学习者模型可视化认同感分析与效能评测

姜强 潘星竹 赵蔚 王朋娇

[摘   要] 基于社会比较理论，学习者模型可视化不但有助于自我改进、强化及评价，具有元认知和自我调节学习价值，而且还能内化同伴的学习知识，激发学习动机，提升自我效能感，促进高阶思维发展。以美国匹兹堡大学的MasteryGrids自适应学习系统为例，利用问卷调查法，从有用性、感知性等方面对学习者模型可视化进行认同感分析，并采用曼惠特尼U检验分析方法和实验控制组对其效能进行评测。结果表明，学习者模型可视化所具有的特性验证了期待和信仰，可为在线个性化学习环境设计提供理论依据，尤其是解决学生持续学习能力差和低完课率等实际问题，确保在线教育的成功实施。

[关键词] 学习者模型; 可视化; 社会比较; 认同感; 效能

[中图分类号] G434            [文献标志码] A

[作者简介] 姜强（1978—），男，辽宁丹东人。副教授，博士，主要从事个性化自适应学习研究。E-mail：jiangqiang @nenu.edu.cn。

[Abstract] Based on the social comparison theory， the visualization of learner model not only contributes to self-improvement， reinforcement and evaluation， but also has the value of metacognition and

self-regulated learning. In addition， it can internalize the learning knowledge of peers， stimulate the learning motivation， enhance the sense of self-efficacy， and promote the development of high-order thinking. Taking the MasteryGrids adaptive learning system of the university of Pittsburgh in America as an example， this study adopts questionnaire survey to analyze the identification of the visualization of the learner model from usefulness， perception and other aspects， and uses Whitney U test and experimental control group to evaluate its efficiency. The results show that the characteristics of the visualization of the learner model verify the expectation and belief， which can provide a theoretical basis for the design of online personalized learning environment， especially for solving practical problems such as students' poor continuous learning ability and low completion rate to ensure the successful implementation of online education.

[Keywords] Leaner Model; Visualization; Social Comparison; Identification; Efficiency

一、引   言

随着大数据学习分析技术、智慧教育的发展，个性化自适应学习将成为大数据时代数字化学习的新常态，教育技术研究的新范式[1]。学习者模型是实现个性化自适应学习的基础，是系统个性化的核心驱动器，支持知识自适应呈现和自适应导航，一方面为学习者提供最适合的资源，另一方面避免了网络学习迷航与认知负荷等问题。目前多数关于学习者建模研究表现在学习者的学习风格、兴趣背景、认知水平、学习行为等个体特征[2]，忽略了人类学习的社会性。人类是社会性动物，形同“孤岛”环境中的学习将会有碍学习者知识和技能的形成、情感和价值观的塑造。在学习过程中，需要学生不断与同伴进行社会性学习比较，产生期待效应和个人行为动力，获取对自身稳定的认识，形成自我完善和自我满足，有效提高学生的学习成效。本文试图在阐述社会比较理论的基础上，研究它对学习者模型设计的启示及其认同感与效能评价分析，以期促进学生知识发展、学习投入、动机等。

二、社会比较理论

社会比较指将自己与他人进行比较，无意识地、自发地产生，其过程信息具有基本的进化价值，影响获得自我的知觉和评价以及自我提升、自我增强，准确了解自己的能力和局限性，一定程度上决定了自我概念、情绪状态和对未来的期望[3]。美国社会心理学家费斯廷格在社会比较理论中，提出了与他人比较学习能力、信念、态度等时会产生情感、认知、行为三种后果，并产生自我评价、自我强化、自我改进三种学习动机[4]。美国心理学家班杜拉在社会学习理论中提出，通过观察别的个体学习过程能够获得或失去某种学习行为，社会化学习有助于促进取得更好的成绩、改变动机、高阶思维发展、高满意度及自我尊重。苏联心理学家维果斯基在社会发展理论中明确了社会交互将会影响到認知发展，学生最近发展区体现在教师或同伴协作帮助下执行学习任务与独立解决问题之间[5]。美国社会革新论者库利在《社会组织》一书中提出，人的行为很大程度上取决于对自我的认识，而这种认识主要是通过与他人的社会交互形成，他人对自己的态度、评价等是反映自我的一面“镜子”，个人通过这面“镜子”认识和把握自己。奥地利裔美国社会学家舒茨在人际需要理论中提出，学生学习不是个体行为，而是群体行为，同伴学习信息可以提供导航支持。同伴是最好的教师，通过查看同伴信息，进行比较，有利于提高学习动机，改善教育活动参与度。

此外，人类学研究表明，学习者与同伴在互动比较过程中能够习得抽象的社会行为、信念与角色，进而适应特定的社会文化定势，跟上位学习者进行比较，会取得更好成绩，使学生的知识水平发生变化，如初级可以转变为中级，中级转变为高级。教育神经科学研究也证明，社会比较是构成人类学习的关键属性，引领学习环境设计的革新，是促进学习的强效活性剂。总之，通过与同伴的学习比较，不仅能够清晰了解到学习差距，更重要的是能够从同伴学习中获取到信息、知识和观念，促进社会规范在个体身上的内化、达到相互感染而奋发向上的一种教育方式。正如孔子所说“三人行，必有我师”“择其善者而从之”及孟子的“近朱者赤”。

三、社会比较下学习者模型可视化

社会比较的价值强化了有必要开启原有封闭式的“黑匣子”学习者模型，做到自我、教师、同伴及社会多种角色均能访问查看，实现学习者模型可视化（Learner Model Visualization，LMV），显性呈现学习者模型信息，并进行对比学习交流，不但可以理解自己，也能了解他人。

（一）解读LMV

LMV通常也称为开放学习者模型（Open Learner Model），是一种个性化工具，被图形化，很容易被理解。可采用很多方式建构LMV，比如采用进度条方式显示学生掌握知识程度，其中箭头方式表示学生知识程度，箭头颜色代表了知识概念重要性程度，箭头数量表示概念知识水平;也有采用技能表通过颜色标注学生理解正确的内容、理解错误的内容及未学习的内容。此外，更高级可视化方式，如模糊逻辑模型的文本解释、树形层级结构、贝叶斯网络图形表示、概念图谱等，勾勒出与学生相关的概念及概念间关系总体视图。LMV具有社会比较可视化功能，允许学生观看和反思自己的学习进展、知识掌握程度，以及学习活动，同时也能看到同伴学习信息，发现优秀学生，跟同伴学习知识、学习进展、学习绩效以及内涵出来的兴趣偏好进行比较，产生跟随。教师也能透视学习者在线学习行为，认识并理解最“真实”的学生，复习、重新设计教学策略，有针对性地给予个性化干预指导，从而有利于提高学习动机和学习参与，能够有效提高学习质量[6]。

LMV不仅实现了跟同伴信息进行比较，同时也能同自己的历史学习痕迹进行比较，也即时间比较。正如美国心理学家亚当斯在《社会交换中的不公平》等著作中提出的，处在极限目标比较的学生由于成绩继续上升的空间不大，引导他回头查看自己的学业成绩，能够进一步提升学习动力。此外，LMV具有多项功能，如促进元认知活动，如反思、计划和自我监控;允许学习者自我控制，鼓励学习独立性;促进协作或竞争;促进学生与同伴、教师、家长交互;促进资源、联系、问题或任务等导航;支持评价，尤其提供形成性和总结性评价;增强学习者模型数据准确性;提供学习者信任度;自身有权访问数字化数据。

值得关注的是，LMV的重要应用之一在于对个性化学习路径的可视化显示，引导学生有目的、有步骤开展自我学习[7]，同时有助于教师观察每个学生知识掌握动态变化，并作及时判断[8]。基于LMV所表现先前知识与自适应学习分析技术，图1显示“学生甲”的概念知识点测试及学习序列，从中能够清晰看出自己强项和弱项，也能激发学生思考所传递信息的正确与否，回顾学习历程。

“学生甲”的知识点测试与学习的可视化路径为Q3（S1）—>Q7（S1），Q3（S2）—>Q10（S2），Q1（S3）—>Q4（S3），Q9（S3）—>Q10（S3）。其中R1为“True（是）”，表明了学生对领域知识1具有一定先前知识，学习测试将从问题Q3开始，R2为“True（是）”，表明了学生已经掌握了领域知识1，不需要完成其后续知识，可以跳转到领域知识2，R3为“False（否）”，表明了学生需要按着常规学习路径进行学习，R4为“True（是）”，表明了学生在领域知识3中可以进行跳跃式学习。

（二）LMV研究现状

国外关于LMV问题研究起步较早，英国伯明翰大学Susan Bull教授很系统地研究了学习者模型可视化，描述了在自适应学习环境中，应用开放学习者模型框架，并采用了眼动研究实验方法，结果表明，学习者模型可视化有助于看到自己的知识掌握程度，提高学习者元认知能力，促进自适应知识学习导航，发现学生的迷思概念，有助于更好地评价学习[9]。美国卡耐基梅隆大学Yanjin Long 和 Vincent Aleven两位博士利用智能导学系统，通过练习小学数学计算题实验研究，证明了LMV能够有效促进学习成绩提高，同时能够更好地支持元认知和自我调节学习[10]。美国匹兹堡大学I-Han Hsiao在其博士论文中，将LMV应用到多个自适应学习系统中，如SQL-tutor、QuizGuide、Comtella、JavaGuide、KnowledgeSea、Progressor、QuizMAP、Parallel IntrospectiveViews等，分析LMV使用的易用性、学习的易用性及分享学习信息涉及个人隐私等问题，研究结果表明LMV支持学习内容导航，提高学习动机，增强学习质量[11]。泰国研究者Nilubon Tongchai也强调了将LMV嵌入到Moodle中，展开的混合式学习模式，不但利于提高学生学习成绩，而且利于教师监控学生的学习过程[12]。澳大利亚学者YongWee Sek等人把LMV作为一种有效的个性化可视化工具，利于提升自我反思，目的在于提高教與学[13]。希腊比雷埃夫斯大学的Fotis Lazarinis和Symeon Retalis两位学者研究表明，LMV支持教学决策，有助于创建一个更可信的学习者模型，促进学习过程，便于学生深度理解学习优势和不足[14]。新西兰坎特伯雷大学的Antonija Mitrovic提出了在基于约束模型建构的智能导学系统中嵌入LMV，能对学习绩效和元认知技能产生重要的积极影响，有助于学生选择学习知识点，提高自我评价能力[15]。

与国外相比，国内关于学习者模型可视化问题研究较少，处于发展阶段。华东理工大学的胡庆春和黄勇两位学者采用问卷调查方式，研究表明，LMV有助于促进在线学习中同伴交互评价[16]。王丽萍博士从开放的目的、开放的内容、开放的形式和开放的对象等四个角度分析和描述了学习者模型可视化问题，提出了LMV有助于协作与竞争，促进学习者反思、规划和监督学习，提高学习绩效[17]。

（三）LMV的价值：元认知和自我调节学习

元认知是认知的高阶思维，与认知知识、规则和监控相关，包括推理和反思学习活动，控制认知技能和过程，思考、检测和调整思维、问题解决方法和学习习惯，已被教育、心理和人工智能等学科领域广泛吸纳，尤其探究支持元认知技能发展的方法，如自我解释、反思。LMV能够通过显性和隐性方式呈现学习信息，且能与同伴学习进展、绩效等信息进行比较，提供自我反思、评价和监督机会，培养元认知能力，从而支持深度学习，发现知识学习中存在的内隐不足。通常，用于支持元认知的LMV事件表现在捕获、记录等行为上，比如LMV相关的学生行为和交互日志为元认知提供了关键证据源，有助于学习者认识到自己的元认知过程。一个潜在任务是基于数据挖掘技术，利用LMV去解释和评价元认知行为。通常，可以采用自我报告、活动日志、学生与系统交互中的反馈推断等3种技术方法测量元认知，实时获取到自我报告元认知状态，以便更好地理解学习中存在的弱点，有助于更好地计划学习活动，同时呈现学习者及同伴的学习行为序列，更好地监控和计划学习任务，进而支持元认知过程，促进发展元认知技能。

自我调节学习具有元认知、动机和行为执行者等关键特征，在元认知过程中，学生能够制定计划、目标，组织、自我监控和评价，学习选择和执行策略，从而获得技能;在动机过程中，学习者具有高度自我效能感，自我归因和内在任务兴趣;在行为过程中，学习者能够选择结构，创建环境，优化学习。英属哥伦比亚大学Butler提出了自我调节学习四阶段：知识和信仰、目标选择、策略和监控[18]。LMV有助于四阶段发展，比如知识和信仰，LMV可以向学生自我效能感信度设计抵触信息，学习者可以跟其他同伴信息进行比较，有助于提高自我信念。关于目标，LMV所呈现的反馈信息能帮助学生设定目标，在导航内容中作出一个好的抉择;确定一个适当的策略去达到目标可能是困难的，尤其当学习者不是很熟悉学习任务的时候，LMV能够使用其他学生的学习历史信息实施导航帮助;监控学习过程需要LMV中的反馈信息（如当前目标、学习活动进展）支持。

四、学习者模型可视化认同感分析

尽管已有研究证明了LMV有助于提高教与学效率以及从理论层面上体现了LMV价值，然而采用LMV是一个非常复杂的过程，受到很多相关因素的影响，比如个体学习偏好特征和在线接口特征，将会直接影响学习者使用LMV的态度。其中学习偏好指接受、处理、评价、理解和利用新技术技能，因此，有必要重点调查分析学习者对LMV使用的认同感，进而优化LMV设计。

（一）研究设计

本研究主要从有用性、感知性等方面调查分析学生对LMV的认同感，采用李克特5分制量表，从“1”代表“极不同意”到“5”代表“非常同意”。选取了合作导师美国匹兹堡大学国际知名自适应学习研究专家Peter Brusilovsky团队研究中心（Personalized Adaptive Web System，PAWS）——MasteryGrids自适应学习系统[19]，内嵌开放学习者模型，实现学习信息可视化（如图2和图3所示）。其中，如图2主要显示了学生在MasteryGrids中“SQL数据库”课程学习进展及掌握情况（深色代表着知识掌握程度高），图3显示了学习者与班级学习进展比较，同时能清晰看出个体在整个班级学习中所处的位置。

以 “SQL数据库”课程学习为例，有103名学生（大学三年级和硕士研究生）参与实验，其中14人从未登录Mastery Grids系统，被排除。对剩余89人进行调查分析，其中有43人未采用LMV（组1），45人采用LMV（组2）。最后，通过IBM SPSS软件对两组学生关于LMV的认同感进行描述性统计。

（二）数据统计分析

1. LMV的有用性分析

依据图2，同时对两组学习者进行调查分析，结果见表1。

由表1可知，组1（未采用LMV）对LMV有用性评价总体均值为3.68，而组2（采用LMV）对LMV有用性评价总体均值达到3.93，且该组学生对多个问题评价均值都超过4.0。显然，组2给出了更为正向积极的答案，多数人认为LMV能够有助于更好地理解知识组织结构，看清自身的学习弱点以及愿意看到自己的学习进展，并表示了采用不同强度的绿色进行标注更易理解等。但是在问到LMV是否有助于制定学习计划的环节时，从反馈均值可以看出LMV的作用不是很明显。此外，问卷反馈中第3个问题两组答案差异最大，进一步证明了学生非常渴望能够跟踪并监控自己的学习进展。

2. LMV的感知价值分析

依据图3，分别对两组学习者进行调查分析，结果见表2和表3。

根据表2（组1学生对LMV的感知价值反馈结果）和表3（组2学生对LMV的感知价值反馈结果）中的评价结果，可知表2中第1问题均值与表3中第2、3和5问题均值差异比较明显，说明组2学生更加肯定LMV的感知价值。值得关注的是，表2中第2问题均值与表3中第10问题均值差异不明显，说明了LMV激发学生学习积极性不是非常强。

表3中第2、3和5等三個问题描述了与小组学习进展的比较，第6、8等两个问题描述了同伴学习进展信息，从反馈均值看学生对LMV给予了肯定判断，认可LMV价值特性。从第4、9等两个问题反馈均值看，学生认同采用颜色不同程度标注学生的学习进展及对知识的掌握程度。表3中第12个问题是一个消极问题，从反馈均值结果看，通常学生不认可社会比较学习后所产生的负面影响。另外发现，第11个问题反馈均值较低，说明学生比较看重个人隐私信息，类似第13个问题，从反馈均值看更加证实了要注重保护信息隐私，这涉及伦理道德问题。

此外，在开放式问题中，多数学生也对LMV给出了积极肯定观点。正如有的同学表示，“从开始，我就感觉它非常有用，使我有权力查看他人的学习模型，进行学习比较，引发学习思考，同时也允许他人访问我的学习模型，非常公平”“利用它可以看到同伴出现的迷思概念，能够警惕自己避免犯同样的错误”“有了它，我可以很轻松找到同伴，寻求学习上的帮助，帮我解决困难问题”等。当然也有个别学生表达了否定观点，如“是否能查看到同伴的学习进展没有关系，我有我自己的学习计划，只关心自己的学习情况就好”“我不想将自己的学习模型信息向同伴开放，因为不想自己的学习等级水平成为他人衡量学习成绩高低的标杆”等。

五、学习者模型可视化效能评测

（一）学习效率分析

本研究采用曼惠特尼U检验分析方法，针对组1（未采用LMV）和组2（采用LMV）的4周学习，主要从作用在不同实例上的学习时间（单位：分钟）分析LMV对学习效率的影响，统计结果见表4。

从表4中看出，两组在学习每个实例、问题、活动及查看知识结构等所用时间存在显著差异，组2学生所用时间要低于组1，学习效率要高，尤其在查看知识结构方面差异最大。究其原因在于，LMV具有社会导航支持的作用，为学习者提供可视化学习路径、内容;同时，通过LMV可查看他人的学习信息，有助于促进学习动机，引导学生试图超越他人的想法。

（二）学习成绩分析

本研究组1（未采用LMV）定为控制组，组2（采用LMV）定为实验组，实验分析前，每位學生进行前测，规定至少尝试做5道题，排除个别差异，最终确定组1为41人，组2为42人，且两组学生的知识水平没有显著差异。同时，根据每个学生的成绩确定了每组学弱生和学优生，其中前测分数低于平均值25%为学弱生，其他为学优生，结果显示，组1中有学弱生29人，学优生12人，组2中有学弱生23人，学优生19人。在4周的学习过程中，两组学生都进行后测，部分数据分析结果见表5。

从表5看出，组2中学弱生学习成绩提升最为明显，由前测2.7提高到后测6.2，而学优生学习成绩提升效果不明显，且组1和组2中的学优生学习成绩并没有显著性差异，分析原因在于，学弱生更倾向于利用LMV作为学习工具，学优生自我调节学习能力强，有时会按照自己的意愿学习，忽略了LMV给出的学习导航。由此可见，LMV对学弱生学习干预指导更有作用。此外，表中数据显示抛弃问题数量和尝试解决问题次数，组2学生对应比组1学生要少，原因在于，LMV提供了鼓励反思、自我评价的机会，帮助学生进行自我调节学习和社会比较学习，从而可以掌控自我学习，选择活动序列，使学习效率更高。

六、结   语

本研究通过文献述评、理论探讨、问卷调查及实验对比分析，充分肯定了社会比较视域下的学习者模型的可视化价值。首先，它有助于理解和控制系统适应性，同时，利于学生感知自己的学习信息，包括已掌握概念和迷失概念;其次，学生能够积极参与到模型建构过程中，提高了学习过程中的自我意识、自我控制，有助于学习者在面临失败时，作出更好的自我判断;第三，LMV能够促使学生审视自己的知识能力，有助于取得更好的元认知水平，促进自我调节学习，同时允许学习者查看同伴学习进展，跟班级其他学生进行比较，提高学习动机。此外，通过实验对比分析证实了LMV对学弱生学习更有帮助，在问卷调查中数据显示学生对LMV给出了肯定评价。当然，LMV也存在不足之处，比如，若LMV呈现教学资源（学习信息）很复杂，难以理解，使学生产生挫折和不满意，干扰学生使用LMV;再或者部分学生会感觉到向同伴或教师分享学习进展很不舒服，尤其跟比自己强的人比较时会产生嫉妒、敌意、挫折等消极的情感体验，同时产生自卑感。针对上述现象，如何做到精准预测并实施有效的干预和疏导，将是下一步研究工作的内容。

[参考文献]

[1] 姜强，赵蔚.个性化自适应学习研究——大数据时代数字化学习的新常态[J].中国电化教育，2016（2）：25-32.

[2] 菅保霞，姜强，赵蔚，李勇帆.大数据背景下自适应学习个性特征模型研究——基于元分析视角[J].远程教育杂志，2017（7）：87-96.

[3] 郭淑斌，黄希庭.社会比较的动力： 动机与倾向性[J].西南大学学报（社会科学版），2010（4）：14-18.

[4] FESTINGER L. A theory of social comparison processes[J]. Human relations， 1954（7）： 117-140.

[5] VYGOTSKY L S. Mind and society： the development of higher mental processes[M].Cambridge， MA： Harvard University Press，1978.

[6] 姜强，赵蔚，李勇帆，李松. 基于大数据的学习分析仪表盘研究[J].中国电化教育，2017（1）：112-120.

[7] 姜强，赵蔚，李松，王朋娇.大数据背景下的精准个性化学习路径挖掘研究——基于AprioriAll的群体行为分析[J].电化教育研究，2018（2）：45-52.

[8] 徐墨客，吴文峻，周萱，蒲彦均.多知识点知识追踪模型与可视化研究[J].电化教育研究，2018（10）：53-59.

[9] BULL S. Student models that invite the learner in： the smili open learner modeling framework[J].International journal of artificial intelligence in education， 2007，17（2）：89-120.

[10] YANJIN L，VINCENT A. Supporting students self-regulated learning with an open learner model in a linear equation tutor[C]//Artificial intelligence in education. Berlin Heidelberg：Springer-Verlag， 2013：219-228.

[11] I-HAN H. Navigation support and social visulization for personalized e-learning[D]. Pittsburgh：University of Pittsburgh，2012.

[12] TONGCHAI N. Impact of self-regulation and open learner model on learning achievement in blended learning environment[J].International journal of information and education technology， 2016，6（5）：343-347.

[13] YONGWEE S. Investigating learner preferences in an open learner model program： a Malaysian case study[C]// The 25th Australasian conference on information systems. New Zealand： Auckland University Press， 2014：1-9.

[14] LAZARINIS F， RETALIS S. Analyze me： open learner model in an adaptive web testing system[J]. International journal of artificial intelligence in education， 2007，17（3）： 255-271.

[15] MITROVIC A. Evaluating the effects of open student models on learning[C]//Adaptive hypermedia and adaptive web-Based systems. Berlin Heidelberg：Springer-Verlag，2002：296-305.

[16] QINGCHUN H， YONG H. The design of open learner model to improve interaction of peer assessment in online learning[C]//The 10th international conference on computer science & education. UK：Cambridge University Press，2015：310-315.

[17] 王麗萍，赵蔚等. 开放性社会学习者模型的研究进展视图[J].现代远程教育研究，2015（2）：104-112.

[18] BUTLER D L. Feedback and self-regulated learning： a theoretical synthesis[J]. Review of educational research，1995，65（3）：245-281.

[19] BRUSILOVSKY P. The value of social： comparing open student modeling and open social student modeling[C]//User modelling， adaptation and personalization. Switzerland： Springer-Verlags， 2015：44-55.