量化自我技术支持的智慧学习设计*

张 文 李子运



量化自我技术支持的智慧学习设计*

张 文 李子运【通讯作者】

（江苏师范大学智慧教育学院，江苏徐州 221116）

量化自我技术具有满足智慧时代学习者多种需求的教育特性。基于量化自我技术在智慧学习中的应用点与立足点，文章从数据层、学习者行为层、学习流程层出发，为学习者提供了利用量化自我技术进行学习、实现学习效果提升的智慧学习设计图，并指出量化自我技术支持的智慧学习设计应重点关注学习起点、交互、评价环节的设计，期望能为学习者开展智慧学习提供参考。

量化自我；技术支持；智慧学习；学习设计

新媒体联盟（New Media Consortium，NMC）发布的《2014地平线报告（高教版）》[1]指出，量化自我（Quantified Self）将是未来4～5年高等教育中教育技术的重要发展。《2015地平线报告（高教版）》[2]仍将量化自我作为关键技术，并在中期趋势中提出量化学习（Measuring Learning）的概念，进一步加深了量化自我与教育教学的联系，强调量化自我在教育教学中的应用与推广。在技术变革教育的关键时期，大众一直都在呼唤教育变革，但一个不争的事实是收效甚微。因此，如何利用现代信息技术推动学习变革的真正发生，已成为具有实践意义的教育命题。

一量化自我的教育特性

1 学习者的元认知需求

自主学习将是未来学习者采用的最基本和最广泛的学习方式之一，学习者唯有认识、把握和实践自我，才能最大效度地利用优质教育资源，实现学习效果的最优化。学习者不仅要对知识进行认知，更重要的是对自身进行认知，具备元认知能力。认识自我是学习者实现自主学习的前提，也是实现自我管理的基础[3]。量化自我技术的伴随采集功能与学习者认识自我的需要有着天然的契合性，利用量化自我技术能够提高学习者的元认知能力，弥补学习者的元认知缺陷，因此，量化自我技术必将成为学习者认识自我的关键技术。

2 碎片化时代的高效学习需求

碎片化时代学习者往往不能对一个学习内容保持长时间的关注，但是传统学习方式和学习内容的结构性却又要求学习者必须对内容之间的连贯性保持着敏锐感知，这就导致了部分学习者学习效率低、学习效果差。智慧学习更强调学习者的个性需求，这就对指导者提出了更高要求：如何使有限的资源适应不同的学习需求。通过量化自我技术获取、分析学习数据，为学习者提供合适的学习内容，有利于学习者高效地开展学习活动。量化自我技术对细微数据的把握无疑与碎片化时代的特征有其相容之处，故量化自我技术为未来学习者的高效学习提供了可能。

3 智慧学习的情感性和情境性需求

自主学习中一个亟需解决的问题，是学习者不能在学习中体会到与同伴交流、共同进步的成就感，不能及时从指导者的反馈中获得认同感，不能及时针对当前状况调整学习进度。这种情感缺失无形之中会损耗学习者的学习动机，降低其学习热情。利用量化自我技术能够部分代替学习伙伴与指导者的作用，在一定程度上解决了学习者遇到的问题，能给予学习者及时反馈。同时，面对枯燥的学习内容，学习者不能融入其中，因为缺少情境也是当前学习环境中存在的一个重大缺陷。任何一类学习事件的发生必然在一定的“场域”中进行[4]。而认知是身体与环境相互作用的结果，实践主体在空间内物理身体的参与是认知结构发生改变的前提条件，也是创新的基础[5]。这就指出了情境设置的迫切需求，利用量化自我技术深刻了解学习者，再结合其它现代信息技术为学习者虚拟学习情境，使其能够从外而内地改变认知，发生学习。将量化自我技术支持的交互作为一种技术与人的深度交互，在一定程度上弥补了人际交互的不足，并通过为学习者创设真实情境，能满足学习者的情感性需求与情境性需求。

4 多元评价方式的需求

学习是在学习者的内部发生的，学习本身并不能测量，而只能对学习结果进行测量。在传统的学习与教学中，指导者尚且没有办法直接对学习者的学习目标完成情况进行直接观察；而在网络学习、远程学习中，甚至没有办法直接观察学习者表现出来的具体行为，只能通过学习者的在线时长及其在测试中表现出来的认知水平来推测学习者的学习结果，这样做的弊端显而易见。教育工作者很早就意识到了这样的问题，也一直在寻求解决之道，从而提出了终结性评价、过程性评价、发展性评价等多种评价方式。但这些评价方式并没有很好地得以实行，究其原因在于学生的学习数据难以获取。基于数据的评价将克服传统评价方式的弊端，使得学习者的学习效果能够得到全面客观的评价，评价方式与评价渠道也将更加多元。

二量化自我在智慧学习中的应用

智慧学习是一种个性的学习，一种高效的学习，一种沉浸的学习，一种自然的学习，一种持续的学习[6]。现代信息技术是智慧学习开展的基础，量化自我技术也将在其中起关键性作用。

1 数据展现人文关怀

智慧学习必须对学习者原有的知识水平、心理发展水平、认知能力等有清晰的认识。但学习者的很多素质和心理活动很难被了解，因此学习设计往往与学习者的水平不相匹配。应用量化自我的一个主要目的，是通过收集和分析数据了解学习者没有表现出来的学习态度。美国远程教育之父魏德迈[7]提出自主学习有三条核心理论：“学习者根据自己的需要和条件选择教育目标和选学课程；学习者根据自己的需要和条件决定学习进度；学习者根据自己的需要和条件选择学习方式和考试方式。”事实上，智慧学习应赋予学习者更多的自由，而量化自我技术除了能让学习者更加了解自己，以及强化学习者与信息、技术的深层交互，还能激发学习者的分享动机，使学习者更乐于与其他学习者分享，而分享增加了人际交互，满足了学习者的情感需求，体现了智慧学习尊重学习者权利、公正公开、人性化学习以及持续关怀的价值。

2 支持知识双向建构与知识分享

在知识爆炸式增长的时代，学习知识固然重要，但更重要的是创造知识。《地平线报告（2015基础教育版）》指出，未来3～5年，学习者要从知识消费者转变为知识创造者。学习者不愿意也不能再被动地接受现成的学习内容，而应该在量化自我技术的支持下，通过分享、交流、反思，寻找适合自己的资源，并通过自己的知识建构，形成新的、完全适合自己的知识框架与结构。将量化自我技术应用于学习内容的组织是为了建立更好地学习流程，学习者能够主动参与，增强其自主完成学业的动机与自我效能感。同时，通过量化自我技术帮助学习者完成知识建构，促进有意义学习的发生。学习者在向外建构知识的过程中，也在向内调整认知结构，即进行认知结构的建构。因此，支持学习者基于量化自我技术来建构知识的目的主要有三点：①通过学习者的意义建构达到优化自身学习的目的；②在建构的过程中，鼓励学习者创造知识；③在建构创造的基础上，给学习者一个分享知识的平台，促使学习者交流进步。

3 支持深度协作学习

尽管智慧学习应该是自主的个性化学习，但不能否认协作学习也对学习效果有极其重要的影响。学习中的协作活动有利于发展学生个体的思维能力，增强学生的沟通能力，提升对个体差异的包容能力。量化自我技术是数据分析的前端技术，但正如前文所说，量化自我技术的重点不仅是数据的收集，更重要的是数据的分享。在应用量化自我技术的过程中，学习者会不断地分享自己的学习数据，同时对学习伙伴的数据充满了兴趣。当学习者对同伴的相关数据有了详细了解、分析后，必然能够加深对同伴的了解。如此，在协作学习的过程中，学习者之间的了解加深了，将有利于协作学习的开展，并且能够加深协作学习的开展深度，使得协作不仅仅是浅层次的知识交流，而是深层次的学习方式、学习理念的交流与协作。

4 建设创新模型

自主学习、协作学习都是学习模式的变革，但这些仅仅是外在形式的变革，而要从实质上变革学习模式，必须进行创新学习。量化自我技术为学习者提供了创新和开放的新机遇。学习者在使用量化自我技术的过程中，必将形成与众不同的量化方式与数据结果，这就带来了创新的契机。量化自我技术分享的不仅仅是数据，更多的是蕴藏在其中的想法、灵感、创意，在分享中创造出思维的火花，促成创新创造成果的产生。量化自我技术能够提高学习者的学习效率，这无疑为学习者创新创造能力的培养提供了可能性。创新是信息时代到来的本质特征，创新型人才是信息社会的内在诉求[8]。智慧学习作为未来学习的发展方向，担负着培养创新人才的责任，因此需要应用量化自我技术建设基于数据的创新模型，为学习者的创新创造提供可施展的平台。

将量化自我技术获取到的数据用于发展个性化学习、多元学习评价、绩效测评等，这些举措推动着一个新领域——数据驱动学习与评价的建立与发展[9]，而智慧学习必将是数据驱动的学习。

三量化自我技术支持的智慧学习设计

学习者认识到学习方式发生变革的时候，必然是其意识到自身的学习已经不能适应新的学习方式的时候。这时，学习者在各方面指导者的“帮助”下，依一时一事而动，只为适应学习方式的变化就耗损了大量精力。学习者关注的重点应是以不变应万变的学习规律，即利用量化自我技术收集数据、分析数据、分享数据，以破解隐藏在表象学习过程下的知识的习得过程或认知规律，如此才能实现真正的学习革命、实现真正的智慧学习。

1 数据层设计

量化自我的核心是数据，因此数据层的设计是量化自我技术支持的智慧学习的重要组成部分。数据处理是一个复杂的过程，主要包括数据的采集存储、信息的挖掘与分析、数据与分析结果的可视化呈现和反馈，以及用户对数据的分享与交流。

数据采集是指关注整个学习过程，收集学习者的学习行为、学习结果等信息，通过跟踪式的自动采集，旨在全面获取学习者数据。在采集结构化数据的同时，必须收集不同系统中的非结构化数据，保障分析结果的正确性、一致性和完整性[10]。数据存储是将采集到的数据信息依据一定的规则进行存储，便于后续的分析以及数据的查询等，提高分析的效率与准确性。

图1 量化自我技术支持的智慧学习设计

数据挖掘就是从大量的、模糊的、随机的数据中提取隐含的、但是又潜在有用的信息和知识的过程[11]。而数据分析则是指利用适合的分析工具和分析方法，对获取的数据进行处理。通过数据挖掘和数据分析了解学习行为背后的深层讯息，以此来帮助学习者更好地把握自己的学习过程，达到优化学习效果的目的。

可视化呈现是指运用可视化视频或图像存储、呈现分析结果，及时的数据反馈使学习者能够直观、全面、清晰地认识自己的学习状况。此外，可视化呈现还为实时分析提供了可能，能够直观地为学习者呈现学习数据的实时变化，一定程度上减少其它因素对结果的影响。

数据分享与交流是指学习者可以在平台上更新自己的学习数据，与此同时学习伙伴也能够看到这些数据，交流的内容甚至可以扩展到这些数据中来，实现真正意义上对学习的个性把握。

数据层是量化自我技术支持的智慧学习体系的基础，首先通过收集数据实现对学习行为及学习过程的监控，并通过数据分析与数据挖掘，获得学习者需要的信息，通过合适的形式将数据反馈给学习者，最终学习者可以分享、交流自己的学习情况。这是一个不断循环迭代的过程，并且贯穿于学习活动的始终，为学习者基于量化自我开展智慧学习提供有效的数据支持。

2 学习流程设计及学习者行为设计

学习流程是指学习者在面对学习任务时应遵循的一般学习步骤。依照步骤开展学习活动，可使学习过程的程序相对稳定，便于发现规律及问题。学习者需要明确的是在与学习流程相对应的每一个学习阶段中自身需要完成的最主要任务，因此，智慧学习设计中更重要的是学习者行为层的设计。在设计过程中，值得注意与思考的主要有以下四个方面：

（1）学习起点的确定。第一个阶段是确定学习目标阶段，其主要任务是进行学习前的准备活动，包括明确学习目标、学习起点及制定学习计划等。其中，明确学习目标就是要清晰地描述完成本次学习活动以及完成系列课程后预期应发生的变化，因此学习目标不仅包括本次学习活动的小目标、小任务，更重要的是明确课程的最终目标，以此把握学习的正确方向。确定学习目标是学习流程的第一阶段，也是最基本的阶段。在此阶段学习者要完成的最主要任务，是结合平台数据及多方反馈来确定认知水平，也就是明确学习起点。只有如此，学习者才能够设置合适的学习情境和学习步骤，开展有意义的学习活动。

（2）个人知识库设计。在确定学习目标后，学习者首先依据自身原有的知识经验，结合现有的学习资源，针对学习目标开展自主学习。自主学习过程中取得的每一点收获都是学习者独立思考的结果，不仅能够使学习者对知识内容有深刻的理解，更重要的是能够培养学习者的自学能力，为开展更高层次的学习活动奠定基础，使得学习者能够适应智慧学习新模式。自主学习对学习者自身的知识积累及学习能力有较高的要求，所以在此阶段有必要依托学习平台和数据平台为学习者建立个人知识库，利用量化自我技术为学习者汇集知识和资源。个人知识库主要包括两个模块的内容：一是学习者的知识框架，二是学习者的资源库。学习者可以在个人知识库中构建自己的知识体系，形成自己的知识网络和个性化的知识图谱。学习平台将学习者接触的各种资源进行汇总分类，为其建立资源库，使得学习者在后续的学习中能够从纷纭杂乱的众多资源中寻找到与学习目标相关的资源，汇聚学习资源并为学习目标服务。

（3）交互设计。协作学习是一种人际交互行为，学习者在学习过程中寻找志趣相投的学习伙伴，而在学习活动开展的过程中，学习者可以累积不同的学习伙伴，形成学习共同体。在智慧学习设计中，量化自我技术可以为学习者寻找伙伴提供数据支持，同时也可以通过数据加深成员之间的相互了解。良好的交互除了和谐的人际交互，还包括恰当的人机交互。量化自我技术支持的智慧学习需要多种现代信息技术的支持，学习平台根据跟踪到的学习者数据，可以为学习者呈现适应性的学习内容与操作方式，改善学习者的人机交互感受。

（4）评价设计。学习评价首先能够检验既定目标是否实现；其次能够给学生以反馈，提升学习效果。传统评价往往依赖固化的评价标准，其弊端显而易见。利用量化自我技术更加全面、系统、科学地收集数据，使学习过程等都成为评价的依据，以期能够做出客观全面的学习评价。评价应在收集一切数据的基础上进行，评价结果要能够从多个方面反映学习者的素质，帮助其发现自身的潜能。同时，评价不仅要关注学习者现时的学习状况，而且要跨越学习时间、跨越学习内容、实现动态的跟踪评价。最终形成的评价结果不仅是诊断性评价、形成性评价、终结性评价等多种评价的综合，而且是一种基于跟踪数据的发展性评价、动态性评价、真实性评价。

四结语

学习的目的和结果是使个体身心获得发展，使个体和人类整体不断实现自我意识与自我超越，这不仅是人类学习活动最本质的特征，而且也是人类创造力之最根本的源泉[12]。而量化自我技术能够帮助学习者不断地实现自我意识与自我超越，其最好的教育形式就是自我教育[13]。智慧学习是未来学习的新形态，但不可否认的是学习者在应对学习方式变化的过程中面临着很多问题，这就对学习者掌握分析数据的能力提出了更高的要求。此外，数据的合法性与使用权还有许多不能明确的地方，针对数据的隐私保护方面也还做得很不到位，还有很多的工作有待进一步开展。量化自我技术与其它现代信息技术的融合与应用，无疑能够在一定程度上解决学习者在学习过程中遭遇的问题，并推动智慧学习的发展，变革学习模式，谋划新的学习前景。

参考文献：

[1]L·约翰逊,S·亚当斯贝克尔,V·埃斯特拉达,A·弗里曼著;张铁道,殷丙山,蒋明蓉,吴莎莎,李玉译.新媒体联盟地平线报告(2014高等教育版)[R].奥斯汀,德克萨斯:新媒体联盟,2014:45-47.

[2]L·约翰逊,S·亚当斯贝克尔,V·埃斯特拉达,A·弗里曼著;张铁道,殷丙山,吴莎莎,吴亚婕,杜贤,李玉译.新媒体联盟地平线报告(2015高等教育版)[R].奥斯汀,德克萨斯:新媒体联盟,2015:10-12.

[3]钟志贤.论远程学习者的自我认识[J].远程教育杂志,2010,(1):81-89.

[4]李子运.教育技术学若干问题的反思——兼论开展教育技术哲学研究之必要性[J].电化教育研究,2006,(9):8-11.

[5]张春兰,李子运.创客空间支持的深度学习设计[J].现代教育技术,2015,(1):25-31.

[6]郭晓珊,郑旭东,杨现民.智慧学习的概念框架与模式设计[J].现代教育技术,2014,(8):5-12.

[7]丁兴富.三代信息技术和三代远程教育[J].中国远程教育,2000,(8):25-27.

[8]陈琳,李凡,王矗,等.促进深层学习的网络学习资源建设研究[J].电化教育研究,2011,(12):69-75.

[9]龚志武,吴迪,陈阳键,等.新媒体联盟2015地平线报告高等教育版[J].现代远程教育研究,2015,(2):3-22、42.

[10]陈律.大数据背景下学习分析技术对教学模式的变革[J].中国教育信息化,2013,(24):15-17.

[11]胡侃,夏绍玮.基于大型数据仓库的数据采掘:研究综述[J].软件学报,1998,(1):54-64.

[12]桑新民.学习究竟是什么——多学科视野中的学习研究论纲[J].开放教育研究,2005,(1):8-17.

[13]焦建利.量化自我及其对学习的意义[J].中国信息技术教育,2014,(11):20-21.

编辑：小西

Design of Wisdom Learning Supported by the Quantified Self Technology

ZHANG Wen LI Zi-yun[Corresponding Author]

Quantified self technology has the educational characteristics of meeting the diverse needs of learners. Based on the application point and foothold of quantified self technology applied in wisdom learning, a design sketch of wisdom learning supported by the quantified self technology for improving learning effectiveness was point out, starting from the three layers of data, behavior and learning process. The wisdom learning design under the technical support of quantified self should be focused on the design of learning starting, interaction and evaluation, hoping for providing a reference for learners to carry out wisdom learning.

quantified self; technical support; wisdom learning; learning design

G40-057

A

1009—8097（2016）06—0107—06

10.3969/j.issn.1009-8097.2016.06.16

本文受江苏高校优势学科建设工程项目“江苏师范大学教育学省优势学科建设”（项目编号：苏政办发[2014]37）资助。

张文，在读硕士，研究方向为数字化阅读，邮箱为zhangwen400@126.com。

2015年11月19日