数据驱动下的4MAT学习力培养模型设计研究

陈秋兰 郑思东

“自然学习模式”（Nature Learning Design）也称之为“四元学习循环圈” （4MAT Learning Cycle），是伯尼斯·麦卡锡（Bernice Mc Carthy）在总结前人研究的基础之上提出的[1]。该模式建立在体验学习理论基础上，将学习者按照学习偏好划分成为“想象型学习者”“分析型学习者”“常识型学习者”“创新型学习者”四种风格类型，提出了兼顾多种风格类型学习者的学习循环圈。在自然学习模式中，学习者基于直接体验，经历反思观察，形成抽象概念，主动应用体验和解决问题，将新知识和技能融会贯通并为新一轮的学习循环做好准备。循环圈学习能保证学生理解深刻到位，教学指导平衡协调，能满足所有学习者的合理需求，很好地培养学习者的学习力。

学习力（The Power Learning）就是把知识资源转化为知识资本的能力[2]，其最初源于管理领域，后被迁移到教育领域，主要研究教学中如何构建学习者的学习力以促其有效终身学习。学习力大体上可以认为是学习动力、学习能力、学习毅力、学习互惠力和学习创造力五大要素的叠加[3]。学习动力包括学习需要、学习目标、学习兴趣、自信心、情绪情感、外在压力等要素，主要是指学习的动机和需要。学习能力是指学习主体根据条件的变化不断获取新知识的能力，即学习方法和学习策略。学习互惠力主要包括自我反思、学习迁移和动作操作等要素，是指将学习成果转化为实际的能力，它主要解决的是“学以致用”的问题。学习创造力是指学生在认识和理解已有知识的基础上，发现和创造新知识的能力。学习毅力具体包括学习的坚持性、自我控制能力和自信心等要素，主要是指自主学习、克服困难、集中精神、排除干扰，坚持学习的能力，主要解决的是持续学习的问题。因此，学习力实际上是人们获取知识、分享知识、使用知识和创造知识的一种综合性的能力，内涵十分丰富。

随着信息时代的到来，突破传统教学条件限制，将教学与信息技术相结合将是实现提高学习力的可能路径，对信息技术环境下相关学习设计具有一定的参考价值。本文从数据驱动教学的视角出发，进行4MAT模型下的学习力培养的设计与实践，为更加准确、客观地辅助学习者学习，提升学习效果与学习力。

一、数据驱动下的4MAT学习力培养模型

数据驱动下的4MAT学习力培养模型有一个动力核心，驱动支持、能力和风格三个圈层顺时针运行;信息感知和加工构成直角坐标系，将三个圈层划分成四个象限。具体见下图。

1. 动力核心

数据驱动和学习毅力作为学习模型的动力核心，数据对学习起支持和推动的作用，毅力对学习起维持和保障的作用。数据驱动作为外因，学习毅力作为内因，共同驱动学习的发生以及学习力的培养和提高。

2. 两个坐标

根据自然学习设计理论，分别以信息感知和信息加工两维度作为横、纵为坐标轴，构成一个平面直角坐标系，划分出四个象限。

根据信息感知的方式划分为形象思维与概念抽象两类。感知偏好是决定学习风格的主要因素之一。这两种感知方式同样宝贵，各有其优劣。在感知维度上，数字资源组织提供的具体经验与交流互动中形成的抽象概念作为两个方向。

根据信息加工的方式划分为反思学习与经验学习两类。这是人与外在世界建立有意义联系的两种方式，它们同样各有优劣。在信息加工维度上，智能化的过程引导促进反思观察和数据结果反馈所触发的主动实践互为两极。

3. 三个圈层

数据作为支持圈层，学习力居中作为能力圈层，学习风格在外侧。三者的关系为：数据驱动促进学习力的发展，学习力支撑学习风格的完善。

支持圈层：基于数据的精准问题分析和基于分析的精准支持服务，发现适合学习者的学习过程与资源，从而最大化改善学习效果。以学习者的需求为导向，以学习者的学习过程中生成的数据为依据，且最终以学习者采用数据的效果进行价值判断，以便进行新一轮的学习。

能力圈层：在数据的支持下，能够有效提升学习力。学习力是发动、维持、推进、改善与创新学习的能力的组合，是终身学习的前提和基础。在数据驱动下，学习力的个性化特点被进一步的放大和突显。

风格圈层：学习风格因性格、气质以及生活经验、教育背景等的差异而不同，每个学习者的学习风格都是独特存在的。个性化的学习力满足不同学习者的学习偏好，帮助其完善学习风格，再根据自身特点发展优势素质、获取需要的知识和技能。

二、4MAT模型下关键要素的相互关系

学习者的学习偏好促进了学习力的个性化发展，个性化的学习力形成了不同类型的学习风格，学习风格综合体现了学习偏好的外显特征。数据对学习过程起支持和驱动的作用。

1. 学习偏好是学习力差异发展的原因

每个人的感知偏好是长期以来逐渐形成的。这种独特取向主要包括直接感受和理性思维两种方式，前者很大程度上取决于直接体验，后者主要依赖抽象概念。个体间学习方式的另一个差异，就是对信息进行加工的方式不同。一些人一下子能够抓住事物的发展方向，而另一些人则冷静地观察所看到的东西，同时在采取行动前善于反思;有些人“用心反思”，有些人“付诸行动”。

从心理学和教育学的角度看，学习力是指学习者个体吸收、运用知识并改变学习、工作、生活状态的能力。从这个角度讲，学习力本质上就是感知信息和加工信息的能力。由于个人感知信息的途径各有偏好，加工信息的方式各不相同，所侧重的学习力要素也自然会随之变化，因此，不同学习者的学习力也呈现出明显的个性化特征。可见，学习偏好会导致学习力发展的差异。学习力的个性化发展是“因材施教”的必然结果。但是，这种差异应该控制在一个适合的范圍内，应该是兼顾学习力中各个因素的整体发展基础之上的个性化发展。

2. 学习力是学习风格形成的基础

在学习力整体发展的前提下，学习力中某一要素的突出优势，是最终形成并完善相应的学习风格的条件和基础。

根据4MAT模型，“学习动力”能激发思考，依据学习者曾经直观经历过的事物，分析其所具有的价值，从而产生有价值的内容。通过直接感受进行形象思维型偏好，与习惯冷静观察的反思学习型组合起来，显示出想象型学习者的特征。良好的“学习能力”提高了对概念、知识的理解，形成科学合理的科学认知的过程;习惯冷静观察的反思学习型偏好，与理性思维形成抽象概念型的组合，形成了分析型学习者的基本特征。“学习互惠力”推动了充分地运用掌握的知识，迁移到其他情景中的欲望。通过理性思维形成抽象概念型的偏好与喜欢付诸实施的经验学习型的组合，发展成了常识型学习者的特征。“学习创造力”能更好地通过直观体会具体的感受，结合动手实践的经验，给学习者带来“灵感”的火花。付诸实施的经验学习型偏好与通过直接感受进行形象思维型的组合，培养了创新型学习者的特征。

4MAT模型认为，这四种类型的学习风格不存在价值优劣的判别，它们之间有一定的互补性。

3. 学习风格是学习偏好的综合体现

“自然学习模式”认为学习风格就是学习者感知的偏好与加工信息方法偏好相结合的综合体现。由于每个学习者的内在性格、知识结构、工作经验、生活阅历、教育背景等存在差异，这必定会导致每个学习者的学习偏好和学习力不尽相同，由此所形成的学习风格也各具特点。

因此，4MAT模型在设计中最大限度地兼顾各种学习风格，以期在个性化发展的同时，更加全面地发展学习者的各个学习力因素。比如，认识知识价值，建立学习心向，创设具体体验，激发学习动力，体现为想象型学习风格;获悉科学知识，丰富自身结构，运用多元方法，提高学习能力，体现为分析型学习风格;指向知识应用，致力问题解决，创设练习机会，促进学习互惠，体现为常识型学习风格;思考价值判断，关注整合知识，融入个人特色，致力学习创新，体现为创新型学习风格。

4. 数据对学习过程起支持和促动作用

“自然学习模式”认为学习在开放的氛围下进行，让知识在思想碰撞中得以增长。学习者要在交流和沟通中相互启发，获取知识并加以分享。数据支持的学习对知识的产生更加有利，而且便于知识在交流中分享和传播，因此，数据支持的学习比传统学习方式的效率更高。

数据驱动包括资源组织、过程引导、交流互动和结果反馈四方面。资源组织包括资源模块的设置与更新，以及各模块、各资源的有序排列等。合理的资源组织可以提升学习效率，减少学习者因反复选择资源而造成的消极情绪，提升优质资源的利用。过程引导指学习者遇到学习障碍或表现懈怠时，为其提供相应引导使学习顺利进行，如学生因不知接下来该学什么而导致学习中断，教师可为其呈现相同风格的同伴学习路径，供其参照与选择。交流互动则为学生探讨问题、交流心得提供更多渠道，是人员与交互支持的综合体现。若学生难以理解某知识点，可以向该部分知识掌握较好的同伴请教，同伴为其讲解时亦能进一步厘清自身思路，深化认知。结果反馈指将练习成绩、应进一步学习的知识点等信息反馈给学生，帮助学生弥补知识空白、调整学习步调，属于引导性支持。

资源组织与过程引导是网络学习持续有效进行的必要措施。交流互动与结果反馈是促进学习者积极学习、深入学习的重要手段，是在资源组织与过程引导基础上进一步改善学习效果、完善学习过程的进阶性支持服务。

三、数据驱动下的4MAT学习力培养设计途径

根据自然学习设计理论，将三个圈层的内容分别归属于“Why”“What”“How”和“If”四个象限中。每个象限都是相邻两个坐标轴的组合。数据生成、需求分析、支持提供、学习决策在四个象限上的轨迹构成闭合回路，数据生成是基础，需求分析与支持提供是关键，学习决策是价值体现。只有数据支持被学习者接受且产生正向引导作用，促进学习力的提高，更好地符合不同学习者的学习风格偏好，其设计与实践才有意义。学习力愈加突显了其在数据驱动的学习过程中具有的重要地位。

1. 为意义而教——需求分析激发学习动力

4MAT象限1核心内容是回答“为什么”的问题，使学习者认知到学习新知识的价值，激发学习者的学习兴趣。学生在这一环节的主要学习任务是与新知识间建立联系，聚焦学习内容;教师的任务是为学习者创设具体体验，以激发学习动机。

需求分析通过学习过程中生成的行为、成绩等数据分析学生的需求与存在的问题，从而激发学习力中最具有激情的一种能力、发展学习力必不可少的条件——学习动力。

此象限在垂直坐标轴上为学习组织，并合理设置资源内容为学习者提供具体经验，通过“需求分析”进而实现水平坐标轴上在学习者学习过程中遇到的困难与阻碍时，给出适恰的引导，让学习者进行反思观察。数据对需求的分析过程激发了学习者的“学習动力”，让偏好对具体经验进行反思观察的“想象型学习者”获得更大的学习满足感。

2. 为理解而教——支持提供加强学习能力

4MAT象限2回答“是什么”的问题，使学习者获得科学准确的知识。学习者在这一环节的主要任务是实现专业知识的学习与对自我世界的跨越;教师的任务是运用多元教学方法，致力知识传递。

支持提供是教师选取与学习支持相关数据进行分析，从而推断应在何时为何类学生提供何种支持。只有掌握一定的学习策略、学习方法、技能，才能掌握所学知识。学习能力是取得学习成效的关键。

此象限在水平坐标轴上在学习者学习过程中遇到困难与阻碍时，给出适恰的引导，让学习者进行反思观察，通过“支持提供”进而在垂直坐标轴上，实现让学习者在互动交流合作中形成抽象概念的过程。数据平台交流互动的支撑，加强了学习者的“学习能力”，满足偏好通过反思观察得出抽象概念的“分析型学习者”的需要。

3. 为掌握而学——学习决策促进学习互惠力

4MAT象限3回答“应怎样”的问题，聚焦知识掌握。学生在这一环节的主要任务是运用科学的知识，获得个人技能;教师的任务是辅导者，创设各种练习机会，促进学生运用科学的知识。

学习决策让学生根据自身状况判断学习支持的价值，决定是否参照学习支持中所提供的信息进行后续学习。

此象限是垂直坐标轴上让学习者在互动交流合作中形成抽象概念的过程，通过“学习决策”进而实现水平坐标轴上对学习者在学习过程的表现与行为、优势与不足作出反馈，促进主动实践。数据对学习过程的反馈促进学习者的“学习互惠力”，给偏好对抽象概念进行主动实践的“常识型学习者”更大的学习获得感。

4. 为创新而学——数据生成提高学习创造力

4MAT象限4回答“是否该”的问题，关注迁移创新。创造是人类的天性，在培训方案中应该提供发挥创造力的机会。学生在这一环节的主要任务是在科学知识中融入个人特色，创造性地将所学知识迁移到真实生活中。教师的角色是“鼓励者”，任务是开发学习资源以促进独立学习，同时肯定学习者的学业成功，鼓励独立探究。

数据生成是作出学习决策后，执行学习活动生成新数据，引发新的学习支持设计或改进。对所学知识进行消化吸收、融会贯通、举一反三，提高学习力中最有价值的内容，也是学习力的最高境界。

此象限是水平坐标轴上对学习者在学习过程的表现与行为、优势与不足作出反馈，促进主动实践，通过“数据生成”进而实现垂直坐标轴上为下一轮的学习组织、设置新的资源内容给学习者获得新的具体经验。新的数据生成，提高了学习者的“学习创造力”，促进了偏好通过主动实践获得具体经验的“创新型学习者”更好地学习。

5. 终身学习——闭合回路磨炼学习毅力

学习始于经验，从自己原有的起点出发走向新世界，这并不是自发自动的过程，而是有主观发展需求的学习者关注和意愿的结果。当四个象限结合在一起时就形成了一个完整的学习循环圈，一个从主观认知到客观认知，再到“融会贯通”的过程。

数据驱动，通过需求分析、支持提供、学习决策和数据生成形成一个闭合的回路。新的数据生成又作为下一轮需求分析的基础，如此循环下去。而学习者保持学习行为持久性的基础就是学习毅力，它是学习者学习力的核心，是学生的学习态度和意志品质的综合反映。

在数据的驱动下，学习过程开始周而复始地不断进行，当然，这种循环虽说是闭合的环，但并非简单的重复，而是不断向内挖掘或者向外拓展的学习。这种循序渐进的学习，培养和磨炼了学习者的“学习毅力”。而学习毅力的提高又能使学习者更持续、更稳定地维持学习的状态。

参考文献：

[1]郑思东. 普通高中4MAT生涯规划课程设计探析[J]. 中小学心理健康教育，2020（12）：49-51，54.

[2]张友梅，何世峰，凌志华. 大数据背景下高职学生学习力提升策略研究[J]. 湖北经济学院学报（人文社会科学版）， 2018，15（4）：141-143.

[3]陈秋兰，郑思东. 基于促进中学生学习力发展的小班化教育策略研究[J]. 师道（教研），2018（2）：135-136.

注：本文系全国教育信息技术研究2017年度专项课题“大数据支持下的提升学生学习力策略研究”（项目编號：174430023）的研究成果。