智慧教育视野中的学习分析与个性化资源推荐

刘敏 郑明月

摘要：学习分析与个性化学习资源推荐是智慧教育的两个重要环节。该文采用准实验研究方法探索学习分析和个性化学习资源推荐的理论与实践问题。从学习风格、在线学习偏好、学习者知能结构以及学习者在线学习行为及结果等方面进行学习分析，对学习资源的内容、类型、资源的推荐时间以及频次等进行个性化的推荐设置。研究表明学习分析和个性化学习资源推荐为学习者设置了个性化学习路径，有利于提高学习者参与学习活动的积极性、提高学习者的学习成绩、改善学习者的知能结构，在一定程度上实现因材施教的教育理想，并对学习分析、学习资源推荐与学习者主体意识的关系进行了讨论，提出了提高学习分析与个性化学习资源推荐效果的策略。

关键词：智慧教育;学习分析;个性化;学习资源推荐

中图分类号：G434 文献标识码：A

一、问题的提出

作为教育信息化的新境界、新诉求，智慧教育引领教育信息化的创新发展[1]，成为教育领域的新热点。智慧教育最早的倡導者IBM在2009年提出了五大核心，其中之一即提供“个性化和多元化的学习路径”[2]。个性化和多元化学习路径的提供，是基于现代信息技术（大数据分析、移动通讯技术、物联网技术等）对学习者个体差异、个性化发展目标的尊重、认可和支持，也是践行《中国教育现代化2035》中所提出的教育应更为注重“因材施教”“面向人人”理念的有效途径[3]。

美国学者卡罗尔认为个性化教学是依据学习者的个性特征，使学习者与学习环境之间建立的关联关系。因此，个性化和多元化学习路径的实现，是依据学习者不同的目标追求、学习准备、学习风格与习惯、学习能力等个性化差异，使学习者与不同内容、不同序列的学习资源相结合，并在这一过程中根据学习者的学习效果、新的需求进行实时调整，从而实现学习者个性化智慧学习的过程。其实现，至少涉及两个方面的智慧教育环节：首先是学习者的学习分析，其目的是为个性化和多元化学习路径的实现提供依据;其次是个性化学习资源的推荐，即以学习分析的结果为依据，基于特定的原理和匹配机制，由智慧教育系统向学习者推荐相应的学习元资源序列，这是对个性化和多元化学习路径的具体实现。上述两个环节在智慧教育实践中所蕴含的诸如从哪些方面、如何对学习者进行学习分析，如何依据学习分析的结果进行个性化的学习资源推荐等问题是智慧教育过程无法回避的重要现实问题，本研究拟对此进行理论和实践探索。

二、相关研究

（一）学习分析相关研究

学习分析被Malcolm Brown视为教育技术发展的第三次浪潮[4]。2011年第一届“学习分析与知识国际会议”（International Conference on LearningAnalytics&Knowledge，LAK）界定了学习分析的三个核心要素：目的（理解和优化学习的过程与环境）、数据来源（学习者及学习者所在情境）和数据处理过程（测量、收集、分析、汇总）[5]。Muldner[6]认为学习分析有助于学习者学习情绪状态以及学习活动进展的自我监控，提高了学习者的学习动机，使学习者获得积极的情感体验。Verbert等[7]指出了学习行为（包含学生作品）、社交互动、资源使用、学习时间及练习和测试结果等五类可用于学习分析的数据源。Wolfgang Greller[8]等构建了包含分析目标、数据类型（开放的、受保护的）、分析方法（技术、算法、理论、其他）、约束条件（内部约束、外部约束）以及利益相关者（机构、教师、学生、其他）的学习分析要素模型。

国内学者魏顺平[9]认为学习分析有助于发挥学习过程数据的价值，使之成为决策和过程优化的重要依据。毛刚[10]研究发现学习分析及其反馈在时间管理、阅读速度、干扰控制等方面能有效激发学习者的元认知意识，促进学习行为的调整和优化。姜强等[11]基于Few仪表盘设计原则和Kirkpatrick四层评价模型设计学习分析仪表盘，其研究表明学习分析仪表盘提高了学习效率和动机，增强了学生的学习满意度。王怀波等[12]认为确定目标是学习分析的关键前提，学习分析的数据既包括学习者可直接观察获取的显性行为数据（学习者登录、检索、浏览、下载资料等），也包括学习者内部知识建构的隐性行为数据（学习者在线学习行为的相关内容）。

（二）个性化学习资源推荐相关研究

个性化推荐的概念在1994年由Resnick[l3]首先提出。此后，个性化推荐技术成为国内外相关领域的研究热潮。De-Marcos认为学习资源推荐是多目标组合优化问题[14]，对学习者进行建模以优化、组合适当的学习资源的内容和序列是其中最为关键的技术。Corbett[l5]、Baker[l6]、姜强等[17]、2achary[18]等学者根据学习者知识掌握情况进行了学习者建模;何玲[l9]根据学习者的兴趣和进度推荐学习资源;许多数字图书馆系统（如美国的My Library、Library@LANL、我国的浙江大学图书馆等）基于学习者兴趣进行建模推荐资源;陈晓丹等[20]利用神经网络基于学习者的认知水平推荐学习资源;Dascalua等[21]依据学习者的访问历史数据为学习者推荐学习活动和资源。

以上研究及相关成果为本研究提供了理论和方法上的有益借鉴，但上述研究存在两个问题：其一是学习分析的维度，要么是对学习者的兴趣进行分析，要么是对在线学习行为数据的分析，要么是对学习者内部的知识建构进行分析，或者是结合上述某两、三个方面进行分析，较少有研究能够将学习者看作具有自主性和能动性的统一主体，从学习者风格、偏好、知能结构、在线学习行为、主观学习需要和诉求等多个维度进行学习分析。其二，个性化推荐学习资源更多地体现在学习资源的具体内容、学习资源的推荐顺序等的不同，很少有研究考虑到学习者个性化学习时间及对资源推荐频次、学习资源类型的不同诉求，将推荐时间、频次及推荐的学习资源类型等纳入资源推荐的问题域。本研究试图基于这两个问题展开进一步的探索。

三、学习分析与资源个性化推荐模型及调整策略

以上述相关研究成果为依据，我们构建了学习分析与资源个性化推荐模型。如图1所示，学习分析和个性化资源推荐是两个密切联系的过程，其目的是尊重和基于学习者的个体独特性，定制并动态调整个性化资源的推荐来优化学习的过程，实施因材施教的智慧教育。其中，学习分析的数据来源有两部分，一部分是学习者独特的学习预备状态，包括学习者的知能结构、主观学习诉求、学习风格、在线学习偏好。另一部分则是学习者的个性化学习过程数据，包括学习者的学习行为数据、资源的使用、学习过程中与教师和其他同学的社交互动、完成的作业或作品情况、学习时间以及练习和测试的结果等。学习分析的结果成为资源个性化推荐的依据。显然，智慧教育过程中学习分析是一个持续的过程，资源推荐也是不断循环迭代以与学习者的个性化需求逐渐吻合的渐进过程。学习分析的各数据来源中，学习者的学习风格、在线学习偏好相对固定，学习者的知能结构和主观诉求则随着学习过程而变动，学习者的个性化学习过程数据随着学习过程不断生成和发展。学习资源的个性化推荐过程，是以对学习者的准备状态分析（学习之初的知能结构和主观诉求、学习风格、在线学习偏好等）作为基础，初步确定资源的内容、类型以及推荐的时间和频次等以生成初始学习资源，并在學习者应用资源的学习过程中逐渐调整的动态过程。

四、学习分析与个性化资源推荐教学实践

（一）实验设计

我们采用准实验研究的方法，在智慧学习及相关学习理论的指导下开展学习分析和个性化学习资源推荐的实践研究。研究设计如图2所示：首先建设“信息技术知识与教学能力”学习资源库作为研究的前提条件和基础资源。然后通过信息技术学科知识以及信息技术教学能力测试，选择知识与能力相近的28名学习者作为实验对象，并随机分为实验组和对照组（实验组与对照组在知识和能力方面均无统计学差异）。对照组学习者利用前期建设的资源库进行学习，实验组学习者则进行多角度的学习分析，依据学习分析结果推荐个性化学习资源，并持续分析学习者利用资源的学习过程和效果，以调整学习资源推荐的内容、类型、时间和频次。在为期8周的学习结束之后，通过对实验组和对照组学习者的比较分析、实验组学习者前、后测的比较分析来验证学习分析和个性化资源推荐的有效性。

（二）实验过程

1.“信息技术知识与教学能力”资源库建设

本研究以某师范大学教育技术学专业的28名本科生为研究对象。对于这个专业的师范生来说成为中小学信息技术学科教师是主要的就业方向之一。参加信息技术教师资格考试是大多数学生在大学三年级或四年级的必然选择。学生主观上有学习信息技术学科知识，提高自身教学能力的需求。因此，我们决定建设“信息技术知识与教学能力”资源库满足学习者的需求，使之成为研究的基础资源。研究中使用的资源库建设平台为Moodle365，其依据在于Moodle365平台是我国在线学习较为专业的服务平台，支持当前流行的慕课、微课视频教学功能，具有在线课程建设、教学过程和结果管理的各项功能，特别是平台提供了对学习者学习路径的设计与选择功能，可以较好地支持我们的研究。

依据舒尔曼的教师知识分类[22]，结合教师资格考试的考点及学生的实际情况，我们建立了包括学科知识模块、教学论知识模块、教学技巧模块、教学观摩反思模块以及牛刀小试模块等的“信息技术知识与教学能力”课程资源库。以信息技术教学论知识模块为例，如下页图3所示，在内容上整合学科内容知识和教学法知识，每一个知识点都包含教学目标、知识点讲解和训练、检测题等组成部分。另外，还根据学习者教师资格考试需求设置了“案例分析题型讲解”“教学设计题型详解”及《信息技术知识与教学论》模拟题等内容。资源呈现类型丰富，包含文字资源，插图、图表、概念图等图表资源，演示文稿，以及音频、视频资源等。

2.学习分析与个性化资源推荐

（1）学习风格分析

研究采用Felder-Silverman学习风格量表对实验组学习者进行学习风格测试。该量表以其易于区分学习者的优势，在技术支持学习领域的应用较为广泛。量表将学习者区分为四个维度八种类型（视觉型/言语型、活跃型/沉思型、序列型/综合型、感悟型/直觉型）。其中，视觉型学习者倾向于通过“看”来学习;言语型学习者倾向于通过“听”学习。活跃型学习者更依赖于学习环境，倾向于同教师或学习同伴互动交流的学习方式;沉思型学习者倾向于自我导向的、独立思考的学习方式。序列型学习者倾向于遵循逻辑的、小步调的线性学习方式;综合型学习者倾向于以整体式、跨越式思维综合所获得的材料。感悟型学习者喜欢学习事实性知识，不喜欢复杂或变化的事物;直觉型学习者喜欢学习抽象性的概念或理论知识，乐于创新并且有较强的创造力。

根据量表的计算方法，得出实验组学习者在各个维度上的测试结果如表1所示。其中的a或者b表明学习者在某一维度上倾向于前一种风格类型（a），还是后一种风格类型（b），a或者b前面的数值则表明倾向的程度，数值越大倾向性越强。由测试结果很容易得出实验组学习者的学习风格类型，如编号为01的学习者属于视觉/活跃/序列/感悟型学习风格。也就是说，编号为01的学习者倾向于通过图表、视频、概念图、图片等视觉化的信息来获取知识的认知方式;在学习过程中往往表现得较为积极，倾向于通过与教师、学习同伴的交流合作进行学习;喜欢按部就班，遵循一定逻辑的小步调的线性学习;喜欢学习事实性知识，更喜欢基于事实或者案例的学习方式。

（2）在线学习偏好分析

我国学者对在线学习偏好的研究还处于探索阶段。陈丽[23]从心理、生理和经验三个维度研究网络学习者的学习行为特征。彭文辉等[24]学者从信息的检索、加工、发布，人际交流、问题解决等维度对网络学习行为进行研究。李素珍[25]在彭文辉等的研究基础上，从生理、心理、情感、社会、环境等五个维度研究网络学习行为。本研究以李素珍的网络学习行为分类维度为依据，设计《在线学习偏好调查问卷》。其中，生理维度主要调查学习者偏好的学习时间、学习地点及学习频次;心理维度主要调查学习者对在线学习资源的心理偏好;情感维度主要调查学习者学习过程中的心理情感的倾向性，包括学习的坚持性、进行学习的情感因素等;社会维度主要调查学习者在线学习类型、交互态度及行为等方面的偏好;环境维度调查学习者对学习资源的背景颜色、背景音乐等的偏好。

通过对调查问卷的分析可以得出每—位学习者的在线学习偏好。以编号为01的学习者为例，调查表明其生理维度的学习偏好为：倾向于晚上在宿舍进行在线学习;一周大约在线学习1—3次，持续的时间约为30到45分钟;心理维度的学习偏好表现为：对视觉型学习资源（图片、视频等）更感兴趣，音频资源倾向于选择女性声音的资源，喜欢持续时间在15分钟以上的名师讲解等;情感维度上，该学习者基于学习责任进行在线学习，学习坚持性较好，能完成在线学习任务，偏好实践型的学习方式;社会维度上，该学习者能够积极参与学习交互，喜欢交流与合作;该学习者对环境不敏感，没有明确的学习环境偏好。

（3）学习资源需求分析

学习资源需求分析主要以信息技术教师资格考试要求为参照，分析学习者在信息技术学科知识及课程教学知识、信息技术课程教学能力等方面的现状和不足。本研究认为学习者所欠缺和不足的地方，意味着学习者需要进一步学习，也即学习者需要获得这些内容的学习资源，具有相应的资源需求，可以作为学习资源个性化推荐的依据。

研究中以历年信息技术教师资格考试真题为参照，设计了两套知识范围和难度相当的检测题，分别作为信息技术学科及课程教学知识的前测试题和后测试题。分析学习者前测试题f后测试题在研究后期效果评价时应用）的答题情况，作为学习者相关学习资源需求分析和个性化资源推荐的依据。测试题从内容上看涉及信息与信息技术、信息的来源与获取等15个知识模块。通过分析学习者答题情况，得到他们对各模块的理解及掌握水平。以编号为01的学习者为例，其对各模块内容的掌握情况并不均衡，信息与信息技术等模块的得分很高，表明该学习者对上述各模块内容有较好的掌握。对于信息管理与信息社会等模块的掌握情况良好，但还需要进一步的强化学习。信息技术教学媒体的选择、Photoshop基础操作等模块是01学习者掌握较差的模块，需要较多的学习和练习。

研究中通过说课测试学习者的信息技术教学能力。学习者抽取说课的课题，由两位有丰富教学经验的专业教师从教态（满分为1 5分）、语言表达（满分为20分）、板书（满分为15分）、教学设计（满分为50分）等四个方面进行评分。两位教师评分接近时取平均值作为最终成绩，评分差距较大时则通过协商来决定最终成绩。学习者信息技术教学能力检测结果如表2所示。以编号为01的学习者为例，其教态较为自然、充分利用肢体语言辅助教学。教学语言流畅、简洁，教学过程注意到声音的抑扬顿挫、跌宕有致，在教态、语言表达方面表现较为突出;但他板书设计的较为凌乱，也没能很好地体现教学的重点。教学设计上不能贴近生活，各教学环节在时间把握上也有所欠缺。

（4）個性化学习资源推荐与调整

为达到适时、适度、适当地为学习者推荐个性化学习资源的目的，研究设计了资源试用环节，时间为一周，以初步获取实验组学习者在线学习的各种数据。以实验前期对学习者的学习风格、在线学习偏好、学习需求等诸项分析的结果为依据，结合资源试用期的在线学习数据，为学习者进行了如下所述的个性化学习资源推荐：

个性化设置学习资源推荐时间的目的主要是尊重学习者的主观需求及其在线学习偏好，在学习者偏好的时间段或其有空闲的时间段推送学习资源。如编号为01的学习者，他习惯于在晚上进行在线学习，所以选择在晚上9点左右为他推送学习资源，以支持其晚上下课后进行在线学习。由于学习者在线学习偏好相对稳定，且学习资源推荐时间在整个实验期间并未收到来自学习者不适应反馈信息，所以没有进行调整。

资源推荐频次初步设定的依据主要是学习者的资源需求、学习偏好及资源试用周的学习数据。如，编号为01、05、07、08、09、11、12的几位学习者，其在线学习习惯较好，具有丰富的在线学习经验，试用期间访问次数为5次或略超过5次，所以在正式实验的第一周为他们设置的学习资源推荐频次是5次。编号为02、14的学习者，试用期间访问次数是4次，编号为03、04的学习者，试用期间访问次数为3次且具有在线学习经验、自我提高的需求较迫切，因此为这四位学习者设置的初始推荐频次都是4次。编号为06、10、13的学习者，试用期间访问次数小于等于3次，他们也倾向于每周3次左右的在线学习，因此为他们设置的初始推荐频次为3次。

学习资源的推荐频次在实验期间基于学习者的主观诉求、学习坚持性以及上周在线学习效果每周进行一次调整。以编号为01的学习者为例，基于推荐频次调整的计算公式f_n=f_n-1+cn₁+Cn₂+cn₃，其f₁设定为5，第一周学习结束后没有明确的主观诉求，所以C₂₁为0;第一周的学习坚持性较好，c₂₂值也为0;第一周学习过程中资源学习效果测试不理想，所以C₂₃为1，由此第二周该学习者的资源推荐频次为6。第三周中该学习者主观诉求系数、学习坚持性系数及学习效果系数均为0，资源推荐频次仍为6。第四周时，因其要求增加资源推荐次数，所以C₄₁为1，其它两个系数为0，所以学习资源推荐次数为7。第五周时学习效果系数C₅₃为1，其它两个系数为0，推荐次数为8。第六周至第八周三个系数均为0，推荐次数保持不变。

学习资源内容的个性化推荐情况如表3所示，其中A到0表示信息与信息技术、信息的来源与获取等学习资源模块，P到S表示教态训练等教学技能训练模块。1至14表示14位实验组学习者。

以编号为01的学习者为例，其知能结构中，信息技术的发展历程、Photoshop基础操作等知识模块掌握较差，板书设计能力、教学设计能力不足，因此在准实验过程中加强对这些内容的推荐。且依据其“视觉/活跃/序列，感悟”的学习风格特点及在线学习偏好，学习资源的推荐遵循知识之间的内在逻辑，推荐的学习资源类型以图片、文字、名师讲解视频为主，尽可能多地邀请他参与合作学习活动。具体推荐内容如下：在第一周为该学习者推荐了“信息技术发展历程”相关内容的学习资源，由于其学习后测试成绩较高，表明对该部分内容的掌握情况理想，所以在第二周为该学习者推送“信息加工与处理”模块。由于学习者对该模块内容掌握较差，因此第三周继续推送该模块内容，并在其掌握后推送“Photoshop基础操作”相关学习资源。第四周继续推送“Photoshop基础操作”模块，直到学习者较好地掌握该部分内容。第五周推送“学习者分析”相关资源，以加强这部分知识的掌握，并在学习者较好地掌握该部分后推送“板书设计训练”相关内容。在第五周检测学习者信息技术教学能力，发现其板书有所改进，但还存在布局不太合理问题，所以在第六周继续有针对性地推送“板书设计训练”模块资源直到学习者较好地把握该教学技能，然后推送“信息技术教学媒体的选择”相关资源，且学习者测试成绩较理想。第七周推送“教学设计训练”相关资源。针对学习者信息技术教学能力测试中教学设计方面存在的问题，在第八周继续推送“教学设计训练”相关资源。

（三）实践效果分析

1.学习者信息技术学科及课程教学知识分析

利用研究初期编制的测试题在实验开始和八周实验结束后分别进行测试，以检测学习者信息技术学科及课程教学知识的变化，测试结果如下页表4所示。t检验结果显示：（1）实验组前测和后测成绩有显著差异（t值为2.62，sig值为0.01小于0.05），即实验组后测成绩明显高于前测成绩，表明学习分析和个性化资源推荐实验显著提高了实验组学习者的信息技术学科及课程教学知识;（2）对照组后测成绩均值高于前测，但这种差异并不显著（t值为1.24，sig值为0.23大于0.05），表明对照组学习者利用“信息技术知识与教学能力”资源库的在线学习过程也提高了其信息技术学科及课程教学知识，但提高效果不显著;（3）实验组和对照组的前测成绩无显著差异（t值为0.0008，sig值为0.99大于0.05）;（4）实验组和对照组后测成绩有显著差异（t值为2.43，sig值为0.02小于0.05），即实验组后测成绩明显高于对照组后测成绩。上述t检验结果表明，在信息技术学科及课程教学知识的掌握方面，学习分析与个性化资源推荐的效果明显优于一般的在线学习。

比较实验组学习者各知识模块的前后测成绩，发现实验组学习者知识结构中薄弱模块的测试成绩有较明显提高，表明通过学习分析和个性化学习资源推荐，学习者的知识结构趋于合理、更加完善。以编号为01的学习者为例，其前测中成绩较低的信息加工与处理等模块，在后测中成绩都有较大幅度的提高。

2.学习者信息技术教学能力分析

研究中采用随机抽取课题说课形式对学习者的信息技术教学能力进行了四次测试。其中，第一次测试在研究初期学习者资源需求分析时进行，第二至第四次测试分别在准实验研究的第五周、第六周和第八周周末进行。测试结果如表5所示。从表5数据可以看出，实验组和对照组学习者信息技术教学能力均表现出逐渐提高的趋势，且实验组学习者提升的幅度大于对照组。从实验组和对照组平均分的t检验结果来看，学习者的信息技术教学能力在前三次测试中p值均大于0.05，差异不显著。第四次测试中两组平均分差异显著，即通过8周的准实验研究，实验组学习者信息技术教学能力平均得分明显高于对照组。

在第四次测试中，实验组学习者教学能力诸方面的平均得分均高于对照组（如图4所示），表明學习分析和个性化学习资源推荐在完善学习者教学能力方面也起到了积极作用。以编号为01的学习者为例，其第一次测试中板书设计（10分1和教学设计（30分1存在明显不足，经过有针对性的学习资源推荐和专项训练，在第四次测试中这两项教学能力得分有了明显提高（分别为14分和42分），信息技术教学整体水平得到提升。

3.学习者互动社会网络分析

整理学习者在资源学习过程中的互动数据，形成学习者互动二维矩阵。运用UCINET软件对互动矩阵进行分析，得到学习者的互动网络关系图f如图5所示）。图中的有向线段表示学习者之间的互动情况。该互动网络由28名学习者组成（sl至s14为实验组学习者，s15至s28为对照组学习者），网络密度为0.758，表明学习者之间的联系较为密切，所形成的互动网络的结构较好。其中，学习者sll、sl、sl0、s12、s25处于网络的中心位置，在学习过程中表现更为积极，发帖及回帖频率较高。学习者s19、s22、s26、s4、s14、s9、s21、s23、s18、s24处于互动网络的边缘位置，和其他学习者的交流与互动联系较少。从图5可以看出.实验组学习者比对照组学习者更为活跃，部分实验组学习者成为互动网络的中心，对整个互动网络及其他学习者有较大影响。

4.个性化资源推荐满意度调查

为了解学习者对学习资源推荐的主观感受，研究中对实验组学习者进行了个性化资源推荐满意度调查。调查结果显示，在学习资源推荐频次方面，22%的学习者表示非常满意，50%的学习者感到满意，21%的学习者满意度一般，只有1位学习者感到不太满意，她认为资源推荐的频次偏多，学习压力较大，完成学习任务有难度。没有学习者感到不满意。对于学习资源推荐的类型和内容，2g%的学习者表示非常满意，57%的学习者感觉满意，只有1位学习者认为推荐的资源内容一般，1位学习者表示不太满意（其表述的原因是感觉推荐的内容太多），没有学习者表示不满意。

五、结论与讨论

（一）研究结论

本研究运用准实验研究方法，对智慧教育的两个重要环节“学习者学习分析”和“给学习者提供个性化学习资源”及其所蕴含的诸多现实问题进行实证研究。通过准实验研究中前、后测对比分析、实验组与对照组学习者学习行为和学习结果的对比分析，得出如下结论：

1.学习分析和个性化学习资源推荐为学习者设置个性化的学习路径，有利于提高学习者参与学习互动的积极性、提高学习者的学习成绩、改善学习者的知能结构，在一定程度上实现因材施教的教育理想。

2.上述学习分析和个性化学习资源推荐取得的较理想效果，表明研究过程中对学习者进行学习分析的思路和实践路径是有效的，即：学习分析应当综合考虑学习者的学习需求分析（即学习者已有知能结构分析）、学习风格分析、在线学习偏好分析，以及学习者在线学习过程和结果分析。

3.本研究中学习分析和个性化学习资源推荐取得了较理想效果，还表明研究过程中对学习者进行学习资源个性化推荐的实现方法是可行的，即个性化学习资源推荐可以从学习资源的内容、类型、学习资源推荐的时间、频次等方面为学习者进行个性化学习资源的建构和推送。

（二）相关讨论

如上所述，学习分析和个性化资源推荐作为智慧教育环境中支持学习者学习的功能，提高了学习者在线学习的效果和质量。究其原因，一方面如上文所述，学习分析和个性化学习资源推荐为学习者提供了适恰的学习资源，另一方面，则在于其内在地影响了学习者的主体意识，从而帮助学习者在学习活动中确认自我、明确目标、积极参与、努力提高和探索。

1.学习分析增强学习者的主体意识

作为一种学习干预技术，学习分析试图从多个角度对学习者进行画像。就本研究所涉及的角度来看，首先，對学习者学习风格、在线学习偏好、学习者已有知能结构的分析，有助于唤醒和增强学习者的自我意识，帮助学习者从智慧学习活动系统和诸多学习活动中确认和区分“自我”，协调学习活动中“主体的我”对“客体的我”的意识，促使学习者明确自己的情绪状态、知能结构和学习需求，帮助学习者将智慧学习活动系统中的客体、工具、共同体等要素置于自我意识之下，通过自身积极主动的学习活动突显学习者作为学习活动主体的自主性和主动性。其次，对学习者在线学习行为及其结果的分析有助于增强学习者主体意识中的实践意识，促使学习者对智慧学习活动系统中自身的学习活动和学习行为进行再认识和再建构，使之从无意识走向有意识，从自在的存在转变为自为的存在。再次，学习分析在帮助学习者确认“自我”和规划学习的行为的过程中，使学习者明确自己在学习共同体中的权利和责任，有助于增强学习者主体意识中的关系意识（或社会意识），在智慧学习共同体中更好地处理自我与他人、自我与学习共同体之间的关系。总之，学习分析技术将学习者现状、需求、学习行为以及学习目标联结起来，同时将学习者与智慧学习活动系统中的其它要素（如客体、工具、共同体、规则和分工等）联结起来，增强了学习者的主体意识，突显了智慧学习活动中学习者的自主性、主动性、创造性和社会性。

2.学习资源推荐与学习者主体意识的冲突与一致

在智慧学习活动系统中，学习资源推荐本质上是一种学习干预技术，是智慧学习环境基于多角度、系统化的学习分析为学习者提供的有针对性、个性化的支持服务，具体表现为将特定类型、顺序的学习资源序列，按学习者偏好的时间和频次推荐给学习者，为学习者设置了个性化学习路径。而学习者的主体意识是学习者对自身作为学习活动全过程中主体的自觉意识，要求学习者对学习活动的方式、进程、顺序等自行规划和设计，主动地实施和自我评估。从理论上来看，前者属于学习路径和过程的他者设定和他组织（Heter-organization），后者则是自我设定和自组织（Self-organization），二者在理念上存在着某种程度的对立和冲突。

而在智慧学习活动系统中，二者则表现为互相促进、融合与一致。首先，学习资源推荐与学习者主体意识的目标指向一致，都是为了完善和发展学习者的知能结构，提高学习者解决问题能力、思维水平和创新能力。其次，在绝对意义上完全践行学习者主体意识需要某些前提条件，比如学习者是绝对成熟的“学习能手”、学习者对学习活动资源有着绝对的熟悉等。在现实教育实践中，这些条件往往并不成立，学习者不那么成熟，而且学习资源极为丰富、类型多样，绝对意义上的学习者自组织的学习很难取得理想的学习效果和效率，必须将学习资源推荐与学习者主体意识相结合。再次，在智慧学习活动系统中，由于学习者主体意识的增强，学习资源推荐被纳入到学习者的主体意识之中，成为学习者自组织的一部分，并且在学习资源推荐过程中将学习者对学习资源的类型、内容、顺序，以及推荐的时间、频次等的主观诉求作为学习资源推荐的重要依据，使二者相互融合、互相促进，表现出某种程度的一致性。

3.提高学习分析与学习资源推荐效果的策略

学习分析的效果影响着学习者画像的精准性、学习者学习需求分析的准确性、所进行的学习预测的可靠性以及资源推荐、个性化学习路径设置的效果。学习资源推荐效果直接影响学习者所获得学习资源与学习者知能结构、学习需求的适恰性。进而间接影响学习者的学习效果和效率。提高学习分析和学习资源推荐的可能策略有：（1）尽可能碎片化学习资源。将学习资源按照知识内在的逻辑切割成碎片化的资源，以实现学习资源推荐的细致化和精准化;（2）提供更为丰富的学习资源。提供所在领域覆盖面更广以及更深入的学习资源，对同一内容的资源则提供文字、图片、视频、音频等多种呈现形式以满足不同学习风格和学习偏好的学习者的需求;（3）提高学习分析的精准性。改进和完善学习者风格、学习偏好的测量量表，简化并完善学习者主观诉求的反馈机制，提高对学习者在线学习行为进行分析和学习者画像的精准性;（4）优化学习资源推荐算法。学习资源推荐算法包括关于学习资源推荐时间、频次的算法，基于学习资源内在逻辑的学习资源内容的推荐算法，以及综合学习资源内在逻辑、学习者风格及偏好的学习资源组织与呈现算法等。

受数据挖掘和学习资源推荐相关技术水平的限制，本研究中学习分析和学习资源推荐过程中包括了较多的人工操作。随着数据挖掘和人工智能等相关技术的进步，学习分析和学习资源推荐的自动化、智能化程度都将随之提高，学习分析和个性化学习资源推荐的效果也将逐渐增强，以更好地实现个性化智慧学习和因材施教。

参考文献：

[1]祝智庭.智慧教育新发展：从翻转课堂到智慧课堂及智慧学习空间[J].开放教育研究，2016，22（1）：18-26.

[2]Rudd J，Sullivan P，King M，et al.Education for aSmarter Planet：TheFutllre of Learning[EB，0L].http：，/www.red—books.ibm.com/redpapers/pdfs/redp4564.pdf'20 12—09—09.

[3]中共中央、国务院印发《中国教育现代化2035》[EB/OL].http//www.moe.gov.cn/jyb_xwfh/gzdt_gzdt/201902/t20190223_370857.htmd，2019_02_24.

[4][12]王怀波，李冀红等.目标导向的学习分析模型构建[J]中国电化教育，2018，（5）：96—102.

[5]siemens G，Long P.Penetrating the Fog：Analytics in Learning andEducation[J].Td Teenologie Didattiche，2014，46（2）：S866.

[6]Muldner K，Wixon M，Rai D，et al.Exploring the impact of a leamingdashboard on student afkct[C].Switzerland：Sp“nger internationalpublishing，2015_307一317.

[7]Verbert K，Govaerts S，Duval E，et al_Learning dashboards：anoverview and future research opponunities[”Personal&UbiquitousCoI11puti“g，2014，18（6）：1499—1514.

[8]Greller W，Drachsler}LTranslating Leaming into NuIIlbers：A Genericnmllework for Leaming Analydcs[J].JoLlmal of Educational Technology&Soeie'y，2012，15（3）：42—57.

[9]魏顺平.学习分析技术：挖掘大数据时代下教育数据的价值[J].现代教育技术，2013，23（2）：5—11.

[10]毛刚.学习分析作为元认知反思支架的效能研究[J]电化教育研究，2018，39（9）：22—27.

[11]姜强，赵蔚等.基于大数据的学习分析仪表盘研究[J].中国电化教育，2017，（1）：1 12—120.

[13]Resnick P，Iakovou N，Sushak M，et al[A].Grouplens：an openarchitecture for collaborative fihering of netnews[C].Chapel hill：InProceedings ofCSCW'94，1994.175一186.

[14]De—Marcos L，Pages C，Martinez J J，et al[A].Competency—basedLearnin9 0bjeet Sequencing using Particle Swarms[C].New YorkCity：Proceedings of the IEEE International Conference on T00LS withArtmcial Intelligence，2007.111—116.

[15]Corbett A T，Anderson J R.Knowledge tracing：Modeling theacquisition of procedural knowledge[J].User Modeling and Use卜Adapted Interaetion，1994，4（4）：253—278.

[16]Baker R S J D，Corbett A T，Aleven V[A].More Accurate StudentModeling through Contextual Estimation of slip and GuessProbabilities in Bayesian Knowledge Tracing[C].Berlin：Proceedingsof the 9th international conference on Intelligent TutoringSystems，2008.406一415.

[17]姜強，赵蔚等.基于用户模型的个性化本体学习资源推荐研究[J]中国电化教育，2010，（5）：106—111.

[18]Pardos Z A，Heffernan N T.Modeling Individualization in aBayesian Networks Implementation of Knowledge Tracing[C].Berlin：International Conference on User Modeling，Adaptation，andPersonalization.Springer—Verlag，2010_255—266.

[19]何玲，高琳琦.网络环境中学习资料的个性化推荐方法[J].中国远程教育，2009，（2）：67—69.

[20]陈晓丹，陈桂兰等.智能教学系统中认知学生模型的实现[J].信息技术，2010，（12）：18—21.

[21]Dasealu M I，Bodea C N，Moldoveanu A，et al.A recommender agentbased on learning styles for better virtual collaborative learningexperiences[J]Computers in Human Behavior'2015，45（C）：243—253.

[22]Shulman L S.Those Who Understand：Knowledge Growth inTeaehing[J].Educational Researcher，1986，15（2）：4—14.

[23]陈丽，张伟远等.中国远程学习者学习风格特征的三维模型[J].开放教育研究，2005，（2）：48—52.

[24]彭文辉，杨宗凯等.网络学习行为分析及其模型研究[J]中国电化教育，2006，（10）：3—5.

[25]李素珍.基于网络学习行为分析的网络学习风格与学习偏好挖掘模型研究[D].武汉：华中师范大学，2009.