基于学习者个性行为分析的学习结果预测框架设计研究*

武法提，牟智佳

(北京师范大学 教育学部 教育技术学院，北京 100875)

基于学习者个性行为分析的学习结果预测框架设计研究*

武法提，牟智佳

(北京师范大学 教育学部 教育技术学院，北京 100875)

对学习者及其所在情境中产生的数据进行记录和分析并为其提供个性化学习服务是教育大数据背景下学习分析研究在促进有效学习方面的内在旨趣，而要实现对学习状态的评估、预警和干预则需要对学习者个性化信息进行实时建模。该文通过对国内外学习分析模型的梳理分析总结存在问题，并基于个性化学习模式和相关文献构建了数字化学习环境下个性化行为分析模型。在此基础上，以教学目标分类理论、个性化学习理论和社会认知理论为指导设计了“目标—过程—结果”为思想的学习结果分类设计原理，并对各层级的学习行为类型进行分析。最后基于学习行为分析模型和学习结果分类设计了学习结果预测框架，包括学习内容分析、学习行为分析和学习预测分析三个模块，为后面个性化学习分析工具的设计提供理论指导。

学习分析模型；个性化学习模式；学习行为分析；学习目标；学习结果预测

一、引言

近年来，学习分析引起了国内外研究者、学术团体、管理者和教学实践者的广泛关注。它通过搜集教与学过程中的行为数据并应用复杂的分析工具进行挖掘分析来改善学习和教育，使其逐步成为一个新兴的研究领域。从近五年来举办的“学习分析与知识国际会议”主题来看，其关注点由早期的将学习分析中的技术与社会、教育相整合到探索大数据背景下的教育研究与技术改善学习[1]，再聚焦到利用大数据实现大范围的影响研究[2]，其重心逐渐转移到教与学成效改善方向上。Xavier Ochoa等研究者还对会议内容进行了词频和主题分析，并总结了六类研究主题关键词，即可视化、行为分析、社会学习分析、应用、挑战和概念[3]，其中行为分析部分涉及四类层级水平：第一层级是捕获和分析不同的数据来源，包括手势数据、眼动数据、可汗学院平台数据；第二层级是确定这些数据的影响；第三层级是预测分析，即对可能存在学习问题的学生进行预测；第四层级是对学生行为的序列结构进行分析。可以看出，相对以往的教育数据挖掘和统计分析工具注重对行为数据的分析和挖掘，聚焦于还原论分析[4]，学习分析则是在数据分析结果的基础上，通过建立分析模型来预测行为，并对学习过程进行干预、优化、预警等。

从国内外研究者和学术团体对学习分析的界定上看，学习分析的目标是要预测学习结果并进行干预以更好地改善学习成效，例如George Siemens认为学习分析是应用智能数据、学习者产生的数据和分析模型发现学习者内在的信息和社交联系，以预测和改善学习[5]；Johnson, L.等认为通过学习分析可以预测未来的学习表现，并发现潜在的问题[6]；国内研究者李艳燕等认为通过学习分析可以对学习者行为进行预测、评估学习者的学习状态和效果，继而干预学习，提高学习者学习绩效的技术[7]；李青等认为学习分析目标是预测学习结果、诊断学习中发生的问题、优化学习效果的一类教学技术的集合[8]。因此，搜集学习者的学习过程行为数据并进行个性化分析、评价、预测和干预是学习分析研究在促进有效学习方面的内在旨趣。本研究通过对网络学习者个性化行为进行分析和模型构建，并设计学习结果预测框架，以丰富学习分析在个性化学习服务方面的理论探索，并为后面设计个性化学习分析工具提供理论依据。

二、国内外学习分析模型研究现状与问题分析

(一)国内外学习分析模型研究分析

学习分析模型是教育数据背景下用于指导和开展网络学习行为分析的理论基础，在学习分析研究领域初期阶段，研究者们分别从分析环节、分析维度、分析框架等方面提出了设计模型，勾勒出学习分析在应用实践过程中的系统分析思路。比较有代表性的学习分析模型研究有：George Siemens依据系统方法提出了学习分析循环模型，该模型包括搜集、存储、数据清洗、数据整合、分析、可视化呈现和行动等七个部分[9]。其中数据来源部分包括学习管理系统数据、感知数据、手动输入数据、数据市场等；行动部分包括干预、优化、引导、预警等内容。整个设计过程采用线性循环思路，将学习分析的各个环节融为整体，并使各部分内容紧密相连。Katrien Verbert等研究者认为学习分析过程包括感知、反思、意义建构和影响四个层面[10]。其中感知阶段关注的是数据及其可视化的活动流；反思阶段关注用户提出的问题以及对这些问题的有效性和相关性进行评估；意义建构阶段关注用户在反思过程中提出的问题以及新观点的创新性；影响阶段是将用户认为有用的想法进行实践并改变自己的行为。Tanya Elias通过对学习分析的过程和及其相关利益者进行分析，提出了学习分析改善模型，该模型包括数据搜集、信息处理和知识应用三部分内容[11]。其中数据搜集模块涉及数据选择和捕获；信息处理模块涉及整合和预测；知识应用模块涉及提炼和应用。这三部分内容由机构组织、计算机、相关人员和理论等四块内容提供支持。Dirk Ifenthaler等通过对已有学习分析模型的分析，指出个别模型在指导实践方面还存在不足，并在此基础上提出较为具体的学习分析内容框架[12]，该框架包括八部分内容：(1)个人特征，包括兴趣、先验知识、学习策略、竞争力等；(2)社交网络，包括个人网络、社交关系、同伴互助、社交媒体偏好；(3)身体数据，包括地理位置、健康、情感、动机等；(4)课程，包括基本要求、学习设计、学习目标、评价等；(5)网络学习环境，包括学习路径、交互数据、内容导航、讨论活动、评价和表现、满意度等；(6)学习分析引擎，包括数据挖掘、结构化和非结构化数据、自然语言、回归和预测等；(7)报告引擎，包括仪表盘、热点图、统计图标和自动报告等；(8)个性化和自适应引擎，包括引导、可视化、提供支架、反馈、推荐等；(9)机构策略；(10)管理决策。各部分内容摈弃了以往学习分析内容的单向线性关系，转而形成双向多层关系，且各部分内容进一步细化，从使其在指导实践方面更具信度和可操作性。

相对于国外研究视角和内容的多样性，国内研究者在学习分析模型探索上形式单一且侧重整个系统环节，例如赵蔚等依据在项目实践中应用的自适应学习系统，以个性化自主学习、个性化自适应推荐、个性化心理学和计算机科学为理论基础，从数据与环境、关益者、方法和目标等四个方面建立个性化自适应在线学习分析模型，描述了在线学习分析所涉及的数据来源、分析目标、相关参与人员和分析方法[13]。冯翔等通过分析教育信息化领域对学习分析的需求以及大数据技术，设计了以Hadoop为核心的学习分析系统，该系统包括利益相关者、教育系统、数据域处理、学习分析引擎和显示面板五部分[14]。郁晓华等采用极简设计思想，对学习行为的内容和流程进行了设计，该模型包括学习需要、学习目标、学习活动，其中学习活动涉及活动内容、工具和参与的人，各部分呈逻辑递顺序向前指向和分解[15]。

(二)已有学习分析模型研究中存在的问题

通过对国内外已有学习分析模型的梳理和分析可以看出，各分析模型多是关注整个学习分析环节和过程，对于指导学习分析研究具有一定的指导意义，但在实际操作和分析内容方面缺乏指导，其存在的问题主要有：(1)各学习分析模型属于工作模型，用于指导开展学习分析的系统研究，缺少以学习者为核心分析对象的计算模型；(2)侧重分析教育大数据范围内利益相关者的多样化分析，弱化对学习行为这一关键点的层级式分析；(3)模型中各部分内容在操作层面上未能指出适合分析的学习行为数据，Dirk Ifenthaler等虽然分析了个人学习行为活动，但未指出其前后行为数据在分析层面上的影响关系；(4)学习分析模型在个性化学习特征和行为分析方面分析不足，基于学习行为数据分析学生个性优势并提供个性化学习路径实现其个性发展是教育大数据在学习分析方向要解决的关键问题，因此学习分析模型应在个性化分析内容和行为方向上进行深入分析。

学习行为分析是学习分析领域在其分析过程、数据来源、学习分析工具设计、学习结果可视化、学习预测与干预等不同研究过程中所涉及的共同关注点，它既是网络学习者行为活动数据分析的起点，也是观察和测量学习预测与干预效果的终点。而学习行为分析模型则是指导行为数据分析来源、学习工具设计与学习结果可视化等过程的分析依据。已有的学习分析模型侧重系统环节分析，缺少对个性化学习行为活动内容及其分析结果的关联设计，因此需要围绕学习行为分析这一关键点在个性化、贯一性、有效性方面设计分析模型。

三、学习者个性化行为分析模型的构建

(一)个性化学习模式分类介绍

在个性化学习模式方面，笔者与学习分析研究协会(Society for Learning Analytics Research)的创办人之一George Siemens教授进行了讨论交流，他认为个性化学习模式可以分为五种类型：(1)基于学前分析的个性化学习，即在学习前通过调查数据了解学生个性特征和学习偏好，设计不同的学习材料，该类型搜集的数据属于静态学习档案数据，不能根据学习过程行为的变化进行调整[16]；(2)自定步调的个性化学习，即由学习者根据自身能力情况自定学习时间和进度；(3)基于概念掌握的个性化学习，该类型依据项目反应理论(Item Response Theory，简称IRT)通过开展能够反映学生能力特征的相关测试题来了解学生知识掌握情况。其代表性应用是KNEWTON个性化网络学习平台[17]，该平台能够根据学生的不同能力、学习特点和行为习惯即时调整学习内容，从而满足学生的个性化学习需求；(4)教师主导的个性化学习，即教师根据学生个性特点设计课程内容，并对学生个人学习过程和学习结果进行监控，以即时调整学习活动内容。其代表性应用是Smart Sparrow自适应网络学习平台[18]，该平台由教师设计课程学习内容，并为学生定义个性化学习路径，其最大特点在于其适应性，教师设计课程内容之后的每一步都是在学生学习行为基础上动态生成的，通过互动反馈可以帮助教师进一步掌握学生学习情况，引导教师实时调整教学内容，进而更好地改善学习效果；(5)计算个性化学习，该类型能够通过语义方式对学生当前学习内容和状态做出判断并通过语义方式计算适合学生的个性化学习方案。其代表性应用是WolframAlpha[19]计算知识引擎，该平台能够对学习者要学习的知识通过语义计算并以多种可视化方式提供分析结果。

从这五种个性化学习模式中可以看出，前两种个性化学习缺少自适应技术的支持，第三种虽然能够通过即时调整学习内容，但缺少教师在学习活动方面的监控和教学内容的即时调整，而第四种类型尚在探索中未在教育领域中开展有效的实践应用。因此，第五种模式是未来一段时间内较为理想且有效的个性化学习方式，既有自适应技术满足学习需求又有教师监控实时调整学习活动。该模式主要解决Benjamin S.Bloom在教育研究领域提出的比较有影响力的“2 sigma”问题[20]，即研究者和教师其中一个重要任务是基于现实和实践条件寻求能够采用低成本方式实现小组教学与一对一教学同样效果的方法。基于大数据、云计算、教育云、学习分析等新兴媒体技术，该问题可以得到有效解决。该模式对本研究的启示包括：(1)实时监控学习活动过程和学习行为，并适时调整学习内容；(2)为教师提供学习结果反馈，帮助教师分析学生学习特征并为其提供个性化学习路径，发挥其课程主导作用；(3)能够将个性特征、学习内容和学习行为进行线性分析，提高系统适应性；(4)学习分析采取目标与过程并重的价值取向，并与教学过程相互整合[21]。基于上述分析，本研究将以教师主导的个性化学习为设计思路，设计面向教师监控学习状态和学生学习结果反馈的个性化行为分析模型。

(二)个性化行为分析模型的构建

要构建个性化行为分析模型需要解决两方面的问题，一是要分析学习者的个性行为特征，找到反应其个性优势的分析内容；二是建立学习行为分析内容与学习结果之间的联结，为后面学习结果的预测分析提供依据。为了解决上述问题，本研究首先依据个性化学习理论和相关文献建立初步的个性化行为分析模型，之后采用德尔菲法对个性化行为分析内容进行优化，征询的专家意见包括个性特征分析维度、学习分析内容、学习行为分析、前后线性关系、学习结果分类等内容，征询形式既包括分析维度和内容的认同感，也包括针对具体分析内容的开放式意见征询。依据反馈结果对模型进行了修正，最终形成面向学习结果的个性化行为分析模型，如下页图1所示。该模型在分析维度上从宏观到微观，在分析过程上从内容到结果，由学习者的个性行为特征推演到学习结果分析。其分析过程包括学习体征分析、学习内容分析、学习行为分析和学习结果分析四个过程，并形成内容与结果的逻辑递进与联结。其中在个性行为特征分析方面包括学习者个人特征、社交网络、情感状态和在线环境等四个维度的学习体征分析；在此基础上，对学生在数字化学习环境下的学习内容进行分析，并总结其学习行为，最后形成以学习目标层级、学习活动完成度、学习能力层级、交互层次分析和知识图谱分析的学习结果分类。

四、基于学习行为分析的学习结果分类设计原理

(一)基于学习行为分析的学习结果分类设计原理

要设计学习结果预测模型需要确定学习结果分类及其行为数据，本研究以教学目标分类理论、个性化学习理论和社会认知理论为指导，基于个性化行为分析模型中学习结果的分类设计了以“目标—过程—结果”为思想的学习结果分类设计原理，如图2所示。其中教学目标分类理论指导分析学习目标层级和学习能力，确定学习者实现的目标层级及其所达到的能力水平；个性化学习分析理论用于指导分析学习活动完成度和参与度，以监控学习活动过程；社会认知理论用于指导分析交互层次和知识图谱，以了解学生的最终学习结果。

图1 数字化学习环境下个性化行为分析模型

图2 基于学习行为分析的学习结果分类设计原理

(二)面向学习结果分类的行为数据分析

1.基于学习目标层级的学习结果分析

基于学习目标的学习结果分类主要依据Benjamin S.Bloom的教学目标分类理论和前面设计的评价量规，将学习目标评价分为六个层级，每个层级依据网络学习活动设计可记录的学习行为数据，如图3所示。例如，在学习目标的知道层级水平上，可以通过学习观看视频学习材料的时长、学习次数和通过目标数来判断学习者是否达到该目标层级水平，其它层级水平采用同样方式处理。

依据Benjamin S.Bloom的教学目标分类理论，本研究设计了基于学习目标层级的学习评价量规，如下页表所示。该量规遵循“目标—内容—行为”一致性的逻辑主线，即通过目标推导所需要完成的学习内容，通过评价内容来推导需要记录的学习行为数据。量规中包括学习目标分类、单项指标分类、评价内容、学习行为数据和权重六个部分。其中学习目标分类是依据教学目标分类理论，评价内容是分析网络学习平台中不同的学习模块内容，学习行为数据是能够记录评价内容行为的数据类型。通过将评价量规整合到学习分析系统中可以判断学生达到的目标层级从而为课程设计提供依据[22]。

图3 基于学习目标的学习结果分类

基于学习目标层级的学习评价量规表

2.基于学习活动参与度的学习结果分析

基于学习活动参与度的学习结果分类依据学习者在教育云平台中参加的各类学习活动类型而设计，包括课件点播学习、讨论交流、资源下载、在线阅读、作业与考试等，如图4所示。在各个活动模块中，通过不同的行为数据指标对各类活动参与情况进行分析。

3.基于学习活动完成度的学习结果分析

基于学习活动完成度的学习结果分析主要分为活动类型、活动知识点、活动完成时间和活动完成度四个部分。其中活动类型是要明确学习者参与的单元学习活动模块，如视频学习、讨论交流、在线阅读、练习考试等[23]；活动知识点是对学习活动中需要评价的知识内容进行设计，如微视频中的互动问题、学习社区中回答问题、在线作业与练习等[24]；活动完成时间是对学习者完成学习活动的用时统计；活动完成度是依据活动知识点对已完成的内容进行统计，形成一个百分比的统计结果。

图4 基于学习活动参与度的学习结果分析

4.基于学习能力的学习结果分析

基于学习能力的学习结果分析主要是从学习者反思能力、学习成就等方面进行分析。其中反思能力是对学习者所学知识进行输出和表达的考察和分析；学习成就是对学习者通过不同学习模块的学习进行量化评价，了解学习困难者并为其提供学习干预[25]。

5.基于交互层次分析的学习结果分析

基于交互层次的学习结果分析是对学习者与学习平台、学习内容交互层次的分析，主要从操作交互、信息交互和概念交互三个方面进行分析[26]。其中操作交互反映学习者较少进行网络学习；信息交互反映学习者浏览和学习课程内容，但互动交流较少；概念交互反映学习者课程参与度较高，能够掌握课程学习内容。在开源工具和平台的支持下，可以应用学习分析对远程教学交互进行基于行为数据的分析[27]。

6.基于知识图谱的学习结果分析

基于知识图谱的学习结果分析是对学习者的知识点掌握情况进行分析，通过将知识点分为熟练掌握、一般掌握、未掌握等不同级别分析学习者的知识掌握图谱，并在此基础上建立学习者的个人知识网络图谱，以直观查看已掌握知识点情况及其知识点之间的相互关系[28]。

五、基于学习行为分析模型的学习结果预测框架

基于前面对学习内容、学习行为数据和学习结果的分析，我们设计了基于网络学习行为数据的学习结果预测框架，如图5所示。该框架包括学习内容分析、学习行为分析和学习预测分析三个模块。其中学习内容分析主要从学习者在网络学习平台中的课程内容学习模块及其评价内容进行分析；学习行为分析主要基于学习模块对学习活动行为和学习结果行为进行分析；学习预测分析主要是采用聚类分析对不同学习水平的群体进行分类，并采用决策树、时间序列分析进行预测，预测的结果将反馈到学习管理系统中。通过系统平台搜集学生数据并应用预测分析得出分析报告，之后对存在问题的学生建立预警档案并将相关信息发给教师，最后通过在线学习支持环境为其提供学习干预[29]。

企业应当设立信用评估部门，聘请专业人员对客户的资信状况进行评估，对客户的经营能力及偿债能力等各项指标进行系统的分析计算，将各个客户的信用状况分等级进行归类整理并且建立档案，估计出每个客户应收账款的收回期限以及其坏账损失和所需要付出的管理成本，便于企业判断是否对客户进行赊销以及赊销的数量，对资信情况不好的企业不赊销，对资信情况较好的企业适量赊销，这从源头就降低了赊销可能带来的财务风险。

图5 基于学习行为分析模型的学习结果预测框架

该模型的预测原理是基于学习活动和学习结果两方面所涉及的六个分类结果，从学习内容分析中选取能够表征和反应其结果的分析指标，并将各类指标按活动重要性进行权重转换，形成层级和分值两种方式预测结果输出。在预测分析算法上，相对于贝叶斯预测模型，决策树分析法速度快，计算量相对较小，容易转化成分类规则。在准确性方面，挖掘出的分类规则准确性高，可以清晰显示出哪些字段比较重要。在决策树预测算法上主要采用ID3算法，该算法主要针对属性选择问题，是决策树算法中最具影响和典型的算法。该算法的基本策略包括：(1)创建一个节点，若样本都在同一类中，则算法停止，该节点改成树叶节点，并用该类标记；(2)若样本不在同一类中，选择一个能够最好的将训练集分类的属性，该属性作为该节点的测试属性；(3)对测试属性中的每一个值，创建相应的一个分支，并据此划分样本；(4)使用同样的过程自顶向下递归。在选择树叉时，ID3算法是采用信息增益来进行判断，即选择具有最高信息增益的自变量作为当前的树叉，其计算方式为其中I为目标变量，m为不同属性值，pi是任意样本属于m各类别中的概率[30]。通过上述计算方式可以确定决策树中各个分类树叉，本研究后面将利用ID3算法对不同学习结果中的分类节点进行计算分析，基于已有数据利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行预测分析。

六、结束语

在教育云服务、网络学习空间人人通、教育大数据背景下，学习者的网络学习活动和行为可以得到全过程的记录和监控，并由此形成以学习者为中心来自其学习活动、社交网络、情感状态等多维信息的立体化数据。而基于学习者肖像特征数据进行学习分析并对其学习结果进行预测，则可以发现存在学习障碍和困难的学生，这为学习补救和学习干预提供了数据支持，由此可以为学习者提供符合其个性特征的学习路径和学习服务。本研究通过构建个性化学习分析模型并据此设计学习结果预测框架旨在描绘数字化学习环境下开展学习行为分析及其结果预测的理论路线。后面我们将依据该模型和框架，基于教育服务平台设计个性化学习分析工具，并通过仪表盘形式将学习活动和结果进行可视化呈现，为教师及时调整教学内容和提供个别化指导提供科学依据。

[1] The 3th International Conference on Learning Analytics and Knowledge [EB/OL].https://tekri.athabascau.ca/analytics/,2013-04-08.

[2] The 5th International Conference on Learning Analytics andKnowledge[EB/OL].http://lak15.solaresearch.org/,2015-03-16.

[3] Xavier Ochoa, Dan Suthers, Katrien Verbert, Erik Duval.Analysis and Reflections on the Third Learning Analytics and Knowledge Conference (LAK 2013)[J].Journal of Learning Analytics,2014,1(2):5-22.

[4] Baker, R., Duval, E., Stamper, J., Wiley, D., & Buckingham Shum, S.Panel: Educational Data Mining Meets Learning Analytics [A]. Dawson,S.,Haythornthwaite,C.,Shum,S.,Gašević,D.&Ferguson,R.Proceedings of the 2nd International Conference on Learning Analytics and Knowledge[C].New York: Association for Computing Machinery,2012.3-5.

[5] Siemens, G. What are Learning Analytics?[EB/OL].http://www.elearnspace.org/blog/2010/08/25/what-are-learninganalytics/,2010-08-25.

[6] Johnson, L., Smith, R., Willis, H., Levine, A., Haywood, K. The 2011 Horizon Report [R].Austin, Texas:The New Media Consortium.2011.28.

[7] 李艳燕,马韶茜等.学习分析技术:服务学习过程设计和优化[J].开放教育研究,2012,18(5):18-24.

[8] 李青,王涛.学习分析技术研究与应用现状述评[J].中国电化教育,2012,(8):129-133.

[9] George Siemens. Learning Analytics: The Emergence of a Discipline[J].American Behavioral Scientist,2013,57(10):1380-1400.

[10] Katrien Verbert, Erik Duval1, Joris Klerkx1, Sten Govaerts, José Luis Santos. Learning Analytics Dashboard Applications[J].American Behavioral Scientist,2013,57(10):1500-1509.

[11] Tanya Elias. Learning Analytics: The Definitions, the Processes, and the Potential[EB/OL].http://learninganalytics.net/LearningAnalyticsDe finitionsProcessesPotential.pdf/,2011-12-26.

[12] Dirk Ifenthaler,Chathuranga Widanapathirana. Development and Validation of a Learning Analytics Framework:Two Case Studies Using Support Vector Machines[J].Technology, Knowledge and Learning,2014,19(1):221-240.

[13] 姜强,赵蔚等.基于大数据的个性化自适应在线学习分析模型及实现[J].中国电化教育,2015,(1):85-92.

[14] 冯翔,余明华等.基于大数据技术的学习分析系统架构[J].华东师范大学学报(自然科学版),2014,(2):20-29.

[15] 郁晓华,顾小清.学习活动流:一个学习分析的行为模型[J].远程教育杂志,2013,(4):20-28.

[16] ELEARNSPACE: Learning, Networks, Knowledge,Technology,Comm unity[EB/OL].http://www.elearnspace.org/blog/2015/07/02/personallearning-graphs-pleg/,2015-07-02.

[17] KNEWTON个性化网络学习平台[EB/OL].https://www.knewton.com/,2015-09-07.

[18] Smart Sparrow自适应网络学习平台[EB/OL].https://www.smartsparrow.com/,2015-09-10

[19] WolframAlpha计算知识引擎[EB/OL].https://www.smartsparrow.com/,2015-09-12.

[20] Bloom B S. The 2 sigma problem:The search for methods of group instruction as effective as one-to-one tutoring[J].Educational researcher,1984,13(6): 4-16.

[21] 朱珂,刘清堂.基于“学习分析”技术的学习平台开发与应用研究[J].中国电化教育,2013,(9):127-132.

[22] Gibson A, Kitto K, Willis J. A Cognitive Processing Framework for Learning Analytics[A].Pistilli,M.,Willis,J.,Koch,D.,Arnold,K.,Teasl ey,S.&Pardo,A.Proceedings of the Fourth International Conference on Learning Analytics and Knowledge[C].New York:Association for Computing Machinery,2014.212-216.

[23] Tempelaar D T, Rienties B, Giesbers B. In search for the most informative data for feedback generation: Learning Analytics in a datarich context [J].Computers in Human Behavior,2015,47(6):157-167.

[24] Anna Lea Dyckhoff, Dennis Zielke, Mareike Bültmann, Mohamed Amine Chatti，Ulrik Schroeder. Design and Implementation of a Learning Analytics Toolkit for Teachers[J].Educational Technology &Society,2012, 15(3):58-76.

[25] Brooks C, Greer J. Explaining Predictive Models to Learning Specialists Using Personas[A].Pistilli,M.,Willis,J.,Koch,D.,Arnold,K.,T easley,S.&Pardo,A.Proceedings of the Fourth International Conference on Learning Analytics and Knowledge[C].New York:Association for Computing Machinery,2014.26-30.

[26] 陈丽.远程学习的教学交互模型和教学交互层次塔[J].中国远程教育,2004,(3):24-28.

[27] 孙洪涛.学习分析视角下的远程教学交互分析案例研究[J].中国电化教育,2012,(11):40-46.

[28] Gunnarsson B L, Alterman R. Predicting Failure: A Case Study in Co-blogging[A].Dawson,S.,Haythornthwaite,C.,Shum,S.,Gašević,D.&Ferguson,R.Proceedings of the 2nd International Conference on Learning Analytics and Knowledge[C].New York:Association for Computing Machinery,2012.263-266.

[29] Sandeep M. Jayaprakash, Erik W. Moody, Eitel J.M.Lauría, James R. Regan,Joshua D. Baron. Early Alert of Academically At-Risk Students: An Open Source Analytics Initiative[J].Journal of Learning Analytics,2014, 1(1):6-47.

[30] (美)Mehamed Kantardzic,王晓海.数据挖掘:概念、模型、方法和算法(第二版)[M].北京:清华大学出版社,2013.121-122.

责任编辑：李馨 赵云建

征稿通知：2016年21世纪的混合式学习国际会议

2016年“21世纪的混合式学习国际会议”将于2016年4月22日-26日在希腊卡瓦拉（Kavala, Greece）举行，本届会议是“混合式学习国际协会”首次在希腊举办，秘书处成员分别来自加拿大、沙特阿拉伯、希腊、美国、塞内加尔、中国和马来西亚。

本次会议是在技术与互联网飞速发展的时代下，在混合式学习领域的研究、经验与实践做法等领域，吸引全球教育界的专家、学者、教师和技术人员投稿，分享个人或机构在该领域的最新发现与创新。当社会发展的脚步进入21世纪后，我们看到新一代的学习者在日常生活中随处使用技术，而与此同时，数字化资源随时随地可以获取。教育和培训工作者在设计混合式学习时需要考虑到这些因素。本届大会的主题之一就是关注设计混合式学习的最佳范例和指南。实施混合式学习要依赖于技术，而新技术的出现，也帮助教育培训工作者更好的实施混合式学习。采用何种技术来实施高质量的混合式学习？在使用混合式学习方面开展了哪些研究？本届大会的另一个主题就是回答如何在混合式学习中使用技术。

随着时间的推移、技术的发展，我们需要探讨混合式学习未来要扮演何种角色。对于学习者来说，混合式学习如何才能更加有效地激发学生的学习？影响混合式学习的未来趋势是什么？大学计划如何嵌入混合式学习？关于混合式学习当前的研究如何能够影响其未来的实践？这些都将在本次大会中得以深入全面地阐释。

长期以来，企业培训都采用面授的方式，但是随着数字媒体的出现和发展，各种学习平台的使用及学习内容的发布方式多样化，混合式学习将在企业培训中发挥越来越大的作用。

本次大会侧重于深入了解教学法，这是教学实践、教学方法、教学策略和教学心理及信条的指南。实践做法也是大会要讨论的主题，任何关于学习和培训工具以及实践做法的成功经验均可以成文分享。

长篇论文不超过8页、短片论文不超过4页、辅导手册不超过2页、海报1页、企业展板2页。

会议的重要日期如下：

(1)参会提前注册的最后截止日期：2016年1月10日

(2)长短论文的投稿截止日期：2016年1月10日

(3)辅导手册和企业展板投稿截止日期：2016年1月10日

(4)录用通知日期：2016年2月1日

(5)照相制版提交日期：2016年2月30日

(6)演讲稿和材料提交日期：2016年3月30日

(7)大会召开日期：2016年4月22日

联系方式：论文提交地址Agnieszka Palalas

＜agaizabella@rogers.com＞

The Design Research of Learning Outcomes Prediction Based on the Model of Personalized Behavior Analysis for Learners

Wu Fati, Mou Zhijia
(School of Educational Technology, Faculty of Education, Beijing Normal University, Beijing 100875 )

It is internal purport for recording and analysis of the data that is generated by learners and their contexts and providing personalized learning service in the aspect of promoting effective learning under the educational background of big data. The real time modeling is required to achieve the assessment of learning status, early warning as well as intervention. The existing problems were summarized by combing analysis for learning analysis model at domestic and abroad in this paper. And we built a personalized behavior model applying in the digital environment based on the personalized learning patterns and related literature. In addition, we designed learning outcome classification principles with the idea of “target-process-results” in the guidance of instruction theories which included teaching target classification theory, personalized learning theory and social cognitive theory. The type of behaviors was also analyzed at all levels. Finally, the learning outcomes prediction framework was designed based on learning behavior analysis model and learning results. The framework included learning content analysis, learning behavior analysis and learning prediction analysis, which could provide theoretical guidance for the design of personalized learning analysis tools.

Learning Analysis Model; Personalized Learning Pattern; Learning Behavior Analysis; Learning Objectives; Learning Outcomes Prediction

G434

：A

1006—9860(2016)01—0041—08

武法提：教授，博士生导师，研究方向为数字化学习环境与学习资源设计(wft@bnu.edu.cn)。

牟智佳：在读博士，研究方向为数字化学习技术与环境(ambitionyt@163.com)。

2015年9月23日

* 本文系2014年全国教育科学“十二五”规划教育部重点课题“基于教育大数据的学习分析工具设计与应用研究”(课题编号：DCA140230)、2014年北京师范大学自主科研基金重点项目“电子书包中基于大数据的学生个性化信息挖掘与应用研究”(课题编号：00305-310400080)和2015年国家留学基金委建设高水平大学公派研究生项目研究成果。