基于学习分析的小学生自主学习脚手架模型及实证研究

王涵 黄涛 田俊 杨华利 韩鹏东

[摘   要] “互联网+”背景下，技术与教学深度融合、实现差异化、个性化的教学是教育发展和变革的必然趋势。自主学习是学生核心素养的关键要素，但在基础教育的实际教学中较易被忽视。文章建立了基于学习分析的小学生自主学习脚手架模型，以最近发展区和脚手架理论为理论基础，认知诊断模型和知识跟踪技术为核心学习分析引擎，从计划、监控与评价三个阶段设计学习支持策略，为自主学习过程提供知识掌握状态、学业历程趋势等学习支持，提高学生课后自主学习的效率。最后，我们在实际教学环境中验证了模型的应用效果，发现使用学习分析技术赋能小学生课后自主学习，可以达到提升学习效果并促进学生学习策略的培养目的。

[关键词] 面对面课堂; 学习分析; 自主学习; 脚手架; 学习效果

[中图分类号] G434            [文献标志码] A

[作者简介] 王涵（1994—），女，湖北武汉人。博士研究生，主要从事学习分析、教育大数据领域研究。E-mail：wangh @mails.ccnu.edu.cn。黄涛为通讯作者，E-mail：tmht@mail.ccnu.edu.cn。

一、问题提出

大数据、人工智能等技术与教育教学的融合，推动教学、学习和管理朝着更加精准化、科学化、个性化的方向发展。《中国教育现代化2035》也将有机结合规模化教育与个性化培养作为重要战略任务。当前，在线学习平台逐步深入的使用，积累了大量教育教学数据。通过学习分析技术进行挖掘、分析和建模，教师得以更精准地把握学情，提高教学的针对性和效率;教育管理者也能更合理地进行教育资源的均衡配置，从而促进学生个性化发展。相关研究已经指出，自主学习能力是核心素养的本质与关键点，自主学习能力的养成是迈向未来教育的基本动力[1]。

国内外学者关于大数据和学习分析的研究已取得了丰硕成果，主要包括学习者个性化认知模型构建、学科知识图谱构建、数据挖掘分析、资源语义自动标注、个性化智能推荐引擎、区域教育决策分析等，为技术赋能小学生个性化自主学习提供了创新思路。

自主学习，或称自我调节学习、自我监控学习，被定义为“学生为实现其学习目标而有系统地产生的思想和行为”过程的预期结果[2]，包括计划、监控和评估三大环节，涉及目标设定、环境构建、任务策略等六项自我调节能力，需要学生对学习状态有充分的了解和掌控，然而，在中小学以“面对面”为主的教学中，学生课后自主学习仍存在学习状态判断不准确、学习历程缺乏及时有效反馈和个性化学习路径的引导、学习资源同质化、技术与教学过程融合不完善等制约自主学习效果的问题。

技术赋能的学习场景下，学习分析通过测量、收集、分析和报告学生学习数据，理解学情并加以改进[3]，能够对学生的学习状态进行客观的精确判断，为学生自主学习的内容提供科学依据。利用学习分析工具实时跟踪学习过程，能及时个性化地调整学习路径，提供个性化的资源和支持。已有研究表明，技术支持调节过程能够让学生更多或更好地使用学习策略，从而提高学习成绩[4-6]。

因此，我们认为技术应用在學习过程中能有效弥补教师无法顾及的问题，承担学习脚手架的角色，支持学生的课后自主学习。但是，技术赋能自主学习的相关研究当前存在注重学情信息展示而非学习过程反馈，注重线上学习而忽视传统面对面课堂，注重高等教育中的自主学习而对基础教育阶段研究较少等问题。

那么，如何利用技术有效支持小学生的课后自主学习呢？本研究以学习分析技术为核心，构建基于学习分析的小学生自主学习脚手架模型，在传统课堂的课后学习中，使用学习分析技术支撑小学生课后自主学习，并通过实验验证了该模型对学生学习效果的影响。

二、文献探讨

（一）小学生自主学习的难点分析

自主学习是学生为学习而采取的一系列个人策略，例如，学生设定个人学习目标，监控他们朝着这些目标的进展，当他们没有达到这些目标时寻求帮助，并反思这种学习，以了解他们用来实现特定目标的策略是否有效[7]。小学阶段是自主学习能力养成的关键时期，在这个时期养成的良好习惯是中学初期保持较高自主学习能力的主要原因之一[8]。虽然各国都将自主学习能力视为核心素养培养的关键要素，但当前实际教学中为学生营造的是一种非自主学习环境。小学生虽然具备一定的自主学习能力[8]，但很少有自主学习的机会[9]，对学习自主性培养的忽视也极易导致学段衔接[10]等一系列问题。

在传统环境的面对面教学中，存在一系列制约学生课后自主学习有效性的问题，如学习状态依靠主观经验判断、学习历程缺乏及时有效的反馈和个性化学习路径的引导、学习资源同质化、技术与教学过程融合不完善等。

有效的自主学习建立在学习者充分了解自身学习特点和需求的基础上。小学生习得的知识、方法和策略较为有限，因此对学习状态的判断依靠教师、家长和同伴的反馈。但教师素养的不足往往也导致自主学习仅停留在课堂教学程序调整的层面，将“自主学习”简单地操作为“先学后教”[11]。

同时，一些研究表明在课堂上使用技术干预可能存在负面影响。在Hembrooke和Gay[12]的一项研究中，关闭笔记本电脑的学生能记住更多课堂材料。Bergen等人[13]发现学生在观看复杂的信息屏幕时，回忆信息的次数减少了10%，在课堂上使用技术进行多任务处理的学生在认知上没有集中精力学习，被认为是认知逃课。因此，使用技术从学习的其他环节进行干预可能更为合适。

自主学习的过程中，根据学习风格、能力、进度等因素的不同，学生需要不同程度的支持[14]，否则就有可能由于反馈过多和反馈时间不适当[15]影响干预效果。一些研究尝试使用学习分析技术促进面对面课堂的学习，例如在课堂上使用自动写作反馈工具[16]、使用Web 2.0工具激励STEM教学[17]、用仪表盘系统监控面对面课堂的协作学习[14]等。其中，部分研究尝试为课后自主学习提供个性化学习工具支持，如在作业内容的布置上体现个性化，但未考虑与自主学习过程中状态变化的匹配问题。因此，需要一种学习支持工具让学生和教师更直观地了解实时的学习状态，实施更符合学习者能力特征的教与学。在课后学习阶段引入学习系统支持学生自主学习，更有利于因材施教的实现和学生自主学习能力的培养。

（二）技术支持的自主学习工具

教育信息化2.0时代，数字化学习在技术发展的推动下，逐渐成为教育发展的最新趋势。近十年来，大脑研究不断发展让教育工作者和研究人员了解学生的学习方式[18]。数字化学习已是学习过程的重要组成部分，新环境下的自主学习的研究正从各个方面展开。

技术支持的自主学习脚手架相关研究可以分为三种类型，第一种是为学生提供自主学习的程序性支持，如使用技术为学生自主学习提供学习规范支持，提升翻转课堂的学习表现[6]。在基于计算机的图形管理器中嵌入自我调节学习策略支持学生写作[19]。第二种是提供个性化学习内容支持，如根据学生能力提供不同程度的试题提示的编程学习脚手架[20]和在故障排除任务中提供解决方案和过程信息的问题解决能力脚手架[21]。第三种是提供学情信息为主的学习分析支持，通常以学习分析仪表盘的形式呈现。如向学生展示学业比较信息[22]、学习进度信息[14]等。

但是，已有研究在支持小学生自主学习方面仍存在一些缺陷。第一，面向学生提供学习分析结果的支持工具多以学情信息展示，或通过成绩比较[23]实现有限的学业预警等功能，未能从内部支持自我调节学习[24]，缺乏利用数据自动生成学习过程反馈[2]以个性化指导课后自主学习的研究。第二，当前多数研究中技术赋能的学习只在e-Learning环境，如使用智能教学系统等管理学习过程[25]，提供适应性的学习路径[26]和内容[27]，但只分析在线学习活动数据，而且减少了学习过程中的教师参与，容易导致师生心理距离感过强、负面影响学生认知等问题。而教师无论采用何种教学模式，对学生学习的影响都远大于学校或课程[28]。仍应鼓励教师在传统课堂环境中的实践[29]，而非减少教师的参与。第三，为了达到个性化教学的目的，相关研究提出了一些解决方案，但较少对面对面的学习过程进行分析和改进。部分研究虽注意到面对面课堂更需要根据学习进度给予差异化支持[30]，如用于课堂协作学习的仪表盘系统[14]，适用于课程的学生学习分析仪表盘集成框架[31]等，但也仅用于课上学习，未为课后自主学习提供个性化支持。第四，就相关研究的对象而言。技术支持的自主学习多以大学及以上学生为研究对象，基础教育阶段的研究相对较少（仅仅10%）[24]，由于不同年龄段人的身心发展、认知发展特征、自主学习能力等因素，为大学生设计的学习支持对小学生而言并不完全适用。

三、基于学习分析的小学生

自主学习脚手架模型

本研究以智能采集和学习分析技术为支撑，以最近发展区和脚手架理论为基础，构建了基于学习分析的小学生自主学习脚手架模型（如图1所示），分为理论层、技术层、策略层和实践层四个层面，对小学生自主学习提供学习支持。

（一）理论层

维果茨基的最近发展区理论认为，对部分弱势学生，或学生个体的弱势能力，若不在下一阶段学习开始前及时干预，会影响后续学习的效果。布鲁纳在此基础上提出的脚手架理论以及以此延伸出来的脚手架教学法，则是在学生建构知识的过程中提供一些支持以帮助学习者尽快穿过最近发展区，提升学习效率。

因此，基于学习分析的小学生自主学习脚手架模型基于自主学习理论模型[7]描述的自主學习过程特征，基于反馈理论和社会比较理论，设计合理的反馈内容和时机，基于脚手架理论的思想，为学生自主学习提供必要的学习支持，以帮助学生高效通过最近发展区。

（二）技术层

学习分析技术是学习支持的技术支撑。在教学实践中，学习状态的准确判断存在较高的数据素养要求，而无论教师还是家长，尤其对于小学生而言，通常都不具备足够的能力充分分析学习者特点和需求。常用的学习分析技术包括以DINA为代表的认知诊断模型和以DKT为代表的知识跟踪模型。前者能够根据学生作答反应估计其潜在的认知结构，通过EM算法来估计参数，据此判断其学习状态和最近发展区，为适应性学习支持提供依据;后者能够对学习者过程进行认知建模，对学习者的认知发展趋势作出判断。

为了提高课后自主学习的效率，需要及时分析课堂学习过程，为自主学习提供适应性的支持。然而，在传统线下课堂的学习环境中，学生的行为和认知等数据的获取不同于e-Learning环境，可以直接从系统日志调取。线下环境，学生在课堂乃至课后在家的学习活动不在某一特定的学习系统中发生，因此需要使用智能采集技术获取相关的学习者数据。对于面对面课堂的学习，可以通过图像识别或语音识别等技术采集学生的课堂数据、作业数据、测试数据等学习过程数据，从中挖掘其学习状态、情感或行为模式。

因此，自主学习脚手架的技术层需要使用智能采集技术获取学习过程信息，再通过认知诊断、知识追踪等技术分析学生的学习状态，据此及时提供学习支持。

（三）策略层

根据自主学习理论模型[7]将自主学习划分的不同阶段，学习者在每一阶段的行动内容对学习支持的需求不尽相同。因此，为了从内部支持学习者的自主学习，自主学习脚手架也应针对计划、监控、评价三个阶段为学生提供不同程度的学习支持。

本模型面向小学生提供自主学习支持，相比年龄更大的学生，小学生自主学习的难点在于缺乏对自身学习特点和需求的分析能力，且由于缺少自主学习的机会，学习资源获取与筛选的能力也受限，而非缺乏自我调节能力[8]，因此，需要在学习过程中提供更多的学习状态信息和个性化学习资源作为支持。

（四）实践层

通过以认知诊断技术为支撑的学习分析技术，可以基于学科知识图谱提供学习者个人的知识能力状态，以及班级、年级的平均知识掌握水平、测试结果所在分数段和各分数段总人数、试题正确率等学业比较信息。社会比较理论认为，提供学业比较信息能够促进学生的认知[23]。因此，除了学习者个体学习状态，脚手架还应为学习者提供其所在群体的学习状态信息。Bangert-Drowns和Kulik[32]提出的循环反馈模型将学生在学习反馈过程中的经历划分为学生的初始状态、激活搜索和检索策略、学生对问题的回应、学生根据反馈评估回应和学生认知状态的调整五个阶段，反馈只在被学习者个体注意到并适合其学习状态时，才能产生积极影响。一些实证研究表明，当学生及时收到学习的进度信息和改进建议时，其学习动机、成就和信心都会得到增强[33-34]，因此，自主学习脚手架应该在学习过程中为学习者提供及时的、适应性的反馈，实时跟踪和评估学习历程趋势。

在自主学习的计划阶段，学习分析系统根据面对面课堂的学习活动分析当前学习状态，作为设定个人学习目标的依据，脚手架模型提供的学习支持包括认知诊断评估的评价工具、知识掌握状态和学业比较信息。

监控阶段，学习者根据学习目标执行学习计划，并持续监控学习进展。脚手架应根据学生的最近发展区，提供学习者个体和群体的学习反馈结果，同时提供学习路径推荐或个性化学习资源推荐等计划执行的程序性支持，帮助学生确定应学的内容，确保学习内容处于当前的最近发展区，适合当前学习状态。

在评估阶段，学习者需要准确评估自主学习的成效，自主学习脚手架应再次提供认知诊断评估的支持，帮助判断最近发展区的变化，确认下一阶段的知识点。同时，基于学习分析技术提供预测性分析，基于学习过程数据进行阶段学业预测，包括学习历程趨势信息和知识点掌握情况的学业预测信息。

四、基于脚手架模型的小学生自主学习效果验证

（一）研究对象与方法

本研究是“互联网+”条件下新型课堂教学模式研究项目的研究内容之一。宁夏作为首个“互联网+教育”示范区，在其规划和实施方案中提出要解决“传统课堂教学质量不高、学生创新能力不强”的问题，深入推进“互联网+”背景下的学校教学模式创新。本研究以实验法为主要研究方法，选取了宁夏某小学同一位教师所教授的两个班级进行组间对照实验。随机选择一个班为实验组，使用脚手架模型开展课后自主学习。对照组班级仅采集学习数据而不进行任何干预。

（二）研究实施和数据采集

以项目组研发的学习分析系统作为支撑平台，在实验校搭建了智能教学环境，采集学生课堂和课后的学习活动数据，开展跟踪监测和评价，以支持学生自主学习。如图2所示，本研究所实施的基于脚手架的小学生自主学习过程分为计划、监控、评价三大阶段。

第一，计划阶段。在课堂学习完成后进行认知诊断评估，并利用学习分析仪表盘的形式呈现分析结果。学习报告的内容包括知识掌握情况和学业比较信息等分析结果的可视化显示。

第二，监控阶段。利用学习分析系统提供了错题本和知识点扩充练习，帮助学生确定学习路径。在学生自主学习过程中，根据学业预测的结果，定向推荐个性化练习试题等学习资源。

第三，评估阶段。再次通过系统进行认知诊断评估，帮助学生评价自主学习的效果。通过统计一定时间段内学生的学习历程和可视化，学习分析报告提供了学生个人与班级对比的曲线图，为学生掌握自己的学习波动情况提供依据。同时，整体分析学生的阶段学习过程，帮助学习者判断当前存在的薄弱知识点及发展趋势。

在此过程中，学习活动过程产生的数据均采集存储于学习分析系统，且对学习效果进行历史跟踪。通过问卷调查法，探究学生学习态度和学习策略的变化。使用认知诊断评估的结果比较实验组和对照组的学习成效。测量工具由3位有教学经验的数学教师设计，总分为100分。在实验开始和结束两个节点分别进行前后测。为避免对系统不熟悉引起的实验误差，研究者预先与教师进行了三周操作培训。第四周起，以四年级数学第二单元作为学习内容开展实验。

（三）研究数据分析

1. 自主学习过程中的脚手架支持对学习效果的影响分析

比较两次认知诊断评估的结果，发现两组学生在实验实施后产生了显著成绩差异，学生成绩变化的T检验结果见表1。实验组的后测成绩均值比对照组高12.5分，且达到了显著水平（t=3.558，p<0.05）。

将实验组学生随机分为三组，以知识详解和练习题两种不同形式提供补救资料。A组被要求学习知识详解，然后再完成其对应练习题。B组仅获得知识详解，但没有练习题，C组仅获得对应的练习题。

ANOVA分析的结果未在显著水平支持三组学生的成绩差异，可能是由于脚手架只对学生掌握欠佳的部分内容进行干预，课堂上已达到学习目标的多数学生并未进行更多练习。但平均分显示三组的提升幅度不同，分别为11.5分、5.31分和6.1分，说明同时得到学习材料和练习材料对学生帮助更大。通过小范围的事后访谈，发现部分组C学生会自行查阅课本或搜寻学习资料用于课后自主学习。

对比不同初始水平学生的成绩变化（见表2），中低水平学生均有提升，但高水平学生均分有所下降。这可能是由于系统只对标记未掌握的知识作针对性的练习推荐，学生在两次测验间遗忘了部分内容。

2. 基于脚手架的自主学习对学习策略的影响分析

实验组学生的学习策略在实验前后表现出显著变化。具体而言，认知策略和资源管理策略显著提升，元认知策略的均值略有提升，但未达到显著水平，见表3。

此外，探究了实验前后成绩变化和学习策略水平的相关性，发现提升幅度和学习策略水平存在显著正相关（r=0.204，p<0.05），即学习策略水平更高的学生，基于脚手架的自主学习效果更好。

3. 学习态度与自主学习过程对脚手架支持学习成效的影响分析

学习态度问卷从情感、认知、行为三个维度调查了学生在实验前后的学习态度变化。实验前，学生行为成分均分较低，情感和认知成分的均分稍高，需要对学生的学习行为方面加以引导，培养学生主动学习的习惯，形成更积极的学习态度。

配对样本T检验的结果显示学习态度在实验前后没有发生显著变化，但探究学习态度水平和学习成效的关系，发现学习态度处低、中、高水平的学生前测成绩存在显著差异（F（2，47）=3.282，p=.046），后测成绩没有显著差异（F（2，47）=.774，p=.467）。可能是基于脚手架的自主学习过程结构化程度较高，学生行为和学习路径受主观态度因素影响较小。

五、结论与讨论

（一）基于学习分析的自主学习脚手架可以提升学习效果

本研究提出的自主学习脚手架模型旨在通过对学习活动的跟踪诊断，为学习者提供即时有效的学习分析结果反馈，以此来优化学生的课后自主学习。比较实验前后的学习表现，本研究发现基于脚手架模型的学习对学生的认知发展有明显促进作用。因此，若学生在课后自主学习过程中适当使用学习分析系统，查看学习反馈信息和及时干预学习过程，可以帮助提升学习效率，促进认知发展。

此外，课后自主学习的监控阶段，教师使用脚手架进行学习干预或学生利用脚手架自主学习时，应该注意合理组织个性化学习材料。本研究比较了三种不同的学习策略对学习结果的提升作用，发现学习者在浏览学习材料之后再进行相应练习能达到更好的学习效果。因此，适当的材料组织方式对自主学习的效果具有积极影响，学习者在课后自主学习的开展过程中，应该遵循学习—练習的顺序。

（二）基于脚手架的自主学习对学习策略有积极影响

基于脚手架的自主学习策略能够提升学生的学习策略水平。这与脚手架的仪表盘系统可视化呈现学习分析结果并及时提供给学生有关。此前研究发现当学生及时收到学习的进度信息和改进建议时，他们的学习动机、成就和信心都会得到增强[35]。脚手架的学习支持系统通过学习报告能够使学生更了解自己的学习状态，有助于学生明确学习目标，更好地调整自己的学习过程。经过基于脚手架的自主学习，我们发现学生的学习策略水平也能得到相应提升。已有的研究也曾有类似结论，例如间接接触学习分析仪表盘能够促进学生的自主学习[36]。而学习策略水平更高的学生绩效提升更大，也佐证了学习策略对学习效果的重要性。

（三）学习者特征与学习过程会影响基于脚手架的自主学习效果

学生的初始学习水平与基于脚手架的自主学习效果存在显著关联，据此，我们认为中低水平学生更适合基于脚手架的自主学习，高水平学生或可自行调整学习策略。这可能与本研究所进行干预的结构化特性有关：能力高的学生在组织和解释课程时表现出色。然而，一般能力较低的学生在高度结构化的环境中表现更好，解释更详细[28]。作为一种高度结构化的学习方式，基于脚手架的自主学习更适用于优化中低水平学习者的学习过程。高水平学习者自身对学习过程的组织和解释能力更加出色，适合低度结构化的学习方式。另外，基于脚手架的学习能够消除学习态度对学习结果的不良影响。在基于仪表盘的个性化学习过程中，学习态度对学习结果没有显著影响，因为通过系统为学生制订个性化的学习路径，并提供相应学习资源，脚手架模型一定程度上规范了学习者的自主学习过程。

以上，本研究建立了基于学习分析的小学生自主学习脚手架模型，使用智能采集系统和学习分析技术为小学生课后自主学习提供支持，并在实际教学中验证了基于该模型的学习成效。但脚手架模型存在学业比较、学习预测、认知诊断等多种信息的呈现和不同学习支持，难以判断哪一部分是影响自主学习成效的关键要素。未来研究可以总结脚手架支持中的不同要素，进一步探究学习支持的阶段和类型对自主学习的影响，或尝试将脚手架模型应用到学生学习的其他场景。

[参考文献]

[1] 黄荣怀，汪燕，王欢欢，逯行，高博俊.未来教育之教学新形态：弹性教学与主动学习[J].现代远程教育研究，2020，32（3）：3-14.

[2] SEDRAKYAN G， MALMBERG J， VERBERT K， et al. Linking learning behavior analytics and learning science concepts： designing a learning analytics dashboard for feedback to support learning regulation[J]. Computers in human behavior， 2020， 107（6）： 1-15.

[3] YOO Y， LEE H， JO I H， et al. Emerging issues in smart learning[C]//Educational dashboards for smart learning： review of case studies. Berlin， Heidelberg： Springer， 2015： 145-155.

[4] BLAU I， SHAMIR-INBAL T. Re-designed flipped learning model in an academic course： the role of co-creation and co-regulation[J]. Computers & education， 2017， 115（12）： 69-81.

[5] LAI C-L， HWANG G-J. A self-regulated flipped classroom approach to improving students' learning performance in a mathematics course[J]. Computers & education， 2016， 100（9）： 126-140.

[6] JUNG H， PARK S W， KIM H S， et al. The effects of the regulated learning-supported flipped classroom on student performance[J]. Journal of computing in higher education， 2021（6）： 1-22.

[7] ZIMMERMAN B J. Investigating self-regulation and motivation： historical background， methodological developments， and future prospects[J]. American educational research journal， 2008， 45（1）： 166-183.

[8] 張生，陈丹，曹榕，王思琦，王雪，齐媛.中小学生自主学习能力对在线学习满意度的影响[J].中国特殊教育，2020（6）：89-96.

[9] 夏青峰.自主学习方式对小学生数学成绩影响的实证研究[J].课程·教材·教法，2017，37（10）：106-109.

[10] 张倩，何依儒.“衔接”什么？ 何以“衔接”？——基于自主学习理论对学段衔接问题的分析与建议[J].课程·教材·教法，2020，40（1）：75-81.

[11] 高宝玉.香港自主学习的探索：融合东西方理念的尝试[J].课程研究，2018（1）：29-54.

[12] HEMBROOKE H， GAY G. The laptop and the lecture： the effects of multitasking in learning environments[J]. Journal of computing in higher education， 2003， 15（1）： 46-64.

[13] BERGEN L， GRIMES T， POTTER D. How attention partitions itself during simultaneous message presentations[J]. Human communication research， 2005， 31（3）： 311-336.

[14] HAN J， KIM K H， RHEE W， et al. Learning analytics dashboards for adaptive support in face-to-face collaborative argumentation[J]. Computers & education， 2021， 163（4）： 1-16.

[15] RUMMEL N， WALKER E， ALEVEN V. Different futures of adaptive collaborative learning support[J]. International journal of artificial intelligence in education， 2016， 26（2）： 784-795.

[16] SHIBANI A， KNIGHT S， BUCKINGHAM SHUM S. Educator perspectives on learning analytics in classroom practice[J]. The internet and higher education， 2020， 46（7）： 1-14.

[17] DUFOUR M A M. Using teacher-created videos to enhance student independence in early literacy[D]. Beaumont： Lamar university-beaumont， 2020.

[18] NG B. The neuroscience of growth mindset and intrinsic motivation[J]. Brain sciences， 2018， 8（2）： 20.

[19] BOYKIN A， EVMENOVA A S， REGAN K， et al. The impact of a computer-based graphic organizer with embedded self-regulated learning strategies on the argumentative writing of students in inclusive cross-curricula settings[J]. Computers & education， 2019， 137（8）： 78-90.

[20] UENO M， MIYAZAWA Y. IRT-based adaptive hints to scaffold learning in programming[J]. IEEE transactions on learning technologies， 2018， 11（4）： 415-428.

[21] ZHONG B， SI Q. Troubleshooting to learn via scaffolds： effect on students' ability and cognitive load in a robotics course[J]. Journal of educational computing research， 2021， 59（1）： 95-118.

[22] HARVEY A J， KEYES H. How do I compare thee？ An evidence-based approach to the presentation of class comparison information to students using dashboard[J]. Innovations in education and teaching international， 2020， 57（2）： 163-174.

[23] KOKO？覶 M， ALTUN A. Effects of learner interaction with learning dashboards on academic performance in an e-learning environment[J]. Behaviour & information technology， 2021， 40（2）： 161-175.

[24] 徐曉青，赵蔚，刘红霞，姜强.自我调节学习中学习分析的应用框架和融合路径研究[J].电化教育研究，2021，42（6）：96-104.

[25] 樊敏生，武法提. 数据驱动的动态学习干预系统设计[J]. 电化教育研究， 2020， 41（11）： 87-93.

[26] LIU Z， DONG L， WU C. Research on personalized recommendations for students' learning paths based on big data[J]. International journal of emerging technologies in learning （iJET）， 2020， 15（8）： 40-56.

[27] NABIZADEH A H， JORGE A M， PAULO L J. Rutico： Recommending successful learning paths under time constraints[C]//Adjunct publication of the 25th conference on user modeling， adaptation and personalization. New York： ACM， 2017： 153-158.

[28] MORRIS A. Personalized learning： an engagement strategy for at-risk student populations[D]. Murray： Murray State university， 2020.

[29] ANTHONY E. （Blended） learning： how traditional best teaching practices impact blended elementary classrooms[J]. Journal of online learning research， 2019， 5（1）： 23-48.

[30] ROBERTS L D， HOWELL J A， SEAMAN K. Give me a customizable dashboard： Personalized learning analytics dashboards in higher education[J]. Technology， knowledge and learning， 2017， 22（3）： 317-333.

[31] ALJOHANI N R， DAUD A， ABBASI R A， et al. An integrated framework for course adapted student learning analytics dashboard[J]. Computers in human behavior， 2019， 92（3）： 679-690.

[32] BANGERT-DROWNS R L， KULIK C-L C， KULIK J A， et al. The instructional effect of feedback in test-like events[J]. Review of educational research， 1991， 61（2）： 213-238.

[33] SIEMENS G， LONG P. Penetrating the fog： analytics in learning and education[J]. EDUCAUSE review， 2011， 46（5）： 30.

[34] BENNETT L， FOLLEY S. Dashboard literacy： understanding students' response to learning analytic dashboards[M]//Mobility， Data and Learner Agency in Networked Learning. Switzerland： Springer， 2020： 69-82.

[35] VIBERG O， HATAKKA M， B？魧LTER O， et al. The current landscape of learning analytics in higher education[J]. Computers in human behavior， 2018， 89（12）： 98-110.

[36] AGUILAR S J， KARABENICK S A， TEASLEY S D， et al. Associations between learning analytics dashboard exposure and motivation and self-regulated learning[J]. Computers & education， 2021， 162（3）： 104085.