基于多源学习活动流的分析规则设计及其应用*

郁晓华 肖 敏

（华东师范大学 教育信息技术学系，上海200062）

一、引言

生态这一词常被用于隐喻复杂、多元、不断变化的系统。在Jackson 看来[1]，尤其适用于全方位学习（Life-wide Learning）以及终身学习背景下，人类及其多样化学习环境之间的复杂交互关系。随着学习生态“富工具”和“富资源”的不断强化，个体在课堂内、课堂外和校内、校外，不同时空的不同活动中都发展着他们的学习流[2]。他们可以在LMS系统上完成作业，在社交平台上讨论发言，在MOOC平台上进行拓展学习。他们的知识创建和社交网络等学习活动数据，不再局限于单一的学习服务平台上，而是以多源化、“流”的形态分布于多种学习系统和媒体站点中。因此，我们将这种用于记录学习者分布在不同学习服务平台和社会网络中的学习活动，能够支持学习活动的多源聚合、动态连续和可追溯的信息，称之为多源学习活动流。

多源学习活动流反映了学习者穿梭于不同学习生态空间的学习轨迹和学习情境[3]。只有将这些多源的学习活动数据汇聚在一处，才能拼接出学习者数字学习生态的全貌；也只有将这些数据整合在一起加以分析，才能从全局的视角，准确地解读学习者的学习需求以及所处的学习状态，从而有效支持智慧教育下的精准教与学。

虽然，围绕学习活动数据的汇聚和共享，xAPI和IMS Caliper 两大国际主流技术标准都提出了相似的格式规范，旨在统一不同系统和平台之间的数据描述和记录；但在实现不同来源数据之间的整合分析实践方面，两大标准并没有给出更进一步的指导，而相关研究开展也不多。目前，大多数学习分析算法和模型针对的是单一课程或平台的情境，如果用于跨平台、跨学科的情境会存在一定的问题[4]；且分析的数据和内容也是针对某一具体的主题和情境，不具备一般性的理论指导和实践操作意义。

随着个体数字学习生态的进化，个体的学习活动不仅更为多元、灵活和开放，也更加情境化、社会化，这使得对学习活动数据的多源化整合和分析方法方面的需求也越发急迫，这已然成为当前开放学习分析和多模态学习分析领域重要的研究内容之一[5]。与此同时，需要从大量的学习分析实践中反思。美国《通过教育数据挖掘和学习分析促进教与学》报告建议，“应建立相关的解决方案加以指导，从而避免不必要的人力物力浪费”[6]。为此，我们聚焦于多源学习活动流的汇聚和分析问题，以理解学习者的学习情境为导向，尝试设计多源学习活动流的分析指导规则并加以在教学中应用，以丰富当前学习行为分析领域的研究视角和技术路线，助力教育实践。

二、多源学习活动流的描述模型与汇聚层次

（一）多源学习活动流的描述模型

多源学习活动流表示了学习者分散于不同学习空间中，时刻动态变化着的学习活动行为数据，它们就像一条条信息流，讲述着学习者“学习故事”的一部分。“流”强调信息的灵活输入输出、多源分布和动态连续性，是数字学习生态背景下对学习活动数据认知的一种转变，它支持信息沟通的便捷性和可溯性[7]。为了使分布在不同学习服务平台上的学习活动数据可以汇聚和共享，首先需要对学习活动数据有一个统一的描述规范，其次就是搭建支持学习活动描述的系统框架或标准。通过梳理目前学习分析的实践领域，我们发现，以下几种模型常被用于描述和记录学习者的活动数据：情境化注意元数据（Contextualized Attention Metadata，CAM）[8]、IMS Caliper[9]、活动流（Activity Streams，AS）[10]、ADL xAPI[11]、NSDL Paradata（National Science Digital Library Paradata）[12]和LR Paradata（Learning Registry Paradata）[13]。

CAM 起源于记录用户对RSS和博客的关注行为，它用Event元素监控学习者在特定情境发生的一系列交互动作或事件，再进一步从实体（Entity）和会话（Session）两方面加以细化。其中，实体部分主要有Role元素，为描述事件的发送者或接收者。CAM关注交互“事件”（Event）本身，分为三层：Group（聚合用户参与的所有应用系统）、Feed（聚合某一特定应用系统）、Item（聚合某一具体文档）。IMS Caliper同样关注于“事件”，但其标准框架隐含了对学习事件的结构定义和预设配置：学习事件由事件发出者、事件的一系列行为动作、事件的情境等信息加以描述；预设的事件类别包括阅读、评价、社交、媒体等，大部分学习事件都可归类到一个或多个类别中。

目前，活动流被广泛应用于与社交网络相关的领域，反映了个体参与各种社交活动的集合。它的关注点在“活动”（Activity）上，对活动的描述由主体（Actor）、行为（Verb）和客体（Object）三部分构成。其中，活动流中的行为与CAM 中的事件相当，描述了行为主体的活动操作与作为；活动流中的客体不仅指如文档、视频等的各类实体对象，也指非实体对象，如活动。ADL xAPI 标准体系同样也定义了学习活动的描述规范，其在活动流三元组数据模型的基础上，还包括结果、情境、时间戳、权限等其他可选属性，以此来更详细地描述和记录学习活动[14]。

NSDL Paradata 反映的是资源被操作的情况，比如，对资源的浏览与评论，对资源的转发与下载等。其核心元素为usage Data Summary，主要用来描述资源被使用情况的统计信息。它的取值有五种类型，包括：字符型（如，对资源的评论）、数值型（如，资源下载的次数）、评级型（如，对资源可用性的等级判定）、投票型和排序型（这两种都可用来表示用户对特定资源的兴趣度）。LR Paradata是活动流的扩展版本，也用于存储有关资源使用的行为活动集合，包括Actor、Verb和Object 三个基本要素，但它增强了情境方面的描述。LR Paradata 跟活动流的区别主要在于：活动流关注单个用户对多个资源的行为，而它关注多个用户对某一资源的行为。

总体而言，这六类数据模型都考虑了活动描述的灵活性和可拓展性，大体可分为三大类：（1）以事件为中心（包括情境化注意元数据和IMS Caliper）；（2）以活动为中心（包括活动流和ADL xAPI）；（3）以对象为中心（包括NSDL Paradata和LR Paradata）。以事件为中心的模型相对基础具体，用户（即对象）的需求和问题通过事件行为来间接反映，而考虑事件需要用户才能触发，因此，将事件和对象两者结合起来的以活动为中心的模型，能更有效揭示学习者的学习情境。

在本研究中，多源学习活动流的描述，既要能表现数字学习生态中学习者丰富的学习活动，又要能被快速分析、解读用作智慧教育决策的数据驱动依据。因此，我们主要借鉴了ADL xAPI的活动描述模型。此外，多源学习活动流的描述，还需考虑汇聚分析的层次和视角问题，而CAM的分层结构和Paradata的多用户视角，可在此方面提供参考。最终，我们建构的多源学习活动流的描述模型，如图1所示。在此模型基础上，一个完整的学习活动流的描述范式为：Actor takes Action [on an Object][with a Tool][in different Sources]（in a Context）。其中，学习情境Context就是后面研究数据的分析规则设计试图揭示的信息；进行学习分析，除了使用学习活动自身的数据外，还需要使用学习者的身份信息（Learner Profile）和参与的课程信息（Course Profile）。

图1 多源学习活动流的描述模型

（二）多源学习活动流的汇聚层次

数据汇聚最根本的目标就是将来自于不同源头的数据汇合在一处，从而获得一个更为上层或整体的视野，类似的做法在社交网络中早有研究和实践。比如，为了对用户的在线社会交往活动建立一个完整的视角，社交网络聚合（Social Network Aggregation）[15]这一服务，将用户分散于各个社交媒体上的信息与内容，汇聚在一处加以合并和整理，从而简化得到一条完全的用户社交体验过程，并重新构建了这个用户的社交信息流。同样，汇聚后的学习活动数据，使得对于学习者学习状况的把握打破了单个学习平台、单个学习情境的限制，可为智慧教育愿景下针对个体发展提供更为精准、全面的诊断与决策服务，并提供有力的数据支持。

Chen 等[16]用“水滴—溪流—河流—海洋”（Drop-Stream-River-Ocean）作为隐喻，描述了各类学习数据在系统中的汇聚层次。我们在此也借用这一隐喻，来描述学习生态中不同层级的数据汇聚所呈现出学习者不同视野下的学习状况（如图2所示）。水滴（Drop）是学习活动数据流的最小构成，代表着学习者最小单位的学习操作行为，比如，论坛讨论中的一次发言，视频评价时的一次点赞，朋友关系建立时的一次请求等。溪流（Stream）代表着学习者在某一学习空间中的一系列学习行为，是按时间轴记录的水滴序列。河流（River）由学习者在不同学习空间中的学习溪流汇聚而成，而海洋（Ocean）则是所有学习者学习河流的汇聚。因此，我们可以把多源学习活动流的汇聚层次划分为四类：（1）单个用户单个来源；（2）多个用户单个来源；（3）单个用户多个来源；（4）多个用户多个来源。前两类在当前学习分析领域的研究和实践都非常丰富，而后两类则相对较少，我们的研究便聚焦于后者。

图2 多源学习活动流的汇聚视角

为了保证数据和工具的互操作性，目前，学习分析领域关于数据汇聚和存储的标准主流有两个，即ADL xAPI和IMS Caliper[17]。对于IMS Caliper的应用，大多数系统或平台因需遵循SCORM 标准而被内容类型所限制，但ADL xAPI 关注的是数据，因而，更能体现与平台的无关性、更能支持学习类型的多样性等。通过ADL xAPI 标准记录的学习活动数据，使用学习记录仓储（Learning Record Store，简称LRS）的机制加以保存和访问[18]。LRS 以一种网络服务的形式运作，允许其他系统通过xAPI 规范的接口进行输入或检索，也可与其他LRS 通信分享；LRS 本身可以独立存在，也可存在于学习管理系统中。考虑到当下个人学习生态的益发复杂多元，尤其是丰富多样的各类非正式学习情境，我们对多源学习活动流的汇聚标准采用了ADL xAPI。

三、基于多源学习活动流的学习情境分析规则设计

（一）多源学习活动流的学习分析设计思想

学习情境（Context）贯穿于学习活动的各个环节，蕴含着丰富的教育信息，可从中对学习者的学习需求和目的、面临的问题和机遇加以解读。智慧教育的核心就是要能通过学习者的学习活动交互过程和结果，以倒溯的方式去还原并获取学习者的学习情境，进而有目的地开展教与学，做出有效的干涉或预测。为了能有效、高效地揭示学习者的学习情境信息，我们不仅需要按照统一的格式和标准，对多源学习活动流数据进行汇聚；还需在已有数据类型的基础上，根据教育需求有方案地对多源学习活动数据执行特定的分析处理。我们提出基于多源学习活动流的学习情境分析规则便是如此，这些规则指导如何从多源学习活动流的描述中进行数据选择、映射，从而解读出学习者学习情境信息的一套逻辑关系。

Kofod-Petersen 等人于2005年的一项研究就认为活动系统中的各要素与学习情境密切相关，提出了主体—个体性、客体—任务性、规则—任务性、共同体—时空性、分工—社会性、工具—环境性等多种情境模型[19]。2013年，郁晓华等在此基础上将其应用于学习活动流中，列举了一些行为要素与情境之间的映射关系，提出了学习情境分析规则的早期雏形。比如，联合Actor和Tool 要素解读学习者的个体性情境，可了解学习者在学习工具上的偏好等[20]。但这些规则还没有涉及学习活动流数据的多源性问题，也未考虑到多源学习活动流的不同汇聚层次。

在实际的学习过程中，学习平台数据的加入会引导至不同的学习情境分析视角。比如，“小王看了一个视频”这一行为，如果发生在社交平台上，可能的情境是“小王观看了所关注的好友小李发布的一个视频”，此情况需要从社会性情境出发理解小王的人际关系，与视频内容的关联度不大；如果发生在LMS平台上，则可能的情境是“小王观看了老师所提供的一个视频学习资料”，需要从任务性情境出发来加以分析，这时视频的内容就比较重要了；但如果小王在两个平台上都观看了同一主题的视频，那么，可能揭示的就是小王当前的兴趣和爱好，需从个体性情境出发来加以解读。因此，我们将在已有研究的基础上，补充多源环境对映射规则的影响研究，以理解学习者的学习情境为导向，建立以“情境—应用—数据”为逻辑的数据分析规则。

（二）基于多源学习活动流的学习情境分析规则搭建

我们对分析规则的搭建过程，主要如下：（1）以Actor为出发点，将数据描述模型中的其它五个要素，即Action、Object、Tool、Session和Source（如图1），逐渐递增要素类型的数量，并进行配对组合，如表1所示；（2）过滤重复或意义不明确的组合方式，筛选出有效的数据分析规则组合方式；（3）从学习情境出发，对分析规则进行归类整理，构建其学习情境信息以及学习情境之下的学习分析应用。

表1 数据要素的组合方式（三个数据要素的视角）

最后，研究共建构出如表2所示的22条数据分析规则[21]。这些分析规则虽然并未在现有学习分析实践中被明确抽象提出，但很多其实已经被实践认可并得到了应用和检验。比如，Boroujeni 等人就用规则R6（Actor{1，n}-Action{1，n}-Session）检测了学习者的行为模式偏好[22]，他们以（V_start，A_start，Audit，Inactive 等）的方式对学习者在MOOC上的课程学习加以描述，然后，考察了不同学习序列模式与学习投入之间的关系，发现“先提交作业，后观看视频，最后再次提交（Submit all，V_start then A_start）”的学 习序列模式下的学习者的平均成绩为89，并且有99%的人可以最终完成MOOC学习。

表2 多源学习活动流的学习情境分析规则

类别数据分析规则教学应用检测学习者/学习群体的学习活动设计偏好；个性化学习者/学习群体的学习活动设计；个体性情境R11:Actor{1，n}-Action{1，n}/Tool{1，n}-Object R12:Actor{1，n}-Action{1，n}-Tool-Object R13:Actor{1，n}-Session R14:Actor{1，n}-Action{1，n}/Object{1，n}/Tool{1，n}-Session R15:Actor{1，n}-Action{1，n}-Tool-Session R16:Actor{1，n}-Action{1，n}/Object{1，n}/Tool{1，n}-Session-Source检测学习者/学习群体的学习时间偏好；推荐学习活动时间安排给学习者/学习群体；R5:Actor{1，n}-Action{1，n}R6:Actor{1，n}-Action{1，n}-Session R7:Actor{1，n}-Action{1，n}-Session-Source R8:Actor{1，n}-Tool{1，n}R9:Actor{1，n}-Action{1，n}-Tool任务性情境检测学习者/学习群体学习活动之间的关联；干预学习者/学习群体当前的学习活动（从时间角度）；推断和预测学习者/学习群体的学习效果；检测学习者/学习群体在学习活动中的工具设计；干预学习者/学习群体当前的学习活动（从工具角度）；优化学习者/学习群体在学习活动中的学习工具设计；R10:Actor{1，n}-Object{1，n}检测学习者/学习群体当前的学习任务；干预学习者/学习群体当前的学习任务（从内容角度）；检测学习者/学习群体当前的学习活动；警告与干预学习者/学习群体当前的学习活动；推断和预测学习者/学习群体的学习效果；R17:Actor{1，n}-Action{1，n}/Tool{1，n}-Object-Session R18:Actor{1，n}-Action{1，n}-Tool-Object-Session R11:Actor{1，n}-Action{1，n}/Tool{1，n}-Object R12:Actor{1，n}-Action{1，n}-Tool-Object检测学习者/学习群体的学习状态变化；警告与干预学习者/学习群体当前的学习状态；推断和预测学习者/学习群体的学习效果；时空性情境检测学习者/学习群体不同阶段的学习活动进展情况；优化学习者/学习群体对学习活动的安排；R13:Actor{1，n}-Session R14:Actor{1，n}-Action{1，n}/Object{1，n}/Tool{1，n}-Session R15:Actor{1，n}-Action{1，n}-Tool-Session R16:Actor{1，n}-Action{1，n}/Object{1，n}/Tool{1，n}-Session-Source检测学习者/学习群体不同阶段的学习活动进展情况；干预学习者/学习群体的学习活动安排；推断和预测学习者/学习群体的学习结果；R19:Actor{1，n}-Action{1，n}/Tool{1，n}-Object-Source R20:Actor{1，n}-Action{1，n}-Tool-Object-Source R17:Actor{1，n}-Action{1，n}/Tool{1，n}-Object-Session R18:Actor{1，n}-Action{1，n}-Tool-Object-Session检测学习者/学习群体在不同学习平台的学习活动变化；干预学习者/学习群体的学习活动安排；检测学习者与学习者/学习群体之间的关系；推荐学习同伴/学习群体给学习者；R21:Actor-Action{1，n}/Object{1，n}/Tool{1，n}-Actor{1，n}R22:Actor-Action{1，n}/Object{1，n}/Tool{1，n}-Actor{1，n}-Source R1:Actor-Actor{1，n}社会性情境检测学习者的社会网络关系（从活动角度）；环境性情境R2:Actor{1，n}-Source R3:Actor {1，n}-Action{1，n}/Object{1，n}/Tool{1，n}-Source R4:Actor {1，n}-Action {1，n}-Tool-Source考察与评估学习者/学习群体对学习环境的组织结构；优化学习者/学习群体对学习环境的组织结构；R19:Actor {1，n}-Action{1，n}/Tool{1，n}-Object-Source R20:Actor{1，n}-Action{1，n}-Tool-Object-Source考察与评估学习环境对学习者/学习群体学习活动的影响优化与选择学习环境给学习者/学习群体；

此外，我们在整理中发现，某些数据分析规则存在一定的通适性，即规则可以从不同需求视角加以分析应用，同时揭示多种学习情境信息。下面以本研究的关注点“Source”数据要素为例，对构建的学习情境分析规则加以阐释。

（1）R2：Actor{1，n}-Source；R3：Actor{1，n}-Action{1，n}/Object{1，n}/Tool{1，n}-Source；R4：Actor{1，n}-Action{1，n}-Tool-Source。

规则R2、R3、R4可用于解读学习者/学习群体的个体性情境信息和环境性情境信息。当解读个体性情境时，可根据学习者/学习群体对学习平台的使用情况，检测他们在平台访问、工具使用等方面的偏好；还可检测学习者/学习群体在环境建构上的特点，即他们是如何利用多种平台以及这些平台上的工具开展学习活动的。这些信息可帮助教师干预学习者/学习群体，为他们建构有效的学习环境提供决策依据。当解读环境性情境时，可根据学习者/学习群体的学习行为与学习对象和学习工具之间的关联情况，检测他们所在学习环境的组织结构。组织结构既可揭示学习环境是由单个或多个学习平台构成的情况，也可揭示学习者/学习群体利用这一学习环境开展学习的方式。教师则可以根据检测结果，诊断当前的学习环境是否能有效满足学习者/学习群体的学习任务要求，从而决定是否需要对他们的学习环境进行优化。

在三个规则中，相较于规则R2直接利用学习者/学习群体与平台之间的信息，规则R3和规则R4则进一步考虑了学习者/学习群体与学习环境之间的交互在学习行为、学习对象上的差异，以及平台中不同学习工具对交互的支持程度。其中，R4尤其强调学习行为与学习工具的关联，因此，可以使用R4进一步挖掘当前学习环境中行为与工具的依赖关系，揭示学习者/学习群体是如何利用不同的学习工具，搭建学习环境以支持学习活动的完成。

（2）R19：Actor{1，n}-Action{1，n}/Tool{1，n}-Object-Source；R20：Actor{1，n}-Action{1，n}-Tool-Object-Source。

规则R19、R20可用于解读学习者/学习群体的时空性情境和环境性情境信息。由于Source数据要素很好地记录了学习者/学习群体的学习活动和学习任务在不同平台上分布与开展的情况，因此，当规则用于解读环境性情境时，可通过检测学习环境对学习活动的支持效果，来分析学习活动与学习环境的适配情况，诊断哪些学习活动需要多个平台支持才能完成，从而为优化学习环境或选择适合的学习环境提供依据。当规则用于解读时空性情境时，可通过检测学习者/学习群体在不同平台上活动状态的改变，来分析他们可能遇到的学习问题和环境需求（比如，单一学习平台难以满足学习活动的开展，需要多个平台协助完成），为教师下一步干预学习者/学习群体的学习活动、优化学习环境提供依据。规则R19与规则R20的区别在于：是否要将学习活动分析关联到某一特定的学习工具，即数据要素“Tool”，来考察学习工具在学习环境构建中的角色。

四、基于多源学习活动流的学习情境分析规则应用实践

（一）教学实验的设计

为了应用所提出的学习情境分析规则，我们搭建了基于Slack和Trello的多源学习环境（如图3所示）。Slack是一款基于云平台支持App聚合的专用团队协作工具，在教学应用中作为主要的项目沟通交流学习平台。而Trello是一款团队任务管理工具，在教学应用中作为项目管理的辅助平台，并作为Slack的第三方嵌入工具使用。两款工具都能较好支持xAPI 标准，所记录的学习活动流数据通过Zapier 联合工具的设置，自动存储和聚合到开放LRS 存储平台Watershed LRS 中。

我们选取了H 大学教育技术学专业35名大二学生作为研究对象，在专业课程《信息技术教育应用》中展开应用。在为期一学期的课程教学中，学生被分为10个小组，每组3-4人，共开展了三次项目活动。在项目活动中，学生在多源学习环境中利用Slack 进行知识交流、资源共享、任务讨论等，使用Trello进行任务规划、成果提交等。

图3 基于Slack和Trello的多源学习环境

（二）学习活动数据的获取与编码

我们对Watershed LRS 中所存储的三个项目的学习活动数据，采用表3所示方案进行编码。编码第一个字母为“S”，表示在Slack平台中的学习行为（比如，SU表示在Slack平台中进行任务更新），“T”则表示在Trello平台中的学习行为。三位专业人员对采集的学习活动数据各自独立编码，计算信度为0.81（大于0.7）。

表3 Slack和Trello中的学习行为编码

在三次项目教学结束后，经过整理，35名学生共被记录了6179条有效行为数据，其中，Slack上有3055条行为数据，Trello上有3124条行为数据。10个小组在不同学习平台上的学习活动行为次数统计如图4所示，各类学习活动行为的分布情况如图5所示。

图4 各小组学习活动行为的次数统计

图5 各类学习活动行为的分布情况

（三）学习情境分析规则的应用

1.分析规则的选择和分析方法

为了探究在Slack和Trello搭建的多源学习环境下，学生对不同学习平台的接受程度及偏好，以及他们利用两平台开展项目学习的情况，我们依据表2选择了如下分析规则，并从小组层次和个体层次加以分析。

（1）从个体性情境角度，Actor{1，n}-Action{1，n}规则被用以揭示学生的行为模式特征；Actor{1，n}-Action {1，n}-Tool 规则被用以揭示学生的学习工具偏好；Actor{1，n}-Action{1，n}/Tool{1，n}-Source 规则被用以揭示学生的学习环境建构特点。

（2）从任务性情境角度，Actor{1，n}-Action{1，n}/Tool{1，n}规则以及Session 信息被用以考察学生在不同学习时段学习任务的安排，以及他们对于不同学习工具的使用。

（3）从时空性情境角度，Actor{1，n}-Action{1，n}/Tool{1，n}-Session-Source 规则被用以检测学生在不同学习阶段的学习状况。

（4）从环境性情境角度，Actor{1，n}-Action{1，n}/Tool{1，n}-Source 规则被用以考察学生如何利用Slack平台和Trello平台，来促进学习任务的开展。

在研究中，我们采用滞后序列分析法（Lag Sequential Analysis，LSA），对学生的行为转换模式加以解读。LSA是行为序列分析中比较有代表性的分析方法，是一种检验行为序列显著性的方法，被用于分析一种行为在另一种行为之后发生的概率[23]。

2.分析规则的应用结果

（1）小组层次：学习环节偏好。由图4不难看出，2、3、4、10组偏好使用Slack，1、5、6、7、8、9组偏好使用Trello。由图5可知，Slack平台中的学习活动以讨论（SD）以及任务分配（SS）居多，在Trello平台中则以任务更新（TU）、任务分配（TS）以及学习成果提交（TM）居多。进一步对10个小组的学习活动数据采用滞后序列分析法LSA，即分析Action{1，n}序列，共提取123组显著行为序列（Z＞1.96）；然后，按照不同学习环节进行分类，形成了如表4所示的不同学习环节行为序列表。以加入平台环节为例，所有小组加入平台后（无论Slack或Trello）都会发布公告（SJSJ、SJSISJ、TJTJ），宣告项目活动的开始；但加入Slack平台后，不同小组就表现出了不同的行为偏好：第1组和第5组偏好共享资源（SJSH），第2组和第7组会尝试使用Trello工具（SJSO），第6组和第8组则直接开展任务分配（SJSS）。

（2）小组层次：行为模式差异。使用行为序列转换图将规则Actor-Action{1，n}、Actor-Action{1，n}-Tool、Actor-Action{1，n}-Source、Actor-Action{1，n}-Tool-Source的分析结果加以展示，可以从整体上考察不同学习小组行为模式之间的差异。我们以第1组和第2组为例。由图6可以看出，第1组属于学习沟通型小组，因为其特有的行为序列都与沟通表达有关（SD、SQ、SE）。第1组在Slack平台进行沟通讨论（SD）时，会及时对学习任务进行更新（SU）并展开任务分配（SS），即沟通交流和任务规划同步开展。小组成员偏好以问题形式展开（SQ）沟通，也能就彼此提问和回答反馈自己的情感和态度（SE）。但第1组在Trello平台上开展的学习活动较少（结合图4）。相对第1组，第2组则在Trello平台上开展的学习活动较多（结合图4）。由图7可以看出，第2组特有的行为序列中大多包含有评价行为（SCt，TC），说明该组在分享沟通过程中，会积极进行辩证性思考与评价，学习互动的程度相对较深，因此，具有较好控制和推进学习进程的能力。而且第2组成员在Trello平台中进行任务更新（TU）时，都会对任务进行评价，以便及时获得成员反馈，对学习任务及时调整，从而有效保障了学习任务的高效完成。

表4 不同学习环节的显著行为序列

图6 第1组的特征行为序列转换图

图7 第2组的特征行为序列转换图

（3）小组层次：学习状态变化。选取规则Actor-Action{1，n}/Tool{1，n}-Session-Source 检测学习小组在不同阶段的学习状态变化。我们以第2组为例，将其在第一次项目活动（主题为“解读教育技术规划”，共3周）中的学习行为表现，用行为序列转换图加以呈现，如图8所示。

在第一周时，学习小组的主要学习任务集中在加入平台（SJ）、分配任务（SS、TS）以及更新任务（SU、TS）上。小组成员整体偏向在Slack平台中开展行动，一般会在Slack平台中就任务分配和任务更新进行协商后，再在Trello平台中进行更新和分配。由此可知，第一周是学习小组对学习平台的初步探索使用阶段。

图8 第2组第一次项目活动第一周（上）、第二周（中）、第三周（下）的显著行为序列转换图

在第二周时，学习小组进入了学习内容的探索阶段（SH、SD、SQ、SP、SI），能够提交阶段性的学习成果（TM）。他们能够在Slack平台中使用作为第三方工具的Trello插件（SO）来分享在Trello平台上设置的学习任务、存储的学习资源以及更新的阶段性学习任务；同时，还会尝试对学习内容进行思考性评价并发表自己的观点。他们会讨论如何解决当前的学习任务，并形成学习成果。在平台应用方面，学习小组开始探索将Slack和Trello 加以整合，从而发挥各自的优势。

第三周主要是成果的审核（SCt、TC）以及成果的提交（TM）阶段。学习小组会进一步评价Trello 中存储的学习资源、学习成果，并对学习任务的完成情况进行判断和更新，最终完成对学习成果的提交。在这一阶段，学习小组对Slack平台和Trello平台的整合应用更加熟练。总体而言，该组很好地代表了实验所期望的学生对于多源学习环境的接受和学习过程。

（4）个体层次：平台偏好和行为模式差异。将Actor元素聚焦个体，可以挖掘学习者个体的行为特征。我们抽取了学习小组中比较有代表性的两个学生A和B。学生A的总行为记录数为492条，其中，Slack平台的行为数为121条，Trello平台的行为数为371条；学生B的总行为数为494条，Slack平台285条，Trello平台209条。用行为序列转换图将规则Actor-Action{1，n}、Actor-Action{1，n}-Tool、Actor-Action{1，n}-Source和Actor-Action{1，n}-Tool-Source的分析结果加以展示，可从整体上观察他们在平台偏好和行为模式上的差异。从图9、图10可以观察到，这两名学生均在小组内发挥着重要作用，承担了任务分配、任务更新以及成果提交等工作。

图9 学生A的行为序列转换图

图10 学生B的行为序列转换图

进一步分析图9，可以看出学生A偏好在Slack平台中利用Trello工具（SO）完成学习任务的查看、分配和发布，实现资源共享，同时她也能积极参与话题讨论。虽然她更偏向驻留Slack平台，但较好地使用Trello工具完成了任务更新和成果提交；她在Trello的使用方面表现非常突出，很好地掌握了Trello作为第三方学习工具在Slack 中的使用，实现了Slack平台与Trello平台的集成融合。

而与学生A不同的是，学生B更善于积极表达自己的观点和情感，在小组项目活动中注重交互的深度和质量。分析图10可以发现，其能充分发表自己对问题和任务的看法（SCo、SCt、TC），以促进任务的调整与更新。但在任务的更新和分配以及学习成果的提交上，该学生偏好在Trello中使用第三方工具来实现，而并未能很好地掌握在Slack平台上对Trello工具的使用方法。因此，可以说学生A很好地达到了本实验对学生在多源学习环境下学习的行为反应期望，而学生B相对差点，需要教师适当干涉和引导。

五、总结与展望

与技术和资源迅猛发展同步的是数字学习生态的日渐繁杂与多元，单一学习平台的应用与服务已不能满足学习者的学习需求。学习者要求能根据自己的学习需求、学习偏好和认知结构，集合课程内容在多个学习平台上开展学习，从而体现学习的灵活性、开放性与个性化。在此背景下，要想实现智慧教育的服务目标，就需要对学习者多源学习情境的全局性和精准性加以把握。基于此，我们提出多源学习活动流的概念，以便记录学习者在不同学习生态空间的活动轨迹；然后，通过学习活动流的汇聚，以展现学习者的整个数字生态的学习轨道。

借鉴ADL xAPI的活动描述模型、CAM的分层结构和Paradata的多用户视角，我们讨论了多源学习活动流的描述模型以及汇聚层次；并在此基础上，提出了基于多源学习活动流的学习情境分析规则，补充了以往学习分析研究中少有考虑的学习数据的多源性及其汇聚分析的层次问题。22条“情境—应用—数据”数据分析规则，按照个体性、任务性、社会性、时空性和环境性五类学习情境进行归类，可应用于揭示学习者的学习偏好、学习状态、学习环境、学习任务、社交关系等多方面的信息，以支持智慧教育下对教与学的诊断、干预与预测。

虽然，我们所提出的基于多源学习活动流的学习情境分析规则粒度还比较粗略，可操作性、完善性和合理性方面还有所欠缺，但其研究视角指向解决今后必然愈发复杂的数字学习生态中的学习分析问题，以期能提供一定的分析思路和框架，从而提升智慧教育下学习分析服务的质量与效率。事实上，目前已开始出现类似Slack、Zapier、xAPI Apps 等具有服务汇聚功能的平台，而Trello、Evernote 等多种学习工具皆可通过APP接口的方式整合进这些平台，从而实现对学习支持和服务的灵活拓展；ADL xAPI 等标准为使用统一格式收集数据提供了可能，LRS 机制也为多源数据的汇聚与统一存储，提供了解决方案。这些技术和环境都为数字学习生态中多源化学习的新需求，提供了学习活动数据的整合基础。那么，现在稀缺的反而是指导多源学习活动数据分析实践的策略和方案，而我们的研究，希冀能在此方面提供一定的思考和引导。