一、学业预警与干预的研究态势
1学业辍学预警
学业辍学预警主要是预测学习者是否会在课程完成之前离开课程,结果通常是二元的。当前,关于网络学习辍学的研究大多集中在归因分析上,主要可分为两个方面:一方面是探究学习者的行为模式与辍学之间的关系,利用相关分析来了解影响学习者网络课程成功与失败的因素,加深对学习者辍学原因的理解;另一方面是建立辍学预测模型,在恰当的时机及时提供适当的干预以帮助学习者,降低辍学率。确定最佳的输入数据集，是学业预警的前提。网络学习空间高辍学率的影响因素主要有学习者的自主学习动机、自我调节能力、课程教学内容、过程、先前的学习经验等。其中,较高、持续性的学习动机能够使学习者具备较低的拖延能力,是网络学习成功的关键;自我调节能力有助于学习者自我管理、主动计划与实施学习过程,是预测学习者是否辍学的重要指标之-,具有显著的统计学意义。网络课程辍学率研究的另一个主要趋势是建立学习辍学预测模型,基于确定的影响因素,利用预测建模技术(如贝叶斯轮廓回归技术、人工神经网络等),实时追踪学习者的学习进度,识别早期有风险的学习者,最后通过教学实践分析验证模型的准确率。例如,Waheed等基于深层的人工神经网络,通过分析网络学习环境中学习者的点击流数据来预测学习者失败的风险。
二、学业预警与干预的关键问题
1促进学业数据共享整合
迈入大数据时代,数据价值日渐凸显,数据的获取与采集是网络学习空间中学业预警与干预的基石。学习平台作为网络学习空间中教与学活动实施的环境保障,是有效支持学生交互数据生成 与整合的基本途径。由于利益博弈、安全保障等原因,各平台采用不同的数据标准, 数据资源彼此孤立,导致不同平台生成的学习数据互不兼容,数据离散度增加,为全面分析与精准预测带来很大阻碍。
2增加对非结构数据的分析
影响因素选取的恰当与否,对风险识别结果的精准度有显著影响,也直接影响后续预警策略的制定与实施。当前研究多基于外显学习数据进行学业预警,如次数、 时长、分析等指标等;而对学习情感、反思日志等内隐数据的关注度不高,造成数据的全面性、完整性欠缺。在非结构化数据量增加的背景下,研究者若仅仅挖掘和分析结构化数据,就易因数据广度与深度的不完整而引起预警结果偏差,从而降低精准性,影响干预效果。
3重视对预警技术的选取
选取高效、快速、精准度高的学业预警算法,是决定网络学习空间中学业预警高质量发展的关键。在预警技术方面,学习分析与数据挖掘技术的更新迭代与发展,为预警系统提供更快速、稳定、低成本的技术支持。值得关注的是,目前尚没有明确的主导技术来实现对网络课程学习者的精准预警,而多倾向于使用线性回归、支持向量机、决策树、朴素贝叶斯、神经网络等某一种算法。
三、思考与展望
1深化网络学习空间中学业预警与干预理论研究
目前,对网络学习预警的因素选取和模型判定通常都采用实证研究,运用各种技术探究不同数据指标对学习结果预测的准确性,大多注重对数据的挖掘。然而,有关网络学习预警的研究较少提及所依据的理论框架,缺少对学习者学习内部作用机制和网络课程教学设计理论的分析, 这使得教师难以正确分析学习者学业失败的真正原因,因而无法及时采取有效的干预措施,尚未形成在理论基础上深入性的实践研究。因此，有必要进行系统的理论研究,将心理学、神经科学等理论和学业预警与干预相结合,在注重理论体系完备性的同时重视理论应用在网络学习空间精准预警与干预研究中的适用性,以增强学业预警与干预研究发展的稳健性和深入性。
2探索面向网络学业预警的文本挖掘应用研究
虽然学习者行为数据能够预判学习效果,但学习过程中的内在主观因素未得到显著体现。学习者在网络学习空间中进行讨论论坛、答疑回复、协作交流、学习笔记、评价反思等交互活动时,均会生成文本数据，且网络学习平台为学习者营造了更自由、更开放的言论空间,使文本中蕴含了大量彰显独立人格、情感态度的有价值的教学信息。基于学习者文本数据的复杂性、内隐性、语义性、高数据量等特点，国内外研究者设计并开发了较为丰富的自然语言处理工具,在语言特征的提取、文本聚类、关系构建等方面取得了一定的成果,提高了文本分析的准确率。未来的研究可结合学科专家、一线教师、 教育研究者等共同建立的专业词典,探讨从海文本内容中挖掘学习者认知、情感、元认知等的方法。
结语
目前，以人工智能、区块链、情感计算等为代表的新型信息技术正推动教育教学向智能教育、智慧教育转变,使得教育体系正发生深度变革与重构,也为网络学习空间中学业预警与干预带来了更多的发展空间。未来还需要进一步思考如何将这些技术进行有机融合,以满足网络学习者日益多样、个性化的学习需求。
参考文献
[1]郭凯伦.基于网络学习空间的探究性学习活动模型设计[J].中小学电教,2019(10):52-55.
[2]王琨.网络学习空间应用初探[J].新课程导学,2019(27):89.