学习分析视域下的学习者模型研究脉络与进展Word格式文档下载.docx
《学习分析视域下的学习者模型研究脉络与进展Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《学习分析视域下的学习者模型研究脉络与进展Word格式文档下载.docx（6页珍藏版）》请在冰豆网上搜索。
蒋卓轩等通过对北大6门MOOC中的学习行为数据进行分析和挖掘，按照学习者的行为特点将学习者分类，并以此为基础预测学习效果[4]。
宗阳等基于Moodle学习平台上记录的行为数据和RFM模型将中国MOOCs学习者划分为八个学习者价值类型，每个类型都具有不同的行为特征[5]。
然而目前，关于学习者模型的研究通常只针对单一行为维度进行分析，缺乏对学习分析视域下学习者模型研究脉络与发展的整体概述，亦缺乏对不同学习者模型关系的分析与评述。
本研究就是基于此展开的。
本研究首先概述了学习分析视域下四类重要的学习者模型：
知识模型、认知模型、情感模型和学习者行为模型的界定与分类，并依据现有研究成果，分析了各类模型之间的影响关系。
研究旨在为后续学习分析领域的学习者模型研究提供分类依据与关系建模参考。
一、学习者知识模型学习者知识模型是自适应学习系统相关研究关注的重点问题，是自适应学习系统提供个性化学习支持的基础。
学习者知识模型是否完整、准确，直接关系到系统能否为学习者提供个性化的学习资源和学习路径[6]。
目前，关于知识模型，比较有代表性的研究包括：
覆盖模型、铅板模型、摄动模型和贝叶斯网络模型等。
（1）覆盖模型及其改进覆盖模型（OverlayModel）将学习者知识作为专家知识的子集，也就是将学生的知识与领域专家知识库进行比较，借此来了解学生的知识状态及其缺陷，并建立学生模型[7]。
依据覆盖模型建立的自适应系统有AHA、AHAM、AHM、XAHM等[8]。
微分模型（DifferentialModel）对覆盖模型做了进一步改进。
微分模型与覆盖模型的差异在于将专家知识分为期望学生获得的知识和不被期望获得的知识。
学生知识是专家期望学生获得的知识的子集。
该模型弥补了覆盖模型只能反映学习者正确掌握的知识而忽略学习者在学习过程中所犯的错误的不足。
依据微分模型建模的系统如WeSt[9]。
摄动模型（PerturbationModel）改进了覆盖模型、微分模型对学习者与专家知识关系的处理方式。
该模型的研究者认为：
学习者知识不是简单的专家知识的一个子集。
学习者知识加工的潜力和专家知识在数量和质量上是不同的。
因此，该模型把学生知识视为专家知识和学生可能形成的错误知识的一个子集。
依据摄动模型建模的系统有Debuggy、Neclle、Proust、Pascal、GeometryTutor等。
（2）偏差模型偏差模型（BuggyModel）记录了学生与专家在问题解决路径方面的差异。
这些差异能够反映学习者的某种不足[10]。
在建立模型前，系统须建立一个学生错误知识库，该库中存放着学生可能出现的所有偏差类型，并为学生的每种错误给予相应的补救策略。
该模型的难度在于：
不同的学习者对于不同的知识，产生的错误千差万别，难以进行穷举。
（3）铅板模型铅版模型（StereotypeModel）是一种描述学习者知识状态的模型。
它的基本思想是将学习者按照特征进行分组，同一个组中的学习者有一些相同或相似的个体特征，然后利用刻板印象，为用户赋初值[11]。
使用铅版模型进行用户匹配时，只需要将用户特征与模型中的大部分条件相匹配即可。
如图书管理系统Grund就是利用这种模型进行个性化图书推荐服务。
首先它通过刻板印象在系统内部建立一系列的用户模型，然后通过对用户进行提问，获取用户特征，将用户的特征与系统内部已有的用户模型相匹配，判断用户属于哪个类型，进而为用户推荐相应的图书。
（4）贝叶斯模型贝叶斯模型（BayesianModel）是将贝叶斯网络应用于学习者建模，试图建立学生知识项之间的因果关系，通过不断加入后验数据信息，可以推导出学生知识的掌握程度[12]。
贝叶斯模型中的节点代表了学习者的各方面的特征，如掌握的知识、理解错误的概念、学习风格、学习目标和情感状态等。
根据建模技术，贝叶斯网络建模分成三种类型：
专家为中心的学习者模型、效率为中心的学习者模型、以及数据为中心的学习者模型[13]。
总之，学习者知识建模基于自适应学习系统的相关研究成果，本质上都是将学生知识与专家知识或领域知识进行比较，以判断学习者所掌握的正确与错误知识，进而了解学习者的知识结构，以便于根据学习者知识状态的动态变化来推荐学习资源和学习路径。
经常使用的比较标准包括已正确掌握的知识、未正确掌握的知识、目标知识、未掌握的知识等[14]。
二、学习者认知模型认知主义学习理论认为学习是主动对外界信息进行选择性加工的过程，学习者的认知模型可以描述为学习过程中学习者内在状态的变化并解释学习者外在学习行为和知识变化的原因。
目前研究者主要从认知能力、认知策略和元认知能力等方面来构建学习者的认知模型。
（1）认知能力认知能力主要是对学习者已有认知水平的描述。
学习者依靠认知能力解释和理解周围世界、重组旧知识、构建新知识[15]。
注意力、理解能力、记忆力、问题解决能力、决策能力、分析能力、批判性思维能力等都归类为认知能力[16]。
贾冰基于加德纳的多元智能理论将学习者认知能力分为：
归纳能力、记忆能力、观察能力、抽象能力、分析能力、计算能力、想象能力和逻辑推理能力等八类能力，同时认为学习者模型中对认知能力的描述应该包括类别和强度两个方面[17]。
另有研究者基于布卢姆的认知目标分类理论提出认知能力模型，认为认知能力应该包括识记、理解、应用、分析、综合、评价等六种，并且提出了较为详细的认知能力计算公式[18]。
（2）认知策略该概念最初是由美国心理学家布鲁纳提出的[19]，是指学习者在信息加工过程中用以调节自己注意、记忆、思维等认知过程的内部技能[20][21]。
认知策略由一系列操作步骤构成，本质上是一种程序性知识[25]。
心理学界普遍认为认知策略包括记忆策略、理解策略、信息编码策略（包括组织、精加工）、思维策略等[22]。
目前教育测量中常用的认知策略有复述策略、精加工策略和组织策略等三类[23]。
纪河等通过问卷和访谈法调查研究网络环境下成人的学习策略，发现该环境下成人学习者主要使用认知策略完成对信息的判定、组织和精加工策略，而复述策略运用较少[24]。
王迎认为远程学习中的认知策略可分为辅助工具策略、信息素养策略等[26]。
（3）元认知能力元认知也是一种高级的认知能力，是对自己认知过程的认知[27]，包括元认知知识、元认知体验和元认知监控三个部分[28]。
衷克定等通过问卷调查法验证了远程学习者的元认知能力也可以分为以上三种[29]，并指出元认知监控是远程学习者元认知能力的核心能力和最高层次的能力。
詹泽慧探讨了远程学习者元认知的作用机制，发现元认知知识、元认知体验和元认知监控三者相互作用和影响，但是只有元认知知识和元认知监控直接影响学习成绩而元认知体验直接影响学习效能感[30]。
韩建华等构建了一个包括目标设定和计划、知识建构、监管、求助等四个方面的ITS的元认知能力模型，以帮助学习者更好地监管、调节认知活动和认知策略[31]。
综上所述，对学习者认知模型的构建主要考虑认知能力、认知策略和元认知能力等。
三个维度之间的关系在于：
学习者在学习过程中需要调用自己认知能力进行学习，获取知识和经验，使用认知策略对知识进行更加深入的加工，理解所学内容的意义，调控自己的学习方法，使用元认知能力调控整个认知过程和认知策略，管理并控制自身始终聚焦于学习任务。
[32]三、学习者情感模型研究者对情感模型的研究始于远程教育中师生时空的准永久性分离带来的学习者情感缺失问题。
目前关于学习者情感模型的研究经历了一维模型到二维模型再到三维模型的过程。
（1）一维情感模型一维情感模型主要考察愉悦度。
此类模型通常依据学习者愉悦度，将情感分为积极情感和消极情感两个维度。
其中影响最大的是Ekman提出的6类基本情感，包括高兴，愤怒，厌烦，恐惧，悲伤及惊讶[33]。
Jaques等研究者采用OCC模型，将情感分为愉快与苦恼、满意与失望、感激与生气、骄傲与羞耻等八类[34]。
Kato进一步认为学习者在学习过程中会产生12种情感，这些情感可以分为三大类：
积极情感、消极情感和敌对情感。
积极情感有兴趣、喜悦、惊奇、愿意；
消极情感有难过、愧疚、害羞、内在敌对性等；
敌对情感有生气、厌恶、轻视等。
（2）二维情感模型二维情感模型是指包括愉悦度和唤醒度两个维度的情感模型。
Russell构建了“环状模型”，包括愉悦度和唤醒度两个维度[35]，使用从愉快和不愉快之间的连续变量表示愉悦维度的情感，使用从兴奋到不兴奋之间的连续变量表示唤醒维度的情感。
每一种情感对应二维空间中的一个点，所有的情感形成了一个闭合的圆环。
董妍和俞国良通过文献分析、问卷调查和半开放问卷，将学业情绪确定为积极高唤醒度、积极低唤醒、消极高唤醒、消极低唤醒四个维度[36]。
积极高唤醒度学业情绪包括高兴、愉快、自豪、羡慕、希望等；
积极低唤醒度学业情绪包括放松、满意、平静等；
消极高唤醒度学业情绪包括生气、焦虑、羞愧；
消极低唤醒度学业情绪包括厌倦、无助、沮丧、难过等。
（3）三维情感模型三维情感模型通常是指包括愉悦度、唤醒度和兴趣度三个维度的情感模型。
如王万森和龚文基于OCC模型，将e-learning中的情绪分为三维：
兴趣度、专注度和愉悦度，共六种情绪，分别为兴趣和厌烦、振奋和疲乏、愉快和苦恼。
模型呈球状，每个维度的取值为[-1，1]，每一种情感都可以对应这个球体上的一个特定的点[37]。
如詹泽慧基于学生情绪空间模型和学生三维学习状态模型，构建了唤醒维度、兴趣维度及愉快维度等三个维度的情感状态识别模型[38]。
分别使用紧张/睡眠、感兴趣/不感兴趣、愉快/不愉快几种情感表征三个维度。
情感模型的研究经历了从一维模型（愉悦维度）到二维模型（愉悦维度和唤醒维度）再到三维模型（愉悦维度、唤醒维度和兴趣维度）的研究过程。
随着维度的增多，情感模型对情感的描述的更为完整、全面。
模型也从最初的离散情感分类发展到使用二维空间或三维空间中的具体点代表每种情感的连续模型。
四、学习者行为模型学习行为是预测学习者在线学习效果的重要变量[39]。
然而，国内学界仍没有对学习行为形成统一界定。
研究者会使用与之相近的概念如“网络学习行为”“远程学习行为”“远程自主学习行为”。
如彭文辉等认为网络学习行为是指在学习环境中，学习者主动地运用和调控自己的认知、动机和行为开展的远程自主学习行为[40]，包括信息检索与浏览、信息加工、信息发布、人际交流与沟通、问题解决等行为[41][42]。
按照学习行为的复杂程度可分为操作行为（如浏览、点击、阅读、下载和保存等）、认知行为（分析、回忆、比较等认知心理活动）和问题解决行为（协作行为和探究行为等）[43]。
庄科君和贺宝勋认为网络自主学习行为分为三个层次，操作行为、信息交换行为、学习目标行为（问题解决行为和意义建构行为），是一个具体外显逐步变为抽象内化的行为过程[44]。
由此可见，在线学习行为是一个多层次、多维度的衡量体系，行为由低级到高级（或由具体外显到抽象内化）大致分为操作行为、认知、协作与交流、问题解决和意义建构等。
这些行为也可以按照自主与协作两个维度划分为个体学习行为与社会性学习行为[45]：
个体学习行为表示学习者与学习资源（信息）或学习平台进行的交互行为，如资源访问和浏览、对资源的深入的理解和分析行为等；
社会性学习行为表示学习者与其他用户进行协同知识建构的行为，如交流讨论、协作行为和问题解决行为等。
在具体的在线学习中，研究者希望通过尽可能多的指标反映学习者的个体学习行为。
通常选择的行为包含登录行为、阅读资源行为、反馈行为等。
登录行为是最先被研究的在线学习行为之一，通常包含登录/退出次数（频率）、在线时长等指标描述。
也有研究者将登陆行为涵盖在阅读资源的行为之中，如马婧等通过对网络教学活动数据进行因子分析，将学生的个体学习行为分为阅读行为、学习反馈行为两类[46]。
阅读行为包括进入课程、阅读通知、阅读教学材料等行为，其中进入课程就是对学生登录行为的一种描述。
反馈行为包括添加学习笔记、回答调查问卷和提交作业等行为。
还有研究使用每次登陆、浏览页面的均值，反复浏览的课程内容页面数量以及浏览课程内容页面总数等指标描述阅读资源行为[47]，使用尝试次数、反应时间（回答问题时间）、查询的资源数量、作业提交与发布时间间隔等描述作业行为。
[48]个体学习行为也是在学习者作为个体进行个人知识建构的过程中发生的学习行为。
如陈鹏宇等基于在线课程的日志数据，将个人知识建构行为划分为浏览帖子、浏览和下载课程资源、上传作业等知识储备行为和管理学习笔记和查看报表等反思性行为[49]。
对于社会性学习行为，研究者主要通过分析在线论坛或其他协作工具中留下的交互行为数据来提取和归纳。
社会性学习行为主要包括学习者之间的信息交换行为，如论坛讨论，即时交流以及学习者共同完成任务、解决问题和知识共享的行为，如协作学习行为、问题解决行为等[50]。
社会性学习行为可以按照协作的深入程度分为三类，第一类为论坛中的信息交换行为；
第二类为协同创作行为；
第三类为协作问题解决行为。
第一类行为主要使用发表话题、回文与被回文、阅帖和提问等具体行为来表征[51]。
亦有研究者采用赞同次数和获得赞同次数[52]、论坛在线时长、论坛访问总次数、帖子内容的贡献率、帖子量贡献率等指标来细致地描述学习者在论坛中的交互行为及其贡献程度[53]。
如疏凤芳等将基于QQ群的学习行为分为参与行为和聊天行为两类，参与行为使用每周发言的频率和每位同学的发言总数来描述。
聊天行为使用提问方式、直接求助、提问质疑、分析回答和提出建议等维度描述[54]。
第二类协同创作行为可以划分为感知、共享、论证、协商、创作、评价和反思等七类[55]。
如杨现民等分析了协同知识创作和协同翻译中学习者的行为模式，选择协同内容编辑中的8类关键外显行为进行研究，分别是编辑内容、编辑基本信息、邀请合作者、评分、评论、发帖、批注和分享[56]。
马红亮等将基于wiki的协作学习行为划分为添加内容的行为、修改内容的行为和删除内容的行为[57]。
第三类协作问题解决行为可以归纳为六类[58]：
问题提出、问题回应、问题阐述、问题深化、问题解决、构建知识。
其中问题阐述包括解释/澄清问题，解答问题、鼓励和感谢、批评和抱怨。
问题回应包括问候和打招呼、不赞同、支持/同意/响应、辩论。
问题深化包括引用资源，问题解决包括得出结论、概述和总结，构建知识包括共识、评估和反思。
胡小勇等认为问题解决的行为也可以归纳为情境创设、问题表征、问题解决、总结评价和迁移应用等五个步骤[59]。
总体来讲，目前关于学习行为建模的研究主要有两条路径：
一是运用理论演绎的方法来梳理学习行为层次和类别，并描述每一类学习行为的特征与表征方式。
二是基于具体的学习平台抓取的数据进行聚类分析，研究学习行为与学习效果的关联。
虽然二者在研究方法运用方面有所差异，但基本是将学习行为分为两类：
个体学习行为和社会性学习行为（如表1所示）。
这与学习行为投入理论对于学习行为的分类描述一致。
这里的个体学习行为和社会性学习行为分别对应在线学习行为投入的“参与”和“交互”[60][61]。
个体学习是学习者基于吸收生成的个人知识建构行为[62]，主要包括登录行为、资源浏览等进行知识储备的行为，以及添加学习笔记、查看报表等反思行为。
社会性学习行为是基于协作参与的协同知识建构和基于共享创造的集体知识建构，也就是学习者作为学习共同体中的成员进行社会知识建构的行为，包括信息交流、协作编辑行为、问题解决等，论坛交流行为包括论坛发帖、回帖、浏览帖子等，协作编辑包括编辑wiki、讨论、邀请合作者、评分、评论等。
上述学习行为均与学习成绩有一定程度的显著相关[63]。
参照在线学习参与理论，社会性交互行为与学习成绩之间存在密切的关联[64]。
五、学习模型间的关联分析
（一）认知与行为模型之间的关联认知模型中包含的认知能力、元认知、认知策略等维度，反映了学习者对外界信息进行加工、整合的认知因素。
学习行为多侧重于描述学习者对外界信息进行外显的可测量的操作。
认知模型所概括的内在认知因素可能影响外在的信息操作行为。
具体体现在学习者的认知策略和元认知可以调控和调节其学习行为。
当学习者意识到其认知过程需要调节，那么他的学习行为也会随之发生一定的改变。
另一方面，学习行为也能够为认知过程提供直接经验，但是这个过程是缓慢进行的。
也就是说，学习者需要实施多次相同或相似的行为，才可能总结出一定的有效的经验。
基于上述对认知与行为关系的分析，有研究者提出整合认知与学习行为的观点。
该研究模型将认知行为也纳入到学习行为之中，称之为内隐的学习行为[65]。
也有研究认为学习行为与认知二者是不可分割的。
（二）认知与情感模型的关联情感反映了学习者对学习过程的情绪、感受或态度等。
学习者在学习过程中需要同时调动认知与情感因素，二者相互影响、相互作用[66]。
因此，认知和情感都是必要的学习投入。
早期研究认为研究者可以基于认知过程来预测学习者的情感[67][68]。
另一方面，情感也会对认知产生影响。
有研究表明，积极情绪可以促进网络学习，使得学习者思维集中、活跃，持续的有效学习时间也更长；
而消极情绪则相反[69]。
在远程学习中，情感交互的各层次和认知交互的过程是相互对应的[70]。
因此，情感可能通过影响认知因素间接影响学习行为和学习结果[71]。
（三）行为模型与知识模型的关联学习行为发生的目的可以理解为对学习者的知识进行个体与社会性建构。
学习者个体学习行为对应的是个人知识建构过程，主要是知识获取和反馈；
而社会性学习行为对应其社会知识建构过程，即与其他学习者通过信息交流、协作编辑、问题解决等行为来共同建构知识。
学习者知识模型主要用来描述学习者的知识结构，即学习者已经形成的知识体系。
知识体系是学习行为选择的结果。
原因在于，学习者本次学习结果将会作为下一次学习的储备知识。
学习者会根据知识的积累来选择相应的学习行为。
在具体的学习中，学习者的知识结构和知识积累对于个体知识建构和社会性知识建构的过程均有重要的意义。
个体知识建构的过程中学习者先前的知识结构和积累显得尤为重要。
在学习的初期，重要性体现在学习者对于类似的知识或技能的掌握程度对学习行为的选择的影响。
在学习的后期，则表现为前期知识储备对于行为选择产生影响。
在社会性知识建构中，学习者的知识结构可能对其学习网络（社交关系）的选择、知识建构的方式和认知的程度产生影响，具备完善的知识结构的学习者可能会取得更好的学习效果。
因此，学习行为与知识结构之间存在相互促进、影响的关系。
六、讨论与后续研究展望综上所述，学习分析研究视角下，可以将学习者模型分为四类：
即学习者知识模型、认知模型、情感模型以及学习行为模型。
学习者的认知、情感是影响在线学习行为的重要内在因素，通过认知与情感分析可以确定学习行为产生的深层原因。
行为投入是情感和认知投入的外在表现形式。
值得注意的是学习行为还受如教师、网络学习环境、学习支持服务、人际交互水平等外部因素的影响[72]。
后续研究可以从以下方向进行深入探索：
一方面研究者需要采用理论建模或结构方程模型建模方法来剖析具体学习情境下不同类别学习者模型之间的关联，并进行深入解释。
另一方面，研究者需要进一步采用基于学习平台的数据挖掘方法来更为精准地聚类学习者行为模型。
在此基础上，研究者可以探索学习行为与其知识、认知、情感等因素的关联，进而为学习行为的预测与干预提供依据。
基金项目：
国家社会科学基金“十二五”规划2014年度教育学青年课题（课题编号CCA140151）“基于同伴互评的在线学习评价机制设计与应用研究”。
作者简介：
马志强，江南大学教育信息化研究中心副教授，博士，硕士生导师；
苏珊，江南大学教育信息化研究中心硕士研究生。
升级会员 