打开文本图片集
摘要：学习分析与个性化学习资源推荐是智慧教育的两个重要环节。该文采用准实验研究方法探索学习分析和个性化学习资源推荐的理论与实践问题。从学习风格、在线学习偏好、学习者知能结构以及学习者在线学习行为及结果等方面进行学习分析，对学习资源的内容、类型、资源的推荐时间以及频次等进行个性化的推荐设置。研究表明学习分析和个性化学习资源推荐为学习者设置了个性化学习路径，有利于提高学习者参与学习活动的积极性、提高学习者的学习成绩、改善学习者的知能结构，在一定程度上实现因材施教的教育理想，并对学习分析、学习资源推荐与学习者主体意识的关系进行了讨论，提出了提高学习分析与个性化学习资源推荐效果的策略。
关键词：智慧教育;学习分析;个性化;学习资源推荐
中图分类号：G434 文献标识码：A
一、问题的提出
作为教育信息化的新境界、新诉求，智慧教育引领教育信息化的创新发展[1]，成为教育领域的新热点。智慧教育最早的倡導者IBM在2009年提出了五大核心，其中之一即提供“个性化和多元化的学习路径”[2]。个性化和多元化学习路径的提供，是基于现代信息技术（大数据分析、移动通讯技术、物联网技术等）对学习者个体差异、个性化发展目标的尊重、认可和支持，也是践行《中国教育现代化2035》中所提出的教育应更为注重“因材施教”“面向人人”理念的有效途径[3]。
美国学者卡罗尔认为个性化教学是依据学习者的个性特征，使学习者与学习环境之间建立的关联关系。因此，个性化和多元化学习路径的实现，是依据学习者不同的目标追求、学习准备、学习风格与习惯、学习能力等个性化差异，使学习者与不同内容、不同序列的学习资源相结合，并在这一过程中根据学习者的学习效果、新的需求进行实时调整，从而实现学习者个性化智慧学习的过程。其实现，至少涉及两个方面的智慧教育环节：首先是学习者的学习分析，其目的是为个性化和多元化学习路径的实现提供依据;其次是个性化学习资源的推荐，即以学习分析的结果为依据，基于特定的原理和匹配机制，由智慧教育系统向学习者推荐相应的学习元资源序列，这是对个性化和多元化学习路径的具体实现。上述两个环节在智慧教育实践中所蕴含的诸如从哪些方面、如何对学习者进行学习分析，如何依据学习分析的结果进行个性化的学习资源推荐等问题是智慧教育过程无法回避的重要现实问题，本研究拟对此进行理论和实践探索。
二、相关研究
（一）学习分析相关研究
学习分析被Malcolm Brown视为教育技术发展的第三次浪潮[4]。2011年第一届“学习分析与知识国际会议”（International Conference on LearningAnalytics&Knowledge，LAK）界定了学习分析的三个核心要素：目的（理解和优化学习的过程与环境）、数据来源（学习者及学习者所在情境）和数据处理过程（测量、收集、分析、汇总）[5]。Muldner[6]认为学习分析有助于学习者学习情绪状态以及学习活动进展的自我监控，提高了学习者的学习动机，使学习者获得积极的情感体验。Verbert等[7]指出了学习行为（包含学生作品）、社交互动、资源使用、学习时间及练习和测试结果等五类可用于学习分析的数据源。Wolfgang Greller[8]等构建了包含分析目标、数据类型（开放的、受保护的）、分析方法（技术、算法、理论、其他）、约束条件（内部约束、外部约束）以及利益相关者（机构、教师、学生、其他）的学习分析要素模型。
国内学者魏顺平[9]认为学习分析有助于发挥学习过程数据的价值，使之成为决策和过程优化的重要依据。毛刚[10]研究发现学习分析及其反馈在时间管理、阅读速度、干扰控制等方面能有效激发学习者的元认知意识，促进学习行为的调整和优化。姜强等[11]基于Few仪表盘设计原则和Kirkpatrick四层评价模型设计学习分析仪表盘，其研究表明学习分析仪表盘提高了学习效率和动机，增强了学生的学习满意度。王怀波等[12]认为确定目标是学习分析的关键前提，学习分析的数据既包括学习者可直接观察获取的显性行为数据（学习者登录、检索、浏览、下载资料等），也包括学习者内部知识建构的隐性行为数据（学习者在线学习行为的相关内容）。
（二）个性化学习资源推荐相关研究
个性化推荐的概念在1994年由Resnick[l3]首先提出。此后，个性化推荐技术成为国内外相关领域的研究热潮。De-Marcos认为学习资源推荐是多目标组合优化问题[14]，对学习者进行建模以优化、组合适当的学习资源的内容和序列是其中最为关键的技术。Corbett[l5]、Baker[l6]、姜强等[17]、2achary[18]等学者根据学习者知识掌握情况进行了学习者建模;何玲[l9]根据学习者的兴趣和进度推荐学习资源;许多数字图书馆系统（如美国的My Library、Library@LANL、我国的浙江大学图书馆等）基于学习者兴趣进行建模推荐资源;陈晓丹等[20]利用神经网络基于学习者的认知水平推荐学习资源;Dascalua等[21]依据学习者的访问历史数据为学习者推荐学习活动和资源。
以上研究及相关成果为本研究提供了理论和方法上的有益借鉴，但上述研究存在两个问题：其一是学习分析的维度，要么是对学习者的兴趣进行分析，要么是对在线学习行为数据的分析，要么是对学习者内部的知识建构进行分析，或者是结合上述某两、三个方面进行分析，较少有研究能够将学习者看作具有自主性和能动性的统一主体，从学习者风格、偏好、知能结构、在线学习行为、主观学习需要和诉求等多个维度进行学习分析。其二，个性化推荐学习资源更多地体现在学习资源的具体内容、学习资源的推荐顺序等的不同，很少有研究考虑到学习者个性化学习时间及对资源推荐频次、学习资源类型的不同诉求，将推荐时间、频次及推荐的学习资源类型等纳入资源推荐的问题域。本研究试图基于这两个问题展开进一步的探索。