郭文欣 吳忭

摘 ? 要：作為學習科學領域的一種創(chuàng)新研究方法，基于設計的實施研究（DBIR）試圖實現規(guī)?；某掷m(xù)理論創(chuàng)新和教育變革，但教育政策制定者、實踐者、研究者等利益相關方在協(xié)同設計時，始終存在理論知識和經驗知識上的認知沖突。大數據驅動的教育研究范式為解決該問題提供關鍵突破口。文章將大數據驅動下的教育研究范式與DBIR方法相整合，探索建立人工智能視域下基于設計的實施研究方法（AI-DBIR）框架，該框架以實踐者—研究者的共同參與和雙向交互為根本，延伸出兩種數據分析視角，即設計分析與學習分析。在此基礎上，文章對典型應用案例進行深入剖析，進而對有效使用AI-DBIR方法開展教學創(chuàng)新實踐研究提出三點建議：從基于經驗的主觀判斷轉向數據驅動的教學研究;從高屋建瓴的理論研究轉為扎根實踐的創(chuàng)新研究;以互融互通的開放空間為載體，構建數據驅動的多元共同體。

關鍵詞：基于設計的實施研究;基于設計的研究;人工智能;學習分析;案例分析

中圖分類號：G434 ? ? ? ? 文獻標志碼：A ? ? ? ? 文章編號：1673-8454（2022）06-0054-10

一、引言

隨著20世紀80年代末學習科學的興起，來自認知科學、心理學、教育、計算機科學、神經科學、人類學等領域的研究人員，在跨學科合作中加深了對于學習本質的認識[1]，共探在真實教學情境中“人是如何學習的”這一核心議題。學習科學的蓬勃發(fā)展，不斷深化了世界范圍內學者對于學習本質及過程的理解，為未來教育的變革奠定了基礎。上世紀90年代，該領域所提出的“基于設計的研究（Design-based Research， DBR）”范式旨在通過設計—實施—評估—改進的迭代循環(huán)[2]，解決真實學習情境中的實際問題，并發(fā)展能夠有效指導教學實踐的規(guī)范性理論[3]。DBR研究范式發(fā)展至今，在一定程度上消弭了教學理論研究與教育實踐的鴻溝，在理論驅動的學習設計上，取得許多推動理論創(chuàng)新和具有廣泛實踐影響力的成果。例如，加州大學伯克利分校馬西婭·林恩（Marcia Linn）等研發(fā)的基于知識整合理論的網絡探究學習環(huán)境（Web-based Inquiry Science Environment， WISE）;多倫多大學卡爾·波瑞特（Carl Bereiter）等合作發(fā)展的知識建構理論和知識論壇（Knowledge Forum， KF）工具。

然而，在大規(guī)模實施DBR的過程中，仍存在創(chuàng)新研究成果難以可持續(xù)推廣[4]、重學習技術研發(fā)而非應用[5]、教學實踐者和研究者難以有效開展互惠合作、缺少理論和實踐雙重創(chuàng)新過程中對教育決策制定的反哺，以及難以實現研究成果的規(guī)?；猍2][6]等問題。為應對這一系列新問題，作為DBR研究范式的拓展和再升級，佩紐爾（Penuel）等提出基于設計的實施研究（Design-based Implementation Research， DBIR），試圖打破教育研究中原有的分隔創(chuàng)新研究和實踐推廣壁壘，為研究與實踐的跨界合作建立長期互動的新關系，將設計與實施并重，以發(fā)展持續(xù)有效和規(guī)模化的教育干預措施[2]。盡管該方法力求實現更大范圍內的長期教育變革和理論創(chuàng)新，但隨著多方利益相關者的參與，其所共同構成的真實教學生態(tài)系統(tǒng)日益多元化和復雜化，在系統(tǒng)的各個層級蘊含了更加紛繁復雜的社會因素和其他動態(tài)因素。因此，尚處于發(fā)展初期的DBIR在實際應用時，難以避免理論者和實踐者在知識生產成果上的需求沖突，以及兩者合作構建的分布式認知系統(tǒng)中理論知識和經驗知識在認識論上的沖突。如何消解運用DBIR時存在的潛在沖突，是發(fā)展和完善DBIR方法所面臨的主要挑戰(zhàn)[2][7-9]。

伴隨著互聯(lián)網、人工智能、學習分析等新技術的迅速發(fā)展，大數據驅動的教育成為一種新興的研究范式[10]，其在富技術環(huán)境下為伴隨式采集與分析過程數據提供可能，從而推動教育理論創(chuàng)新和個性化應用服務。大數據驅動的教育研究范式或為解決上述問題提供關鍵突破口，通過證據調和多元利益相關者在不同知識背景下的認知沖突，實現學習理論和教學實踐共同創(chuàng)新的互惠共贏。基于此，本研究嘗試整合人工智能技術和DBIR方法，形成人工智能視域下基于設計的實施研究方法（AI-DBIR），并對該方法進行初步探討及應用案例分析，以期為相關研究與實踐提供參考。

二、文獻綜述

（一）從DBR到DBIR

學習科學領域發(fā)展至今，已形成了多種研究方法及研究分支。其中，DBR作為學習科學研究共同體的原創(chuàng)方法論，最早于1992年由布朗（Brown）和柯林斯（Collins）提出，強調通過多輪迭代的設計過程，產出可遷移應用的新理論、工具和實踐策略。從整體性視角出發(fā)[11]，DBR并未將教與學視為相互孤立的變量，而是將學習發(fā)生情境看作引發(fā)復雜因果機制的重要組成部分[1]。而DBR的主要目標在于揭示機制以及闡明機制發(fā)生的條件，從而形成強而有力的設計，解決教育實踐問題。學習科學共同體就DBR的核心特征形成了初步共識，主要包括：①以設計學習環(huán)境與發(fā)展學習理論為共同目標;②形成設計—實施—分析—再設計的持續(xù)循環(huán)迭代過程;③產出能幫助實踐者—教育設計者交互的共享理論;④充分闡釋設計如何在真實的學習情境下發(fā)揮作用;⑤選用合適的收集實施過程與結果的方法[11]。盡管該方法融入了研究—實踐合作關系（Research-Practice Partnerships， RPPs）的思想，在一定程度上彌合了教育研究與實踐問題相互隔離的鴻溝，但在大規(guī)模投入應用中仍存在挑戰(zhàn)，缺少充分證據支撐決策。正如巴拉布（Barab）等所提出，“即使研究者全程參與設計—開發(fā)—實施—再設計各個環(huán)節(jié)，依然無法確保消除研究過程中的研究者偏見”[12][13]。其研究過程更注重設計的產出，設計只能在某個具體情境被證明是有效的，而在多個情境下的大規(guī)模推廣難以保證[6]。同時，該方法還面臨教研合作關系難以穩(wěn)固維持、依舊無法實現教育政策變革等諸多問題[2][6]。837341F5-7F5A-42C1-A2C7-DB01FB127365

為破除上述困境，學習科學研究共同體對DBR進行了重大擴展。DBIR通過研究者—實踐者的長期跨界合作、理論驅動設計、系統(tǒng)性迭代優(yōu)化，來實現在更大范圍內和更復雜場景下，教育生態(tài)系統(tǒng)持續(xù)變化的能力，以及多樣化境脈下的創(chuàng)造性適應能力[7]。DBIR中的很多關鍵要素源于先前的研究方法，包括評估研究、基于社區(qū)的參與式研究、實施研究、基于設計的研究、社會設計實驗等[2][14]。相較于DBR更關注設計本身，DBIR將設計及實施并重，強調干預如何在更大范圍、更長時間得到推廣[15]，以期為所有學生提供有效的、可擴展的、持續(xù)性的教育干預措施[16]。從政策研究視角出發(fā)，DBIR除了延續(xù)DBR的核心要素和方法思想外，還提倡成功推廣取決于地區(qū)行政人員、學校、教師等多方行動者，在復雜教育系統(tǒng)中對設計項目進行持續(xù)且連貫的調整[17]。因此，該方法重點關注如何整合多方利益相關者的實際需求，將DBR原有的“研究者—實踐者”單向合作關系，擴展為“研究—政策—實踐”三方相互作用的新型合作關系[4]，在促進實際問題解決的同時，對真實教育情境產生系統(tǒng)性變革，這也正是DBIR區(qū)別于其他方法的獨特之處[2][14]。

自20世紀90年代以來，跨學科研究團隊通過與實踐者的合作探究，確定了DBIR的四條核心原則。作為一個教育領域的新興方法論，DBIR還未積累足夠的研究基礎，以支撐其在實施過程中關于具體步驟、階段、環(huán)節(jié)的指導，但所遵循的四條核心原則界定了DBIR的方法內涵與研究邊界。

1.從多方利益相關者的視角，聚焦長期留存的實踐問題

區(qū)別于其他方法，BDIR關注的是“以實踐為中心的問題”，要求教師、研究者、學校、地區(qū)領導者、政策制定者等不同利益相關者，從最初對教育問題的理解偏差和不同觀點，在協(xié)商合作中逐步對教育實踐中的關鍵問題達成共識[17]。

2.迭代式協(xié)作設計，以改善實踐

以往學習科學家常常在將創(chuàng)新設計大規(guī)模推廣至整個教育系統(tǒng)層面時受限，而DBIR能夠為跨情境的干預策略和變革教育復雜系統(tǒng)的設計提供支持[2]，強調不同利益相關者協(xié)同參與設計—實施—評估—改進的反復迭代過程。關鍵在于DBIR不僅要求為學習者設計，也關注設計支持實施的方法與策略[2]。

3.系統(tǒng)性探究，形成學習理論及如何實施相關理論

與DBR聚焦于學習理論不同，DBIR將學習理論創(chuàng)新和實施相關知識視為其理論發(fā)展的共同目標，用以回答如何促進課堂環(huán)境下的學習、如何協(xié)調組織內外的項目實施過程等問題，同時還回應了不同系統(tǒng)層級間相互協(xié)調和能力建設的新需求[17]。

4.發(fā)展人在系統(tǒng)中持續(xù)變革的能力

為確保設計的可持續(xù)性，通常需要在利益共同者群體中建立組織規(guī)章和工作流程，以提升組織能力。相較于以往方法僅側重于個體技能的提升，DBIR通過培養(yǎng)多方利益相關者間交互網絡的凝聚力，以提升整個系統(tǒng)實施、推廣和維持設計能力，促使設計成果能夠順利推廣、拓展至新情境[17]。

DBIR力求設計有成效、規(guī)?；统掷m(xù)化的教育干預措施，推動教育制度的變革[2]。盡管該方法建立了對于理論創(chuàng)新和教育實踐的更深入和完整的理解，促使不同領域、不同專長、不同文化的教育研究者與實踐者之間開展深入交流與合作。但隨著不同利益相關群體的加入，其共同構建的教育生態(tài)系統(tǒng)日益多元化和復雜化，協(xié)調和滿足各方利益相關者的立場，成為DBIR實施時面臨的主要挑戰(zhàn)[2][8][9]。例如，如何平衡學校領導者、教師對變革迅速見效的需求與教育研究者發(fā)展學習理論的需求之間的矛盾;如何在實施跨區(qū)域的設計項目中，整合和協(xié)調不同組織的分布式決策[7];如何與廣泛的學校和地區(qū)利益相關者在動態(tài)的教育情境下，持續(xù)協(xié)商設計和組織實施過程。此外，在DBIR相關研究中，還提及由于基建、資源、資金短缺等外部因素阻礙了創(chuàng)新設計的規(guī)?；瘜嵤5][8][14]。同時，在DBR應用中，難以避免的“研究者偏見”、教研多方長期合作受限等問題，依舊未得到有效解決。

（二）大數據技術的潛能

隨著大數據、自然語言處理、機器學習等人工智能技術的迅速崛起，廣泛收集、深度處理、多維分析教育領域復雜異構的大數據成為可能，這也為教育研究范式的升級轉型提供了契機，大數據驅動的研究范式應運而生[10]。該新型教育研究范式，強調整合利用多種新技術手段，深入挖掘復雜情境下的學習相關數據，建立可持續(xù)更新的模型[10]，以數據為證據推動教育理論與實踐的創(chuàng)新。在此背景下，不少學習科學研究者開始關注學習分析技術（Learning Analytics， LA）、學習設計（Learning Design， LD）、DBR等方法的整合。通過對多源數據集的聚合、統(tǒng)籌、協(xié)調與可視呈現，學習分析能夠動態(tài)支持基于數據證據驅動的學習設計決策，實現從基于直覺經驗和隱性知識的教育實踐，到顯性數據驅動的教育實踐之間的轉化[18][19]。而二者的結合不僅僅是簡單的技術累加或具體步驟的改進，更為重要的方法論意義是變革原有的學習研究范式。為最大程度發(fā)揮學習分析在學習設計中的潛能，要求在研究者—實踐者之間建立共同設計的參與式文化[19]，將學習設計與學習分析視為教研和教學文化的一部分[18][20]，通過周期性迭代循環(huán)過程不斷改進學習設計[18]，這些需求與DBIR的核心原則有著異曲同工之妙。此外，雷曼（Reimann）總結了學習數據的四個特性（海量性、長期性、多維性、分布式），對應著學習分析在教育研究的應用前景，在此基礎上，他闡明了學習分析與DBR在教育目標、情境、理論之間的聯(lián)系[21]。綜合上述分析，利用以學習分析為代表的智能技術，動態(tài)實時地挖掘并可視化呈現學習數據，或能破除DBIR原有“設計—開發(fā)—實施—再設計”中，明顯的階段分層和不同場域下參與者間的空間界限，從而使設計過程動態(tài)化、共享化、智能化。然而，無論是學習分析與學習設計、還是與DBR的融合視域下，數據本身不能說明問題，當前所面臨的重要挑戰(zhàn)在于缺少綜合概念模型或理論模型，能夠清晰闡明學習分析技術如何支持設計的各個環(huán)節(jié)階段，以及學習分析與學習過程、共同設計與實施過程之間的關聯(lián)[18][21][22]。837341F5-7F5A-42C1-A2C7-DB01FB127365

三、 AI-DBIR方法論

大數據驅動的教育研究范式與DBIR融合的關鍵，在于借助人工智能技術動態(tài)收集、分析、處理和可視化表征多源數據集，在多輪迭代的數據累積中，有效支撐利益相關群體的理解與交流[23]。實踐者與研究者發(fā)揮各自角色優(yōu)勢的同時，實現分布式認知統(tǒng)合、協(xié)同制定基于數據驅動的設計決策。本研究從可視化學習分析（Visual Learning Analytics， VLA）出發(fā)，在借鑒達維尼亞（Davinia）等提出的“學習設計分析層級”（Analytics Layers for Learning Design）框架基礎上[22]，構建了人工智能視域下基于設計的實施研究方法（AI-DBIR）框架，如圖1所示。該框架以實踐者—研究者的共同參與和雙向交互為根本，延伸出兩種數據分析視角：設計分析與學習分析。

在設計分析視角下，設計自身所包含的屬性、特征等要素可作為數據來源，要挖掘、分析與可視表征設計相關數據，實踐者與研究者需共同理解思考設計的本質，從中提煉出設計模板和設計實施模式。不同區(qū)域的分布式共同體，借助開放共享的可視化設計資源，分享交流彼此的設計方案與設計觀點，自由發(fā)散地選擇、復用、整合不同設計，跨越以往的物理空間與網絡屏障。研究人員還利用自身的理論認知優(yōu)勢，在設計可視化形式的支持下，發(fā)展關于如何實施DBIR的理論知識，明確感知當前設計在理念、技術、功能層面的不足之處，聚焦多元利益體的共同需求，為后續(xù)針對性改進協(xié)同設計提供導向和行動航標。

從學習分析視角出發(fā)，將教育設計應用實施于真實的教育情境中，從教育情境中采集多源教學過程與結果相關信息，動態(tài)分析并可視刻畫學習者的學習狀態(tài)。在多種學習證據的整合支撐下，DBIR共同體持續(xù)追蹤教與學路徑，理解與反思現有設計方案在教育情境中的實際效用。相較于以往從自身經驗出發(fā)的主觀性論斷，實踐者對學習過程產生更為全面客觀的認知。此外，整合人工智能技術的學習分析進程，能夠有效減少研究者與實踐者迭代改進設計的周期與工作負擔，促使教學實施、基于證據的評估和設計改進教學的過程相互交織，實現敏捷的教學實踐流程再造（Agile Reengineering of Teaching and learning Practice）。

上述兩個分析視角之間并非相互隔離的單線程狀態(tài)，而是彼此協(xié)同的互利關系。將設計分析與學習分析整合，在分析設計自身特質的同時，可視化呈現不同設計干預下的跨情境教與學過程，建立多元共同體之間相互溝通的橋梁，共同修改、復用、擴展和廣泛傳播設計。教師、學校領導者、學生、研究者、政策制定者等各方協(xié)同參與制定可視化規(guī)則，基于可視化數據推理、適應性決策行動等可視化學習分析流程，充分發(fā)揮各自的認知優(yōu)勢。具體來說，由研究者提供實踐者所欠缺的體系化學習理論、前沿技術應用、迭代協(xié)作式設計研究方法等相關專業(yè)知識，實際的教育情境知識和教學現實問題則由實踐者共享。在AI-DBIR框架的指導下，利益共同群體能夠基于累積的開放證據持續(xù)決策，進而迸發(fā)出強有力的、靈活可擴展的、動態(tài)數字化的教育創(chuàng)新方案。

四、 AI-DBIR應用案例

AI-DBIR框架包括兩個主要角色群體——實踐者與研究者，兩種數據分析視角——學習分析與設計分析，任何一方都不能脫離其他要素獨立存在。為闡釋AI-DBIR框架中各要素之間的相互作用關系，以及如何將應用落實于實踐，在此介紹兩個國際最具典型性的AI-DBIR案例。

（一）案例一：基于社會語義網絡分析的課程研究實踐[24]

課程研究在日本被視為一類既定的專業(yè)發(fā)展實踐，通常由教師間的交流、分享、觀察、討論改進課程。然而，由于教師較少關注遷移類知識和缺乏知識創(chuàng)造的視角，所以實踐者（教師等）在與研究者合作實施教育實踐時，總是存在溝通障礙。為彌合教育實踐與研究的鴻溝，同時革新低水平學校課程，使其學習文化符合21世紀技能理念，由日本教育部門發(fā)起，教師、校長、區(qū)教育廳人員、研究者等多元利益者共同組建了DBIR團隊。該團隊利用DBIR設計了一項新的課程研究，旨在應用社會語義網絡分析（Socio-Semantic Network Analysis， SSNA）技術，促進教師對學生協(xié)作學習參與過程的理解。SSNA工具將學習者在會話中使用的詞匯生成社會語義網絡，因而從詞匯網絡結構的變化中，能夠洞悉學生對集體知識進步的貢獻程度（如圖2所示）。

在DBIR四項核心原則的指導下，研究者歷時三年，期間與校長、教師等進行了深入交流，共同聚焦兩個需要解決的教育實踐問題，即低水平學生難以適應當前由國家課程標準指定的教學目標，以及缺少合適的方式評估學生的協(xié)作能力和概念理解程度。針對上述問題，研究者預設了初步的解決方案：①為教師提供以學習者為中心的方法理念，基于學生當前的知識水平，設計Jigsaw課程;②整合視頻分析和SSNA技術，評估學生的協(xié)作參與過程和概念理解程度。在不斷迭代的協(xié)作設計過程中，DBIR團隊先在課程結束后當天開展了課后研討會，依靠觀察筆記或課程視頻，對課程中的特殊個案進行討論分析，教師基于自身的主觀經驗對其進行解釋。在一個月之后，開展第二次研討會，研究人員將基于SSNA的學生話語分析可視化結果呈現給教師，共同探討每位學生在協(xié)作學習過程中如何為集體知識進步做出貢獻。結果發(fā)現，一些在第一次課后研討會上曾被教師視為缺乏學習動力的學生，反而整合關聯(lián)了自己與他人的不同想法，從而為集體知識的進步做出貢獻。在這一過程中，DBIR團隊同時關注了改進Jigsaw課堂的學習理論知識，以及如何基于SSNA技術，促進DBIR實施過程中，多元利益相關者視角整合相關理論知識的雙重發(fā)展。此外，為提升人在系統(tǒng)中的持續(xù)變革能力，在日本教育部門提供的資金支持下，研究者與實踐者共同購買并建設了學校的基礎設施，以改善學習環(huán)境。

上述案例應用SSNA技術可視化協(xié)作學習中群體智慧的進步，因此在前后兩次研討會中，從教師主觀視角與研究者基于SSNA的證據分析視角中，得出了不同的結論。事實上，DBIR團隊之間的多元視角矛盾，恰恰促就了“研究—實踐”的跨界融合，共同發(fā)展出對學習者更全面的理解。收集并轉錄學生的會話音頻，再使用新型評價工具分析并可視化會話詞匯的社會語義網絡，這一過程體現了學習分析視角與DBIR方法的融合，擴展了利益共同體對于課堂情境本身的理解，包括：在完整回顧和比較不同群組的學生會話中，歸納學生互動模式;從社會語義網絡的結構變化中，探索學生對集體知識進步的貢獻程度。在這個案例中，由研究者提供技術支持和闡釋會話分析結果，通過彼此對話與交流，教師認識到基于自身經驗的主觀判斷，與基于可視化證據的推斷之間的矛盾及其成因，甚至希望進一步探尋影響學生參與協(xié)作學習過程的主要因素。該案例說明融合學習分析視角的DBIR方法，能夠促使教師從“實踐參與者”逐步轉向“教學研究者”。837341F5-7F5A-42C1-A2C7-DB01FB127365

（二）案例二：開放共享的可視化學習設計工具DEPIT[25]

在持續(xù)變化的文化背景下，學生之間在文化、認知、經驗等方面均存在較大差異，同時學習過程和課堂教育情境也日益復雜。由此，尊重不同差異的情境性精準學習設計，以及開放性視角下對數字化設計制品的共享交流，成為主要需求。相較于傳統(tǒng)教學設計采用一系列固定步驟進行簡單開發(fā)，學習設計應該被視為學生與教師共同創(chuàng)造的“空間”，能夠導向、定位與支持教與學過程。在歐洲共同體資金的支持下，2017年，國際合作組織發(fā)起了個性化設計與技術融合（DEPIT）項目，主要成員包括馬切拉塔大學、米蘭天主教大學、塞維利亞大學、倫敦大學學院、意大利創(chuàng)業(yè)公司以及三所網絡學校。該項目旨在通過DBIR方法，開發(fā)可供教師在課程及日常活動中使用的DEPIT學習設計應用程序。DEPIT程序以宏觀、中觀和微觀三個層面結構化組織課程、模塊、小節(jié)以及活動，以圖形組織器（Graphic Organizer， GO）形式展示可視化的教學路徑，支持教學實施，并為教師和學生提供指引和參考（如圖3所示）。

DEPIT項目成員共同參與了DBIR的所有階段，其中，由研究員闡釋原則和假設，技術人員研發(fā)產品，實踐者實驗、分析并解釋產品，在多方的協(xié)同交流和爭論中，產出創(chuàng)新產品結構的新視角。首先，項目團隊從國際文獻和開放性問卷雙視角開展初步調研，明確當前學習設計領域的四條主要需求：①從官僚主義的教學設計視角，轉變至流動、自由、迭代修改的設計視角;②為教師設計明確、可視化、可分享、可持續(xù)和可行的路徑;③允許為設計制品增添功能;④建立開放共享的數字設計資源，供整個共同體共享交流。其次，教師和研究員共同開展一系列會議，測試應用程序，收集技術、功能、設計層面的共同需求，并將其轉化為程序的具體功能。最后，在真實的教室環(huán)境中測試應用程序，采用問卷和焦點小組訪談的方法收集教師評估數據，由教師與研究者在多輪會議中共同分析現有的使用問題與需求，不斷迭代改進應用程序的版本?；跉W洲網絡學院國際平臺的支持，DEPIT項目團隊開發(fā)了多語種的MOOC課程，為所有對該項目感興趣的教師提供技術和教學培訓，同時將DEPIT作為免費的學習設計工具廣泛傳播至世界各地學校。

DEPIT工具從多方需求出發(fā)，以設計制品的邏輯與認知結構為可視化規(guī)則，用宏觀、中觀和微觀三層地圖的結構化方式組織設計，并在多輪分析交流中不斷迭代完善版本，體現了人工智能視域下設計分析視角與DBIR方法的融合，對于師生共同形成基于可視化設計的教學法具有變革性意義。就教師本身而言，可視化設計路徑，可幫助教師隨時回溯設計并定位教學;設計材料的結構化聚合，促使設計在學習活動中的動態(tài)生成并不斷演化;開放的數字設計制品資源，為不同情境下的教師共享復用設計制品提供可能。學生主要從設計結構的可視化形式中，清晰地感知與定位自己的學習路徑，發(fā)展有關課程結構的體系化知識，在已有經驗、現有知識以及學習行為預測之間建立認知橋梁。DEPIT項目的實施與迭代過程中，多元參與者能夠基于設計的可視化形式，直觀評測其優(yōu)缺點;研究者在此基礎上，可總結歸納可視化界面在使用中的問題與共同需求，充分發(fā)揮自身的理論和技術優(yōu)勢，持續(xù)迭代改善設計版本。

五、思考與建議

本研究通過梳理BDIR核心思想、大數據和DBIR融合的可行性與必要性，將大數據驅動下的教育研究范式與DBIR方法整合，從學習分析與設計分析兩個視角，構建了AI-DBIR新一代學習科學研究方法論框架。以自上至下的分析方式，深入解讀兩個典型的國際研究案例，闡明AI-DBIR框架中各要素之間的相互作用關系，為該方法論框架的落實提供可操作的借鑒內容。隨著我國教育信息化2.0的快速發(fā)展，全面實現教育信息化需要平衡多方關系，以創(chuàng)新應用發(fā)展為導向，共同探索一條既符合中國基本國情又與國際前沿接軌的發(fā)展道路[26][27]。立足于我國教育信息化的基本實情，從國際層面的人工智能視域下DBIR研究成果中提取可取之處，筆者提出三個方面的思考與建議，以便于相關研究者有效使用AI-DBIR方法，開展教學創(chuàng)新實踐研究。

（一）從基于經驗的主觀判斷轉向數據驅動的教學研究

長期處于教育一線的教師等實踐者普遍缺少學習科學理論知識，部分持有理論無用論觀點，常常依據自身的教學經驗判斷課堂狀況和學習者的學習狀態(tài)。從學習分析可視化視角出發(fā)的AI-DBIR方法，為實踐者觀念轉變提供了契機。多樣化的可視化表征降低了實踐者的認知負載，從而使其可以花更多精力理解學習與設計之間的內部關系，在一定程度上減少主觀理解、決策以及推斷偏見。由于實踐者的AI素養(yǎng)和數據素養(yǎng)薄弱，需要研究人員將新技術與理念引入學校，發(fā)起多輪迭代的教研培訓和研討會，以與當地教師密切溝通。在實踐者尚不了解如何與可視化學習和設計數據互動時，主動在分析過程中提供及時的解釋與反饋。鼓勵一線教師主持教研課題，將人工智能技術內嵌于教學環(huán)節(jié)中，形成動態(tài)生成的探究式課堂。讓師生共同在教學中研究、在研究中教學。

（二）從高屋建瓴的理論研究轉為扎根實踐的創(chuàng)新研究

以往的許多教育研究成果束之高閣，未能轉為實質性的教育實踐，究其原因主要是政府、學術、市場間存在的不同需求傾向，彼此間關系松散，存在較大的認知屏障[28]。AI-DBIR將設計分析與學習分析可視化，為利益相關群體統(tǒng)一理解學習過程與DBIR實施過程提供中介空間，有效調和多方參與者在理論知識與情境知識之間的認知沖突。但研究創(chuàng)新推動實踐發(fā)展的過程周期長、投入大且難度高，多元教育數據的持續(xù)匯聚與深度挖掘，促使AI與人為決策的共同進化。當數據累積到一定程度后，DBIR過程將自動化、智能化、動態(tài)化，極大程度減少各方時間與精力的投入。這個過程要求研究者不斷提升自身實踐意識與能力，應主動與一線教育工作者共同開展研究合作項目，積極推動各方學校的參與，讓研究創(chuàng)新從實踐中來、到教育實踐中去。837341F5-7F5A-42C1-A2C7-DB01FB127365

（三）以互融互通的開放空間為載體，構建數據驅動的多元共同體

由于缺少共享DBIR實施過程與創(chuàng)新設計成果的渠道與機制，限制了DBIR有步驟地大規(guī)模實施。促進大規(guī)模實施與提升教育創(chuàng)新影響力的重要舉措在于，為不同區(qū)域的利益共同體打造開放共享的交流平臺，借助技術的魔力將眾多利益相關組織“網絡”在一起[26]。圍繞開放的DBIR優(yōu)秀案例，不同場域下的多方參與者彼此分享經驗、交流觀點，有助于設計的復用、修改、擴展、整合與廣泛傳播，從中還可提煉出實施相關模式和理論，明確什么樣的方式是富有成效的合作，以應對新的、不斷變化的教育情境。應在教育部門和政府組織的支持下，廣泛借助新媒體的力量，吸引各方組織的加入，組建無邊界的DBIR項目成員網絡。研究者可以在開放平臺上，展示自己的研究成果與當前研究需求;實踐者可以發(fā)布教研需求以及實踐教學問題，促進彼此關系的透明清晰，減少認知沖突和信息不對稱，平衡多方利益實現教育理論與實踐應用的共同增益。

參考文獻：

[1]SAWYER R K. The cambridge handbook of the learning sciences[M]. Cambridge University Press， 2014：1-171.

[2]FISHMAN B J， PENUEL W R， ALLEN A-R， et al. Design-based implementation research： an emerging model for transforming the relationship of research and practice[J]. Teachers College Record， 2013，115（14）：36-56.

[3]BARAB S， SQUIRE K. Design-based research： putting a stake in the ground[J]. J Learn Sci， 2004，13（1）：1-14.

[4]梁林梅，蔡建東，耿倩倩.學習科學研究與教育實踐變革：研究方法論的創(chuàng)新和發(fā)展[J].電化教育研究，2022，43（1）：39-45，62.

[5]UNDERWOOD S M， KARARO A T. Design-based implementation research （DBIR）： an approach to propagate a transformed general chemistry curriculum across multiple institutions[J]. Journal of Chemical Education， 2021，98（12）：43-55.

[6]WANG F， HANNAFIN M J. Design-based research and technology-enhanced learning environments[J]. Educational Technology Research and Development， 2005，53（4）：5-23.

[7]SUBRAMANIAM M， HOFFMAN K M， DAVIS K， et al. Designing a connected learning toolkit for public library staff serving youth through the design-based implementation research method[J]. Libr Inform Sci Res， 2021，43（1）：10-74.

[8]FISCHER F， HMELO-SILVER C E， GOLDMAN S R， et al. International handbook of the learning sciences[M]. Routledge New York， NY， 2018：381-400.

[9]曹俏俏，張寶輝.基于設計的實施研究：建立教育研究與實踐之間的強連接[J].遠程教育雜志，2014，32（3）：33-40.

[10]吳忭，顧小清.教育大數據的深度認知、實踐案例與趨勢展望——2017年“教育大數據應用技術”國際學術研討會評述[J].現代遠程教育研究，2017（3）：11-17.

[11]COLLECTIVE D-B R. Design-based research： an emerging paradigm for educational inquiry[J]. Educ Researcher， 2003，32（1）：5-8.

[12]ANDERSON T， SHATTUCK J. Design-based research： A decade of progress in education research？[J]. Educ Researcher， 2012，41（1）：16-25.

[13]BARAB S， SQUIRE K. Design-based research： putting a stake in the ground[J]. The Journal of the Learning Sciences， 2004，13（1）：1-14.

[14]LEMAHIEU P G， NORDSTRUM L E， POTVIN A S. Design-based implementation research[J]. Quality Assurance in Education， 2017，25（1）：26-42.

[15]王美，廖媛，黃璐，等.數字時代重思學習：賦予學習科學重要使命——第13屆學習科學國際大會綜述[J].開放教育研究， 2018，24（5）：8-20.837341F5-7F5A-42C1-A2C7-DB01FB127365

[16]LEARY H， SEVERANCE S， PENUEL W R， et al. Designing a deeply digital science curriculum： Supporting teacher learning and implementation with organizing technologies[J]. Journal of Science Teacher Education， 2016，27（1）：61-77.

[17]PENUEL W R， FISHMAN B J， HAUGAN CHENG B， et al. Organizing research and development at the intersection of learning， implementation， and design[J]. Educ Researcher， 2011，40（7）：1-7.

[18]MANGAROSKA K， GIANNAKOS M. Learning analytics for learning design： a systematic literature review of analytics-driven design to enhance learning[J]. IEEE Transactions on Learning Technologies， 2018，12（4）：16-34.

[19]PERSICO D， POZZI F. Informing learning design with learning analytics to improve teacher inquiry[J]. Brit J Educ Technol， 2015，46（2）：30-48.

[20]WEN Y， SONG Y. Learning analytics for collaborative language learning in classrooms[J]. Educ Technol Soc， 2021，24（1）： 1-15.

[21]REIMANN P. Connecting learning analytics with learning research： The role of design-based research[J]. Learning： Research and Practice， 2016，2（2）：130-42.

[22]HERNáNDEZ-LEO D， MARTINEZ-MALDONADO R， PARDO A， et al. Analytics for learning design： a layered framework and tools[J]. Brit J Educ Technol， 2019，50（1）：39-52.

[23]ALHADAD S S. Visualizing data to support judgement， inference， and decision making in learning analytics： Insights from cognitive psychology and visualization science[J]. Journal of Learning Analytics， 2018，5（2）：60–85.

[24]OSHIMA J， OSHIMA R， CHIYONISHIO Y， et al. A new approach to lesson study practice in japan from the DBIR perspective[M]. International Society of the Learning Sciences， 2018：673-680.

[25]LAICI C， PENTUCCI M. DEPIT application： open and shared digital artefacts for visible design[J]. Journal of e-Learning and Knowledge Society， 2020，16（4）：1-9.

[26]祝智庭，賀斌.智慧教育：教育信息化的新境界[J].電化教育研究，2012，33（12）：5-13.

[27]祝智庭，魏非.教育信息化2.0：智能教育啟程，智慧教育領航[J].電化教育研究，2018，39（9）：5-16.

[28]陳明選，周亮.教育技術學學科可持續(xù)發(fā)展的必由之路——產學研結合下的研究成果轉化[J].電化教育研究，2022， 43（3）：91-97.

作者簡介：

郭文欣，碩士研究生，主要研究方向為學習科學、學習分析，郵箱：51214108035@stu.ecnu.edu.cn;

吳忭，副教授，博士，通訊作者，主要研究方向為學習科學、數字化學習環(huán)境設計、學習分析，郵箱：bwu@deit.ecnu.edu.cn。

Design-Based Implementation Research Method from the Perspective

of Artificial Intelligence： Framework and Case Study

Wenxin GUO， Bian WU*

（Department of Education Information Technology， East China Normal University， Shanghai 200062）837341F5-7F5A-42C1-A2C7-DB01FB127365

Abstract： As an innovative research method in the field of the learning sciences， Design-Based Implementation Research （DBIR） attempts to achieve large-scale sustainable theoretical innovation and educational change. However， there is a cognitive conflict between theoretical knowledge and empirical knowledge among stakeholders such as educational policymakers， practitioners， and researchers. The big data-driven educational research paradigm provides a key breakthrough to solve this problem. This paper incorporates the educational research paradigm shift driven by big data with the DBIR method， and it explores the establishment of an AI-based implementation research method（AI-DBIR） framework from the perspective of artificial intelligence. The framework extends two perspectives on data analysis including design analysis and learning analysis based on the joint engagement and mutual interaction between practitioners and researchers. Furthermore， an in-depth analysis of typical cases was conducted and three suggestions for effectively use AI-DBIR method in research of teaching innovation practice were discussed. First， the subjective judgments based on experience into data-driven teaching research should be made. Second， the high-level theoretical research into the innovation research rooted in practice should be conducted. Third， a data-driven pluralistic community with a mutually inclusive open space should be built.

Keyword： Design-based implementation research; Design-based research; Artificial intelligence; Learning analytics; Case study

編輯：王曉明 ? 校對：李曉萍837341F5-7F5A-42C1-A2C7-DB01FB127365