劉海 李姣姣 張維 張昭理 易澤順

【摘 要】

隨著在線教學平臺在國內高校的興起，學生學習行為數據呈幾何級數增長。如何對海量數據進行處理分析，挖掘教學環(huán)境中存在的不足，幫助教學者優(yōu)化教學內容和教學過程，逐漸成為教育研究者關注的熱點。本文在分析教學平臺數據特點的基礎上，提出了一系列面向教學場景的數據可視化方法。通過數據可視化方法的編程實現，教師可以為學生直觀地呈現知識，及時了解學生學習狀況，并有針對性地進行課堂教學、教學評價等；學生可以形成知識框架與互聯體系，促進知識表達與內化，并完成自我評估、發(fā)現自己的學習問題；教學管理者可以掌握教師教學效果和學生學習情況，調整教學管理與決策的目標。本文結合自主研發(fā)的在線教學平臺——師大云課堂，將實現的數據可視化方法應用到實際教學，產生了良好的實踐效果，有效地促進了智慧教育發(fā)展。

【關鍵詞】 教育大數據；數據可視化；在線教學平臺；教學研究；智慧教育

【中圖分類號】 G434 【文獻標識碼】 A 【文章編號】 1009-458x（2018）1-0037-08

一、引言

隨著信息技術的日益發(fā)展，人們開始通過計算機技術和互聯網技術進行教學內容的傳播和學習。《國家中長期教育改革和發(fā)展規(guī)劃綱要（2010-2020年）》明確指出“信息技術對教育具有革命性影響”。因此，許多學校及教育機構都研發(fā)了自己的在線教學平臺，對教學理念、教學模式、教學環(huán)境等方面進行變革與創(chuàng)新，有效地提高了教育信息化水平（蔡慧英， 等， 2013； 榮榮， 等， 2014； 劉婷婷， 等， 2016）。在線教學平臺的興起，也引發(fā)了在線學習的熱潮，越來越多的學習者參與其中。同時，平臺匯集了大量的學習者和學習資源，以及學習者在學習過程中產生的各種行為數據，蘊含著大量有價值的信息。因此，如何提高人們快捷理解數據的能力，將數據轉換成人們更容易理解的形式，是一個亟待解決的問題。

針對上述問題，數據可視化技術作為一種直觀呈現海量數據的方式，越來越受到人們的關注和重視。相關研究表明，大腦處理的信息多數與視覺有關，處理與視覺相關信息的腦細胞超過80%。人眼對可視符號的感知度比對文本或數字要快得多?？梢暬夹g將數據信息以“一圖勝千言”（Labrinidis & Jagadish， 2012； 鄧烈君， 等， 2016）的表達方式呈現，充分利用了人們對可視模式快速識別的自然能力，完美地提高人們理解及分析數據的速度，幫助人們更有效地對海量數據進行挖掘，從而突破教育大數據分析的桎梏。

本文在闡述和探究數據可視化的內涵及技術分類的基礎上，分析了在線教學平臺中的數據類型特點，提出了一系列面向教學場景的數據可視化方法，并在華中師范大學國家數字化學習工程技術研究中心自主研發(fā)的在線教學平臺——華師大云課堂中應用實踐，以期對用戶（包括教師、學生和教育管理者三種角色）產生積極的影響。

二、數據可視化內涵及相關工作

（一）數據可視化

數據可視化，目前存在著多種不同的定義形式。從廣義講，數據可視化囊括了較成熟的科學可視化和較年輕的信息可視化。除此之外，還包含了在此基礎上發(fā)展起來的知識可視化（Card et al.， 1999； 李芒， 等， 2013）。從狹義講，數據可視化是指運用計算機圖形學知識和圖像處理技術，以可交互式圖形圖像的方式來展現數據的理論、方法和技術（陳為， 等， 2013； 斯蒂爾， 等， 2011），其可視化對象僅僅為狹義理解的數據。結合自主開發(fā)的云課堂教學平臺，對以下教育教學數據進行了可視化：課程和課堂的建設情況、教學中的資源建設情況、教師參與云課堂情況和學生在線學習行為數據等。

（二）數據可視化分類

數據可視化分類是可視化研究的關鍵環(huán)節(jié)。將數據可視化進行分類能夠指導人們設計出合理的可視化方案，促進可視化技術從理論研究走向實際應用階段。數據可視化有不同的分類，從文獻常用的角度可將可視化分為科學計算可視化、數據可視化、信息可視化和知識可視化四種類型。Shneiderman（1996）依據數據類型將數據可視化分為一維數據可視化、二維數據可視化、三維數據可視化、多維數據可視化、時間序列數據可視化、層次結構數據可視化和網絡結構數據可視化等幾種數據類型。Keim（2002）提出了一種基于可視數據分析技術的可視化分類方法，認為數據可視化技術、數據類型和交互變形技術三個要素構成了數據可視化。基于這三個要素將數據可視化技術分為以下四種類型（如圖1所示）。

1. 基于幾何的數據可視化

基于幾何的數據可視化技術是通過幾何學中的投影和變換來實現對多維數據的可視化（Sibbet，2010）。標準2D/3D技術是在數據可視化過程中應用最廣泛的一種可視化技術，常用的可視化圖形有柱狀圖、餅圖、折線圖等，本文將其歸為幾何技術中的一種。幾何技術分為兩種：幾何變換技術和幾何投影技術。幾何變換技術是以二維圖形點、線、面等表示多維數據的一種映射變換技術；幾何投影技術是以幾何投影的方式來表示將要可視化的數據。常用的基于幾何的可視化技術包括平行坐標（Parallel coordinates）、散點圖（Scatter plots）和地形圖（Landscapes）等。

2. 基于圖標的可視化技術

基于圖標的可視化技術也是常見的可視化技術之一（Nahum & Stephen， 1997）。將可視化數據中的每一項記錄都映射成一個小圖標，N個小圖標表示N條數據項，且每個小圖標之間是相互獨立的。基于圖標的可視化技術包括彩色圖標（Color icons）、枝形圖（Stick figures）、切爾諾夫臉（Chernoff faces）等，適用于屬性值在二維平面上容易展開的數據集。

3. 面向像素的可視化技術

面向像素的可視化技術是由德國慕尼黑大學的Keim教授提出的，在此技術上成功研發(fā)了VisDB可視化系統(tǒng)（Keim & Kriegel， 1994），該系統(tǒng)充分展示了面向像素的技術在可視化方面的優(yōu)勢。面向像素的可視化技術的主要思想是將每一數據項的N個屬性值映射到N個帶有顏色的屏幕像素上。每個屏幕反映一個屬性，每一個像素反映一個屬性值，像素不同的顏色代表屬性值的大小。面向像素的可視化技術適用于維度高、數據量大的數據集，能將不同維度的數據集在不同的窗口密集顯示。這種屏幕劃分技術所呈現出的可視化結果充分解釋了“物以類聚”的含義，有利于用戶對數據集的宏觀掌控。

4. 基于層次的可視化技術

基于層次的可視化技術主要針對具有層次結構的數據集，如文件組織結構、家族圖譜、人事組織等（任磊， 等， 2014； 陳誼， 等， 2016； 李志飛， 等， 2016）。該技術的基本思想是把所有維劃分成子集，即子空間，將這些子空間按層次進行可視化。典型的基于層次的可視化技術有n-Vision技術、錐形數（Cone trees）、樹圖（Treemap）、維棧（Dimensional stacking）等。

三、在線教學平臺數據特點及可視化方法

本團隊自主研發(fā)的在線教學平臺——師大云課堂（如圖2所示），分為PC端和移動端兩種版本，為學習者提供多種學習方式。依據師大云課堂在實際運行時采集的學習行為數據，對在線教學平臺的數據特點進行分析，并將數據分為低維數據、高維數據、層次數據、文本數據、地理數據和關系數據六種數據類型（如圖3所示）。根據數據不同的類型提出不同的可視化方法，使可視化結果能夠滿足各類用戶的實際需求。

（依據師大云課堂在實際運行時采集的學習行為數據情況）

（一）低維數據

低維數據中包含了一維線性數據、具有兩種屬性的二維數據和具有立體屬性的三維數據。一維數據分為定量型和非定量型兩種。定量型采用有向線段上的點映射，非定量型則一般運用色塊展示。

針對二維數據的可視化，本文根據視覺通道的不同分為兩種：基于位置的方法以及基于顏色和面積的方法?；谖恢玫姆椒ㄊ侵笖祿膬蓚€維度映射為位置來表現差異，其中典型的統(tǒng)計圖包括柱形圖、折線圖和簡單散點圖?；陬伾兔娣e的方法是指數據的一個維度映射為顏色，另一個維度映射為面積，這類方法包含餅圖和藍丁格爾玫瑰圖等。

針對三維數據的可視化，本教學平臺采用分類降維法與面積映射法，將三維數據變?yōu)槎S數據進行展示。分類降維法適合第三個維度是分類字段的數據，通常用顏色或者分組對其進行映射，如有色散點圖、分組柱形圖或折線圖。面積映射法適合第三個維度是連續(xù)字段的數據，一般運用面積對其進行展示，如氣泡圖等。

（二）高維數據

高維數據具有多個獨立屬性，如何將多個屬性呈現于二維空間內是高維數據可視化的難點。高維數據的可視化需要先降維。降維方法有很多種，從方法上分可以分為線性和非線性兩類。線性的方法有MDS（多尺度分析）、NMF（非負矩陣分解）及PCA（主成分分析）等；非線性的方法包括LLE（局部線性嵌套）和ISOMAP（等距特征映射）。針對高維數據，本平臺采用的數據可視化的方法包括兩類：基于幾何圖形的方法和基于圖標的方法?；趲缀螆D形的方法主要包括散點圖矩陣、平行坐標和平行集可視化；基于圖標的方法通過具有多個容易識別的特征圖標來展現高維數據，每一個特征映射一個維度。比較著名的是切爾諾夫臉譜圖和雷達圖。

（三）層次數據

多層次數據本質上是樹狀結構數據，節(jié)點之間既有并列關系又有從屬關系。非根節(jié)點有且只有一個父節(jié)點，父節(jié)點與其子節(jié)點是一對多的關系，節(jié)點之間關系可以分為兄弟關系和父子關系。本教學平臺中實現的層次數據可視化方法主要有節(jié)點鏈接法和空間填充法。節(jié)點鏈接法用線條表示節(jié)點之間的父子關系，用點表示每一個數據實體；空間填充法有代表性的是Treemap矩形樹圖布局，用遞歸的方法以嵌套的方式對矩形進行劃分，每個矩形區(qū)域表示一個數據實體，矩形的子區(qū)域表示其子代節(jié)點。

（四）文本數據

文本數據可視化將文字中隱藏的規(guī)律以視覺容易捕獲的形式表達出來，同時提供必要的交互方式使人能快速獲取其中蘊藏的有用信息。在師大云課堂平臺中，文本可視化方式主要有基于文本內容的可視化和基于文本關系的可視化?；谖谋緝热莸目梢暬湫偷挠袠撕炘疲═ag cloud）（Gas & Wattenberg， 2008； 張昭理， 等， 2017）；基于文本關系的可視化，它的關注點主要是文本語義之間的關系和文本的內部結構，如Word Tree、Phrase Net等。

（五）地理數據

地理數據可視化指通過在可視化過程中加入地理維度，同時運用具體的視覺表征和人的視覺能力使空間的上下文（Context）和問題顯現出來的方法和技術（Kwan， 2000）。地理數據可視化與GIS（地理信息系統(tǒng)）密不可分。地理信息系統(tǒng)是以計算機為基礎的工具，包含分析、存儲、處理、可視化地理信息幾個部分。針對地理類數據的展現形式，本教學平臺實現方式大致分為三類，分別是基于點、線和區(qū)域的展現方式。

（六）關系數據

關系數據不同于層次數據，沒有固定的自頂向下或由底向上的層次關系，反映了數據之間存在的直接或間接的關系，表達方式更加自由。關系數據的可視化即圖的可視化。本教學平臺采用的是基于邊和節(jié)點的可視化。為避免大量節(jié)點的重疊，使用的是力導布局方式。

四、可視化方法在教學平臺中的實現與應用

將上述可視化方法編程并實現，集成于師大云課堂教學平臺中。目前，云課堂已在學校教學中得到廣泛應用，學校的領導、教師及學生都在云課堂上進行管理、教學及學習。華師大云平臺上已開設了6，000多門課程，超過45，000個課堂，用戶數量（包括教育管理者、教師、助教及學生）達到4萬人，上傳資源70余萬條，總容量超過15TB。這些數據蘊含了平時教師的教學方式和學生的學習行為?；谠摻虒W平臺，學生不僅能夠在課堂上進行學習，還可以在食堂、實驗室、戶外及寢室等任何互聯網覆蓋的地方通過云課堂進行學習（如圖4所示）。將可視化技術應用于實際教育教學，對學生、教師和教育管理者都產生了良好的應用效果。

（一）學生：內化學習，促進自我評估

目前，云課堂的使用人數達到4萬人，其中學生的人數已超過3.4萬人，超過全?？倢W生人數的80%。為滿足學生的需求，本平臺記錄了他們各個學期所選修的課程以及課程的教學內容和各個課程所取得的成績，還記錄了課堂的平均成績、課堂的教師、班級成員分布及資源建設情況等。

如圖5（a）所示，外圈是某位大三學生所有選修課程的平均成績，中圈實線所覆蓋區(qū)域為每門課程的班級平均分數，內圈虛線為各個課程的及格線。當鼠標停在某門課程時，會出現該課程的平均分數和學生的個人成績。通過這張圖，學生可以一目了然地看出自己的學習成績與班級平均水平的差距，從而能夠對成績較差的課程進行有針對性的學習。

如圖5（b）所示的是計算機學院某位大一學生在第二學期的期末考試成績。該圖不僅清晰地展示出該學生每門課程的最終成績，還將學生每門試卷中各個題型的總分以及學生的得分呈現出來。如該學生的英語學科總分為78分，其中選擇題得分與總分比為13/15，完形填空為14/20，閱讀理解為26/30，改錯為6/10，寫作為19/25。從此圖可以看出，該生的失分項在完形填空和寫作。應當在后期的英語學習過程中著重練習完形填空，并多看多寫英語作文。同理，通過該圖可以看出“高等數學”和“C語言程序設計”等其他學科中存在的問題，對于此學生可以有針對性地進行補習。

如圖6所示，以“教與學”課程中的“學習理論”一章為例，將該章的教學內容以思維導圖（趙國慶， 2012）的形式呈現出來，使學生對將要學習的知識在課前有一個整體的概念。學生通過此圖可明確看出，“學習理論”這一章節(jié)共有五種學習理論，分別是學習的實質與類型、聯結學習理論、認知學習理論、人本主義學習理論和建構主義學習理論。在每個學習理論下還有更細化的分支。在授課過程中，教師利用此類型導圖，使教學內容更加形象具體，加深學生對內容的理解和記憶。思維導圖中各個分支所代表的教學內容可以合攏。利用這個特性，教師可以突出教學重點和難點，并引導學生發(fā)散思維。另外，還可以在該圖的分支上做標記，標識出學習內容的重難點，以便學生有針對性地進行課后復習。通過思維導圖，學生在頭腦中形成了清晰的知識結構，對知識的理解和記憶也更加深刻，達到事半功倍的學習效果。

（二）教師：教學反饋，優(yōu)化教學環(huán)節(jié)

隨著信息技術與課程整合理論的提出，教師也越來越傾向于線上、線下相融合的混合式課堂教學。使用云課堂平臺教學的教師也越來越多，意味著教師對在線教學平臺的要求越來越高。教師希望不僅能夠在教學平臺上進行教學，與學生進行溝通，還能夠給自己的授課帶來反饋，課后可以根據教學反饋及時對教學方法和教學模式做出適當調整。

圖7展示了“數字化教學系統(tǒng)開發(fā)”課程的學生學習成績圖，并以學生的總成績由低到高進行排序。實心圓圈折線代表學生的總成績，實心菱形折線代表平時作業(yè)成績，實心方框折線代表在線學習時長。觀察得出，總成績與平時作業(yè)的成績有較緊密的關系。平時作業(yè)完成得越好則總成績分數高的概率越大，反之，平時作業(yè)完成得差則總成績分數較低。然而，在線學習時長對總成績的影響卻沒有這個規(guī)律，部分學生在線學習的時間較長，但總成績卻相對較低。教師了解這種情況并找出原因后，對這些學生開展了個性化教學與輔導。

圖8顯示了學生在“馬克思主義基本原理”這門課的論壇討論情況，統(tǒng)計了學生在課下對教學內容進行主題討論并發(fā)帖的情況。根據每個主題下回帖數量，設定主題字體的大小及顏色。學生回的帖數越多，則字體越大，顏色也越深。根據此圖，教師可以快速分析出學生感興趣或者有疑問的知識點。如“馬克思恩格斯的奮斗歷程對你的啟迪”“馬克思主義物質觀的基本內容及其當代價值”“社會意識和社會存在的辯證關系”等，討論的主題較多。針對這些主題，教師將在下一節(jié)課中給學生更加詳細的講述或答疑。

圖9呈現了學生在云課堂學習的時空分布情況。圖9（a）和9（b）展示了學生移動學習的空間位置分布，可以看出學生學習的主要位置集中在學校7號、8號、9號教學樓這3個地方。在其他地方，包括學生宿舍、餐廳、操場等，也有部分學生通過云課堂進行學習。觀察得出，云課堂移動端支持多場景的學習方式，在教學樓學習的學生最多。圖9（c）不僅反映出了24小時學生平均在線學習的人數，還分別展示了24小時使用PC端、移動端（Android和iOS）在線學習的人數。圖9（d）展示了從8月下旬到10月上旬每天在線學習的人數，也將學習的人數按PC端和移動端進行了劃分，可以看出大部分學生是通過PC端來進行學習的。因此，教師應盡可能地將課堂教學內容及資源上傳到云課堂，滿足學生隨時隨地學習的需求。

（三）教育管理者：科學管理，協(xié)助教育決策

學校領導及管理層需要掌握云課堂的整體使用情況。如研究生和本科生分別開設的課程數、課堂數、使用云課堂的學生人數，以及各個學院的教師人數、上傳資源的數量和容量等方面，以便規(guī)劃下一步教學任務和教學決策。

圖10展示了云課堂的課程、課堂、教師、學生和資源的整體概貌。圖的左側展示了課程、課堂的開設情況和學生的使用情況，其中本科生人數有26，044人，開設的課程數為5，480門，課堂數為44，632節(jié)；研究生人數有8，246人，開設的課程數為405門，課堂數為752節(jié)。右側上半部分展示的是上傳資源的數量及容量，并對資源的類型進行了劃分，分為文檔、視頻、音頻、動畫、圖片和壓縮包六種。從圖中可以看出文檔的上傳個數最多，表明教師在教學過程中還是傾向于使用word、ppt、txt等文本文檔。因此，可以鼓勵教師在將來的教學中適當地使用視頻、動畫等教材，提升學生的學習興趣，增加課堂效率。右側下半部分是各個學院的教師人數，因為全校學生必修“大學生英語”或“研究生英語”，還有部分學生會選修特色英語，可以看出外國語學院的教師人數最多，達到191人。而湖北經濟與社會發(fā)展研究院的特色英語教師人數最少，僅有1人，學校領導重視學院的發(fā)展，對這個剛開設的學院將根據現實需求決定引進若干人才。

圖11展示了化學學院在云課堂任課的教師數據集的可視化情況。教育管理者可以點擊任意教師的圖標，查看教師教的所有課程，以及某一門課程的具體教學情況。

綜上所述，數據可視化技術可以幫助教學管理者建立學習者模型，對學生的在線學習表現進行分析，進而發(fā)現課程設計上的問題，完善教學設計與系統(tǒng)功能，提供更好的教學支持服務，促進教學組織的發(fā)展。

五、結論與展望

在線教學數據可視化是大數據發(fā)揮教育價值的重要環(huán)節(jié)，本文將在線教學平臺使用過程中產生的教育數據分成六大類：低維數據、高維數據、文本數據、層次數據、關系數據和地理數據。在分析了教學平臺的數據特點基礎上，本文提出了一系列面向教學場景的數據可視化方法。通過數據可視化工具和技術，教師可以為學生直觀呈現知識，及時了解學生學習狀況，進行課堂教學、教學評價等。學生可以形成知識框架與互聯體系，促進知識表達與內化，并自我評估，及時發(fā)現自己的學習問題。教學管理者可以掌握教師教學效果和學生學習情況，調整教學管理與決策的目標。數據可視化方法在實際教學中進行應用，并以師大云課堂為例進行技術實現和展示，解決了本校教育教學中的實際問題，產生了良好的應用效果，有效地促進了智慧教育的發(fā)展。

根據實際應用的情況，在線教學平臺的數據可視化研究還存在以下不足之處：第一，收集到的數據不能涵蓋所有在線學習平臺的數據類型（如時序性數據），云課堂投入使用的時間不夠長；第二，不能滿足部分用戶自主指定圖表類型的需求，本文只是根據數據類型提供特定的可視化結果。在未來的研究中將針對數據為用戶推薦多種可視化布局類型，以增強用戶的體驗。數據可視化作為教育信息化發(fā)展的重要途徑，在教育領域的應用還處于初步探索階段，需要我們不斷地探討與實踐。

[參考文獻]

蔡慧英，陳婧雅，顧小清. 2013. 支持可視化學習過程的學習技術研究[J]. 中國電化教育（12）：27-33.

陳為，張嵩，魯愛東. 2013. 數據可視化的基本原理與方法[M]. 北京： 科學出版社.

陳誼，甄遠剛，胡海云. 2016. 一種層次結構中多維屬性的可視化方法[J]. 軟件學報（05）：1091-1102.

鄧烈君，王小根，王露露，等. 2016. 可視化教學生態(tài)化發(fā)展的知識圖譜分析[J]. 中國遠程教育（12）：15-21.

李芒，蔡旻君，蔣科蔚，等. 2013. 可視化教學設計方法與應用[J]. 電化教育研究（03）：6-22.

劉婷婷，陳增照，劉三女牙，等. 2016. 創(chuàng)新信息技術支撐教學變革——以蘇州市“未來教室”教育信息化建設為例[J]. 中國教育信息化（18）：12-15.

李志飛，張昭理，劉海，等. 2016. 信息技術驅動下資源環(huán)境學科的教育創(chuàng)新[J]. 中國教育信息化（12）：30-33.

任磊，杜一，馬帥，2014. 大數據可視分析綜述[J]. 軟件學報（09）：1909-1936.

榮榮，楊現民，陳耀華. 2014. 教育管理信息化新發(fā)展：走向智慧管理[J]. 中國電化教育（03）：30-37.

斯蒂爾，伊林斯基，祝洪凱，李妹芳. 2011. 數據可視化之美[M]. 北京：機械工業(yè)出版社.

張湘. 2014. 英語閱讀教學中的圖式交互可視化研究[J]. 中國電化教育（03）：123-128.

張昭理，李志飛，劉海，等. 2017. 利用電子雙板的知識可視化教學研究[J]. 中國遠程教育（3）：16-21，79.

趙國慶. 2012. 概念圖、思維導圖教學應用若干重要問題的探討[J]. 電化教育研究（05）：78-84.

Card， S. K.， Mackinlay， J. D.， & Shneiderman， B. （1999）. Readings in Information Visualization： Using Vision to Think. Morgan Kaufmann Publishers Inc.， San Francisco， CA， USA.

David， Sibbet. 2010. Visual Meetings： How Graphics， Sticky Notes and Idea Mapping Can Transform Group Productivity. New Jersey： John Wiley & Sons：1-10.

Keim， D. A.， （2002）. Information visualization and visual data mining. IEEE Transactions on Visualization and Computer Graphics， 8（1）：1-8.

Keim， D. A.， & Kriegel， H. P. （1994）. VisDB： database exploration using multidimensional visualization. IEEE Computer Graphics and Applications，14（5）：40-49.

Gas， F. B.， & Wattenberg， M.（2008）. Timelines： Tag clouds and the case for vernacular visualization. Interactions， 15（4）：49-52.

Kwan， M. P. （2000）.Interactive geovisualization of activity-travel patterns using three-dimensional geographical information systems： a methodological exploration with a large data set.Transportation Research Part C Emerging Technologies， 8（1）：185-203.

Labrinidis A.， & Jagadish， H. V. （2012）. Challenges and opportunities with big data. Proc VLDB Endow， 5（12）： 2032-2033.

Nahum， D. G.， & Stephen， G. E. （1997）. Information Visualization. IEEE Computer Graphic and Applications， 17（4）：29-31.

Shneiderman， B. 1996. The eyes have it： a task by data type taxonomy for information visualizations. IEEE Symposium on Visual Languages， Boulder， CO，336-343.

收稿日期：2017-04-10

定稿日期：2017-08-01

作者簡介：劉海，博士，副教授，碩士生導師；李姣姣，在讀碩士；張維（通訊作者），博士，副教授，碩士生導師；張昭理，博士，教授，博士生導師；易澤順，在讀碩士。華中師范大學國家數字化學習工程技術研究中心（430079）。

責任編輯 韓世梅