循证教学评价视角下混合学习投入评价研究

尹睿 何淑茵

[摘   要] 在“互联网+教育”时代，混合学习是高等教育的主流教学形态，学习投入是衡量混合学习质量的重要指标。循证教学评價关注全过程教学证据的多源采集，强调对教学过程及其成效做出多维评估与测量，为混合学习投入评价提供新思路。文章借鉴循证教学评价的思路，结合混合学习线上线下融合的特点，从“学习活动—学习投入—学习数据”的对应关系，建立起混合学习投入评价的多源数据表征模型；从行为、认知、情感与社交四个层面确立了混合学习投入评价的多源数据融合方法；进而提出了基于多源数据的混合学习投入评价过程，包含数据采集、数据关联、数据融合、解释与决策四个阶段。通过实证研究发现，在混合学习课程中，来自在线教学平台日志、课堂教学录像、学习表现与成效等多源数据能较为准确测评学生混合学习投入类型与表现，并对混合学习投入状态有着良好预测。

[关键词] 循证教学评价； 混合学习投入； 多源数据

[中图分类号] G434            [文献标志码] A

[作者简介] 尹睿（1979—），女，广东惠州人。副教授，博士，主要从事教学系统设计、课程与教学论、教师专业发展等研究。E-mail： littleyin79@163.com。

一、引   言

“互联网+教育”背景下，混合学习正在成为高校课程教学的“新常态”[1]。混合学习是通过有机统整在线学习和面授教学的优势，为学习者提供灵活的学习时间和空间，有效提高学习者学习效能的一种新的教学形态。加里森（Garrison，D.R.）等人指出，让学习者有更多学习投入是混合学习的核心。混合学习在本质上是以提高学习投入水平为重要目标的教学重构过程[2]。然而，目前关于混合学习投入的研究多集中在面对面与在线教学环境下影响因素的探查，比如，技术支持[3]、教师教学行为[4]、学习者学习经验与自我效能感[5]等，有关混合学习投入评价研究相对甚少，且混合学习的跨时空特性及学习投入结构的多维性，更是加大了这类研究的难度。

随着信息科技的发展，教育数据的重要性逐步显现。跨时空、跨模态数据为评价的全过程提供证据，其汇聚与融合实现了对投入的客观理解与深刻洞察。这与循证教学评价（Evidence-based Evaluation）的思想一致。循证教学评价是循证教育的分支，它是以教学评价理论、数据科学技术、教学分析方法为基础，以全教学数据链为抓手，对教学的整个过程及其成效进行多维评估与测量的一种方法[6]。基于此，本研究采用多种方式和手段追踪学习者的混合学习过程，采集和挖掘学习者在混合学习环境中多种来源的数据，将数据转化为评价学生混合学习投入水平的证据。那么，如何从多源异构数据中评价混合学习投入，本研究尝试对这一问题进行深入分析，以期为高校混合教学质量评价提供实践借鉴。

二、混合学习投入评价相关研究概述

（一）混合学习投入测量的研究

测量是指通过某种合适的工具或者仪器（Instrument）确定客体（Object）在某种属性（Attribute）上的量（Magnitude）的过程[7]。学习投入的测量方式一般包括定量自我报告法（调查问卷或量表等）、定量观察法（行为发生的频率或频率的分数）、定性方法（访谈、开放性问题、话语分析或观察等）、其他（生理传感器等）[8]。

由于学习投入是一个多结构的概念，各投入维度的测量方式不尽相同。在行为投入上，研究者多采集在线学习平台的日志记录数据[9]、视频监控/拍摄学习过程数据[10]、自我报告数据等，用统计分析、内容分析等方法，再辅以滞后序列分析、关联规则、相关分析等数据挖掘方法得到行为投入值。在认知投入上，研究者通过内容分析法对学习者的课程作业、讨论文本等进行分析，判断学习者的认知层次[11]。在情感投入上，研究者以自我报告的方法测量学习者对混合学习的态度、情感体验以及团队认同感。在社交投入上，研究者基本通过社会网络分析法探究学生个体在群体中的位置和亲密度[12]。

随着人工智能技术、传感技术与影像技术的发展，融合多源数据测评学习投入已成为发展趋势。如，张琪等运用学习者瞬时行为数据、内容交互数据、情境交互数据等表征学习投入[13]。当前，有研究揭示学习投入应关注数据取样的纵向密集性，强调数据应通过经验取样法密集纵向收集多个时间点的数据，以减少横断面（Cross-sectional）数据滞后效应带来结论偏差 [14]。如，吴军其等基于学习过程的角度，运用视频、音频、日志、生理和自我报告等数据测量智慧课堂协作学习投入[15]。上述学者对学习投入的测量方式，为混合学习投入测量提供了思路。但是，运用多源数据融合对混合学习投入进行测量的案例和实践研究较少。

（二）混合学习投入评价模型的研究

学习评价是依据明确的目标，按照一定标准采用科学方法，测量对象的功能、品质和属性，并对评价对象做出的价值性判断。随着多源数据的采集与综合分析的作用凸显，不少研究者聚焦数据角度提出学习评价的过程模型。例如，黄涛等人提出了“数据驱动的精准化学习评价”，包括多场景数据采集、多空间数据融合、精准分析模型构建和分析结果可视化四个部分 [16]。毛刚等人提出融合教育大数据的教学评价框架，包括目标列表化、智能技术联结学习进程、根据成功标准建立证据类型、确定获取证据的方法、建立模型解释证据、可视化反馈和行动七个环节[17]。张家华等人提出了多模态学习分析技术支持的学习评价流程，包括确立目标、获取数据、建立模型、提供反馈四个动态循环的环节[18]。

然而，综观已有学习评价的研究，专门针对混合学习投入评价的研究相对较少。只有少数研究将学习投入纳入混合学习学业评价模型中。如，王慧君等人将学习投入作为混合学习学业评价的证据之一，提出基于证据的高校混合学习课程学业评价模型，包括识别证据、创设证据、采集证据、鉴定证据、分析证据、解释证据和使用证据七大步骤[19]。

三、混合学习投入评价的多源数据表征

混合学习是一个复杂的过程，学习者在线上线下融合的学习过程中的行为、认知、情感、社交等方面的表現会随着学习情境不断发生变化。因此，对线上线下融合的学习情境中的数据进行全样本分析，有助于解释学习者的学习投入状态与特征。然而，线上线下数据并非简单的叠加，需要基于教学活动序列特征进行关联重组，形成具有教学意义的数据闭环。基于此，本研究采用“学习活动—学习投入—学习数据”的三层结构表征模型（如图1所示），建立起多源数据与混合学习投入评价的关系映射，即不同类型的学习活动反映不同的混合学习投入，并由不同采集技术获得的不同类型的数据加以表征。

（一）混合学习活动层

从历时态角度看，混合学习活动大致可分为四种类型：自主学习型、自由交流型、小组协作型、自我反思型。自主学习型，即学习者围绕学习目标与任务，借助在线课程平台、网络学习空间、认知工具等进行自主建构的活动。自由交流型，即学习者与教师或其他学习者个体之间通过面对面或者利用讨论区、QQ、腾讯会议、移动学习工具等进行个别化交互的活动。小组协作型，即学习者以小组形式围绕问题、主题或项目进行协商论证、生成制品的活动。自我反思型，即学习者对自身的学习过程、方法、收获与不足等做出检视与调节。不同类型活动有着不同操作流程，见表1。

（二）混合学习投入层

弗雷德里克斯（Fredricks，J.A.）等人将学习投入分为三个既独立又相互关联的维度：行为投入（Behavioral Engagement）、认知投入（Cognitive Engagement）和情感投入（Emotional Engagement）[20] 。由于混合学习强调通过师生之间的社会性交互促进面授教学与在线学习的优势整合，重视学习者建立学习共同体来深度建构知识，所以，师生之间、生生之间的线上与线下融合互动是混合学习的重要组成部分。可见，除了行为投入、认知投入与情感投入外，社交投入也是混合学习投入的关键维度。

行为投入是指学习者在学习活动中的主动参与或物理卷入，其水平主要表现为：（1）完成度，即学习者按时按质完成课堂和在线学习任务的坚持程度与付出时间；（2）积极性，即学习者对课堂以及在线学习任务的响应时间与努力程度。

认知投入指学习者在面授教学和在线学习环境中完成学习任务的智力努力程度。其投入水平主要表现为：（1）认知深度，即学习者对学习任务的加工处理程度。朱（Zhu，E.）依据布卢姆的认知目标分类，从认知过程由浅到深的角度，提出了认知投入分析七个层次，包括无效、回应（Responding）、信息（Information）、解释（Explanatory）、分析（Analytical）、综合（Synthesizing）和评价（Evalulative）[21]。（2）认知广度，即学习者在完成学习任务中采用学习策略将新知识与已掌握知识、线上知识与面授知识建立联系的紧密程度。

情感投入关注学习者对自我学习效能感、对环境的归属感以及对学术活动的情感体验[22]。其水平主要表现为：（1）自我效能感，即学习者对完成混合学习任务胜任力的自我判断。（2）归属感，指学习者对自己在班级或者线上社群中的身份认同、人际情感依恋、主人翁意识等。（3）情绪状态，是学习者对混合学习的情绪反应，如热情、愉悦、享受的积极情绪或者厌烦、焦虑、无聊的消极情绪。

社交投入是学习者为促进信息动态流动，有意识地与他人进行意义协商与协同创造所付出的努力。其水平主要表现为（1）交互深度，即学习者对他人提出问题、发表言论做出回应的贡献度。本研究借鉴古纳沃德纳（Gunawardena，C.N.）提出的社会交互分析五层次，分别为P1代表与他人分享、比较信息；P2代表发现与探索与他人观点、概念或声明等方面的不同；P3代表与他人进行意义协商，共同构建知识；P4代表检验和修改他人提供的意见；P5代表一致性陈述/应用新知识结构的意义[23]。（2）交互广度，即学习者主动与教师或者学习伙伴建立和维持联系的程度，包括在课堂上与同伴进行面对面讨论的次数、对教师提问的回答次数、在线上回复或点赞帖子的次数、主动向学习伙伴分享经验的次数等。

（三）混合学习数据层

循证教学评价注重对教学证据的多源采集，教学证据是对教与学过程和结果信息的集合。通过融合多个来源的证据，共同表征某一类学习指标，以客观准确地评估学习者的学习状态。混合学习的行为投入、认知投入、情感投入和社交投入可以通过教学平台日志数据、课堂录像数据、学生表现与成效数据等作为教学证据。利用教学平台日志数据，可以记录学习者在线学习活动印记。例如，学习时长、学习频率、作业提交时间等可用于表征行为投入；过程作业、反思日志等可用于表征认知投入；发帖内容、发帖次数等可用于表征社交投入。利用课堂录像数据，可以捕捉学习者的课堂学习活动表现。例如，举手次数可以表征行为投入；回答问题的言语内容可以表征认知投入。利用学生表现与成效数据，可以提取学习者的学习状态与结果。例如，情感自我报告可以表征情感投入。

四、混合学习投入评价的多源数据融合

循证教学评价强调利用多源数据互补、互证、互融的特点解释教学全过程。由于学习投入结构的多维性和混合学习活动组织的灵活性，不同活动中不同维度的量纲以及所占权重存在差异，需要首先通过标准化方法对量化后的数据进行处理，以消除量纲的影响，保证分析结果在数据比较上的一致性问题；然后借助客观赋权法实现权重的自动赋值，以反映数据本身的特性，减少主观因素的影响；最后通过线性加权法实现二级维度的融合。

（一）行为投入的数据融合

如前述，行为投入水平由完成度与积极性加以表示。完成度Fn可分解为“是否有学习行为f1n”和“学习行为的发生时长f2n”两个指标。f1n可通过两种方式确定：对于有明显学习结果输出的（如在平台上回答问题）直接记为有效，输出1；对于无明显学习结果输出的（如视频观看等），则通过行为完成时间tne与行为开始时间tns做差并与理论完成时间δn对比可得，即  。f2n表示为行为完成时间tne与行为开始时间tns的差。

积极性An可分解为“及时学习水平a1n”“主动提问次数a2n”“主动回答次数a3n”“拓展资源访问次数a4n”和“测验次数a5n”五个指标。其中，a1n可以通过学习者行为完成时间tne与任务发布时间tnp做差并设置阈值φ所得[24]，即φ。

（二）认知投入的数据融合

如前述，认知投入水平由认知深度与认识广度加以表示。认知深度Dn由“认知深度层次d1n”指标表示，采用朱（Zhu，E.）提出的认知投入分析框架，将学习者发表的内容按照语义单元切割后编码为无效、回应、信息、解释、分析、综合和评价，分别赋值0、1、2、3、4、5、6，取最大值作为d1n的值。认知广度Rn由“领域关键词数量r1n”指标表示，关键词由学科专业名词和主题相关术语共同确定。

（三）情感投入的数据融合

如前述，情感投入水平由自我效能感、归属感与情绪状态加以表示。自我效能感En、归属感Cn通过自我报告的方式获得，可由“自我效能感平均得分e1n”和“归属感平均得分c1n”指标表示。而情绪状态Mn可由“情绪状态平均得分m1n”和“积极与消极情绪次数m2n”两个指标表示。m1n数据来源于自我报告，可以表示为积极情绪（记为+1）与消极情绪（记为-1）的加权值。m2n数据来源于传感器或视频摄录，可以表示为出现的积极情绪（记为+1）次数与消极情绪（记为-1）次数总和。

（四）社交投入的数据融合

如前述，社交投入水平由交互深度与交互广度加以表示。交互深度Qn由“交互内容层次q1n”指标表示，采用古纳沃德纳（Gunawardena，C.N.）的社会交互分析五层次结构，将具有交互性质的帖子或发言转换为结构化数据，即按照知识建构程度将内容编码为1、2、3、4、5，取最大值作为q1n的值。交互广度Bn由“与人交互次数b1n”指标表示。

五、基于多源数据的混合学习投入评价流程

循证教学评价呈现出“数据驱动”的特点，形成数据采集、特征选择、数据关联、数据融合、态势估计、反馈决策的评价流程。该流程以多源数据采集为出发点，通过数据充足、数据归并、数据建模对教学评测的各项数据进行系统化分析，进而形成多维教学评测结果，为教师提供有效反馈与精准决策[6]。基于此，本研究提出了基于多源数据的混合学习投入评价流程（如图2所示）。

（一）数据采集阶段

在数据采集阶段，结合混合学习的线上线下融合特点，主要采集教学平台日志、课堂教学录像、学生表现与成效等数据。为了保证评价的全面性与精确性，需要采集全体数据，而不是抽样数据。因此，教师在设计与组织混合学习活动时，应建立起全流程采集数据的意识，在线上与线下学习活动中留存学习投入证据，使学习投入证据数字化，为后续学习投入的多维评价提供数据支撑。

（二）数据关联阶段

在数据关联阶段，首先，对存在噪声的原始数据进行清洗，排除缺失值、异常值、重复数据等对评价的影响；其次，通过数据标注、统计处理和标准化等方式将非结构化数据转为结构化数据、实现数据的初步聚合、解决量纲不一的问题；再次，将初步处理后的数据以学习活动组织时间段为单位进行对齐，使数据具备情境化、轨迹化与序列化；最后，按照混合学习行为投入、认知投入、情感投入与社交投入的特征实现数据与投入的多对一表征或一对多表征，形成混合学习投入证据集。

（三）数据融合阶段

在数据融合阶段，将多种线上数据与线下数据在空间、时间上的冗余与互补的信息联合、相关和组合，以形成对混合学习投入一致性解释与描述。通常而言，有数据层融合、特征层融合和决策层融合。数据层融合是针对某个混合学习活动的不同来源数据，采用基于自适应加权、基于相关函数的方法等实现数据融合。特征层融合是聚焦混合学习活动序列中不同来源数据，对其特征进行提取并采用机器学习算法实现数据融合。决策层融合是从混合学习的全场域全流程角度对不同来源数据进行一系列处理（包括预处理、特征提取、识别或判决等）后，先形成多个数据模型，再对模型进行组合完成数据融合。

（四）解释与决策阶段

在解释与决策阶段，针对数据融合阶段做出的数据关联，给予客观解释与态势预测，进而做出教学决策。在解释数据前，需要对前期数据的采集、处理与分析过程进行审视和分析，避免因失误对后续评价结果带来偏差。审视时需要考虑：是否将现有的数据采集途径很好地融合到学习活动中、采集数据时呈现的数据格式等是否存在问题、是否已经利用了已有的全部数据、是否将证据集中的所有数据纳入评价中。在教学决策前，需要分析数据结果的原因，以便准确提出促进学习投入水平的策略。

六、基于多源数据的混合学习投入评价实践

本研究选取H大学的“技术促进学习的前沿创新”混合学习课程进行实践，按照基于多源数据的混合学习投入评价流程，参照混合学习投入评价的多源数据表征进行数据采集、关联、融合与决策。该课程的混合学习流程包括四个教学环节：提供支架、知识建构；深度交互、强化理解；实践体验、知识应用；评价反馈、总结提升。自主学习型、自由交流型、小组协作型、自我反思型等线上线下学习活动贯穿在四个教学环节中。

（一）数据采集

本研究利用中国大学SPOC平台、慕课堂采集学生在教学平台参与线上活动的日志数据；利用摄像机采集学生在课堂参与线下活动的录像数据；利用腾讯文档、接龙管家小程序、问卷星等方式采集学生的线上线下的学习表现与成效数据，包括情感投入调查问卷、设计作品、思维导图等人工制品。其中，情感投入调查问卷主要参考李维的自我效能感量表[25]、张盈霄的归属感量表[26]和韩彦凤的情绪状态量表[27]。活动与数据对应关系如图3所示。

（二）数据关联

首先，進行数据预处理。针对缺失值，一方面，对参与活动次数少于总活动次数40%的样本进行处理，在分析数据时将其暂时剔除，最终剩余66个样本。另一方面对样本中仍存在的缺失值赋予0值或以序列均值插补的方式处理。针对异常值，即未参与到学习活动中但是却填写了情感投入调查问卷的样本，以序列均值插补的方式处理。其次，进行数据转换。针对非结构化数据，在Nvivo中按照认知投入分析框架对文本数据进行编码、用Python自然语言处理库统计文本数据中的关键词数量；将时间格式数据等不满足分析要求的数据按照公式进行转换；将所有数据转化为无量纲的纯数值。本研究以Min-Max标准化方法对数据进行处理，即X=，然后进行数据对齐与保存。数据对齐与特征关联是保证数据价值挖掘的重要步骤。本研究按照“环节—活动—投入”的逻辑将数据进行对齐与保存（如图4所示），形成混合学习投入证据集。

（三）数据融合

混合学习环境的灵活性特征使得不同情境下采集的数据类型及提取的特征存在较大差异，而这些特征所反映的投入概念与内涵却是不变的。因此，在进一步分析数据前，应对证据集中的数据做特征融合，得到不同活动的不同维度的混合学习投入水平。首先，确定每个特征的权重系数。教育环境下的特征并非固定的，会跟随情境变动。因此，采用客观赋权法方式对其进行融合。其中，变异系数法是该类方法中能够反映指标数据的变化信息的一种方法，表示为标准差和均值的商。指标权重系数表示为w=，其中σj为该指标的变异系数，变异系数越大指标权重越大，变异系数越小指标权重越小。然后采用线性加权法得到不同维度的投入值。其次，采用K-Means算法对样本进行聚类分析，得到不同样本的分类标签。通过遍历簇数并计算轮廓系数的值，确定样本的最佳分类簇数k为3，此时的轮廓系数值为0.32。

（四）解释与决策

1. 混合学习投入总体情况

通过对学生混合学习投入进行描述性统计分析发现（见表2），学生各投入维度的平均值按照从大到小排列为：行为投入>情感投入>认知投入＞社交投入，说明混合行为投入处于较高水平，混合认知投入和混合情感投入处于中等偏下水平，混合社交投入处于较低水平。其中，在行为投入上，完成度明显高于积极性；在情感投入上，自我效能感高于归属感与情绪状态；在认知投入上，认知深度略高于认知广度；在社交投入上，交互深度与交互广度十分接近。

2. 学生混合学习投入类型与表现

从聚类分析结果来看，参考施密特（Schmidt，J.A）等人对大学生学习投入类型的划分[28]，根据图5呈现的不同维度特征关系图，参与本次混合学习课程的学习者大致可以分为三种类型：低投入型学习者、愉悦但中等投入型学习者和勉强但理性投入型学习者，这三类学习者分别占比为24%、32%和44%。低投入型学习者四个维度均处于较低水平，这类学生往往不够重视课程，学习任务完成较为敷衍，甚至忘记完成学习任务，在教学时应通过小组互助的方式调动其积极性；愉悦但中等投入型学习者的情感水平较高，其他维度投入处于中等水平，这类学生容易在情感投入的情况下，基于已有的知识经验付出较少努力来应付课程，在教学时应通过明确学习任务与其自身成就的相关性等方式，调动其对学习任务价值的认同感；勉强但理性投入型学习者的情感投入水平较低，但其他维度投入却处于较高水平，这类学生往往受到“绩点”的外部动机驱使而不得不高质量完成学习任务，在教学时应考虑增加教学趣味性以改善教学氛围。

为了进一步了解不同类型学习者看待问题时的认知深度是否存在差异，本研究采用认知网络分析法进行探究。结果表明：（1）不同类型学习者认知网络质心处于Y轴左、中、右三个位置，有显著差异性，说明三类学习者的认知深度差别较大；（2）从图6的叠减图可知，低投入型学习者相比愉悦但中等投入型学习者，回答问题时更容易采用简单回应或提供信息的方式，愉悦但中等投入型学习者相比勉强但理性投入型学习者同样如此，而勉强但理性投入型学习者在回答问题时更倾向于采用综合多角度观点和批判性评价的方式。由此，在教学时可以考虑采用阶梯式问题，再辅以进阶式支架，帮助学生建立起线上线下知识联结、已有知识与新知识联结，引导学生对问题的思考逐步深入。

此外，本研究还利用社会网络分析法探究了班级整体的社会网络分布，以及不同类型学习者的社会关系情况。结果表明：（1）网络密度为0.125，学生之间均有次数不等的交互，但交互紧密程度一般；（2）对子群及其内部成员之间的关系特点进行分析，共得到27个小团体，团体成员3个以上仅占26%，说明学生间只有极小部分形成了牢固的共同体关系。究其原因，一方面是由于本研究实践的课程是一门全校性公选课，学生均来自不同学院，其学习背景、经历以及熟悉程度等存在较大差异，从而导致相互之间合作粘性不够；另一方面是因为学生对混合学习活动接触不多，对合作互动的技能把握相对欠缺。（3）由图7的可视化网络图可知，低投入型学习者主要分布在网络外围，几乎不参与到互动中，而其余两种类型学习者则主要分布在网络核心区域，从连线深度可以看出这两类学员间的交互频次较多。

通过分析每个维度的投入水平与班级投入水平的差异，再聚焦到学习活动中查悉原因，并给出建设性指导建议，进而呈现学生混合学习投入报告。

3. 学生混合学习投入预测

本研究采用基于Bagging方法的随机森林模型进行建模，将行为投入、认知投入、情感投入和社交投入作为随机森林模型的输入，聚类结果作为输出，并将样本数据分为训练集和测试集两个部分。在模型训练阶段，将训练集数据输入到随机森林模型中，以十折交叉验证和网格搜索方法（Grid-search）确定模型参数n_estimate和max_feature的最优值，结果分别为21和“sqrt”。在模型测试阶段，将测试集数据输入到训练好的模型中，得到模型的平均准确率接近95%。其中，模型各预测指标的重要性值分别为：行为投入0.328，认知投入0.266，情感投入0.265，社交投入0.141。这说明行为投入、认知投入和情感投入对学生混合学习投入的预测作用更显著。但由于课程中交流互动类活动所占比例较低，使得社交投入数据量低于其他三种投入，在一定程度上影响其重要性值。

七、结   语

基于证据的循证教学评价，为解决混合学习投入评价提供新思路与新方法。本研究从“学习活动—学习投入—学习数据”三层结构出发，构建起混合学习投入評价的多源数据表征模型，基于连续性多源数据采集、关联、融合、解释与决策，对混合学习投入评价进行实践探索，较好地反映学生在线上线下融合环境中开展混合学习的行为投入、认知投入、情感投入和社交投入状态，并对学生混合学习投入类型做出判断与预测，突破了传统混合学习投入评价的“片段式”和“单一数据源”的局限，为教师有效设计、组织混合学习活动提供科学依据。随着生物传感技术、智能采集技术的发展，以及数据融合方法的涌现，为后续表征混合学习投入状态的多模态数据采集与计算提供了强有力的技术支撑。由于混合学习具有很强灵活性，下一步研究将获取模态更多样、时序更丰富的代表性数据，在更大的样本范围内开展实践检验，以提升混合学习投入评价的多源数据表征模型的通用性，丰富多源数据与混合学习投入评价的映射关系，进而为全面、科学、准确地评价学生混合学习投入提供可行依据。

[参考文献]

[1] 冯晓英，孙雨薇，曹洁婷.“互联网+”时代的混合式学习：学习理论与教法学基础[J].中国远程教育，2019（2）：7-16，92.

[2] GARRISON D R， VAUGHAN N D. Blended learning in higher education：framework，principles，and guidelines[M]. San Francisco： Jossey-Bass，2007.

[3] G？譈N？譈？覶 S， KUZU A. Factors influencing student engagement and the role of technology in student engagement in higher education：campus-class-technology theory[J]. Turkish online journal of qualitative inquiry，2014（5）：86-113.

[4] 马婧.混合教学环境下大学生学习投入影响机制研究[J].中国远程教育，2020（2）：57-67.

[5] 马婧，周倩.混合式环境下大学生学习性投入维度构成及其实证研究[J].教育发展研究，2019（7）：54-65.

[6] 牟智佳，刘珊珊，陈明选. 循证教学评价：数智化时代下高校教师教学评价的新取向[J].中国电化教育，2021（9）：104-111.

[7] 杨向东.教育测量在教育评价中的角色[J].全球教育展望，2007（11）：15-25.

[8] HENRIE C R， HALVERSON L R， GRAHAM C R. Measuring student engagement in technology-mediated learning：a review[J]. Computers & education，2015，90（9）：36-53.

[9] POON L K M， KONG S C， YAU T S H. et al. Learning analytics for monitoring students participation online：visualizing navigational patterns on learning management system[C].proceedings of 10th International Conference on Blended Learning， Hong Kong， June27-29，2017 Springer Cham，2017.

[10] 鐘薇.混合学习环境下面向参与度的学习行为分析研究[D].上海：华东师范大学，2017.

[11] 周媛，韩彦凤. 混合学习活动中学习者学习投入的研究[J].电化教育研究，2018（10）：99-105.

[12] LEE J， BONK C J. Social network analysis of peer relationships and online interactions in a blended class using blogs[J]. The internet and higher education，2016，28（1）：35-44.

[13] 张琪，王红梅.学习投入的多模态数据表征：支撑理论、研究框架与关键技术[J]. 电化教育研究，2019（11）：21-28.

[14] 马志强，岳芸竹.面向即时数据采集与分析的学习投入纵向研究——基于经验取样法与交叉滞后分析的综合应用[J].电化教育研究，2020（4）：71-77.

[15] 吴军其，吴飞燕，张萌萌，戴新菊，张影.多模态视域下智慧课堂协作学习投入度分析模型构建及应用[J].电化教育研究，2022（7）：73-80，88.

[16] 黄涛，赵媛，耿晶，等.数据驱动的精准化学习评价机制与方法[J].现代远程教育研究，2021（1）：3-12.

[17] 毛刚，周跃良，何文涛.教育大数据背景下教学评价理论发展的路向[J].电化教育研究，2020（10）：22-28.

[18] 张家华，胡惠芝，黄昌勤.多模态学习分析技术支持的学习评价研究[J].现代教育技术，2022（9）：38-45.

[19] 王慧君，张念.基于“证据”的高校混合学习课程学业评价模型构建[J].电化教育研究，2020（5）：89-95.

[20] FREDRICKS J， BLUMENFELD P， PARIS A. School engagement：potential of the concept， state of the evidence[J]. Review of educational research， 2004（1）： 59-109.

[21] ZHU E. Interaction and cognitive engagement： an analysis of four asynchronous online discussions[J]. Instructional science， 2006， 34（6）： 451-480.

[22] 李新，李艳燕，包昊罡，程露. 学习投入测评新发展：从单维分析到多模态融合[J].电化教育研究，2021（10）：100-107.

[23] GUNAWARDENA C N， LOWE C A， ANDERSON T. Analysis of a global online debate and the development of an interaction analysis model for examining social construction of knowledge in computer conference[J]. Journal of educational computing research，1997，17（4）：397-431.

[24] 張晓峰，李明喜，俞建慧，吴刚.面向学习云空间的认知投入量化研究[J].中国远程教育，2020（5）：18-28.

[25] 李维，白颖颖.初二学生感知的教师支持如何影响学业成绩？——基于学业自我效能感与学习投入的多重中介效应分析[J].教育与经济，2018（6）：86-92.

[26] 张盈霄，孙旭宁，谢家树，李红育，邹莎. 学校归属感量表的中文修订[J].中国临床心理学杂志，2021（12）：1188-1192.

[27] 韩彦凤.混合式学习活动中学习投入的差异性研究[D].兰州：西北师范大学，2018.

[28] SCHMIDT J A， ROSENBERG J M， BEVMER P N. A person-in-context approach to student engagement in science：examining learning activities and choice[J]. Journal of research in science teaching，2018，55（1）：19-43.

A Study on Evaluation of Blended Learning Engagement from the Perspective of Evidence-based Teaching Evaluation

YING Rui，  HE Shuyin

（School of Information Technology in Education， South China Normal University，

Guangzhou Guangdong 510631）

[Abstract] In the era of "Internet + Education"， blended learning has become the primary teaching approach in higher education， with learning engagement emerging as a crucial metric for assessing the quality of blended learning. Evidence-based teaching evaluation emphasizes the collection of teaching evidence from multiple sources throughout the entire teaching process， and focuses on the multidimensional evaluation and measurement of the teaching process and its effectiveness， providing new ideas for the evaluation of blended learning engagement. This study proposes a multi-source data representation model based on the correspondence of "learning activity， learning engagement， and learning data"， combined with the characteristics of online and offline integration in blended learning. Furthermore， a multi-source data fusion method for evaluating blended learning engagement is established from behavioral， cognitive， affective and social levels. This study also proposes an evaluation process of blended learning engagement based on multi-source data， which includes data collection， data combination， data fusion， explanation and decision making. The empirical study finds that in the blended learning course， the multi-source data from online teaching platform logs， classroom videos， and learning performance and effectiveness can accurately measure the type and performance of students' blended learning engagement， and have good predictions on the blended learning engagement status.

[Keywords] Evidence-based Teaching Evaluation; Blended Learning Engagement; Multi-source Data