黃昌勤 涂雅欣 俞建慧 蔣凡 李明喜

[摘? ?要] 在線學(xué)習(xí)倦怠是學(xué)習(xí)者由于學(xué)習(xí)壓力等因素影響而產(chǎn)生的一種傾向于逃避學(xué)習(xí)的消極心理狀態(tài)，對其進行有效識別與適時預(yù)警是實現(xiàn)高效在線學(xué)習(xí)的重要途徑。鑒于此，文章首先確立了在線學(xué)習(xí)倦怠的內(nèi)涵與結(jié)構(gòu)維度，并基于學(xué)習(xí)倦怠量化表征依據(jù)分析構(gòu)建了數(shù)據(jù)驅(qū)動的在線學(xué)習(xí)倦怠預(yù)警模型;然后從在線學(xué)習(xí)倦怠預(yù)警過程出發(fā)，詳細闡述了數(shù)據(jù)驅(qū)動在線學(xué)習(xí)倦怠預(yù)警的實現(xiàn)方案;最終依托iStudy學(xué)習(xí)平臺完成了在線學(xué)習(xí)倦怠預(yù)警系統(tǒng)功能的設(shè)計與開發(fā)，并以H大學(xué)在線學(xué)習(xí)者為研究對象進行系統(tǒng)應(yīng)用和實證分析。實踐效果表明，該預(yù)警模型可以有效降低學(xué)習(xí)者倦怠水平并顯著提升課程學(xué)習(xí)效果，為在線教育中的學(xué)習(xí)倦怠評估與智能化預(yù)警奠定了一定的基礎(chǔ)。

[關(guān)鍵詞] 數(shù)據(jù)驅(qū)動; 在線學(xué)習(xí); 學(xué)習(xí)倦怠; 學(xué)習(xí)預(yù)警; 智能教育

[中圖分類號] G434? ? ? ? ? ? [文獻標(biāo)志碼] A

[作者簡介] 黃昌勤（1972—），男，湖南常德人。教授，博士，主要從事智能教育技術(shù)與應(yīng)用研究。E-mail：cqhuang@zju.edu.cn。

一、引? ?言

隨著物聯(lián)網(wǎng)、人工智能等技術(shù)的深入推進，具有典型5V特征的教育大數(shù)據(jù)不斷累積，并驅(qū)動在線教育實現(xiàn)個性化創(chuàng)新和變革。2019年，教育部等十一部門聯(lián)合印發(fā)《關(guān)于促進在線教育健康發(fā)展的指導(dǎo)意見》，明確指出要促進在線教育的健康、規(guī)范與有序發(fā)展[1]，疫情期間“停課不停學(xué)”政策的落實更加推動了在線教育應(yīng)用走向大規(guī)模與常態(tài)化發(fā)展。在線學(xué)習(xí)在為學(xué)習(xí)者提供跨時空支持和資源共享保障的同時，其時空分離的特點也造成學(xué)習(xí)者之間交流互動匱乏，導(dǎo)致部分學(xué)習(xí)者產(chǎn)生孤獨感，并進一步引發(fā)學(xué)習(xí)倦怠[2]。學(xué)習(xí)倦怠是由于學(xué)習(xí)壓力或興趣等因素影響而產(chǎn)生的一種傾向于逃避學(xué)習(xí)的消極心理狀態(tài)。作為新技術(shù)支持下的一種認知活動，在線學(xué)習(xí)中積極心理狀態(tài)的維持是在線學(xué)習(xí)效果提升的內(nèi)部基礎(chǔ)保障，針對學(xué)習(xí)倦怠等消極心理狀態(tài)的預(yù)防與克服尤其重要。趙呈領(lǐng)等研究表明，在線學(xué)習(xí)中的教師情感支持可以有效緩解學(xué)習(xí)倦怠[3];徐恩芹等指出，提高個人成就感是降低與避免學(xué)習(xí)倦怠的關(guān)鍵策略[4]。學(xué)習(xí)倦怠研究一直是相關(guān)交叉領(lǐng)域研究的熱點問題，如何識別和緩解學(xué)習(xí)倦怠是提升在線學(xué)習(xí)質(zhì)量的關(guān)鍵所在。

學(xué)習(xí)倦怠發(fā)展與演變相關(guān)研究為在線學(xué)習(xí)倦怠問題的解決指明了方向。Cedoline認為，學(xué)習(xí)倦怠的形成是一個連續(xù)漸進的過程[5]，其發(fā)展一般會經(jīng)歷了解、無好感、倦怠與拒絕四個階段[6]，而處于拒絕階段的學(xué)習(xí)者，任何形式的教學(xué)干預(yù)均無法轉(zhuǎn)變其態(tài)度，因此，在學(xué)習(xí)倦怠初期及時識別并消除影響因素是實施學(xué)習(xí)倦怠干預(yù)的最佳策略[7]。但由于學(xué)習(xí)倦怠的產(chǎn)生表現(xiàn)在情感、行為等多維度且涉及人格特質(zhì)等復(fù)雜因素，其預(yù)防與干預(yù)策略的可操控性成為目前面臨的主要挑戰(zhàn)[8]。隨著在線教育數(shù)據(jù)來源和類型的不斷豐富及其在教育科學(xué)決策中應(yīng)用的不斷深入，數(shù)據(jù)驅(qū)動的智能化預(yù)警為有效解決在線學(xué)習(xí)倦怠問題提供了契機。本研究在在線學(xué)習(xí)倦怠量化表征依據(jù)分析的基礎(chǔ)上，構(gòu)建數(shù)據(jù)驅(qū)動的在線學(xué)習(xí)倦怠預(yù)警模型及其實現(xiàn)方案，對于促進在線學(xué)習(xí)參與度以及在線學(xué)習(xí)的持續(xù)發(fā)展具有重要意義。

二、數(shù)據(jù)驅(qū)動的在線學(xué)習(xí)倦怠預(yù)警模型構(gòu)建

（一）在線學(xué)習(xí)倦怠內(nèi)涵與結(jié)構(gòu)維度的確立

明晰在線學(xué)習(xí)倦怠的內(nèi)涵與結(jié)構(gòu)維度是構(gòu)建在線學(xué)習(xí)倦怠預(yù)警模型的重要前提。通過對國內(nèi)外學(xué)習(xí)倦怠定義的剖析發(fā)現(xiàn)，準(zhǔn)確界定學(xué)習(xí)倦怠需把握兩個核心成分：一是影響因素，二是心理與行為表現(xiàn)。目前大多數(shù)學(xué)者認為，學(xué)習(xí)倦怠是由感知學(xué)習(xí)壓力造成的[9]，但誘發(fā)學(xué)習(xí)壓力的因素存在情境差異性。在線學(xué)習(xí)為學(xué)習(xí)者構(gòu)建了一個由學(xué)習(xí)相關(guān)者和學(xué)習(xí)環(huán)境相互作用而形成的完整生態(tài)系統(tǒng)，系統(tǒng)運行下的主體與環(huán)境因素都會直接或間接地影響在線學(xué)習(xí)壓力，從而引發(fā)學(xué)習(xí)倦怠。依據(jù)工作要求—資源模型（JD-R模型），倦怠主要是由于資源缺乏或要求過大造成的消極狀態(tài)，因此，本研究主要圍繞學(xué)習(xí)資源與學(xué)習(xí)要求，選取相關(guān)主體特征與學(xué)習(xí)情境要素作為在線學(xué)習(xí)倦怠的主要影響因素。在線學(xué)習(xí)倦怠的產(chǎn)生表現(xiàn)為由內(nèi)向外動態(tài)發(fā)散的過程，包含心理和行為兩個方面，心理方面表現(xiàn)為情緒低落與成就感降低，行為方面表現(xiàn)為學(xué)習(xí)投入時間和精力減少、完成學(xué)習(xí)任務(wù)被動以及任務(wù)完成水平降低等?；诖?，將在線學(xué)習(xí)倦怠界定為：在線學(xué)習(xí)者受到內(nèi)部主體特征與外部情境因素影響，由于感知學(xué)習(xí)壓力增強而產(chǎn)生的一種傾向于逃避學(xué)習(xí)的消極心理狀態(tài)，主要表現(xiàn)為情緒低落、成就感降低、學(xué)習(xí)交互被動以及學(xué)習(xí)效果降低等心理與行為特征。

結(jié)構(gòu)維度是學(xué)習(xí)倦怠表征與關(guān)聯(lián)量化指標(biāo)選取的基礎(chǔ)。目前國內(nèi)外研究中多學(xué)科、多理論視角下的學(xué)習(xí)倦怠表征內(nèi)容不斷豐富，主要包括學(xué)習(xí)情緒、行為與成就感三方面[10]?；谏鲜鲈诰€學(xué)習(xí)倦怠的內(nèi)涵，本研究借鑒連榕等人提出的情緒低落、行為不當(dāng)與成就感低三維結(jié)構(gòu)模型[11]，結(jié)合在線學(xué)習(xí)環(huán)境對學(xué)習(xí)倦怠各維度進行了修正完善。其中，情緒低落指學(xué)習(xí)者表現(xiàn)出厭惡、沮喪與無望等情緒特征，行為不當(dāng)指學(xué)習(xí)者表現(xiàn)出不按時登錄、不積極交流以及不認真學(xué)習(xí)等行為特征，成就感低指學(xué)習(xí)者出現(xiàn)能力不足感、無進步體驗以及自我評價低等感受。為表述方便，如無特殊說明，下文的學(xué)習(xí)倦怠均指學(xué)習(xí)者的在線學(xué)習(xí)倦怠。

（二）在線學(xué)習(xí)倦怠量化表征依據(jù)分析

在線學(xué)習(xí)倦怠的量化表征依據(jù)分析旨在基于在線學(xué)習(xí)數(shù)據(jù)對學(xué)習(xí)者倦怠情況進行刻畫，并將其用于后續(xù)學(xué)習(xí)倦怠的預(yù)測。由確立的內(nèi)涵與結(jié)構(gòu)維度可知，在線學(xué)習(xí)倦怠不僅包含各種外顯行為，更涉及情感、態(tài)度等內(nèi)隱心理活動，因此，本研究在學(xué)習(xí)倦怠結(jié)構(gòu)維度的基礎(chǔ)上引入一些輔助變量或中間變量來間接獲取學(xué)習(xí)倦怠相關(guān)指標(biāo)變量集。已有研究將學(xué)習(xí)效果或績效水平作為學(xué)習(xí)倦怠表現(xiàn)的客觀指標(biāo)，其既是學(xué)習(xí)行為導(dǎo)致的直接結(jié)果，又是學(xué)習(xí)心理的主要影響因素。因此，首先，引入學(xué)習(xí)成就水平作為一級輔助變量，與學(xué)習(xí)心理情緒、學(xué)習(xí)行為表現(xiàn)共同表征在線學(xué)習(xí)倦怠，三者構(gòu)成了既相對獨立又相互作用的有機整體，以期為學(xué)習(xí)者及時全面了解學(xué)習(xí)倦怠狀態(tài)提供支持。其次，依據(jù)一級指標(biāo)的具體結(jié)構(gòu)分別引入中間變量作為二級指標(biāo)。最后，依據(jù)各二級指標(biāo)相關(guān)研究，并結(jié)合所選擇的在線課程學(xué)習(xí)平臺Moodle，本研究初步形成了在線學(xué)習(xí)倦怠量化表征關(guān)聯(lián)指標(biāo)體系，見表1。

由在線學(xué)習(xí)倦怠的內(nèi)涵可知，學(xué)習(xí)倦怠狀態(tài)不僅可以通過關(guān)聯(lián)指標(biāo)的絕對數(shù)值反映出來，也可以通過階段時間內(nèi)關(guān)聯(lián)指標(biāo)的變化觀察得出。為全面分析各指標(biāo)對在線學(xué)習(xí)倦怠的影響，此處的關(guān)聯(lián)量化指標(biāo)首先進行差分運算，以得到其變化特征值，然后依據(jù)其本身的取值和變化特征值共同進行學(xué)習(xí)倦怠狀態(tài)分析，以此為后續(xù)的學(xué)習(xí)倦怠預(yù)警提供支持。

（三）數(shù)據(jù)驅(qū)動的在線學(xué)習(xí)倦怠預(yù)警模型構(gòu)建

1. 數(shù)據(jù)驅(qū)動的在線學(xué)習(xí)倦怠預(yù)警模型

在線學(xué)習(xí)倦怠預(yù)警是通過實時動態(tài)監(jiān)測在線學(xué)習(xí)多維度倦怠特征數(shù)據(jù)，對學(xué)習(xí)者倦怠狀態(tài)與發(fā)展趨勢進行預(yù)測評估，并依據(jù)學(xué)習(xí)倦怠預(yù)警決策規(guī)則與個性化警示原則發(fā)出提示信號和個性化建議的過程?；诖?，本研究提出數(shù)據(jù)驅(qū)動的在線學(xué)習(xí)倦怠預(yù)警模型，如圖1所示。

該模型主要包括學(xué)習(xí)倦怠預(yù)警基礎(chǔ)數(shù)據(jù)獲取、學(xué)習(xí)倦怠狀態(tài)分析、學(xué)習(xí)倦怠預(yù)警決策與個性化預(yù)警呈現(xiàn)四個模塊。學(xué)習(xí)倦怠預(yù)警基礎(chǔ)數(shù)據(jù)獲取是模型的基礎(chǔ)模塊，主要通過在線學(xué)習(xí)平臺及時監(jiān)測并采集在線學(xué)習(xí)數(shù)據(jù)，再依據(jù)預(yù)警要素相關(guān)理論分析進行針對性提取，生成可支持學(xué)習(xí)倦怠狀態(tài)分析與學(xué)習(xí)倦怠預(yù)警決策的量化數(shù)據(jù)集和情境知識庫。學(xué)習(xí)倦怠狀態(tài)分析與學(xué)習(xí)倦怠預(yù)警決策是核心模塊。學(xué)習(xí)倦怠狀態(tài)分析是基于上述量化數(shù)據(jù)集，通過貝葉斯網(wǎng)絡(luò)構(gòu)建學(xué)習(xí)倦怠狀態(tài)分析模型，生成涵蓋整體學(xué)習(xí)倦怠程度與倦怠各維度水平的學(xué)習(xí)倦怠信息。學(xué)習(xí)倦怠預(yù)警決策是基于前面分析得到的學(xué)習(xí)倦怠程度，利用情境知識庫進行學(xué)習(xí)倦怠趨勢預(yù)測，再依據(jù)學(xué)習(xí)倦怠預(yù)警規(guī)則，實現(xiàn)預(yù)警觸發(fā)、預(yù)警等級以及預(yù)警信號等決策。學(xué)習(xí)倦怠個性化預(yù)警呈現(xiàn)是關(guān)鍵模塊，主要通過個性化警示原則確定預(yù)警呈現(xiàn)的時機、內(nèi)容與方式，給學(xué)習(xí)者提供及時適配的學(xué)習(xí)倦怠預(yù)警。

2. 在線學(xué)習(xí)倦怠分析與預(yù)警方法

（1）學(xué)習(xí)倦怠預(yù)警基礎(chǔ)數(shù)據(jù)獲取

學(xué)習(xí)倦怠預(yù)警基礎(chǔ)數(shù)據(jù)獲取指監(jiān)測并采集在線學(xué)習(xí)空間中的學(xué)習(xí)者基本數(shù)據(jù)、行為數(shù)據(jù)和結(jié)果數(shù)據(jù)，經(jīng)規(guī)范化處理后生成供后續(xù)學(xué)習(xí)倦怠預(yù)警分析的數(shù)據(jù)集。其中，基本數(shù)據(jù)包括個人信息、個人特質(zhì)等;行為數(shù)據(jù)包括課程學(xué)習(xí)行為、師生交互行為等;結(jié)果數(shù)據(jù)包括測試成績、作業(yè)完成情況等。采集的原始數(shù)據(jù)從兩方面為學(xué)習(xí)倦怠預(yù)警提供數(shù)據(jù)基礎(chǔ)：一方面，依據(jù)在線學(xué)習(xí)倦怠特征指標(biāo)形成學(xué)習(xí)倦怠量化數(shù)據(jù)集，用于學(xué)習(xí)倦怠狀態(tài)的分析;另一方面，提取學(xué)習(xí)者情境要素和關(guān)鍵主體特征并存儲于情境知識庫，為后續(xù)學(xué)習(xí)倦怠預(yù)警決策奠定數(shù)據(jù)基礎(chǔ)。

（2）基于動態(tài)數(shù)據(jù)的在線學(xué)習(xí)倦怠狀態(tài)分析

基于上述學(xué)習(xí)倦怠量化數(shù)據(jù)集，在線學(xué)習(xí)倦怠狀態(tài)分析過程包括量化數(shù)據(jù)集處理、學(xué)習(xí)倦怠分析模型構(gòu)建與學(xué)習(xí)倦怠狀態(tài)獲?。ㄈ鐖D2所示）。首先，提取學(xué)習(xí)倦怠量化數(shù)據(jù)集，通過差分得到變化特征數(shù)據(jù)，以此實現(xiàn)數(shù)據(jù)集的重構(gòu);其次，將重構(gòu)數(shù)據(jù)集劃分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，結(jié)合學(xué)習(xí)者倦怠分類進行機器學(xué)習(xí)模型的訓(xùn)練與測試，構(gòu)建具有良好擬合度和泛化能力的在線學(xué)習(xí)倦怠分析模型;最后，基于在線學(xué)習(xí)倦怠分析模型，通過學(xué)習(xí)倦怠關(guān)聯(lián)數(shù)據(jù)的實時監(jiān)測即可得到學(xué)習(xí)心理情緒、行為表現(xiàn)與成就水平及其所構(gòu)成的整體學(xué)習(xí)倦怠程度。

（3）數(shù)據(jù)驅(qū)動的在線學(xué)習(xí)倦怠預(yù)警決策

數(shù)據(jù)驅(qū)動的在線學(xué)習(xí)倦怠預(yù)警決策包括學(xué)習(xí)倦怠預(yù)警決策關(guān)聯(lián)要素獲取、學(xué)習(xí)倦怠預(yù)測分析、學(xué)習(xí)倦怠預(yù)警決策三個模塊（如圖3所示）。在關(guān)聯(lián)要素獲取模塊，基于學(xué)習(xí)倦怠相關(guān)理論確定關(guān)聯(lián)學(xué)習(xí)情境要素，依據(jù)JD-R模型，在線學(xué)習(xí)需求與大部分資源獲取行為均圍繞學(xué)習(xí)目標(biāo)及其實現(xiàn)展開，因此，本研究主要監(jiān)測學(xué)習(xí)目標(biāo)與學(xué)習(xí)效果兩大情境因素，并通過計算兩者差距得到目標(biāo)完成度。依據(jù)已有文獻研究選取人格特質(zhì)、應(yīng)對風(fēng)格與自我效能三個學(xué)習(xí)倦怠顯著性影響因素作為關(guān)聯(lián)主體特征[10]。學(xué)習(xí)倦怠預(yù)測分析模塊主要基于學(xué)習(xí)倦怠關(guān)聯(lián)要素，通過多元回歸分析模型預(yù)測學(xué)習(xí)倦怠發(fā)展趨勢，從而獲取預(yù)警重要度。學(xué)習(xí)倦怠預(yù)警決策模塊依據(jù)學(xué)習(xí)倦怠程度把學(xué)習(xí)者劃分為危機、警戒與正常三種狀態(tài)，對于警戒和危機狀態(tài)學(xué)習(xí)者，結(jié)合預(yù)警重要度確定預(yù)警觸發(fā)與預(yù)警信號輸出。

（4）學(xué)習(xí)倦怠個性化預(yù)警呈現(xiàn)

依托學(xué)習(xí)倦怠預(yù)警決策結(jié)果，進一步確定基于學(xué)習(xí)情境與主體特征的個性化預(yù)警呈現(xiàn)過程。該過程遵循以下三項原則：①學(xué)習(xí)情境監(jiān)控下基于敏感度的警示時機決策原則，即在學(xué)習(xí)倦怠狀態(tài)分析與學(xué)習(xí)情境監(jiān)控的基礎(chǔ)上，基于指標(biāo)節(jié)點敏感度分階段進行預(yù)警呈現(xiàn);②學(xué)習(xí)目標(biāo)導(dǎo)向下基于狀態(tài)值的警示內(nèi)容確定原則，即以學(xué)習(xí)目標(biāo)為導(dǎo)向，基于節(jié)點狀態(tài)值選擇性呈現(xiàn)情感和行為等整合性信息;③基于動態(tài)交互的個性化警示方式選擇原則，即結(jié)合學(xué)習(xí)者交互風(fēng)格采取適切多樣的可視化呈現(xiàn)方式。此外，學(xué)習(xí)者可通過預(yù)警檔案庫查看歷史學(xué)習(xí)倦怠預(yù)警數(shù)據(jù)及其變化趨勢，教師可通過個體學(xué)習(xí)倦怠預(yù)警信息的統(tǒng)計分析與呈現(xiàn)把握整體學(xué)習(xí)情況。

三、數(shù)據(jù)驅(qū)動的在線學(xué)習(xí)倦怠預(yù)警實現(xiàn)

（一）學(xué)習(xí)倦怠預(yù)警相關(guān)指標(biāo)量化

學(xué)習(xí)情感極性S通過對交互信息的表情圖片與情感詞分析得到[12]，見公式（1）。通過文本態(tài)度判別函數(shù)O（TC）得到文本情感極性，并與表情信息對應(yīng)數(shù)量FN進行加權(quán)求和，γ1和γ2分別對應(yīng)判別函數(shù)和表情信息的權(quán)重（根據(jù)數(shù)據(jù)集特征分別確定為0.7與0.3）。

學(xué)習(xí)反思質(zhì)量Rj借助學(xué)習(xí)系統(tǒng)搜集的學(xué)習(xí)者反思語料來獲取，依據(jù)西蒙的反思性思維層次模型[13]，反思語料按高、中、低分別編碼為Rj={R1，R2，R3}={1，2，3}。

論壇發(fā)帖質(zhì)量Fj依據(jù)發(fā)帖字數(shù)、與主題相關(guān)性等指標(biāo)，劃分為優(yōu)秀、良好、一般、較差、不及格五個等級，分別編碼為Fj={F1，F(xiàn)2，F(xiàn)3，F(xiàn)4，F(xiàn)5}={1，2，3，4，5}。

學(xué)習(xí)倦怠程度LBj劃分為低、較低、中、較高、高五種程度，分別編碼為LBj={LB1，LB2，LB3，LB4，LB5}={1，2，3，4，5}。

人格特質(zhì)PTj劃分為外傾性、開放性、神經(jīng)質(zhì)、宜人性、嚴謹性五種[14]，分別編碼為PTj={PT1，PT2，PT3，PT4，PT5}={1，2，3，4，5}。

應(yīng)對風(fēng)格CSj劃分為靈活應(yīng)對、問題應(yīng)對、情緒應(yīng)對、異常應(yīng)對四種[15]，分別編碼為CSj={CS1，CS2，CS3，CS4}={1，2，3，4}。

自我效能SEj劃分為高、較高、中等、較低、低五種程度，分別編碼為SEj={SE1，SE2，SE3，SE4，SE5}={1，2，3，4，5}。

（二）基于貝葉斯網(wǎng)絡(luò)的學(xué)習(xí)倦怠狀態(tài)分析

基于在線學(xué)習(xí)數(shù)據(jù)的機器學(xué)習(xí)技術(shù)可高效預(yù)測學(xué)習(xí)倦怠程度，但有效地預(yù)警不僅僅是呈現(xiàn)與學(xué)習(xí)倦怠預(yù)測結(jié)果相對應(yīng)的警示信號，更重要的是對學(xué)習(xí)倦怠狀態(tài)可解釋性信息的反饋?；谪惾~斯網(wǎng)絡(luò)的學(xué)習(xí)倦怠預(yù)測可以動態(tài)分析學(xué)習(xí)倦怠量化各指標(biāo)節(jié)點的概率變化及其與學(xué)習(xí)倦怠程度的關(guān)聯(lián)關(guān)系，通過推理分析學(xué)習(xí)倦怠狀態(tài)值這一關(guān)鍵節(jié)點能夠了解具體學(xué)習(xí)情況，從而呈現(xiàn)全面準(zhǔn)確的學(xué)習(xí)倦怠信息。因此，本研究選用貝葉斯網(wǎng)絡(luò)作為在線學(xué)習(xí)倦怠狀態(tài)分析的核心算法。

1. 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建

貝葉斯網(wǎng)絡(luò)節(jié)點依托學(xué)習(xí)倦怠關(guān)聯(lián)量化指標(biāo)及其差分得到的變化特征指標(biāo)，因此，需在貝葉斯網(wǎng)絡(luò)中加入差分器。第k個差分器的輸入為第k-1周的采樣Xk-1及第k周的采樣Xk，輸出差分結(jié)果Yk-1和原特征向量Xk構(gòu)成新的特征向量Yk。當(dāng)k≥2時，變量之間的關(guān)系滿足公式（7）。

在此基礎(chǔ)上，依據(jù)變量間關(guān)聯(lián)關(guān)系構(gòu)建貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，經(jīng)由專家進行審核修改后具有較強的綜合性和科學(xué)性。由此，確定學(xué)習(xí)心理情緒、學(xué)習(xí)行為表現(xiàn)與學(xué)習(xí)成就水平三個指標(biāo)層節(jié)點，通過指標(biāo)層節(jié)點可以直接了解學(xué)習(xí)者在各維度的學(xué)習(xí)倦怠情況，該指標(biāo)層又與可細化該層的節(jié)點建立邏輯關(guān)系，最終形成的指標(biāo)層節(jié)點都指向?qū)W習(xí)倦怠狀態(tài)值節(jié)點的貝葉斯網(wǎng)絡(luò)拓撲結(jié)構(gòu)，如圖4所示。

2. 在線學(xué)習(xí)倦怠狀態(tài)分析

貝葉斯網(wǎng)絡(luò)拓撲結(jié)構(gòu)確定后，采用EM算法進行參數(shù)學(xué)習(xí)，以確定網(wǎng)絡(luò)節(jié)點屬性及各屬性概率。由于目前研究多以最大概率的指標(biāo)屬性作為預(yù)測值，無法考慮小概率事件，因此，本研究在貝葉斯網(wǎng)絡(luò)內(nèi)部界定一個判別值以準(zhǔn)確全面地分析學(xué)習(xí)倦怠狀態(tài)。首先，采用主次指標(biāo)排隊分類法和專家打分法確定節(jié)點狀態(tài)各屬性的相對重要程度，并賦予各屬性概率權(quán)重，然后，基于學(xué)習(xí)數(shù)據(jù)和系統(tǒng)實驗分析不斷修正并確定判別值閾值區(qū)間。本研究中，對于三個狀態(tài)的節(jié)點，其屬于高、中、低的概率分別為a1、a2、a3，對每種狀態(tài)概率分別賦予1/2、3/10、1/5的權(quán)重，判別值A(chǔ)=1/2×a1+3/10×a2+1/5×a3反映了該節(jié)點的學(xué)習(xí)倦怠風(fēng)險水平，經(jīng)理論分析可得A的取值范圍為[20，50]，將其劃分為[44，50]、[39，44）、[34，39）、[28，34）、[20，28）五個區(qū)間，分別對應(yīng)從高到低五個學(xué)習(xí)倦怠風(fēng)險等級水平。對于五個狀態(tài)的節(jié)點，由高到低狀態(tài)的概率權(quán)重分別為7/20、3/10、1/5、1/10、1/20，其判別值A(chǔ)的理論取值范圍為[5，35]，從高到低五個等級學(xué)習(xí)倦怠風(fēng)險水平的取值區(qū)間分別為[29，35]、[25，29）、[20，25）、[14，20）、[5，14），對應(yīng)學(xué)習(xí)倦怠程度為無倦怠、輕度倦怠、中度倦怠、高度倦怠與極度倦怠。

（三）多維因素支持下的學(xué)習(xí)倦怠預(yù)警決策

學(xué)習(xí)倦怠預(yù)警決策通過計算預(yù)警重要度與學(xué)習(xí)倦怠程度并依據(jù)決策規(guī)則實現(xiàn)，其中，預(yù)警重要度代表當(dāng)前情境學(xué)習(xí)倦怠的發(fā)展態(tài)勢。為了研究情境要素與主體特征等關(guān)聯(lián)因素對學(xué)習(xí)倦怠的影響程度，從而進行趨勢預(yù)測，構(gòu)建多元回歸模型：L=β1y1+β2y2+…+βkyk+？著，其中，yk代表目標(biāo)完成度、人格特質(zhì)、應(yīng)對風(fēng)格與自我效能等關(guān)聯(lián)要素值，L代表學(xué)習(xí)倦怠態(tài)勢。經(jīng)過大量學(xué)習(xí)數(shù)據(jù)的多次訓(xùn)練，得到模型中各權(quán)重參數(shù)βk的數(shù)值，即各要素對學(xué)習(xí)倦怠的影響程度。為把握學(xué)習(xí)倦怠發(fā)展態(tài)勢的穩(wěn)定性，將預(yù)警重要度劃分為高與低兩個層次。

在學(xué)習(xí)倦怠程度和預(yù)警重要度分析的基礎(chǔ)上，借鑒相關(guān)理論成果并調(diào)研學(xué)習(xí)者實際應(yīng)用情境，本研究提出了三狀態(tài)、六等級學(xué)習(xí)倦怠預(yù)警決策規(guī)則以確定預(yù)警等級、預(yù)警觸發(fā)與預(yù)警信號，在實際應(yīng)用中教學(xué)者可根據(jù)學(xué)習(xí)者具體情況對規(guī)則進行相應(yīng)調(diào)整，具體見表2。

（四）學(xué)習(xí)倦怠預(yù)警結(jié)果的可視化輸出

學(xué)習(xí)倦怠預(yù)警結(jié)果輸出需充分考慮主客觀差異等因素，滿足面向主體多元化發(fā)展的自適應(yīng)可視化需求。通過學(xué)習(xí)倦怠預(yù)警的診斷推理過程確定預(yù)警結(jié)果輸出時機，該過程遵循學(xué)習(xí)情境監(jiān)控下基于敏感度的輸出時機決策原則，其主要思想為：在劃分學(xué)習(xí)者課程學(xué)習(xí)階段ls與課程查看階段xls的基礎(chǔ)上，依據(jù)學(xué)習(xí)倦怠預(yù)警結(jié)果推理分析學(xué)習(xí)者目前所處時刻Ti關(guān)鍵事件，并結(jié)合該事件指標(biāo)的敏感度Si確定最終輸出時機To，詳見算法1。敏感度是指某些可能變化的因素對決策目標(biāo)優(yōu)劣性的影響程度，計算方法見公式（8），B0為已訓(xùn)練好的貝葉斯網(wǎng)絡(luò)刪除第i個特征項后的輸出預(yù)測值，Bi為貝葉斯網(wǎng)絡(luò)未刪除特征項的輸出預(yù)測值，L為訓(xùn)練樣本案例，n為樣本案例個數(shù)。

算法1：學(xué)習(xí)情境監(jiān)控下基于敏感度的輸出時機決策實現(xiàn)算法

Begin

1. For each Ti∈ls;

2. 獲取Ti時刻影響學(xué)習(xí)倦怠狀態(tài)變化指標(biāo)的敏感度Si;

3. If max（S）=Si Then

4. To=Ti，立即輸出預(yù)警結(jié)果;

5. Else if

6. Ti∈xls Then

7. To=Ti，輸出預(yù)警結(jié)果;

8. End If

9. End For

End

為保障預(yù)警結(jié)果的易理解性和可操作性，遵循學(xué)習(xí)目標(biāo)導(dǎo)向下基于狀態(tài)值的警示內(nèi)容確定原則、基于動態(tài)交互的個性化警示方式選擇原則，確定學(xué)習(xí)倦怠預(yù)警呈現(xiàn)的差異化內(nèi)容與適應(yīng)性方式?？梢暬瘍?nèi)容主要涉及預(yù)警等級、學(xué)習(xí)心理情緒、學(xué)習(xí)行為表現(xiàn)、學(xué)習(xí)成就水平等個體預(yù)警信息，以及預(yù)警人數(shù)占比、預(yù)警人數(shù)趨勢等群體預(yù)警信息?？紤]到預(yù)警信息固有類型與呈現(xiàn)方式的適配性，以及學(xué)習(xí)者針對呈現(xiàn)方式的認知差異，本研究參考黃昌勤等人提出的學(xué)習(xí)行為大數(shù)據(jù)可視化對照表[16]，確定可選擇的適切呈現(xiàn)方式，并結(jié)合學(xué)習(xí)者交互風(fēng)格最終輸出可視化學(xué)習(xí)倦怠預(yù)警結(jié)果。

四、在線學(xué)習(xí)倦怠預(yù)警功能的應(yīng)用及效果分析

（一）在線學(xué)習(xí)倦怠預(yù)警系統(tǒng)功能開發(fā)

本研究依托團隊已建立的iStudy在線學(xué)習(xí)平臺，設(shè)計與開發(fā)了學(xué)習(xí)倦怠預(yù)警系統(tǒng)，并通過算法實驗和系統(tǒng)測試驗證了系統(tǒng)的有效性和可靠性。學(xué)習(xí)倦怠預(yù)警系統(tǒng)主界面及學(xué)習(xí)倦怠預(yù)警信息查看頁面如圖5所示。

（二）在線學(xué)習(xí)倦怠預(yù)警系統(tǒng)的應(yīng)用及效果分析

1. 實驗過程

為了分析在線學(xué)習(xí)倦怠預(yù)警系統(tǒng)對學(xué)習(xí)者的影響，本研究以學(xué)習(xí)倦怠程度和學(xué)習(xí)成績?yōu)橐蜃兞?，以不同系統(tǒng)的使用為自變量，設(shè)計并實施了一系列實驗。選取H大學(xué)研究生一年級學(xué)習(xí)同一門信息類課程的兩個班級學(xué)生作為研究對象，實驗組（32人）使用具有學(xué)習(xí)倦怠預(yù)警系統(tǒng)的平臺進行學(xué)習(xí)，對照組（30人）使用傳統(tǒng)學(xué)習(xí)云平臺進行學(xué)習(xí)，實驗時間為8周。

2. 實驗測量工具

為檢驗學(xué)習(xí)倦怠預(yù)警系統(tǒng)在不同學(xué)習(xí)階段的應(yīng)用效果，實驗設(shè)置前、中、后測，學(xué)期初和學(xué)期末均測量學(xué)生學(xué)習(xí)倦怠程度和知識水平，學(xué)期中測量一次學(xué)生學(xué)習(xí)倦怠程度。知識水平的前后測均為20道多選題與10道填空題（滿分100分）。學(xué)習(xí)倦怠測量問卷依據(jù)連榕等人的學(xué)習(xí)倦怠量表[11]修訂而成，問卷Cronbach's α系數(shù)為0.891，對數(shù)據(jù)進行KMO和Bartlett球形檢驗，分析結(jié)果顯示，KMO值為0.876，Bartlett球形檢驗的Sig.值為0.000，問卷信度和結(jié)構(gòu)效度良好。為進一步驗證學(xué)習(xí)倦怠預(yù)警的有效性，對實驗組32名學(xué)生發(fā)送系統(tǒng)效果調(diào)查問卷CSUQ [17]，問卷Cronbach's α系數(shù)為0.900，問卷信度良好。

3. 應(yīng)用效果分析

在實驗結(jié)束后，對問卷數(shù)據(jù)及系統(tǒng)收集的數(shù)據(jù)進行分析，評價數(shù)據(jù)驅(qū)動的在線學(xué)習(xí)倦怠預(yù)警模型應(yīng)用效果，主要涉及學(xué)習(xí)倦怠狀態(tài)、學(xué)習(xí)成績與預(yù)警系統(tǒng)滿意度。

（1）學(xué)習(xí)倦怠狀態(tài)分析

對實驗組和對照組的學(xué)習(xí)倦怠程度及學(xué)習(xí)倦怠各維度進行單因素協(xié)方差分析，分析結(jié)果見表3。在課程中期和末期，兩組學(xué)生的學(xué)習(xí)倦怠程度均存在顯著性差異（p=0.015<0.05;p=0.000<0.01），對比兩個階段協(xié)方差分析修正后的均值，實驗組均值均低于控制組。可見，該預(yù)警系統(tǒng)可以有效緩解和降低學(xué)習(xí)倦怠。在課程中期，兩組學(xué)生的情緒低落與成就感低維度均存在顯著性差異（p=0.045<0.05;p=0.036<0.05），在課程末期，兩組學(xué)生的差異更為顯著（p=0.000<0.01;p=0.000<0.01）。行為不當(dāng)維度在課程中期差異不顯著（p=0.086>0.05），而在課程末期存在顯著性差異（p=0.000<0.01）。這可能是由于該預(yù)警系統(tǒng)在課程初期主要作用于學(xué)習(xí)倦怠的情感和成就獲得方面，之后才逐漸引導(dǎo)學(xué)生調(diào)整學(xué)習(xí)行為，其作用機制也許與學(xué)習(xí)倦怠的發(fā)展演變過程有關(guān)，該問題值得進一步思考和驗證。

（2）學(xué)習(xí)成績分析

對期末學(xué)習(xí)成績進行單因素協(xié)方差分析，得到實驗組和對照組的調(diào)整后均值分別為93.79和88.03，兩者相差5.76，兩組學(xué)生的學(xué)習(xí)成績存在顯著性差異（p=0.018<0.05）。由此可見，使用學(xué)習(xí)預(yù)警系統(tǒng)的學(xué)生的學(xué)習(xí)效果要優(yōu)于使用傳統(tǒng)學(xué)習(xí)平臺的學(xué)生。

（3）預(yù)警系統(tǒng)滿意度分析

從系統(tǒng)可用性、信息呈現(xiàn)質(zhì)量與系統(tǒng)界面設(shè)計三方面調(diào)查實驗組學(xué)生對系統(tǒng)的滿意度。通過問卷數(shù)據(jù)分析得到以上三個維度的項目均值分別為4.04、3.93、3.92，表明學(xué)生對學(xué)習(xí)倦怠預(yù)警系統(tǒng)整體持滿意態(tài)度，但系統(tǒng)的信息呈現(xiàn)質(zhì)量和界面設(shè)計還需要進一步改進與優(yōu)化。

五、結(jié)? ?語

數(shù)據(jù)驅(qū)動的在線學(xué)習(xí)倦怠智能化識別與適時性預(yù)警，為學(xué)習(xí)者、教學(xué)者等利益相關(guān)者的決策提供了有力支持，從而促進在線學(xué)習(xí)目標(biāo)的高效達成，實現(xiàn)真正意義上的個性化學(xué)習(xí)。本研究確立了在線學(xué)習(xí)倦怠的內(nèi)涵與結(jié)構(gòu)維度，在學(xué)習(xí)倦怠量化表征依據(jù)分析基礎(chǔ)上，構(gòu)建了數(shù)據(jù)驅(qū)動的在線學(xué)習(xí)倦怠預(yù)警模型，提出了學(xué)習(xí)倦怠預(yù)警實現(xiàn)方法并進行預(yù)警系統(tǒng)功能設(shè)計與開發(fā)。通過對H大學(xué)在線學(xué)習(xí)者進行學(xué)習(xí)倦怠預(yù)警應(yīng)用及分析，驗證了在線學(xué)習(xí)倦怠預(yù)警模型的科學(xué)性和有效性。本研究提出的在線學(xué)習(xí)倦怠預(yù)警模型彌補了當(dāng)前學(xué)習(xí)倦怠狀態(tài)監(jiān)測評價與預(yù)警的不足，為在線學(xué)習(xí)中的學(xué)習(xí)倦怠評估與心理狀態(tài)預(yù)警研究奠定了一定的基礎(chǔ)。然而，本研究的在線學(xué)習(xí)倦怠預(yù)警指標(biāo)主要基于大部分網(wǎng)絡(luò)學(xué)習(xí)平臺的可采集數(shù)據(jù)，后續(xù)將充分挖掘在線內(nèi)隱性數(shù)據(jù)進行預(yù)警分析;對于不同學(xué)科課程學(xué)習(xí)者的效果驗證可能會使研究更具說服力;此外，針對不同類型學(xué)習(xí)倦怠學(xué)習(xí)者的歸因與干預(yù)研究也將成為未來的研究重點。

[參考文獻]

[1] 教育部.教育部等十一部門關(guān)于促進在線教育健康發(fā)展的指導(dǎo)意見[EB/OL].[2020-09-25].http：//www.moe.gov.cn/srcsite/A03/moe_ 1892/moe_630/201909/t20190930_401825.html.

[2] 劉軍，錢明才，黃琰，等.中小學(xué)生網(wǎng)絡(luò)學(xué)習(xí)空間自主學(xué)習(xí)的中介效應(yīng)分析[J].電化教育研究，2018，39（9）：59-65.

[3] 趙呈領(lǐng)，李紅霞，蔣志輝，等.消除在線學(xué)習(xí)者倦?。航處熐楦兄С值挠绊懷芯縖J].中國電化教育，2018（2）：29-36.

[4] 徐恩芹，徐連榮，崔光佐.教師遠程培訓(xùn)中的學(xué)習(xí)倦怠研究[J].中國電化教育，2015（9）：28-33.

[5] ALLEN M G. Job burnout in public education： symptoms， causes， and survival skills by Anthony J. Cedoline. New York： teachers college press，1982.256pp[J]. The educational forum，1984，48（4）：505-506.

[6] 張愛玲.大學(xué)生學(xué)習(xí)倦怠及其影響因素研究[D].濟南：山東師范大學(xué)，2006.

[7] WOOD T， MC CARTHY C. Understanding and preventing teacher burnout[R]. Washington DC：ERIC Clearinghouse on Teaching and Teacher Education，2002.

[8] GRIGSBY M L. Personality， coping， and burnout in online doctoral psychology students[D]. Walden：University of Minnesota，2015.

[9] PINES A M， NEAL M B， HAMMER L B， et al. Job burnout and couple burnout in dual-earner couples in the sandwiched generation[J]. Social psychology quarterly，2011，74（4）：361-386.

[10] 陳家勝.學(xué)習(xí)倦怠研究現(xiàn)狀及展望[J].中國健康心理學(xué)雜志，2016，24（6）：939-943.

[11] 連榕，楊麗嫻，吳蘭花.大學(xué)生專業(yè)承諾、學(xué)習(xí)倦怠的狀況及其關(guān)系[J].心理科學(xué)，2006（1）：47-51.

[12] 王希哲，黃昌勤，朱佳，等.學(xué)習(xí)云空間中基于大數(shù)據(jù)分析的學(xué)情預(yù)測研究[J].電化教育研究，2018，39（10）：60-67.

[13] 王佑鎂.網(wǎng)絡(luò)環(huán)境中學(xué)習(xí)者反思性思維層次評估研究[J].現(xiàn)代遠距離教育，2009（3）：42-45.

[14] 戴曉陽，姚樹橋，蔡太生，等.NEO個性問卷修訂本在中國的應(yīng)用研究[J].中國心理衛(wèi)生雜志，2004，18 （3）：171-173.

[15] 石林，封丹珺.應(yīng)對風(fēng)格問卷的初步編制[J].心理發(fā)展與教育，2004（1）：77-82.

[16] 黃昌勤，朱寧，黃瓊浩，等.支持個性化學(xué)習(xí)的行為大數(shù)據(jù)可視化研究[J].開放教育研究，2019（2），53-64.

[17] CHOW M， CHAN L. Development and evaluation of a compartmental picture archiving and communications system model for integration and visualization of multidisciplinary biomedical data to facilitate student learning in an integrative health clinic[J]. Computers & education，2010，54（3）：733-741.