学习分析支持自我调节学习的效能分析框架研究

徐晓青 赵蔚 姜强

[摘   要] 支持、促进自我调节学习发展是学习分析重要的应用领域之一，但当前学习分析重点着眼于“发送者”的服务质量，多以教师或研究者的视角为学习者的自我调节学习提供支持。相比之下，立足于学习者视角关注学习分析是否真正支持了自我调节学习的发生更具价值。为回答这一问题，研究依据建构主义理论的反馈模型，提出以学习者为核心的学习分析支持自我调节学习的效能分析初始框架；其次，采用德尔菲法确立分析效能的层次和维度（三个层次、七个维度）；最后，研究讨论了效能分析框架的分析工具，并以应用案例展示了其在实际教学中的实践价值和指导意义。结果表明，效能分析框架拓展了自我调节学习的评价范畴，更有利于帮助研究者发现学习者的内在学习机理，打破实证中的“黑箱”现象，为理性看待学习分析、促进学习分析支持自我调节学习提供依据。

[关键词] 自我调节学习； 学习分析； 效能分析； 德尔菲法； 过程挖掘； 内容分析法

[中图分类号] G434            [文献标志码] A

[作者简介] 徐晓青（1995—），女，山东潍坊人。博士研究生，主要从事学习分析、自我调节学习等研究。E-mail：xuxq271@nenu.edu.cn。赵蔚为通讯作者，E-mail：zhaow577@nenu.edu.cn。

一、引   言

学习分析是研究者支持、优化自我调节学习（Self-Regulated Learning， SRL）的重要手段。目前，学习分析受机器学习、人工智能等技术影响，技术体系不断完善[1]，对自我调节学习的支持更深入全面。研究者期望用更细粒度的数据、更智能的方法支持自我调节学习。但数据驱动的设计理念使得学习分析只是为了分析，而非为了学习[2]。虽然，从“发送者”的视角看，学习分析提高了学习效果，但却无法解释效果提升是否由学习分析引起以及如何引起等问题。因为在“发送者”看来，学习分析是工具、方法，是理解、促进自我调节学习的途径；但对学习者来说，学习分析是信息、反馈，是引起认知、情感、行为等要素变化的支架和触发器。只有立足于学习者分析自我调节学习变化规律，才能回答学习分析是否真正支持了自我调节学习等问题。因此，我们需要从学习者视角出发，构建学习分析支持自我调节学习的效能分析框架，明确效能分析的维度，指导研究者更清晰地梳理学习分析影响自我调节学习的机理，从而准确看待学习分析给自我调节学习带来的影响。综上所述，本研究将回答以下问题：（1）如何构建学习分析支持自我调节学习的效能分析框架，有何特征？（2）学习分析支持自我調节学习的效能分析框架如何应用，有何启示？

二、学习分析支持自我调节学习的

效果评估现状

目前，学习分析已被广泛应用于自我调节学习领域，一方面，支持研究者理解自我调节学习；另一方面，支持学习者高效地完成自我调节学习[3]。评估学习分析支持自我调节学习的效能聚焦于后者，然而当前研究在评估实证效果时多停留在学习效果提升是否显著的层面，较少探索因果关系，研究存在“黑箱”现象，这与目前的评估模式和分析视角分不开。

第一，以问卷、访谈、出声思维等传统方式为主的评估模式。问卷调查是自我调节学习研究中最常见的评估方法，能够较快速地分析学习者的自我调节学习状态[4]。相比于问卷调查，访谈法能够让学习者更准确地表述学习策略[5]。出声思维则能够记录学习者的真实想法，使学习活动和自我调节学习策略可见[6]。例如，Silva等人使用问卷调查证明学习分析促进了自我调节学习[7]；Granberg等人采用问卷和访谈法分析学习者的自我调节学习策略[8]。这类评估方式虽然能够判断自我调节学习状态，但评价过程主观性较强，且未探索因果关系，研究结论存在“黑箱”现象。

第二，传统方式与日志挖掘相结合的评估模式。随着人工智能、数据挖掘技术的发展，研究者开始将聚类分析、过程挖掘等技术应用于评价自我调节学习中[9]。相比于传统方式，基于日志数据的分析方法能够更为客观地分析学习者状态。例如，Chen等人采用聚类和滞后序列分析法评估不同在线学习者的自我调节学习特征序列[10]；Kim等人运用聚类归纳学习者类型，并通过分析日志数据中学习者的在线时间、学习规律以解释SRL属性[11]。这类研究将主观评估和客观分析相结合，提高了分析结果的准确性和可信度。然而，这类评估方法虽然更准确地展示了自我调节学习特征和行为，但在评估时仍以研究者的视角为主，并未从学习者视角判断自我调节学习的变化是否是由学习分析引起的，“黑箱”现象仍未被解决。

综上所述，当前评估学习分析支持自我调节学习效能的方式并未从学习者的视角出发。评估视角的差异使得实证研究中难以解释因果关系，难以消除“黑箱”现象。因此，以学习者为核心，构建学习分析支持自我调节学习的效能分析框架十分必要。

三、效能分析框架的初步构建

（一）构建效能分析框架的理论依据

构建效能分析框架，首先要厘清学习分析和自我调节学习的关系。在前文中，我们已经指出“学习分析支持自我调节学习”是指面向学习者的支持，将“学习分析”考虑在内，评估学习分析提供的支持对学习者自我调节学习的影响。在此前提下，我们要明确学习分析支持能够给学习者的自我调节学习带来什么。在教学中，学习分析支持在学习者看来是一种学习反馈[12]。分析学习者面对学习反馈的内在变化能够帮助我们理解学习者接收学习分析支持后的变化规律，是构建效能分析框架的基础。

何克抗认为，基于建构主义理论的反馈模型更能体现反馈促进学习者积极参与、自我建构的过程[13]。建构主义学习理论认为，反馈是促进自我调节的信息，能够指导我们从学习者的学习内化过程看待反馈扮演的角色——帮助学习者实现自我监控[14]。不少学者基于建构主义提出了不同的反馈模型，见表1。

由此可知，各模型具有明显共性，均强调学习者在接受反馈后的内在反应。换言之，反馈起作用需要引起学习者关注，使其依据反馈作出自我评价，并主动地调整学习策略、学习目标等，以实现循环调节学习。本研究依据上述理论模型，总结出学习者面对反馈的几种处理方式。（1）忽视反馈：反馈未引起学习者感知；（2）拒绝反馈：学习者感知到反馈但拒绝理解、使用；（3）接受反馈：反馈信息引起学习者动机或情绪变化，其认知水平能够理解反馈；（4）依据反馈监控：学习者主动关注反馈，并据此自我监控学习过程；（5）依据反馈调整：学习者感知到反馈与自身认知状态的差异，并及时做出调整，缩小差距。在这一过程中，学习者会调动自身动机、情感、认知、元认知等要素帮助自身调整任务目标、学习策略，并最终达成预期目标。

上述过程解释了学习者面对反馈的内在变化过程，同时也帮助我们理解了学习分析如何支持学习者自我调节学习。学习分析将学习状态、过程或结果反馈给学习者，以期引起学习者情绪变化、激发学习动机，使学习者监控、调整学习目标和策略，逐步形成稳定的自我调节学习意识和能力。

综上所述，本研究基于建构主义理论的反馈模型厘清了学习分析支持自我调节学习过程中学习者的内在变化规律：首先，学习者关注到学习分析；其次，在学习分析支持下习得自我调节学习意识或策略并加以保持；最后，逐渐形成可迁移的自我调节学习能力。据此，我们能够初步构建学习分析支持自我调节学习的效能分析框架。

（二）效能分析的初始框架

依据上文，学习者在接收学习分析支持后状态变化如下：首先，经历关注、激活阶段。学习分析蕴含的信息引起学习者注意，并且促使他们将学习分析与自身学习关联起来，起到唤醒情感、激发动机的目的。其次，学习者会经历自我调节学习的主体阶段。学习分析支持能够帮助学习者保持高效的学习状态，促进他们调用策略、监控调整、评价反思，逐渐习得自我调节学习能力。最后，学习者在学习分析支持下取得更好的学习效果，并保持和迁移习得的自我调节学习技能。

由此，本研究提出效能分析初始框架如下：（1）感知效能（S），旨在评估学习分析是否引起学习者注意、激发他们的学习动机。这是学习者接受学习分析支持后的第一个阶段，分为关注（S1）和激活（S2）两个维度。关注的内涵包括忽略（S11）和注意（S12），激活的内涵包括情感唤醒（S21）、动机激励（S22）和专注（S23）。（2）执行效能（R），旨在评估学习者感知学习分析后，其自我调节学习策略和技能的执行情况。因此，这一部分与自我调节学习过程高度统一，共分为三个维度：策略调用（R1）、监控调整（R2）和评价反思（R3）。策略调用的内涵包括策略意识（R11）和策略执行（R12），监控调整的内涵包括自我监控（R21）和自我调整（R22），评价反思的内涵包括自我评价（R31）和自我反思（R32）。（3）成效与持久效能（E），旨在判断学习分析对学习者影响的效果及持久性，即学习分析是否让学习者形成了稳定的、可迁移的自我调节学习能力，提高了学习者的学习效果。因此，我们将该部分分为学习成效（E1）和持久度（E2）两个维度。学习成效的内涵包括学习满意度（E11）和目标达成度（E12），持久度的内涵包括保持（E21）和迁移（E22）。

四、效能分析框架修正与检验

（一）基于德尔菲法的效能分析框架检验

1. 专家选择与权威程度判断

本研究选择了学习分析与自我调节学习领域的10名专家，涵盖教授7人，副教授1人，讲师2人。我们调查了10名专家的权威程度，得到平均权威系数为0.85>0.7，说明经德尔菲法获得的结果可靠。

2. 第一轮专家咨询结果分析

本研究第一轮发放专家咨询表10份，回收10份（均有效），专家积极系数100%。处理征询结果，筛选初始框架的维度主要依据两方面：专家协调系数和各题项结果统计。专家协调系数指全部专家对征询题项评价的协调程度，其结果在0～1之间，越接近1表示专家间的协调程度越好[19]。而各题项的统计主要依据三个指标：算数平均数、满分频率和变异系数[20]。

本研究依据上述指标统计分析第一轮专家咨询结果。首先，计算得到10位专家的协调系数为0.224（sig=0.005），表明10位专家的整体协调性较好。研究计算了各题项的三个指标，结果表明，感知效能中的“忽略（S11）”题项算数均数、满分频率和变异系数均不符合要求，故删去。此外，专家建议在感知效能关注维度中添加“反复查看”。另外，有专家建议明确成效与持久效能中持久与迁移的关系，添加学习迁移维度。基于第一轮专家征询的建议，本研究将初始框架中的“忽略（S11）”删去，“注意”由“S12”改為“S11”，并且添加“反复查看”指标编号为“S12”。此外，依据专家建议和反馈模型，学习者的学习迁移是理想的教学结果，可分为情境迁移和能力迁移[21]。在本研究中，情境迁移代表学习者在学习分析支持下能够在不同情境任务中保持自我调节学习，能力迁移代表学习者已经形成了较为稳定的自我调节学习能力，在脱离学习分析支持后仍能保持自我调节学习。因此，本研究将初始框架中的“成效与持久（E）”改为“成效（E）”，将“持久度（E2）”改为“学习迁移（E2）”，对应的二级指标改为“情境迁移（E21）”和“能力迁移（E22）”。

3. 第二轮专家咨询结果分析

经第一轮专家修正，本研究向10位专家发放第二轮专家征询表，回收9份（均有效），专家积极率90%。本轮Kendall's W协调系数为0.274 （sig=0.002），相比第一轮有较大提升，且各题项指标均符合要求，不需要进行第三轮专家咨询（见表2）。由此，本研究得到了学习分析支持自我调节学习的效能分析框架。

（二）效能分析框架结构检验

本研究依据效能分析框架编制了调查问卷，旨在从学习者角度验证框架结构的合理性。为更准确地表述观测指标，研究为15个观测指标各设置两个题项编制问卷，共30道题。调查对象选取的是有使用学习分析平台支持自我调节学习经历的本科生，共350人。调查发放问卷350份，有效问卷316份。首先，研究选择有效样本中的153个样本进行探索性因子分析，KMO值为0.911>0.8（p<0.01），说明问卷数据适合进行因子分析。本研究选用主成分分析法抽取因子，采用最大方差法获得旋转矩阵，删除因子载荷<0.4或不同因子载荷之差<0.3的两个题项后旋转得到七个因子，与经德尔菲法修正后的效能分析框架结构一致。其次，研究对剩余的163个样本进行验证性因子分析，结果表明，28个题项的因子载荷均大于0.6且小于0.95，予以保留。最后，本研究对效能分析框架的模型拟合度进行检验，各模型指标系数表明该效能分析框架的拟合度良好。由此，本研究得到了学习分析支持自我调节学习的效能分析框架（如图1所示）。

综上所述，学习分析支持自我调节学习的效能分为感知效能、执行效能和成效效能。感知效能包括关注和激活两个维度，旨在判断学习分析在引起学习者注意、激发自我调节学习动力和专注力方面的效能；执行效能包括策略调用、监控调整和评价反思三个维度，旨在判断学习分析在帮助学习者选择策略、自我监控调整、自我评价反思，完整经历自我调节学习过程方面的效能；成效效能包括学习效果和学习迁移两个维度，旨在判断学习分析在帮助学习者取得更高学习成就、获得可迁移的自我调节学习能力方面的效能。

五、效能分析框架的应用

（一）效能分析工具及方法

为进一步提高效能分析框架在实证中的实用性，本研究依据不同效能的维度特征总结对应的工具和分析方法，见表3。感知效能旨在判断学习者接受学习分析后的内在感知，因此，测量时多以问卷、访谈为主，对应的分析方式包括传统统计分析、语音识别及内容分析等。执行效能旨在判断学习者接受学习分析后自我调节学习的行为状态。因此，相比于感知效能，该效能更强调平台日志数据的收集。对应的分析方法更依赖数据挖掘技术，如过程挖掘、行为聚类等。成效效能旨在从学习效果和学习迁移两方面判断学习分析支持自我调节学习的效能。因此，测量时多以问卷、测试、访谈或平台日志为数据源，采用统计分析、数据挖掘、语音识别等方法。需要说明的是，本研究仅列举了目前最常用且适用范围最广的数据源。在实验室环境下，眼动、脑波、心电等生物信号同样可作为效能分析的数据源。例如，“关注”维度可以通过分析眼动数据获得结果，“激活”维度可通过分析脑电波数据获得结果。

（二）应用案例：以学习分析激发学习动机支持自我调节学习为例

为了验证效能分析框架在实证中的应用价值，本研究设计以学习分析激发学习动机支持自我调节学习的应用案例，并开展对照实验。在实验过程中，研究按照效能分析框架收集相关数据并加以分析，以此展示效能分析框架对理解学习分析如何支持自我调节学习、解释因果关系和内在机理的应用效果。

1. 效能分析数据采集

研究以效能分析框架为指导，收集实验组在线学习过程中的自我报告、问卷、访谈和平台日志等数据，筛选不同效能层次的数据来源，选择相应方法判断和解读效能，以此简要介绍效能分析框架的应用模式，具体应用流程如图2所示。

对于感知效能，研究采用访谈、自我报告整理学习者对学习分析支持的体验和感受，并通过分析日志中对应的学习行为佐证分析结果。对于执行效能，研究利用访谈和自我报告分析学习者的内在认知变化，利用问卷数据分析自我调节学习能力变化，利用日志数据分析学习者策略以及自我调节学习行为模式变化。对于成效效能，研究利用问卷评估满意度、作业测试评估学习成果、访谈和平台日志评估学习迁移。

2. 学习分析支持自我调节学习的效能分析结果

本研究在效能分析框架的指导下得到学习分析支持自我调节学习的效能结果（见表4）。

（1）感知效能分析结果。激发动机的学习分析对感知效能有正向影响，主要表现在关注与激活维度问卷得分属于较高水平。关注维度中，学习者的注意感知度达到100%，反复查看率超过80%。激活维度中，学习者的动机（75%）和情感（84.38%）被激活，而专注水平受学习分析的影响较小（28.13%），认知网络分析结果显示学习者的动机、情感和行为间的联系紧密。

（2）执行效能分析结果。激发动机的学习分析影响了学习者的执行效能，主要体现在问卷各维度得分属于高水平。与感知效能不同，执行效能中的策略调用与监控调整维度能够在过程挖掘支持下发现实验组与对照组在行为模式上的差异。在策略调用维度中，实验组学习者动机被激发后，认知同时被影响，更加关注學习目标、时间管理等方面；在监控调整维度，实验组的进度标记、回看任务和计划行为显著提升，且上述行为与查看学习分析行为显著相关；在评价反思维度，学习者受学习分析影响自我认知更加准确，认知、动机和行为间存在显著关联。

（3）成效效能分析结果。激发动机的学习分析显著提升了学习成效，主要表现在问卷各维度得分水平较高，学习成绩显著高于对照组。学习迁移方面，分析结果表明，激发动机的学习分析支持学习者保持较高水平和较稳定的学习模式，实现了任务间的情境迁移，但尚未支持学习者形成可以脱离学习分析的稳定自我调节学习能力，即未能实现能力迁移。

3. 学习分析支持自我调节学习的效能判断解读

效能分析框架指导我们从学习者角度挖掘学习分析给自我调节学习带来的变化，更准确、科学地理解因果关系。依据效能分析结果，我们能从以下方面解读效能判断，得到结论。

（1）感知效能——循证感知机理。学习分析以激发动机为起点，影响学习者情感状态，进而使得学习者形成关注和反复查看学习分析的行为模式，引导学习者接受、认知学习分析。

（2）执行效能——挖掘调节机制。学习者在感知到学习分析后，使用学习分析支持自身监控和评价行为，从而提高了学习者的内在动机、目标设定、任务策略、时间管理等自我调节学习策略，使得自身学习行为更加高效，形成了规律的自我调节学习循环路径。

（3）成效效能——解释成效因果。激发动机的学习分析通过激发感知、辅助调节显著提升了学习效果，并使学习者适应了学习分析对自我调节学习的引导和支持，实现了情境迁移。但激发动机的学习分析对自我调节学习后续过程支持不足，使得学习者难以形成稳定的、可脱离学习分析支持的自我调节学习能力。

综上所述，我们整合效能分析结果发现，激发动机的学习分析以唤醒学习者的动机为起点，突出了学习者对成就目标的感知，激发学习动力，运用认知将成绩与学习任务相关联，调用其元认知能力完成自我调节学习。但这类学习分析支持更强调对动机的激发，而对后续自我调节学习过程支持不足，使得学习者虽然具备监控意识，但在行为调整方面获得支持较少，较难形成稳定的学习迁移，这一发现为后续学习分析的优化和更新提供了依据，指明了方向。

六、研究结论及启示

（一）研究结论

学习分析技术的快速发展使其在支持自我调节学习领域不断完善，这是一个做“加法”的过程。但技术的增加通常是基于教师或研究者视角的，在该视角下我们难以回答学习分析是否真正支持了自我调节学习的发生以及支持的效能水平如何等问题。本研究构建的效能分析框架回答了这一问题。研究首先基于理论、专家和学习者修正、检验，得到三个层次、七个维度的效能分析框架；其次，从实证应用角度展示了效能分析框架的应用模式，结果证明，效能分析框架在判断学习分析支持自我调节学习效能、挖掘内在机理、理解学习机制、解读因果关系方面有重要应用价值和指导意义。

（二）研究启示

本研究立足于回答如何判断学习分析是否真正支持自我调节学习的发生这一问题，构建学习分析支持自我调节学习的效能分析框架，对学习分析支持自我调节学习发展有以下启示：

首先，要理性看待学习分析带来的价值。人工智能、元宇宙等技术的出现，使得众多学者不断革新学习分析技术以理解、支持自我调节学习。但最新的技术并不意味着最优的效果，从学习者角度看待技术介入对学习的影响才是最恰当的。效能分析框架为判断学习分析作用效能提供了新视角，帮助研究者更客观地筛选、应用学习分析，逐渐形成以不同效能目标、不同使用对象为导向的学习分析支持自我调节学习新模式。

其次，要以挖掘学习机理突破“黑箱”现象。在学习分析支持自我调节学习研究中，尽管已有研究者尝试以三角互证方法得到研究结果，但在分析时更强调效果而非产生效果的原因和机理。效能分析框架能够帮助我们梳理学习者受学习分析影响后的变化规律，从学习者内在要素和行为模式分析自我调节学习，指导我们挖掘学习分析支持自我调节学习的内在机理，打破实证研究中的“黑箱”现象。

最后，以效能分析豐富自我调节学习评估模式。正如实际教学的以评促教，在研究中，更科学、全面的评估同样能够促进科研的进步与发展。效能分析框架立足于学习者视角将学习分析纳入评估框架，以此评估自我调节学习的变化，挖掘学习分析与结果间的因果关系。分析视角的改变克服了现有研究中存在的局限，为促进学习分析支持自我调节学习发展指明了方向。

[参考文献]

[1] 张琪.学习分析技术与方法[M].北京：科学出版社.2019：46-47.

[2] GUZM？譧N-VALENZUELA C， G？魷MEZ-GONZ？譧LEZ C， ROJAS-MURPHY TAGLE A， et al. Learning analytics in higher education： a preponderance of analytics but very little learning？[J]. International journal of educational technology in higher education，2021，18（1）：1-19.

[3] 徐晓青，赵蔚，刘红霞，姜强，李绿山，程诺.学习分析对自我调节学习的影响机理研究[J].电化教育研究，2022，43（2）：72-79.

[4] SILVERAJAH V S G， WONG S L， GOVINDARAJ A， et al. A systematic review of self-regulated learning in flipped classrooms： key findings， measurement methods， and potential directions[J]. IEEE access， 2022， 10（1）： 20270-20294.

[5] ZIMMERMAN B J， PONS M M. Development of a structured interview for assessing student use of self-regulated learning strategies[J]. American educational research journal， 1986， 23（4）： 614-628.

[6] BOEKAERTS M， CORNO L. Self-regulation in the classroom： a perspective on assessment and intervention[J]. Applied psychology， 2005， 54（2）： 199-231.

[7] SILVA J C S， ZAMBOM E， RODRIGUES R L， et al. Effects of learning analytics on students' self-regulated learning in flipped classroom[J]. International journal of information and communication technology education （IJICTE）， 2018， 14（3）： 91-107.

[8] GRANBERG C， PALM T， PALMBERG B. A case study of a formative assessment practice and the effects on students' self-regulated learning[J]. Studies in educational evaluation， 2021， 68（3）： 100955.

[9] TANG Y， LI Z， WANG G， et al. Modeling learning behaviors and predicting performance in an intelligent tutoring system： a two-layer hidden Markov modeling approach[J]. Interactive learning environments， 2021， 12： 1-13.

[10] CHEN K Z， LI S C. Sequential， typological， and academic dynamics of self-regulated learners： learning analytics of an undergraduate chemistry online course[J]. Computers and education： Artificial intelligence， 2021， 2（5）： 100024.

[11] KIM D， YOON M， JO I H， et al. Learning analytics to support self-regulated learning in asynchronous online courses： a case study at a women's university in South Korea[J]. Computers & education， 2018， 127（12）： 233-251.

[12] LIM L A， Dawson S， GA？譒EVIC D， et al. Students' sense-making of personalised feedback based on learning analytics[J]. Australasian journal of educational technology， 2020， 36（6）： 15-33.

[13] 何克抗.对反馈内涵的深层认知和有效反馈的规划设计——美国《教育传播与技术研究手册（第四版）》让我们深受启发的亮点之二[J].中国电化教育，2017，364（5）：1-7，14.

[14] 胡定荣.课堂反馈的学习理论视角与综合分类[J].上海教育科研，2013（3）：57-60.

[15] BANGERT-DROWNS R L， KULIK C L C， KULIK J A， et al. The instructional effect of feedback in test-like events[J]. Review of educational research， 1991， 61（2）： 213-238.

[16] GARINO A. Ready， willing and able： a model to explain successful use of feedback[J]. Advances in health sciences education， 2020， 25（2）： 337-361.

[17] 董艳，李心怡，郑娅峰，翟雪松.智能教育应用的人机双向反馈：机理、模型与实施原则[J].开放教育研究，2021，27（2）：26-33.

[18] CARLESS D， BOUD D. The development of student feedback literacy： enabling uptake of feedback[J]. Assessment & evaluation in higher education， 2018， 43（8）： 1315-1325.

[19] 馮锐，董利亚，李闻.专题教育社区评价指标体系建构的方法研究[J].中国电化教育，2016，359（12）：44-51.

[20] 王春枝，斯琴.德尔菲法中的数据统计处理方法及其应用研究[J].内蒙古财经学院学报（综合版），2011，9（4）：92-96.

[21] 冯锐，杨红美.基于案例推理的学习迁移研究[J].电化教育研究，2015，36（7）： 78-82.

A Study on Effectiveness Analysis Framework of Learning Analytics to

Support Self-regulated Learning

XU Xiaoqing，  ZHAO Wei，  JIANG Qiang

（School of Information Science and Technology， Northeast Normal University， Changchun Jilin 130117）

[Abstract] Supporting and promoting the development of self-regulated learning is one of the important application areas of learning analytics. But at present， learning analytics focuses on the service quality of the "sender"， mostly from the perspective of teachers or researchers to provide supports for learners' self-regulated learning. In contrast， it is more valuable to focus on whether learning analytics actually supports the occurrence of self-regulated learning from the learner's perspective. To answer this question， based on feedback model of constructivist theory， this study initially proposes an effectiveness analysis framework for learner-centered learning analysis to support self-regulated learning. Secondly， the Delphi method is used to establish the levels and dimensions of analysis effectiveness（three levels and seven dimensions）. Finally， this study discusses the analytical tools of the effectiveness analysis framework and demonstrates the practical value and guidance of the framework in practical teaching with application cases. The results show that the effectiveness analysis framework expands the evaluation scope of self-regulated learning， and is more conducive to helping researchers find the internal learning mechanism of learners， breaks the "black box" phenomenon in the empirical study， and provides a basis for rational view of learning analysis and promoting learning analytics to support self-regulated learning.

[Keywords] Self-regulated Learning; Learning Analytics; Effectiveness Analysis Framework; Delphi Method; Process Mining; Content Analysis Method