摘 要：對學(xué)習(xí)者自我調(diào)節(jié)學(xué)習(xí)過程的準確評價，是實現(xiàn)教學(xué)干預(yù)的必要前提。然而，已有評價方法多為總結(jié)性評價，實時性不足。為此，本研究提出了數(shù)據(jù)驅(qū)動的自我調(diào)節(jié)學(xué)習(xí)動態(tài)評價模型。以學(xué)習(xí)任務(wù)為單位對學(xué)習(xí)過程進行時序化處理，并構(gòu)建學(xué)習(xí)過程中生成性數(shù)據(jù)到自我調(diào)節(jié)學(xué)習(xí)狀態(tài)的映射關(guān)系。研究結(jié)果表明：（1）生成性數(shù)據(jù)是評價學(xué)習(xí)者自我調(diào)節(jié)學(xué)習(xí)狀態(tài)的有力因素，模型具有較高的有效性。（2）學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)狀態(tài)在不同評價維度呈現(xiàn)出差異性變化趨勢，其中任務(wù)分析、自我激勵的信念和自我觀察維度趨于穩(wěn)定，而自我控制、自我判斷和自我反應(yīng)3個維度呈現(xiàn)明顯波動性變化。（3）高低績效群體在自我激勵的信念、自我控制和自我反應(yīng)3個評價維度上表現(xiàn)出顯著差異，而在任務(wù)分析、自我觀察和自我判斷有3個維度上沒有統(tǒng)計學(xué)差異。

關(guān)鍵詞：自我調(diào)節(jié)學(xué)習(xí)；生成性數(shù)據(jù)；指標體系；人工智能；學(xué)習(xí)分析

中圖分類號：G431 文獻標志碼：A 文章編號：2096-0069（2024）01-0019-07

引言

自我調(diào)節(jié)學(xué)習(xí)（Self-Regulated Learning，簡稱SRL）是指學(xué)習(xí)者積極激勵自己并且使用適當(dāng)策略的學(xué)習(xí)[1]。研究表明，對學(xué)習(xí)者自我調(diào)節(jié)學(xué)習(xí)進行實時、有效的評價，是發(fā)現(xiàn)學(xué)習(xí)者學(xué)習(xí)困難、制定針對性學(xué)習(xí)干預(yù)策略的基礎(chǔ)[2]。目前，對自我調(diào)節(jié)學(xué)習(xí)評價的研究大多是學(xué)期末的問卷、訪談等靜態(tài)評價、總結(jié)性評價，實時性不足[3]。但對學(xué)習(xí)者而言，學(xué)習(xí)就是一個自我調(diào)節(jié)學(xué)習(xí)的過程，對自我調(diào)節(jié)學(xué)習(xí)的實時動態(tài)評價是幫助學(xué)習(xí)者及時發(fā)現(xiàn)問題并保持較高學(xué)習(xí)動機的關(guān)鍵[4]。為此，如何實現(xiàn)對學(xué)習(xí)者自我調(diào)節(jié)學(xué)習(xí)的動態(tài)評價成為學(xué)界關(guān)注的熱點。

本研究在巴里·J.齊默曼（Barry J. Zimmerman） [5]自我調(diào)節(jié)學(xué)習(xí)理論的基礎(chǔ)上，構(gòu)建了數(shù)據(jù)驅(qū)動的自我調(diào)節(jié)學(xué)習(xí)動態(tài)評價模型。以學(xué)習(xí)任務(wù)為單位對學(xué)習(xí)過程中的生成性數(shù)據(jù)進行時序編碼，并利用人工智能技術(shù)挖掘生成性數(shù)據(jù)到自我調(diào)節(jié)學(xué)習(xí)狀態(tài)的映射關(guān)系，然后對時序化的生成性數(shù)據(jù)進行連續(xù)映射，實現(xiàn)對學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)狀態(tài)的動態(tài)評價。最后，將模型應(yīng)用于教學(xué)實踐，對學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)狀態(tài)進行跟蹤分析，并比較了高低績效群體自我調(diào)節(jié)學(xué)習(xí)狀態(tài)的差異性。

一、相關(guān)研究

（一）自我調(diào)節(jié)學(xué)習(xí)評價的進展

目前，關(guān)于自我調(diào)節(jié)學(xué)習(xí)的評價方法主要有兩種，即自我報告法和數(shù)據(jù)分析法。其中，自我報告法指學(xué)習(xí)者利用口頭（如訪談）或書面（如問卷）等形式對實時或一段時間內(nèi)的學(xué)習(xí)過程進行匯報。克塞尼婭·維爾科娃（Kseniia Vilkova）[6]使用在線自我調(diào)節(jié)學(xué)習(xí)問卷OSLQ從目標設(shè)定、時間管理等6個維度對MOOC學(xué)習(xí)者進行自我調(diào)節(jié)學(xué)習(xí)狀態(tài)測量，并驗證了自我調(diào)節(jié)學(xué)習(xí)狀態(tài)對輟學(xué)率的影響。蘭國帥等[7]使用學(xué)習(xí)動機策略量表MSLQ測量了探究社區(qū)中學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)狀態(tài)，發(fā)現(xiàn)良好的自我調(diào)節(jié)學(xué)習(xí)有助于深度學(xué)習(xí)和知識建構(gòu)的發(fā)生與發(fā)展。

數(shù)據(jù)分析法則是通過對學(xué)習(xí)過程中的操作行為、單元測試成績等生成性數(shù)據(jù)進行挖掘與分析，實現(xiàn)對自我調(diào)節(jié)學(xué)習(xí)狀態(tài)的自動評價。有研究者認為學(xué)習(xí)過程中的視頻完成率、視頻瀏覽時間、瀏覽的視頻部分和視頻拖動操作能夠有效反映學(xué)生的自我調(diào)節(jié)學(xué)習(xí)狀態(tài)[8]。何宇（He Yu）等[9]從交互行為角度將學(xué)習(xí)過程分為微觀互動和高級互動，并通過邏輯回歸等算法證實了微觀互動是評價學(xué)生自我調(diào)節(jié)狀態(tài)的有效指標。也有研究者從目標設(shè)定、學(xué)習(xí)策略計劃等6個維度定義了自我調(diào)節(jié)學(xué)習(xí)狀態(tài)，并利用懲罰性回歸算法對MOOC學(xué)習(xí)者的學(xué)習(xí)時長、會話次數(shù)等生成性數(shù)據(jù)進行分析，實現(xiàn)對自我調(diào)節(jié)學(xué)習(xí)狀態(tài)的評價[10]。

自我報告法因簡單易行而被廣泛應(yīng)用，但反復(fù)測量會增加學(xué)習(xí)者的負擔(dān)，而且易受到學(xué)習(xí)者主觀意志的影響。數(shù)據(jù)分析法則解決了自我報告法的上述問題，然而，目前的數(shù)據(jù)分析法多是學(xué)期末的總結(jié)性評價，結(jié)果存在滯后性[3]。

（二）自我調(diào)節(jié)學(xué)習(xí)理論模型

理論模型對構(gòu)建自我調(diào)節(jié)學(xué)習(xí)動態(tài)評價具有重要的理論支撐和指導(dǎo)作用。本研究采用巴里·J.齊默曼理論模型作為啟動框架，該理論模型將自我調(diào)節(jié)學(xué)習(xí)分為事先計劃、監(jiān)控執(zhí)行和自我反思3個階段。①事先計劃階段：指學(xué)習(xí)者設(shè)定目標并規(guī)劃自身的學(xué)習(xí)活動。該階段包含任務(wù)分析和自我激勵的信念兩個維度。其中，任務(wù)分析是學(xué)習(xí)者對學(xué)習(xí)目標進行分解，建立個人目標結(jié)構(gòu)和學(xué)習(xí)計劃，并對學(xué)習(xí)資源進行組織和管理；自我激勵的信念是學(xué)習(xí)者預(yù)感或期望學(xué)習(xí)的結(jié)果，調(diào)動自身積極性完成學(xué)習(xí)的動機與信念。②監(jiān)控執(zhí)行階段：指學(xué)習(xí)者監(jiān)控自身的學(xué)習(xí)過程，在需要時尋求幫助。該階段包含自我控制和自我觀察兩個維度。其中，自我控制是學(xué)習(xí)者根據(jù)實際學(xué)習(xí)情況，對個人目標結(jié)構(gòu)和學(xué)習(xí)計劃進行調(diào)整和完善；自我觀察指學(xué)習(xí)者對自我學(xué)習(xí)行為的頻率或強度進行觀察和記錄的過程。③自我反思階段：指學(xué)習(xí)者反思自身進展和使用的認知策略。該階段包含自我判斷和自我反應(yīng)兩個維度。其中，自我判斷是學(xué)習(xí)者根據(jù)學(xué)習(xí)目標的達成情況，進行自我評價和探尋歸因；自我反應(yīng)是反思個人學(xué)習(xí)目標和學(xué)習(xí)計劃是否合理、學(xué)習(xí)策略是否有效，并在后續(xù)學(xué)習(xí)中繼續(xù)保持或修正。

二、數(shù)據(jù)驅(qū)動的自我調(diào)節(jié)學(xué)習(xí)動態(tài)評價模型

（一）模型建構(gòu)

學(xué)習(xí)平臺詳細記錄了大量的學(xué)習(xí)行為、測試成績等生成性數(shù)據(jù)，為自我調(diào)節(jié)學(xué)習(xí)的動態(tài)評價提供了數(shù)據(jù)支持。人工智能技術(shù)能夠利用非結(jié)構(gòu)化數(shù)據(jù)挖掘出潛在的關(guān)聯(lián)關(guān)系，為自我調(diào)節(jié)學(xué)習(xí)的動態(tài)評價提供了可行性技術(shù)支撐。為此，本研究在巴里·J.齊默曼理論模型的指導(dǎo)下，以生成性數(shù)據(jù)為基礎(chǔ)，以學(xué)習(xí)任務(wù)為時序單位，引入神經(jīng)網(wǎng)絡(luò)算法，構(gòu)建了數(shù)據(jù)驅(qū)動的自我調(diào)節(jié)學(xué)習(xí)動態(tài)評價模型，如圖1所示（見下頁）。

模型包括3個核心部分：①指標體系建立。該體系包含評價指標體系和生成性數(shù)據(jù)指標兩部分。其中，評價指標體系是將評價目標按照其本質(zhì)屬性分解為清晰的、可操作的結(jié)構(gòu)，是評價的前提和基礎(chǔ)；生成性數(shù)據(jù)指標則是分類選擇能夠表現(xiàn)評價目標的學(xué)習(xí)行為、績效狀態(tài)等生成性數(shù)據(jù)集合。②評價引擎訓(xùn)練。該部分是挖掘生成性數(shù)據(jù)和自我調(diào)節(jié)學(xué)習(xí)狀態(tài)間的復(fù)雜映射關(guān)系，依據(jù)生成性數(shù)據(jù)獲得學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)狀態(tài)。本研究提出了基于神經(jīng)網(wǎng)絡(luò)的評價引擎，該引擎的構(gòu)建需要使用帶標簽（由自我報告產(chǎn)生）的生成性數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。③自我調(diào)節(jié)學(xué)習(xí)動態(tài)評價。該部分包含數(shù)據(jù)采集與時序編碼、動態(tài)評價兩個核心步驟。其中，前者是收集目標學(xué)習(xí)者的生成性數(shù)據(jù)，并對數(shù)據(jù)中學(xué)習(xí)者的各類行為、狀態(tài)等信息分別進行計算和時序編碼；后者則是使用訓(xùn)練好的評價引擎對時序化的生成性數(shù)據(jù)進行分析，得到學(xué)習(xí)者在連續(xù)任務(wù)上的多維度自我調(diào)節(jié)學(xué)習(xí)狀態(tài)，并繪制出自我調(diào)節(jié)學(xué)習(xí)狀態(tài)的動態(tài)曲線。

（二）指標體系

依據(jù)理論模型，本研究將自我調(diào)節(jié)學(xué)習(xí)的評價指標體系劃分為事先計劃、監(jiān)控執(zhí)行、自我反思3個階段和任務(wù)分析、自我激勵的信念等6個評價維度，并參考何宇等[9]、勒內(nèi)·基齊爾切克（René F. Kizilcec）等[10]的研究，分別為每個評價維度篩選了生成性數(shù)據(jù)指標。

第一，事先計劃階段。任務(wù)分析維度的生成性數(shù)據(jù)指標包含：查看課程說明頻次、瀏覽大綱頻次、查看學(xué)習(xí)目標頻次、添加/修改學(xué)習(xí)目標頻次、瀏覽資源結(jié)構(gòu)/屬性頻次；自我激勵的信念維度的指標包含：查看學(xué)習(xí)目標頻次、瀏覽資源結(jié)構(gòu)/屬性頻次、修改學(xué)習(xí)目標頻次。

第二，監(jiān)控執(zhí)行階段。自我控制維度的指標包含：修改學(xué)習(xí)目標頻次、瀏覽資源結(jié)構(gòu)/屬性頻次、瀏覽資源頻次、瀏覽視頻時間、登錄平臺時間、發(fā)貼數(shù)、回貼數(shù)、作業(yè)完成度；自我觀察維度的指標包含：組織/查詢資源頻次、修改學(xué)習(xí)目標頻次、查看登錄時間頻次、查看視頻瀏覽時間頻次、查看資源瀏覽頻次、查看發(fā)/回貼數(shù)量頻次。

第三，自我反思階段。自我判斷維度的指標包含：查看學(xué)習(xí)目標頻次、測試成績、測試頻次、查看作業(yè)評價頻次、查看測試成績頻次；自我反應(yīng)維度的指標包含：視頻瀏覽時間變化、作業(yè)完成度變化、登錄平臺時間變化、發(fā)貼數(shù)變化、回貼數(shù)變化、測試成績、測試次數(shù)、添加/修改學(xué)習(xí)反思次數(shù)。

（三）基于神經(jīng)網(wǎng)絡(luò)的評價引擎

評價引擎的作用是依據(jù)生成性數(shù)據(jù)獲得自我調(diào)節(jié)學(xué)習(xí)狀態(tài)，為精準挖掘兩者間的復(fù)雜變換關(guān)系，本研究構(gòu)建了基于神經(jīng)網(wǎng)絡(luò)的評價引擎，如圖2所示（見下頁）。神經(jīng)網(wǎng)絡(luò)算法擁有自學(xué)習(xí)、自組織和自適應(yīng)的特性，可以充分挖掘生成性數(shù)據(jù)與自我調(diào)節(jié)學(xué)習(xí)狀態(tài)間的深層次關(guān)系，能夠有效提升目前評價研究中常用的線性回歸等線性方法的準確性。

構(gòu)建好的評價引擎可以通過輸入生成性數(shù)據(jù)（如圖2中fi，bi為偏置項，恒為1）得到自我調(diào)節(jié)學(xué)習(xí)狀態(tài)（如圖2中t）。但引擎的構(gòu)建需要使用訓(xùn)練數(shù)據(jù)集（即帶標簽的生成性數(shù)據(jù)）進行模型訓(xùn)練，研究使用自我報告法為部分生成性數(shù)據(jù)產(chǎn)生標簽（即自我調(diào)節(jié)學(xué)習(xí)狀態(tài)），以此產(chǎn)生訓(xùn)練數(shù)據(jù)集。模型的訓(xùn)練主要包含3個主要步驟：

第一，前向計算。將生成性數(shù)據(jù)向前迭代，將數(shù)據(jù)映射到評價維度空間，以模擬從生成性數(shù)據(jù)到自我調(diào)節(jié)學(xué)習(xí)狀態(tài)的復(fù)雜變換關(guān)系，如圖2所示，按箭頭方向逐步計算。前向計算包含線性計算和激活兩步，計算方法如公式（1）所示。其中，Z表示某個神經(jīng)元結(jié)點的線性運算結(jié)果，f（z）表示激活函數(shù)，本研究使用Sigmoid函數(shù)，表示權(quán)重向量（如圖2中W1），是自然常數(shù)。

第二，數(shù)據(jù)輸出。將經(jīng)過前向計算的數(shù)據(jù)進行處理，得到輸出（即自我調(diào)節(jié)學(xué)習(xí)狀態(tài)），本研究選擇分類中最大概率（使用Softmax函數(shù)計算）的狀態(tài)值輸出。如圖2中神經(jīng)網(wǎng)絡(luò)分類概率為（對應(yīng)輸出值1～3），則最后的結(jié)果為最大概率（0.73）對應(yīng)的輸出分類值3。

第三，反向傳播更新。依據(jù)計算結(jié)果與標簽結(jié)果的差異，對正向傳播過程進行調(diào)整，以使計算更加精確。反向傳播更新包括誤差表示、殘差計算和權(quán)重更新3個子步驟。誤差是輸出結(jié)果和標簽真實結(jié)果差異程度，本文中使用交叉熵損失函數(shù)表示；殘差是反向傳播的誤差，利用誤差的偏導(dǎo)數(shù)和前面一層進行加權(quán)求和；權(quán)重更新則是通過每個節(jié)點的殘差值反向更新該節(jié)點與上一層中節(jié)點間的權(quán)重。3個子步驟的計算方法如公式（2）所示。其中，c表示誤差，ei表示節(jié)點i的殘差，wtij表示第t次迭代時節(jié)點i和j連接的權(quán)重，sj是輸出層的最大輸出值（即最大概率值，表明分類結(jié)果），Next（i）表示節(jié)點i右層神經(jīng)元集合，wij是節(jié)點i和間j的權(quán)重系數(shù)，f'（i）表示激活函數(shù)的偏導(dǎo)數(shù)，xi表示節(jié)點的i輸出值，η表示學(xué)習(xí)率，本文中取常數(shù)0.6。

（四）生成性數(shù)據(jù)的時序編碼與動態(tài)評價

為實現(xiàn)自我調(diào)節(jié)學(xué)習(xí)的動態(tài)評價，需要以時間變量為主軸對學(xué)習(xí)過程進行分析。任務(wù)分析、自我判斷等評價維度是基于時間的累積量，而非瞬時狀態(tài)。為此，本研究提出以學(xué)習(xí)任務(wù)為單位對生成性數(shù)據(jù)進行時序化編碼，以將連續(xù)的動態(tài)評價轉(zhuǎn)換為離散的評價序列。然后，將每個學(xué)習(xí)任務(wù)對應(yīng)生成性數(shù)據(jù)輸入評價引擎，得到學(xué)習(xí)者在該學(xué)習(xí)任務(wù)中的自我調(diào)節(jié)學(xué)習(xí)狀態(tài)。最后，將所有學(xué)習(xí)任務(wù)的自我調(diào)節(jié)學(xué)習(xí)狀態(tài)進行連接和可視化，即可生成學(xué)習(xí)者在整個學(xué)習(xí)過程的動態(tài)評價。

生成性數(shù)據(jù)的時序化編碼過程如下：①抽取生成性數(shù)據(jù)。對于數(shù)據(jù)庫中的狀態(tài)數(shù)據(jù)，如單元測試成績等，直接讀取學(xué)習(xí)者ID、學(xué)習(xí)任務(wù)號、數(shù)據(jù)值。對于日志中的行為數(shù)據(jù)，需要先分離出形如學(xué)習(xí)者ID、行為類型、行為目標、學(xué)習(xí)任務(wù)號、Session ID、時間戳的操作流，然后將同一事件對應(yīng)的操作流相匹配，生成行為數(shù)據(jù)集。②數(shù)據(jù)清洗與編碼。數(shù)據(jù)清洗是檢查數(shù)據(jù)一致性，并處理無效值和缺失值；編碼是將有效數(shù)據(jù)生成編碼數(shù)據(jù)集，例如，將任務(wù)分析維度的生成性數(shù)據(jù)指標編碼為ti，將自我反應(yīng)維度的指標編碼為rk。③建立學(xué)習(xí)過程映射。將狀態(tài)數(shù)據(jù)與行為數(shù)據(jù)以學(xué)習(xí)者ID和學(xué)習(xí)任務(wù)號為主次關(guān)鍵字進行匹配關(guān)聯(lián)，生成每個學(xué)習(xí)者的學(xué)習(xí)過程映射數(shù)據(jù)集。如學(xué)習(xí)者S1的學(xué)習(xí)過程映射為＜t11，t12，t13，…，r77，r78＞，其中，t12表示該學(xué)習(xí)者在學(xué)習(xí)任務(wù)1中t2生成性數(shù)據(jù)指標的值。

三、動態(tài)評價模型的實踐應(yīng)用

（一）應(yīng)用情境

實踐課程為某師范大學(xué)2020—2021學(xué)年春季“數(shù)據(jù)庫技術(shù)及應(yīng)用”課程，授課周期為 18 周。課程使用“學(xué)習(xí)通”+“騰訊會議”的在線平臺開展，前者為教學(xué)提供了資源管理、測試、學(xué)習(xí)計劃、論壇等功能；后者則提供了實時互動課堂功能。參與研究的學(xué)生為教育技術(shù)學(xué)專業(yè)本科二年級學(xué)生，包括11名男生和45名女生，均具有在線學(xué)習(xí)經(jīng)歷。

（二）應(yīng)用流程設(shè)計

課程分為關(guān)系數(shù)據(jù)理論、完整性約束等7個學(xué)習(xí)任務(wù)，每個學(xué)習(xí)任務(wù)均包括課前預(yù)習(xí)、課上講解、課后練習(xí)3個階段。課前預(yù)習(xí)是學(xué)生通過教師提供的學(xué)習(xí)資料自主學(xué)習(xí)；課上講解是教師對重難點知識或共性問題進行講解，并指導(dǎo)學(xué)生開展任務(wù)實踐；課后加強則是課后完成復(fù)習(xí)、單元測試和課程作業(yè)。

此外，評價引擎的訓(xùn)練需要帶標簽（即自我調(diào)節(jié)學(xué)習(xí)狀態(tài)）的訓(xùn)練集。為此，課程中的前3個學(xué)習(xí)任務(wù)要求學(xué)生使用自我報告法對當(dāng)前任務(wù)的自我調(diào)節(jié)學(xué)習(xí)狀態(tài)進行匯報，以生成訓(xùn)練數(shù)據(jù)集；后面的學(xué)習(xí)任務(wù)則使用訓(xùn)練好的評價引擎對學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)狀態(tài)進行評價。

（三）測量工具與方法

本研究中的自我報告所采用的量表，是依據(jù) “學(xué)習(xí)動機策略問卷使用手冊（MSLQ）”和“大學(xué)生學(xué)習(xí)自主性量表”改編而成的[11-12]，包括事先計劃、監(jiān)控執(zhí)行和自我反思3個大類和6個小類的內(nèi)容，共42個項目。量表采用7級李克特評分，從完全不符合（1分）到非常符合（7分），量表的Cronbach 系數(shù)為0.853，表明量表具有較高的可靠性和內(nèi)部一致性。

（四）數(shù)據(jù)分析結(jié)果

1．模型的有效性分析

為驗證動態(tài)模型的有效性，本研究從準確率、召回率和F1值3個方面對模型的評價結(jié)果進行了檢測，結(jié)果表明，模型在3個階段上的評價結(jié)果均較好。其中，在任務(wù)分析、自我控制和自我反應(yīng)3個評價維度上，準確率、召回率和F1值均接近或大于70%（最低69.36%，最高80.64%），評價有效性較高；盡管在自我激勵的信念、自我觀察、自我評價3個評價維度上的結(jié)果稍差，但也均高于60%（最低62.08%），表明模型的評價結(jié)果亦可接受。此外，在6個評價維度上，模型評價結(jié)果和量表結(jié)果的Kappa一致性檢驗值均大于0.65，說明兩者之間具有較好的一致性。綜上，可以認為本研究提出的動態(tài)評價模型在自我調(diào)節(jié)學(xué)習(xí)6個評價維度上的評價結(jié)果是令人滿意或可接受的。

2．自我調(diào)節(jié)學(xué)習(xí)狀態(tài)動態(tài)分析

為探究學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)動態(tài)變化趨勢，本研究從事先計劃、監(jiān)控執(zhí)行和自我反思3個階段跟蹤學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)動態(tài)，并對所有學(xué)習(xí)任務(wù)的數(shù)據(jù)進行了方差分析，結(jié)果如表1所示（見下頁）。

事先計劃階段。由表1可知：第一，任務(wù)分析狀態(tài)基本呈現(xiàn)平穩(wěn)態(tài)勢（p＝0.564＞0.05），表明在教師的指導(dǎo)下，學(xué)生能較好地理解學(xué)習(xí)目標和策略。第二，任務(wù)分析狀態(tài)在學(xué)習(xí)任務(wù)1和6上的均值稍低，表明學(xué)習(xí)內(nèi)容的抽象程度對學(xué)生的任務(wù)分析狀態(tài)有一定影響；前者是學(xué)期開始，學(xué)生對新內(nèi)容較陌生；后者的學(xué)習(xí)內(nèi)容是數(shù)據(jù)庫設(shè)計范式，內(nèi)容抽象。第三，自我激勵的信念狀態(tài)雖有一定波動，但整體上仍然表現(xiàn)穩(wěn)定（p＝0.71＞0.05）。第四，學(xué)習(xí)內(nèi)容難度對自我激勵的信念存在滯后性影響，學(xué)習(xí)任務(wù)1、3和6的難度較高，導(dǎo)致學(xué)生在下一學(xué)習(xí)任務(wù)開始時信心降低，其中，學(xué)習(xí)任務(wù)3為SQL語句。雖然內(nèi)容具體，但邏輯性較強。

監(jiān)控執(zhí)行階段。由表1可知：第一，學(xué)生的自我控制狀態(tài)會隨著學(xué)習(xí)任務(wù)的不同產(chǎn)生明顯差異性（p＝0.040＜0.05），結(jié)合學(xué)習(xí)任務(wù)的難度，可知越是知識點繁冗和困難的任務(wù)，需要學(xué)生投入的自我控制精力越多。第二，對于困難的學(xué)習(xí)任務(wù)6，學(xué)生的自我控制狀態(tài)雖然較高，但未達到期望值。第三，學(xué)生的自我觀察狀態(tài)評分值較低且整體表現(xiàn)穩(wěn)定（p＝0.994＞0.05），表明學(xué)生對學(xué)習(xí)過程的關(guān)注整體較少；另外，學(xué)生對學(xué)習(xí)過程的觀察較難反饋到平臺數(shù)據(jù)中，也會對該方面的評價產(chǎn)生一定影響。

自我反思階段。由表1可知：第一，學(xué)生的自我判斷狀態(tài)隨著學(xué)習(xí)內(nèi)容呈現(xiàn)明顯波動趨勢（p＝0.004＜0.05），較難的學(xué)習(xí)任務(wù)（1、3、6）會導(dǎo)致較低的自我判斷狀態(tài)，表明學(xué)習(xí)任務(wù)的難度對學(xué)生的自我判斷具有較大的影響。第二，學(xué)生的自我反應(yīng)狀態(tài)同樣隨著學(xué)習(xí)內(nèi)容呈現(xiàn)明顯波動（p＝0.017＜0.05），學(xué)習(xí)任務(wù)1、3、6同樣對應(yīng)較低的自我反應(yīng)狀態(tài)。第三，學(xué)生自我反應(yīng)狀態(tài)的評價包含適應(yīng)/防御，是學(xué)生對前一學(xué)習(xí)任務(wù)的反應(yīng)，因此，該維度缺少任務(wù)1的評價。

3．高低績效群體自我調(diào)節(jié)狀態(tài)的動態(tài)變化

為了進一步揭示自我調(diào)節(jié)學(xué)習(xí)狀態(tài)與學(xué)習(xí)績效的關(guān)系，本研究采用t檢驗對高低績效組的自我調(diào)節(jié)學(xué)習(xí)狀態(tài)進行比較。其中，最終考核成績高于70分的作為高績效者（H），低于70分的則為低績效者（L）。

事先計劃階段。在任務(wù)分析維度，高低績效群體沒有顯著差異（t＝0.530，p＝0.606＞0.05），說明學(xué)生對學(xué)習(xí)目標的定位和學(xué)習(xí)策略的設(shè)計均比較清晰；而在自我激勵的信念維度上，高低績效群體則呈現(xiàn)出顯著差異（t＝2.777，p＝0.024＜0.05），結(jié)合均值（MeanH＝5.50＞MeanL＝5.34）可知，高績效組能更長時間地對學(xué)習(xí)內(nèi)容保持興趣，也具有更高的自我效能感。

監(jiān)控執(zhí)行階段。在自我控制維度，高低績效群體存在極顯著差異（t＝3.474，p＝0.007＜0.01），結(jié)合具體的評價值發(fā)現(xiàn)，對于較難的學(xué)習(xí)任務(wù)（如學(xué)習(xí)任務(wù)6），高績效組會表現(xiàn)出更積極努力的狀態(tài)（如MeanH6＝5.81＞MeanL6＝5.11）；在自我觀察維度上，高低績效群體沒有表現(xiàn)出顯著差異（t＝1.338，p＝0.368＞0.05），兩組的自我觀察狀態(tài)均隨著學(xué)習(xí)的進行而呈現(xiàn)出下降趨勢。

自我反思階段。在自我判斷維度，高低績效群體未表現(xiàn)出顯著差異（t＝0.224，p＝0.826＞0.05），結(jié)合均值發(fā)現(xiàn)，兩組均處于較低水平；在自我反應(yīng)維度上，高低績效群體表現(xiàn)出顯著差異（t＝2.270，p＝0.049＜0.05），結(jié)合均值和方差數(shù)據(jù)可知，高績效組在整個學(xué)習(xí)過程中具有較高的自我調(diào)節(jié)能力且相對更穩(wěn)定（MeanH＝5.32＞MeanL＝5.12， SDH＝0.124＜SDL＝0.172），特別是在面臨困難的學(xué)習(xí)任務(wù)時表現(xiàn)得尤為明顯。

四、總結(jié)與討論

本研究提出了數(shù)據(jù)驅(qū)動的自我調(diào)節(jié)學(xué)習(xí)動態(tài)評價模型，通過挖掘?qū)W習(xí)過程中的生成性數(shù)據(jù)實現(xiàn)學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)動態(tài)評價。與以往研究不同的是，本研究提出使用學(xué)習(xí)任務(wù)對學(xué)習(xí)過程進行時序劃分，實現(xiàn)了連續(xù)動態(tài)評價的離散化轉(zhuǎn)換。另外，本研究使用神經(jīng)網(wǎng)絡(luò)算法擬合生成性數(shù)據(jù)與自我調(diào)節(jié)學(xué)習(xí)狀態(tài)間的復(fù)雜變換關(guān)系，提升了擬合的準確度。

研究雖然為自我調(diào)節(jié)學(xué)習(xí)的動態(tài)跟蹤提供了可行性解決方案，為智能輔導(dǎo)系統(tǒng)（ITS）和個性化教學(xué)干預(yù)等提供重要的決策支撐，但仍存在一定的局限性。比如，模型僅使用了學(xué)習(xí)者的在線生成性數(shù)據(jù)作為評價依據(jù)，評價在準確度、召回率等有效性上仍有進一步的提升空間。

參考文獻

[1]李文昊，任曉曈，朱希雅，等.認知彈性設(shè)計下自我調(diào)節(jié)學(xué)習(xí)行為影響學(xué)習(xí)成績的機制研究[J].電化教育研究，2022，43（2）：64-71.

[2]楊春梅，張文蘭.境外網(wǎng)絡(luò)環(huán)境下自我調(diào)節(jié)學(xué)習(xí)研究的熱點、趨勢及啟示[J].數(shù)字教育，2022，8（3）：86-92.

[3]ARAKA E， MAINA E， GITONGA R， et al. Research trends in measurement and intervention tools for self-regulated learning for e-learning environments-systematic review （2008—2018） [J]. Research and Practice in Technology Enhanced Learning， 2020， 15： 1-21.

[4]孫培勇.“雙減”政策背景下培養(yǎng)學(xué)生自我調(diào)節(jié)學(xué)習(xí)能力的實施策略[J].數(shù)字教育，2022，8（6）：63-68.

[5]ZIMMERMAN B J. Becoming a self-regulated learner： an overview[J]. Theory into Practice， 2002， 41（2）： 64-70.

[6]VILKOVA K， SHCHEGLOVA I. Deconstructing self-regulated learning in MOOCs： in search of help-seeking mechanisms[J]. Education and Information Technologies， 2021， 26： 17-33.

[7]蘭國帥，鐘秋菊，郭倩，等.自我效能、自我調(diào)節(jié)學(xué)習(xí)與探究社區(qū)模型的關(guān)系研究：基于網(wǎng)絡(luò)學(xué)習(xí)空間中開展的混合教學(xué)實踐[J].中國電化教育，2020（12）：44-54.

[8]VAN ALTEN D C D， PHIELIX C， JANSSEN J， et al. Effects of self-regulated learning prompts in a flipped history classroom[J]. Computers in Human Behavior， 2020， 108： 106318.

[9]YU H， HARPER S， VIGO M. Modeling micro-interactions in self-regulated learning： a data-driven methodology[J]. International Journal of Human-Computer Studies， 2021， 151： 102625.

[10]KIZILCEC R F， PEREZ-SANAGUSTIN M， MALDONADO J J. Self-regulated learning strategies predict learner behavior and goal attainment in Massive Open Online Courses[J]. Computers amp; Education， 2017， 104： 18-33.

[11]PINTRICH P R， SMITH D A F， GARCIA T， et al. Reliability and predictive validity of the Motivated Strategies for Learning Questionnaire （MSLQ）[J]. Educational and Psychological Measurement， 1993， 53（3）： 801-813.

[12]謝家樹.大學(xué)生學(xué)習(xí)自主性量表的初步編制及試測[D].長沙： 湖南師范大學(xué)，2004.

（責(zé)任編輯 孫興麗）

A Study of a Data-Driven Dynamic Evaluation Model for Self-Regulated Learning

Kong Weiliang1， Zhang Junkai1， Han Shuyun2， Ye Haizhi1

（1. Faculty of Education， Henan Normal University， Xinxiang， Henan， China 453007;

2. Faculty of Artificial Intelligence in Education， Central China Normal University， Wuhan， Hubei， China 430079）

Abstract： Accurate evaluation of learners’ self-regulated learning process is a necessary prerequisite for the realization of pedagogical interventions. However， most of the existing evaluation methods are summative and insufficient in real time. For this reason， the study proposes a data-driven dynamic evaluation model of self-regulated learning. The learning process is temporalized in terms of learning tasks， and the mapping of generative data to self-regulated learning states is constructed in the learning process. The results of the study show that： （1） Generative data is a powerful factor in evaluating learners’ self-regulated learning state， and the model has high validity. （2） The learners’ self-regulated learning state shows a trend of differential changes in different evaluation dimensions， in which the dimensions of task analysis， self-motivated beliefs and self-observation tend to be stable， while the three dimensions of self-control， self-judgement， and self-response show obvious fluctuating changes. （3） The high and low performance groups show significant differences in the three evaluation dimensions of self-motivated beliefs， self-control and self-reaction， while there are no statistical differences in the three dimensions of task analysis， self-observation and self-judgment.

Key words： Self-regulated learning; Generative data; Metrics system; Artificial intelligence; Learning analytics