高等学历继续教育学习支持服务体系的构建

○李红燕 薛圣凡

当前，我国高等学历继续教育主要通过网络教学方式为学生提供远程教育服务，教师和学生在时空上处于准分离状态。尽管早期有研究认为，远程教育的学习者主要是成人，有强烈的内在学习动机、更成熟自律的学习习惯，属于“能够自我指导的个体”［1］。但是我国高等学历继续教育学习者的实际情况有所不同，大多数学习者的学习基础薄弱，自控力和持久性差，缺乏足够的自主学习能力，如不会思考、不会提问题、死记硬背等，表面学习、机械学习多，离真实学习、深层次学习还有一定差距［2-3］。

霍姆伯格认为，课程开发和学习支持服务是远程教育系统中院校和教师的两大主要功能。学习支持服务是否健全和到位，直接影响着远程教育学习者的学习效果［4］。然而，对于我国MOOCs平台的研究发现，远程教育平台提供的课程学习支持服务类型总体上较为单一，超过半数的课程没有提供导学和促学［5］。那么，如何构建适合我国高等学历继续教育学习者的学习支持服务体系？这是本文的核心问题。

一、大数据环境中的学习支持服务范畴与构建路径

（一）学习支持服务的内涵与范畴

“学习支持服务”又叫“学生支持服务”或“学生支助服务”。这一概念最早由英国开放大学大卫·斯图尔特教授于1978年提出，其范畴包含学校向学生提供的面授教学以及各种信息、资源、人员和设施服务［6］，大体可以分为学术性及非学术性两个方面［7］。

正如西沃特所言，“在远程教育的学生支持系统中存在着几乎无限的变化”［8］。随着网络教育规模的持续扩大及各类教育技术的发展，高等学历继续教育学习支持服务的范畴也随之发生转变。2011 年，《Analytics at Work，Smarter Decisions，Better Results》一书中提出了一个矩阵，它根据时间焦点（过去、现在和未来）将分析学的主要研究问题分离出来；2012年，亚当·库柏在此基础上提出了一个学习分析框架（Framework of Characteristics for Analytics［9］，有助于明确大数据环境中学习支持服务的范畴。

基于这一框架，可以按照阶段将学习支持服务大致分为三类：一是通过追踪和监测学习者的学习行为与学业成就，为学习者提供可视化服务，促进学习者的自我评估、诊断、反思；二是为学习者提供个性化咨询指导与精准性推荐，满足学习者的个性化学习需求；三是基于学习者过去的行为与学习效果，描绘学习者画像，预测学习者未来的学业表现，识别需要帮助的学习者并提供预警与干预措施，促进他们的学习。

（二）学习支持服务体系构建方法研究

1.基于学习需求的支持服务体系构建。国内外许多研究将学习者需求作为学习支持服务体系建设的出发点和着力点。英国开放大学副校长艾伦·泰特指出，现代远程教育是服务业，学生是顾客［10］。贝纳雷特·罗宾逊也指出，一个运作良好的学生支持服务系统的主要特征是表达了学生的需求［11］。我国学者白倩等人基于日本学者狩野纪昭提出的KANO模型，借鉴了库尔特·马茨勒提出的KANO模型应用方法，针对MOOC学习者的学习需求进行了问卷调研，将学习需求分为魅力需求、必备需求、一维需求和无差异需求四类［12］。

总体来说，基于学习需求的支持服务体系研究较为直观地体现了学习者的学习需求，为学习支持服务体系的构建提供了较强的理论与应用价值。但这一方法也存在一些问题：一是研究大多数围绕MOOC教学开展，其服务对象与我国高等学历继续教育学习者在学习动机、教育背景、学习能力等方面存在较大差别，研究结论无法直接应用于学历继续教育；二是我国高等学历继续教育学习者存在一定的功利性学习需求，这可能促使他们不以真实学习的发生作为判断学习支持服务质量的标准，进而会导致结论错误；三是学习者的满意度受到多种因素影响，仅仅考虑学习者的学习需求并不足以构建完善合理的学习支持服务体系。

2.基于服务感知的支持服务体系构建。研究者认为，学习者作为学习支持服务最直接的感知对象，其满意度是学习支持服务质量的直接体现，是影响远程教育学习效果的重要因素。国内研究主要借鉴市场营销等学科中关于顾客满意度的理论，围绕学习者体验构建学习支持服务体系模型。如结合美国顾客满意度指数模型（ACSI）和期望确认模型（ECM），构建学习支持服务与MOOC课程持续学习意愿之间的关系模式［13］，还有的研究者按照入学、学习阶段、毕业之后等三个维度的需求服务建立远程学习支持服务体系。

基于服务感知的支持服务体系构建也存在一些问题。一方面在某些语境下，基于服务感知的支持服务体系和基于学习需求的支持服务体系在概念上难以区分，两者有时作为同一概念一起出现，因此基于服务感知的支持服务体系构建与基于学习需求的体系构建存在同样的问题；二是基于服务感知的支持服务体系构建依赖于一个前提逻辑，即学习者的感知能准确反映学习支持服务体系的真实质量，并且学习者对学习支持服务体系的功能要求与教育目标、教学目的相一致，但这一前提显然并不总是成立。

3.基于语义维度的支持服务体系构建。英国开放大学教授奥蒙德·辛普森将学习支持服务分为学术性及非学术性两个方面，前者是与课程内容直接相关的服务措施，是为学习者提供的知识、认知、智力等专业性支持；后者主要是在学生学习时提供情感与组织方面的支持，包括管理性质的支持和情感方面的支持。

例如，一项关于SPOC课程的学习支持服务研究［14］将学习支持服务分为教学、管理、评价支持三类属性；也有研究将学习支持服务界定为人员支持、资源支持、活动支持以及评价支持四个维度［15］。还有的研究对英国高等教育质量保证署、英联邦学习共同体、欧洲远程教育大学联盟和亚洲开放大学协会等四所国外远程高等教育机构公布的学习支持服务标准进行比较后，从中得到了学习辅导、学习技能培养、技术支持、咨询服务和监控与反馈等五项核心要素［16］。

总体上，基于语义维度的学习支持服务体系构建通过经验性分类，基本能够覆盖支持服务的全过程，对研究者与实践者来说具有较强的启发性。但是，随着维度下沉与指标细化，对学习支持服务内涵与外延的界定将越来越困难，且容易出现经验、常识等认知所带来的误差。

（三）基于学习者画像的学习支持服务体系构建路径

哈佛大学Christopher J Dede教授认为，观察和获取学生在学习过程中的行为活动相关的微观行为数据，能够帮助教学设计实现从“高瞻”（Highsight）到“远瞩”（Foresight）的过程：从利用大数据对学生的学习状态进行描述性分析，到诊断性分析，到预测性分析，再到处方性分析。在这一过程中，可以识别高危学习者，判断哪些学生可能会在哪里遇到困难，何时、如何对不同的学生实施有针对性干预，哪些干预是有效的，等等。这些对于提高教师教学、学生学习的有效性，具有重要指导价值［17］。基于此，本文提出了基于学习者画像的学习支持服务体系构建路径（见图1）。

图1 基于学习者画像的学习支持服务体系构建路径

二、构建学习者画像

（一）学习者画像的构建要素

学习者画像的概念脱胎于商业领域的“用户画像”，广泛用于勾画目标用户、发现用户诉求、确定产品定位与设计方向等方面［18］。在教育领域，学习者画像主要用于识别和分析学习者特征，以便于为其提供有针对性的学习支持服务。

本文从基本信息、行为模型、学习风格、兴趣偏好、情感模型等5个维度构建学习者画像，每个维度包含若干标签（见表2）。

表2 学习者画像维度

其中，基本信息属于静态信息，由学习者在注册入学时填写，包括姓名、学号、年龄、性别、民族、职业、专业层次、地域等人口学特征。为了保护用户隐私与数据安全，这些数据将在脱敏后使用。

行为模型是学习者在远程教学平台上的行为数据，是动态信息。如学习时间跨度可以反映学习者是否有明确的学习计划，评测学习者能否建立对学习的总体把控；平均每次在线学习停留时长可以反映学习者的注意力是否集中；学习笔记、重复学习次数、在线总时长等数据可以反映学习者的学习习惯是否良好；讨论交流、接收反馈数量反映学习者对远程学习的沉浸感和归属感［19］。

学习风格是学习者一贯的带有个性特征的学习方式，是学习策略和学习倾向的总和。研究者们基于不同的研究需要，提出了众多的学习风格模型。其中，Dunn学习风格模型、Kolb学习风格模型及Felder-Silverman学习风格模型（Felder-Silverman Learning Style Model，简称 FSLSM）比较有代表性。在讨论技术环境中的学习时，FSLSM更被认可［20］。该模型将学习者划分为活跃型、沉思型等八类两两对照的风格（见表3）。为了更适应在线学习者学习风格的测量，格拉夫等人提出了FSLSM每个学习风格维度的相关在线行为模式（见表3）［21］。因此，明确远程教育学习者的学习风格，既可以通过传统的问卷量表进行测试，也可以通过分析他们的在线学习行为加以解析。

表3 Felder-Silverman学习风格模型的相关在线行为示例

兴趣偏好是学习者进行远程在线学习时，在资源类型、学习时间、学习地点、学习设备等方面的偏好。这些信息的获取有助于高校改进远程教育支持服务，以更适合的呈现方式、运行系统和辅导时间去服务学习者。

情感模型的建立有助于学校根据学习者的情感状态采取有针对性的干预措施。情感模型由文本情感、面部情感、音频情感三类信息组成［22］。文本情感数据收集自学习者的在线学习活动，通过对文本的内涵与表达方式等信息的解构，分析学习者的在线交互情况、知识构建情况；面部情感主要收集自学习者的面部表情，有时也包含身体语言，这一部分信息的获取要通过视频技术和面部表情识别技术来实现；音频情感收集自学习者的声音，通过对声音的声强、响度、音高、基音周期、共振峰等语音信息特征分析。

（二）学习者画像的构建流程

从对以上5个维度的数据收集、处理进而使用的层面出发，本文提出了由数据层、处理层、服务层构成的学习者画像构建流程（见图2）。

图2 学习者画像构建流程

第一层是数据层。为了建立学习者模型，必须收集大量的学习者信息与行为数据。在表1中，本文列举了5个维度下的多个标签，但这些标签是由底层数据经结构化处理而获得的。数据层的作用是采集到这些底层数据。基本信息数据与人格特征数据基本可以通过教务管理平台获取，由学习者在注册入学时填写个人信息并进行学习风格测试。行为模型、兴趣偏好及情感模型数据可以从远程教学平台获取，通过读取学习者在平台上的“足迹”完成数据收集。

表1 学习分析技术研究的关键问题

第二层是处理层。在数据层获取的数据必须经过结构化处理，将底层数据转换成高层数据、打造高价值的数据标签［23］。目前，文本分析、数据挖掘、机器学习等技术越来越广泛地被应用到数据处理与分析中，图2简化描述了3种技术的应用过程。

第三层是服务层。学习者画像是对学习者进行分析与分类的过程，其目的在于根据学习者特征为其提供针对性学习支持服务。图2给出了学习者画像的几种服务方式，下文将对此重点进行阐释。

三、定制学习支持服务

（一）可视化

可视化是将数据、信息和知识以直观、形象的视觉形式表现出来，帮助人们更好地观察、解释、分析和发现数据背后隐藏的特征和规律，包含信息可视化、数据可视化、知识可视化和知识图谱等重要概念和研究分支。其中，数据可视化与知识可视化在远程学习支持服务体系中能够发挥重要作用。

1.数据可视化。学习仪表盘是数据可视化在远程教育中加以应用的体现。学习仪表盘包含哪些成分是首要问题。Course Signal将学习时间、社会交互、文档与工具使用、练习及测试等信息可视化，Narcissus呈现社会交互、文档与工具使用情况，SAM呈现学习时间、练习及测试、文档与工具使用、产生式资源等信息［24］。同时，学习仪表盘作为信息可视化工具，理当以好的视觉设计减轻使用者的认知负荷。根据英国哈德斯菲尔德大学教授丽姿·贝内特和汕头广播电视大学教授肖俊洪的研究，学习者更喜欢仪表盘中呈现简单、易于理解的成分，比如出勤记录、目标进度和课程概况等；学习者对数据呈现形式也很重视，有些学生更喜欢图表呈现，但有些学习者比起单纯的图表，还希望有文字性叙述帮助他们更好地进行理解［25］。

基于上述分析，本文设计了面向学习者、教师和教学管理人员三类人群，包含主要成分和呈现方式的学习仪表盘模型（见图3）。

图3 学习仪表盘服务模型设计

2.知识可视化。知识可视化（Knowledge Visualization）是在科学计算可视化、数据可视化、信息可视化的基础上发展起来的，Martin J.Eppler和Remo A.Burkhard在2004年提出了被广泛认可的定义：“知识可视化领域研究的是视觉表征（VisualRepresentations）在提高两个以上人之间知识创造和传递中的应用”，是“所有能够用来构建和传递复杂见解的图像化手段（Graphic Means）”［26］。知识可视化工具有启发式草图（Heuristic Sketches）、概念图（Conceptual Diagrams）、视觉隐喻（Visual Metaphors）、知识动画（Knowledge Animations）、知识地图（Knowledge Maps）等，人们在生活中常见的文字云、思维导图、鱼骨图等也是知识可视化工具，对于提高学习者的学习效率和效果具有积极意义。但是目前，知识可视化在我国现代远程教育支持服务中的作用还没有得到重视，应用较少。

本文认为，知识可视化在远程学习者的初学和复习的两个阶段都能发挥积极作用。比如，在学习者的个人页面将本专业所涉及的课程、课程所涉及的知识点以知识地图的方式加以显示，而非单纯以列表形式排布课程视频，这样能帮助学习者在头脑中构建完整的专业知识体系；在学习具体的知识点时，可以通过一些知识可视化工具帮助学习者理解、记忆和应用新的知识点，并在图表与相关的练习题或测试题之间建立链接，方便学习者后续课后复习巩固。

图4 知识可视化的作用示例

（二）精准推送

在远程学习中，信息推送技术技术主要被用来为学习者推送学习资源与学习伙伴。

学习资源推送是利用推送技术向学习者自动推送课程、各类学习内容、学习时间提醒等信息。基于我国高等现代远程教育的办学现状，学习者所能接触到的资源不同于诸如MOOC等形式的其他远程教育形式，是依据本专业课程体系设计的，不太可能会出现在海量资源中的“迷航”问题；但同时也受限于本专业的课程体系，学习者在课程设计和资源获取上的话语权极小，只能在有限的选修课中稍稍得以彰显。因此，开发和利用好学习资源推送系统，一方面呼应了“大数据”时代的智能教育主题，以智能化、个性化推动学习效率和效果的提高；另一方面也能促使高等现代远程教育办学机构（即高校）进一步优化培养方案与课程体系，有助于完善高等现代远程教育办学。

同时，由于学习者在远程学习中与教师和其他学习者长期处于分离状态，缺少交流和督促，需要独自面对学习过程中遇到的苦难和障碍，不免出现孤独、无助，甚至厌学等心理，影响学习效率。在这种情况下，采用信息推送技术为学习者推送具有相同专业背景与兴趣偏好的学习伙伴，能够帮助学习者在增进社会交互的同时，加深他们对知识的整合与理解，促进深度思考。

本文认为，可以基于本体论（Ontology）构建学习资源与学习伙伴推送模型（见图5）。

图5 基于本体论的学习资源与学习伙伴推送模型

实现精准推送的第一步是要建立学习者本体论库与资源本体论库。学习者数据由显性信息和隐性信息组成。显性信息包括学习者在入学前填写的个人基本信息及学前学习风格测试；隐性信息主要是系统跟踪获取的学习者的学习行为，包括行为模型、兴趣偏好、情感模型等概念（或说符号）。以上概念及其关系、属性及对词汇表外延设定的各类规则等共同映射形成了学习者本体论库，我们可以用RDF和OWL等语言对其进行描述，以便机器理解。因此，很多人认为可以将“本体”理解为“概念集”。资源本体论库的构建过程与之相似，只是映射它的概念不同。

在第二步，模型的主要任务是在学习者本体和资源本体之间建立关联逻辑。通常的，向学习者推送学习资源时主要有两类常见的关联逻辑：一类是直接从学习者学习过的学习资源进行关联；另一类是根据学习行为对学习者进行画像，根据同类人群的偏好进行关联。本文主张在为学习者推荐学习资源的同时，利用好第二类关联逻辑为学习者提供学习伙伴推荐服务，提高系统数据的利用效率。

模型的第三步是实现从学习者本体到资源实例、从学习者本体到其他学习者实例的转换。其中既包含了从学习者本体到学习者实例、从资源本体到资源实例的反映射，又必然要经过学习者与其他学习者和资源概念的相似度计算（见图6）。

图6 从本体到实例的算法实现流程

（三）个性化咨询指导

学习者画像为学校根据学习者的个体情况，有针对性地开展导学、督学与促学工作奠定了基础。比如，可以根据学习者的学习风格为其提供个性化导学服务，根据学习行为判断学习状态与辍学风险，及时进行干预，开展学业预警和个别化教学辅导。

1.咨询与辅导。远程教育领域的佼佼者——加拿大阿萨巴斯卡大学（Athabasca University，简称“AU”）在多年的办学实践中构建了立体化的咨询服务体系：咨询形式上包含电话与自助系统，学生可以使用“Ask AU”系统在线进行提问，系统会自动给出回答并抓取热点问题进行展示；指导群体包括潜在生、学历生和无类别学生三类，潜在生可以通过“AmI ready”等自评工具进行自评，测评自己是否适合远程学习方式以及语言和数学等方面的准备情况，减少因前期准备不充分而导致的辍学，学生也可以通过“Mapping your future”了解取得职业证书的路径和方法，AU将参考学生的职业规划，为学生量身设计课程计划［27-28］；咨询内容包括行政问题与学术问题，前者由学生顾问回答，后者由学术顾问回答。

借鉴AU经验，现代远程教育可在学习者画像的基础上开展个性化导学、督学和促学。如在学习者入学前，在常规的入学考试之外增加计算机水平、学习动机、学习习惯等方面的测试；入学后、开课前，根据学习风格向学习者给出学习方式与学习路径推荐；学习过程中，按照学习者的地域与专业等基本信息组织开展线下的教学辅导活动，并通过跟踪Agent监督讨论交流、学习进度等学习行为，据此判断学习者对课程或知识点的掌握情况，及时提供辅导。

2.学业预警。美国普渡大学的“信号灯”系统是知名的学业预警机制。“信号灯”系统通过采集和计算学习者特征、课程学习表现、努力与投入程度、前期学业成绩等数据，对修业成果进行预测并以红、黄、绿三色信号灯的形式呈现给学生和教师。

现代远程教育在构建学业预警体系时可以借鉴普渡大学的经验，一方面在形式上参考“信号灯”系统，便于教师、学习者和教学管理人员直观地掌握学习者的学业表现并及时判断课程失败或辍学、滞留等风险；另一方面，在向“高危”学习者亮起“红灯”的同时，也要通过学习平台、电话、短信、电子邮件、各类社交软件和面谈等各种形式进行干预，督促指导学习者调整学习进度、改进学习效果。同时，学业预警的效果如何也需要检验，通过各类学习数据分析学业预警的效果与不足，进一步优化和改进预警措施和提升预警效果。

图7 个性化咨询与指导流程

四、监测学习效果

指导和帮助远程学习者实现学习目标，是学习支持服务体系的价值。因此，学习支持服务体系的构建是否合理有效，可以根据学习者的学习效果来判断。

对学习效果的构成要素，不同研究各有侧重。韩国学者金爱莲编制的《成人学习成果量表》考量了认知、情感、身体、就业、社会生活、家庭生活等6个领域［29］。有学者认为，学习成果包括基础知识掌握程度、方法掌握程度、问题解决与任务完成程度、能力形成程度四个因素［30］。一项对国外多所高校大学生学习成果评价的研究发现，取得较好评价效果的学校，普遍将评价内容直接与学生所接受的通识教育、所要养成的能力素质直接相关。比如，比较典型的沟通交流能力、批判思维素质、团队合作精神、问题处理能力等，均可以在学习成果评价中找到对应的内容［31］。

实际上，我国现代远程教育的对象大多数是没有接受过大学教育的在职人员。一方面，他们是成人学习者，其反应速度、记忆力、创造性思维水平等与其他群体不同，学习动机更加明确和功利，追求效率与实用性［32］，因而对现代远程教育学习者学习效果的评价也不同于普通教育；另一方面，现代远程教育学生以取得学历证书为主要目的，学制上有雷同于普通学历教育的一面，要按照年级按部就班地进行学习，因此他们的知识发展水平应是渐进的。

综上所述，本文认为应从知识发展水平、认知发展水平两个维度测量学习者学习效果。其中，知识发展水平由课程成绩、作业成绩等因素构成；认知发展水平由学习动力、学习策略、逻辑推理能力、计算机水平与英语水平等因素构成，重点是测量学习者知识和心理发展水平对学习的适应度。同时，对不同专业、年级的学习者，应设置不同的测量内容与标准。

当前，新冠疫情促使在线教育大规模推广应用，云计算、大数据、人工智能等新兴技术持续推动教育变革，对远程教育学习支持服务提出了更高要求，也为个性化、智能化教育教学提供了坚实基础。在这一背景下，本文基于Cooper提出的学习分析框架，将基于学习者画像的学习支持服务分为三类：一是通过追踪和监测学习者的学习行为与学业成就，为学习者提供可视化服务；二是为学习者提供个性化咨询指导与精准性推荐；三是基于学习者过去的行为与学习效果，描绘学习者画像，预测学习者未来的学业表现，识别需要帮助的学习者并提供预警与干预措施，形成了集学习反馈、学习推荐、学习预警与学习干预为一体的学习支持服务体系。要特别说明的是，本体系并没有面面俱到，将学习支持服务的范畴全部涵盖，更适宜于大数据环境中的现代远程教育。