基于情景的学习者在线学习分析关键技术与评价模型研究

Recent studies have shown a growing research interest in data-driven analysis and evaluation of learning. Most previous research on analysis and evaluation of online learning fails to address the specific learning context. While the current analysis of learning behavior largely focuses on the learners' superficial process data, few research have made in-depth mining of information with respects to students’ learning content quality, engagement, emotional orientation, and behavior characteristics. The information regarding learners’ behavior patterns and interaction characteristics is still not clear. Moreover, past research on learning evaluation mainly sets the evaluation framework through interviews with experts. Most of these researches base on the summative data, and lack multidimensional dynamic evaluation of students’ learning process. Therefore, this project aims at the key problems of analysis and evaluation of online learning by focusing on the following four dimensions: (1) extraction and modeling of key factors in learning context. (2) context-based data mining and analysis of students’ online learning behaviors. (3) identifying learning groups and their behavior patterns and interaction characteristics. (4) establishing the learning-process-oriented multidimensional dynamic evaluation model. The research results of this project can effectively support the evaluation of large-scale online learning, facilitate monitoring and intervention of learning. The findings will provide valid evidence for improving teaching effectiveness, providing students with personalized scaffolding, discovering educational laws, and supporting precise learning management.

数据驱动的学习评价受到越来越多的关注。在线学习分析与评价相关研究中，大多数研究没有融合学习情境，行为分析多以学习者的浅表性过程数据为主，较少对学习过程中产生的内容质量、投入度、情感倾向和行为特征等进行深入挖掘分析，学习者群体行为模式和交互特性尚不清楚。目前学习评价主要通过专家访谈设定评价框架，多以结果数据作为评价依据，缺乏面向学习过程的多维度动态评价。本项目针对在线学习分析与评价所存在的关键问题，围绕以下四个方面开展研究：（1）学习情境的关键要素抽取与形式化建模。（2）基于不同情境的学习者在线行为特征计算与挖掘分析。（3）学习者群组发现以及群体行为模式与交互特征。（4）面向学习过程的多维动态评价模型。本项目的研究成果能够有效支持大规模在线学习评价、监测干预和预测优化，为改善教学效果、提供个性化支持服务、发现教育规律和支持精准管理提供科学依据。

随着人工智能、大数据等信息技术在教育教学领域的持续应用，数据驱动的学习分析受到越来越多的关注。但是现阶段在线学习分析与评价相关研究中，大多数研究存在学习情境融合度低、学习过程挖掘浅层化以及群体行为分析不足等现实问题，本项目从现实问题出发，开展面向过程的多维动态分析与评价，主要研究成果包括如下四个方面：（1）面向不同情境构建了在线学习分析模型，包括计算机支持的协作学习分析模型、面向大规模在线学习的社会化推荐系统要素模型、混合学习中在线协作学习小组学习投入分析模型以及个体学习投入数字化表征模型，为在线学习过程的多维分析与评价提供理论支持；（2）基于不同情境识别发现学习者的行为特征和变化趋势，从学习者知识建构、行为模式、社交属性等多个维度进行智能分析和挖掘，计算学习者行为表现和情感变化等特征，掌握学生的学习投入状态；（3）分析不同情境中学习者的社交属性、交互关系和交流内容等，挖掘不同类型群组的行为模式和演变规律，并探究关键行为特征与群组绩效间的影响关系；（4）面向在线学习过程设计多维评价模型与可视化反馈工具，包括面向双向同伴互评的学习支架、基于多模态数据表征的学习投入测评框架、面向在线学习过程的可视化学习分析工具和基于群体感知的协作学习分析工具，有效提升了在线学习效果和满意度。本项目的研究成果能够有效支持大规模在线学习评价、过程监测以及干预优化，为改善教学效果、提供智能化支持服务以及发现教育规律等提供了科学依据。