研究型教学模式应用分析论文

摘要：网络学习者的资源应用行为分析是学习分析领域的研究重点。今天小编给大家找来了《研究型教学模式应用分析论文 (精选3篇)》，仅供参考，大家一起来看看吧。

研究型教学模式应用分析论文 篇1：

基于知识图谱的智慧教育研究热点与趋势分析

【摘 要】

智慧教育已成为当前教育领域关注的一个新热点。本文以中国知网(CNKI)数据库2011-2016年1月收录的与信息化相关的智慧教育学术论文为研究对象，采用共词分析及多维尺度分析方法，绘制知识图谱来探究我国智慧教育领域的研究热点与发展趋势。研究发现，我国智慧教育研究主要围绕智慧教育的技术支撑与理论探讨、智慧教育发展的宏观与微观两条主线及智慧学习需求研究、新背景下的智慧教育理论研究、智慧校园生态研究、智慧教学模式研究、智慧教育技术支撑环境研究5个主题。未来应主要集中在智慧教育理论应用于实践的研究、智慧教育关键技术支撑环境的研究、智慧学习资源与智慧教学模式的开发应用研究、智慧教育生态观研究四个方面。

【关键词】 智慧教育;共词分析;多维尺度分析;知识图谱;研究热点;趋势分析

《国家中长期教育改革和发展规划纲要(2010-2020年)》提出“加快我国智慧教育建设，提高信息化和智能化对教育发展的贡献度，推动教育现代化发展，为加快实现我国教育现代化提供有力支撑，构建学习型社会，建设智慧型教育环境”。《教育信息化十年发展规划(2011—2020年)》指出“以教育信息化带动教育现代化，是我国教育事业发展的战略选择”(陈琳，等，2013)。智慧教育是信息化的产物，是教育现代化的集中体现(祝智庭，等，2012)。随着教育信息化的不断发展，智慧教育已成为当前教育研究的新热点、新趋势。本文运用共词分析和多维尺度分析对2011年以来我国智慧教育领域的文献进行梳理，以期为学者的进一步研究提供借鉴。

一、研究设计

(一)研究方法

本研究采用可视化的知识图谱展现智慧教育研究领域的研究热点，为文献综述提供科学的计量方法，提高文献综述的可信度及科学性。其中，共词分析法是分析关键词两两在同一篇文章中出现的现象的内容分析法，根据分析结果判断该研究主题的现有研究结构(张勤，等，2007);多维尺度分析实质是根据关键词之间的“距离”即关系的紧密程度对研究问题进行聚类，以全面反应主要研究角度和热点(翁胜斌，2013)。Bicomb、Excel、SPSS19.0是本研究使用的主要软件。

(二)研究过程

1. 数据库及论文的选取

本研究基于国内与信息化相关的智慧教育相关文献，研究对象来源于中国知网，论文样本的选择标准如下：① 论文正式发表并收录到学术论文数据库;② 论文检索期刊限定为教育技术学科的CSSCI来源期刊与中文核心期刊;③ 本研究分别以“篇名”和“关键词”为条件进行检索。首先以篇名为限制条件，以“智慧”为关键词进行检索;然后以关键词为限制条件，以“智慧教育”“智慧学习”“智慧环境”“智慧学习环境”“智慧教学”“智慧管理”“智慧服务”“智慧课程”“智慧型课程”“智慧校园”“智慧学习空间”“智慧管理”“智慧服务”“智慧技术”为关键词分别进行检索，以期科学、准确、全面地获得研究样本;④ 搜索时间段为2011年1月1日到2016年1月26日，去除重复文献得到样本165篇。剔除会议评述、会议通知等无关论文51篇，得出所有与教育技术和信息化发展相关的智慧教育主题的CSSCI期刊论文共114篇，作为本研究的有效数据。检索期刊名称及具体发文情况如图1所示。

图1 智慧教育发文期刊统计表

2. 数据处理

对数据的处理主要分为以下几个步骤：

① 数据导出。将与智慧教育相关的114篇文献从中国知网导出，文件格式为notefirst。② 提取关键词。利用Bicomb软件对选取的样本进行关键词提取及词频统计，关键词进行清洗和标准化后根据高频词界分公式提取出高频关键词。③ 高频关键词的共词矩阵。利用Bicomb软件建立高频关键词的共词矩阵。④ 高频关键词的聚类分析。利用SPSS19.0对共词矩阵进行聚类分析。⑤ 高频关键词的多维尺度分析。高频关键词相异矩阵导入到SPSS19.0中进行多维尺度分析，并用聚类分析图对多维尺度分析图进行描绘，产生知识图谱。

二、研究结果与分析

(一)关键词词频统计分析

利用Bicomb软件统计关键词，经过对关键词的清洗，即将近义关键词合并(智慧课程与智慧型课程)等，得出关键词共316个。根据1973年由Donohue提出的高频词界分公式(王宪磊，2004)[T=12(-1+1+8I1)]，(其中[I1]为关键词的总数)计算得出[T]=25.14，阈值为26，即高频关键词只有智慧教育1个，这显然不能反映智慧教育领域的主要研究方向，出现该问题的主要原因有二：一是国内对该主题的研究起步较晚，现有文章较少;二是所选期刊的特殊性，载文量少(储节旺，等，2011)。

本研究选取词频大于等于3的关键词(24个)为高频关键词，以期全面反映智慧教育领域的研究热点，关键词的具体情况如表1所示。由表1可知，智慧教育研究领域的前10个高频关键词为智慧教育(43)、智慧校园(20)、智慧环境(19)、智慧学习(18)、教育信息化(11)、智慧教室(9)、学习分析(8)、大数据(7)、互联网+(6)、物联网(6)。

智慧教育领域的研究热点不仅体现在关键词的出现频次上，关键词之间的关系也是研究重点(孙诚，等，2015)。首先利用Bicomb建立高频关键词的共词矩阵(24×24)，如表2所示。表2中行列交叉处为关键词两两在同一篇文献中出现的次数。

为了消除自身频次差异造成的影响，以揭示关键词间的真正隐含关系，先将共词矩阵导入SPSS19.0中转化为相关矩阵。再将相关矩阵导入Excel中，经过计算得出相异矩阵，相异矩阵表示关键词的相异程度，行列交叉处数值越大，两者相关程度越小，关键词距离越远，如表3所示。最后将得出的相异矩阵导入SPSS19.0中进行多维尺度分析。

(二)高频关键词聚类分析

关键词聚类分析是将关系密切的关键词聚在一起，形成类团，使类团内的相似性最大，类团间的相似性最小(王敏，等，2011)。将Bicomb产生的高频关键词共词矩阵(24×24)导入SPSS19.0中进行聚类分析，得出的聚类图如图2所示。根据聚类图分析结果，将关键词聚合为五类主题。

主题一涉及学习方式，包括学习分析、数据挖掘、个性化学习、智慧学习4个关键词。个性化学习与智慧学习(贺斌，2013)是当前研究的热点，以满足学习者的个性化需求为宗旨，充分发挥学习者个性及创造性。学习分析与数据挖掘则为个性化与智慧化学习服务，通过挖掘学习者的个性化需求，提供个性化的学习资源，实现个体定制化学习。

主题二涉及信息化与智慧教育，包括教育信息化、晒课、智慧课程、智慧教育4个关键词。智慧教育是教育信息化发展到一定阶段的产物，是推动教育现代化的有力跳板。其中，晒课与智慧课程提供大量优质的课程资源，不仅有利于减缓地区差异导致的教育不公平问题，同时为所有学习者(包括非在校生)提供了优质的学习平台。智慧教育发展的根本就是要满足人的发展，遵循以人为本的教学观，推动地区平衡、和谐发展。在互联网+时代，互联网思维与创新思维成为智慧教育高水平发展的重要思维模式，互联网+教育(詹青龙，等，2015)的深度融合将促进智慧教育的新一轮变革发展。

主题三涉及互联网+校园，包括大数据、云计算、互联网+、智慧校园、数字校园5个关键词。大数据、云计算(熊频，等，2015)、互联网技术等是构建智慧校园(张怀南，等，2013)的基本技术，是从技术视角研究智慧校园的建构。而从数字校园到智慧校园，不仅仅是技术的改变，更是智慧性的体现。智慧校园以“智能+互联+协同”为理念，从教师的教和学生的学，从完整的管理体系到评价体系等，都以“智慧”为指导思想和核心。互联网+校园等同于智慧校园，同时还体现在虚拟大学、网络大学，能够足不出户上大学。

主题四涉及智慧教学模式，包括翻转课堂、移动学习、教学模式、增强现实、智慧环境5个关键词。技术变革通常是教育变革的前提，而教育变革的核心是模式的创新。新颖的教学模式、创新的教学方法为教育的发展注入新鲜血液。增强现实为学习者提供更加真实、生动的学习情景;翻转课堂、反转教学等创新教学模式将不断引领教育创新，促进智慧教育的高水平发展。教学作为教育的落脚点与微观层面，是智慧教育理论的实践，是理论与具体教学情况相结合的体现(王帆，2015)。在未来智慧教育发展的进程中，翻转课堂必将呈现出更加独特的学习魅力和教学效果，极大促进智慧教育的发展。

主题五涉及智慧技术的智能应用，包括智慧课堂、信息技术、智慧技术、集体智慧、智慧教室、物联网6个关键词。信息技术的不断发展，衍生出多种智能技术和设备，智能技术的融合运用为智慧教室等智慧环境提供基本技术保障(杨现民，等，2015)，形成智能化的课堂环境。智慧课堂、智慧教室的出现为学习者提供更加人性化的服务，能够满足不同人群的学习需求。因此，技术在教育的更新迭代中具有加速发展和不断变革的重要作用，新一轮的智慧技术必将发挥其更重要的价值。

三、当前研究热点分析

多维尺度分析可以对聚类分析结果进行矫正(储节旺，等，2012)，将Excel产生的相异矩阵导入SPSS19.0中进行多维尺度分析，再结合聚类图，描绘出知识图谱，该图谱可以直观展现智慧教育研究领域当下的研究热点，如图3所示。

图3 我国智慧教育研究热点知识图谱

由图3可知，智慧教育研究主要围绕两大主线展开，分别是智慧教育的技术支撑与理论探讨(左右分)、智慧教育发展的宏观与微观(上下分)。具体来说，智慧教育的技术支撑(右半部分)包括增强现实、学习分析、云计算、大数据、数据挖掘等热点;智慧教育的理论探讨(左半部分)包括智慧校园、智慧课堂、智慧课程、智慧教室、教育信息化等热点;微观部分(上半部分)包括教学模式、智慧技术、智慧教室、个性化学习等热点;宏观部分(下半部分)包括教育信息化、互联网、智慧课程等热点。结合图2 ，各领域具体分析如下：

领域一：智慧学习的需求研究

自古以来，不论是生活、工作还是学习都是以满足人们的需求而进行的社会活动。特别是学习活动，学习的出发点就是为了获取所需的知识，提升自身的能力。智慧学习同样如此，不论智慧学习如何智慧都必须满足学习者的学习需求，其智慧性也恰恰体现于此。智慧学习的第一要义就是充分满足学习者的个性化需求，提供人性化的学习服务。而数据挖掘、学习分析技术的运用目的就在于发掘学习者的学习动机，匹配学习者特征，从而提供个性化学习服务，因此智慧学习需求研究成为智慧教育研究的一大热点，也是智慧教育智慧性的集中体现。随着技术的不断成熟，需求分析越来越智慧，当满足学习者的个性化需求时，关于需求分析的研究也会随之减少。

领域二：新背景下的智慧教育理论研究

智慧教育作为一种新兴的教育形态，随着产生背景的不断发展，相应的理论基础相对来说也不完善。当前对智慧教育的理论研究主要集中在智慧教育的内涵、特征、原则等方面，以及由智慧教育衍生出来的智慧学习、智慧课程的理论探讨，可以说当前尚未形成有关智慧教育完整的理论体系(陈琳，等，2015)。而随着教育信息化的程度加深、互联网+背景的出现与深化，由网络和新技术支撑的新理论也随之出现(如新建构主义理论(王竹立，2011)、长尾学习理论(张琪，2015))，这些新理论必将对智慧教育的研究产生深远的影响。

领域三：智慧校园生态研究

生态是自然平衡的一种状态，是社会和谐的一种体现。当前智慧教育的发展已经上升到2.0层面，互联网+时代的到来，为智慧教育的发展注入了新的活力。当前智慧校园生态系统构建研究成为智慧教育领域的一大热点话题，同时也是未来研究的重点方向。数字校园是智慧校园的基础，智慧校园是数字校园的延伸，将这二者联系起来研究是可行的，更是科学的。生态校园是智慧校园的高级形态，体现着校园的平衡、和谐发展，是智慧教育的终极发展，因此，智慧校园的生态研究是目前以及未来研究的热点，抓住生态的核心观点与智慧教育理念融合，发现二者的内在联系，是研究生态教育的关键。智慧教育生态系统集智慧学习、智慧教学、智慧环境、智慧评价、智慧管理、智慧服务于一体，因此，笔者认为，智慧校园生态研究只是在环境要素视角下研究智慧教育的开始，未来的研究将逐渐扩展到智慧学习生态观、智慧教育生态观等更深入的领域。

领域四：智慧教学模式研究

从现代教育系统的构成要素来看，智慧教育系统包括现代教育制度、现代教师制度、数字一代学生、智慧学习环境和教学模式五大要素。其中，教学模式是智慧教育系统的核心要素(黄荣怀，2014)。然而，当前的研究现状是对教学模式的关注不够，对智慧教学模式的研究仅仅处在构建的层面，并未实际应用，其教学效果自然不得而知。究其原因，一是智慧教学模式应用所需的各种硬件设备不到位，智慧教学模式是依靠多种现代化设备支撑的新型教学模式，硬件设施达不到标准，智慧教学模式只能是纸上谈兵;二是智慧教学模式的相关执行者(教师)难以转变思想，阻碍传统教学模式向智慧教学模式的转变，使智慧教学模式无法落地生根。在今后智慧教学模式的发展过程中，要避免这种只建不用、重理论轻实践的倾向;国家和相关部门要加大对智慧教育领域的投入，尤其是要使各学校具备实施智慧教学模式的硬件设备;要积极转变教师观念，提高教师的信息技术素养，使教师成为引导智慧教学模式落地生根的主要力量。

领域五：智慧教育的技术支撑环境研究

智慧教育是依托物联网、云计算、大数据等智能技术打造的教育信息生态系统，是数字教育的高级发展阶段(杨现民，2014)，可以说没有技术就无从谈及信息时代的智慧教育。智慧教育的发展需要智慧环境，智慧教室是实现智慧教育的硬环境，智慧课堂则是推动智慧教育发展的软环境。一开始关于智慧教育的研究主要集中在关键技术的应用上，近一两年来则转变为智慧教室、智慧课堂学习环境(刘永权，等，2014)的构建。这表明智慧教育的发展上升到新的阶段，迫切需要支撑环境以保障运行。

四、发展趋势预测

综上所述，智慧教育的研究主要沿着两条主线、五个领域展开，包括智慧学习需求研究、新背景下的智慧教育理论研究、智慧校园生态研究、智慧教学模式研究、智慧教育技术支撑环境研究。结合智慧教育的区域实践，针对以上智慧教育研究领域的聚类和热点分析，提出以下四点研究趋势：

趋势一：智慧教育理论应用于实践的研究

任何理论的发展最终都将落实到实践上，否则便失去了其应有的价值，成为一纸空文。从知识图谱聚类分析可以看出，当前对智慧教育的研究几乎仅限在理论层面，并没有过多地应用于实践层面，即便涉及实践应用，也只停留在浅层，往往是以一个班级、一所学校为试点，这样的应用难以推广，其结果是智慧教育实践无法得到大规模的发展，理论也无法融入实践，难以可持续发展。究其原因，笔者认为首先是智慧教育的理论研究还未完全成熟，需要更深层次的方法论和系统研究来支撑其发展;其次是实践往往发展缓慢，摸着石头过河需要时间和积累，因此当前理论应用于实践的研究较薄弱，这也就对未来的研究指明了方向，在理论研究达到一定高度的同时需要将重点放在实践应用上，当然将理论应用于实践并不是理论的生搬硬套，全盘接收，而是在结合具体实践情况的基础上有所取舍，是运用理论中适合自身情况的部分，实事求是，推动实践的发展。

趋势二：智慧教育关键技术支撑环境研究

尽管国内当前技术层面的研究文献数量较多，但多集中在理论探讨。就目前的技术手段来说并不足以支撑智慧教育的发展，关键技术还未能从根本上产生重大突破。大数据、云计算、学习分析(王良周，等，2015)等技术应用并不成熟，更多处于理论研究层面，应用前景巨大，但就目前应用效果来看却并不明显。技术是手段，是推动教育发展的有力工具，重视技术运用，创新智能化技术，对教育的发展具有加倍加量的作用。未来对于关键技术的研究应更多地放在技术融合层面，割裂技术之间的相互性将大大削弱技术的应用效果，探讨智能技术间的相互关系，从点到线再到面的突破，从研究技术本身发展到技术作用于具体智慧环境，再到整个智慧教育系统的构建，实现技术突破、技术创新、技术融合。

趋势三：智慧学习资源与智慧教学模式的开发应用研究

教育的最终目的是推动人的发展，满足人的需求。智慧教育作为互联网+时代的新型教育形态，更应关注学生的个性化发展。这需要在教学资源、教学模式开发之初就深入挖掘学生的真实需求、了解学生的个体差异，再结合教育信息化发展新阶段的诉求，合理设计应用场景，避免在开发和应用的过程中出现“唯技术论”的弊端，而应使新技术与教学深度融合。笔者认为智慧教育的教学资源与教学模式(李凡，等，2012)应是多元化的、个性化的、有系统的、有层次的、有针对性的，其应用场景应囊括校内校外、课上课下，涉及学生发展的全过程。此外，教学资源及教学模式的开发机构(如各级学校、电教馆)之间要建立资源共享、相互协作的机制，遵循共建共享的原则，避免资源的重复建设与浪费。

趋势四：智慧教育生态观研究

在所有样本文章中，关于生态的研究并不是很多，但究其本质，涉及生态观的研究却十分普遍，智慧教育、教育大数据、微课、MOOCs(郝丹，2013)、翻转课堂等都体现了教育的生态观。智慧校园的构建其核心就是生态，实现物与物、人与物、人与人的和谐连接;MOOCs有助于资源共享、促进区域公平，这就是教育生态。因此，智慧教育生态观不仅是当前的研究热点，更是未来的研究重点。实现教育现代化本身就是为了实现教育生态发展，智慧教育作为助推教育现代化的加速器，研究其生态观势在必行。

智慧教育的成熟发展必将是集智慧学习、智慧学习环境、智慧型课程(陈琳，2015)、智慧学习方式、智慧管理、智慧评价、智慧服务等于一体的系统研究，因此除以上四点主要趋势外，未来关于智慧教育的研究应向智慧管理、智慧服务、智慧评价等方面集散，形成完整的智慧教育体系。

[参考文献]

陈琳. 2015. 智慧教育创新实践的价值研究[J]. 中国电化教育(4)：15-19.

陈琳，陈耀华. 2013. 以信息化带动教育现代化路径探析[J]. 教育研究(11)：114-118.

陈琳，陈耀华，郑旭东，等. 2015. 智慧教育 中国引领[J]. 电化教育研究(4)：23-27.

储节旺，郭春侠. 2011. EXCEL实现共词分析的方法——以国内图书情报领域知识管理研究为例[J]. 情报杂志(3)：45-49.

储节旺，闫士涛. 2012. 知识管理学科体系研究(下)——聚类分析和多维尺度分析[J]. 情报理论与实践(3)：5-9.

郝丹. 2013. 国内MOOC研究现状的文献分析[J]. 中国远程教育(11)：42-50.

贺斌. 2013. 智慧学习：内涵、演进与趋向——学习者的视角[J]. 电化教育研究(11)：24-33.

黄荣怀. 2014. 智慧教育的三重境界：从环境、模式到体制[J]. 现代远程教育研究(6)：3-11.

李凡，陈琳，殷旭彪. 2012. 社会性软件支持下的大学生学习模式设计研究[J]. 电化教育研究(11)：72-78.

刘永权，刘海德. 2014. 开放大学未来学习中心的架构——基于PST框架的智慧学习环境设计[J]. 中国远程教育(3)：47-51.

孙诚，姜泽许. 2015. 校企合作共建实训基地研究热点——基于CNKI核心期刊的共词聚类分析[J]. 中国远程教育(11)：72-76.

王帆. 2015. 智慧教育：教学设计数据化与案例分析[J]. 电化教育研究(8)：67-72.

王良周，于卫红. 2015. 大数据视角下的学习分析综述[J]. 中国远程教育(3)：31-37.

王敏，郭文斌. 2011. 我国近十年情绪调节研究热点知识图谱[J]. 心理研究(5)：56-59.

王宪磊. 2004. 信息管理论[M]. 北京：社会科学文献出版社.

王竹立. 2011. 新建构主义：网络时代的学习理论[J]. 远程教育杂志(2)：11-18.

翁胜斌. 2013. CNKI数据源的关键词共现分析与多维尺度分析的现实方法[J]. 现代情报(4)：27-30.

熊频，胡小勇. 2015. 面向智慧校园的学习环境建设研究：案例与策略[J]. 电化教育研究(3)：64-69.

杨现民. 2014. 信息时代智慧教育的内涵与特征[J]. 中国电化教育，(1)：29-34.

杨现民，余胜泉. 2015. 智慧教育体系架构与关键支撑技术[J]. 中国电化教育(1)：77-84.

詹青龙，杨梦佳. 2015. “互联网+”视域下的创客教育2.0与智慧学习活动研究[J]. 远程教育杂志(6)：24-31.

张怀南，杨成. 2013. 我国云计算教育应用的研究综述[J]. 中国远程教育(1)：20-26.

张琪. 2015. 技术变革视域下学科智慧课程建设——基于“长尾”评价的研创课程探索[J]. 远程教育杂志(3)：88-94.

张勤，马费成. 2007. 国外知识管理研究范式——以共词分析为方法[J]. 管理科学学报(6)：65-75.

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

收稿日期：2016-01-13

定稿日期：2016-03-30

作者简介：陈瑶，硕士研究生;胡 旺，硕士研究生;王娟，通讯作者，副教授，硕士生导师。江苏师范大学智慧教育学院(221116)。

责任编辑 刘 莉

作者：陈瑶 胡旺 王娟

研究型教学模式应用分析论文 篇2：

网络学习者资源应用行为分析系统的设计与实现

摘 要：网络学习者的资源应用行为分析是学习分析领域的研究重点。本研究通过文献分析，系统梳理了国内外学者关于资源应用行为分析的研究成果，提出了“收集-分析-应用”于一体的资源应用行为分析框架，将分析过程具体区别为描述型、诊断型和预测型三种类型，并采用“python”语言及“django”框架设计和开发了基于该框架的资源应用行为分析系统，同时利用edX和案例网络教育学院的真实数据对系统可用性进行了验证。本研究对于探索网络学习者资源应用行为特征，实现更为有效和精准的远程学习指导都有着重要意义。

关键词：网络学习者;资源应用行为;行为分析系统;系统设计

一、引言

随着信息技术的不断发展，教育信息化的水平也在不断提高。越来越多的人开始使用网络进行学习，这些新技术的应用也带了教育数据的爆发式增长，探究数据的奥秘无疑将成为未来教育领域的研究热点之一。学习分析、教育数据挖掘、教育大数据等方法的提出都是对这一数字时代的呼应。网络学习行为是发生于e-Learning环境中的、与学习相关的各种行为，其行为主体是学习者，行为客体则主要为数字化学习资源[1]。根据穆尔的学习行为交互分类理论，学习过程中有三种交互类型：学习者与学习内容的交互、学习者与教师的交互、学习者与学习者的交互网络学习交互行为。本研究所关注的资源应用行为，其研究的主要对象就是关注学习者与学习资源的交互，相对于网络学习行为而言，资源应用行为更直接和具体，因而数据更容易被记录和分析。

毫无疑问，数据分析方法和分析技术在在线教育领域的应用已经越来越多，其研究成果层出不穷，处于快速发展之中。比如社会网络分析工具“SNAPP”能够从学习管理系统中获取数据，通过可视化的方法显示学生之间互动情况;同时，已有内容分析工具能够利用视觉分析技术，获得学习者学习过程信息。本研究关注于网络学习者资源应用行为分析系统的设计与实现，一方面旨在弥补现有学习平台分析功能的匮乏，已有的众多在线学习平台大多不具有深层次意义上的分析功能，或者甚至就没有相应功能，其分析过程和方法的标准化也根本无从谈起;另一方面则是力图使得面向学习者的行为分析可以更为便捷。

二、研究目标和方法

本研究的目的在于设计开发网络学习者资源应用行为分析系统。基于已有研究，本文通过文献分析对国内外学者关于资源应用行为分析模型以及主要分析方法进行梳理，在此基础之上提出了资源应用行为分析框架，将分析过程分为描述型、诊断型和预测型，模型从宏观角度对资源应用分析系统的开发提供了建设性的意见;基于此框架，研究设计和开发了资源应用行为分析工具，此工具实现接收教师或教学工作者上传的资源应用行为数据，并通过系统内部的分析过程反馈分析结果，最终实现描述型、诊断型和预测型三方面核心功能。本研究的技术路线经历了理论建构、技术实现、应用验证三个阶段，相应地综合应用了文献分析、技术开发等研究方法。

理论建构阶段。主要研究了行为科学与行为主义学习理论、学习分析技术、学习者分类模型，并在此基础之上，依据网络学习者与学习资源交互的环境特点，提出了网络学习者资源应用行为分析模型并建立了三个维度的分析方法。

技术实现阶段。主要研究可视化技术，数据分析方法，机器学习算法用来分析网络学习者资源应用行为数据，以期评估学习过程，诊断学习情况，预测未来表现等。

应用验证阶段。主要是在资源应用行为分析模型的基础之上，通过使用Web开发技术以及数据分析方法、机器学习算法开发和实现网络学习者资源应用行为分析工具，工具能够接收上传的学习相关数据，通过选择不同的分析方法获取分析结果。最后使用工具分析案例网院成人教育的数据和部分MOOC开源数据来验证工具的可用性。

三、相关研究

国外对于资源应用行为的研究更多偏向于应用实践方面。自2012年学习分析技术提出以来，越来越多的学者开始关注并研究学习者在网络学习中的学习行为。美国普渡大学通过建立预测模型和使用相关可视化技术，对学习者的学习情况进行实时跟踪，当学习者可能出现学业不通过等危险情况时，可视化信号就会将此信息传递给教师和学生，以便改善学习者的学习效果[2]。A Anderson、D Huttenlocher等人通过对Coursera平台上的课程数据分析得出课程参与度与学生绩效的关系，優秀学习者的学习习惯以及激励机制对学生参与度的影响[3]。麻省理工学院的PJ Guo、J Kim、R Rubin分析了edX上690万条视频观看记录，统计分析后得出结论：少于六分钟的视频最吸引人[4]。本研究调研了现阶段关于资源应用行为的国内研究，时间范围从2004年到2016年，共搜索出1130篇文献。纵观目前国内的研究成果，发现大体可以分为以下几个方向：

(1)关于网络学习行为的理论研究，其中包括天津外国语大学杨丽娜等关于行为动机的研究，文中从心理因素、技术因素和资源因素三个方面建立了行为发生的前因模型，并对提出的因素进行了验证[5];华中师范大学彭文辉在对学习行为内涵深入研究的基础上，提出了一个学习行为的OCCP分类模项，以及网络学习行为的“S-F-T”三维分类模型，这两种模型是抽象和形式化描述学习行为序列的基础[6]。辽宁师范大学李玉斌等学者以计划行为理论为指导，构建起具有9个潜在变量的网络学习行为模型(USEBM)[7]。

(2)关于网络学习行为分析系统的研究，其中包括陕西师范大学王丽娜以对网络学习行为系统分析为基础，结合网络学习行为评价的目的和指标，设计了网络学习行为的评价模型[8];华中师范大学黄克斌等通过分析常见的网络学习行为量化参数，设计了一个智能化的网络学习行为分析系统[9];中南大学吴玲艳运用Web Services和Web日志挖掘等技术，设计并初步实现了包含行为采集、行为统计分析、学习评价三个模块的网络学习行为分析评价系统[10]。

(3)关于行为指标的分析研究，国家开放大学魏顺平等通过记录学习者对网络课程不同模块的浏览及跳转数据，分析学生对资源的使用情况[11]。国防科学技术大学范洁通过对决策树中C4.5算法的研究，提出了一种基于属性相关性的C4.5决策树规则生成算法预测学生成绩[12]。东北师范大学马杰等人运用多元回归分析预测与学生课程总分呈显著相关的教学模块，通过预测模型快速定位重点模块，从而提高教学效果[13]。

综上所述发现，国内外在资源应用行为的研究上收获颇丰。各种模型、各种系统、各种分析方法层出不穷。将这些研究仔细分析对比以后不难发现，虽然学者们在各自研究的基础上都取得了一些突破，但大家更多是依照自己的研究领域和方向，以及能够获得的资源设计分析系统和方法，而各种方法和系统之间差别较大，没有形成一个统一的体系或者框架。这就导致研究成果的实践性比较差。现如今，越来越多人来到线上进行学习，但是在线平台和系统的不同也导致了数据整合上的困难，虽然大数据分析技术已逐渐的成熟，但是在基础设施的建设上如达不到一定的统一，这将使得未来对网络学习者资源应用的分析过程变得更加复杂。

四、前期研究

本研究在对这些学习分析模型进行分析总结的基础之上，加之对学习者在网络学习环境中的资源应用行为进行了相关研究，提出了网络学习者资源应用行为分析框架，如图1所示。本模型主要借鉴了学习分析模型中的三个主要过程和循环结构。

资源应用行为的整个分析过程主要是由数据收集、数据分析和知识应用三个部分组成。第一个阶段是数据收集。收集的数据主要来自于在线学习平台的数据库以及日志文件，数据库和日志文件里保留了学习者与网络学习资源交互的大部分行为数据。由于数据的来源不同，所以需要将收集到的数据进行相应处理，其中包括标准化处理、删除存在误差的数据以及对空值进行填充等。资源应用行为分析模型中使用的数据是学习者与网络学习资源交互时产生的行为数据，这些数据可以根据不同的特点分为行为过程数据和行为结果数据。其中，行为过程数据是指网络学习者在学习过程中与学习资源交互时产生的操作型数据，例如：登陆时间、登陆时长、练习时长等。行为结果数据是指由一连串操作行为以后产生的结果型数据。例如：学生练习的成绩、系统对学生的学习情况的评价、是否通过考试等。

第二个阶段是数据分析。数据分析阶段基于数据分析方法、機器学习算法等，对数据进行分析。此模型中将数据分析分为三种不同类型的分析，主要包括：描述型分析、诊断型分析、预测型分析。描述型分析是根据事先分析的成果，将某些数据集中，以某种直观、概括、全面的形式将需要表达的信息展现出来。教师可以通过这些直观的结果迅速发现整个学习过程中的一些特点，总结出一些规律等。由于学习者心理因素、成长环境等因素的不同，导致在在学习过程中表现出特点也有所差别，识别出这些不同不仅可以帮助教师更好的了解学习者，为个性化教学提供保障。诊断型分析就是利用资源应用行为数据建立学习者分类模型，接着再根据模型对学习者进行分类，并针对不同的学习者提供个性化的指导方法，改善学习结果。教师需要根据诊断的结果，按照学习者的偏好和习惯组织学习活动和资源，以便取得更好的教学效果。预测型分析主要是根据学习者在学习平台中留下的行为数据，使用机器学习算法建立数据与数据之间的关系，最终达到预测学习绩效的目的。此类型的分析可以帮助教师找到那些可能无法通过考试的学习者，教师需要对这些学习者采取必要的措施以改善学习行为。

第三个阶段就是知识应用。知识应用的对象主要是教师、学生以及从事教学相关的工作者。经过相应的数据分析以后，教师根据分析的结果，结合自身教学经验和已知的学生特点进行相应的知识应用。由于分析类型的不同，知识应用的方法也不相同。可以分为可视化、个性化和预测三种。可视化是指将数据库中的数据用图表的方式呈现，利用计算机的处理能力将海量的数据转换成直观可见的图形图像，将复杂不容易理解的信息表示出来。个性化是根据诊断型分析中分析结果，通过网络学习者在学习过程中资源应用行为的不同表现，诊断出属于具体的类别，然后针对不同类型的学习者，提供个性化的指导方法。预测是将当前学生的资源应用行为放入预测型分析模型中，对学生下一阶段学习结果或者学习行为进行预测。

最后，模型还强调了循环结构，模型将知识应用的结果反馈给收集数据、分析系统的管理者，或者教辅人员根据返回的结果重新设计和改善收集的数据，提高分析的准确度。需要注意的是，整个分析过程是在宏观和微观环境下工作的，这里的环境包含了影响整个分析过程的各方面要素条件。

五、系统设计及开发

1.系统设计原则

根据资源应用分析工具自身的特点和使用环境，整体的设计都需要遵循以下几个原则：

(1)简便性

分析工具的使用者大多是一些计算机技术能力较弱的教师，对于他们来说只需要掌握一些简单的操作获得自己想要的结果。所以在这个系统的功能设计和流程设计中一定要注意操作的简便性，能够使计算机水平一般的人也能够使用此工具。

(2)独立性

如上所说，工具的分析功能可能随时需要调整，在这个过程中就需要注意系统的独立性。其中每个分析功能需要独立出来，当系统需要改变某个分析方法的时候，要保证其能够不影响其他功能的分析过程。

(3)可扩展性

可扩展性能够保证系统对变化及时做出反应。系统的功能不仅需要调整，更多的时候需要增加某个某块或某种功能，此时较强的可扩展性能够使系统迅速适应这种变化。

(4)准确性

毋庸置疑，此工具最主要的功能就是分析方法的使用。而这些分析方法必须保证其一定的准确性，只有正确的分析结果才能帮助教师了解和改善学习者的学习情况。

2.系统设计思路

分析工具的整个工作过程可以看做是一个“黑盒”，工具的使用者只需要按照工具给出的格式上传数据，具体分析功能将交给系统来完成。使用者在上传文件之后，点击自己需要分析的部分就可以获得相应的分析结果。因此，根据系统功能确定系统的输入和输出，系统的输入是用户上传的学习者相关数据，系统的输出是具体的分析结果，如图2所示。

3.功能模块设计

基于前期研究成果和系统设计思路，该系统包括如下三个模块：

(1)数据交互模块

本模塊主要实现了用户与服务器端数据交互的功能。数据交互模块主要分为两个部分：格式下载和数据上传。格式下载是为了统一上传的数据格式便于进行分析。用户可以通过页面左上角的格式下载链接，下载本工具能够支持的数据格式。数据的上传主要是由教师或者教学工作者按照所要求格式将排版好的学习者行为数据上传到服务器中。系统目前主要支持xlsx格式的Excel文档和txt格式的文本文档。上传的文件不仅仅用于分析，还会保存在服务器中，为以后开发用户管理系统做准备。

(2)数据分析模块

用户上传了数据以后，进入分析主页面，如图3所示。顾名思义，此模块实现了对于上传数据的分析。按照前面建立的模型，将分析分为三种不同的类型：描述型分析、诊断型分析和预测型分析。

①描述型分析

描述型分析中有描述学习时间、发帖量、作业时间与成绩关系的散点图，此方法清晰展示了全部学习者资源应用行为与成绩的关系，由此可以发现行为对成绩的影响;还有描述学生学习时间变化的折线图，教师可以根据此图发现后进学生;以及描述资源偏好的直方图，教师可以借助此结果进行不同学习资源的推荐。图4所示为描述型分析选择页面。

②诊断型分析

描述型分析包括了根据格雷戈克学习风格模型的学习风格诊断，根据威特金认知风格模型的认知风格诊断，以及国内外文献中已经论证使用的学习困难诊断，作业完成效率诊断和稳定性诊断。每一种诊断都是依据先前研究者的研究结果或在其基础之上根据自身的研究环境和条件进行学习者分类，并对不同的学习者提出了针对性建议。其中格雷戈克将学习者分为四种不同的学习风格，包括喜欢通过直接的动手经验学习，希望教学组织得井然有序的具体──序列型风格;能通过试误法，从探索经验中迅速得出结论的具体──随机型;善于理解以逻辑序列呈示的词语或符号信息的抽象——序列型;善于从演讲中抓住要点，理解意思，并能对演讲者的声调和演说风格做出反应的抽象──随机型。威特金认为风格诊断将学习者的认知风格分为倾向于以外在参照作为信息加工依据的场依存型和倾向于更多利用内在参照作为信息加工的依据场独立型。学习困难诊断模型主要参照了国外学者Vincent Aleven等人设计的求助行为模型(help-seeking behavior Model)来诊断学生在学习过程中是否遇到问题，作业完成效率诊断和稳定性诊断则使用了José A. Ruipérez-Valiente、Pedro J. Mu?oz-Merino等人使用的数据分析方法进行分析对比，发现存在问题的学习者。

③预测型分析

在预测型分析中，主要使用了关联分析和分类决策树两种分析方法对网络学习者的下一阶段成绩进行预测。决策树预测主要根据前一阶段学习者的表现，各个模块的学习时间和成绩来预测最终是否可以通过此课程。关联分析主要是通过同学在各个章节的成绩来预测章节之间是否存在关联。图5所示为预测型分析选择页面。

(3)知识应用模块

根据分析方法的不同，知识应用也大致分为三种类型。针对描述型分析的结果将数据通过图表的方式呈现，利用计算机的处理能力对海量数据进行处理、分析，最后转换成客观可见的图表。诊断型分析的结果由两种不同形式体现，一种是反馈可视化的结果，通过图表可以清晰判断学习者的类型。另一种的分析结果会给用户反馈学习者的诊断类型，而且针对不同学习者还会提供专业的建议。预测型分析则根据建立的预测模型反馈预测结果。

4.系统开发

在技术支撑方面的研究点主要包括可视化、机器学习以及网页设计技术。机器学习是本研究中开发分析工具的重点支撑技术，可视化技术是分析结果呈现方面的研究重点，网页设计技术应用在形成工具时的网页显示和交互。由于分析工具的特性以及前期对于两种结构的调研，最终选择了B/S作为系统的架构。其最大的优点就是对系统使用者的友好。本研究考虑到开发周期和系统的维护，选择使用“python”语言以及其开源框架“django”进行开发，可视化方面使用了“Google Char”，其具有良好的跨浏览器兼容性。系统数据交互功能的实现，文件下载，主要是指用户从服务器端将文件下载到本地的过程。本研究通过超链接获取文件地址，然后“read”函数读入文件，最后通过“django”中“StreamingHttpRespons”对象传输到浏览器中。其中在实现文件下载的过程中，方便处理较大的文件，使用了迭代器。数据上传实现了将数据文件上传到服务器中。当“Django”处理一个上传文件的时候，文件数据被放在“req.FILES”中，“Class FileForm”创建了一个能够接收“req.FILES”文件数据的表单视图。通过“POST”方式，可以获取“req.FILES”文件，再使用“file”的写操作将文件写入服务器磁盘之中。系统通过正则表达式来判断上传文件的格式，符合格式的将可以进行下一步分析工作。

以诊断型分析中的作业完成效率诊断为例。系统中，在相同时间内，得分较高的可以认为效率高，在分数同样的情况时，可以认为花费时间较少的效率较高。根据这个结论，本研究用“Score /Time”来表示效率。但是排出单次做题偶然性，又引入了尝试次数此项数据。最终效率的计算公式为“Score ×ATTEMPT_NUMBER/Time”(作业得分×尝试次数/总时间)，其中“ATTEMPT_NUMBER”表示尝试某一章节练习的总次数，“Time”代表这些尝试所花费的总时间，而“Score”代表了所有尝试的总得分。从公式中可以发现，算出的结果越大则可以认为效率越高。如果某个学生多次尝试某章节习题，虽然时间也随着变多，但是随着自己熟练度的增加，将“ATTEMPT_NUMBER/Time”提高，便可提高自己的效率。由于每门学科或者教学环境的差异，为了更准确地找到效率突出的人，又加入平均值这个数据。通过把效率和平均值相比较就能找到那些“特殊的人”。此诊断方法只会反馈诊断结果，对于那些效率较低的人，则需要教师通过一些个性化的指导措辞来改善他们的行为[14]。最终反馈的可视化形式如图6所示，横坐标代表每个学习者，纵坐标代表了效率的数值。图中的横线表示平均水平。从图中可以看出，第三个学生的学习效率超过横线很多，可认为学习效率较高，对于第六个学习者由于学习效率较低，教师需要通过单独进行沟通来改善此学习者的学习效率。

六、系统应用

为验证该系统的有效性，本研究中采用了两方面数据来进行测试，分别是基于edX平台的开放学习者资源应用行为数据，以及某案例网络教育学院成人教育数据。

1.数据准备

该验证部分的MOOC数据，来自于麻省理工学院在edX平台上开设的计算机科学及编程导论课程，本研究选择其在2013年春季学期参加此课程的学生资源应用行为数据。此数据集是由MOOC课程的教辅人员整理后提供的“csv”文件。分析数据表中的属性，大部分是学习行为结果数据，对于诊断型和预测型的分析支持度不高，所以把这部分数据进行描述型分析的数据应用。

本文工具验证使用的另一部分数据是来自案例网络教育学院成人远程教育学习过程中产生的数据。这些数据都是直接来源于数据库，未经过任何整理。此部分数据较为详细，由多个数据表构成，由数据表显示，数据库里存储了行为结果和行为过程两个维度的多种数据，所以此项数据可以被用来测试工具的描述型分析、诊断型分析和预测型分析三个部分。

2.描述型分析的数据应用

通過分析MOOC数据的属性，结合分析工具需要的数据，以MOOC数据中的“”play_video”(观看视频的次数)和“grade”(成绩)两个属性为例，使用散点图的呈现方式，探索视频观看次数与成绩的关系。在使用分析工具之前，需要对数据进行一些处理。通过把一些空值点和可能出现偏差的点删除以后，还有三万多条数据，其中“Video_views”大于500的数据有1000多条，由于视频观看次数的跨度比较大，大部分数据的“Video_views”集中在0-500，所以为了避免这部分数据在生成图像时影响结果，大于500的数据删除。再通过分层抽样选取1000个点使用分析工具，显示结果如图7所示。

从图7中也可以发现以下几个特点：

(1)散点的分布没有规律

从分析结果可以看出，散点的分布比较杂乱，但是由于学习者能力参差不齐，一部分学习者的能力较强或者有一定的基础，一部分的学习者学习能力较差或者对此领域没有多少基础，所以导致图杂乱无章，散点的分布没有规律。

(2)两个变量部分呈正相关关系

仔细观察图7，可以看出，较多的点集中在图的左上三角，这就意味着，随着视频观看次数的增多，学习成绩也会有所提高。对于学习能力相近的人来说，成绩与视频观看的次数呈现正相关关系。

(3)在横轴的各个阶段，成绩为零的都占很大比例

图7中显示，各个视频观看次数阶段的学习者都有未取得成绩的。这也揭示了MOOC教育的一大弊端——学生的完成度较低。对于MOOC这种新型的教学模式来说，参与人数较多，但是完成度却没有保证。不过，从好的一方面考虑，可以认为学习者是为了知识而学习，并不是为了成绩或者证书。

从案例网络教育学院成人教育学习数据中提取所需要的属性，同样经过删除、抽样等方法得到500个数据，然后将其整理成Excel文件上传到工具中，得到的分析结果如图8 所示。

从图8中，可以发现以下特点：

(1)存在明显的正相关趋势

相比MOOC的分析结果，图8中的正相关的趋势更为明显。说明了在成人教育中，大部分学习者的知识水平处于同一层次，这样成绩的好坏主要取决于个人的努力，所以当观看视频的次数较多时，会取得较高的成绩。

(2)大部分成绩分布在上三角

由于成人教育的目的是扩大教育机会，提高国民素质，为那些由于各种原因失去受教育机会的人提供第二次获取学历的机会。所以其考核的难度设置的较低以保证大部分的学习者都能完成学业。只要按照老师的要求学习，大部分的成绩都能达到0.6-0.8之间。

由以上描述型分析可以看出，MOOC教育和成人教育的一些差异，MOOC教育和成人教育的目的不同，MOOC教育的意义在于使全世界各国都能接触到世界一流的教育，其目的是知识的传授，而成人教育的目的则是为一种较低水平的学历教育。由于其目的的不同，学习者的构成也有很大的区别。MOOC本身面对的就是世界各国各种水平的学习者，所以其学习过程会呈现较为随机的状态。而成人教育的学习者基本上都具有相同背景，所以表现出的规律性较强。

3.诊断型分析的数据应用

前面的章节已经介绍了诊断型分析所需要的数据，这里直接从数据库提出相关数据，进行整理后上传至工具中得到以下反馈结果。图9显示了学习风格诊断的分析结果。从图中可以看出分析结果分为两个部分：诊断结果和建议。诊断结果部分显示了每个学生对应的学习风格类型，建议部分描述各种所需要的应对措施。教师可以根据学生的类型以及建议进行个性化的指导。

图10显示了学习效率诊断。这一分析需要教师根据结果自行判断其需要采取的措施，例如在学习效率诊断中，发现3号学生的效率较高而6号学生的效率较低，教师可以以小组活动或者邮件告知等方式促使这两个学习者进行交流，以期改善6号学习者的学习效率。大多数情况下，在长期学习某门课时，学习时间相对固定的学习者往往会取得较好的成绩。通过稳定性诊断，教师可以通知那些看似努力的同学(平均值比较高但方差比较大)，改变自己的学习习惯可能会事半功倍。

4.预测型分析的数据应用

本研究提取了案例学院特定课程四个模块的学生学习成绩作为预测型分析的数据。将这些数据上传到工具以后选择关联分析。分析结果显示：第一单元和第四单元、第三单元和第四单元之间的相关度较高，也就意味着学习者如果在第一单元中表现较好，很大概率在第四单元中有优异的表现。通过使用真实数据对工具进行试用后，发现工具的可用性较强。通过分析工具能清晰评价学生学习的整体情况以及课程设计的质量，并且通过诊断型分析能找出不同学习者之间的差别，为个性化指导提供基础。最后，教师可以使用预测型分析为危险的学习者提供帮助，依据课程之间的关系更好地设计后续的课程等。

七、后续研究

随着计算机技术以及互联网技术的发展，在线教育将会变得越来越普及，提高在线教育质量以及实现个性化教学是未来在线教育发展的目标。教育信息化的逐渐深入带来了教育数据的爆发式增长，大数据、机器学习等技术也蓬勃发展。通过分析这些教育相关数据，使实现个性化教学目标成为可能。后续研究可以从如下几个方面继续开展：

1.数据收集和数据分析功能的分离

本研究中也提到，分析工具实现了数据收集和数据分析的分离，这样可以在不改变在线教育平台系统结构的情况下保证分析的统一性。但是相对造成了操作较繁琐的问题，系统无法直接将收集的结果提交，而需要人工提交数据，在操作过程中，需要花费时间去处理数据格式等问题。未来需要对数据库技术进行深入研究，以实现在线教育平台数据库中的数据自动提交给分析工具，教师可在直接在工具中查看，不需要手动提交。

2.数据分析方法有待完善

本研究的数据分析方法借鉴国内外学者的不同研究，虽然他们在一定程度上证明了方法的可用性，但是由于各自研究的环境不同，在结果上肯定会出现一些偏差。而且由于本文是模型和工具的探索，无法掌握现研究阶段所有的分析方法。因此建议后续研究中，可以尝试使用不同的分析方法和算法，比较其差异性的同时逐步完善工具。

3.用户体验还有待提高

该分析工具虽然在界面有较好的交互，并在工具设计原则中注重用户使用的简便性，但是由于本研究在设计开发工具时，缺少对用户体验的研究。因此系统还需要针对用户体验，对页面及部分功能模块做适当的修改。

参考文献：

[1][6]彭文辉.网络学习行为分析及建模[D].武汉：华中师范大学，2012.

[2]Matthew D.Pistilli，Kimberly E.Arnold. In practice： Purdue Signals： Mining real‐time academic data to enhance student success[J]. About Campus，2010(3).

[3]Anderson A， Huttenlocher D， Kleinberg J， et al. Engaging with Massive Online Courses[J]. Eprint Arxiv， 2014：687-698.

[4]Guo P J， Kim J， Rubin R. How video production affects student engagement： an empirical study of MOOC videos[C]. Proceedings of the first ACM conference on Learning @ scale conference. ACM， 2014：41-50.

[5]杨丽娜，颜志军.信息技术采纳视角下的网络学习行为实证研究[J].中国远程教育(版)，2011，4(7)：36-40.

[7]李玉斌，严雪松，姚巧红.网络学习行为模型的建构与实证——基于在校大学生的调查[J].电化教育研究，2012(2)：39-43.

[8]王丽娜.网络学习行为分析及评价[D].西安：陕西师范大学，2009.

[9]黄克斌.网络学习行为及其分析系统研究[D].武汉：华中师范大学，2006.

[10]吴玲艳.网络学习行为分析评价系统的研究与设计[D].长沙：中南大学，2012.

[11]魏顺平.学习分析技术：挖掘大数据时代下教育数据的价值[J].现代教育技术，2013(2)：11-15.

[12]范洁.基于数据挖掘的在线学习行为评估系统设计与实现[D].长沙：国防科学技术大学，2005.

[13]馬杰，赵蔚，张洁.基于学习分析技术的预测模型构建与实证研究[J].现代教育技术，2014，24(11)：30-38.

[14]Mu?oz-Merino P J， Valiente J A R， Kloos C D. Inferring higher level learning information from low level data for the Khan Academy platform[C].Proceedings of the Third International Conference on Learning Analytics and Knowledge. ACM， 2013：112-116.

(编辑：王晓明)

作者： 王楠 张玮

研究型教学模式应用分析论文 篇3：

政府干预视角下应用型院校教育效果提升探析

[摘要]文章分析指出政府干预视角下应用型院校教育过程中存在政府干预不足和政府干预过度两大问题，进而提出了政府干预视角下应用型院校教育效果提升路径：对应用型院校的办学定位进行积极的干预与引导;构建完善的应用型院校评估指标体系;制定政策、搭建校企合作平台，为应用型院校提供更完善的实践环境;政府主导，联合企业开展行业技能大赛，促进校企共同发展;将地方公共基础建设与应用型院校基础建设相结合，建设开放式校园。

[关键词]政府干预 应用型院校 综合评估 教育效果

[作者简介]高菊兰(1975- )，女，云南永胜人，成都大学商学院，副教授;赵浩(1974- )，男，四川越西人，成都大学美术与设计学院，教授。(四川 成都 610106)

[课题项目]本文系2018年度四川省高校人文社会科学重点研究基地重点项目“地方特色酒国际化包装设计研究——以会理石榴酒为例”的研究成果之一。(课题编号：CJCB201802)

随着我国高等教育的推廣与普及，高等教育已由精英培养向大众化培养方向发展，教育对象的多元化趋势日益明显。为适应新常态下高等教育的发展趋势，教育部连续出台相关政策为应用型院校办学提供支持与引导，一大批或新建或由高职高专转型升格的应用型院校应运而生。2014年，教育部指出全国普通本科高等院校1200所学校中，将有600多所逐步向应用技术型大学转变，转型的大学本科院校正好占高校总数的50%，应用型院校在高等教育中的比例越来越高，已成为我国高等教育的重要组成部分。从人才培养层面看，应用型院校更能满足全方位的社会需求;从专业设置层面看，应用型院校可以与实际工作、生活紧密结合，具备灵活的应变能力;从课程与教学层面看，应用型院校的教学内容更加注重与生产实践的接轨，教学模式和教学方法更加灵活多样，既有理论学习，又有实践教学，可以将产学研更好地结合起来。

目前，应用型院校的建设和发展取得了良好的进展，但仍然存在诸多问题制约着应用型院校教育效果的提升，学生难以达到国家和社会提出的“服务地方经济的高素质技术性应用型”人才标准。究其原因，既有社会、政府、家长的因素，也有高校管理水平、教师素养及学生方面的因素。本文主要从政府干预视角，分析了政府干预机制失灵的主要原因。

一、政府干预视角下应用型院校教育过程中存在的问题及归因分析

1.政府干预不足。第一，政府在办学定位方面引导不足，以致部分应用型院校办学定位模糊。办学定位是指一所高校在国家高等教育体系中所处的位置，主要依据大学所处的层次、办学领域、自身优势等，将有限的资源用于最体现学校特色、学校优势，最具有发展潜力的学科专业建设上，从而凝聚学校品牌，提升核心竞争力。应用型院校要清晰地认识自身所处的位置，并根据学校特点和办学目的，结合自身特色与优势明确办学定位。目前，大部分应用型院校普遍存在办学定位不明确的现象，对专业学科是科研型还是应用型的定位不够明朗。究其原因，主要是学校对“应用型”特色持有偏见，对应用型教育的理解不够深刻，认为“应用型”人才是高职高专院校的培养目标。因此，部分应用型院校盲目追求研究型、综合大学的发展模式，并以研究型、综合大学的办学模式与评估建设标准进行规划与建设，最终导致应用型院校既没有“研究型”特色，也没有“应用型”特色，教师教学与学生培养出现无所适从的现象。

第二，对应用型院校的评估考核体系不够完善。政府相关部门对应用型院校的考核评价结果直接关系着财政资源分配比例、办学政策支持等因素，这些因素又影响着学校的声誉、排名、招生乃至学生就业等方面。由此可见，评估考核体系对应用型院校的办学及建设至关重要。目前，政府更侧重于对应用型院校的学术科研成果和水平进行考核，而对于教学实践成果、服务地方经济及学生技能竞赛、创新创业实践等方面则考核不足，有重科研轻实践的倾向，以致部分应用型院校为得到较高的评估分数，做出与办学实际需要不相符的决策或者行为。

第三，对应用型院校的实践条件及场所干预不足。应用型院校的办学宗旨是为社会培养高素质应用型人才，而应用型人才的培养离不开实践场所。应用型院校的实践场所主要有两类：一是校内实验室或实训基地;二是校外实训室，即校企合作单位。对于校内实践基地建设而言，政府对实践基地的适用性、使用效率缺乏监管，在评估中只关注是否有实践基地，而没有对实践基地的实际使用情况进行评估，导致校内实验设备成为应付检查评估的道具。对于校外实训基地而言，政府则缺乏相应的政策支持。例如，相关部门在评估中，对校企合作单位的数量有要求，但不关注质量，以致大部分企业与学校的合作流于形式。

2.政府干预过度。政府对应用型院校的过度干预主要表现在教育教学过程的监控方面。政府对学校教育过程的评价、监管过于详尽，且流于文档化。目前，政府严格按照有关规定执行考核评估，教师若根据实际情况做一些更有利于教学效果提升的变革，就会承担不符合政策规定的风险，教师为免于处罚，只能按部就班地进行教学。各应用型院校所处地区不同，经济发展水平及经济结构也存在着多样性，为更好地服务地方经济，在教学过程、教学手段和教学效果等方面一定要因地制宜，政府的监督和监管也应根据具体情况有所不同。

二、政府干预视角下应用型院校教育效果提升路径

1.政府要对应用型院校的办学定位进行积极的干预与引导。办学定位是学校实现高质量教学效果的纽带，可以指引、规范和约束学校的办学行为，是制定人才培养模式、构建课程体系和选择教育教学方法的重要影响因素。应用型院校与研究型院校、职教院校既有区别又有联系，不仅要通过自身分析进行准确的定位，也需要政府进行积极的干预与引导。政府应为应用型院校制定相应政策， 在办学定位层面提供政策支持与保障。

第一，政府要制定相应的政策，明确应用型院校在高等教育体系中的地位。应用型院校处于初建阶段，学生、企业甚至学校对其角色和人才培养的认可度较低。政府要为应用型院校提供更多相匹配的政策扶持与宣传引导，转变社会、学校、教师、家长、学生等层面对应用型院校的认识，即应用型院校与研究型院校有着同等重要的地位，是高等教育体系的重要组成部分，应用型院校与研究型院校培养的人才只有工作职责的差异，而没有个人职业发展的差异。

第二，制定合理的高等教育资源分配政策，为应用型院校改善教学设施设备提供充足的资源。企业、家长和学生对应用型院校的办学定位与人才培养能力认可度不高，一方面是因为传统的人才观念，另一方面则是应用型院校学生不能满足社会对应用型人才的需求。充足的教学设施设备是应用型院校提升教育教学效果的必备条件，合理的资源分配政策可以促使应用型院校改善教学设施设备，满足教学研究的需要，将学生培养成为高素质的技术技能人才，从而为企业输送合格的人才，服务于地方经济发展。

第三，制定相应措施，鼓励企业接收应用型院校毕业生。学校毕业生的就业情况、学生职业发展水平与程度、高校的排名情况等都会影响学生对学校的选择。受传统观念影响，社会大众对应用型院校还存在一定的偏见，有些知名企业或者热门岗位在招聘时，往往要求应聘者毕业于“985”或“211”院校，甚至有的学校在录取研究生时，也优先选择本科毕业于“985”或“211”院校的学生。因此，政府应制定相关就业政策，鼓励各类企业接收应用型院校毕业生，进而以良好的就业前景为吸引力，提高应用型院校的生源水平和學生学习的积极性，并促使学校更关注企业的实际需求，全面提高教学质量与教学效果，更好地为企业提供人才支持。

2.政府要构建完善的应用型院校评估指标体系。我国政府历来重视对高等教育办学质量的评价与监督，以确保高等院校的教育资质，引导与规范高等教育的行为，通过多年的实践总结与归纳，已形成一系列高等教育评估指标体系，评估结果也成为财政资源分配及学生选择学校和企业招聘人才的重要参考。评估指标体系中的各项指标已成为应用型院校教育过程的指挥棒，影响着院校的教育教学决策与行为。政府对应用型院校的教育质量、教学水平及人才培养方案等诸多评估项目已取得了一定进展，但与精英化高等教育阶段的评估方案雷同，既不能体现应用型院校的办学特色，也会对应用型院校的发展产生误导。因此，在重构应用型院校评估指标体系时，政府应重点对以下三个方面进行有效干预：

第一，在办学实力与办学质量综合评估体系中，对办学指导思想、师资队伍、专业建设、实践教学、育人环境、教学改革、教学管理、教学效果等评估指标，要将学校的实践创新能力与实践创新成果作为评价的重要组成部分，积极引导人才培养方案、教学过程及教学手段以实践为主，着重提升学生的实践创新能力。

第二，在教学水平评估体系中，对专业规划、课程建设、教学资源、教学内容、教学过程和教学效果等评估指标，要根据应用型院校的实际情况进行设计，符合院校的办学特色，甚至建立由政府主导、行业企业组建的评估体系，明确学生应该掌握的知识结构与专业技能，建立培养和评估符合市场需要的人才标准和要求，使应用型院校培养的学生满足社会的人才需求。

第三，在师资队伍建设中，政府相关部门要加强对教师激励机制建设的引导与干预，促使应用型院校形成有特色的教师考核评估体系。在教师职称评审方面，以应用型实践项目的教学成果为主，研究型成果为辅，通过调整激励机制促使教师改进教育教学方法，提升其应用能力培养水平。政府还可以出台相关政策，辅助学校制定有效的人才引入机制，鼓励企业专家到应用型院校教学，提高师资队伍的实践教学水平，如提供优厚的报酬、实践及科研条件，有针对性地进行职称认定。

3.政府制定政策、搭建校企合作平台，为应用型院校提供更完善的实践环境。在应用型人才培养过程中，实训实践场地数量和质量关系着教育教学效果。一是政府要加强对校内实训基地建设的监督，提高校内实训基地的使用效果。目前，政府通过财政拨款的方式给予了一定的支持，但还没有建立有效的监督机制，促使校内实训基地真正发挥作用，政府应对滥用职权，随意购置设备又没有实质作用的相关负责人进行处罚，从而保证校内基地建设资金发挥应有的作用。二是政府要制定相应政策，鼓励企业将一些与应用型院校专业相关、实践性强的部门引入校园，由校内师生参与生产经营活动，这样不仅将行业的前沿资讯引入校园课堂，使教学内容更符合行业发展需求，也可以降低企业人力资源招聘与培训成本，还可以通过校企融合促进师生与员工、校园文化与企业文化的深度交融，获取更好的教育效果。三是政府要通过资金优惠、税收优惠等政策，鼓励企业主动参与校企合作，为校企搭建桥梁，有效构建校企合作平台。在企业设置实训场所与岗位，学生从入学之初就可以体验企业文化、增强岗位认知，这样既可以保障学校有充足而优质的校企合作对象，又可以促进学生对职业生涯发展的规划，进一步明确学习目标，增强学习主动性。

4.政府主导，联合企业开展行业技能大赛，促进校企共同发展。应用型院校组织学生参加各类行业技能大赛，运用“以赛促学”的模式提升学生的专业技能，是一种行之有效的提升途径。目前，许多专业技能大赛，如全国大学生市场营销大赛、大学生广告大赛、商业精英挑战赛等，得到了很多品牌企业的认可与支持，但只有部分应用型院校认可并参与。如果由政府主导、联合企业来举办适用于应用型院校的比赛项目，将吸引更多的应用型院校及知名企业参与，不仅能提升应用型院校的知名度和学生的专业技能，也可以为企业提供技术支持、人才选拔渠道，提升企业知名度，进而实现企业、学校、学生的三方共赢。

5.政府要将地方公共基础建设与应用型院校基础建设相结合，建设开放式校园。随着我国居民生活水平提升及地方城市建设发展，政府对图书馆、体育馆、文化娱乐中心等基础建设项目都有规划与建设。图书馆、体育馆等是大学校园必需的基础建设，但这些设施的使用效率还有待提高。如果将地方政府的基础建设与高校的基础建设结合起来，由学生兼职担任管理人员与相关工作人员，不仅能节约建设资源、提高基础设施的使用效率，提高学生的实践能力，也能为社会认知和了解应用型院校提供更多的机会，促使应用型院校更好地服务于社会。

虽然应用型院校在发展过程中还存在一定的局限，但是随着应用型院校教育成果的显现，以及社会、企业、学校、家长与学生对应用型院校观念的转变，应用型院校必将充分展现其特色与优势，为我国高等教育事业和社会经济发展做出重要贡献。

[参考文献]

[1]冯东，杨科正.地方本科院校应用型人才培养的三重困境[J].淮阴师范学院学报：自然科学版，2012(2)：196-198.

[2]潘懋元，车如山.略论应用型本科院校的定位[J].高等教育研究，2009(5)：35-38.

[3]刘焕阳，韩延伦.地方本科高校应用型人才培养定位及其体系建设[J].教育研究，2012(12)：67-70+83.

[4]郭淑敏.应用型大学教学方法的选定及评价[J].北京教育：高教版，2006(4)：33-34.

[5]王红，佘元冠.我国院校评估指标体系研究——从影响本科教学质量因素的视角[J].华东师范大学学报：教育科学版，2014(4)：55-62.

作者：高菊兰 赵浩