交互行為角度將學(xué)習(xí)過(guò)程分為微觀互動(dòng)和高級(jí)互動(dòng)，并通過(guò)邏輯回歸等算法證實(shí)了微觀互動(dòng)是評(píng)價(jià)學(xué)生自我調(diào)節(jié)狀態(tài)的有效指標(biāo)。也有研究者從目標(biāo)設(shè)定、學(xué)習(xí)策略計(jì)劃等6個(gè)維度定義了自我調(diào)節(jié)學(xué)習(xí)狀態(tài)，并利用懲罰性回歸算法對(duì)MOOC學(xué)習(xí)者的學(xué)習(xí)時(shí)長(zhǎng)、會(huì)話次數(shù)等生成性數(shù)據(jù)進(jìn)行分析，實(shí)現(xiàn)對(duì)自我調(diào)節(jié)學(xué)習(xí)狀態(tài)的評(píng)價(jià)[10]。

自我報(bào)告法因簡(jiǎn)單易行而被廣泛應(yīng)用，但反復(fù)測(cè)量會(huì)增加學(xué)習(xí)者的負(fù)擔(dān)，而且易受到學(xué)習(xí)者主觀意志的影響。數(shù)據(jù)分析法則解決了自我報(bào)告法的上述問(wèn)題，然而，目前的數(shù)據(jù)分析法多是學(xué)期末的總結(jié)性評(píng)價(jià)，結(jié)果存在滯后性[3]。

（二）自我調(diào)節(jié)學(xué)習(xí)理論模型

理論模型對(duì)構(gòu)建自我調(diào)節(jié)學(xué)習(xí)動(dòng)態(tài)評(píng)價(jià)具有重要的理論支撐和指導(dǎo)作用。本研究采用巴里·J.齊默曼理論模型作為啟動(dòng)框架，該理論模型將自我調(diào)節(jié)學(xué)習(xí)分為事先計(jì)劃、監(jiān)控執(zhí)行和自我反思3個(gè)階段。①事先計(jì)劃階段：指學(xué)習(xí)者設(shè)定目標(biāo)并規(guī)劃自身的學(xué)習(xí)活動(dòng)。該階段包含任務(wù)分析和自我激勵(lì)的信念兩個(gè)維度。其中，任務(wù)分析是學(xué)習(xí)者對(duì)學(xué)習(xí)目標(biāo)進(jìn)行分解，建立個(gè)人目標(biāo)結(jié)構(gòu)和學(xué)習(xí)計(jì)劃，并對(duì)學(xué)習(xí)資源進(jìn)行組織和管理；自我激勵(lì)的信念是學(xué)習(xí)者預(yù)感或期望學(xué)習(xí)的結(jié)果，調(diào)動(dòng)自身積極性完成學(xué)習(xí)的動(dòng)機(jī)與信念。②監(jiān)控執(zhí)行階段：指學(xué)習(xí)者監(jiān)控自身的學(xué)習(xí)過(guò)程，在需要時(shí)尋求幫助。該階段包含自我控制和自我觀察兩個(gè)維度。其中，自我控制是學(xué)習(xí)者根據(jù)實(shí)際學(xué)習(xí)情況，對(duì)個(gè)人目標(biāo)結(jié)構(gòu)和學(xué)習(xí)計(jì)劃進(jìn)行調(diào)整和完善；自我觀察指學(xué)習(xí)者對(duì)自我學(xué)習(xí)行為的頻率或強(qiáng)度進(jìn)行觀察和記錄的過(guò)程。③自我反思階段：指學(xué)習(xí)者反思自身進(jìn)展和使用的認(rèn)知策略。該階段包含自我判斷和自我反應(yīng)兩個(gè)維度。其中，自我判斷是學(xué)習(xí)者根據(jù)學(xué)習(xí)目標(biāo)的達(dá)成情況，進(jìn)行自我評(píng)價(jià)和探尋歸因；自我反應(yīng)是反思個(gè)人學(xué)習(xí)目標(biāo)和學(xué)習(xí)計(jì)劃是否合理、學(xué)習(xí)策略是否有效，并在后續(xù)學(xué)習(xí)中繼續(xù)保持或修正。

二、數(shù)據(jù)驅(qū)動(dòng)的自我調(diào)節(jié)學(xué)習(xí)動(dòng)態(tài)評(píng)價(jià)模型

（一）模型建構(gòu)

學(xué)習(xí)平臺(tái)詳細(xì)記錄了大量的學(xué)習(xí)行為、測(cè)試成績(jī)等生成性數(shù)據(jù)，為自我調(diào)節(jié)學(xué)習(xí)的動(dòng)態(tài)評(píng)價(jià)提供了數(shù)據(jù)支持。人工智能技術(shù)能夠利用非結(jié)構(gòu)化數(shù)據(jù)挖掘出潛在的關(guān)聯(lián)關(guān)系，為自我調(diào)節(jié)學(xué)習(xí)的動(dòng)態(tài)評(píng)價(jià)提供了可行性技術(shù)支撐。為此，本研究在巴里·J.齊默曼理論模型的指導(dǎo)下，以生成性數(shù)據(jù)為基礎(chǔ)，以學(xué)習(xí)任務(wù)為時(shí)序單位，引入神經(jīng)網(wǎng)絡(luò)算法，構(gòu)建了數(shù)據(jù)驅(qū)動(dòng)的自我調(diào)節(jié)學(xué)習(xí)動(dòng)態(tài)評(píng)價(jià)模型，如圖1所示（見(jiàn)下頁(yè)）。

模型包括3個(gè)核心部分：①指標(biāo)體系建立。該體系包含評(píng)價(jià)指標(biāo)體系和生成性數(shù)據(jù)指標(biāo)兩部分。其中，評(píng)價(jià)指標(biāo)體系是將評(píng)價(jià)目標(biāo)按照其本質(zhì)屬性分解為清晰的、可操作的結(jié)構(gòu)，是評(píng)價(jià)的前提和基礎(chǔ)；生成性數(shù)據(jù)指標(biāo)則是分類選擇能夠表現(xiàn)評(píng)價(jià)目標(biāo)的學(xué)習(xí)行為、績(jī)效狀態(tài)等生成性數(shù)據(jù)集合。②評(píng)價(jià)引擎訓(xùn)練。該部分是挖掘生成性數(shù)據(jù)和自我調(diào)節(jié)學(xué)習(xí)狀態(tài)間的復(fù)雜映射關(guān)系，依據(jù)生成性數(shù)據(jù)獲得學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)狀態(tài)。本研究提出了基于神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)引擎，該引擎的構(gòu)建需要使用帶標(biāo)簽（由自我報(bào)告產(chǎn)生）的生成性數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。③自我調(diào)節(jié)學(xué)習(xí)動(dòng)態(tài)評(píng)價(jià)。該部分包含數(shù)據(jù)采集與時(shí)序編碼、動(dòng)態(tài)評(píng)價(jià)兩個(gè)核心步驟。其中，前者是收集目標(biāo)學(xué)習(xí)者的生成性數(shù)據(jù)，并對(duì)數(shù)據(jù)中學(xué)習(xí)者的各類行為、狀態(tài)等信息分別進(jìn)行計(jì)算和時(shí)序編碼；后者則是使用訓(xùn)練好的評(píng)價(jià)引擎對(duì)時(shí)序化的生成性數(shù)據(jù)進(jìn)行分析，得到學(xué)習(xí)者在連續(xù)任務(wù)上的多維度自我調(diào)節(jié)學(xué)習(xí)狀態(tài)，并繪制出自我調(diào)節(jié)學(xué)習(xí)狀態(tài)的動(dòng)態(tài)曲線。

（二）指標(biāo)體系

依據(jù)理論模型，本研究將自我調(diào)節(jié)學(xué)習(xí)的評(píng)價(jià)指標(biāo)體系劃分為事先計(jì)劃、監(jiān)控執(zhí)行、自我反思3個(gè)階段和任務(wù)分析、自我激勵(lì)的信念等6個(gè)評(píng)價(jià)維度，并參考何宇等[9]、勒內(nèi)·基齊爾切克（René F. Kizilcec）等[10]的研究，分別為每個(gè)評(píng)價(jià)維度篩選了生成性數(shù)據(jù)指標(biāo)。

第一，事先計(jì)劃階段。任務(wù)分析維度的生成性數(shù)據(jù)指標(biāo)包含：查看課程說(shuō)明頻次、瀏覽大綱頻次、查看學(xué)習(xí)目標(biāo)頻次、添加/修改學(xué)習(xí)目標(biāo)頻次、瀏覽資源結(jié)構(gòu)/屬性頻次；自我激勵(lì)的信念維度的指標(biāo)包含：查看學(xué)習(xí)目標(biāo)頻次、瀏覽資源結(jié)構(gòu)/屬性頻次、修改學(xué)習(xí)目標(biāo)頻次。

第二，監(jiān)控執(zhí)行階段。自我控制維度的指標(biāo)包含：修改學(xué)習(xí)目標(biāo)頻次、瀏覽資源結(jié)構(gòu)/屬性頻次、瀏覽資源頻次、瀏覽視頻時(shí)間、登錄平臺(tái)時(shí)間、發(fā)貼數(shù)、回貼數(shù)、作業(yè)完成度；自我觀察維度的指標(biāo)包含：組織/查詢資源頻次、修改學(xué)習(xí)目標(biāo)頻次、查看登錄時(shí)間頻次、查看視頻瀏覽時(shí)間頻次、查看資源瀏覽頻次、查看發(fā)/回貼數(shù)量頻次。

第三，自我反思階段。自我判斷維度的指標(biāo)包含：查看學(xué)習(xí)目標(biāo)頻次、測(cè)試成績(jī)、測(cè)試頻次、查看作業(yè)評(píng)價(jià)頻次、查看測(cè)試成績(jī)頻次；自我反應(yīng)維度的指標(biāo)包含：視頻瀏覽時(shí)間變化、作業(yè)完成度變化、登錄平臺(tái)時(shí)間變化、發(fā)貼數(shù)變化、回貼數(shù)變化、測(cè)試成績(jī)、測(cè)試次數(shù)、添加/修改學(xué)習(xí)反思次數(shù)。

（三）基于神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)引擎

評(píng)價(jià)引擎的作用是依據(jù)生成性數(shù)據(jù)獲得自我調(diào)節(jié)學(xué)習(xí)狀態(tài)，為精準(zhǔn)挖掘兩者間的復(fù)雜變換關(guān)系，本研究構(gòu)建了基于神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)引擎，如圖2所示（見(jiàn)下頁(yè)）。神經(jīng)網(wǎng)絡(luò)算法擁有自學(xué)習(xí)、自組織和自適應(yīng)的特性，可以充分挖掘生成性數(shù)據(jù)與自我調(diào)節(jié)學(xué)習(xí)狀態(tài)間的深層次關(guān)系，能夠有效提升目前評(píng)價(jià)研究中常用的線性回歸等線性方法的準(zhǔn)確性。

構(gòu)建好的評(píng)價(jià)引擎可以通過(guò)輸入生成性數(shù)據(jù)（如圖2中fi，bi為偏置項(xiàng)，恒為1）得到自我調(diào)節(jié)學(xué)習(xí)狀態(tài)（如圖2中t）。但引擎的構(gòu)建需要使用訓(xùn)練數(shù)據(jù)集（即帶標(biāo)簽的生成性數(shù)據(jù)）進(jìn)行模型訓(xùn)練，研究使用自我報(bào)告法為部分生成性數(shù)據(jù)產(chǎn)生標(biāo)簽（即自我調(diào)節(jié)學(xué)習(xí)狀態(tài)），以此產(chǎn)生訓(xùn)練數(shù)據(jù)集。模型的訓(xùn)練主要包含3個(gè)主要步驟：

第一，前向計(jì)算。將生成性數(shù)據(jù)向前迭代，將數(shù)據(jù)映射到評(píng)價(jià)維度空間，以模擬從生成性數(shù)據(jù)到自我調(diào)節(jié)學(xué)習(xí)狀態(tài)的復(fù)雜變換關(guān)系，如圖2所示，按箭頭方向逐步計(jì)算。前向計(jì)算包含線性計(jì)算和激活兩步，計(jì)算方法如公式（1）所示。其中，Z表示某個(gè)神經(jīng)元結(jié)點(diǎn)的線性運(yùn)算結(jié)果，f（z）表示激活函數(shù)，本研究使用Sigmoid函數(shù)，表示權(quán)重向量（如圖2中W1），是自然常數(shù)。

第二，數(shù)據(jù)輸出。將經(jīng)過(guò)前向計(jì)算的數(shù)據(jù)進(jìn)行處理，得到輸出（即自我調(diào)節(jié)學(xué)習(xí)狀態(tài)），本研究選擇分類中最大概率（使用Softmax函數(shù)計(jì)算）的狀態(tài)值輸出。如圖2中神經(jīng)網(wǎng)絡(luò)分類概率為（對(duì)應(yīng)輸出值1～3），則最后的結(jié)果為最大概率（0.73）對(duì)應(yīng)的輸出分類值3。

第三，反向傳播更新。依據(jù)計(jì)算結(jié)果與標(biāo)簽結(jié)果的差異，對(duì)正向傳播過(guò)程進(jìn)行調(diào)整，以使計(jì)算更加精確。反向傳播更新包括誤差表示、殘差計(jì)算和權(quán)重更新3個(gè)子步驟。誤差是輸出結(jié)果和標(biāo)簽真實(shí)結(jié)果差異程度，本文中使用交叉熵?fù)p失函數(shù)表示；殘差是反向傳播的誤差，利用誤差的偏導(dǎo)數(shù)和前面一層進(jìn)行加權(quán)求和；權(quán)重更新則是通過(guò)每個(gè)節(jié)點(diǎn)的殘差值反向更新該節(jié)點(diǎn)與上一層中節(jié)點(diǎn)間的權(quán)重。3個(gè)子步驟的計(jì)算方法如公式（2）所示。其中，c表示誤差，ei表示節(jié)點(diǎn)i的殘差，wtij表示第t次迭代時(shí)節(jié)點(diǎn)i和j連接的權(quán)重，sj是輸出層的最大輸出值（即最大概率值，表明分類結(jié)果），Next（i）表示節(jié)點(diǎn)i右層神經(jīng)元集合，wij是節(jié)點(diǎn)i和間j的權(quán)重系數(shù)，f'（i）表示激活函數(shù)的偏導(dǎo)數(shù)，xi表示節(jié)點(diǎn)的i輸出值，η表示學(xué)習(xí)率，本文中取常數(shù)0.6。

（四）生成性數(shù)據(jù)的時(shí)序編碼與動(dòng)態(tài)評(píng)價(jià)

為實(shí)現(xiàn)自我調(diào)節(jié)學(xué)習(xí)的動(dòng)態(tài)評(píng)價(jià)，需要以時(shí)間變量為主軸對(duì)學(xué)習(xí)過(guò)程進(jìn)行分析。任務(wù)分析、自我判斷等評(píng)價(jià)維度是基于時(shí)間的累積量，而非瞬時(shí)狀態(tài)。為此，本研究提出以學(xué)習(xí)任務(wù)為單位對(duì)生成性數(shù)據(jù)進(jìn)行時(shí)序化編碼，以將連續(xù)的動(dòng)態(tài)評(píng)價(jià)轉(zhuǎn)換為離散的評(píng)價(jià)序列。然后，將每個(gè)學(xué)習(xí)任務(wù)對(duì)應(yīng)生成性數(shù)據(jù)輸入評(píng)價(jià)引擎，得到學(xué)習(xí)者在該學(xué)習(xí)任務(wù)中的自我調(diào)節(jié)學(xué)習(xí)狀態(tài)。最后，將所有學(xué)習(xí)任務(wù)的自我調(diào)節(jié)學(xué)習(xí)狀態(tài)進(jìn)行連接和可視化，即可生成學(xué)習(xí)者在整個(gè)學(xué)習(xí)過(guò)程的動(dòng)態(tài)評(píng)價(jià)。

生成性數(shù)據(jù)的時(shí)序化編碼過(guò)程如下：①抽取生成性數(shù)據(jù)。對(duì)于數(shù)據(jù)庫(kù)中的狀態(tài)數(shù)據(jù)，如單元測(cè)試成績(jī)等，直接讀取學(xué)習(xí)者ID、學(xué)習(xí)任務(wù)號(hào)、數(shù)據(jù)值。對(duì)于日志中的行為數(shù)據(jù)，需要先分離出形如學(xué)習(xí)者ID、行為類型、行為目標(biāo)、學(xué)習(xí)任務(wù)號(hào)、Session ID、時(shí)間戳的操作流，然后將同一事件對(duì)應(yīng)的操作流相匹配，生成行為數(shù)據(jù)集。②數(shù)據(jù)清洗與編碼。數(shù)據(jù)清洗是檢查數(shù)據(jù)一致性，并處理無(wú)效值和缺失值；編碼是將有效數(shù)據(jù)生成編碼數(shù)據(jù)集，例如，將任務(wù)分析維度的生成性數(shù)據(jù)指標(biāo)編碼為ti，將自我反應(yīng)維度的指標(biāo)編碼為rk。③建立學(xué)習(xí)過(guò)程映射。將狀態(tài)數(shù)據(jù)與行為數(shù)據(jù)以學(xué)習(xí)者ID和學(xué)習(xí)任務(wù)號(hào)為主次關(guān)鍵字進(jìn)行匹配關(guān)聯(lián)，生成每個(gè)學(xué)習(xí)者的學(xué)習(xí)過(guò)程映射數(shù)據(jù)集。如學(xué)習(xí)者S1的學(xué)習(xí)過(guò)程映射為＜t11，t12，t13，…，r77，r78＞，其中，t12表示該學(xué)習(xí)者在學(xué)習(xí)任務(wù)1中t2生成性數(shù)據(jù)指標(biāo)的值。

三、動(dòng)態(tài)評(píng)價(jià)模型的實(shí)踐應(yīng)用

（一）應(yīng)用情境

實(shí)踐課程為某師范大學(xué)2020—2021學(xué)年春季“數(shù)據(jù)庫(kù)技術(shù)及應(yīng)用”課程，授課周期為 18 周。課程使用“學(xué)習(xí)通”+“騰訊會(huì)議”的在線平臺(tái)開(kāi)展，前者為教學(xué)提供了資源管理、測(cè)試、學(xué)習(xí)計(jì)劃、論壇等功能；后者則提供了實(shí)時(shí)互動(dòng)課堂功能。參與研究的學(xué)生為教育技術(shù)學(xué)專業(yè)本科二年級(jí)學(xué)生，包括11名男生和45名女生，均具有在線學(xué)習(xí)經(jīng)歷。

（二）應(yīng)用流程設(shè)計(jì)

課程分為關(guān)系數(shù)據(jù)理論、完整性約束等7個(gè)學(xué)習(xí)任務(wù)，每個(gè)學(xué)習(xí)任務(wù)均包括課前預(yù)習(xí)、課上講解、課后練習(xí)3個(gè)階段。課前預(yù)習(xí)是學(xué)生通過(guò)教師提供的學(xué)習(xí)資料自主學(xué)習(xí)；課上講解是教師對(duì)重難點(diǎn)知識(shí)或共性問(wèn)題進(jìn)行講解，并指導(dǎo)學(xué)生開(kāi)展任務(wù)實(shí)踐；課后加強(qiáng)則是課后完成復(fù)習(xí)、單元測(cè)試和課程作業(yè)。

此外，評(píng)價(jià)引擎的訓(xùn)練需要帶標(biāo)簽（即自我調(diào)節(jié)學(xué)習(xí)狀態(tài)）的訓(xùn)練集。為此，課程中的前3個(gè)學(xué)習(xí)任務(wù)要求學(xué)生使用自我報(bào)告法對(duì)當(dāng)前任務(wù)的自我調(diào)節(jié)學(xué)習(xí)狀態(tài)進(jìn)行匯報(bào)，以生成訓(xùn)練數(shù)據(jù)集；后面的學(xué)習(xí)任務(wù)則使用訓(xùn)練好的評(píng)價(jià)引擎對(duì)學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)狀態(tài)進(jìn)行評(píng)價(jià)。

（三）測(cè)量工具與方法

本研究中的自我報(bào)告所采用的量表，是依據(jù) “學(xué)習(xí)動(dòng)機(jī)策略問(wèn)卷使用手冊(cè)（MSLQ）”和“大學(xué)生學(xué)習(xí)自主性量表”改編而成的[11-12]，包括事先計(jì)劃、監(jiān)控執(zhí)行和自我反思3個(gè)大類和6個(gè)小類的內(nèi)容，共42個(gè)項(xiàng)目。量表采用7級(jí)李克特評(píng)分，從完全不符合（1分）到非常符合（7分），量表的Cronbach 系數(shù)為0.853，表明量表具有較高的可靠性和內(nèi)部一致性。

（四）數(shù)據(jù)分析結(jié)果

1．模型的有效性分析

為驗(yàn)證動(dòng)態(tài)模型的有效性，本研究從準(zhǔn)確率、召回率和F1值3個(gè)方面對(duì)模型的評(píng)價(jià)結(jié)果進(jìn)行了檢測(cè)，結(jié)果表明，模型在3個(gè)階段上的評(píng)價(jià)結(jié)果均較好。其中，在任務(wù)分析、自我控制和自我反應(yīng)3個(gè)評(píng)價(jià)維度上，準(zhǔn)確率、召回率和F1值均接近或大于70%（最低69.36%，最高80.64%），評(píng)價(jià)有效性較高；盡管在自我激勵(lì)的信念、自我觀察、自我評(píng)價(jià)3個(gè)評(píng)價(jià)維度上的結(jié)果稍差，但也均高于60%（最低62.08%），表明模型的評(píng)價(jià)結(jié)果亦可接受。此外，在6個(gè)評(píng)價(jià)維度上，模型評(píng)價(jià)結(jié)果和量表結(jié)果的Kappa一致性檢驗(yàn)值均大于0.65，說(shuō)明兩者之間具有較好的一致性。綜上，可以認(rèn)為本研究提出的動(dòng)態(tài)評(píng)價(jià)模型在自我調(diào)節(jié)學(xué)習(xí)6個(gè)評(píng)價(jià)維度上的評(píng)價(jià)結(jié)果是令人滿意或可接受的。

2．自我調(diào)節(jié)學(xué)習(xí)狀態(tài)動(dòng)態(tài)分析

為探究學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)動(dòng)態(tài)變化趨勢(shì)，本研究從事先計(jì)劃、監(jiān)控執(zhí)行和自我反思3個(gè)階段跟蹤學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)動(dòng)態(tài)，并對(duì)所有學(xué)習(xí)任務(wù)的數(shù)據(jù)進(jìn)行了方差分析，結(jié)果如表1所示（見(jiàn)下頁(yè)）。

事先計(jì)劃階段。由表1可知：第一，任務(wù)分析狀態(tài)基本呈現(xiàn)平穩(wěn)態(tài)勢(shì)（p＝0.564＞0.05），表明在教師的指導(dǎo)下，學(xué)生能較好地理解學(xué)習(xí)目標(biāo)和策略。第二，任務(wù)分析狀態(tài)在學(xué)習(xí)任務(wù)1和6上的均值稍低，表明學(xué)習(xí)內(nèi)容的抽象程度對(duì)學(xué)生的任務(wù)分析狀態(tài)有一定影響；前者是學(xué)期開(kāi)始，學(xué)生對(duì)新內(nèi)容較陌生；后者的學(xué)習(xí)內(nèi)容是數(shù)據(jù)庫(kù)設(shè)計(jì)范式，內(nèi)容抽象。第三，自我激勵(lì)的信念狀態(tài)雖有一定波動(dòng)，但整體上仍然表現(xiàn)穩(wěn)定（p＝0.71＞0.05）。第四，學(xué)習(xí)內(nèi)容難度對(duì)自我激勵(lì)的信念存在滯后性影響，學(xué)習(xí)任務(wù)1、3和6的難度較高，導(dǎo)致學(xué)生在下一學(xué)習(xí)任務(wù)開(kāi)始時(shí)信心降低，其中，學(xué)習(xí)任務(wù)3為SQL語(yǔ)句。雖然內(nèi)容具體，但邏輯性較強(qiáng)。

監(jiān)控執(zhí)行階段。由表1可知：第一，學(xué)生的自我控制狀態(tài)會(huì)隨著學(xué)習(xí)任務(wù)的不同產(chǎn)生明顯差異性（p＝0.040＜0.05），結(jié)合學(xué)習(xí)任務(wù)的難度，可知越是知識(shí)點(diǎn)繁冗和困難的任務(wù)，需要學(xué)生投入的自我控制精力越多。第二，對(duì)于困難的學(xué)習(xí)任務(wù)6，學(xué)生的自我控制狀態(tài)雖然較高，但未達(dá)到期望值。第三，學(xué)生的自我觀察狀態(tài)評(píng)分值較低且整體表現(xiàn)穩(wěn)定（p＝0.994＞0.05），表明學(xué)生對(duì)學(xué)習(xí)過(guò)程的關(guān)注整體較少；另外，學(xué)生對(duì)學(xué)習(xí)過(guò)程的觀察較難反饋到平臺(tái)數(shù)據(jù)中，也會(huì)對(duì)該方面的評(píng)價(jià)產(chǎn)生一定影響。

自我反思階段。由表1可知：第一，學(xué)生的自我判斷狀態(tài)隨著學(xué)習(xí)內(nèi)容呈現(xiàn)明顯波動(dòng)趨勢(shì)（p＝0.004＜0.05），較難的學(xué)習(xí)任務(wù)（1、3、6）會(huì)導(dǎo)致較低的自我判斷狀態(tài)，表明學(xué)習(xí)任務(wù)的難度對(duì)學(xué)生的自我判斷具有較大的影響。第二，學(xué)生的自我反應(yīng)狀態(tài)同樣隨著學(xué)習(xí)內(nèi)容呈現(xiàn)明顯波動(dòng)（p＝0.017＜0.05），學(xué)習(xí)任務(wù)1、3、6同樣對(duì)應(yīng)較低的自我反應(yīng)狀態(tài)。第三，學(xué)生自我反應(yīng)狀態(tài)的評(píng)價(jià)包含適應(yīng)/防御，是學(xué)生對(duì)前一學(xué)習(xí)任務(wù)的反應(yīng)，因此，該維度缺少任務(wù)1的評(píng)價(jià)。

3．高低績(jī)效群體自我調(diào)節(jié)狀態(tài)的動(dòng)態(tài)變化

為了進(jìn)一步揭示自我調(diào)節(jié)學(xué)習(xí)狀態(tài)與學(xué)習(xí)績(jī)效的關(guān)系，本研究采用t檢驗(yàn)對(duì)高低績(jī)效組的自我調(diào)節(jié)學(xué)習(xí)狀態(tài)進(jìn)行比較。其中，最終考核成績(jī)高于70分的作為高績(jī)效者（H），低于70分的則為低績(jī)效者（L）。

事先計(jì)劃階段。在任務(wù)分析維度，高低績(jī)效群體沒(méi)有顯著差異（t＝0.530，p＝0.606＞0.05），說(shuō)明學(xué)生對(duì)學(xué)習(xí)目標(biāo)的定位和學(xué)習(xí)策略的設(shè)計(jì)均比較清晰；而在自我激勵(lì)的信念維度上，高低績(jī)效群體則呈現(xiàn)出顯著差異（t＝2.777，p＝0.024＜0.05），結(jié)合均值（MeanH＝5.50＞MeanL＝5.34）可知，高績(jī)效組能更長(zhǎng)時(shí)間地對(duì)學(xué)習(xí)內(nèi)容保持興趣，也具有更高的自我效能感。

監(jiān)控執(zhí)行階段。在自我控制維度，高低績(jī)效群體存在極顯著差異（t＝3.474，p＝0.007＜0.01），結(jié)合具體的評(píng)價(jià)值發(fā)現(xiàn)，對(duì)于較難的學(xué)習(xí)任務(wù)（如學(xué)習(xí)任務(wù)6），高績(jī)效組會(huì)表現(xiàn)出更積極努力的狀態(tài)（如MeanH6＝5.81＞MeanL6＝5.11）；在自我觀察維度上，高低績(jī)效群體沒(méi)有表現(xiàn)出顯著差異（t＝1.338，p＝0.368＞0.05），兩組的自我觀察狀態(tài)均隨著學(xué)習(xí)的進(jìn)行而呈現(xiàn)出下降趨勢(shì)。

自我反思階段。在自我判斷維度，高低績(jī)效群體未表現(xiàn)出顯著差異（t＝0.224，p＝0.826＞0.05），結(jié)合均值發(fā)現(xiàn)，兩組均處于較低水平；在自我反應(yīng)維度上，高低績(jī)效群體表現(xiàn)出顯著差異（t＝2.270，p＝0.049＜0.05），結(jié)合均值和方差數(shù)據(jù)可知，高績(jī)效組在整個(gè)學(xué)習(xí)過(guò)程中具有較高的自我調(diào)節(jié)能力且相對(duì)更穩(wěn)定（MeanH＝5.32＞MeanL＝5.12， SDH＝0.124＜SDL＝0.172），特別是在面臨困難的學(xué)習(xí)任務(wù)時(shí)表現(xiàn)得尤為明顯。

四、總結(jié)與討論

本研究提出了數(shù)據(jù)驅(qū)動(dòng)的自我調(diào)節(jié)學(xué)習(xí)動(dòng)態(tài)評(píng)價(jià)模型，通過(guò)挖掘?qū)W習(xí)過(guò)程中的生成性數(shù)據(jù)實(shí)現(xiàn)學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)動(dòng)態(tài)評(píng)價(jià)。與以往研究不同的是，本研究提出使用學(xué)習(xí)任務(wù)對(duì)學(xué)習(xí)過(guò)程進(jìn)行時(shí)序劃分，實(shí)現(xiàn)了連續(xù)動(dòng)態(tài)評(píng)價(jià)的離散化轉(zhuǎn)換。另外，本研究使用神經(jīng)網(wǎng)絡(luò)算法擬合生成性數(shù)據(jù)與自我調(diào)節(jié)學(xué)習(xí)狀態(tài)間的復(fù)雜變換關(guān)系，提升了擬合的準(zhǔn)確度。

研究雖然為自我調(diào)節(jié)學(xué)習(xí)的動(dòng)態(tài)跟蹤提供了可行性解決方案，為智能輔導(dǎo)系統(tǒng)（ITS）和個(gè)性化教學(xué)干預(yù)等提供重要的決策支撐，但仍存在一定的局限性。比如，模型僅使用了學(xué)習(xí)者的在線生成性數(shù)據(jù)作為評(píng)價(jià)依據(jù)，評(píng)價(jià)在準(zhǔn)確度、召回率等有效性上仍有進(jìn)一步的提升空間。

參考文獻(xiàn)

[1]李文昊，任曉曈，朱希雅，等.認(rèn)知彈性設(shè)計(jì)下自我調(diào)節(jié)學(xué)習(xí)行為影響學(xué)習(xí)成績(jī)的機(jī)制研究[J].電化教育研究，2022，43（2）：64-71.

[2]楊春梅，張文蘭.境外網(wǎng)絡(luò)環(huán)境下自我調(diào)節(jié)學(xué)習(xí)研究的熱點(diǎn)、趨勢(shì)及啟示[J].數(shù)字教育，2022，8（3）：86-92.

[3]ARAKA E， MAINA E， GITONGA R， et al. Research trends in measurement and intervention tools for self-regulated learning for e-learning environments-systematic review （2008—2018） [J]. Research and Practice in Technology Enhanced Learning， 2020， 15： 1-21.

[4]孫培勇.“雙減”政策背景下培養(yǎng)學(xué)生自我調(diào)節(jié)學(xué)習(xí)能力的實(shí)施策略[J].數(shù)字教育，2022，8（6）：63-68.

[5]ZIMMERMAN B J. Becoming a self-regulated learner： an overview[J]. Theory into Practice， 2002， 41（2）： 64-70.

[6]VILKOVA K， SHCHEGLOVA I. Deconstructing self-regulated learning in MOOCs： in search of help-seeking mechanisms[J]. Education and Information Technologies， 2021， 26： 17-33.

[7]蘭國(guó)帥，鐘秋菊，郭倩，等.自我效能、自我調(diào)節(jié)學(xué)習(xí)與探究社區(qū)模型的關(guān)系研究：基于網(wǎng)絡(luò)學(xué)習(xí)空間中開(kāi)展的混合教學(xué)實(shí)踐[J].中國(guó)電化教育，2020（12）：44-54.

[8]VAN ALTEN D C D， PHIELIX C， JANSSEN J， et al. Effects of self-regulated learning prompts in a flipped history classroom[J]. Computers in Human Behavior， 2020， 108： 106318.

[9]YU H， HARPER S， VIGO M. Modeling micro-interactions in self-regulated learning： a data-driven methodology[J]. International Journal of Human-Computer Studies， 2021， 151： 102625.

[10]KIZILCEC R F， PEREZ-SANAGUSTIN M， MALDONADO J J. Self-regulated learning strategies predict learner behavior and goal attainment in Massive Open Online Courses[J]. Computers amp; Education， 2017， 104： 18-33.

[11]PINTRICH P R， SMITH D A F， GARCIA T， et al. Reliability and predictive validity of the Motivated Strategies for Learning Questionnaire （MSLQ）[J]. Educational and Psychological Measurement， 1993， 53（3）： 801-813.

[12]謝家樹(shù).大學(xué)生學(xué)習(xí)自主性量表的初步編制及試測(cè)[D].長(zhǎng)沙： 湖南師范大學(xué)，2004.

（責(zé)任編輯 孫興麗）

A Study of a Data-Driven Dynamic Evaluation Model for Self-Regulated Learning

Kong Weiliang1， Zhang Junkai1， Han Shuyun2， Ye Haizhi1

（1. Faculty of Education， Henan Normal University， Xinxiang， Henan， China 453007;

2. Faculty of Artificial Intelligence in Education， Central China Normal University， Wuhan， Hubei， China 430079）

Abstract： Accurate evaluation of learners’ self-regulated learning process is a necessary prerequisite for the realization of pedagogical interventions. However， most of the existing evaluation methods are summative and insufficient in real time. For this reason， the study proposes a data-driven dynamic evaluation model of self-regulated learning. The learning process is temporalized in terms of learning tasks， and the mapping of generative data to self-regulated learning states is constructed in the learning process. The results of the study show that： （1） Generative data is a powerful factor in evaluating learners’ self-regulated learning state， and the model has high validity. （2） The learners’ self-regulated learning state shows a trend of differential changes in different evaluation dimensions， in which the dimensions of task analysis， self-motivated beliefs and self-observation tend to be stable， while the three dimensions of self-control， self-judgement， and self-response show obvious fluctuating changes. （3） The high and low performance groups show significant differences in the three evaluation dimensions of self-motivated beliefs， self-control and self-reaction， while there are no statistical differences in the three dimensions of task analysis， self-observation and self-judgment.

Key words： Self-regulated learning; Generative data; Metrics system; Artificial intelligence; Learning analytics