基于热点知识的远程教育论文

[摘要]精准评估学习者的知识状态是构建自适应学习系统的基石，也是智能教育时代推进个性化学习的根本前提。深度知识追踪模型作为知识状态建模的一种有效方法，已成为教育数据挖掘领域的研究焦点。然而，由于深度知识追踪模型未能将深度学习与领域特征充分融合，导致模型的预测效果不够精准。今天小编给大家找来了《基于热点知识的远程教育论文 (精选3篇)》，欢迎大家借鉴与参考，希望对大家有所帮助！

基于热点知识的远程教育论文 篇1：

知识图谱视角下的MOOC教学优化研究

【摘 要】

本研究以学堂在线“心理学概论”课程为例，采用共词分析法和社会网络分析法建立基于课程知识点的知识图谱，并形成相应的知识框架结构，作为探索MOOC教学优化的一种可视化方式。教学内容的知识框架结构图可帮助教师进行高效、清晰的教学过程回顾、分析和改进。教学知识图谱与学生讨论知识图谱进行对比分析，可帮助教师反思教学设计与学生认知过程中产生的问题，从而促进教学内容、策略及活动的改进。未来需要重视构建学科知识本体，对以xMOOCs为代表的在线学习数据进行充分挖掘，积极探寻如何将知识图谱转化为知识结构，从而促进在线学习模式的转变。

【关键词】 MOOCs;教学内容;学生论坛;知识图谱

自2012年以来，xMOOCs以其优质的教学资源和免费开放的特点迅速在全球兴起，吸引了数以万计的学习者自由选课，参与体验一对一“大规模”的在线教学。然而，其基于行为主义的教学法一直备受争议(郑勤华，等，2015)。课程论坛为教师与学生和学生与学生之间交互提供了一定的空间，但由于xMOOC 学习者的大规模化，教师难以关注每一名学习者的发帖情况，应对大量的论坛数据。郑燕林等(2015)指出，xMOOC论坛的发言内容是教师观察学生的重要途径，但教师很难像传统课堂教学环境中那样随时关注到学习者的反应，及时捕捉学习者的需求与反馈，难以及时给予指导与支持。孙洪涛等(2016)调研了622门xMOOCs，发现“52.6%的课程论坛实际未发生作用，419 门 (72.5%) 课程的教师未进行答疑辅导”。尽管一些教师通常安排助教帮助回复论坛发帖、整理课程资料、充当教师与学生之间的“过渡”桥梁(范逸洲，等，2014)，教师仍然需要付出巨大的时间成本来处理大量的论坛数据，借以了解学习者的学习需求，以调整与优化xMOOCs的教学内容与进度。因此，通过何种方式帮助教师简单快速地提取论坛讨论的主题，并识别学生讨论与其教学内容的异同是一个重要且亟待回答的问题。本研究尝试对学堂在线“心理学概论”的课程资料和论坛数据进行分词和共现矩阵的构建，形成教学内容和学生论坛知识图谱，使教学内容、学生学习行为可视化，便于教师对自身教学和学生认识理解过程的解读，并进一步根据教学情况调整或优化教学内容与进度。

一、知识图谱分析

知识图谱以其可视化、直观且便于理解的呈现方式，覆盖了多领域的知识资源及载体，其构建方法和工具也趋于多样化。知识图谱表现的并非浅层次、分离的信息，而是通过一定的语义结构表现出各信息之间潜在的联系和规律。知识图谱把复杂的知识领域通过数据挖掘、信息处理、知识计量和图形绘制显示出来，揭示知识领域的动态发展规律，为学科研究提供切实的、有价值的参考(秦长江，等，2009)。目前已经比较成熟的分析方法有共词分析、多元统计分析、引文分析、社会网络分析、文献统计分析和词频分析等。用于构建知识图谱的工具有CiteSpace、IN-SRIRE、Histcite、Rost CM、Network workbrench、Ucinet等。

本研究采用共词分析法和社会网络分析法描述学堂在线“心理学概论”课程的知识图谱。共词分析建立在词频分析的基础上，统计出现在同一段文字中的词语对或名词短语共同出现的次数，构造共现矩阵、相似矩阵、相异矩阵来呈现这些词之间的亲疏关系，据此将具有相似主题的词进行聚类。社会网络分析法能将复杂关系量化表征，揭示关系的结构，描述不同主体之间的联系。本研究采用ROSTCM6和NetDraw工具进行数据分析。

以“心理学概论”中“情绪与情感”这一章节视频字幕和论坛数据为原始数据进行知识图谱分析。视频字幕是教师教学内容的文本载体，作为构建教学内容知识图谱的文本数据，用来揭示教学知识点的广度与相互关系。下载、合并得到包括“绪论”“心理学历史”“感觉与知觉”等12章的字幕数据约9万字。课程论坛数据用以可视化分析学生讨论情况，共获得课程论坛数据5，000多条。

为了防止课程字幕分词时专业词汇被拆分，首先对课程所有章节字幕中的心理学名词进行人工梳理，形成自定义词表，添加到ROSTCM6的分词词表中，然后对“情绪与情感”这一章节的字幕进行分词。将分词后的字幕文件进行词频统计，筛选后的数据作为课程语料库进行数据分析。筛选与课程内容相关的论坛数据，基于构建的课程语料库进行分词，选取高频关键词，利用ROSTCM6生成共现矩阵，导入NetDraw中可视化，分别生成教学和论坛知识图谱。

二、研究结果与分析

(一)教学内容知识图谱

词频分析发现，“情绪与情感”这一章节的高频词汇涵盖了心理学现象、一般行为和人名等，比如情绪、情绪体验、人类、心理学家、差异、情绪活动、反应、表现规则、生理反应、情商、情绪智力、文化、愤怒、艾克曼、情感、文化差异、面部表情、詹姆斯-兰格、情绪反应、学习、控制等。

在视频字幕中，共词频率偏低，其中“情绪”与“人类”、“情绪”与“反应”共同出现在同一短句中的次数最多(14次)，其次为“情绪”与“差异”(10次)。根据共词频率矩阵形成知识图谱，可视化高频的课程内容知识点之间的关系(如图1所示)。

图1中的节点代表筛选出的高频词汇，词汇相连(边)代表同一行字幕中两个词汇被同时提及，点的大小表示的是该词汇在图中的度数，边的粗细表示两端词汇在同一行中被提及的频次大小。图中中心度最大的词汇为“情绪”，其他节点以“情绪”为中心以放射性发散的方式聚集在“情绪”周围，且大多数与“情绪”形成边。除“情绪”之外中心度较大的节点分别为“反应”“差异”“文化”“面部表情”“生理反应”“体验”“行为”“因素”等词汇，以这些词汇为中心，又形成了数个小团体。并且，“情绪”分别和“面部表情”“人类”“文化”“差异”“理解”“因素”“体验”之间形成较粗的边。各词汇相互联系形成一张知识网络。

从知识图谱中可较为直观地看出教师对于知识重点的安排，节点越大，说明该知识点被教师反复强调，如“情绪体验”“反应”等可视为较为重要的知识点。与之相关的知识点通过边形成直接或间接的联系，呈现出以某一重点知识为中心的聚合状态。边的权重则反映出教师对知识点之间的关联强弱的理解，“心理学家”一词关联着“达尔文”“詹姆斯”“兰格”等心理学家，这些心理学家又关联着与他们的研究相关的理论，如“达尔文”与“进化”。

筛选出中心度较大的几个知识节点，罗列出与其有直接联系的知识点形成一个小群体，再从小群体中选取中心度较大节点罗列与之关联知识点形成另一个群，帮助教师形成教学知识内容结构，能较为清晰、快速地梳理出课程主体知识内容的构架。

如图2所示，以教学内容图谱和教学重点知识集群结果为基础，勾勒出的知识点分类，圆形代表概念和符号，菱形代表事实范例，方形表示原理以及格式，以中心度和关联情况(是否直接关联)为层级绘制出知识结构图。在图中，知识群体和知识点之间的关联有了更加清晰的呈现，在一定程度上反映出课程结构的特性。知识点之间虽然无法表示出认知上的先后，但是不同组块的聚合和互连却能够在一定程度上减少教师对其教学设计与实际教学情况进行比较研究的工作量，根据实际教学中的知识类型分布，帮助教师了解实际教学过程中知识点发生的关联，调整教学策略和教学活动的安排。对于以xMOOCs为代表的在线学习，对字幕数据的有效利用，通过共词频率构建知识图谱，可帮助教师反思自己教学过程中对相应知识点的侧重以及知识点之间关联的解读。与传统课堂教学相比，字幕数据的存储和合理分析，用之于教学，可在一定程度上发挥在线教学的特色。

(二)学生论坛知识图谱

“情绪与情感”这一章的相关学生论坛知识图谱的构建主要以相应的课后内容主题讨论帖为主，如图3所示。高频词为“生理反应”“詹姆斯-兰格理论”“情绪”“轻声呻吟”等。学生论坛高频词汇的内容和教学内容高频词汇之间存在小部分重复，如“生理反应”“情绪智力”“拉扎勒斯”等，但大部分内容不一致。其词频与课程内容高频词汇相比较低，其中“生理反应”出现频次最高，为8次，其次为“詹姆斯-兰格理论”“情绪”“轻声呻吟”等。学生论坛高频词汇的共现次数较课程内容共词频率低，最高的“生理反应”与“詹姆斯-兰格理论”为7次。

由于就这一章节课程内容讨论的帖子数据量较少，节点分布比课程内容更加松散。同样是以“情绪”为中心向外发散，论坛知识图谱中和“情绪”有直接联系的词明显少于教学内容知识图谱，包括“面部表情”“反馈假设”“痛苦”“呻吟”“轻声细吟”“人际交往”“文化差异”“情绪智力”等。中心度较大的其他词汇有“生理反应”“面部表情”“语调表情”“外部表现”等，它们以自身为中心和相关联的词汇共同形成数个小群体，反映出学生在学习讨论中的主题类别。从边的权重来看，“情绪体验”和“生理反应”、“生理反应”和“詹姆斯-兰格理论”、“情绪体验”和“詹姆斯-兰格理论”、“恐惧”和“伤心”、“外部表现”和“轻声呻吟”是关联较多的几组词，表明学生在课后讨论中，比较关注“詹姆斯-兰格理论”与“生理反应”和“情绪体验”这组知识点，以及情绪的“外部表现”和“轻声呻吟”等内容。另外，“伤心”“恐惧”所在的结构是作为单独的词分散地存在于图中，属于较为零碎的知识点。

学生讨论的知识图谱表现出课后学生在理解课程内容、完成课程任务过程中的讨论重点以及知识点之间的关联。教师可据此了解学生对于知识点的理解情况并引发反思，比如：导致学生讨论重点的原因是什么?是围绕教学重点还是教学任务?学生讨论中针对某一重点关联的知识点是否具体、准确?导致这种情况的原因是学生理解偏差还是教师的教学错误?等等。通过形成知识结构的方式对知识图谱和教学知识重点群体进行解读，帮助教师直观、清楚地了解学生在学习过程中遇到的问题，了解教学效果，并对原有的教学设计做出改进，也可用于评价教学。

(三)教学、讨论知识结构比对

教师教学内容知识结构和学生讨论知识结构如图2和图4所示。从层级上看，相同层级的知识点是否有重合，分析非重合的知识点之间存在什么关系，如教学内容知识结构的重点为“人类”“面部表情”“文化”“差异”“反应”“心理学家”等，学生讨论与之相对应的仅有“面部表情”和“文化差异”，而“轻声呻吟”实则为“外部表现”的例子之一。从重要知识点的关联知识来分析重合程度，如教学内容知识结构中“面部表情”的关联知识有“刺激”“动机”“因素”“表达”“过程”“心理活动”，而学生讨论知识结构中的“面部表情”关联知识有“表情”“表演学”“自主神经系统”“中央神经系统”“基本情绪”“生理反应”“达尔文”，这些关联知识并无重叠。进一步探查两图中相同知识点的上、下层级都和哪些知识点相连，这些知识点是否重合，是否存在相关或包容的关系。如知识点“达尔文”，在教学知识结构中向上连着“心理学家”，向下连着“适应”和“进化”;在讨论知识结构中，向上连着“面部表情”，向下连着“微笑”“情绪活动”“沙赫特-辛格”“进化理论”“情绪进化论”。知识图谱对比分析能直观地帮助教师进行教学反思。为解释学生讨论内容与教学重点出现偏差的原因，教师可从以下几种情况进行深入分析：

一是教师对教学内容及重点的审查和再度解读。审查是否因为侧重某些重点知识，忽略了对其他知识点的讲解;某些抽象概念的教学过程缺乏例证，或因为例证不够详细，导致学生对知识点和案例的理解不够透彻，从而通过论坛求助引发讨论。教师需调整授课内容，补充相关知识，及时答疑解惑。

二是学生的认知过程发生偏差。学生对知识的理解出现误区，发生概念混淆。此时教师需要及时纠正学生的错误理解，为下一步学习做出正确引导。

三是教学过程中发生知识迁移，表现出学生已将新的学习与原有的知识经验和认知结构相融合，学生正处于一种很好的学习状态，教师可以在此基础上进行更加深入的教学活动。

四是学生将一部分注意力放在了自己感兴趣的知识上，并与“志同道合”的学习伙伴进行交流。在此情况下，教师可提供相关的阅读资源，鼓励课外探究，同时也要避免学生偏离学习轨迹。

五是学生讨论内容和作业紧密相关，学生在完成作业过程中遇到困难，或发现教学内容错误。教师可通过助教展开在线答疑，并及时修改错误。

三、讨论与建议

在“后MOOC时代”，客观对待xMOOCs教学，开展针对性的研究已经形成共识(申灵灵，等，2014)。有效利用视频字幕与课程论坛文本数据、可视化课程资料形成知识图谱，将课程知识图谱转化为清晰的知识结构，对讲授情况与学生讨论情况进行对比分析，可作为学习分析的一种手段，帮助改进xMOOCs教学。基于知识图谱的教学与讨论可视化研究应关注以下议题。

(一)重视构建学科知识本体

本文采用半自动方法，梳理心理学名词形成自定义词表，将依据自定义词表分词、统计词频、筛选后的结果作为课程语料库辅助学生论坛的进一步分析。由于学科知识体系不完整，半自动方式形成的课程语料库具有较强的针对性，但存在专业化程度低、局限性较大等问题。为了优化分词结果，提高知识图谱的准确性，学科知识本体的构建能起到重要的作用。当前不少在线教育平台都推出了自己的知识点体系，但这些知识体系描述相对粗略，缺乏教学内容的描述，知识点之间只是单一维度的上下位线性关系，缺乏知识之间多维度逻辑关系的体现。构建学科知识本体，实质上就是在数据系统中表征相对完整的学科知识体系的过程(丁国柱，等，2015)。学科知识本体的构建有利于识别教学信息中的专业词汇，提高分词准确率，为课程知识图谱的优化提供新的动力。

(二)基于知识图谱与知识结构的教学反思

依据知识图谱中的节点数确定知识点的范围，依据节点的中心度、节点之间的边来判断知识点之间的关联关系。但由于节点之间的连线密集，关系较为复杂，知识图谱的逻辑性与层次性较弱。而知识结构具有清晰的层级关系，教师教学与学生讨论的逻辑结构更为明显。提炼知识图谱转化为具有一定层级关系的知识结构，对教学重点和讨论重点的把握具有重要意义。本研究借鉴了知识建模的处理方法，将知识图谱转化为知识结构图，并基于知识结构图进行对比分析，为教师反思教学效果提供途径。知识图谱知识点的可视化呈现，较为清晰地呈现知识点覆盖的广度及相关关系;依据知识结构的层级关系，教学内容与学生讨论的深度匹配有利于教学做进一步研究，比如：教师的教学顺序是否符合学生的认知规律?学生的讨论是否针对教师的教学重点?教师应如何根据学生的讨论改进教学?

(三)有效利用字幕与论坛数据改进教学

目前，国内MOOCs知识图谱的研究尚停留在对文献资料、研究热点的分析上，对视频字幕和论坛数据的分析严重不足。与传统课堂教学相比，字幕数据和论坛数据可作为在线学习研究的重要数据，对教学情况与学生讨论情况进行可视化分析，为xMOOC课程的可持续发展提供重要的论据。对xMOOCs的实证研究应不仅仅局限于辍学率、作业完成情况等的分析。从建构主义的视角看，对知识点的讨论可在一定程度上反映学生学习的情况，如何有效地分析论坛数据、了解学生学习情况，并将分析结果有机地融入教学过程，可作为xMOOCs教学改革的一个方向。

(四)促进在线学习模式的转变

xMOOCs教学本质上还是采用了行为主义的教学模式。课程以章节为单位，每个章节划分为若干小节，教师为小节内容提供教学微视频与练习材料。学习者大多通过教学视频与课后练习进行自主学习。微视频的方式有助于完成相应知识点的学习，线性的学习顺序便于形成知识的逻辑结构。但从教学设计的角度来看，知识点之间的关联并非简单的线性逻辑关系。知识图谱在一定程度上能够呈现教师的教学重点，并可视化知识点的网络结构，将知识图谱转化为知识结构，改变了传统的章节顺序和学习行为，充分发挥了在线学习的优势，促进在线学习模式的转变。

四、小结

本文提出了利用MOOC平台课程信息建立基于课程知识点的知识图谱，并形成相应的知识框架结构，对课程教学优化有一定的促进作用。然而，本研究只实现了针对特定课程的知识图谱分析，普适性略显不足，实现对任意课程的可视化分析需要进一步探索与完善。目前，国内MOOC知识图谱的研究尚停留在对文献资料、研究热点的分析上，应关注对MOOC课程资料和论坛数据的分析，对教学与学习过程进行可视化分析，为MOOC教学优化提供动力。

[参考文献]

丁国柱，余胜泉. 2015. 基于本体学习算法的学科本体辅助构建研究——以学习元平台语文学科知识本体的构建为例. 中国电化教育(3)：81-89.

范逸洲，冯菲. 2014. 浅析MOOC发展中不可忽视的群体——MOOC助教[J]. 工业与信息化教育(11)：29-36

秦长江，侯汉清. 2009. 知识图谱——信息管理与知识管理的新领域[J]. 大学图书馆学报，27(1)：30-37.

申灵灵，韩锡斌，程建钢. 2014. “后 MOOC 时代”终极回归开放在线教育——2008-2014年国际文献研究特点分析与趋势思考[J]. 现代远程教育研究(3)：17-26.

孙洪涛，郑勤华，陈丽. 2016. 中国MOOCs教学交互状况调查研究[J]. 开放教育研究，22(1)：72-79

郑勤华，李秋菊，陈丽. 2015. 中国MOOCs 教学模式调查研究[J]. 开放教育研究，21(6)：71 - 79 .

郑燕林，李卢一. 2015. MOOC有效教学的实施路径选择——基于国外MOOC教师的视角[J]. 现代远程教育研究(3)：43-52.

收稿日期：2016-04-06

定稿日期：2016-06-01

作者简介：陆星儿;曾嘉灵;章梦瑶;郭幸君。北京师范大学远程教育研究中心(100875)。

张婧婧，副教授，北京师范大学远程教育研究中心教育学部(100085)。

责任编辑 韩世梅

作者：陆星儿 曾嘉灵 章梦瑶 郭幸君 张婧婧

基于热点知识的远程教育论文 篇2：

人工智能支持下基于特征融合的深度知识追踪模型研究

[摘 要] 精准评估学习者的知识状态是构建自适应学习系统的基石，也是智能教育时代推进个性化学习的根本前提。深度知识追踪模型作为知识状态建模的一种有效方法，已成为教育数据挖掘领域的研究焦点。然而，由于深度知识追踪模型未能将深度学习与领域特征充分融合，导致模型的预测效果不够精准。针对此问题，研究从特征融合的视角出发，提出一种融合测评行为和知识结构特征的深度知识追踪模型。在该模型实现过程中，首先依据xAPI标准对测评行为数据进行采集;然后，采用决策树算法对测评行为特征进行选择，并利用知识传播机制将知识结构融入模型;最后，基于长短期记忆神经网络对学习者的知识状态进行追踪。算法对比实验和实际教学应用效果表明，该模型具有有效性和实用性。该模型在助力核心素养导向的教育评价以及优化智慧学习环境中的智能导学等方面具有广阔的应用前景。

[关键词] 深度知识追踪; 特征融合; 决策树; 知识传播机制; 长短期记忆神经网络

[

[作者简介] 李振(1989—)，男，山东济宁人。讲师，博士，主要从事自适应学习系统、教育知识图谱、个性化学习路径推荐研究。E-mail：liz666@nenu.edu.cn。

一、引 言

自適应学习系统是信息技术驱动下因材施教和个性化学习理念落地实施的最佳实践，更是智能教育场域中教育服务模式变革和教学提质增效的关键，而学习者模型是自适应学习系统最核心的组件[1]。随着认知理论、情感计算、行为识别等技术的发展成熟，学习者模型已经涵盖知识状态、能力表现、素养发展、情感态度、风格偏好、元认知等多维特征，旨在对学习者进行全方位、立体化、多层次、多模态的建模分析与理解。在学习者模型的多维建构中，精准评估学习者的知识状态依然是自适应学习系统构建的关键，对提升个性化服务质量具有重要意义。

目前，对学习者知识状态进行建模的主流方法是知识追踪模型[2]。该模型的基本思想是：基于学习者外在的、显性的学习表现或行为序列来估测学习者内在的、隐性的知识状态或掌握程度，这已经成为教育数据挖掘领域的研究热点。随着深度学习在图像处理、语音信号处理、自然语言理解、机器自动翻译等领域的广泛应用，以深度学习为基础的深度知识追踪模型成为当前关注的焦点[3]。

然而，深度学习采用的是完全数据驱动的机器学习范式，存在数据依赖性强、模型可解释性差、领域适用性差等弊端。中科院院士张钹教授以及卡内基梅隆大学的Russ教授都曾指出，人工智能将呈现知识驱动与数据驱动相互结合、深度学习与领域特征相互补充的发展态势[4-5]。已有研究也表明，学习者层面的测评行为特征和知识层面的结构特征对于提高知识追踪模型的预测精度有显著影响[6]。因此，本研究以特征融合为切入点，采用决策树、知识传播机制，将测评行为、知识结构特征融入深度知识追踪模型之中，构建融合领域特征的深度知识追踪模型，以期进一步提高学习者知识追踪的效果，为自适应学习系统中的学习者建模提供技术支撑，提升个性化学习的服务质量和学习体验。

二、知识追踪模型研究现状

目前，常用的知识追踪模型主要有两大类：一类是源于心理测量学的项目反应理论模型，另一类是源于人工智能领域的贝叶斯知识追踪模型和深度知识追踪模型。

(一)项目反应理论模型(Item Response Theory，IRT)

项目反应理论也称为潜在特质理论，是现代测量理论的典型代表。该模型认为，学习者的知识状态是一种不可见的潜在心理特质，而这种潜在特质是可以通过测试项目反映出来的，其本质是建模被试能力、题目特性(难度、区分度、猜测系数等)与作答反应之间的关系[7]。

项目反应理论模型是建立在单维性、单调性、局部独立性三个假设之上，需要严格满足以下三个基本条件：一是所有项目都是测量同一个潜在特质，二是项目反应函数是连续、严格、单调的，三是被试在测评项目上的反应是相互独立的[8]。由于这三个理论假设过于严苛，因而不能满足实际应用的需求。此外，以项目反应理论为基础的知识追踪，将学习者的知识状态视为一种概括化的“统计量”，目的在于从宏观层面对学习者进行评估[9]，缺乏对知识状态细粒度的评估，也不能实时跟踪知识状态随时间的变化过程。

(二)贝叶斯知识追踪模型(Bayesian Knowledge Tracing，BKT)

20世纪90年代，卡内基梅隆大学的科贝特(Corbett)和安德森(Anderson)两位学者提出了贝叶斯知识追踪模型，该模型以ACT-R 理论和学习过程模型为基础，以概率论和统计学为数学建模思想，针对每个知识组件(概念、原则、事实、规则、技能等)分别建立一个两层的隐马尔科夫模型来评估学习者的知识状态。具体而言，隐马尔科夫模型中的观察层代表学习者的答题表现(答对或答错)，隐藏层代表学习者的知识状态(掌握或未掌握)，并提取出预知率、学习率、猜对率和粗心率四个关键参数来对该建模过程进行量化[10]。

标准的BKT模型未考虑学习者的个体差异性(先验知识、学习速率等)，未考虑学习者对知识结构的短时记忆与遗忘过程，也不能面向多知识点进行应用。因此，许多研究者提出了一些贝叶斯知识追踪模型的变体：(1)学习者个体差异方面，Pardos等人在标准BKT模型中为每个学习者加入不同的先验知识参数，提出了学习者先验知识模型[11];Yudelson等人在标准BKT模型中加入学习者个性差异参数，提出了个性化知识追踪模型[12]。(2)知识遗忘方面，Nedungadi等人将指数衰减函数融入标准BKT模型中来解决遗忘问题[13]。(3)多知识点方面，吴文峻等人使用Logistic回归方法对BKT进行扩展，提出了面向多知识点的改进模型[14]。上述改进虽然取得了一定成效，但贝叶斯知识追踪模型在复杂特征融合、记忆机制等方面存在天然缺陷，因此，无法模拟学习者知识状态的复杂变化过程。

(三)深度知识追踪模型(Deep Knowledge Tracing，DKT)

2015年，斯坦福大学的Piech等人将具有时序建模能力的深度神经网络应用到知识追踪中，提出了深度知识追踪模型。该模型采用丰富的“神经元”来对学习者潜在的知识状态进行建模，克服了BKT模型所存在的缺陷，能对向量化的学习者测评数据进行自动化建模，也能更好地对复杂的学习者知识状态进行预测[15]。

在人工智能与教育教学深度融合的大背景下，深度知识追踪模型的研究吸引了大批来自计算机科学、教育技术学以及心理测量学领域专家的关注。通过文献调研发现，现有研究主要集中在以下几个方面：(1)记忆与遗忘机制优化方面，由认知心理学的基本理论可知，学习者在学习过程中的记忆与遗忘行为是相互交织的，因此，学者们提出了基于学习过程的深度知识追踪模型[16]、融合学习与遗忘的深度知识追踪模型[17]。(2)知识状态显性化方面，由于基于神经网络的深度知识追踪模型采用隐藏层来表示潜在的知识掌握程度，无法实现知识状态的显性化表达，因此，Zhang等人引入静态矩阵(键)和动态矩阵(值)分别存储已追踪的知识点和对应的知识状态，提出了用于知识追踪的动态键值记忆网络[18]。(3)学习者个体差异化方面，由于学习者的学习动机、学习起点、学习情绪等个性特征对学习绩效有显著影响，因此，研究者们将个体的先验知识、个性化学习率、学习情绪、学习态度融入深度知识追踪模型中来获得更加精准的追踪效果[19-21]。(4)预测结果可解释性方面，为了更好地促进深度知识追踪模型的实际教学应用，Lu等人针对深度学习模型的“黑箱”问题，采用相关性逐层传播算法对基于循环神经网络的深度知识追踪模型进行了可解释性研究，并证明了深度知识追踪模型决策的有效性[22]。(5)测评行为特征嵌入方面，Zhang、Yang等人分别提出了基于特征工程和基于决策树的深度知识追踪模型[23-24]。前者需要大量的人工参与和专家知识，而后者能够实现自动特征嵌入。

综合而言，既有深度知识追踪模型的研究在记忆与遗忘机制优化、知识状态显性化、学习者个体差异化、预测结果可解释性、测评行为特征嵌入等方面已取得一定的进展，但已有研究较少关注测评行为特征(学习者层面)和知识结构特征(知识层面)的协同融合问题。因此，本研究以此为切入点，对深度知识追踪模型进行改进优化，以提高模型追踪结果的精准性。

三、基于特征融合的深度知识追踪模型设计与实现

(一)基于特征融合的深度知识追踪模型设计

深度知识追踪主要依据学习者的测评数据来自动化、动态化地追踪学习者知识状态的变化过程，其基本过程可以抽象化地描述为如下形式：假设待追踪的知识状态包含M个知识点，测评题库Q覆盖这M个知识点，t时刻某学习者X所作答的测评题目为qt，作答结果为at(作答正确或错误)，则t时刻的作答可表示为xt={qt，at}，学习者历史所有的作答序列可表示为Xt=(x1，x2，……，xt)，知识追踪模型的目标是利用学习者历史的作答序列来预测下一时刻正确作答题目qt+1的概率，即P(at+1=1丨qt+1，Xt)，进而根据题目与知识点之间的关系判断学习者的当前知识状态。

如前文所述，本研究重点关注学习者层面的测评行为特征和知识层面的知识结构特征，将这两方面的领域特征融入深度知识追踪模型中，需要解决两方面的问题：一是测评行为特征的选择问题，二是知识结构的融合问题。对此，本研究引入決策树算法和知识传播机制解决上述问题。在此基础上，按照“数据采集—数据处理—数据表征—数据应用”的思路，设计了基于特征融合的深度知识追踪模型(Deep Knowledge Tracing based on Features Fusion，DKT-FF)。

如图1所示，该模型主要包括测评数据采集、行为特征选择、知识结构融合、数据向量化表示、知识状态追踪五大模块。其中，测评数据采集模块采用xAPI标准对测评过程中的行为数据和结果数据进行获取;行为特征选择模块采用决策树算法评估、筛选有效的测评行为特征;知识结构融合模块采用知识传播机制将学科知识结构特征融入深度知识追踪中;数据向量化表示模块负责将测评过程产生的结果数据、行为数据、知识结构进行向量化，并对其进行降维;知识状态追踪模块通过长短期记忆神经网络追踪学习者的知识状态，并采用学习仪表盘对知识追踪的结果进行可视化呈现。

(二)基于特征融合的深度知识追踪模型实现

1. 基于xAPI标准的测评数据采集

测评数据是指测评活动中所产生的行为数据和结果数据，是学习者知识状态追踪和学习反馈设计的基础，而测评数据采集的标准化是后续处理分析与高效应用的重要保障。本研究参考xAPI标准提出的语义结构，采用“行为主体—行为动作—行为对象—行为场景”模式对测评活动流进行采集。

2. 基于决策树的行为特征选择

特征选择是根据一定的评价标准从全部特征中选取最优特征子集的过程，其目的是使分类、预测等机器学习任务更加精确，泛化能力更强。决策树是大数据时代处理分类和预测问题最常用的机器学习算法之一，具有很强的特征选择能力。因此，本研究采用决策树算法来选取对测评数据具有强分类能力的行为特征。在决策树构建中，非叶子节点分裂是以测评行为特征为条件，叶子节点表示测评结果变量(答对或答错)，其过程主要包括以下三个基本步骤：

(1)基尼指数计算阶段

决策树作为一种树形结构，其构建的关键是如何选择节点分裂时的特征。本研究采用信息论中的基尼指数(Gini)作为量化策略对其进行筛选。对于本研究中的测评数据，假设作答行为数据集为D，数据集D中的行为特征集合为A=(A1，A2，A3，……，An)，则基于行为特征A对数据集D进行划分后的基尼指数为：

其中，V表示行为特征的取值数量，Dv表示数据集D被行为特征A所划分成的子集。

(2)决策树生成阶段

以测评结果为目标变量，以各类测评行为特征为预测因子，采用“自上而下”的思想，从根节点开始逐层向下选择基尼指数最小的节点进行分裂，递归构建决策树，直至深度达到设定的树深为止。

(3)决策树剪枝阶段

为提高决策树在测评数据上的适应能力、降低过拟合的风险，需通过剪枝操作对其进行优化。剪枝操作的好坏需通过代价函数进行衡量，其目标是使得代价函数最小化。本研究在剪枝过程中采用的代价函数为：

其中，C(T )表示子树T的基尼指数，|T |表示子树T的叶结点个数。

3. 基于知识传播机制的知识结构融合

知识结构融合是指依据测评知识点在网络中的传播机理，将知识点所在的局部网络结构融入知识追踪的过程。本研究基于知识在网络中的传播机制——波纹式传播[25]，设计了如图2所示的知识结构融合方法，具体包括知识扩散和知识聚合两个阶段。

知识扩散阶段的过程如下：首先，根据知识追踪所涉及的学科，通过知识抽取、关系挖掘构建学科的知识图谱[26];其次，使用图谱的查询语言在学科知识图谱中定位当前测评题目所考查的知识点(如图中的知识点A和B);然后，在学科知识图谱中分别以A和B为中心点，根据前驱后继关系逐层向外扩散，当涟漪第一次到达新节点时完成一次扩散，接着以这些1阶邻居节点为中心点继续进行第2次扩散，直至达到设定的最大扩散次数n，扩散过程所经过的节点和边一起构成了待追踪知识点的k阶邻居知识结构，记为N(v)。

知识聚合阶段则按照“由外而内”的方向将k阶邻居知识结构信息聚集到当前知识点上。为简化计算过程，本研究采用平均聚合法，对邻居节点每个维度的特征信息取平均值，然后与目标节点进行拼接。假设k表示目标知识点能够聚合的邻接节点跳数，hkN(v)表示第k层中知识点v所有邻居节点的特征信息，hvk表示知识点v在第k层的特征信息，则

其中，MEAN表示平均聚合函数，CONCAT表示拼接函数。

4. 数据向量化表示

深度知识追踪模型一般采用长短期记忆神经网络进行学习，因此，需要将学习者的历史测评数据转换成网络能够处理和识别的形式，即对输入数据进行向量化表示。

针对本研究所提出的模型，其输入数据类别及向量化表示方式如下：(1)测评结果类数据，主要包括题目的编号、题目的作答结果、题目所考察的知识点。对于该类数据，其类型为离散型变量，主要采用独热码形式对其进行向量化。(2)测评行为类数据，包括作答时间、尝试次数、提示次数、作答第一反应等，这些特征依据决策树进行选择，主要选择位于决策树根节点、分叉较早的特征，最后将筛选出的重要特征通过多位0、1编码进行向量化表示。(3)知识结构类数据，即与测评题目知识点相关联的知识结构，该类数据基于知识传播机制进行获取，并结合图嵌入方式进行向量化表示。

多特征数据的向量化表示会带来维数灾难问题，因此，特征降维是DKT-FF模型必不可少的环节。在对多种特征降维方法(如PCA、NMF、tSNE等)进行对比分析基础上，本研究采用自编码器(AutoEncoder)对上述向量进行降维处理[27]。

5. 基于LSTM网络的知识状态追踪

长短期记忆神经网络(Long Short-Term Memory Neural Network，簡称LSTM网络)是人工智能领域解决时间序列问题最常用的深度学习模型[28]。而知识追踪任务的本质是基于测评数据追踪学习者知识状态随时间变化的过程，因此，LSTM网络对于解决知识追踪问题具有较好的适用性。

如图3所示，基于LSTM网络的知识状态追踪包括输入层、隐藏层、输出层。其中，输入层输入的是经过向量化表示和降维处理后的测评数据;隐藏层通过学习、记忆和遗忘机制隐式建模学习者的知识状态与测评数据的关联;输出层输出的是一个与题库知识点数量一致的多维向量，表示下一时刻学习者对各个知识点的掌握状况。LSTM网络的核心是隐藏层中负责记忆管理的记忆单元，每个记忆单元通过输入门、遗忘门、输出门三种门结构来精细调节信息的存入、遗忘、输出。

LSTM网络所具备的追踪能力由各网络层的参数决定，而这些参数需要以测评数据为样本进行训练获得。目前，训练LSTM网络的常用方法是反向传播算法，即将网络的预测值和测评结果的实际值进行比较，将二者的误差从输出层开始反向向前传播，并按照梯度下降法调整各网络层的内部参数，以期使LSTM网络的预测值与真实值之间的差值最小化。在具体计算中，采用下面的损失函数来估算预测值和真实值之间的差异程度：

其中，?詛代表交叉熵损失函数，?啄代表编码方式，a■表示t+1时刻测评结果的真实值，编码向量?啄(q■)表示t+1时刻作答的题目，OT表示长度为知识点总数的输出向量。

四、基于特征融合的深度知识追踪模型

验证实验

为了验证融合领域特征的深度知识追踪模型具有有效性和实用性，本研究依托团队研发的智慧教育云平台，设计并开发了深度知识追踪系统原型(如图4所示)，并通过算法对比实验和实际教学应用效果对模型进行了验证。实验对象为使用该系统的X中学初一年级学生，共计208名。

(一)算法对比实验

本研究采集了实验对象在使用深度知识追踪系统过程中产生的测评数据，共计162701条数据记录。按照8∶2的比例将数据集随机划分为训练集和测试集，选取AUC(Area Under Curve)值作为模型的评价指标，将提出的DKT-FF模型与项目反应理论模型IRT、贝叶斯知识追踪模型BKT、原始深度知识追踪模型DKT进行了对比分析，实验结果如图5所示。

从图中可以得出如下结论：(1)源于心理测量领域的IRT模型在预测效果上要优于BKT模型和DKT模型。这是因为IRT模型在预测学生的知识掌握程度时，考虑到了项目的难度、区分度和猜测系数等题目特征，而原始的BKT模型和DKT模型尚未考虑这些特征。(2)对BKT模型和DKT模型进行对比可以发现，DKT模型的预测效果优于BKT模型。这说明采用长短期记忆神经网络的深度知识追踪模型能够更好地学习测评数据的时间序列特征，但DKT模型整体效果稍逊色于IRT模型，究其原因是DKT模型未能充分考虑领域特征和领域知识。(3)本研究提出的DKT-FF模型在本实验数据集上的表现明显优于其他各模型，这表明融合测评行为特征和知识结构特征的DKT-FF模型具有有效性。

(二)教学应用效果分析

教学应用效果分析实验采用对照实验法，将X中学初一年级208名学生随机分成实验组和对照组，实验组使用深度知识追踪系统实时诊断自己的知识状态，而对照组则根据教师反馈判断自己的知识状态。教学应用的实施周期为8周，在第1周开始和第8周结束时，分别对实验组和对照组学生进行前测和后测，通过独立样本t检验和协方差分析，比较两组学生在实验前后的知识水平差异，统计分析结果见表1。

独立样本t检验的结果显示，实验组的前测成绩(83.66)和对照组的前测成绩(84.06)并无显著差异(p=0.462>0.05)。这表明在开展系统的实际应用前，两组学生的知识水平相当，避免了由于学生初始知识水平差异而导致的后测偏差。

协方差分析中，分别以前测成绩和后测成绩为协变量和因变量，判断两组的后测差异。经方差同质性检验，使用协方差分析后测成绩是可行的。协方差分析结果显示，实验组和对照组调整后的均值分别为92.170和85.887，两者相差6.283，两组学生的学习成绩存在显著性差异(p<0.05)。由此可见，使用深度知识追踪系统实时报告学生的知识状态能够提高学生的学习绩效。通过对对照组学生的访谈发现，对照组学生缺少实时的知识状态反馈，在进行补救学习时目标模糊、缺乏针对性，故其学习效率较低、学习进阶缓慢。由以上对比实验可知，深度知识追踪系统对学习绩效具有促进作用，表明本研究提出的改进型深度知识追踪模型具有实用性。

五、基于特征融合的深度知识追踪模型未来应用前景

(一)助力核心素养导向的教育评价

随着学科教学本质的回归，当今世界各国的育人目标体系正经历从“三维目标”到“核心素养”的发展变化过程，教育评价也由传统的知识掌握和能力發展评价向“素养导向、能力为重、知识为基”的评价方向转变。然而，学科核心素养具有内隐性特征，难以通过可观察的外显行为指标进行测量与评价，需要根据学习者在真实情境或模拟情境中解决复杂问题的交互数据进行推断，而深度知识追踪模型为这种表现性评价提供了交互行为特征抽取、问题解决任务追踪以及测评结果推理的能力，对于面向核心素养的教育测量与评价具有重要作用。

在具体操作层面，首先，应厘清学科核心素养内涵及其所包含的知识、能力要素，构建涵盖知识—能力—素养的关系图谱;其次，依据“以证据为中心的设计”理论，按照“任务设计、情境构建、获取证据”的逻辑链条进行测验设计与开发;然后，借助本研究提出的改进型深度知识追踪模型抽取行为特征，进而从评价学习者对学科知识的掌握状态开始，逐步提高层次，推断出学习者学科能力的运用水平、学科核心素养的达成度，最终为学习者提供涵盖知识掌握状态、能力发展状况以及学科素养表现的“学习仪表盘”。

(二)优化智慧学习环境中的智能导学

智能导学是智慧学习环境的基本特征，已成为当前人工智能赋能教育的重要实践场域[29]。智能导学是在融合认知科学理论和人工智能技术基础上，由扮演专家指导者的教学代理或智能体为学习者设计个性化的学习方案，并全过程跟踪学习方案的实施，实时量化分析学习者的过程数据，适时提供个性化的教学指导和有效的助学支架。

一般而言，智能导学的基本体系架构包括学习者知识模型、领域知识模型、适应性指导模型、人机交互模型，而本研究提出的改进型深度知识追踪模型不仅有助于智能导学系统中学习者知识模型的快速、精准构建，而且能够结合聚类分析挖掘出知识之间隐含的语义关系，为领域知识建模打下基础;同时，改进型深度知识追踪模型还具有很好的特征融合能力，为导学系统人机交互模型的行为特征和情感特征提取提供支撑，实现对学习者“知识—认知—情感—交互”多层次的建模分析，进而推动编程教育类、游戏化学习类、STEAM教育类等互动型、情感型智能导学系统的研发和推广应用。

[参考文献]

[1] 李振，董晓晓，周东岱，童婷婷.自适应学习系统中知识图谱的人机协同构建方法与应用研究[J].现代教育技术，2019，29(10)：80-86.

[2] 李振，周东岱，王勇.“人工智能+”视域下的教育知识图谱：内涵、技术框架与应用研究[J].远程教育杂志，2019，37(4)：42-53.

[3] 朱佳，张丽君，梁婉莹.数据驱动下的个性化自适应学习研究综述[J].华南师范大学学报(自然科学版)，2020，52(4)：17-25.

[4] 郑勤华，熊潞颖，胡丹妮.任重道远：人工智能教育应用的困境与突破[J].开放教育研究，2019，25(4)：10-17.

[5] RUSS S. Integrating domain-knowledge into deep learning[EB/OL]. (2019-04-14)[2021-09-18]. http：//www.cs.cmu.edu/～rsalakhu/10 707/Lectures/Lecture_domain.pdf.

[6] 李菲茗，叶艳伟，李晓菲，史丹丹.知识追踪模型在教育领域的应用：2008—2017年相关研究的综述[J].中国远程教育，2019(7)：86-91.

[7] 戴海琦，罗照盛.项目反应理论原理与当前应用热点概览[J].心理学探新，2013，33(5)：392-395.

[8] 路鹏.计算机自适应测试若干关键技术研究[D].长春：东北师范大学，2012：24-29.

[9] 刘声涛，戴海崎，周骏.新一代测验理论—认知诊断理论的源起与特征[J].心理学探新，2006(4)：73-77.

[10] CORBETT A T， ANDERSON J R. Knowledge tracing： modeling the acquisition of procedural knowledge[J]. User modeling and user-adapted interaction， 1995，4(4)：253-278.

[11] PARDOS Z A， HEFFERNAN N T. Modeling individualization in a bayesian networks implementation of knowledge tracing[C]//User Modeling， Adaptation， & Personalization， International Conference. Berlin： Springer， 2010：255-266.

[12] YUDELSON M V， KOEDINGER K R， GORDON G J. Individualized bayesian knowledge tracing models[C]//16th International Conference on Artificial Intelligence in Education. Berlin： Springer， 2013：171-180.

[13] NEDUNGADI P， REMYA M S. Incorporating forgetting in the personalized， clustered， bayesian knowledge tracing(pc-bkt) model[C]//International Conference on Cognitive Computing and Information Processing. New York： ACM Press， 2015：1-5.

[14] 徐墨客，吳文峻，周萱，蒲彦均.多知识点知识追踪模型与可视化研究[J].电化教育研究，2018，39(10)：53-59.

[15] PIECH C， SPENCER J， HUANG J， et al. Deep knowledge tracing[J]. Computer science， 2015， 3(3)：19-23.

[16] ZOU Y， YAN X D， LI W. Knowledge tracking model based on learning process[J]. Journal of computer and communications，2020，8(10)：7-17.

[17] 李晓光，魏思齐，张昕，等.LFKT：学习与遗忘融合的深度知识追踪模型[J].软件学报，2021，32(3)：818-830.

[18] ZHANG J， SHI X， KING I， et al. Dynamic key-value memory networks for knowledge tracing[C]//International Conference on World Wide Web. New York： ACM Press， 2017：765-774.

[19] SHEN S H， LIU Q， CHEN E， et al. Convolutional knowledge tracing： modeling individualization in student learning process[C]//43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM Press， 2020：1857-1860.

[20] 叶韵.融合学习情绪的学习者知识状态建模及在中学生在线学习中的应用[D].杭州：浙江工业大学，2020：25-28.

[21] 闾汉原，申麟，漆美.基于“态度”的知识追踪模型及集成技术[J].徐州师范大学学报(自然科学版)，2011，29(4)：54-57.

[22] LU Y， WANG D， MENG Q， et al. Towards interpretable deep learning models for knowledge tracing[C]//International Conference on Artificial Intelligence in Education. Berlin： Springer， 2020：185-190.

[23] ZHANG L， XIONG X， ZHAO S， et al. Incorporating rich features into deep knowledge tracing[C]//ACM Conference on Learning @ Scale. New York： ACM Press， 2017：169-172.

[24] YANG H， CHEUNG L. Implicit heterogeneous features embedding in deep knowledge tracing[J]. Cognitive computation， 2018，10(1)：3-14.

[25] 易成岐.社会网络的信息传播机制及控制方法研究[D].哈尔滨：哈尔滨理工大学，2016：33-34.

[26] 李振，周东岱.教育知识图谱的概念模型与构建方法研究[J].电化教育研究，2019，40(8)：78-86，113.

[27] 刘思媛.深层稀疏自编码器的人脸识别降维研究[D].西安：西安理工大学，2018：35-44.

[28] SCHMIDHUBER J， HOCHREITER S. Long short-term memory[J]. Neural comput， 1997， 9(8)： 1735-1780.

[29] 郑庆华，董博，钱步月，田锋，魏笔凡，张未展，刘均.智慧教育研究现状与发展趋势[J].计算机研究与发展，2019，56(1)：209-224.

作者：李振 周东岱

基于热点知识的远程教育论文 篇3：

整合技术的学科和教学知识框架的发展：从TPACK、TSACK到TMACK

【摘 要】

TPACK(整合技术的学科和教学知识)对于信息时代教师知识结构框架的研究具有重要的意义，本文试图从宏观上对该理论框架进行拓展，提出TSACK(整合技术的学科和学习策略知识)和TMACK(整合技术的学科和方法论知识)，并讨论补充后的理论框架的理论和实践意义。

【关键词】 TPACK;TSACK;TMACK

引言

教育过程，总的目的是人的发展、知识的传承与创新。而知识的传承少不了教育过程中的人——教师和学生，这两个主体也是古往今来所有教育活动讨论的焦点，也产生了很多影响深远的教育思想。比如，主体性哲学视教师为教学中的主体，学生为教学中的客体，也因此出现“银行储蓄式教育”[1]，或者我们常说的“填鸭式教学”等以教师为中心的教学观念。随着教育研究的进一步发展，学生逐渐走向教育的中心，于是，“自主学习”“探究式学习”等理念近年来深入人心。而且，在信息时代，学生的这种主体性尤为明显。有学者认为，现代教育技术应用于教学的过程，经历了CAI (Computer-assisted instruction)、CAL(Computer-assisted learning)到WebQuest(基于网络的探究)、TELS(Technology Enhanced Learning in Science)等阶段，这些阶段都特别强调“技术”以及“学生对技术的自主应用”，相对忽视“教师所需的知识”和“教师在将信息技术整合于学科教学过程中的重要作用”[2]。因此，在信息化教育实践中反思教师的作用后，美国教育界提出了TPACK(Technological Pedagogical and Content Knowledge，整合技术的学科和教学知识)框架，这一框架从教师知识的角度出发，是对技术与教学整合进行研究的结果[3]。至此，教师的知识结构在信息时代教学决策和教学行动的研究中又重新得到重视。

当然，对教师的重视并不意味着“银行储蓄式教育”的回归，而应当是一种视教师和学生为教学“双主体”的教育思想，这是“对话式教育观”[4]的表现，也是现代主体间性哲学在教育中的体现。它倡导主体间的相互交往行为，构建以平等的对话、理解、交往、合作为特征的实践关系。但是，文献中的TPACK在重新关注教师技术知识、学科知识、教学法知识在一定语境中整合的同时，忽视了另一个主体——学生的知识框架的整合。这是本文试图探讨和研究的问题。

TPACK的发展

TPACK框架的形成是一个逐步发展的过程。它基于PCK(Pedagogical Content Knowledge，学科教学法知识)框架，是信息时代的新环境、新要求对PCK的补充和发展。

1. PCK框架

为了理解教师在教学中所具备的基本知识，1986年，斯坦福大学Shulman教授提出了PCK框 架[5][6]，他的研究认为：教学中，任何学科的教师具备的基本知识结构应该包括：① “学科知识”(CK：Content Knowledge)，即如何组织和呈现能够直接教授给学生的学科知识，以及在某一学科领域学生会遇到的一般概念、误解和难点知识;② “教学法相关的知识”(PK：Pedagogical Knowledge)，即在教学中能够解决学生需求的教学策略知识。这两种知识结合在一起就是“学科教学法知识”(PCK：Pedagogical Content Knowledge)。一位教师既要了解所教授学科的知识，即具备相关学科的基础知识，也要知道如何教授这些知识，即具备一定的教学法知识。PCK框架的提出增强了不同学科教育研究中对教师素质的认识，在随后的研究中被广泛应用。

2. TPACK框架

信息时代，技术的飞速发展对教育产生了巨大的影响。相应的，PCK框架下的教师知识也远远满足不了信息时代的要求。作为教师，如果只具备专业学科背景知识和教学法知识，已经难以应对信息时代的环境、新的技术设施、新的师生交流平台，以及能够熟练使用计算机和网络的学生。在这种时代发展的背景下，教师的知识结构也要发生一定的改变。美国学者Mishra和Koehler认为PCK框架存在一定的局限，应该在原有的框架基础上加上信息时代的技术知识，他们提出TPACK(Technological Pedagogical and Content Knowledge)框架(图2)[7][8]。其基本观点为：信息时代的教师既要具备传统教学要求的学科知识和教学法知识，还应整合一定的技术知识(TK：Technological Knowledge)。因此，PCK框架在加上TK之后，就发展成“整合技术的学科和教学知识”。具体来说，按照TPACK框架，信息时代的教师在能力和知识结构上要具备的最基本要素是：专业领域的知识、教学法和现代教育技术的有机结合。这三个基本的要素通过组合进一步形成：TCK(Technological Content Knowledge，融合技术的学科知识)，PCK(Pedagogical Content Knowledge，学科教学法知识)，TPK(Technological Pedagogical Knowledge，融合技术的教学法知识)。最后，这三者优化组合成TPACK。在具体的教学语境(Contexts，也称境脉)中TPACK的具体表现不尽相同，且呈动态发展的趋势。但对于一个信息时代的教师来说，如果缺少一种或者其中某两种知识结构，则需要在教学实践中学习和提高。

这一框架在2006年正式提出来后，在国外教育教学研究中受到极大的重视，并成为国外学术界广泛关注的前沿热点之一[9]。相关研究主要集中在：TPACK的本体研究、培养策略研究、测量方法研究、教师培养研究、课程融合研究[10][11]，TPACK对教育决策管理层的影响研究等方面[12]。国内学术界的关注也逐年增加，既有最开始的介绍性研究[13][14]，也有教师培训中的实践[15][16]，学科教学中的课程融 合[17]，思辨思维能力发展[18]等等。

TPACK自正式提出到现在也才几年的时间，在受到国内外学术界的重视的同时，文献中对它的质疑也有不少讨论。主要有：

1. 对TPACK本身理解的质疑

例如：有的学者认为，TPACK框架的抽象程度较高，且尚处于初级阶段[19][20]，或者概念上模糊不清，理论上没有牢固的基础[21][22]。也有学者认为，从技术发展的角度[23]或教师知识和实践关系的角度[24]来讲，TPACK都是一个动态发展的融合体。因此，如果没有对技术、内容、教法三种知识的融合机制做深入的研究，一味宽泛、模糊地使用TPACK标签，则很容易造成其本身“理论意义的弱化和实践指导力的架空”[25]。针对这一点，焦建利、钟洪蕊认为：Shulman有关PCK的理论是概念性和分析性的，TPACK也应如此[26]。因此，还要在今后的研究中继续细化对该框架具体指标体系的研究。

2. 这一框架对教师知识结构的表述还不够准确

首先，有的研究质疑该框架包含的内容还不完整，还应加上教学中的“情感因素”“系统组织因素”，以及“认知因素”[27];其次，教师的技术知识、学科知识、教学法知识三者各自的权重比例也是一个复杂的过程。Archambault和Crippen[28]试图用TPACK框架来测量教师的知识结构，结果在一项针对596位教师的研究测量中发现：不同教师的教学法知识和技术知识之间存在着巨大的差距。因此，学科知识、教学法知识、技术知识在TPACK中的权重比例是一个复杂的过程，现阶段不是一个简单的测量能够完成的。Cox通过访谈专家也认为“TPACK研究尚处在初级阶段，不宜进行量化测量”[29]，Cavanagh和Koehler对有关TPACK评估工具的效度研究也印证了这一观点，该研究认为“从测量的角度来讲，TPACK的研究还处于‘幼儿’时期”[30]。另外，本文认为，教师的学科知识在实践中普遍存在着本学科和其他学科融合和交叉的现象，那么其他学科的知识算不算学科知识的范畴?学不学?用不用?如何衡量?等等问题也是需要进一步表述的。

3. 对现代教育技术知识作用的定位有一定分歧

当Shulman提出PCK框架的时候，技术并没有成为教师知识结构的重要组成部分，主要是因为传统的技术(纸张、书本、印刷术、粉笔等等)在漫长的历史长河中已经“平常化”，成为生活、学习中的一部分，从而隐性存在。而以网络和计算机为代表的现代技术，发展迅速，对教育过程的深入影响在短时间内显现，很大程度上加快了整个知识结构、教育系统的动态运转速度。因而，TPACK框架有助于我们认识技术的重要作用。那么，一旦现有的信息技术在将来变得不那么显性，而是成为日常生活和学习中一种平常事物的时候，TPACK将不复存在，Shulman的PCK将会再次回归[31]。

虽然关于TPACK的研究存在上述的局限性，但总的来说，在最初提出的时候，这一理论框架并不是以寻求全面、深入分析或测量教师知识结构为目的，它的提出只是让我们从多角度去了解教学、了解课堂。从横向的知识结构上来说，并不是学科、教学法和技术知识的简单叠加，更不是一种均等的融合;从各种知识本身的纵向发展来说，学科知识不断在更新，技术不断地推陈出新，教学法知识也会因环境、学生、学科知识、技术等进行调整。因此，TPACK不是一个静态不变的，而是一个动态发展的融合体。这个融合体存在于教学过程中，紧紧地围绕着教学中教师和学生的实践行动。

关于TPACK的未来研究方向在文献中有：丰富和完善其概念;深入具体学科研究教师实践;拓展对TPACK发展过程的研究视角;以及关于评价与测量方法的研究等[32]。也有学者建议：今后要关注在学科领域里探讨TPACK;TPACK和教师实践、教师信念的关系;以及与这两方面对应的评价与测量[33]。下文中，作者将从TPACK概念的丰富以及研究视角的拓展两个方面展开。

从TPACK到TSACK看

学生的知识能力结构

TPACK提出的最初是因为教学中过于强调现代教育技术的作用，以及数字环境中的学习者自主，忽视了教师所需的知识和教师在知识整合过程中的重要作用[34]。但是，这一框架在强调教师知识结构的时候，却又忽略了教学过程的另一个主体——学生，以及与TPACK框架对应的学生主体所需要整合的知识结构。这是本文最基本的突破点。

课堂研究可以从不同的角度展开，但最根本的几点要素是：教师、学生和教学实践活动。任何与课堂相关的实践都表现为师生角色的定位、师生之间的对话与互动。数字时代，技术在很大程度上优化了人与人之间信息沟通的渠道，拓展了人与人之间对话、互动的空间，让更多的学习者自主成为可能。因此，教师更多的是作为学习的组织者、促进者参与教学，对学生自主的强调使得教师的作用处于相对隐性的状态。在对学校消亡论、教师消失论这些问题的担忧与反思中，TPACK框架让我们重新审视教师角色的重要性，让我们充分认识到了信息时代对教师的知识结构和能力的新要求。那么处于教学活动显性状态的学生呢?

Freire[35]在反对“储蓄教育观”这种灌输式教学时提出“对话式教育观”，通过提问式教学(problem-posing education)激发学习者的能动性。他认为，教育不应只是知识的积累和填充，而应该是在人与世界、人与人之间的交往中，不断地提出问题，继而展开相互交流与对话。而信息时代，“研究型学习”“探究式学习”“任务型学习”“基于项目的学习”“行动学习”“自主学习”“翻转课堂”等的蓬勃发展，目的是为了促进学生知识和能力素养等的提高。如果将学生的学习和TPACK对应起来，我们发现，文献中，TPACK要求教师知道如何通过使用新技术，将某一学科的教学活动与相应的教学策略进行协调，以促进学生的学习[36]。学生在这种环境中，以下的知识或技能得以提高：

其一，现代信息技术环境下的基本信息查询、信息处理、信息输出等“信息素养(information literacy)”，或者是“数字化素养(digital literacy)”“21世纪素养(21st century literacy)”等技术知识与素养。尽管数字技术也会导致数字化鸿沟、面对面交流的减少、深层协作的缺乏、对技术的依赖，以及数字化教学给师生带来的过多负担等。但是，在信息技术逐渐融入社会生活的二十一世纪，对信息的高效处理已经是教育活动、社会生活中必不可少的一部分。这一点对于教师意义重大，对于肩负社会未来发展和进步使命的学习者更加重要。至于技术的局限性，我们则要通过其他的知识和技能去改进、突破与创新。

其二，关于相关领域的学科知识和素养。任何学科领域的知识和能力要求都是教育过程中的核心部分，无论是什么教学方法、学习策略，其最重要的目的之一，就是通过某一学科或不同学科知识的展示、探究、发现、协商、创造、再创造等过程，进行知识的传承、革新与发展。

其三，通过提问、质疑、比较、分析和讨论等逐渐形成的有关学习策略、学习方法的知识和素养。有了一定的学科知识作为核心，有了更加便捷的技术平台，教师可以采用一定的教学方法、教学理念，充分利用新的教学手段，来帮助学习者开展学习实践。而对于学习者来说，实践的过程必然会涉及各种学习技巧、方法等策略性知识或技能的学习、实践和提高。

其四，在实践中学习和积累这些知识、素养的过程中，基于不同语境(Contexts，也称境脉)表现出来的社会、文化、历史、情感、态度、学习动机等其它因素的整合。任何学习都处于一定的语境、社会文化背景中，是一种“在场”的活动，文献中的相关理论和研究非常丰富。如：学习动机研究、学习态度研究等等。

总的来说，上述现象仅凭TPACK框架是无法全面解释的。但是，学生的这些现象却和教师的TPACK有着十分密切的联系。例如，学生的学习态度、学习动机、学习习惯、高阶思维，以及学习获得知识的过程所发生的变化，其实践过程表现为——教师教学方法的改进，导致学习者在策略或方法上相应的改变。这些改变与教师教学法知识(Pedagogical knowledge)的改变存在着一定的正相关。也就是说，从主体间性哲学的角度出发，教学中教师和学生的知识结构并不是孤立分开的。作者认为：这些知识结构从教师的角度来看是TPACK，从学生的角度来看则是TSACK，即“整合技术的学科和学习策略知识”(Technological， Strategic and Content Knowledge)。因此，TPACK框架解释了教师的能力和知识要求，TSACK框架可用来解释学生所需要具备的能力和知识。TSACK是针对教师知识结构而提出来的，能够将有关学生能力和知识结构的各种研究理论和实践进行系统、全面地整合，是对TPACK框架的拓展和补充。

TSACK的基础上，我们再来看看课堂。课堂上，教师基于自己的技术知识、对技术使用的理解，将相关学科的知识，通过自己的教学理念、方法及策略，以相应的方式体现在某一特定语境的课堂或教学活动中。与此同时，学习者通过自己的技术知识以及教学过程中教师或其他学习者的技术表现，对相关学科知识，通过背诵、记忆、理解、应用、探究、批判、反思等等学习策略，学习、积累和内化这些知识。最终成长和发展成为一个具备融合不同知识结构的人。Biggs认为，这是一个由浅层学习逐渐发展到深层学习的过程[37]，这一过程的最终结果就是人的发展。

这一过程中，教师在实践中不断地修正自己对技术和学科知识的理解，不断反思自己的教学方法和策略，最终表现为一个成熟的、能够灵活整合TPACK各种知识结构的教师。这种知识和技能的整合是教学理念在方法论上的升华。学生也是在实践中不断地通过课堂与各种信息平台，在学科知识与个人经历、同伴经历、教师经历以及社会、文化、历史语境之间建立充分的联系，完成知识的学习和方法策略在方法论上的提升。总的来说，学生和教师的发展是不可分割的，是一个相互促进、相互提高的过程。教师如果在方法论上形成的是“教师为主体、学生为客体”的理念，体现在教学中就可能是“填鸭式教学”，以知识的传授为主，表现在学生学习中就是背诵和记忆为主的学习方法和策略;教师如果在方法论上表现为“教师和学生都是主体，是相互对话、共同发展的关系”的理念，教学中就会激发“问题式”“对话式”“思辨式”“探究式”的教学实践，学生的学习中就会逐渐形成以反思和批判为主的深层次学习。学生的能动性被激发，学到的不仅仅是知识，更重要的是处理知识和信息的思维和方法。

因此，体现在教师教学方法上的能力与学生学习方法上的策略，从根本上来说都是方法论的范畴，都是一种提出问题、分析问题、解决问题的高层思维，而这种高层的方法论思维是人类发展过程中所共同追求的，是一种方法论知识(Methodological Knowledge)。综合上面的分析，教育活动的最终目的就是教师和学生得到共同发展。这一过程中需要具备的知识和能力结构就是TMACK(Technological Methodological and Content Knowledge)，或者表述为：TMACK=TPACK+TSACK (图3)。

某种意义上说，TPACK“直观、易于沟通”，“理论上是一个非常复杂的概念，容易导致学术争论”[38]。 在描述教师知识特征的“普适性、严密性”与“灵活性、创造性”两极之间，TPACK更加倾向于基于语境的灵活和创造的一端[39]。因此，本文认为：TPACK由于包含的内容过于复杂，在对这一理论进行发展的时候，更适合在宏观上延伸，充分展现其灵活性和创造性。灵活性的表现主要在于其理论上的“混合”与“融合”。其创造性在本研究中表现为将教师知识结构拓展至学生的知识结构，进而上升到教育中教师和学生两个主体带有共性的知识结构。例如，通过TMACK，我们在理解翻转课堂时，就会意识到，课堂的翻转只是形式上的翻转，其本质上还是教师、学生的发展。同样的道理，在这一框架下，混合学习理论不仅仅只是传统课堂学习模式和网络学习模式由对立走向融合的产物。更重要的是，混合学习体现了技术、学科知识、方法论知识在具体教学语境中的融合，既有教师的TPACK，也有学生的TSACK。也因此，那些质疑混合学习理论的观点，如“混合学习是一个毫无意义的概念……难以想象哪种学习不是‘混合的’”[40]等，在TMACK框架下就可以迎刃而解。TMACK强调教和学的优势结合，代表了一种教与学的和谐统一。

另外，强调宏观的发展并不意味着微观层面上的回避。从微观的角度来看，TMACK涵盖的技术、学科知识、方法论知识的整合过程就是实践，是具体语境中的实践。对技术知识、学科知识、方法论知识的衡量是要在具体教学活动中进行的，受到具体语境中的社会、文化、历史、情感(人的信念、态度、动机)等复杂因素的影响。而与这些因素相关的微观研究和实践在文献中已有大量的记载，这些都可以理解为TPACK、TSACK、TMACK框架在实践中的具体表现。本文认为：TPACK、TSACK、TMACK的构成要素是综合的、解释性的、指导性的，有助于对现有的各种理论和实践研究进行梳理，而不是去整体解决或全面测量教学实践中的每一个微观现象。这也是目前关于TPACK评价量表研究陷入困境的原因之一。而行动研究一般是基于某一语境中教学或学习中的具体问题展开的，相对来说容易评估和测量。因此，今后的研究中要注重用这些框架来指导具体的教师行动研究、学生行动研究，通过师生行动中的实践来完善对这些理论框架的理解。

那如何关注实践行动中的TMACK的发展呢?首先，近两年来学术界的一些研究已经表现出这种趋势。Jamani和Figg在教师培训研究中提出“实践中的TPACK(TPACK-in-Practice)”[41]来指导教师的培训，试图在TPACK理论和实践行动中搭建一座桥梁。该研究强调两点：TPACK指导教师培训要以内容为主导，而非技能为主导;以某一学科专业知识带动TPACK的融合。Tai开展“行动中的TPACK(TPACK-in-action)”[42]以及Yeh等学者有关“TPACK实践性(TPACK-practical)”[43]的研究也强调具体学科实践中的研究。另外，Hutchison和 Woodward[44]关于信息时代读写素养教学的研究中，强调将TPACK置于具体的教学目标，并构建一种类似于行动研究循环的设计，将TPACK的各种知识和具体的教学要求在不断尝试和反思中逐渐融合并发展。作者认为：这些研究代表了TPACK走向指导具体实践这一方向的发展趋势。但是，在理论拓展方向上，文献中鲜有提及。而本文提出的TSACK、TMACK针对这一点有继续探讨的潜力。用TPACK、TPSACK和TMACK指导教学行动，要注意以下几点：

第一，“教师和学习者”是一切教学行动的出发点和落脚点。不能过于强调教师的权威和主导地位，也不能师生身份转换，让学生完全取代教师的传统地位。任何教学中，教师TPACK的发展始终不能脱离学生TSACK的发展，他们是教学行动的动机、目的和过程。教师TPACK的提高通常伴随着学生相关知识和素养的提高。一般的行动研究关注“教师作为研究者”，这里，我们也要重视“学生作为研究者”。

第二，TMECK指导下的“教师研究者”和“学生研究者”都要强调学习过程中“浅层知识向深层知识”的发展方向。由浅层的知识积累、记忆等教师教学法、学生学习策略与方法，发展成为注重多角度思维、理性思辨与判断等更高层的学习和思维，意味着TMACK中技术、学科知识、方法论思维在教师和学生中的综合提高。这也是教师培训、教学行动的最终目的。

第三，遵循具体教学行动中“实践—反思—实践”的循环发展，在实践中反思，在反思中实践。同一个教学实践，对教师来讲，是针对教学中的具体语境，提出问题，分析问题，并结合技术、学科知识和教学法提出解决方案，展开行动，针对具体问题进行评估、反思。然后教师在继续实践和不断反思中逐步完善TMACK。与此同时，对于学生来讲，针对具体的学习问题，学生在与教师或同伴的合作中分析，并结合技术、学科知识和相应学习策略方法提出解决疑难或学习知识的方案，展开行动，针对问题点或知识点进行评估、反思。继而在不断进一步实践和反思中TMACK得到发展。

因此，TMACK指导下的教学或学习过程，不寻求用TMACK一个框架全面解决或测量所有学科研究的细节，而注重针对教学或学习中某一个具体问题，在这一框架下形成一个系统和全面的认识，而评估和测量只需要在具体问题(如语言学习中的思辨素养、翻转课堂的教师角色等)中细化即可。Brantley-Dias和Ertmer[45]用“Goldilocks Principle”(金凤花原理)评价TPACK的不足，认为有的理论概念太大，适合宏观发展;有的太小，适合微观细化。而TPACK则由于太大、涵盖太多以至于难以测量。本文认为：TMACK相对TPACK更加宽泛，但是其理论上的现实指导意义还是有一定价值的，只要针对具体教学中的问题，研究中进行相应的评估可以实现。

结 语

本文从详细回顾和分析了TPACK框架的形成、发展的研究现状和局限性，围绕着教学中的主体“教师和学生”的共同发展，展开对TPACK的理性反思和理论发展。作者认为，TPACK只是关注了教师的知识结构框架，而忽略了与之对应的学生知识结构。本文主要从宏观的角度，以理论发展为出发点，提出TSACK和TMACK两个框架来完善和加深对TPACK的理解和探讨。作者指出，从TPACK到TSACK和TMACK的发展表明：理论上，这些框架倾向于宏观，是分析和解释性的;实践上，更适合指导和解释具体实践中的现象。而对于其全面和整体评价方案，或者测量工具的设计和制定，本文建议现阶段不宜全面展开。以后的研究中，TPACK、TSACK以及TMACK适合在具体教学语境中针对某一具体研究问题，结合已有的相关理论，然后通过这些框架来解读和分析。

[参考文献]

[1][4][35] Freire， Paulo. Pedagogy of the Oppressed[M]. London： Penguin Group. 1972.

[2][34] 何克抗. TPACK——美国“信息技术与课程整合”途径与方法研究的新发展(下)[J]. 电化教育研究，2012，(06)：47-56.

[3][9][22][23][24][25][26][32][36] 焦建利，钟洪蕊. 技术—教学法—内容知识(TPACK)研究议题及其进展[J]. 远程教育杂志，2010， (01)：39-45.

[5] Shulman， Lee. Those who understand： Knowledge growth in teaching. Educational Researcher[J]， 1986， 15(2)： 4-14.

[6] Shulman， Lee. Knowledge and Teaching - Foundations of the New Reform. Harvard Educational Review[J]， 1987，57(1)：1-22.

[7] Koehler， M. J.， & Mishra， P.. Introducing TPCK. In J. A. Colbert， K. E. Boyd， K. A. Clark， S. Guan， J. B. Harris， M. A. Kelly & A. D. Thompson (Eds.)， Handbook of technological pedagogical content Knowledge (TPCK) for educators[M]. New York ; London： Routledge. 2008.

[8][19] [31] Mishra， P.， & Koehler， M. J. Technological pedagogical content knowledge： A framework for teacher knowledge. Teachers College Record[J]. 2006， 108(6)：1017-1054.

[10] 徐鹏，张海，王以宁，刘艳华. TPACK国外研究现状及启示[J]. 中国电化教育，2013，(09)：112-116.

[11][33] Voogt， J.， Fisser， P.， Pareja Roblin， N.， Tondeur， J.， & van Braak， J.： ‘Technological pedagogical content knowledge - a review of the literature’， Journal of Computer Assisted Learning[J]. 2013， 29 (2)：109-121.

[12] Thomas， T.， Herring， M.， Redmond， P.， & Smaldino， S.： ‘Leading Change and Innovation in Teacher Preparation： A Blueprint for Developing TPACK Ready Teacher Candidates’， TechTrends[J].2013， 57(5)：55-63

[13] 陈静. 整合技术的学科教学法知识视阈下教师的教育技术能力培养[J]. 电化教育研究，2009，(6)：29-32.

[14] 焦建利. TPACK - 一种信息技术与课程整合的框架[EB/OL]. [2009-6-3]. http：//jiao.blogbus.com/logs/36052058.html.

[15] 王燕. TPACK视阈下高校教师岗前培训模式研究)[J]. 中国电化教育，2014，(03)：119-124.

[16] 詹艺. 基于TPACK框架的话语分析：师范生在教学设计过程中关注什么?[J]. 远程教育杂志，2011，(06)：73-78.

[17] 舒晓杨. TPACK 框架下教师专业发展的全程透视：从教学辅助到课程常态化的融合[J]. 外语电化教学，2014，(01)：54-58+64.

[18] 王琦. 外语教师TPACK建构中的思辨思维教学[J]. 西北师大学报(社会科学版)，2013，(04)：88-93.

[20][30] Cavanagh， R.F.， & Koehler， M.J.： ‘A Turn toward Specifying Validity Criteria in the Measurement of Technological Pedagogical Content Knowledge (TPACK)’， Journal of Research on Technology in Education[J]. 2013， 46 (2)：129-148

[21] Niess， M. L. Investigating Tpack： Knowledge Growth in Teaching with Technology. Journal of Educational Computing Research[J]. 2011，44(3)： 299-317.

[22][45]Brantley-Dias， L.， & Ertmer， P.A.： ‘Goldilocks and TPACK： Is the Construct "Just Right?"’， Journal of Research on Technology in Education[J]. 2013， 46 (2)：103-128.

[23] Graham， C. R. Theoretical considerations for understanding technological pedagogical content knowledge (TPACK). Computers & Education[J]. 2011，57(3)：1953-1960.

[24] Doering， A. ， Veletsianos， G.， Scharber， C.， & Miller， C. . Using the technological， pedagogical， and content knowledge framework to design online learning environments and professional development. Journal of Educational Computing Research[J]. 2009，41(3)：319-346.

[25][39] 张静. 三重视角下融合技术的学科教学知识之内涵与特征[J]. 远程教育杂志，2014，(01)：87-95.

[27] Avidov-Ungar， Orit， & Eshet-Alkalai， Yoram. TPACK Revisited： A Systemic Perspective on Measures for Predicting Effective Integration of Innovative Technologies in School Systems. Journal of Cognitive Education and Psychology[J]. 2014，13(1)：19-31.

[28] Archambault， Leanna， & Crippen， Kent. Examining TPACK Among K-12 Online Distance Educators in the United States. Contemporary Issues in Technology and Teacher Education[J]. 2009， 9(1)：71-88.

[29] Cox， S. A conceptual analysis of technological pedagogical content knowledge [D]. Brigham Young University. 2008.

[37] Biggs， John. Student Learning Research and Theory - where do we currently stand? In G. Gibbs (Ed.)， Improving Student Learning - Theory and Practice[M]. Oxford： Oxford Centre for Staff Development. 1994.

[38] 吴焕庆，丁杰， 余胜泉. 整合技术的学科教学法知识(TPACK)研究的现状和发展趋势[J]. 远程教育杂志，2012，(06)：94-99.

[40] Cross， Jay. Foreword. In C. J. Bonk & C. R. Graham (Eds.)， The handbook of blended learning ： global perspectives， local designs (1st ed.). San Francisco： Pfeiffer. 2006： xvii.

[41] Jamani， K. J.， & Figg， C. The TPACK-in-Practice Workshop Approach： A Shift From Learning the Tool to Learning About Technology-Enhanced Teaching. Proceeding of the 8th International Conference on e-Learning [C].Cape Town. June 27-28， 2013：215-223.

[42] Tai， S.-J. From TPACK-in-Action workshops to English classrooms： CALL competencies developed and adopted into classroom teaching[D]， Iowa State University. 2013.

[43] Yeh， Y.-F.， Hsu， Y.-S.， Wu， H.-K.， Hwang， F.-K.， & Lin， T.-C.： ‘Developing and validating technological pedagogical content knowledge-practical (TPACK-practical) through the Delphi survey technique’， British Journal of Educational Technology[J]， 2014， 45 (4)：707-722.

[44] Hutchison， A.， & Woodward， L.： ‘A Planning Cycle for Integrating Digital Technology Into Literacy Instruction’， The Reading Teacher[J]. 2014， 67(6)： 455-464.

收稿日期：2014-05-30

作者简介：阮全友，香港大学教育学院在读博士;杨玉芹，香港大学教育学院在读博士。中国香港特别行政区香港大学许爱周科技楼教育学院。

责任编辑 池 塘

作者：阮全友　杨玉芹