数据支持下在线教育平台学习支持服务策略研究

刘娜娜

摘要：随着互联网及相关领域技术的不断进步，网络平台在教育领域的应用为在线教育过程提供了良好助力。平台的学习数据能够为学习支持服务改进提供参考依据。本研究采用内容研究法和文献研究法，以415篇与本研究相关的文章为研究对象。分析发现，目前在线教育平台的学习支持服务存在网络资源建设不完善、缺乏人际情感交互服务、缺乏个性化指导以及督导体系不完善等问题。针对上述问题，本文将从资源建设管理、情感交互、督导体系以及个性化指导等方面进行解决。

关键词：大数据；在线教育；学习支持服务；学习数据；学习平台

中图分类号：TP311 文献标识码：A

文章編号：1009-3044（2024）11-0101-03

0 前言

2019年的新冠感染给各个国家政治、经济、教育带来了空前危机。据统计，截至2020年4月5日，全球有193个国家共计15.97亿人口停课。学校课程由大规模线下转移到线上，因此，在线教育平台的质量对学习质量至关重要。经研究发现，学习支持服务是决定教育平台质量的一个重要因素，因此，提高学习支持服务质量是提升在线教育的关键。大规模在线学习暴露出诸多问题，例如网络资源建设不完善、缺乏人际情感交互服务、缺乏个性化指导以及督学体系不完善等。针对上述问题，本文以学习者在后台产生的学习数据为依据，从资源管理、情感交互、督学体系以及个性化指导四方面解决上述问题。

1 在线教育平台的学习支持服务现状与问题

1.1 在线教育平台学习支持服务现状

本文以中国知网为数据源，以“学习支持服务”和“在线教育”为主题词，以“核心期刊”为来源，从2011 年至2021年，本研究相关文献数为964篇。在文献甄别后，最终选定415篇文献作为本文研究对象。

1） 效度分析。内容的信度分析是指对两个以上参与内容分析的研究者就相同类目判断的一致性的分析，一致性越高，则本课题的信度也越高[1]。根据本课题的研究目的以及样本文献，本课题确定了策略研究、反思研究、内涵研究、体系构建和模式研究为分析类目的编码系统。本课题由三位评判员（分别标记为a、b、c；a为主判员，b、c为辅助判员）根据分析类目和观测点对全部文献进行编码，采用谢幼如、李克东教授提出的内容分析的信度公式K=2M/（N1+N2），其中K是两个判员之间相互同意的程度，M是两者完全同意的栏目数[2]，N1和N2分别表示两个评判员所分析的栏目数。利用该公式计算出三者之间的平均相互满意度为0.83，换算出内容分析效度R=0.94。一般而言，信度若大于0.90，则该课题具有可信度。结果如表1所示。

2） 研究数据分析。为了清晰地呈现学习支持服务相关文献的年度变化情况，本课题选用以“学习支持服务”为主要主题，对2011年至2021年的文献载文量进行梳理与分析，共发现文献964篇。如图1所示：

通过上述图表可以看出，在2011年至2013年间，学术论文数量总体呈上升趋势，反映了学者们对学习支持服务的高度关注。然而，从2013年到2016年，学术论文数量呈现直线下降的趋势。这一变化的原因在于学者们开始将研究重点转向了学习支持服务的具体探究方面。而在2016年至2021年期间，学术论文数量总体呈现下降趋势，表明对学习支持服务的研究热度有所降低，学者们开始更加理性地思考问题，而非盲目追求研究热点。

① 热点分析

利用CiteSpace软件对近十年学习支持服务的研究热点词进行归纳总结，以了解学习支持服务的热点分布情况，具体如表2所示：

② 文献来源及作者机构分析

期刊来源分析有助于了解学术论文所在研究领域的集中度，以及学术论文所涉及的研究的信度和效度。根据量化统计，415篇研究样本中，学习支持服务相关论文分布于20种期刊中。考虑到教育技术领域对学习支持服务研究的专业性和针对性，笔者特别选取了本领域的八本代表性期刊作为研究对象，进行重点分析。

教育技术核心期刊的第一作者所在机构进行统计发现，其第一作者所在机构均为大学，说明学习支持服务在大学的应用居多，受到高度重视。其次，载文量最多的是北京师范大学远程教育中心。

③ 研究内容分析

在中国知网上，对以“学习支持服务”为主要主题的文章进行研究后，将学习支持服务的研究分为策略研究、反思研究、内涵研究、体系构建、模式研究等几个方面。因此，将以上研究作为一级类目，在此基础上划分了二级类目，然后对文章进行编码，并统计文献数目，计算出每个一级类目的总占比数。

由表5可知，2011年至2021年期间，学习支持服务的相关研究领域主要集中在策略研究，其次是体系构建方面、服务模式研究、反思研究以及内涵研究。

下面将分别对其进行阐述。

1） 学习支持服务策略研究。文献主要集中在教学支持方面，其次集中在资源支持、技术支持以及人际交互支持方面。其中，学习支持服务对人际交互支持的研究较少。然而，人际交互不仅可以影响学习效果，还会影响学习者的价值观。

2） 学习支持服务体系构建。针对体系构建方面，研究文献主要集中在资源设计、活动设计以及课程考核方面。其中，关于资源设计方面的研究最多，对学习者行为统计的研究最少。

3） 学习支持服务模式研究。在模式研究方面，研究主要集中在学习进度、学习咨询方面。但在人机交互方面的研究还较少。人机交互情感调控主要是指在在线学习中，人在学习过程中透露的情绪信息传递给机器，机器感知后进行调控。

4） 学习支持服务反思研究。在反思研究方面，对学习参与度的研究还远远不够。而在学习支持服务中，学习参与度是实施良好的学习支持服务的前提。在研究中，学习者外显行为可以通过学习数据体现。笔者认为，学习者在在线平台上的外显行为可以一定程度上反映学习者的学习效果。本课题通过量化方式统计学习者行为，发现学习者学习问题与需求。

5） 学习支持服务内涵研究。学习支持服务的含义、思想发展以及本质属性是学习支持服务刚引进国内时的研究热点，因此在2011年至2021年期间对其内涵的研究较少。学习支持服务对如今时代而言，更重要的是实践层面，因此，本课题对学习支持服务的内涵不作具体研究。

1.2 在线教育平台存在的问题

1） 缺乏个性化资源推送。个性化资源推送在研究前期较注重推送技术的实现，后期则重视系统设计开发方面的研究。随着大数据技术的迅速发展，个性化资源推送开始进入一个新的发展阶段。本课题对我国已有的个性化学习推送相关文献分析后，得出我国个性化学习资源推送有以下特征：

①學习者模型的构建以偏好信息和个性信息为主，对知识状态、情景信息等属性的数据采集不足。

②未能实现进一步跟踪学习者需要，实现其真正“个性化”。

2） 缺乏个性化情感调控。人机交互是指人与计算机为完成确定任务的信息交换过程。随着模式识别，如语音识别、汉字识别等输入设备的发展，人机交互的方式也更加多样化。但就目前在线平台而言，存在的问题是人机交互的方式还较单一、反馈不及时等问题，不能及时地感知学习者情绪等问题。

3） 督学体系不完善。本课题中，督学体系的完善主要体现在学习者参与度方面。在教学过程中，学生是教学的主体，教师是监督者、辅助者。但在整个学习过程中学生的身心还不够成熟，导致了学习“散漫”的情形。例如，在实际的线上教学中，学生为了应付教师在平台发布的任务而进行百度、抄袭等行为，甚至还会出现代签到、代打卡等行为，更甚者还会出现找人帮忙上课的情形。这就导致课程形同虚设。由此，需要建立一套完善的资源评价体系，将学习者学习的资源过程进行细化以保证学习质量。

4） 缺少人际情感交互。人际情感支持服务可以分为在知识传递时的情感支持、在技术层面的情感支持以及对非学术问题的情感支持。本课题中的人际情感支持主要指知识传递中的情感支持。就目前在线教育平台的研究现状来看，大多数教育平台还是只关注课程与平台的建设方面，在对于教师得到情感支持方面还是不够重视，导致现有的教师情感支持的研究更是少之又少。

2 大数据背景下学习支持服务策略的构建

2.1 大数据会根据学习者需求和喜好实时推送资源，实现资源的个性化

为更好地实现个性化学习资源推送，需要在在线教育平台安装数据实时分析系统。该系统一般只供后台人员查看和使用。该系统会实时分析后台数据以及学习者检索资源时搜索关键字的次数统计，确定学习需求后，为学习者精准推送资源。与搜索引擎不同的是，它会实时监测学习者需求，达到资源及时更新的目的，更好地满足学习者对资源的需求。其次，资源推送模块要根据学习者最后一次对资源检索的需求进行推送，更好地实现数据的及时更新。

2.2 基于大数据的在线课程人际情感交互策略

学习者在讨论区、弹幕区、活动区以及聊天室进行交互所产生的数据反映了学习者的情感信息。通过平台反馈的数据，利用智能传感设备，并采用量表测评方法、生理信号测评方法、语音信号检测方法和表情识别检测方法[3]，收集其数据，并对数据进行处理、量化和分析，从而得出学习者的情感动态。其次，根据学生出现学习厌倦表现的数据，形成一个情绪参照数据模型。例如，急促的点击鼠标或长时间不点击鼠标，这些行为可以通过触发预设的数据模型产生反馈结果，将检测结果反馈给教师或者提供智能服务的系统。

2.3 基于大数据的现代化督学体系

由于在线教育平台系统会记录学生浏览课程、观看视频以及完成习题和测试的相关数据。通过大数据技术对教学平台进行数据提取与分析，分析不同类型的学习者存在怎样的“敷衍行为”。例如，对于“代签”行为可以用语音识别或者面部识别保证是学习者本人进行签到。此外，为保证学习过程的有效进行，需建立一个后台监督机制。例如，教师需不定时发布一个与授课过程一致的问题，要求学习者在规定的时间内在屏幕上答出，教师课后可以根据学习者的答题情况，判断出该学习者是否认真听课，建立一定的奖惩机制。

2.4 基于大数据支持的个性化情感体验调控

在线学习中，学习者可能随时会出现学习倦怠。因此，当学习者进行在线学习时，应该对学习者在线学习时间数据进行实时监控和分析[4-6]。例如，学习者在某一学习模块停留时间过长，那么说明学习者可能在学习这个模块时遇到了困难，导致学习者产生抵触情绪，所以这时我们需要对学习者进行情感调控，因此，需要对资源进行精减后再推送。

3 结束语

信息技术的发展是在线平台学习支持服务建设的重要条件，健全学习支持服务系统对提高在线教育的质量、促进终身教育的发展具有重要意义。基于大数据背景，在线平台的学习支持服务的内容提升还处在摸索阶段，因此健全在线平台学习支持服务体系具有现实意义。本文通过内容分析法、文献研究法剖析现存问题，提出对策与建议，以期充实原有的学习支持服务体系。

参考文献：

[1] 白盈盈，马德俊，梅海莲.“电子书包” 中文研究论文的内容分析研究[J]. 广州广播电视大学学报，2013，13（4）：8-13，107.

[2] 樊雅琴，王炳皓，王伟，等. 深度学习国内研究综述[J]. 中国远程教育，2015（6）：27-33，79.

[3] 查相虹，张晶蕊，王娟. 基于大数据的在线教育学习支持服务体系构建研究[J]. 软件导刊，2019，18（1）：208-212.

[4] 孙玉桦，唐章蔚. 基于大数据的个性化学习环境构建研究

[5] 王妍莉，王娟：基于内容分析法的非正式学习国内研究综述[J]. 远程教育杂志，2011，29（4）：71-76.

[6] 刘万海，靳荫雷. 近十年国内教育领域深度学习研究综述：基于CNKI的文献计量可视化分析[J]. 教育理论与实践， 2020，40（16）：54-59.

【通联编辑：唐一东】