鄧國(guó)民 徐新斐 朱永海

[摘? ?要] 混合學(xué)習(xí)強(qiáng)調(diào)線下課堂教學(xué)和線上自主學(xué)習(xí)的混合以實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)，其中學(xué)習(xí)者的在線自我調(diào)節(jié)學(xué)習(xí)能力顯得異常重要。文章旨在揭示學(xué)習(xí)者的在線自我調(diào)節(jié)學(xué)習(xí)能力存在哪些潛在類別，不同類別學(xué)習(xí)者是否具有不同的在線自我調(diào)節(jié)學(xué)習(xí)行為過(guò)程模型，以及這對(duì)于在線自我調(diào)節(jié)學(xué)習(xí)環(huán)境的設(shè)計(jì)有何啟示。研究首先對(duì)239名學(xué)習(xí)者的在線自我調(diào)節(jié)學(xué)習(xí)能力進(jìn)行測(cè)評(píng)，然后使用潛在剖面分析方法對(duì)測(cè)評(píng)數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)樣本學(xué)習(xí)者可以分為高、中、低三種不同水平的自我調(diào)節(jié)學(xué)習(xí)剖面類別。然后分別對(duì)三種類別學(xué)習(xí)者的在線自我調(diào)節(jié)學(xué)習(xí)行為數(shù)據(jù)進(jìn)行過(guò)程挖掘，研究發(fā)現(xiàn)：（1）學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)能力更多體現(xiàn)在執(zhí)行階段的行為上;（2）中高水平自我調(diào)節(jié)學(xué)習(xí)者的在線學(xué)習(xí)行為表現(xiàn)出更強(qiáng)的認(rèn)知和元認(rèn)知策略;（3）高水平自我調(diào)節(jié)學(xué)習(xí)者體現(xiàn)出更有效的時(shí)間管理策略與更強(qiáng)的整體規(guī)劃能力。因此，在線自我調(diào)節(jié)學(xué)習(xí)環(huán)境需要引入自適應(yīng)支持機(jī)制，為學(xué)習(xí)者提供適應(yīng)性的過(guò)程和策略支持。

[關(guān)鍵詞] 混合學(xué)習(xí); 自我調(diào)節(jié)學(xué)習(xí); 在線自我調(diào)節(jié)學(xué)習(xí)環(huán)境; 潛在剖面分析; 過(guò)程挖掘; 自適應(yīng)學(xué)習(xí)

[中圖分類號(hào)] G434? ? ? ? ? ? [文獻(xiàn)標(biāo)志碼] A

[作者簡(jiǎn)介] 鄧國(guó)民（1981—），男，湖南醴陵人。教授，博士，主要從事信息化環(huán)境下的教師專業(yè)發(fā)展和教育大數(shù)據(jù)研究。E-mail：dam1981@163.com。

一、引? ?言

過(guò)程挖掘最先應(yīng)用于企業(yè)事務(wù)的流程管理中，使用基于模型和面向數(shù)據(jù)的分析技術(shù)，從信息系統(tǒng)的事件日志中挖掘事務(wù)流程模型，發(fā)現(xiàn)、監(jiān)測(cè)和改進(jìn)業(yè)務(wù)流程[1]。教育過(guò)程挖掘（Educational Process Mining，EPM）是過(guò)程挖掘技術(shù)與方法在教育領(lǐng)域中的應(yīng)用，一般使用在線學(xué)習(xí)環(huán)境記錄的學(xué)習(xí)行為日志數(shù)據(jù)，或利用出聲思維、觀察等方法記錄學(xué)習(xí)者的行為數(shù)據(jù)，以發(fā)現(xiàn)、分析和直觀表示完整的教育過(guò)程，為改進(jìn)教育過(guò)程提供依據(jù)[2]。在線學(xué)習(xí)對(duì)學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)能力提出了更高的要求，國(guó)內(nèi)外一些學(xué)者在自我調(diào)節(jié)學(xué)習(xí)理論框架的基礎(chǔ)上，設(shè)計(jì)和構(gòu)建了在線自我調(diào)節(jié)學(xué)習(xí)環(huán)境，為學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)提供過(guò)程支架，并將他們的在線自我調(diào)節(jié)學(xué)習(xí)行為細(xì)粒度數(shù)據(jù)記錄下來(lái)[3]。本研究重點(diǎn)探討如何在這些學(xué)習(xí)行為日志數(shù)據(jù)的基礎(chǔ)上進(jìn)行過(guò)程挖掘，檢驗(yàn)學(xué)習(xí)者在線自我調(diào)節(jié)學(xué)習(xí)行為的事件性和過(guò)程性，分析和比較不同自我調(diào)節(jié)學(xué)習(xí)能力水平學(xué)習(xí)者的在線學(xué)習(xí)行為過(guò)程模型，并在此基礎(chǔ)上為教師和學(xué)生提供策略建議，為在線自我調(diào)節(jié)學(xué)習(xí)環(huán)境的發(fā)展與完善提供依據(jù)。

二、研究現(xiàn)狀

大量研究證據(jù)表明，學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)水平和學(xué)業(yè)成績(jī)之間是正相關(guān)的。Zimmerman和Bandura的研究發(fā)現(xiàn)，自我調(diào)節(jié)學(xué)習(xí)策略的應(yīng)用可以預(yù)測(cè)學(xué)生的學(xué)業(yè)成績(jī)[4];Puzziferro的研究發(fā)現(xiàn)，在線學(xué)習(xí)環(huán)境下，學(xué)習(xí)者自我調(diào)節(jié)學(xué)習(xí)的時(shí)間、環(huán)境和努力調(diào)節(jié)與其學(xué)業(yè)成績(jī)顯著相關(guān)[5];Lim和Jalil使用結(jié)構(gòu)方程模型分析方法確定了在混合學(xué)習(xí)環(huán)境下，學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)策略對(duì)其學(xué)習(xí)成績(jī)的影響[6]。

這些研究主要使用主觀報(bào)告的方法測(cè)量學(xué)習(xí)者使用自我調(diào)節(jié)學(xué)習(xí)策略的情況，主要測(cè)量?jī)?nèi)容包括認(rèn)知、元認(rèn)知和資源管理策略與調(diào)節(jié)[7]。他們雖然證明了自我調(diào)節(jié)學(xué)習(xí)策略和學(xué)業(yè)成績(jī)之間的關(guān)系，但主要側(cè)重于探討學(xué)習(xí)者內(nèi)在的心理特征和能力屬性與其最終學(xué)業(yè)成績(jī)之間的關(guān)系，而無(wú)法說(shuō)明這些策略是如何外化為自我調(diào)節(jié)學(xué)習(xí)行為以及如何發(fā)揮作用的。

近年來(lái)，一些研究檢測(cè)了基于學(xué)習(xí)者在線學(xué)習(xí)行為日志數(shù)據(jù)的過(guò)程挖掘方法能否用于測(cè)量在線自我調(diào)節(jié)學(xué)習(xí)和預(yù)測(cè)學(xué)習(xí)效果。Cho等人發(fā)現(xiàn)，對(duì)學(xué)習(xí)者的在線自我調(diào)節(jié)學(xué)習(xí)行為日志數(shù)據(jù)進(jìn)行挖掘，要比對(duì)自我報(bào)告的調(diào)查數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析具有更好的預(yù)測(cè)能力[8];Bannert等使用過(guò)程挖掘方法，識(shí)別和挖掘通過(guò)口語(yǔ)報(bào)告的方式捕獲的自我調(diào)節(jié)學(xué)習(xí)事件中的過(guò)程模型，發(fā)現(xiàn)學(xué)習(xí)者的成功與否與其學(xué)習(xí)調(diào)節(jié)事件的多少和時(shí)間序列模式有關(guān)[9];Rodríguez等將學(xué)習(xí)者觀看視頻講座的行為事件記錄下來(lái)，然后使用過(guò)程挖掘技術(shù)分別對(duì)最成功和最不成功的學(xué)習(xí)者群組進(jìn)行自我調(diào)節(jié)學(xué)習(xí)過(guò)程挖掘與比較，以揭示不同學(xué)習(xí)者群組在自我調(diào)節(jié)學(xué)習(xí)行為與元認(rèn)知活動(dòng)方面存在的差異[10]。

過(guò)程挖掘技術(shù)為自我調(diào)節(jié)學(xué)習(xí)理論模型的檢驗(yàn)提供了一種新的客觀主義和微觀主義的視角。但仍存在一定的局限性：（1）數(shù)據(jù)的跟蹤記錄方案并沒(méi)有依據(jù)自我調(diào)節(jié)學(xué)習(xí)理論進(jìn)行，而是事后根據(jù)理論主觀對(duì)在線學(xué)習(xí)行為進(jìn)行二次編碼，帶有明顯的主觀性;（2）大多集中在頻率的分析上，而學(xué)習(xí)者自我調(diào)節(jié)學(xué)習(xí)活動(dòng)的動(dòng)態(tài)發(fā)展過(guò)程尚不明確。

因此，我們需要在自我調(diào)節(jié)學(xué)習(xí)理論模型的基礎(chǔ)上，構(gòu)建學(xué)習(xí)者在線自我調(diào)節(jié)學(xué)習(xí)行為數(shù)據(jù)的跟蹤記錄方案，再利用過(guò)程挖掘方法對(duì)他們的自我調(diào)節(jié)學(xué)習(xí)行為序列模式進(jìn)行挖掘，才能夠真正揭示出自我調(diào)節(jié)學(xué)習(xí)策略是如何外化為在線學(xué)習(xí)行為模式并提高學(xué)習(xí)效果的。

三、研究方法

（一）研究對(duì)象與研究問(wèn)題

本研究的研究對(duì)象為一門(mén)混合課程的選課學(xué)生，該門(mén)課程采用“線上+線下”的混合教學(xué)模式。其中，“信息時(shí)代教師專業(yè)能力發(fā)展”主題的學(xué)習(xí)讓學(xué)習(xí)者使用“基于開(kāi)放教育資源的在線自我調(diào)節(jié)學(xué)習(xí)環(huán)境”進(jìn)行自主學(xué)習(xí)，共245名學(xué)習(xí)者參與，其中男生29名，女生216名，他們來(lái)自現(xiàn)代教育技術(shù)、學(xué)科教學(xué)、小學(xué)教育、音樂(lè)教育和體育教育等20個(gè)學(xué)科專業(yè)。系統(tǒng)全程記錄他們的學(xué)習(xí)行為數(shù)據(jù)，然后使用剖面分析和過(guò)程挖掘方法回答以下研究問(wèn)題：

（1）學(xué)習(xí)者在線自我調(diào)節(jié)學(xué)習(xí)策略及技能水平的潛在剖面有哪些類別？

（2）不同剖面學(xué)習(xí)者的在線自我調(diào)節(jié)學(xué)習(xí)行為模式之間有何差異？

（3）不同剖面學(xué)習(xí)者的在線自我調(diào)節(jié)學(xué)習(xí)行為時(shí)間序列模式之間有何差異？

（4）不同剖面學(xué)習(xí)者的在線自我調(diào)節(jié)學(xué)習(xí)行為模式及其時(shí)間序列模式之間的差異，對(duì)于在線自我調(diào)節(jié)學(xué)習(xí)環(huán)境的設(shè)計(jì)有何啟示？

（二）潛在剖面分析

本研究使用在線自我調(diào)節(jié)學(xué)習(xí)問(wèn)卷（Online Self-Regulated Learning Questionnaire，OSLQ）調(diào)查學(xué)習(xí)者的在線自我調(diào)節(jié)學(xué)習(xí)能力。OSLQ包含24個(gè)項(xiàng)目，采用李克特量表形式，從目標(biāo)設(shè)置、環(huán)境組織、時(shí)間管理、尋求幫助、任務(wù)策略和自我評(píng)價(jià)等六個(gè)維度測(cè)量在線學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)能力及策略，在過(guò)去的在線學(xué)習(xí)和混合學(xué)習(xí)環(huán)境下的學(xué)習(xí)者樣本身上顯示出令人滿意的心理測(cè)量特性[11]。測(cè)量之后，使用Mplus軟件對(duì)獲取的學(xué)習(xí)者在線自我調(diào)節(jié)學(xué)習(xí)策略水平各指標(biāo)數(shù)據(jù)進(jìn)行潛在剖面分析，以確定他們?cè)谧晕艺{(diào)節(jié)學(xué)習(xí)策略水平方面可以劃分為哪幾種類別。

（三）教育過(guò)程挖掘

本研究使用ProM 6.9軟件對(duì)學(xué)習(xí)者的在線自我調(diào)節(jié)學(xué)習(xí)行為數(shù)據(jù)進(jìn)行過(guò)程挖掘，比較和揭示不同剖面類別學(xué)習(xí)者的在線自我調(diào)節(jié)學(xué)習(xí)過(guò)程模型。ProM是由埃因霍溫大學(xué)的Van Der Aalst W研究團(tuán)隊(duì)開(kāi)發(fā)的一個(gè)基于Java的免費(fèi)開(kāi)源軟件，能夠處理大規(guī)模的包含噪聲的數(shù)據(jù)日志文件，返回較高質(zhì)量、適配性較好的過(guò)程模型，并支持規(guī)則挖掘和跟蹤聚類[12]。使用ProM軟件進(jìn)行過(guò)程挖掘，一般包括計(jì)劃、提取、數(shù)據(jù)處理、挖掘與分析、評(píng)估和過(guò)程提升與支持等六個(gè)階段[13]。

四、在線自我調(diào)節(jié)學(xué)習(xí)能力潛在剖面分析

OSLQ問(wèn)卷在線發(fā)放給245名選課學(xué)生，共回收有效答卷239份。本研究針對(duì)參與者在各子量表上所得分?jǐn)?shù)進(jìn)行潛在剖面分析（Latent Profile Analysis， LPA），估計(jì)他們未被觀察到的異質(zhì)性并對(duì)其進(jìn)行分類，確定學(xué)習(xí)者可能屬于何種自我調(diào)節(jié)學(xué)習(xí)特征類別。潛在剖面分析的模型擬合度統(tǒng)計(jì)結(jié)果見(jiàn)表1，其中，三種剖面類別的解決方案模型擬合優(yōu)度較佳：從LMR值（<0.05）來(lái)看，支持保留2種、3種或5種類別;從Entropy值來(lái)看，保留3種類別的情況下Entropy值最高，表明將自我調(diào)節(jié)學(xué)習(xí)者劃分為3種剖面類別最為精確;AIC值和BIC值隨類別數(shù)遞減，未見(jiàn)最低值，但保留3種類別以后，遞減速度降低，表明在此處存在拐點(diǎn)。綜合來(lái)看，保留3種在線自我調(diào)節(jié)學(xué)習(xí)剖面類別是相對(duì)比較合適的。

潛在剖面分析輸出的條件均值分布情況如圖1所示，可以看出，根據(jù)學(xué)習(xí)者樣本的在線自我調(diào)節(jié)學(xué)習(xí)能力，可以將其劃分為三種主要的剖面類別：（1）高水平自我調(diào)節(jié)學(xué)習(xí)者（50.1%），各項(xiàng)指標(biāo)均值大概在6.0左右浮動(dòng);（2）中等水平自我調(diào)節(jié)學(xué)習(xí)者（46.7%），各項(xiàng)指標(biāo)均值大概在5.0左右浮動(dòng);（3）低水平自我調(diào)節(jié)學(xué)習(xí)者（3.3%），各項(xiàng)指標(biāo)均值大概在3.0左右浮動(dòng)。

五、不同剖面學(xué)習(xí)者的在線自我調(diào)節(jié)學(xué)習(xí)行為過(guò)程挖掘

（一）計(jì)劃階段

計(jì)劃階段旨在建立研究項(xiàng)目并確定研究問(wèn)題，其中輸入是組織的業(yè)務(wù)流程，輸出是與目標(biāo)相關(guān)的研究問(wèn)題和一組要分析的業(yè)務(wù)流程執(zhí)行的信息系統(tǒng)[13]。本研究選擇“基于開(kāi)放教育資源的在線自我調(diào)節(jié)學(xué)習(xí)環(huán)境”作為過(guò)程挖掘的信息系統(tǒng)。該系統(tǒng)充分利用清華教育在線（THEOL）資源中心多年積累的各類開(kāi)放教育資源，從系統(tǒng)功能層面引入自我調(diào)節(jié)學(xué)習(xí)支持，讓學(xué)習(xí)者能夠自定學(xué)習(xí)目標(biāo)，制定個(gè)人學(xué)習(xí)計(jì)劃，進(jìn)行自我監(jiān)測(cè)和自我調(diào)節(jié)，以及自我評(píng)價(jià)和反思，并將他們的在線自我調(diào)節(jié)學(xué)習(xí)的三個(gè)階段：事先計(jì)劃階段（目標(biāo)設(shè)置和學(xué)習(xí)計(jì)劃）、執(zhí)行階段（自我監(jiān)測(cè)和自我調(diào)節(jié)）以及自我反思階段（自我判斷和自我反應(yīng)）的細(xì)粒度行為事件數(shù)據(jù)記錄下來(lái)，作為過(guò)程挖掘與分析的數(shù)據(jù)來(lái)源[3]。因此，本研究使用的在線自我調(diào)節(jié)學(xué)習(xí)環(huán)境及其數(shù)據(jù)跟蹤記錄方案是嚴(yán)格建立在自我調(diào)節(jié)學(xué)習(xí)理論基礎(chǔ)上的，記錄下來(lái)的行為事件日志能夠如實(shí)反映學(xué)習(xí)者在線自我調(diào)節(jié)學(xué)習(xí)的完整發(fā)生過(guò)程，有效彌補(bǔ)目前自我調(diào)節(jié)學(xué)習(xí)過(guò)程挖掘研究使用事后主觀編碼數(shù)據(jù)可能帶來(lái)的偏差。

（二）提取階段

提取階段包括三個(gè)活動(dòng)，分別為確定范圍、提取事件數(shù)據(jù)和轉(zhuǎn)換過(guò)程知識(shí)[13]。首先，學(xué)習(xí)者所有的在線自我調(diào)節(jié)學(xué)習(xí)行為事件按三個(gè)階段分別記錄為相應(yīng)的事件類，提取的屬性包括案例（用戶）、自我調(diào)節(jié)學(xué)習(xí)行為事件和時(shí)間等。其次，根據(jù)提取范圍，從在線自我調(diào)節(jié)學(xué)習(xí)環(huán)境中收集相關(guān)的數(shù)據(jù)集。最后，利用自我調(diào)節(jié)學(xué)習(xí)過(guò)程理論解釋和表述業(yè)務(wù)流程和事件屬性相關(guān)的隱性知識(shí)。

（三）數(shù)據(jù)處理

數(shù)據(jù)處理階段的主要目標(biāo)是將事件日志創(chuàng)建為事件數(shù)據(jù)的不同視圖，并處理事件日志，使其能夠更加適合于數(shù)據(jù)挖掘與分析。本階段的輸入主要有事件數(shù)據(jù)以及過(guò)濾事件數(shù)據(jù)的過(guò)程模型，輸出是在挖掘和分析階段使用的事件日志。該階段包括四種類型的活動(dòng)，分別為創(chuàng)建視圖、聚合事件、豐富日志和過(guò)濾日志[13]。本研究將自我調(diào)節(jié)學(xué)習(xí)環(huán)境記錄下來(lái)的行為日志數(shù)據(jù)提取出來(lái)，并處理為ProM軟件能夠處理的數(shù)據(jù)格式，見(jiàn)表2。表2為一個(gè)學(xué)習(xí)者案例（case：466776）事先計(jì)劃階段的部分?jǐn)?shù)據(jù)，包括目標(biāo)設(shè)置和學(xué)習(xí)計(jì)劃兩類事件。

（四）挖掘與分析

挖掘與分析階段，使用過(guò)程挖掘技術(shù)對(duì)事件日志進(jìn)行挖掘與分析，回答研究問(wèn)題，并深入了解過(guò)程績(jī)效及合適度。此階段的輸入是事件日志，輸出是回答與績(jī)效和目標(biāo)相關(guān)的研究問(wèn)題的結(jié)果[13]。本研究主要使用模糊挖掘方法，對(duì)三種不同類別學(xué)習(xí)者的在線自我調(diào)節(jié)學(xué)習(xí)過(guò)程模型進(jìn)行挖掘。模糊挖掘算法用于過(guò)程分析，能夠生成一個(gè)和Zimmerman自我調(diào)節(jié)學(xué)習(xí)過(guò)程模型相當(dāng)?shù)倪^(guò)渡圖，有助于我們清晰地理解和比較不同類別學(xué)習(xí)者的過(guò)程模型。

模糊挖掘（Fuzzy Miner）是一種在非結(jié)構(gòu)化數(shù)據(jù)中找到基礎(chǔ)過(guò)程的方法，可以將隱含在日志數(shù)據(jù)中的行為過(guò)程揭示出來(lái)，通過(guò)考慮所有事件的相對(duì)重要性和時(shí)間順序，將其轉(zhuǎn)換為由結(jié)點(diǎn)（事件）和邊（兩個(gè)事件類之間的關(guān)系）組成的自我調(diào)節(jié)學(xué)習(xí)細(xì)節(jié)過(guò)程模型，從而可以區(qū)分事件序列中重要的和相對(duì)次要的細(xì)節(jié)。模糊模型支持小樣本數(shù)據(jù)的挖掘，使用顯著性和相關(guān)性兩個(gè)指標(biāo)，計(jì)算給定數(shù)據(jù)集中的過(guò)程模型。顯著性主要衡量事件類別的發(fā)生和事件之間關(guān)系的相對(duì)重要性，比如事件發(fā)生的頻次往往被視為衡量其重要性的指標(biāo)，包括一元顯著性（節(jié)點(diǎn)/事件類）和二元顯著性（兩個(gè)事件類的邊緣/關(guān)系）;相關(guān)性主要針對(duì)邊進(jìn)行計(jì)算，表示彼此跟隨的兩個(gè)事件之間密切相關(guān)的程度，屬于二元相關(guān)性（邊緣）[9，14]。

最終挖掘結(jié)果如圖2所示。其中，低水平自我調(diào)節(jié)學(xué)習(xí)者的平均事件數(shù)為24.375次（195/8），中等水平自我調(diào)節(jié)學(xué)習(xí)者的平均事件數(shù)為21.8次（2616/120），而高水平自我調(diào)節(jié)學(xué)習(xí)者的平均事件數(shù)為57.234次（6353/111）。圖中圓角矩形結(jié)點(diǎn)表示自我調(diào)節(jié)學(xué)習(xí)行為事件類，結(jié)點(diǎn)中包括事件名稱及其一元顯著性指標(biāo)（根據(jù)事件發(fā)生頻率，用0至1之間的數(shù)值表示）。結(jié)點(diǎn)之間的箭頭表示其首尾相連的是兩個(gè)連續(xù)事件，包括二元顯著性指標(biāo)（上面數(shù)值，值越高表示兩個(gè)事件順序發(fā)生的頻次越高）和二元相關(guān)性指標(biāo)（下面數(shù)值，值越高表示兩個(gè)事件發(fā)起的時(shí)間比較相關(guān)）。

左側(cè)為低水平自我調(diào)節(jié)學(xué)習(xí)者模型，中間為中等水平自我調(diào)節(jié)學(xué)習(xí)者模型，右側(cè)為高水平自我調(diào)節(jié)學(xué)習(xí)者模型。根據(jù)Zimmerman的自我調(diào)節(jié)學(xué)習(xí)過(guò)程模型，三種類別學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)過(guò)程均包括前期準(zhǔn)備、目標(biāo)設(shè)置、學(xué)習(xí)計(jì)劃、自我監(jiān)測(cè)、自我調(diào)節(jié)、自我判斷和自我反應(yīng)等學(xué)習(xí)行為事件，但他們?cè)谑录突〉娘@著性與相關(guān)性指標(biāo)方面存在較大的差異。

一元顯著性方面，低水平自我調(diào)節(jié)學(xué)習(xí)者事先計(jì)劃階段的行為事件，包括目標(biāo)設(shè)置和學(xué)習(xí)計(jì)劃等行為發(fā)生的顯著性最高，中等水平學(xué)習(xí)者次之，高水平學(xué)習(xí)者最低。執(zhí)行階段的自我調(diào)節(jié)學(xué)習(xí)行為，包括自我監(jiān)測(cè)和自我調(diào)節(jié)，高水平學(xué)習(xí)者的顯著性水平最高，中等水平學(xué)習(xí)者次之，而低水平學(xué)習(xí)者最低。自我反思階段的行為事件，包括自我判斷和自我反應(yīng)，低水平學(xué)習(xí)者行為事件的顯著性最高，高水平學(xué)習(xí)者次之，而中等水平學(xué)習(xí)者最低。因此，學(xué)習(xí)者的在線自我調(diào)節(jié)學(xué)習(xí)能力對(duì)其執(zhí)行階段的學(xué)習(xí)行為具有比較好的預(yù)見(jiàn)性，而無(wú)法預(yù)見(jiàn)事先計(jì)劃階段和自我反思階段的行為。

二元顯著性方面，所有學(xué)習(xí)者在事先計(jì)劃階段和執(zhí)行階段的行為事件類之間均存在循環(huán)，但低水平學(xué)習(xí)者在事后反思階段的行為事件類之間不存在循環(huán)。這說(shuō)明在自我反思階段，低水平學(xué)習(xí)者在提交作業(yè)并經(jīng)過(guò)自我評(píng)價(jià)和判斷后，較少繼續(xù)修改和完善，而中、高水平學(xué)習(xí)者更傾向于對(duì)自己的作業(yè)和作品進(jìn)行反復(fù)修改、完善和再次提交，而呈現(xiàn)出自我判斷和自我反應(yīng)的循環(huán)過(guò)程，高水平學(xué)習(xí)者的這種循環(huán)往復(fù)要更加顯著。雖然在前面兩個(gè)階段內(nèi)均存在行為事件循環(huán)，但在顯著性方面仍然存在一定的差異。首先，在事先計(jì)劃階段，?。繕?biāo)設(shè)置→學(xué)習(xí)計(jì)劃）的顯著性水平隨自我調(diào)節(jié)學(xué)習(xí)水平的提升而提升，而?。▽W(xué)習(xí)計(jì)劃→目標(biāo)設(shè)置）的顯著性水平則相反，表明自我調(diào)節(jié)學(xué)習(xí)策略水平越高的學(xué)習(xí)者，越傾向于按照Z(yǔ)immerman的自我調(diào)節(jié)學(xué)習(xí)理論模型進(jìn)行學(xué)習(xí)，即先在個(gè)人認(rèn)知結(jié)構(gòu)的基礎(chǔ)上仔細(xì)設(shè)置學(xué)習(xí)目標(biāo)，再基于學(xué)習(xí)目標(biāo)精心制定個(gè)人學(xué)習(xí)計(jì)劃，而不是較為隨意地設(shè)置學(xué)習(xí)目標(biāo)，然后在制定學(xué)習(xí)計(jì)劃的過(guò)程中再盲目地修改。其次，在執(zhí)行階段，?。ㄗ晕冶O(jiān)測(cè)→自我調(diào)節(jié)）和?。ㄗ晕艺{(diào)節(jié)→自我監(jiān)測(cè)）的顯著性水平，高水平學(xué)習(xí)者要高于中、低水平學(xué)習(xí)者。最后，在自我反思階段，?。ㄗ晕遗袛唷晕曳磻?yīng)）和弧（自我反應(yīng)→自我判斷）的顯著性水平，高水平學(xué)習(xí)者要高于中等水平學(xué)習(xí)者?？傊?，從二元顯著性指標(biāo)來(lái)看，高水平學(xué)習(xí)者在自我調(diào)節(jié)學(xué)習(xí)過(guò)程中更多使用了認(rèn)知和元認(rèn)知策略，對(duì)學(xué)習(xí)計(jì)劃、目標(biāo)結(jié)構(gòu)及學(xué)習(xí)成果均更傾向于進(jìn)行反復(fù)的監(jiān)測(cè)與調(diào)整。

二元相關(guān)性方面，自我調(diào)節(jié)學(xué)習(xí)三個(gè)階段的所有弧，包括（目標(biāo)設(shè)置→學(xué)習(xí)計(jì)劃）、（學(xué)習(xí)計(jì)劃→目標(biāo)設(shè)置）、（自我監(jiān)測(cè)→自我調(diào)節(jié)）、（自我調(diào)節(jié)→自我監(jiān)測(cè)）、（自我判斷→自我反應(yīng)）和（自我反應(yīng)→自我判斷）的相關(guān)性，除低水平學(xué)習(xí)者缺失?。ㄗ晕遗袛唷晕曳磻?yīng)）以外，高水平學(xué)習(xí)者的取值均在0.9以上，要遠(yuǎn)高于其他學(xué)習(xí)者。因此，高水平學(xué)習(xí)者在不同階段內(nèi)的學(xué)習(xí)行為，均表現(xiàn)出更密切的順序關(guān)系、情境相似性和時(shí)間延續(xù)性，表明他們?cè)诟麟A段的自我調(diào)節(jié)學(xué)習(xí)行為過(guò)程中能夠更好地進(jìn)行時(shí)間管理和及時(shí)做出調(diào)整與反應(yīng)。從潛在剖面分析結(jié)果也可以看出，高水平學(xué)習(xí)者具有最高的環(huán)境組織、任務(wù)管理和時(shí)間管理能力，而這些能力也會(huì)在實(shí)際的學(xué)習(xí)過(guò)程中影響到他們的在線學(xué)習(xí)行為。

因此，從不同類別學(xué)習(xí)者的在線自我調(diào)節(jié)學(xué)習(xí)過(guò)程模型來(lái)看，中、高水平學(xué)習(xí)者的在線自我調(diào)節(jié)學(xué)習(xí)表現(xiàn)出更多的學(xué)習(xí)行為事件及不同事件之間的循環(huán)往復(fù)，表明他們?cè)谠诰€學(xué)習(xí)過(guò)程中有更多的行為投入、更強(qiáng)的認(rèn)知和元認(rèn)知策略。高水平學(xué)習(xí)者更是對(duì)其在線自我調(diào)節(jié)學(xué)習(xí)過(guò)程表現(xiàn)出更強(qiáng)的整體規(guī)劃能力、及時(shí)調(diào)整和反應(yīng)能力以及更有效的時(shí)間管理能力。

（五）評(píng)估

ProM軟件支持時(shí)間邏輯檢測(cè)語(yǔ)言（Language for Temporal Logic Checker，LTL Checker），能夠用于檢測(cè)和評(píng)估學(xué)習(xí)者日志行為匹配自我調(diào)節(jié)學(xué)習(xí)部分過(guò)程的情況，比如通過(guò)制定邏輯公式，檢測(cè)學(xué)習(xí)者是否按照自我調(diào)節(jié)學(xué)習(xí)過(guò)程模型中的某些行為序列進(jìn)行學(xué)習(xí)。三種剖面類別學(xué)習(xí)者的LTL檢測(cè)結(jié)果見(jiàn)表3。可見(jiàn)，低水平學(xué)習(xí)者的行為主要集中于事先計(jì)劃和執(zhí)行階段，而中、高水平學(xué)習(xí)者行為的覆蓋面要更加全面，尤其是高水平學(xué)習(xí)者，在不同階段的學(xué)習(xí)行為分布比較均勻，各階段行為之間的銜接比較連貫，基本貫穿了整個(gè)學(xué)習(xí)過(guò)程。

六、結(jié)? ?語(yǔ)

本研究揭示出學(xué)習(xí)者的在線自我調(diào)節(jié)學(xué)習(xí)能力水平存在高、中、低三種潛在剖面類別，然后分別挖掘出三種不同類別學(xué)習(xí)者的在線自我調(diào)節(jié)學(xué)習(xí)行為過(guò)程模式及時(shí)間序列模式，這進(jìn)一步驗(yàn)證了自我調(diào)節(jié)學(xué)習(xí)過(guò)程的事件性和過(guò)程性，同時(shí)也在過(guò)程挖掘的基礎(chǔ)上揭示出自我調(diào)節(jié)學(xué)習(xí)過(guò)程的復(fù)雜性、靈活性和時(shí)序性。很多時(shí)候，學(xué)習(xí)者的在線自我調(diào)節(jié)學(xué)習(xí)行為過(guò)程并不是直線式的，而是存在大量循環(huán)反復(fù)的迭代過(guò)程，這也反映了學(xué)習(xí)者在學(xué)習(xí)過(guò)程中對(duì)其認(rèn)知及元認(rèn)知策略的不斷調(diào)節(jié)。過(guò)去的研究往往聚焦于各階段行為事件發(fā)生的頻率與學(xué)習(xí)成績(jī)的關(guān)系，而很少關(guān)注各階段行為事件的時(shí)間序列模式也可能對(duì)學(xué)習(xí)成績(jī)產(chǎn)生重要的影響。因此，本研究的主要貢獻(xiàn)在于：（1）揭示出自我調(diào)節(jié)學(xué)習(xí)不是由一系列簡(jiǎn)單的行為事件所組成的，而是一個(gè)具有很強(qiáng)的時(shí)序性、關(guān)聯(lián)性、延續(xù)性和循環(huán)迭代的復(fù)雜過(guò)程，背后涉及大量的認(rèn)知、元認(rèn)知和情感等方面的參與;（2）清晰地呈現(xiàn)出不同自我調(diào)節(jié)學(xué)習(xí)能力水平學(xué)習(xí)者的在線學(xué)習(xí)行為模式及其時(shí)間序列模式的詳細(xì)過(guò)程及細(xì)微差異，為形成自我調(diào)節(jié)學(xué)習(xí)策略是如何影響學(xué)生的學(xué)習(xí)行為，進(jìn)而影響學(xué)習(xí)成績(jī)的完整證據(jù)鏈補(bǔ)充上缺失的一環(huán)。

學(xué)習(xí)者具有不同的自我調(diào)節(jié)學(xué)習(xí)能力水平，即使給他們提供在線自我調(diào)節(jié)學(xué)習(xí)環(huán)境支持，也并不代表所有學(xué)習(xí)者都能夠有效利用。因此，在線自我調(diào)節(jié)學(xué)習(xí)環(huán)境需要引入自適應(yīng)支持機(jī)制， 使其能夠自動(dòng)分析和診斷學(xué)習(xí)者的在線自我調(diào)節(jié)學(xué)習(xí)能力、過(guò)程和狀態(tài)，為其提供適應(yīng)性的自我調(diào)節(jié)學(xué)習(xí)過(guò)程支持，彌補(bǔ)他們?cè)诰€自我調(diào)節(jié)學(xué)習(xí)行為的時(shí)間序列模式、循環(huán)迭代和延續(xù)性等方面的短板，幫助他們獲得高水平學(xué)習(xí)者的學(xué)習(xí)經(jīng)驗(yàn)，達(dá)到提高學(xué)習(xí)效果的目的。研究結(jié)論對(duì)在線自我調(diào)節(jié)學(xué)習(xí)環(huán)境設(shè)計(jì)的具體啟示意義包括：（1）構(gòu)建在線自我調(diào)節(jié)學(xué)習(xí)數(shù)據(jù)跟蹤記錄的大數(shù)據(jù)技術(shù)架構(gòu);（2）對(duì)自適應(yīng)學(xué)習(xí)者模型進(jìn)行拓展，引入自我調(diào)節(jié)學(xué)習(xí)屬性，構(gòu)建在線自我調(diào)節(jié)學(xué)習(xí)者模型;（3）設(shè)計(jì)基于規(guī)則的在線自我調(diào)節(jié)學(xué)習(xí)過(guò)程和時(shí)間序列模式的分析與診斷方案;（4）構(gòu)建符合不同學(xué)習(xí)者能力的自我調(diào)節(jié)學(xué)習(xí)策略庫(kù)，并通過(guò)與其他系統(tǒng)組件的互操作為學(xué)習(xí)者的在線自我調(diào)節(jié)學(xué)習(xí)提供自適應(yīng)過(guò)程支架。

通過(guò)使用過(guò)程挖掘方法，我們可以更細(xì)致入微地理解和認(rèn)識(shí)在線自我調(diào)節(jié)學(xué)習(xí)的行為過(guò)程模式及其時(shí)間序列模式，這是傳統(tǒng)自我調(diào)節(jié)學(xué)習(xí)研究方法無(wú)法勝任的。但是，過(guò)程挖掘方法也不可避免地存在一定的局限性：（1）過(guò)程挖掘方法采用純粹的基于歸納的數(shù)據(jù)驅(qū)動(dòng)方法，目前只能挖掘行為事件層面的數(shù)據(jù)，而對(duì)于自我調(diào)節(jié)學(xué)習(xí)涉及的認(rèn)知、動(dòng)機(jī)和情緒等方面的數(shù)據(jù)無(wú)能為力，因而導(dǎo)致挖掘結(jié)果不可避免地帶有一定的片面性和理論價(jià)值的局限性[9]。 （2）過(guò)程挖掘模型實(shí)際上是一種描述性模型，它最初的目的在于優(yōu)化業(yè)務(wù)流程，而不是測(cè)試?yán)碚?。因此，如果要確定自我調(diào)節(jié)學(xué)習(xí)過(guò)程模型的理論性，還需要借助統(tǒng)計(jì)學(xué)方法對(duì)不同學(xué)習(xí)者群體之間的差異性進(jìn)行顯著性統(tǒng)計(jì)分析。

[參考文獻(xiàn)]

[1] GHAZAL M A， IBRAHIM O， SALAMA M A. Educational process mining： a systematic literature review[C]//2017 European Conference on Electrical Engineering and Computer Science （EECS）. Bern： IEEE， 2017： 198-203.

[2] BOGARN A， CEREZO R， ROMERO C. A survey on educational process mining[J]. WIREs data mining and knowledge discovery， 2018， 8（1）： 1230.

[3] 鄧國(guó)民，韓錫斌，楊娟.基于OERs的自我調(diào)節(jié)學(xué)習(xí)行為對(duì)學(xué)習(xí)成效的影響[J].電化教育研究，2016，37（3）： 42-49，58.

[4] ZIMMERMAN B J， BANDURA A. Impact of self-regulatory influences on writing course attainment[J]. American educational research journal， 1994， 31（4）：845-862.

[5] PUZZIFERRO M. Online technologies self-efficacy and self-regulated learning as predictors of final grade and satisfaction in college-level online courses[J]. American journal of distance education， 2008， 22（2）： 72-89.

[6] LIM C L， JALIL H A， MAROF A M， et al. Peer learning， self-regulated learning and academic achievement in blended learning courses： a structural equation modeling approach[J]. International journal of emerging technologies in learning， 2020， 15（3）： 110-125.

[7] BROADBENT J. Comparing online and blended learner's self-regulated learning strategies and academic performance[J]. The internet and higher education， 2017， 33 （1）： 24-32.

[8] CHO M H， YOO J S. Exploring online students' self-regulated learning with self-reported surveys and log files： a data mining approach[J]. Interactive learning environments， 2017， 25（8）： 970-982.

[9] BANNERT M， REIMANN P， SONNENBERG C. Process mining techniques for analysing patterns and strategies in students' self-regulated learning[J]. Metacognition and learning， 2014， 9（2）： 161-185.

[10] RODRGUEZ M C， NISTAL M L， FONTE F A M， et al. Exploring the application of process mining to support self-regulated learning： an initial analysis with video lectures[C]//2018 IEEE Global Engineering Education Conference （EDUCON）. Canary Islands： IEEE， 2018： 1766-1774.

[11] BARNARD-BRAK L， LAN W Y， PATON V O. Profiles in self-regulated learning in the online learning environment[J]. International review of research in open & distance learning， 2010， 11（1）：61-79.

[12] VAN DER AALST W. Process mining software[M]//VAN DER AALST W. Process mining. Heidelberg： Springer， 2016： 325-352.

[13] VAN ECK M L， LU X， LEEMANS S J J， et al. PM2： a process mining project methodology[C]//International Conference on Advanced Information Systems Engineering. Cham： Springer， 2015： 297-313.

[14] GNTHER C W， VAN DER AALST W M P. Fuzzy mining–adaptive process simplification based on multi-perspective metrics[C]//International Conference on Business Process Management. Heidelberg： Springer， 2007： 328-343.