基于知识图谱的网络学习评价研究综述

王川芳 姚苗苗

摘 要：随着互联网的普及，网络学习受到了广大学习者亲睐，如何评价网络学习效果则成为目前研究者关注的焦点。以CSSCI数据库收录的271篇文献作为数据来源，运用BICOMB与SPSS软件对网络学习评价的发展现状、热点问题及发展趋势等进行聚类分析，以期为未来研究提供参考。

关键词：网络学习；在线学习；学习评价；知识图谱

DOI：10. 11907/rjdk. 182400

中图分类号：TP3-0 文献标识码：A 文章编号：1672-7800（2019）005-0009-04

Abstract：With the rapid popularization of Internet of Things and intelligent environment， online learning has been favored by the majority of learners. How to learn the benefits or effects of online learning has become the focus of current scholars. This paper takes 271 literatures included in CSSCI database as data sources， uses BICOMB and SPSS software， analyzes the development trend of network learning evaluation through high-frequency institutions， authors， keyword frequency statistics， clustering and multidimensional scale analysis， etc. so as to provide useful references for future research.

Key Words： network learning； online learning； learning evaluation； knowledge map

0 引言

互联网的普及，推动了教育与学习方式的转变，使网络学习成为目前的主流学习方式之一。为进一步提升网络学习质量，需要对网络学习效果进行评价。因此，本文运用BICOMB与SPSS软件，通过关键词词频统计、聚类与多维尺度分析等方式对网络学习评价发展现状及趋势等进行研究。

1 研究方法与工具

1.1 数据来源

本研究主要以CSSCI作为数据库来源，以“在线学习评价”、“网络学习评价”为检索词，搜索时间不限。共检索到271篇期刊文献，作为该研究的分析样本。为了保证数据的权威性，将关键词“在线学习”替换为“网络学习”，将“混合式学习”替换为“混合学习”，将“MOOCs”替换为“MOOC”。

1.2 研究方法与工具

本研究将词频分析法、多维尺度分析法等方法相结合，主要研究工具为BICOMB词频分析和SPSS统计软件等工具，从而对网络学习评价发展现状、热点问题及发展趋势等进行聚类分析。

2 研究结果与分析

2.1 高产机构分析

为揭示我国网络学习评价的核心机构，本文对样本文献产出机构进行统计，选择发文量排名前10的高产机构，如图1所示。

从图1中可以看出，排名前五的机构是网络学习评价研究的主要机构。通过对比发现，除北京师范大学远程教育研究中心外，其它9所研究机构的发文量相差不大。

2.2 核心作者分析

本文采用BICOMB软件对文献中的第一作者进行统计，统计结果如表1所示。

从表1中可以看出，牟智佳、黄越岭、郑勤华等是网络学习评价研究的核心学者。其中发文量最多的为牟智佳[1-2]，其主要专注于教育大数据背景下的智能测评、电子书包环境下的个性化学习分析与学习评价等方面研究。

2.3 高频关键词分析

关键词可传递一篇文章的核心内容信息。为了精准计算出高频关键词，根据普赖斯定律，其计算公式为：M=0.749×[Nmax]（其中M为高频阈值，[Nmax]表示区间关键词被引频次最高值）[3]。

统计结果显示：关键词最高值为82，通过公式计算得到M=6.7。因此，确定频次在7以上的23个关键词为高频关键词，具体如表2所示。

2.4 关键词聚类分析

关键词聚类是指通过BICOMB软件将高频关键词生成词篇聚类，并将生成的数据导入SPSS软件中进行聚类分析，生成的知识图谱如图2所示。

聚类1：学习分析、个性化学习、在线学习行为3个关键词。学习分析的出现促进了个性化学习的发展。毛刚等[4]以学习分析技术为核心，建立了以学习过程、自我评价、同伴互评为主体的网络学习评价模型；牟智佳[5]对个性化学习进行详细分析，提出基于数据支持的肖像模型个性化学习实施方案；冯晓英等[6]探索在线学习行为与在线认知水平之间的关系，构建在线认知水平评价的学习分析模型。由此可见，网络学习评价既要注重教学质量评价，又要注重学习质量评价。学习有了技术支撑，可对学生学习过程进行记录并挖掘其行为数据，使评价更具有操作性。

聚类2：评价模型、评价体系两个关键词。针对如何高效实现网络学习评价，诸多学者进行了大量研究。卢宇等[7]提出一种采用改进LMBP算法设计的在线评价模型；惠兆阳等[8]运用模糊综合评价法，根据大学英语网络自主学习特点及学习者特征，构建了大学英语网络学习的量化与非量化评价指标体系，并设计了网络学习评价模型；唐文秀等[9]从学习态度、学习过程和学习效果3方面构建面向混合学习的五维评价模型；文献[10]借鉴已有成果建立新的评价指标体系，并基于学习过程数据挖掘对某課程进行自动评分。通过对文献的综述，发现在线学习评价研究主要集中于基于学习分析的在线认知水平评价模型、综合评价参考模型、网络学习评价模型、学习结果预测框架以及在线学习测评综合建模方法等方面[11]。

聚类3：MOOC、网络学习评价、网络课程、网络学习、自主学习、混合学习、学习评价、远程教育等8个关键词。MOOC近年来发展迅速，其教学质量也成为学者们的关注焦点[12]。有学者提出MOOC教育质量评估流程至少应包含4个阶段：评估准备、评估实施、评估分析、评估结项[13]。学习评价指标作为教学质量评价的核心，从资源、课程团队、学习用户、环境4个方面构建了MOOC传播效果评价指标体系[14]。在线课程作为对传统课堂的补充，主要从媒体技术、学习资源、学习活动、学习支持和联通度5个维度对其进行评价[15]。

聚类4：形成性评价、网络环境、学习活动、网络教学、评价5个关键词。

评价是对学习过程与结果的价值判断。研究样本中所涉及的在线课程评价方法主要包括专家评价法、层次分析法、正交试验法、模糊综合评价法、网络计量学方法及社会网络分析法等[16]。研究中还发现一系列新的评价方法和工具，如学习契约、量规、档案袋、绩效评价、学生自评、小组互评、教师评价等。该在线学习考评机制除注重总结性评价外，也能更多地关注过程性评价。由此可见，网络环境下的学习评价不应仅是基于结果的评价，还应对学习过程、学习效果及学习态度等进行全面评价。

聚类5：网络教育1个关键词。随着互联网+的逐渐普及，网络教育由于具有可随时随地学习等优势受到了人们欢迎。网络教育目标应从关注学习者“学会”到关注“会学”，学习者不仅是简单地接受知识，而是能自主探究学习内容，达到深度学习的目的[17]。为了提升网络教育质量，可构建“内部控制+外部控制”共同作用的“网络教育质量全域控制系统”[18-19]。针对网络教育质量评价，也有部分学者进行了研究，如黄越岭等[20]在情境学习理论基础上，深入探讨了网络学习情境性评价内容与策略。可见，网络教育质量评价需要贯穿学习全过程，是提升网络教学质量的一种有效手段。

2.5 研究趋势分析

图3为战略坐标图，用来表现网络学习评价发展趋势。图中圆圈表示关键词位置，圆圈越近说明关系越近，反之则关系越远。其中，学习分析、个性化学习、在线学习行为（领域1）位于第三象限，处于边缘位置，说明其发展尚不够成熟；评价体系和评价模型（领域2）目前研究较多，但其在实践中的应用仍然较少，应当加大实践力度，用实践结果证明模型、体系的合理性；MOOC等（领域3）横跨4个象限，其研究范围较广，但关键词之间比较松散，说明其需要在深度上进行拓展；形成性评价、网络环境、学习活动、网络教学、评价（领域4）是当前研究热点；网络教育（领域5）位于第四象限，说明对该领域研究较少。综上，在横向维度，学习评价主要针对评价体系、评价模型以及在线学习行为特征分析等方面进行理论探讨；在纵向维度，研究者们已开始关注在线学习质量、网络课程、网络学习等方面的实践探索情况。

3 研究结论

从人才培养方面来看，随着“互联网+教育”的逐渐普及，针对在线学习的研究也越来越多，相关领域发文量逐年上升，网络学习评价已引起研究者广泛关注。但从文献分析可以看出，国内研究人员的学术研究能力与合作能力尚有待提升。因此，教育部门需要加大力度资助该领域相关课题，以培养更高层次的学术队伍。

从评价体系与评价模型方面来看，在线学习评价领域内容从理论研究到实践应用，也是一个逐步发展的过程。根据不同理论，学者们构建出不同的模型与体系，但各体系和模型尚缺乏统一标准。另外，模型构建需要应用于实证研究，应鼓励学者积极参与实践，避免发生理论与实践脱节的现象。

从对学习分析的应用方面来看，目前国内平台虽然将学习分析融入到学习评价中，但由于收集的过程性数据不完整、对数据分析不够深入等原因，导致在线课程无法真正实现形成性评价。因此，对学习者的评价需要构建综合评价模型，通过多元化的评价数据对教师进行有效的教学干预。

从在线学习评价方面来看，以MOOC为代表的大规模网络课程的出现，为众多学习者提供了优质服务。目前针对在线课程的评价方式有两种：机器评价与同伴互评。但机器评价仅限于客观题，而学生评价也存在评价效率低下的问题。因此，需积极采用多样化的方法解决评价问题，培养学生的批判与反思能力。

4 结语

本文将词频分析法、多维尺度分析法等方法相结合，采用BICOMB与SPSS等可视化工具对网络学习评价的发展现状、热点问题及发展趋势等进行聚类分析。虽然当前网络学习评价尚未形成统一标准，但其为精准教学、个性化学习提供了契机。随着教育信息化2.0时代的到来，网络学习评价将为教育信息化发展提供强大推动力。

参考文献：

[1] 牟智佳，俞显. 教育大数据背景下智能测评研究的现实审视与发展趋向[J]. 中国远程教育，2018（5）：55-62.

[2] 牟智佳. 电子书包中基于教育大数据的个性化学习评价模型与系统设计[J]. 远程教育杂志，2014，32（5）：90-96.

[3] 王佑镁，伍海燕. 中国高教研究领域高频被引论文的学术特征分析[J]. 中国高教研究，2012（1）：33-37.

[4] 毛刚，刘清堂. 融入学习分析的网络学习评价模型与应用研究[J]. 远程教育杂志，2016，34（6）：20-27.

[5] 牟智佳. 学习者数据肖像支撑下的个性化学习路径破解——学习计算的价值赋予[J]. 远程教育杂志，2016，34（6）：11-19.

[6] 冯晓英，郑勤华，陈鹏宇. 学习分析视角下在线认知水平的评价模型研究[J]. 远程教育杂志，2016，34（6）：39-45.

[7] 卢宇，陈锦莹，谢静，等. 基于LMBP算法的在线学习评价模式研究[J]. 中国远程教育，2016（3）：28-32，80.

[8] 惠兆阳，梁玉，梅树美. 基于模糊理论的大学英语网络学习评价模型设计[J]. 中国远程教育，2012（2）：21-25.

[9] 唐文秀，石晋阳，陈刚. 混合学习五维评价模型的构建与应用——以“现代教育技术”公共课程为例[J]. 现代教育技术，2016，26（8）：89-95.

[10] 魏顺平. 在线学习自动评价模式构建与应用研究[J]. 中国远程教育，2015（3）：38-45，79.

[11] 毕磊，朱祖林，郭允建，等. 我国远程教育研究2016年度进展报告[J]. 远程教育杂志，2017，35（5）：15-26.

[12] 王瑩超. MOOC平台用户满意度评估模型研究[D]. 武汉：武汉大学，2017.

[13] 刘路，刘志民，罗英姿. 欧洲MOOC教育质量评价方法及启示[J]. 开放教育研究，2015，21（5）：57-65.

[14] 马瑞， 吴晓璇， 孙倩君， 等. MOOC传播效果评价指标体系构建研究[J]. 现代教育技术， 2015， 25（6）：71-77.

[15] 孙洪涛，郑勤华，陈耀华，等. 基于学习分析的在线学习测评建模与应用——课程综合评价参考模型研究[J]. 电化教育研究，2016，37（11）：25-31.

[16] 李运福，杨晓宏，周效章. 我国在线课程评价研究热点可视化分析与启示[J]. 中国远程教育，2018（7）：70-78.

[17] 李宝敏，祝智庭. 从关注结果的“学会”，走向关注过程的“会学”——网络学习者在线学习力测评与发展对策研究[J]. 开放教育研究，2017，23（4）：92-100.

[18] 郑勤华，时芝平，许洋. 网络教育学生感知服务质量的影响因素研究[J]. 中国远程教育，2013（12）：47-51，96.

[19] 曹中一，王红霞，朱颖. 论网络教育质量全域管理：战略择定与系统构建[J]. 中南大学学报：社会科学版，2015，21（4）：269-276.

[20] 黄越岭，朱德全. 情境学习理论视阈下的网络学习评价：体系与策略[J]. 中国电化教育，2015（2）：29-33.

（责任编辑：黄 健）