教育大数据背景下智能测评研究的现实审视与发展趋向

牟智佳 俞显

【摘 要】 人工智能、学习分析与教育大数据之间的相互融合使得学习评价由数字化的学习测评走向数据化的智能测评。从智能测评技术发展视角对国内外相关平台进行梳理和分析，发现智能测评平台存在测评目的异化、测评数据采集单一、测评分析缺乏深度、测评结果可视化水平低和测评反馈智能化薄弱五方面问题。本文从智能测评研究视角对国内外现状进行内容分析，把握研究态势与不足；在此基础上对智能测评发展的理论与技术趋向、目标导向进行阐释；最后提出智能测评服务模式，即以支持个性化学习为目标导向，以基于学习能力的学习练习智能匹配、基于内容掌握的个性化学习路径规划、基于活动参与的个性优势识别以及基于测评结果的知识地图描绘为服务支持，为将来智能测评发展与研究提供有益的启示。

【关键词】 教育大数据；智能测评；学习分析；机器学习；个性化学习

【中图分类号】 G642.0 【文献标识码】 A 【文章编号】 1009-458x（2018）5-0055-8

一、学习测评发展的现实困境与突破口

当前学校教育中对学习的测评侧重学习结果的显性表现，如测评得分、题目正确率、成绩排名等，对学习者的隐性行为关注较少，如对学习内容的掌握程度、协作学习活动内容的贡献度、达到学习目标的层级水平等。学习评价专家保罗和迪伦（Paul & Dylan， 1998）认为如果一个评价仅仅用于评定分数，内容上没有提供进一步的学习机会，评价就不是真正形成性的，只有评价揭示了学生思维的具体方面，借助这些方式才能进一步开展有效教学，并且运用所揭示的诊断性信息为学习者提供额外的学习机会。数字化环境下的学习评价既注重学生的总结性评价，更关注学生的形成性评价（Tomas， Borg， & McNeil， 2015）。评价的形成性本质不但存在于评价本身中，而且存在于评价与其课堂角色的交互中。如何对整个学习活动过程进行有效评价并判别出学习者在知识、能力和思维方面的真实水平是当前学习评价面临的现实困境。

近年来，教育大数据、学习分析和智能网络学习平台的逐步发展使得学习轨迹不仅能够得到记录进而形成全学习过程数据链，而且能够对学习过程和结果进行个性化分析和评测。而以深度学习、机器学习、自然语言处理等为代表的人工智能技术兴起，使得测评技术更加智能和精准，基于学习内容和结果可以对学习者的知识和能力水平进行智能化评测，以更好地服务于认知诊断。因此，我们可以借助大数据和学习分析技术对学习过程中的阶段性学习表现进行评价和归因分析，并结合学习者的个性特征定制基于内容掌握的学习路径，最终促进其对知识的深度理解和概念的掌握。

二、基于教育大数据的智能测评平台梳理分析

（一）智能测评平台的功能比较分析

为了解当前智能测评技术在实践中的应用和发展情况，本研究借助国内外搜索引擎对国内外有关文字书写、语音分析、测评考试等不同智能测评平台进行整理分析。在选取智能测评平台的过程中，以具备多元化、智能化、交互性、可视化等特征为依据，确保分析的智能测评平台符合本研究的需求。对平台的分析从使用对象、数据采集来源、分析内容、结果呈现形式、特色功能展现等方面进行多维对比，结果见表1。

可以发现，在分析对象上，平台较为关注学生在群体中的表现，其测评结果偏重于比较；在数据采集来源上，平台采用多种方式收集，既使用传统的试卷、问卷和量表，也使用动作捕获感应器、自然语音拾取等高科技手段；在分析内容上，当前国内外智能测评平台涉及的测评内容除以学业成绩、语言能力、实验操作能力等为代表的学业水平测评外，也涉及心理测量、学习自适应能力等非学业水平方面的测评；在数据类型上，结构化数据是目前各测评平台数据的主要类型，目的在于方便数据分析，并以可视化方式呈现最终结果。

（二）智能测评平台存在的问题分析

通过对国内外主流智能测评平台进行梳理分析发现，当前智能测试平台存在以下五方面问题：

1. 测评目的异化

研究者在分析上述智能测评平台的过程中发現，无论从所面向的使用对象还是分析内容的组成上看，均存在较为明显的测评目的异化的情况（该现象在国内实践中尤为突出），即测评目的在于选拔和甄别，而忽视测评的诊断、反馈和促进功能。如测评平台关注区域教育质量监测及对比、学校办学质量分析、教师教学质量分析、学生学业成就分析，而提供的诊断报告集中在基于常模参照测量下的排序和比较，具有较为明显的“排位次”现象。测评需要为教师精准教学和学生高效学习提供有效支持，如果盲目追求测评的选拔和甄别作用，缺少基于测评结果的教与学的优化，则会造成测评活动舍本逐末无助于教与学改进的困境。

2. 测评数据采集相对单一

数据采集的内容和形式将直接决定后续分析的广度和深度。从数据内容上看，当前智能测评平台主要以学业成绩数据为主，缺乏对学生日常学习行为数据、家庭背景信息等重要内容的采集；从数据类型上看，已有分析数据以结构化数据为主，如学生的试卷分数、调查问卷结果、在线学习时间、点击次数等，缺乏对更能体现学生情感、价值观、学习品质和学习思维等非结构化信息内容的采集；从数据收集时间跨度上看，以阶段性、结果性数据为主，缺乏对日常关键事件和典型表现等行为数据的收集。当前，无论是数据内容和类型，还是数据收集的时间跨度，现有测评平台尚未达到智能测评对数据采集的要求。

3. 测评分析缺乏深度

受限于测试数据采集较为单一，目前各测评平台在分析内容和分析方法上的设计也较为简单。在分析内容上，主要是对采用问卷、试卷等测量工具获取的区域教育质量、学生学业成就等方面信息进行分析；从分析方法上看，以描述性的量化统计分析为主，缺乏质性分析及纵向和横向的对比分析，缺乏从多角度、多层次分析同一对象；从测量统计理论的应用上看，主要以经典测量理论作为理论依据，缺乏对于更能反映学生认知过程、数据处理精度更高的认知诊断和项目反应等理论的应用。因此，分析结果往往较为片面，无法形成有效的证据链，可信度不高。

4. 测评结果可视化程度低

通过分析各类评测平台可知，用图表对分析结果进行可视化输出是当前各智能测评平台结果呈现的主要特征，这一形式符合信息可视化，有助于信息理解、采纳和创新的研究结论（赵慧臣， 2014）。目前，测评平台一般采用静态和动态两种类型的可视化结果。静态的可视化结果是指以直方图、雷达图、数据仪表盘等图表呈现的结果，一般不能更改；动态的可视化结果是指通过选择和关联不同时间、测评维度和统计分析指标来呈现的测评结果，具有交互性功能。例如在分析学生口语表达能力时，学生可以按照自己的需求选择语音、词汇等分项内容的诊断结果，也可以自定义分项成绩来模拟当前口语水平与目标水平的差距等。整体而言，测评结果的可视化在数据更新、图形化、交互性等方面还较弱。

5. 测评反馈智能化水平薄弱

智能测评平台的关键特征是测试结果的智能化和个性化，平台应基于对区域、学校、学生作答数据的分析结果提供相应的教育质量预测和改进建议。但从目前的调查来看，各测评平台提供预测和建议的功能有待完善。部分提供教与学改进建议的平台并没有做到个性化，给出的建议较为宽泛且缺乏个性化分析。所分析的测试平台均未提供预测分析功能。由此可以看出，实践中有较多测评平台冠以智能之名，但未有智能之实，这一现象也值得深思。

三、数据集驱动的智能测评研究现状分析

为了解近年来国内外智能测评研究的整体状况，对国内外相关文献进行梳理和内容分析。其中，中文文献的检索选取中国期刊全文数据库、中国博士和硕士学位论文全文数据库和中国重要会议论文全文数据库作为样本来源，以下述检索式进行检索：检索项为“主题”；检索词为“智能测评”“智能反馈系统”“智能测试系统”“智能评价”；根据相关文献出现的初始时间和研究进度确定时间跨度为2002年1月至2016年12月；匹配方式为“模糊”。剔除会议通知、简讯等无关内容，筛选后共获得样本文献19篇。外文文献的检索选取Elsevier ScienceDirect、Springer Link、Wiley Blackwell、Web of Science等国外知名数据库为样本文章来源，以下述检索式进行检索；检索项为“Theme”；检索词为“intelligent assessment”“intelligent evaluation”“artificial assessment”“artificial evaluation”；时间跨度与中文文献一致，并辅之以Google学术搜索。剔除会议通知、workshop等非研究文献，共获得有效文献23篇。通过对所获样本的整合与分析，当前国内外智能测评研究主要集中在以下几个方面：

（一）智能测评的理论与技术研究

该类研究主要集中在智能测评结构观的认识和发展探讨、智能测评量表设计与开发的理论依据、智能测评的算法和模型等方面。例如，邱江等（2004）在借鉴国外学者对智能结构最新研究成果的基础上，分析了未来智能測验应遵循的原则并进行了智能测验的试题编制。Yulan He等（2009）在文本语义挖掘研究中对潜在语义分析（Latent Semantic Analysis， LSA）、n-gram共生和BLEU等技术进行深入分析，结果表明与现有技术相比，新技术支持的文本自动化评估能够实现文本分析高精度并且显著提高分析性能。

（二）智能测评系统的设计与实现

这方面研究主要围绕多元化、个性化智能测评系统的设计和实现来展开。例如，吴志刚等（2010）在研究学习者和学习内容的基础上，整合学习目标、学习能力、评价方法等因素提出三维个性化评价模型，并从提升系统的效度和可用性出发，构建了个性化智能测评系统模型。Arturas Kaklauskas等（2015）采用生物特征识别、语音压力分析和特殊算法开发了智能自我评估系统，支持考生在正式考试前对自己的情绪和压力进行测评，为帮助学生缓解考前压力和平复紧张情绪提供参考。Ifeyinwa Chika等（2008）利用增强现实技术构建了一个集成智能测评功能的虚拟实验室，该虚拟实验室可以实时动态地采集学生在实验过程中的操作过程数据并自动反馈实验效果达成度等诊断信息。

（三）基于智能测评系统的教与学应用研究

这类研究主要包含智能测评技术在语言学习中的应用、智能测评在混合式教学和在线学习中的应用、基于智能测评结果的教与学改进策略和模式等。例如，李娟（2016）基于“注意假设”理论，通过两个班级的口语教学实践和语用能力调查以及对学生的访谈发现移动智能测评终端的应用有助于提高教学效果。 Chia-I Chang（2002）针对网络学习中如何评价学习者离线后课程学习表现的问题，提出了基于《学生问题课程量表》（Student Problem Course Scale）的在线智能测评系统，该系统能够依据学生的个性特征和需求组织课程材料并生成课程内容，其自适应和自组织特性能够激发学生学习课程的兴趣和参与度。Uday Kumar等（2011）利用智能测评的相关理论构建了在线智能评估系统，用以测量学习者在线学习表现以及为学习者推荐个性化学习资源，帮助学习者挖掘自身学习潜力并提高其学习表现。

通过对国内外智能测评研究的分析可知，当前多元智能理论是智能测评的主要理论依据，新的“智能学说”正不断受到研究者的关注；在测量趋向上，研究者开始使用新的算法和模型，并结合新的测量统计理论来不断提高智能测评系统的测量精度。在设计趋向上，基于个性化测评结果的教与学改进得到普遍认同，这是智能测评的价值追求所在，也是智能测评服务模式的内在要义。然而，目前有关智能测评的理论和技术走向尚不明晰，智能测评在学习过程中如何实时监控和预警，在学习结果上如何促进学生个性发展是测评走向智能化和个性化必须面对的重要议题。

四、智能测评发展的理论与技术趋向

学习测评的关键原理是必须提供反馈和回溯的机会，而且被评价的内容必须和学生的学习目标相一致（Briansford， Brown， & Cockin， 2013）。智能测评需要在学习内容、学习过程和学习目标等方面提供个性化学习评价结果，以此作为改进教与学的反馈信息的来源。因此，智能测评发展需要以个性化学习为目标，以形成性评价为中心，以学习理论为指导，以机器学习分析和自然语言处理为技术支撑，持续对学生的知识、思维和理解进行评价和反馈，最终促进学习者达成目标。

（一）智能测评发展的理论趋向

1. 以内容为导向的概念转变学习理论

促进学习者对所学知识点的概念理解是学习测评的一个重要目的。而在概念理解上，特别是理科知识概念，存在容易让学习者困惑的相异概念、迷思概念、直觉概念等，因此需要通过智能测评发现并促使学习者完成概念转变，其中包括通过题目和选项的分析挖掘出学习者存在的迷思概念和通过观点分析并转变先前概念背后的本体论和认知论假定。此外，对学习者建模的评判可以了解其概念转变过程，当学习者建构并转变他们的模型时，他们就在通过改变正在学习的概念重新组织知识结构（高文等， 2009）。

2. 以理解为导向的生成性学习理论

学习结果是学习者在完成知识内容学习和参与学习活动之后在知识内化上的集中体现，对学习结果的评价离不开学习过程和活动，而对过程进行持续跟踪和评价有助于及时发现学习问题，并提供学习干预和补救。生成性理论强调在学习过程中学习者对知识的理解和意义建构（Wittrock， 1974）。该理论的基本假设是学习者是学习过程的主动参与者，只有通过个体生成关系和理解，才能生成有意义的知识。智能测评在内容上的设计应将测评内容和知识点与学习者所学内容进行关联，并着重理解性题目内容的设计和评价，以促使学习者建立知识之间的联系并生成自己的理解。

3. 以结果为导向的学习目标分类理论

对学习结果的测评不仅要关注所取得的成绩和知识掌握程度，也要了解学习者在学习目标上所达到的层级，以进一步合理规划后面的学习内容和学习活动。而在目标分类理论上，注重通过外显行为观测目标的布鲁姆教学目标分类理论能够有效区分学习者的能力表现。布鲁姆提出的教学目标分类理论包含两方面特征：①用学生的外显行为来陈述目标；②目标是有层次结构的。该分类理论包括知道、领会、应用、分析、评价和创造六个层级，能够将学生的行为由简单到复杂按秩序排列，并具有连续性和累积性（Krathwohl， 2002）。研究者Rex Heer（2012）在该分类理论基础上增加了知识层级维度，形成了以知识和认知过程为组合的二维表，对学生的学习结果表现可以通过这两个维度进行坐标定位，了解学生达到的能力层级。

（二）智能测评发展的技术趋向

1. 基于学习行为数据链的机器学习分析技术

大数据技术、数据科学和移动技术的日渐成熟和广泛应用使得学习者在任何情境下的数字化学习行为得到跟蹤和记录。学习行为时间点包含学习者在线预习、活动参与、学习测评等整个学习流程。而学习行为数据类型则包含隐性学习行为和外显学习行为。其中隐性学习行为是学习者在学习活动过程中所进行的有意识的、无意识的、分散的、连续的、跳跃的等不确定特征的思考和行为过程，而外显学习行为是学习者在参与学习活动过程中与学习资源、学习平台交互所产生的行为路径。学习行为时间点和数据类型构成了整个学习数据链，为智能测评提供了大数据源。而基于这些学习大数据应用机器学习技术进行测评可以精准识别出学习者在行为偏好、知识强弱、能力水平、学习路径等方面的个性特征，从而为后面的学习任务智能匹配提供数据支持，最终使学生的学习更有效。

2. 基于生成文本数据链的自然语言处理技术

学习者在练习测评过程中的学习行为除了通过鼠标输入的客观题作答数据，还包括通过键盘输入的以文本为交互内容的主观题作答数据。而对这些文本内容进行情境化分析则需要自然语言处理技术，包括词法分析、句法分析、语义分析、文本生成、语音识别等。在自然语言处理系统输入层面上，要使系统能够处理基于不同终端和多种输入方式生成的真实文本数据；在输出层面上，使系统能够对文本内容进行深层理解，提取符合作答内容的关键信息以及包含个人情感和观点的个性信息。随着混合式学习逐步成为常态，学生的测评内容既包括传统纸质文本数据，还包括在线测评文本数据。因此，需要整合两部分真实文本数据。由于测评内容的分布性和真实情境性，未来应当进一步加强不同情境真实语料库的整合以及大规模、信息丰富的词典编制工作，以提高测评文本的实时性和精准性。

（三）智能测评发展的目标导向

1. 以个性化学习为目标

《国家教育事业发展“十三五”规划》（2017）在主题主线部分中提出，积极促进信息技术与教育的融合创新发展，努力构建网络化、数字化、个性化、终身化的教育体系。历年新媒体联盟《地平线报告》高等教育版和基础教育版中多次将推进个性化学习作为影响学校应用教育技术的重要挑战（Johnson， 2015， 2016）。从新媒体技术的发展轨迹来看，平板电脑、自适应技术、人工智能等技术正逐步在教育中进行深度应用和融合，这为个性化学习提供了有力的技术支撑。因此，为学生提供个性化学习服务是教育信息化发展的题中应有之义。而智能测评作为学习流程的最后环节应当基于个人学习目标和内容进行智能评价和诊断，为学习者提供差异化学习报告和反馈，最终促进个性化学习。

2. 以个性化学习过程为对象

要使智能测评能够支持学习者的个性化学习，需要对个性化学习过程特征进行总结。为了解国内外关于个性化学习过程特征的相关内容，基于国内外文献数据库进行检索，之后对文献做二次整理分析，筛选出与个性化学习过程特征内容直接相关的文献，通过对所筛选文献进行内容分析整理出数字化学习环境下个性化学习过程特征的内容，见表2。

由表2可知，在分析视角方面国外较为微观聚焦，侧重学习特征的内容，而国内分析侧重整个学习过程。在个性化学习特征内容分析方面，国外侧重分析学习者、学习结果和学习心理，而国内则注重分析学习环境和学习活动过程。受研究范式、文化和国情等影响，两者之间体现出不同的研究取向。总体而言，在分析视角方面主要集中在个性化学习环境、个性化学习特征和个性化学习过程。而在个性化学习特征内容分析方面主要集中在个性特征、学习活动与内容、学习目标、学习结果与评价和学习心理等方面。在数字化学习环境下，为了使个性化学习更具可实施性和操作性，并使其与测评对象相关联，从学习内容、学习活动和学习结果三个方面对个性化学习过程的特征进行总结。在教育大数据和学习分析支撑下，智能测评在个性分析和差异评价上将凸显出其技术优势，基于学生的个性化学习过程提供学习评价和反馈是未来实现测评智能化的主要路径。

五、智能测评服务的实现路径

在上述理论与技术的支撑下，智能测评服务应当以面向个性化学习为宗旨，在学习任务上以学习能力为评价起点，基于能力水平智能匹配学习任务以实现有效学习；在学习路径上以内容掌握为评价标准，依据测评结果提供个性化学习路径以实现高效学习；在学习过程上以活动参与为评价对象，依据学习行为特征识别出个性优势以进行个性化培育；在学习目标上以学习表现为评价结果，依据知识掌握和能力水平描绘个人知识地图以精准定位学习状态并据此合理设定目标。

（一）基于学习能力的学习练习智能匹配

传统练习环境下衍生出的题海战术尽管在提高成绩上有一定的效果，但花费的时间成本较高，学习者往往需要遍历每套试题中的所有题目才能找到真正薄弱点。在理科题目练习中，不同选项的答案反映出学习者头脑中应用不同推理逻辑计算得出的结果，这折射出学习者存在迷思概念和先前知识不足的可能性。当前，数字化学习环境下的错题练习较多是基于同类知识点题目进行分析推送，缺少关注学习者已有知识及其思维方式。智能测评环境下的练习应当根据学习能力和学习思维，智能匹配与其水平和先验知识相当的练习测评任务，让其测评过程既有挑战性又有成就感，同时能够使其从知识理解层面完成从迷思概念到正确概念的转变。

（二）基于内容掌握的个性化学习路径规划

最近发展区理论对学生能力范围的清晰界定和差异表现说明传统测评在评价内容和反馈步调上整齐划一的特性无助于促成每个学习者达成目标。个体学习风格和能力的差异使得学习测评要以内容掌握为常量，以掌握时间为变量，根据学习者的掌握程度和进度动态规划学习内容和活动路径。在设计和分析上应当对学科知识点进行属性标记，包括难度、掌握程度、学习状态等。其中，难度区分为简单、中等和困难；掌握程度区分为未掌握和已掌握；学习状态区分为待学习、进行中和已完成。基于测评内容结果对知识学习状态进行评估，进而动态优化后面的学习路径，使学习能够循序渐进并更加有效。

（三）基于活动参与的个性优势识别

学习结果是学习过程的精炼理解，通过对学习活动、过程和行为进行分析和评价可以更为精准地测评出学习者的知识水平和能力特征。学习活动行为既包括外在行为，如访问学习资源、测评考试、互动交流等，也包括内在行为，如学习偏好、思维特征、能力倾向等。相对于传统学习环境在数据搜集上的乏力性，数字化学习环境下的学习行为数据可以通过学习平台进行记录和搜集，由此我们可以对其进行个性化分析，洞察学生的真实学习过程和能力，识别出其个性优势。依据加德纳的多元智能理论对学习者在测评题目、观点表达、行为路径等方面进行内容和行为解析，获取学习者在语言、数理逻辑、空间、人际等方面的个性特征，有助于创新型和个性化人才的培养。

（四）基于测评结果的知识地图描绘

对学习结果的测评和反馈不仅仅是对题目内容对错的简单评判，还要从学科知识内容出发，识别出学生知识薄弱点，并根据知识点间的相互承接关系和掌握程度描绘出个人知识地图。在知识地图的构建上，通过采集学习者结构化、半结构化和非结构化学习行为数据对其进行结构化处理，利用实体识别、语义推理、关系抽取与识别等技术进行挖掘和构建。知识地图应当具备知识推理的逻辑结构能力，并使知识内容和关系更好地理解语义范围域，根据测评结果实时更新地图内容。通过知识地图中知识点逻辑关系、掌握度、强弱点、迷思概念等信息呈现促使学习者的自我概念系统向科学概念系统转变。

[参考文献]

丁念金. 2013. 基于个性化学习的课堂转变[J]. 课程·教材·教法（8）：42-46.

高文，等. 2009. 学习科学的关键词[M]. 上海：华东师范大学出版社.

国务院关于印发国家教育事业发展“十三五”规划的通知. 2017. http：//www.gov.cn/zhengce/content/2017-01/19/content_5161341.htm

蒋志辉. 2013. 网络环境下个性化学习的模式建构与策略优化[J]. 中国远程教育（2）：48-51.

李广，姜英杰. 2015. 个性化学习的理论建构与特征分析[J]. 东北师范大学学报：哲学社会科學版（3）：152-156.

李娟. 2016. 移动智能测评终端的应用及评估：以语用能力调查问卷为例[J]. 南京理工大学学报：社会科学版（3）：63-68.

邱江，张庆林. 2004. Shavinina的智能测评观述评[J]. 心理科学进展（3）：416-422.

孙刚成，王莹，杨眉. 2014. 泛在学习视域下的个性化学习取向[J]. 教学与管理（7）：132-133.

吴志刚，张红军，蔡俊. 2010. 计算机与教育：理论、实践与创新——全国计算机辅助教育学会第十四届学术年会论文集：个性化智能评测系统模型[C]. 上海：中国人工智能学会计算机辅助教育专业委员会：528-532.

趙慧臣，王淑艳. 2014. 知识可视化应用于学科教学的新观点：访瑞士知识可视化研究开拓者马丁·爱普教授[J]. 开放教育研究（2）：4-10.

Briansford， J.， Brown， A.， & Cockin， R. （2013）. How people learn： Brain， mind， experience， and scholl. Shanghai： East China Normal University Press.

Chang， C. I. （2002）. Intelligent assessment of distance learning. Information Sciences， 140（1）， 105-125.

Chika， I. E.， Azzi， D.， Azzi， D.， Stocker， J.， & Haynes， B. （2008）. Genuine lab experiences for students in resource constrained environments： The realLab with integrated intelligent assessment. International Journal of Online Engineering， 4（3）， 18-24.

Department for Education and Skills （DfES）. （2004）. A national conversation about personalized learning. Nottingham： DfES.

DiMartino， J.， Clarke， J.， & Wold， D. （2001）. Personalized learning： Preparing high school students to create their futures. Lanham， MD： Scarecrow Press.

Giancarlo， B. （2006）. Advanced personalized learning and training applications through mobile technologies and services. In Nejdl W.， Tochtermann K. （Eds.）， Innovative approaches for learning and knowledge sharing： Lecture notes in computer science （pp. 555-560）. Berlin： Springer.

Hamideh， A.， & Jafar， T. （2010）. A high level architecture for personalized learning in collaborative networks. In Camarinha-Matos， L.M.， Boucher， X.， Afsarmanesh， H. （Eds.）， Collaborative networks for a sustainable world IFIP advances in information and communication technology （pp. 601-608）. Berlin： Springer.

He， Y.， Hui， S. C.， & Quan， T. T. （2009）. Automatic summary assessment for intelligent tutoring systems. Computers & Education， 53（3），890-899.

Johnson， L.， Adams， B.， Cummins， M.， Estrada， V.， Freeman， A.， & Hall， C. （2016）. NMC horizon report： 2016 higher education edition. Austin， Texas： The New Media Consortium.

Johnson， L.， Adams B.， Estrada， V.， & Freeman， A. （2015）. NMC horizon report： 2015 K-12 edition. Austin， Texas： The New Media Consortium.

Kaklauskas， A. （2015）. Biometric and intelligent self-assessment of student progress system. Computers & Education， 55（2）， 821-833.

Keamy， R. L.， Nicholas， H. R， & Mahar， S. （2007）. Personalizing education： From research to policy and practice. Melbourne： Department of Education & Early Childhood Development.

Kim， C. M. （2012）. The role of affective and motivational factors in designing personalized learning environments. Educational Technology Research and Development， 60（4）， 563-584.

Krathwohl， D. R. （2002）. A revision of Bloom's taxonomy： An overview. Theory into practice， 41（4）， 212-218.

Michael， P. （2009）. Personalization， personalized learning and the reform of social policy： The prospect of molecular governance in the digitized society. Policy Futures in Education， 7（6）， 615-627.

Paul， B. & Dylan， W. （1998）. Assessment and classroom learning. Assessment in Education Principles Policy & Practice， 5（1）， 7-74.

Rex， H. （2012）. A Model of Learning Objectives based on A Taxonomy for Learning， Teaching， and Assessing： A Revision of Bloom's Taxonomy of Educational Objectives. www.celt.iastate.edu/teaching/RevisedBlooms1.html

Stefanie， G.， & Andreas， H. （2012）. Systems for personalized learning： Personal learning environment vs. e-portfolio？ In Cheung， S. K. S.， Fong， J.， Kwok， L. F.， Li， K.， Kwan， R. （Eds.）， Lecture notes in computer science （pp. 294-305）. Berlin： Springer.

Tomas， C.， Borg， M.， & McNeil， J. （2015）. E-assessment： Institutional development strategies and the assessment life cycle. British Journal of Educational Technology， 46（3）， 588-596.

Uday， M.， Mamatha， J.， Jain， S.， & Jain， D. （2011）. Intelligent online assessment methodology. In Abraham， A.， Corchado， E.， Han， S. C. （Eds.）， International conference on next generation web services practices （pp. 215-220）. Spain： IEEE.

Waldrip， B.， Cox， P.， Deed， C.， Dorman， J.， Edwards， D.， & Farrelly， C.， et al. （2014）. Student perceptions of personalized learning： Development and validation of a questionnaire with regional secondary students. Learning Environments Research， 17（3）， 355-370.

Wittrock， M. C. （1974）. Learning as a generative process. Educational Psychologist， 45（2）， 40-45.

作者簡介：牟智佳，博士，讲师，本文通讯作者，江南大学人文学院（214122）。

俞显，硕士，宁波市教育考试院（315000）。

责任编辑 单 玲