基于学习大数据的学习评价：原理、模型及实施策略研究*

2021-03-12蔡宝来孙昊琛

中国教育信息化·高教职教 2021年2期

蔡宝来孙昊琛

摘要：随着5G网络、大数据、万联网和人工智能的颠覆式创新发展，基于学习过程大数据的学习评价已成为教育评价研究的新热点，并初步呈现出以大数据为基础的新一代评价范式转型建构之趋势。文章在界定学习大数据概念的基础上，阐释论述了学习大数据的价值和基于学习大数据的学习评价原理，诠释构建了基于学习大数据的过程性评价模型，论述并提出了基于个性化学习大数据的学习评价实施策略。

关键词：学习大数据;学习评价;原理;模型;实施策略

中图分类号：TP393 文献标志码：A 文章编号：1673-8454（2021）03-0008-07

移动互联网、大数据挖掘和人工智能等新一代信息技术在教育领域的融合发展和集成创新，引领着新一轮教育教学信息化转型变革发展的潮流。在高度信息化的5G移动网络时代，教育形态、教学模式和学习方式也向网络化、数字化和智能化转型，平板电脑、智能手机等各种便携式移动终端成为学习者的新型学习工具。在这种新型学习的过程中，大数据挖掘技术可以通过大量数据来有效地跟踪和记录学习者的学习过程;学习分析技术可以对大数据进行统计、处理和分析，从而赋能教师对学习者做出全面、客观、准确的指导与评价。[1]未来，学习过程大数据将成为教育形态重塑、教学模式重建和学习方式重构的核心驱动力。

一、基于大数据的学习评价原理

1.大数据的意义和价值

（1）什么是大数据

大数据（Big data）被称为巨量数据资源，是用传统数据处理方式无法处理的、大量的、复杂的数据和数据集。维克托·迈尔-舍恩伯格及肯尼斯·库克耶合著的《大数据时代》中指出，大数据研究需要的是全部样本而不是抽样，更加关注相关性而不是因果性。由此可见，大数据分析与传统数据处理分析方法有根本不同。因此，针对“大数据”一词，美国麦塔集团数据分析师Doung Laney于2001年首先提出“3V”特点，即海量（Volume）、速度（Velocity）、多样（Variety）的概念。在此基础上，美国维拉诺瓦大学的研究者进一步提出用“4V”来描述大数据的基本特点[2]，即巨量性（Volume）、多样性（Variety）、高速性（Velocity）、价值性（Value）。

（2）学习大数据

学习大数据主要用于学习分析和学习评价，也就是使用数据和模型预测学习结果和学习行为是否具备处理这些信息的能力。本文主要探讨学习过程中大数据的反馈评价作用，即学习者为达成学习目的而借助于互联网平台，在与外界交互过程中所产生的一系列数据，主要包含课程内容数据、学习行为数据、互动交流数据以及学习资源数据等。

学习大数据催生了智慧教学，并为个性化学习赋能。在实践应用中，大数据能够持续记录线上、线下的学习行为，进而为准确掌握和精准分析学生的学习状态和进度计划提供完整的数据链。基于大数据，教师可为学生制定个性化的培养方案，帮助学生解决学习过程中遇到的问题。学习者也能够更加清楚地认识到自身学习中的问题和不足，并不断调动学习积极性，主动配合教师完成学习任务。与传统的数据分析相比，教育大数据是在自然情境下收集整个教育教学过程中所有静态和动态的数据，保证数据的连续性，如教学资料、互动反应和学生登录频次，以及在每个知识点上停留的时间等。[3]

（3）大数据的价值

实践是价值的源泉并对主客体都会有影响，价值要通过客观事实来表现，价值标准会因为不同主体而变化。价值的产生是主体与客体相互作用的结果，在这一过程中，由“表征价值”“关联价值”“决策价值”层层递进，环环相扣形成不同层次的价值。[4]

大数据的真正价值在于创造价值，要根据不同主体的实践去挖掘大数据中蕴含的有用信息。因此，教育大数据不仅仅是要收集教育过程中的数据并对其进行分析应用，更重要的是要让教育行业相关人员利用计算机、人工智能对教育和学习活动过程中反馈的大数据进行深度挖掘，创造出能够与自身教育实践相关的数据内容，梳理其中隐含的教育关系，并通过可视化分析技术展现出来。这样，学习评价就能贯穿于学习者的整个学习过程，始终遵循着“观测学习—解释学习—反馈学习”这一逻辑体系，并通过大数据来帮助学生在每个学习阶段获得个性化教学和学习支持。[5]

2.大数据与学习评价

（1）学习评价发展现状

所谓学习评价，即按照预设的目标来测量、评估和勘定学习者当下的学习状态。传统学习评价主要依据教师对学生的日常学习观察、课堂表现、作业完成情况、阶段性考试成绩、总结性考试成绩等，通过统计和分析这些数据资料，从中发现问题并进行反馈。这种带有选拔性的评价方式，不利于用发展的眼光来看待每个学生的成长，评价也不够客观全面，容易造成教育不公平现象。

随着5G通信技术、物联网、大数据和人工智能的融合创新发展，在线教育平台和学习过程大数据库逐步建成并不断完善。基于大数据教学平台的评价模式，能够系统、科学、全面地搜集、整理、处理和分析学习数据，诊断学习过程中出现的问题，预测学习结果并优化学习效果。将传统学习评价与基于大数据的学习评价进行比较，结果如表1所示。

从教育信息化2.0时代的教育和学习角度审视，基于学习大数据的学习评价，其目的在于记录描述学生的个性化学习和发展现状，以客观总结学生的学习进展和學习效果，并对教师的教学效率和学生的个性化学习进行评估。就目前而言，基于大数据的学习评价仍存在其局限性。例如：线下数据与线上数据的整合衔接;面对学生学习过程中产生的巨量数据资源，如何优化筛选出有价值的信息等。这些问题有待研发制定一个完整的指标体系和评判标准来规范。[6]

（2）大数据对学习评价的影响

基于学习过程大数据的学习评价，强调把学习过程中发生的全部行为指标和学习数据悉数纳入评价范围中，强调评价者、评价对象与具体评价情境的交互，强调评价过程本身的价值。[7]基于完整记录的大数据平台，教育者可以从课程内容、互动交流、考试作业、课外资源学习情况的评价出发，大数据的来源渠道也更加多样化、科学化，评价结果对教学实践更具有指导价值。教育大数据的应用，能够助力过程性评价与总结性评价的无缝衔接和密切结合，从发展的视角出发，客观评价每个学生的学习和发展，不再局限于考试成绩结果和教师平时对学生的观察印象。

3.大数据支持的学习评价原理

（1）大数据支持的发展性评价原理

基于大数据技术，可将学习者学习过程中的每个环节进行数字化记录和描述，系统搜集评价信息并进行科学分析。进而，可以对教育双方的教育活动进行价值判断，根据学习者的培养目标，在实施过程中制定阶段性的发展目标，全面关注被评价者的发展;支持学习过程全数据采集与储存，测试诊断类型多样化，支持知识增长可视化且可以对学习过程进行及时监测和督导;[8]依据大数据对学生进行客观公正评价，以个性化发展的眼光看待每位学生的成长和发展，便于教师对学生进行个性化精准指导。对学习者而言，可以更加清楚地看到自己当下学习的进度和进展，及时知悉自身的进步和存在的问题，并在随后的学习中自我改进和完善。

（2）大数据支持的在线学习过程性评价原理

在5G加持的在线学习环境下，信息技术促进教育变革将从“调整功能——即信息技术融合将引起教育教学系统结构局部变化，但课程结构和评价方式方面并未因此而产生本质变化”，提升为“重构功能——即信息技术具备了引发教学模式、管理模式和评价模式变革的潜力，可能推动重新建构与生成新的教育生态、教学模式和评价方式”。

5G赋能将对课堂教学环节产生的教育大数据进行全面系統记录，在不影响师生日常教学习惯下自然采集，实时可视化呈现。在线学习过程中，利用大数据实时监测、采集、批量处理和及时反馈，在一定程度上解决了网络学习中师生分离、教师不能及时对学生学习状态进行监控和管理的问题。借助在线教育平台，师生同步展开教学活动，师生线上互动过程中会产生各种交互数据，包括课堂上与教师互动次数、提问与回答次数、小组合作学习、线上练习题测试成绩等。基于学习大数据，可以对学习过程进行全面分析，促成学习评价从“经验主义”向“科学主义”的评价范式转型。[9]

（3）大数据赋能的个性化自适应学习评价原理

自适应学习技术为在线个性化学习的成功实现提供了技术支撑和人工智能赋能。自适应学习就是将自适应技术与主动学习相融合，有效提升个体学习体验成功率和满意度的学习。自适应技术的引入使传统教师职业角色发生了实质性变化，通过向学习者提供个性化定制的线上学习资源，为教师提供分析学习过程的大数据支持，促成教师从课堂讲授者向主动学习指导者的角色转型。[10]传统评价的痼疾和痛点之一是学习行为数据和评价依据难以采集、评价信息单一化和片段化的问题。新一代信息技术将兴趣、动机、情感、态度、习惯、偏好等个性化学习数据纳入评价依据，全面记录和同步采集各种学习数据并完成学习者画像，大大拓展了教育评价的内涵和功能。同时，数据驱动的教育评价将从模糊走向精准、从结果转向过程。大数据支持对个体成长的纵向追踪，有利于建构学生的学业和身心成长轨迹档案，促进学生的全面发展。

基于5G网络技术的泛在教育和泛在学习，还可以根据个性化的需求，向学习者提供一对一、多对一的教学资源推送，以及教学方式和学习方式支持，并根据学习大数据为学习者实时提供反馈意见和调整改进对策。[11]信息技术的跨界融合和迭代创新使个性化学习方式面临新的需求。近年来，在数字化学习领域产生和提出了基于深度学习的个性化自适应学习评价新范式。这种个性化学习评价的基本原理，是从学习者的视角，利用学习过程大数据挖掘和学习分析技术，为个性化学习进行自适应诊断，并通过对学习数据的深度分析，判断学习者原有认知能力、知识水平和学习适应情况，提供学习指导，推送学习资源，给出个性化学习的进度规划和建议。[12]

二、大数据支撑的学习评价模型建构

1.学习大数据的采集与获取

（1）大数据的来源途径

教育是一个极其复杂的系统，涉及学校、家庭、社会等不同的教育场景，以及教育管理和教育评价等方方面面。由于各地区、各学区和各学校教育质量水平存在一定差异，导致教育教学大数据来源多元化，在一定程度上增加了完整采集教育大数据的难度。目前，学习大数据主要来源于正式学习和非正式学习两个场景：一方面来源于各种校内外教育实践活动场景的数据采集;另一方面则是线上和线下教育教学活动场景的数据采集。且数据源头是以“人—机”交互、“人—机—人”交互和“人—人”交互产生，主要包括学生、教师、管理者、家长、多媒体设备等。[13]概括而言，教育大数据包括教师教学大数据、学生学习大数据和管理大数据。而学习过程大数据的实质是线上线下混合式学习和泛在学习大数据整合集成，包括在线个性化学习过程大数据、直播课堂学习行为大数据、章节测验和考核评价大数据等。

（2）大数据采集技术

我国是一个教育大国。当前，由各种网络知识系统、在线课程平台和线上学习资源系统的应用而产生的教育数据类型繁多，多种数据采集也是运用多种技术手段来实现的。本文将教育大数据采集技术概括为以下四个方面。[14]

①物联网感知技术

5G网络的高速度、低功耗、低时延、泛在网等优势和特征将助推新一代智慧化校园的建设。以物联网感知技术为主，可以通过学生自身的可穿戴设备和校园“一卡通”，对学生日常学习生活进行监测，采集学生在校园内的个体生活数据、在线学习数据、云课程平台和直播课堂的学习行为数据。

②在线教育平台收集技术

在5G网络技术、万物互联和人工智能技术的赋能加持下，我国在线教育平台已呈百花齐放和百舸争流之势。国内布局较早且规模较大的在线教育平台，如超星学习通、学堂在线、智慧树、慧科高校邦等都建有自己的在线教育资源平台和学习大数据库，可以收集学生在平台学习过程中产生的一系列学习大数据，且数据可与学校教务管理系统连通共享，为教育治理、教学管理和学习评价提供了强力的数据支撑。

③视频录制与面部识别技术融合

这类技术主要用于校园和课堂学习行为数据采集，包括视频监控技术、智能录播技术和面部识别技术，并呈现出视频录制与面部识别技术融合的趋势，从而为视频分析方法和评价改革奠定大数据和数据链的基础。其中，视频监控技术主要用于校园安全和学生平时实时动态观察监测;智能录播技术主要用于采集课堂教师授课和学生学习过程的数据。面部识别技术与人工智能分析技术相结合，可以实时精准地捕捉到每个学生上课时的情绪、态度和注意力等学习行为状态并进行详细记录，在对一个完整的学习过程持续记录的基础上，产生并建构起课堂学习行为大数据库。

④图像识别技术

在人工智能领域中，图像识别技术是其核心技术构成。计算机对图像采集设备所获取到的图像进行匹配分析与处理，可以识别不同的目标对象，从而为学习者提供所需要的解题思路和方法，这一技术主要应用于网上阅卷采集学生的考试成绩。如果学习者在自主学习过程中遇到难题，还可以应用“拍照搜题”技术，迅速在互联网知识系统中找到相关答案。

教育大数据的构建是基于学习过程大数据和学习评价基础上实现的。随着越来越多新一代信息技术（如面部识别、语音交互、体感技术）的逐步成熟，将会有更多的数据采集技术应用到教育教学领域。而要保证所采集的教育大数据具有实时、便捷、高质量、连续、符合科学与伦理准则的特征，就必须注意提前设计科学合理的数据采集指标和建构模型，并选择精准匹配的教育数据来进行评价，从而保证数据采集的目的性、科学性，以及数据分析、学习评价的合理性、精准性。

2.学习大数据的处理与深度分析

（1）学习大数据处理方式

从学习大数据本身产生、分析和应用的角度而言，学习大数据的处理流程可分为获取数据、储存数据、处理数据和分析数据四个步骤。根据数据来源，学习大数据又分为可量化的結构化数据（如成绩、在线学习数据）和不能量化的非结构化数据（如课堂互动情况）。数据获取后，首先要对数据进行预处理，即将各种类型的数据进行分类存储;对数据进行筛选以去除重复数据;进行相关度拟合回归和离散化处理，以使数据更有置信度，确保收集到的数据与学习过程高度相关。对于缺失的数据，主要有四种处理方式：均值补差、利用同类均值补差、极大似然估计、多重补差。经过弥补性处理后，缺失数据也能为学习评价所用。[15]

（2）学习大数据深度分析

学习大数据深度分析是基于学生学习过程中产生的大量行为数据，包括学生在线学习过程中产生的全部交互数据，以及线下通过物联网感知技术收集到的数据，在对结构化数据与非结构化数据进行统一管理后，采用不同分析方法进行数据处理和学习分析的过程。根据实际研究目的，研究者可运用诊断分析、预测分析、评价分析等深度分析技术进行学情评估。结合不同的学习评价需要，将分析结果通过可视化形式呈现出来。教师根据数据分析结果开展学习行为优化指导，精准解决学习过程中存在的问题。同时，根据每个学生学习评价反馈的不同结果，教师也能及时调整自身的教学策略，以适应学生个性化学习的需求。[16]

3.大数据赋能的过程性评价模型建构

基于深度学习技术的学习大数据挖掘程序，结合过程性评价理论和大数据分析技术，构建出新型评价模型，是大数据赋能学习评价模式创新的趋势。学习大数据具有复杂多样性特征，这些数据是在不同的学习环境下生成、采集和获取的。为了更好地从表征数据中提取出有价值的信息，数据采集的工作流程大致可分为两个步骤。第一步是教育大数据的预处理;第二步是深度学习技术对学习大数据的挖掘和应用（如图1所示）。基于此，本文设计构建了大数据赋能的过程性评价模型（如图2所示）。[17]

大数据赋能的过程性评价模型由学习过程活动记录系统、数据处理分析和评价系统两大模块构成。学习过程活动记录系统是对学习过程和活动进行全过程、全平台和全样本的描述记录，并产生学习活动和学习过程大数据。该系统主要由学习平台、资源使用、学习行为、学习反思、成长记录和学习评价六个部分组成。

数据处理分析和评价系统由大数据处理系统、大数据分析系统和过程性评价系统构成。大数据处理系统由数据采集、数据清洗、数据转化、数据储存四个步骤构成。大数据分析系统主要由数据挖掘、机器学习、模式识别和学习分析四个部分构成。这两个系统在完成数据处理和数据分析后，提供数据分析结果给过程性评价系统。过程性评价系统主要由基于大数据的评价指标和标准、动机评价、过程参与评价、效果评价构成。

过程性评价完成后，可将评价结果及时反馈给教师和学习者。教学双方基于大数据评价结果进行教学反思，发现问题并提出未来学习的改进策略和建议。同时，在一个完整闭环的基础上，新一轮学习过程性评价循环也已开始。

三、指向个性化学习的学习评价实施策略

1.赋能个性化学习的过程性评价策略

（1）个性化学习

个性化学习是指根据学习者的学习风格、特点、习惯、个性和发展潜能，以学习者的需求和兴趣为中心，强调学生的个体差异性，采取多样化的方式来满足学习者个人的学习需要。学习者是学习过程的主体。个性化学习的本质特征和理念为：学为中心、能力为先和自主学习。[18]

（2）为个性化学习服务的过程性评价

过程性学习评价（Process Evaluation）是建构评价时期的产物。与传统目标取向的发展性评价和形成性评价等方法相比，这类评价从关注教育的目标转向关注教育的过程，强调知识学习与建构过程中反馈的及时指导性。[19]

把过程性学习评价与个性化学习相结合，可以系统完整地对学习者行为数据进行跟踪和记录。利用大数据和物联网感知技术，进行线上线下相结合的学习评价，可以及时帮助学习者找出学习过程中存在的问题和不足，为其定制个性化的学习方案，优化学习者的在线学习体验，促进更加自主、更加高效和更加个性化的学习。而整个流程建构的主要依据则是大数据赋能的过程性评价模型。

2.数据处理与深度分析策略

（1）学习大数据处理策略

根据学习大数据的巨量性、多样性、高速性、价值性等特点，在整合处理学习大数据时，要运用好数据清洗和数据集成两个策略。[20]

①数据清洗

所谓数据清洗，是指清洗重复数据、填充缺失数据。为了提高数据挖掘的速度和精度，就必须剔除重复数据，并对相似性较高的数据进行合并处理，相似度计算算法基于基本近邻排序算法。另外，一些不完整的数据会造成数据集本身的偏差，从而影响研究结果的准确性，这就需要使用填充技术的缺失值插补算法用近似值进行替代，其中常用的算法有平均值、分类、聚类等。

②数据集成

所谓数据集成，是指将两个或两个以上不同结构的应用数据库合并或共享。学习大数据来源途径多样，采集的大数据也多种多样，通过数据集成可以共享或者合并来自两个或者更多应用数据庫和不同结构的数据。这样，就可以把不同类型的数据库根据研究目的需要重新整合集成，使大数据结构化程度更高、信息量更大，并进一步提升了数据库和数据资源的应用价值。

（2）学习大数据分析策略

AI领域的深度学习技术是学习大数据的关键分析策略，可通过深度学习分析技术赋予教育大数据更多的价值。基于个性化学习的学习大数据分析策略，主要包括大数据聚类、大数据关联分析和大数据预测。[21]

①大数据聚类

所谓大数据聚类，是指根据数据的内在性质将数据分成一些聚合类，每一聚合类中的元素尽可能具有相同的特性，不同聚合类之间的特性差别尽可能大。学习大数据往往巨量且庞杂，它涵盖了每个学习者在学习过程中的所有学习数据。单个学生的学习评价数据往往存在差异性和特殊性，通过可视化分析，可以比较全面地掌握学生的学习兴趣、学习态度、学习偏好、学习风格、学习习惯等，教师可以据此提出学生个性化学习的指导意见。当研究者需要对所有学生数据做整体分析时，就要对数据进行聚类分析，即将具体或者抽象的数据进行分类，从中可以简单直观地看出数据的分布情况和特征，最终根据研究需要找出特定的数据组进行分析。

②大数据关联分析

数据是基于事实的观察结果，是对客观事物的逻辑归纳，是用于表示客观事物的未经加工的原始素材。数据关联是指数据与数据之间存在的某种关系。数据关联分析又称数据关联挖掘，即在不同类型的数据中查找它们之间所存在的联系，这也是大数据挖掘的主要任务之一。数据关联分析因其具有快捷、高效地发现事物间内在关联的优势，而被广泛应用于学习分析、教学管理、学习诊断与评价等领域。

数据关联分析主要采取时序分析、空间分析等方法。学习大数据关联分析也面临高维数据、多变量数据、大规模数据、增长性数据及其可计算方面的挑战。利用大数据关联分析对学生进行个性化评价，可以基于测验成绩和学习效果，发现学习过程各环节存在的问题。这样，教师就可以锁定学生学习过程中出现问题的环节，从而精准指导学生及时调整学习状态、学习内容及学习进度计划。

③大数据预测

大数据预测是把一个非常困难的“预测问题”，转化为一个相对简单的“描述问题”。大数据预测是大数据的最核心应用，大数据预测将传统意义上的“预测”拓展到“现测”。大数据预测不仅能得出学生当前学习状态简单、客观的结论，更能帮助学习者选择学习方式和学习策略，制定中长期学习进度和计划，明确学习目标，并引导学习者的未来发展方向。[22]

运用大数据预测技术对收集到的各类学生学习过程数据（课程内容、互动交流、日常作业、考试成绩）展开分析处理，不仅能对学生的学习风格进行预先判断，还可以对兴趣偏好、学习能力、专业发展进行预测。这样，就可以为学生制定一套适合自身成长发展需要的学习路线和规划。同时，通过大数据监控整个学习过程，教师也能够对学生的学习状态、内容难度和学习强度进行预判，并根据学生的当前学习需要和未来发展需要，及时对学习方案做出个别化精确调整。

3.学习评价与精准指导策略

（1）人工智能支持的学习评价策略

人工智能技术为过程性学习评价提供的支持，主要是运用深度学习算法技术对学习大数据进行优化。人工智能技术赋能教育教学，拓宽了教育和学习评价的新视角。人工智能技术从智能感知、个性化、预知性、动态平衡、智能化和学习过程可视化等方面，更为客观全面地说，从学习内容、学习方式、学习进度、学习成绩等方面，对学生的学习情况做出智能化精确评估和评价，并及时将基于大数据的学习分析结果反馈给教师。教师从适合当前学习状态的角度，根据学习风格、学习需求、学习偏好等方面匹配以个性化学习策略的精准指导，进而支持学习者进入高阶学习和深度学习阶段，不断提高学习效率。[23]

（2）基于过程性评价的学习指导策略

①精准指导策略

在对学习者学习过程数据深度挖掘和分析的基础上，描述、总结并形成有价值、结构化的学习大数据信息。教师可依据学生的学习大数据信息，分析和发现学生的学习状态和学习存在的问题，确定学生在知识学习和能力培养过程中的薄弱环节，预测学习失败后可能的风险等，并以此为依据，设计合理的教学方案和问题解决策略，实现高效教学和精准指导。教师对学生学习的实时干预指导，能够帮助学生持续改进学习方式，不断优化学习过程，高效地掌握知识和技能，完成学习任务和学习目标，进而提高学习效率和发展水平。[24]

②差异化指导策略

学习科学研究表明，不同学习者在性格特征、知识背景、学习能力与学习水平等方面存在明显差异，进而导致学习者在学习需求、学习目的和进度计划制定方面也存在明显的个体差异。基于学习过程大数据的个性化评价和差异化评价，为个性化学习计划和学习方案制定提供了可靠的数据信息。根据收集到的大数据信息，可以对学习者进行综合测评，并通过可视化方式将详细精准的评价结果反馈。教师可针对学生学习中存在的个体差异，设计差异化的教学方案和教学策略，使每个学生都能够得到合适的学习指导、帮助和支持。

③个性化指导策略

个性化学习强调以学习者为中心。在基于大数据的过程性评价中，学习者的学习能力、知识掌握情况、学习成绩和当前学习存在的问题，结合线上线下学习数据信息反映出的学习者学习需求和学习偏好，可为学习者制定适应未来学习需要的学习方法、知识水平、学习风格和学习目标提供参考。从而为学生的个性化学习和个性化发展明确目标、指引方向并提供坚实的方法和策略依据。[25]

参考文献：

[1]孙洪涛，郑勤华.教育大数据的核心技术、应用现状与发展趋势[J].远程教育杂志，2016（4）：41-49.

[2]何克抗.大数据面面观[J].电化教育研究，2014（10）：8-22.

[3]刘桐，沈书生.从表征到決策：教育大数据的价值透视[J].电化教育研究，2018（6）：54-60.

[4]吴虑.大数据支持下学习评价的价值逻辑[J].清华大学教育研究，2019（2）：15-17.

[5]杨现民，唐斯，李冀红.发展教育大数据：内涵、价值和挑战——“教育大数据研究与实践专栏”之整体框架篇[J].现代教育技术，2016（16）：5-12.

[6]杜婧敏，方海光.教育大数据研究综述[J].中国教育信息化，2016（19）：1-4.

[7]陈明选，王诗佳.测评大数据支持下的学习反馈设计研究[J].电化教育研究，2018（3）：35-42.

[8]李振超，陈琳，郑旭东.大数据理念下的发展性学习评价系统设计研究[J].现代教育技术，2015（6）：108-114.

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

[10]蔡宝来，林强，梁广等.在线教学环境下大学生学习方式转型研究：问题、趋势与发展路径[J].黑龙江高教研究，2020（12）：21-26.

[11]姜强，赵蔚，李松.个性化自适应学习研究——大数据时代数字化学习的新常态[J].中国电化教育，2016（2）：25-31.