發布時間：2022-05-12所屬分類：教育論文瀏覽：1次
摘 要： 摘要：學習習慣是學習者的個性化標簽，是影響個性化學習服務精準化的重要因素。揭示數字環境下學習者個體學習習慣和群體學習習慣的新規律，對于實現教育向規模個性化教育轉變具有重要意義。深層次挖掘學習習慣的新規律可以分解為構建科學有效的學習習慣測量模型以描述
摘要：學習習慣是學習者的個性化標簽，是影響個性化學習服務精準化的重要因素。揭示數字環境下學習者個體學習習慣和群體學習習慣的新規律，對于實現教育向規模個性化教育轉變具有重要意義。深層次挖掘學習習慣的新規律可以分解為構建科學有效的學習習慣測量模型以描述學習習慣的動態變化和探索學習習慣進化的動力學機制以發現學習習慣形成的規律等兩個關鍵問題。為破解這兩個關鍵問題，該文將學習分析和大數據分析方法融合到學習習慣的研究，從學習者的學習行為分析出發，通過采集海量的學習行為軌跡數據，構建可重用的多粒度數據共享模型。在此基礎上，深層次分析數據的統計規律，構建學習習慣的測量模型，并基于該模型設計精準化的學習習慣干預模型，探索基于教育大數據的學習習慣動力學機制，溯源學生“互聯網+教育”背景下的學習習慣發展規律。
關鍵詞：學習習慣;動力學;大數據;學習分析;規模個性化教育
一般來說，一個有價值的研究均會置于宏偉的時代和專業背景下，指向一個亟需解決的現實問題，而這個現實問題又具有深刻的歷史和社會根源。“教育技術學定位于用新理念、新技術和新方法破解教育問題，推動教育變革的創新實踐領域”[1]。學習習慣動力學則是在當代教育訴求規模個性化教育發展的時代背景下，從學習習慣(學習者個性化的標簽之一)這一微觀視角切入，試圖運用基于大數據的學習分析等新的理論和技術，破解學習習慣的數字化表征和學習習慣進化動力機制這兩個學習習慣動力學的關鍵問題，從而進一步探尋技術破解教育問題，推動教育變革的宏大時代命題。
一、學習習慣動力學的研究背景
(一)規模個性化教育的時代發展新需求
教育與人的發展原理告訴我們，對于個體而言，受教育的目的之一就是使個體得到最大程度的發展，這種發展對應的結果就是個性化。古往今來，個性化教育一直是教育的理想和訴求，從“因材施教”到“個別化教育”，教育實踐者做出了大量的探索，但個性化教育卻仍然是教育實踐的難題。尤其是進入了需要大量專業技術勞動力的工業時代后，班級授課制脫穎而出，成為了普及高效的教育模式。班級授課制雖然有利于教育的規�；l展，但也導致了教育“以班級為中心、以課堂為中心、以教材為中心”的近乎刻板的“三中心”教學模式，成為一種“同質化”教育。因此，社會開始呼吁關注個性化教育。.
國家非常重視個性化教育，出臺了一系列的政策和規劃，如：2010年發布的《國家中長期教育改革和發展規劃綱要》(2010-2020年)、2012年發布的《教育信息化十年發展規劃(2011-2020年)》、2016 年印發《教育信息化“十三五”規劃》等文件中都有加強個性化教育的要求。這些政策和規劃，充分反映了個性化教育的重要性和迫切性，同時為實施個性化教育指明了方向。然而，個性化教育一直是教育實踐的難題，如何實施個性化教育、支持個性化學習，尚缺少成熟的理論和系統的方法。破解個性化教育的難題，也成為時代發展的重要命題。實施個性化教育就是要放棄以班級授課制為代表的規模化教育嗎?歷史的經驗告訴我們，答案當然是否定的。這不僅因為個性化教育是一種教育成本很高的活動，更在于教育至少需在兩個層面上進行：一是在互動層面上，不同學習者之間的互動以及學習者與教師之間的互動;二是在共同體層面上，這包括參與公共知識的社會化過程以及認識公共知識系統形成的機制，班級成員可以通過互動達成一個學習共同體[2]。因此，我們必須放棄“非此即彼”的選擇思路，探求個性化教育發展的第三條可行道路，這條道路應該在新的時代背景下，將個性化教育與規模化教育的優勢結合起來，以適應信息時代的個性化發展需求，這個就是規模個性化教育。
個性化教育之所以難以破解，是因為無法對 “材”進行細致的分析，并與匹配的“教”相結合。因此，個別化教育是在教育資源不充分的情況下，個性化教育的實施形態。進入了信息時代，大數據、人工智能、云計算、區塊鏈等新技術發展與應用，為大規模個性化教育的實施創造了條件，尤其是學習分析技術的發展，我們可以通過對學生學習行為數據的采集和處理，從而對“材”進行細致分析;通過人工智能等技術，讓計算機自動匹配 “教”，為教育教學提供支持，從而擴大個性化教育的規模。因此，面向全體學生的規模個性化教育，是信息時代個性化教育的理想形態。新技術 (尤其是大數據、學習分析等技術)的出現，為實現規模個性化教育提供了可能性，那么如何運用這些新技術來支持規模個性化教學，成為了新時代教育必須要回答的問題，這也是學習習慣動力學研究的出發點。
(二)教育研究范式由經驗主義向數據驅動的科學主義轉變
時代變遷呼喚教育的變革，科學技術逐漸成為教育變革的內生動力，在科學技術的助力下，教育的內容、教與學的方式、教育評價的方式、教育治理等方面均將發生巨大的變革。教育規律研究從經驗主義向科學主義轉變是教育變革的趨勢之一，也將是教育研究范式的一個轉變。
“范式是一種公認的模型和模式，是常規科學的理論基礎和實踐規范，是研究者在從事科學研究時共同遵守的世界觀和行為方式，是共同接受的一組假說、理論、準則和方法的總和”[3]。通常認為科學研究經歷了四次范式的轉變：第一范式是經驗或實驗科學，以觀察和實驗來描述自然現象;第二范式是理論科學，以建模和歸納來系統地解釋現象或事實;第三范式是計算科學，以計算和模擬來解釋現象或事實;第四范式是數據密集計算型范式，核心是強調計算機不僅能做模擬仿真，還能進行總結分析，形成理論。四次范式的理論雖源于自然科學的研究，但也被引入到社會科學的領域，開拓了社會科學研究的視野。
隨著互聯網、移動技術和信息技術的發展，人類開展社會科學研究的思維方式開始迅速演進。教育領域也是一樣，“互聯網+”的出現給教育領域的發展帶來了新的活力。然而，“互聯網+教育” 作為一種新型的教育形態，與傳統教育相比，在教學組織方式、師生地位、教學資源應用等方面有著很大的不同。傳統教育學的解釋范式無法清晰地闡釋這些新的教育現象，尤其是教育大數據的出現，我們預見到未來教育獲得學生全息數據的可能性，這急需一套能解釋這些新的教育現象的方法體系。在數據驅動的時代，這種基于自然科學的研究范式，對于我們認識教育教學的新常態提供了新的認識思路[4]。在這樣的背景下，教育范式開始由基于經驗感知的階段轉向基于數據分析的階段發展。
(三)數字原住民學習習慣的變化.
教育是什么?往簡單方面說，只需一句話，就是要養成良好的習慣[5]。人從出生就開始通過學習來了解這個世界，學習作為一種獲取知識和交流的方式，已經成為人們日常生活的重要組成部分。同樣，人在通過學習與世界交互的過程中，其思維習慣、生活習慣和學習習慣等方面也深受世界的影響，從而打下了時代的烙印。正如Bruce D.Perry博士所說：“不同的經歷產生不同的大腦認知結構”[6]，技術在推動人類社會由工業社會向信息社會過渡的同時，也改變著不同年代學習者的學習習慣。
20世紀80年代及以前出生的學習者，經歷了互聯網從無到有，被喻為數字時代的移民;20世紀90 年代以后出生的學習者，因其從小就“浸潤”在互聯網為代表的信息技術環境中，被喻為數字原住民或數字土著。由于數字土著具有伴隨信息技術成長的經歷，因此造就了他們與數字移民不同的學習習慣。當前在校的中小學生均為數字土著，他們的個體學習習慣和群體學習習慣與數字移民相比，發生了很大變化，呈現出新的特征，因此，研究和探索這些新特征對于教學改革、因學施教，實現從規�；逃蛞幠�性化教育轉變具有重要意義。
二、學習習慣動力學的研究定位
學習習慣是學習者的個性化標簽，是影響個性化學習服務精準化的重要因素。因此，揭示“互聯網+教育”背景下學生的個體學習習慣和群體學習習慣發展的規律和途徑，是破解規模個性化教育難題的重要內容。
傳統學習習慣的研究在以下三個方面取得了進展：一是學習習慣培養的方法和策略研究。研究者在長期的教學實踐中積累了大量的針對具體學科、具體學段的學習習慣培養方法和策略，包括針對具體學科的學習習慣培養和概括的(不針對具體學科) 學生學習習慣的培養兩方面。針對具體學科的學習習慣培養，如佟士凡列舉的語文學習習慣有獨立思考的習慣等七種習慣[7]等。概括的學生學習習慣的培養，如白文飛提出培養中小學生良好的學習習慣的語言激勵性評價、分層激勵性評價和情感激勵性評價等激勵性評價方法[8];趙麗霞從主要原則、基本環節、內容體系、測評方法方面入手探討小學生良好學習習慣的培養對策[9]等;二是從心理學角度分析學習習慣的形成機制，主要有目標促進論、環境促進論、態度促進論三種觀點。目標促進論認為，目標在習慣形成過程中起到關鍵的作用，如 Verplanken等提出“習慣是一種目標導向的自動化反應行為，認為行為目標的激活可以直接引發習慣行為的表現”[10]。態度促進論認為，態度在習慣形成過程中起到重要的作用，如Aarts H等提出習慣形成模型，該模型將習慣形成分成了需求、感知(希望、社會壓力、行為控制)、意圖、態度、評估(經驗的滿意度)、形成習慣等階段[11]。環境促進論認為，環境對習慣行為形成有重要影響作用，如Neal 等提出“直接背景觸發模型”，認為只要知覺到背景特征線索就會觸發聯結反應[12];三是解構不同學段學生學習習慣的維度，如田瀾對問卷調查的數據進行探索性因素分析和驗證性因素分析，將小學生學習習慣分為七個維度[13];McDermot 將青少年的學習習慣分成能力動機、學習態度、注意力或堅持性、策略或靈活性四個維度[14]; Çakiroglu，Ünal將大學生在線學習習慣分成家庭環境、目標計劃、專注習慣、準備考試、通常的習慣和態度、學校環境[15]等。
然而，以往學習習慣研究的場景，大多是基于傳統的課堂教學環境，近幾年開始出現基于混合環境和在線環境的研究;以往學習習慣的研究，定性研究范式一直占據著主導，定量方法僅是通過自編學習習慣問卷來測量。這種測量方式主要采取自我報告法和反應頻率測量法。但自我報告法和反應頻率測量法本身都存在一定的缺陷，從而導致誤差。如自我報告法容易受到近因效應或突出效應的影響，從而產生一定的回憶偏差;反應頻率法則需要在他人幫助下進行測量和統計被試的反應頻率，這不利于個人隨時隨地的對習慣進行檢測與管理。可見，已有的學習習慣的研究方法難以準確描述學生學習習慣的變化，也難以發掘新型學習環境下學習習慣發展的規律。因此，構建科學有效的學習習慣測量模型以描述學習習慣的動態變化，探索學習習慣進化的動力學機制以發現學習習慣形成的規律，是深層次挖掘“互聯網+教育”背景下學習習慣發展規律的兩個關鍵問題。
相關知識推薦:發表論文需要進數據庫嗎
本研究嘗試將學習分析方法和大數據分析方法融合到學習習慣研究，以破解這兩個關鍵問題。學習分析通過收集無干預的用戶軌跡數據，對學習行為進行定量化分析，提供了學習習慣診斷、預測和干預的方法。大數據分析為行為規律的挖掘提供了研究思路和技術方法，是發現學習習慣的基礎和重要保障。基于此，本文提出基于大數據的學習習慣動力學，意圖從學習者的學習行為分析出發，通過采集海量的學習行為軌跡數據(如：課堂表現行為軌跡、課前預習行為軌跡、作業表現行為軌跡、考試表現行為軌跡、交流討論行為軌跡等數據類型)，構建一個可重用的多粒度數據共享模型。在此基礎上，融合學習分析和大數據分析方法，深層次分析數據的統計規律，構建一個六維(聽課、交流、自學、作業、考試、復習)的學習習慣測量模型，并基于該學習習慣測量模型設計一個精準化的學習習慣干預模型，探索基于教育大數據的學習習慣動力學機制，溯源學生在“互聯網+教育”環境下學習習慣發展的規律。
三、學習習慣動力學的研究目標和關鍵科學問題
(一)研究目標
本研究的目標是探索數字化學習環境下學生學習習慣發展的新規律和新途徑，通過建立基于大數據的學習習慣數據采集模型，構建有效的學習習慣測量模型，探索并設計學習習慣干預模型，以揭示數字時代個體和群體學習者學習習慣形成的動力學機制，從而豐富個性化教育理論，提高教育服務的精準化水平，為實現規模個性化教育提供理論和實踐支持。
(二)關鍵科學問題
1.學習習慣的數據化表征
學習習慣的數據化表征，即建立學習習慣的測量模型，動態表征學習習慣及其變化。數據驅動的學習習慣量化研究，與傳統基于經驗的定性研究范式相比，具有更高的精確性，特別是在大數據的助力下，學習習慣的數據化表征有利于建立學習習慣與其他學習變量之間的數據關系，探索學習的規律，從而使教育研究走向數據驅動的精確化、科學化研究，破解規模個性化教育的難題。
2.學習習慣進化的動力學機制
學習習慣進化的動力學機制，即在數據驅動下，探索學習習慣朝著預期方向發展的系統所包含的要素、各要素的功能及要素之間的相互關系。在“互聯網+教育”環境下，探索數據作為動力能源，技術作為動力引擎的學習習慣進化的動力學機制，是建立動態實時的學習習慣模型，研究學習習慣的進化規律。
四、基于大數據的學習習慣動力學的研究內容
(一)基于大數據的學習習慣數據采集模型研究
分析數字時代的學生常態化學習的學習習慣，首先需要采集學生學習行為數據，這就需要異構數據源之間的共享和聯通，而這種互連、互通的基礎，需要將數據規范化，構建多粒度的數據采集模型。
如圖1所示，構建學習習慣數據采集模型主要分為學習軌跡數據的監測、學習習慣數據的感知、數據的規范化、數據的形式化描述、多粒度數據模型的生成等五個階段。第一階段是學習軌跡數據的監測，主要利用互聯網的情境感知工具監測學習情境 (包括靜態數據和動態數據)，清洗和存儲學習情境變化的相關數據;第二階段是學習習慣數據的感知，即根據第一階段的情境變化，運用感知設備識別學習者場景要素(如空間、行為等)的變化，并對這些要素賦予分類語義信息，便于生成規范化的數據;第三階段是數據的規范化，主要是將采集到的數據轉換為可被機器直接讀取和識別的結構化、標準化的通用數據格式，生成的規范化數據，其數學公式為LC=T×L×D×E={(t，l，d，e)|t∈T，l∈L，d∈D， e∈E}，其中，t為時間集合T的元素，l為位置集合L的元素，d為設備集合D的元素，e為事件集合E的元素;第四階段是數據的形式化描述，即將規范化后的數據進行形式化描述，生成xAPI的學習記錄語句，存儲到學習記錄庫中，便于生成多粒度數據模型;第五階段是多粒度數據共享模型的生成，主要是基于前面四個階段的運算結果，根據不同的場景要素，構建不同維度的數據立方體，生成可共享、可重用的多粒度數據模型，以滿足異構數據源之間按需傳輸的要求。
(二)學習習慣測量模型研究.
建立學習習慣的測量模型是描繪學習習慣動態變化的基礎，是對學習習慣進行診斷、預測和干預的前提[16]。如下頁圖2所示，動態化的學習習慣建模研究分為四個環節：第一個環節是學習習慣模型維度的確定，通過收集和分析國內外關于學習習慣維度分類的文獻，初步確定學習習慣維度的關鍵詞;通過問卷訪談，補充學習習慣維度的關鍵詞，建立學習習慣維度的關鍵詞集;通過文本分析法和德爾菲法，初步確定學習習慣維度的構成，并用數據檢驗維度之間的結構效度;第二個環節是維度測量指標的劃分，通過對每一個維度指標的調研分析，初步確定維度的測量指標集;通過歸類分析、因子分析等方法生成最終的測量指標集;第三個環節是特征值的計算，運用分層聚類、頻繁序列等挖掘算法，將測量指標集從學習習慣規范化數據集中挖掘出來，生成各個維度的頻繁序列集;運用各個維度的特征值，計算方法生成各個維度的特征結果集，從而得到個體學習習慣模型;第四個環節是學習習慣模型的生成，個體學習習慣模型通過單個維度分群計算得到，群體學習習慣模型通過多個維度組合計算得到。
(三)學習習慣的干預模型研究
學習習慣的干預模型是學習習慣進化的動力引擎。模型的干預機制是根據學習習慣的診斷結果，提供不同的支持策略，具體包括兩類支持策略。如圖3所示，對于不良學習習慣，提供主動干預策略;對于良好學習習慣和個性化學習習慣提供自適應服務策略。主動干預策略的實施包括兩個環節：學習習慣的形成機制和干預的匹配機制。學習習慣 的形成機制即對于某一不良學習習慣進行描述，分析習慣的形成機制，剖析主要原因，從而生成不良學習習慣的成因集。干預的匹配機制是通過識別不良學習習慣，從策略庫中選擇干預策略進行適配，并提供干預的方式和干預的時機，通過一段時間的干預后，對干預的效果進行分析，如果效果不理想，再動態修正干預的策略、方式和時機[17]。自適應服務策略實施包括兩個環節：服務推送引擎和適應性內容的呈現策略。服務推送引擎根據學習者個性化的學習習慣或良好的學習習慣的特征，匹配學習資源(如：學習進度、學習內容、學習伙伴、學習活動等)，在此基礎上，采用Multi-agent的協同過濾推送算法，選擇適配的推送策略(如：推送的時機、推送的方式、推送的內容等)，生成最恰當的資源推送列表。適應性內容的呈現策略是基于生成的資源推送列表，匹配學習者的學習策略，對生成的資源列表進行匯聚重組，選擇學習者適配的內容呈現策略，主動地推送給學習者合適的學習資源。
(四)學習習慣動力學機制研究
學習習慣動力學機制，即研究促進學習習慣進化的系統所包含的要素、各要素的功能及要素之間的相互關系。如圖4所示，學習習慣的數據采集模型收集和存儲學生學習行為的數據，給學習習慣的量化提供了原動力，是整個系統的基礎;學習習慣的動態測量模型是動態描繪學習習慣發展變化的前提，是對學習習慣進行干預的保障;學習習慣的干預模型是促進學習習慣進化的動力引擎，是整個動力學機制的核心;效果分析部分給整個系統提供反饋，促使各要素動態修正，保證系統朝著正確的方向發展即學習習慣朝著預期方向進化。五、研究意義學習習慣動力學的研究對于探索數字時代學生學習的內在規律、提升個性化學習服務的精準度、形成規模個性化教育理論具有重要的理論和實踐價值。通過挖掘學生日常學習行為數據，無干預地發現真實的學生，理解、分析、預測學生的學習習慣，為具有不同學習習慣的學習者提供個性化學習服務，并為具有不良學習習慣的學生提供有針對性的指導，從而為學生的自我學習監控、教師的教學決策和教育機構的管理決策提供科學依據。
學習習慣動力學的研究提供了認識教育教學新常態的新方法和新思路。學習習慣動力學的研究定位與傳統的基于經驗的教育研究范式不同，是數據驅動下的定量研究范式，這種運用建模與數據挖掘的方法描繪學習習慣發展的動態變化，為教育研究走向科學化和精準化奠定了科學基礎;而數據驅動的研究范式，通過將勤奮度轉化為可測量的指標，運用數據建模和挖掘算法，構建動態表征學習者學習投入狀態的測量模型，并與學習結果等變量建立聯系，使得分析結果更科學、更準確。
學習習慣動力學的研究為教育政策的制定提供科學的依據。“互聯網+教育”環境下學習者個體和群體學習習慣的變化是推動教育變革的基礎。學習習慣動力學認為，群體習慣的“爆發”其背后必有動力學機制，通過其動力學機制分析，會發現這種群體習慣爆發的原因和規律，為教育政策的制定提供科學的依據。通過描述學習習慣模型的時空偏好維度，從技術和文化變遷等角度解釋其爆發的動力學機制，這對設計基于個體和群體時空偏好的學習環境(如智慧學習環境的設計)提供了重要的指導，也給教育信息化規劃和教育供給側結構性改革提供了依據。——論文作者：武法提，殷寶媛，黃石華
SCISSCIAHCI
