国际学习分析技术的研究路径及其启示

梅鹏飞 张丽娜 毛敏 齐健

摘   要：学习分析作为理解和优化学习及其产生环境的技术，受到计算机科学、教育学等学科和领域的广泛关注。为了更好地了解目前学习分析技术的研究现状和发展趋势，文章使用CiteSapce可视化引文分析工具，采用引文分析法，以SSCI、SCI数据库为文献来源，对2016—2020年发表的相关文献进行了时域、核心文献、研究热点的可视化分析。文章分别梳理出学习分析关键技术、学习者学习体验、学习分析仪表盘、个性化学习环境等8个被引聚类，并对聚类代表作的相关论述进行了分析。最终得出：学习分析关键技术、师生对学习分析的需求、学习环境三个方面对国内学习分析技术研究具有一定的启示。

关键词：学习分析技术;CiteSpace;引文分析法;学习体验

中图分类号：G434 文献标志码：A 文章编号：1673-8454（2021）11-0007-07

一、引言

從2011年起，由美国新媒体联盟（New Media Consortium，简称 NMC）发布的《地平线报告》连续几年把“学习分析技术”作为影响教育发展的主要趋势和关键技术之一[1]。学习分析关注的是学习者在做什么、阅读什么内容以及如何进行信息加工[2]。近年来，许多学者针对如何有效地分析、利用和挖掘与学习相关的数据来促进学生学习进行了广泛的探究。为了进一步了解学科信息研究动态和学习分析技术的发展趋势，本文对学者的研究成果进行了系统梳理，应用文献计量学的研究方法，使用CiteSpace可视化分析软件，分析了2016—2020年发表的核心期刊代表作。通过定量与定性分析，探析研究文献的时空分布、著者合作、文献共被引等内外特征，同时绘制知识图谱以可视化形式呈现国际学习分析技术的研究现状和发展趋势，以期为后续研究提供参考。

二、研究方法与工具

引文分析法是通过运用数学及统计学方法进行比较、归纳、抽象、概括，对科技期刊、论文、著者等分析对象的引用和被引用现象进行分析，揭示其数量特征和内在规律的一种文献计量研究方法[3]。通过引文分析，可以了解某学科领域的研究路径以及未来发展趋势[4]。本文主要使用的工具是CiteSpace V5.7。该软件是由美国德雷塞尔大学陈超美教授基于Java平台开发的，以引文分析著称的可视化分析软件，现已广泛应用于计算机学、教育学、医学等领域。其功能是通过对作者、关键词、被引文献等文献信息的可视化分析，有效探测学科知识领域的演进与研究前沿，客观地反映某一领域的研究现状及热点等[5]。

三、数据来源与处理

文献样本以Web of Science核心合集中的SCI和SSCI数据库为文献来源，以“learning analytics”为主题，检索2016—2020年发表的相关文献，文献类型限定为Article，经过筛选后得到2596篇有效文献作为样本。保存内容为全纪录与引用参考文献，以download_xxx.txt格式保存为txt文本。为解决CiteSpace中的乱码问题，将文本编码格式修改为utf-8编码，保存时间为2020年11月28日。数据处理基本流程为：①将下载的文本文件保存至data文件夹中，建立project文件夹。②在CiteSpce中创建工程，分别指定data和project文件夹的路径。

四、研究结果与分析

1.研究文献外表特征

（1）时域分布

本文使用Web of Science核心合集中的结果分析功能，通过绘制国家（地区）柱状图来直观地展现文献的时间和地区分布。从区域分布看，学习分析技术的研究成果主要分布在10个国家，共2596篇文献。图1显示的是部分国家的年度发文量，美国的总发文量为863篇，居于首位，英国排在第三位。我国在学习分析技术研究方面有很大的提升空间。

由图2所示的学习分析技术研究文献发表时间分布图可以看出，学习分析技术的相关文献数量在2016—2018年处于快速增长阶段。

在CiteSpace软件中设置时间切片（Time slicing）为1年，时间为2016—2020年，节点类型为Country（国家）和Institution（机构）;标准选择TopN，N设置为50，阈值（c，cc，ccv）设置为（3，3，15）;算法选择pathfinder（路径探索）算法。运行CiteSpace软件，绘制学习分析技术研究的国家（地区）及机构分布图，结果如图3所示。CiteSapce软件中得出的中心性是衡量文献地位的重要指标，中心性可以直观地呈现国家（地区）对学习分析技术研究的重视程度。同时，中心性也可以反映出在学习分析技术研究方面占有重要地位的国家（地区）。

图谱中左上角参数Network：N=30，代表30个国家（地区）和机构;E=125，表示125条连线，代表国家地区间的合作频次;图谱中节点越大，代表发文数量越多;外圈颜色越深，表现为中心性越大，表示当前国家（地区）及机构在某一研究领域的地位越重要。由图3可知，学习分析技术研究领域的国家中，美国节点最大，其次是西班牙，发文量总数排在前三位的分别是美国、西班牙、澳大利亚，各国家（地区）及机构之间的合作与交流比较少。图谱中外圈颜色最深的国家是西班牙，其次是澳大利亚。学习分析技术的研究成果集中于高校之中，如美国的斯坦福大学、西班牙的马德里卡洛斯三世大学、英国的爱丁堡大学、澳大利亚的迪肯大学等。这些国家及机构在学习分析技术研究领域占有重要地位，其发表的系列文献为后续研究者提供了理论研究线索，为进一步研究学习分析技术奠定了理论与实践基础。

（2）高影响力学者分布

学者的受关注程度与其被引频次成正比，被引频次数值越大，其受认可度就越高，即为具有高影响力学者。选择节点类型为Cited Author，其他设置保持不变，运行CiteSpace软件，绘制学者共现图谱，结果如图4所示。运用CiteSpace软件统计学者被引频次与中心性，并将被引频次排名前15的学者列出，结果如表1所示。

结合图4与表1分析得出，被引频次最高的是加拿大阿萨巴斯卡大学的Siemens，被引频次为123。他在2012年提出学习分析处于技术和社会学习理论领域的十字路口，反映了学习分析作为一个研究领域已达到快速成熟阶段[6]。尽管学习分析技术还处于发展初期阶段，但研究者对学习分析技术的期望很高，促进了其在短时间内迅速发展。

美国普林斯顿大学的Ferguson将社会学习描述为学习分析的一个子集，指出社会学习强调的新技能和新思想不仅仅是个人所获得的成就，而是要通过互动协作来得到发展和传承。社会学习更加关注学习过程而非热衷于总结性评价[7]。这一论述为社会学习分析研究进行了铺垫。

科尔多瓦大学的Romero是国际著名教育数据挖掘专家，其研究聚焦于数字化学习系统中数据挖掘的应用，提出了一种基于关联规则的协作式教育数据挖掘工具，用于持续改进数字学习课程。教师可以利用数据挖掘工具分享教学过程中所发现的信息[8]，再进行阶段性和综合性评价，以提升教学效果。

加拿大不列颠哥伦比亚大学的Macfadyen和澳大利亚伍伦贡大学的Dawson认为学习分析研究必须深入到社会技术领域，以确保将学习分析数据呈现给参与战略性制度规划的人员，从而有能力激励组织采纳和进行文化变革[9]。

高影响力学者分布分析表明，从不同角度对学习分析技术进行理论研究卓有成效，专家的论点和论述对今后深入研究具有指导意义。

（3）核心文献分布

文献的被引频次可以反映单篇文献在本领域内被其他研究者关注的程度，以及对其他研究者相关研究的影响程度[10]。文献被引频次的高低与研究领域的影响力成正比，被引越高的文献，在该研究领域的影响力越大，可以确定为核心文献[11]。对核心文献进行梳理，有助于研究者快速、高效、全面地了解该研究领域的重点，对进一步探索具有深远意义[12]。在CiteSpace软件中，将运行结果按照文献被引频次降序排列，结果如表2所示。

由表2排序可知，文献被引频次最高的是《2009年教育数据挖掘现状：回顾与展望》。该文主要对早期文献进行分析，包括教育数据挖掘方法、教育数据挖掘方法的关键应用及教育数据挖掘研究的重要趋势，为学习分析技术领域提供了技术和数据支撑。[13]其次是《揭开迷雾：学习与教育领域分析》，该文指出学习分析、学术分析两个分析层级或对象，前者专门针对学习过程的分析，相较于学术分析更具体，并具有针对性;而学术分析则反映机构这一级数据分析的作用[14]。

另外，《关于挖掘学习管理系统数据为教育者开发预警系统》一文指出可以从LMS（Learning Management System）生成的追踪数据中提取具有教学意义的信息。研究结果表明：回归建模为课程创建了一个最佳的预测模型，能够解释学生最终成绩变化的30%以上原因;Logistic建模验证了模型的预测能力，识别不及格学生人数的正确率高达81%[15]。有研究讨论了为教育工作者提供一种可定制的仪表盘样式报告工具，用以提取学生参与的实时数据和学习成功的可能性数据并进行可视化。从中体现了学习分析技术的特征，主要目的是预测学习结果和提高学习成绩[16]。

2.研究文献内部特征

（1）研究文献的引文聚类分析

在CiteSpace软件中设置文献检索时间为2015—2020年，时间切片为1年;选择分析对象类型为Cited Reference;算法选择Pathfinder（路径探索）算法;在标准中选择TopN，N设置为50，阈值（c，cc，ccv）设置为（4，4，15）。运行CiteSpace软件，单击聚类（Fluster）按钮，抽取关键词（Keyword），选择LLR算法，绘制文献共被引聚类图谱，结果如图5所示。图中包括80个节点、134条连线、8个聚类。每个聚类采用主题索引聚类标签标示，这些聚类代表了学习分析技术主要的研究领域。

如表3所示，学习分析引文聚类包含了聚类序号、施引文献数量、同质性（聚类索引主题的共同特征）以及通过Log-Likelyhood Ratio（对数似然比）抽取的聚类索引主题（名词短语）。这些名词短语是从具有代表性的文献摘要中提取得来，所以可以称之为热点词。

根据表3的数据可以看出，每个聚类的Silhouette（同质性）都在0.5以上，表明热点词之间的聚类合理。以下将对八个聚类的主要研究内容依次展开分析，并对研究热点领域进行详细阐述。

（2）研究热点分析

①学习分析关键技术研究

聚类“0”的研究热点模糊表示是教育技术课堂研究中的关键技术。Angeli等解决并解释了在教育技术课堂研究中使用数据挖掘的一些关键问题。介绍了两个使用数据挖掘技术的例子，即关联规则挖掘和模糊表示，这两个例子分别来自于欧洲和澳大利亚的研究。在第一项研究中，关联规则挖掘技术被用来更好地理解具有不同认知类型的学习者如何与模拟环境交互以解决问题;在第二项研究中，研究者采用模糊表示技术归纳性地对问卷数据进行探索[17]。该研究为教育技术人员利用数据挖掘技术指导和监督校本技术整合工作提供了一个很好的案例。Fernandez等在研究中为大数据问题中的不同任务提供了模糊建模分析（MapReduce模型），如分類、聚类、子群发现等。模糊系统使用推理模型，可以很好地适应不同情况，尤其是那些具有一定程度不确定性的情景。同时，强调了基于模糊系统的模型应使用接近自然语言来表示，不同学习领域向大数据环境的迁移尚处于初级阶段，讨论了当前算法的数据分布和并行化有关问题以及其与信息模糊表示之间的关系[18]。该研究确定了基于模糊系统算法的设计方向，利用这些模型提取的信息对专家具有较高的参考价值，需要在未来的学习领域中进一步探索。

②学习体验研究

聚类“1”的代表性文献主要研究学习者的学习体验过程。学习者、教师以及教育资源之间的交互是学习体验有效性的重要元素。为了更深入地理解学习过程和提出改进建议，需要应用分析技术（挖掘技术）对这些数据进行分析。虚拟学习环境中包括了虚拟设备、教育系统、预测系统等，主要用到的分析技术是机器学习、语义网络等。Romero等做了一项利用虚拟设备对学生学习进度进行管理的案例研究。该研究回答了两个问题：是否可以监控学生个人学习空间中学习活动;如何使用记录的数据来预测学生的学习成绩。研究表明，学生在虚拟环境中进行学习活动，数据显示情况与学生的学习成绩显著相关，从而验证了预测机制，最后根据相关性最高的观测数据给出预测模型[19]。

Liaqat Ali等开发了一款学习分析工具——LOCO-Analyst。该工具的主要功能是为教育工作者提供有关学生学习活动和表现的反馈信息。在进行工具评估的过程中，用户界面效果和支持的反馈类型得到了增强，直接影响了用户的感知有用性。研究表明，教育工作者可以在“工具信息”中找到实现的反馈类型，并且重视由工具提供的各种反馈文本和图表[20]。

Simmhan等在研究中介绍了使用云技术的智能电网物理系统可扩展软件平台。该平台提供的功能包括：一个自适应信息集成环境，用于采集动态数据;研究人员用于分享知识的安全库;可扩展的机器学习模型，通过海量数据集进行灵活的需求预测;一个可视化消费模式的门户网站，并在南加利福尼亚大学校园微电网验证[21]。该研究在高等教育系统中发挥了重要作用，有助于完善高校教育资源的建设，并给学习者提供良好的学习体验。

③学习分析仪表盘研究

聚类“2”的代表性文献主要研究学习分析仪表盘，通过人机交互产生的数据来追踪学习者的学习行为。近年来，国际上配置的学习分析仪表盘大致可以分三类：第一类支持传统的面对面授课;第二类支持面对面的小组协作;第三类支持在线或混合学习的意识、反思以及意识形成和行为变化。Verbert等在研究中介绍了现有学习分析仪表盘应用程序的概况，以及这些应用程序为支持学习或教学提供的功能。研究结果表明，学习仪表盘的发展已经有了很大进步，一些有前景的模型验证了这些应用程序创造的潜力和机遇[22]。Park等则认为学习分析仪表盘是一个在虚拟学习环境中显示学生在线行为模式的应用程序。这个支持性工具通过跟踪学生的日志文件，挖掘海量数据来探测研究意义，并将结果可视化，以便客观地呈现学习者的学习状况。研究结果表明，再次开发的学习分析工具对学习者的成绩没有显著影响，但是可用性及试点测试中的可视化信息对学生的理解水平有影响。仪表盘的总体满意度作为一个协变量，对学生的理解程度和行为感知变化都有影响[23]。

④个性化学习环境研究

聚类“3”的代表性文献主要研究学习者的个人网络（虚拟学习空间），包括学习环境、学习动机、学习情绪等。Rizzardini等与来自三个不同拉丁美洲国家的参与者对PLE（个性化学习环境）进行了评估。PLE由ROLE（响应式开放学习环境）项目提供技术支持，测量了情绪、动机、可用性和对学习环境的态度四个维度。研究结果表明，该个性化学习系统普遍被认为是一个有用的学习平台[24]。

Casquero等使用学习分析方法，基于两所高校本科学生对学习网络的适应情况，对学习网络适应因素在学习过程中的影响进行了研究。研究结果表明，调查情况反映了公立学校在促进学生参与方面的有效性，还可以帮助学生建立更大、更均衡的个人网络。然而，这些发现并不能提供两种环境下学习成绩差异的证据[25]。

从方法论的角度来看，研究者从技术增强的学习环境中收集数据作为个人网络分析的例证。在高等教育中，对于学习者的社会网络分析，已经有很多相关研究。Gewerc等对圣地亚哥联合大学（西班牙）教育学位课程中的社会学习网络配置进行了探索性分析。通过社会网络分析（SNA）和信息提取来衡量学生之间协作的强度、中心性和相关性。其中，教学方法与在大学教育中使用社交网络的选择之间需要保持一致性和连贯性。密集的网络具有高度的互动性，中等程度的中心性和低集中指数具有影响其余（中介程度）的能力[26]。

⑤教学情境研究

聚类“4”的代表性文献主要研究教学情境，包括教学案例、不同情境下的学习行为特征。Bagdasarov等做了一项基于案例的学习、学生保留率和伦理决策、教学策略调查研究，将参与者随机分配到特定案例、自身案例、自主开发案例中。该研究旨在验证精细化和案例写作两种教学策略在伦理决策（EDM）、学习和知识迁移方面的效用[27]。

Dragan Gasevic等在研究中调查了混合学习模式下，九门本科课程的教学情境对学业成功预测的影响程度。研究表明，将日志数据合并以创建用于预测学业成功的一般化模型之前，要考虑技术使用的差异，尤其是学习者是否使用以及如何使用学习管理系统的相关差异。因此，在学习分析技术的研究中，要考虑技术应用的多样化，若缺乏对教学情境的关注，可能会导致低估学习管理系统特征对学生学业成功的影响[28]。

Mirriahi等在研究中利用视频注释工具揭示学生的学习情况。研究表明，当有评分或者不评分的注释时，受外部因素（即评分）的影响，更多学生处于面向任务和密集型的群体。当外部因素消除时，大多数学生表现出学习兴趣下降和简单学习行为[29]的特征。这些研究有助于对学生使用视频注释工具的不同特征进行深入了解。

⑥学习成就影响因素研究

聚类“5”和聚类“7”的代表文献主要是关于学习者学习成就影响因素的研究，包括满意度、学习动机、个体差异等。Kim等为了探寻学习分析仪表盘的利用率、满意度和学习成就之间的关系，做了一项实验研究，目的是为了验证学习分析仪表盘的效果。结果显示：使用仪表盘进行学习的学生获得的最终分数更高;以仪表盘的打开次数来衡量，仪表盘的使用频率对学习成绩没有显著影响;学习分析仪表盘的满意度与学习成绩之间略有正相关。进一步分析表明，只有少数几次使用仪表盘的学习者满意度较高。另一方面，频繁使用学习分析仪表盘的学习者学术成就较高，对仪表盘的满意度较低[30]。该研究从发展的角度深入探讨了学习分析仪表盘作为一种有效的、个性化的反馈工具，可以用来提高学习者的学习成就。

Lonn等对学生学习动机取向的变化展开调查研究，调查结果表明，学生在课程的学习过程中，知识掌握取向有所下降，形成学生的學业成绩负面预测，导致学生学习动机取向变化。该研究表明，在学习分析的干预设计中，需考虑学生的学习目标和绩效，因为结果分析工具直接影响学生数据的解释以及随后的学习成就[31]。

⑦学习管理系统研究

聚类“6”的代表性文献主要对学习者的学习方法、学习管理系统（LMSs）反馈意见、LMSs产生的自我报告数据进行研究。相关文献研究表明，学习管理系统可以提高学生的社区意识、参与度和成功率。Macfadyen等在研究中讨论了LMSs制度的规划受到学习分析技术的关注和支配，提出学习分析支持者必需深入研究社会技术领域，以确保学习分析数据能激励组织采纳，以教育改革的方式呈现给参与制度规划的决策人员[9]。

Jo等在前人研究的基础上，从数据集中选择了三个变量：总登录时间、登录频率和登录间隔规律。该研究根据多元回归分析的结果，确定所预置的变量是否能实际预测学习绩效，以及登录间隔的规律性与学习成绩预测是否相关。该研究主要使用学习分析技术来测试学习者网络环境下特定学习能力的可能性，探讨学习分析技术领域寻求教育学理论驱动方法的意义[32]。

五、研究结论与启示

学习分析技术近年来受到了教育领域的广泛关注，在理论研究和多学科实践应用方面均取得大量研究成果。随着教育智能化的深入发展，学习分析技术也面临着诸多挑战。例如：如何规范多元化数据格式，并进行有效耦合后导入到同一个分析框架;如何将数据挖掘工具纳入教育软件和系统中，促进各类数据的有效整合与利用;如何完善学习分析技术体系等。因此，还需对学习分析技术进行更深入的研究。

参考文献：

[1]何克抗. “学习分析技术”在我国的新发展[J].电化教育研究，2016，37（7）：5-13.

[2]顾小清，张进良，蔡慧英.学习分析：正在浮现中的数据技术[J].远程教育杂志，2012（1）：18-25.

[3]何晓萍，江毅，万昆.基于Web of Science的MOOC研究可视化分析[J].现代情报，2015，35（8）：92-99.

[4]张慧敏.引文分析法的内涵及研究实证[J].编辑学报，2006（S1）：174-177.

[5]何晓萍，江毅.国际远程教育研究的可视化分析[J].中国远程教育，2016（11）：53-60.

[6]Siemens G， Gasevic D. Guest Editorial - Learning and Knowledge Analytics[J].Journal of Educational Technology & Society， 2012，15（3）：1-2.

[7]Shum SB，Ferguson R.Social Learning Analytics[J].Journal of Educational Technology & Society，2012，15（3）：3-26.

[8]Garcia E，Romero C.A collaborative educational association rule mining tool[J].Journal of Internet And Higher Education，2011，14（2）：77-88.

[9]Macfadyen L.P，Dawson S.Numbers Are Not Enough.Why e-Learning Analytics Failed to Inform an Institutional Strategic Plan[J].Educational Technology & Society，2012，15（3）：149-163.

[10]刘敏，李兴保. 移动学习领域的可视化引文分析[J].电化教育研究，2012，33（11）：44-49.

[11]何曉萍，沈雅云. 深度学习的研究现状与发展[J].现代情报，2017，37（2）：163-170.

[12]张思琦，张文兰，李宝.国外近十年深度学习的研究现状与发展趋势——基于引文分析及共词矩阵的知识图谱分析[J].远程教育杂志，2016，35（2）：64-72.

[13]Baker R.S.J.D.， Yacef K.The state of educational data mining in 2009：A review and future visions[J].Journal of Educational Data Mining，2009，1（1），3–17.

[14]Siemens G，Long P . Penetrating the Fog： Analytics in Learning and Education[J].Td Tecnologie Didattiche，2011，46（2）：S866.

[15]Macfadyen LP， Dawson S.Mining LMS data to develop an “early warning system” for educators： A proof of concept[J]. Computers & Education，2010，54（2）：588-599.

[16]李青，王涛.学习分析技术研究与应用现状述评[J].中国电化教育，2012（8）：129-133.

[17]Angeli C， Howard S， Ma J， et al. Data mining in educational technology classroom research： Can it make a contribution？[J].Computers & Education， 2017（113）：226-242.

[18]Fernandez A，Carmona C J，Jesus M J D， et al. A View on Fuzzy Systems for Big Data： Progress and Opportunities[J]. International Journal of Computational Intelligence Systems， 2016，9（sup1）：69-80.

[19]Romero-Zaldivar V A， Pardo A， Burgos D， et al. Monitoring student progress using virtual appliances： A case study[J].Computers & Education，2012，58（4）：1058-1067.

[20]Liaqat Ali， Marek Hatala. A qualitative evaluation of evolution of a learning analytics tool[J].Computers & Education，2012，58（1）：470-489.

[21]Simmhan Y， Aman S， Kumbhare A， et al. Cloud-Based Software Platform for Big Data Analytics in Smart Grids[J].Computing in Science & Engineering，2013，15（4）：38-47.

[22]Verbert K， Govaerts S， Duval E.Learning dashboards： an overview and future research opportunities[J].Personal and Ubiquitous computing，2014，18（6）：1499-1514.

[23]Park Y， Jo，IH.Development of the Learning Analytics Dashboard to Support Students'Learning Performance[J].Journal of Universal Computer Science，2015，21（1）：110-133.

[24]Rizzardini RH， Linares BH， Mikroyannidis A， et al. Cloud Services， Interoperability and Analytics within a ROLE-enabled Personal Learning Environment[J].Journal of Universal Computerence，2013，19（14）：2054-2074.

[25]Casquero O， Ovelar R.Students' personal networks in virtual and personal learning environments： a case study in higher education using learning analytics approach[J].Interactive learning environments，2016，24（1）：49-67.

[26]Gewerc A，Montero L.Collaboration and Social Networking in Higher Education[J].Comunicar，2014（42）：55-63.

[27]Bagdasarov Z. An Investigation of Case-Based Instructional Strategies on Learning， Retention， and Ethical Decision-Making[J].Journal of Empirical Research on Human Research Ethics Jerhre，2012，7（4）：79-86.

[28]Dragan Gasevic，Shane Dawson，Tim Rogers，et al. Learning analytics should not promote one size fits all： The effects of instructional conditions in predicting academic success[J].Internet & Higher Education，2016（28）：68-84.

[29]Mirriahi N， Liaqat D， Dawson S， et al. Uncovering student learning profiles with a video annotation tool： reflective learning with and without instructional norms[J].Educational Technology Research & Development，2016，64（6）：1083-1106.

[30]Kim J， Jo IH， Park Y. Effects of learning analytics dashboard： analyzing the relations among dashboard utilization， satisfaction， and learning achievement[J].Asia Pacific Education Review，2015，17（1）：1-12.

[31]Lonn S， Aguilar SJ， Teasley SD. Investigating student motivation in the context of a learning analytics intervention during a summer bridge program[M].Elsevier Science Publishers B.V，2015.

[32]Jo IH，Kim D，Yoon M.Constructing Proxy Variables to Measure Adult Learners' Time Management Strategies in LMS[J].Journal of Educational Technology & Society，2015，18（3）：214-225.

（編辑：王晓明）