学习分析视角下自我导向学习多维诊断框架构建与应用

刘博文 齐梦梦 陈欣 周静 王继新

摘要：诊断学生的自我导向学习水平是提升其自我导向学习能力的首要前提。在学习分析视角下，该研究将自我导向学习能力和行为作为研究要素，构建了由理论层、数据层、诊断层组成的“自我导向学习多维诊断框架”。在“自导式3D设计”情境中，以193名中学生为研究对象，从描述、解释和预测三个维度诊断自我导向学习，挖掘自我导向学习能力与行为间的交互作用。结果表明，存在4类自我导向学习能力群体；不同能力群体间自我导向学习行为显著差异；自我导向学习行为能显著预测自我导向学习能力。依据研究结果，从创设真实的任务情境、提供开放的学习资源、促进良好的人际沟通、激励反思性学习评价、提供过程性学习支架、提供信息化学习工具和实施适切的支持策略等方面提出了促进自我导向学习的建议。

关键词：学习分析；自我导向学习；诊断框架；多维诊断；交互作用

中图分类号：G434 文献标识码：A

* 本文系2022年度教育部人文社会科学研究一般项目“基于行为数据的自我导向学习能力多维诊断与提升策略研究”（项目编号：22YJC880041）、2022年度中央高校基本科研业务费资助项目“多源数据驱动的中学生学习力诊断及其影响因素研究”（项目编号：CCNU22XJ031）研究成果。

一、问题的提出

建设学习型社会，构建终身学习体系是当今世界教育发展的趋势和方向。21世纪以来，学习逐渐走向自我选择和自我导向的趋势[1]，自我导向学习（Self-Directed Learning，SDL）成为当今时代立足的关键能力[2]。研究表明，自我导向学习对于个体在自身专业领域取得成功的作用举足轻重[3]。美国著名成人教育家Knowles指出，教育的目的是发展学生的能力，使学生学会如何学习，成为自我导向学习者[4]。可见，将公民培养成为自我导向学习者，提升其“学会学习”的能力，已成为建设学习型社会，构建终身学习体系的重要途径。

自我导向学习是学习者内在能力与外在行为过程的统一体[5]。从能力视角看，自我导向学习能力是指学习者能够控制学习过程的一种品质[6]。自我导向学习能力是由认知、元认知和非认知等多种能力构成的综合体。自我导向学习者具有较强的自主计划、执行和完成学习活动的能力[7]，能够自主制定和完成学习目标，并对学习过程进行评价[8]。从行为过程视角看，自我导向学习是一个发展的过程[9]，由计划、执行与监控、评价与反思三个核心阶段构成。计划阶段，学习者确定学习目标，分析学习任务，制定相应的学习计划并选择合适的学习资源[10]；执行与监控阶段，学习者执行学习活动，在此过程中对自己的行为进行监控和调节[11]；评价与反思阶段，学习者对学习过程或学习成果进行评价和反思[12]。

培养自我导向学习者，首先需要诊断学习者的自我导向学习水平。对自我导向学习进行诊断可以从两方面开展：学生对自我导向学习的信念，以及学生自我导向学习的外显行为。然而，一方面当前自我导向学习诊断大多基于问卷来调查学生对自我导向学习的主观感知，很少有研究关注学习者在学习过程中真实发生的自我导向学习行为。另一方面，自我导向学习诊断主要用于描述基本现状，诊断方法单一，导致自我导向学习能力与行为间的交互作用难以揭示。

近年来，学习分析兴起。作为一种基于数据处理、数据挖掘和可视化的多学科方法，学习分析强调在学习活动期间的数据收集、处理和测量[13]，这为自我导向学习的多维诊断提供了新的契机和方法。在此背景下，本研究综合学生对自我导向学习的主观感知和外显行为，构建学习分析视角下自我导向学习多维诊断框架，在学习分析技术支持下对自我导向学习进行描述、解释和预测诊断，挖掘自我导向学习内隐能力与外显行为间的交互作用，从而为优化自我导向学习行为，提升自我导向学习能力提供证据支持。

二、学习分析视角下自我导向学习多维诊断框架构建

（一）学习分析的启示

学习分析（Learning Analytics）是数据挖掘技术融入教育领域的重要产物，是与教育心理学、认知心理学、学习科学和数據科学等紧密相关的跨学科研究领域[14]。学习分析研究协会将学习分析定义为“测量、收集、分析和报告关于学习者及其背景的数据和信息，以了解和优化学习及其发生的环境”[15]。墨西哥Pe a-Ayala教授等将学习分析定义为：“旨在研究、理解、描述、解释和预测学习现象，以提高教学与学习的效率，增加学习者的学习成就和满足感”[16]。该定义清晰描述了学习分析的手段和目标，对指导学习分析的深入实践具有重要价值。

依据学习分析的内容和目标，学习分析研究协会将学习分析分为四大类：描述性学习分析（Descriptive Analytics）、诊断性学习分析（Diagnostic Analytics）、预测性学习分析（Predictive Analytics）和处方性学习分析（Prescriptive Analytics）[17]。描述性学习分析是对过去的洞察，旨在使用数据聚合和数据挖掘等技术来了解过去一段时间内的发展状况；诊断性学习分析通过数据钻取、数据发现和数据挖掘等技术分析教育数据，以回答“为什么会发生”这一问题；预测性学习分析结合历史数据以识别数据中的模式，并应用统计模型和算法来捕获各种数据集之间的关系以预测未来的趋势[18]；处方性学习分析通过融合机器学习、业务规则和计算模型等向教育利益相关者推荐相应策略。

当前，学习分析被广泛应用于教育领域，其主要目标包括[19]：（1）支持学生发展终身学习技能和策略；（2）向学生提供及时的反馈以支持个性化学习；（3）支持学生关键技能的发展；（4）通过支持自我反思来培养学生的学习意识；（5）通过提供成功的教学创新经验来支持高质量的学与教。为了全方位评估和分析学习，Ni和Sweetland提出了一个“三管齐下”的（Three-Pronged）学习分析模型[20]。该模型包括三个维度：分析维度、解释维度和评估维度。在学习分析的视角下，马志强等构建了一个整合描述性分析、诊断性分析和预测性分析三维度为一体的“学习行为模式三角分析框架”[21]。实践表明，整合了描述性分析、诊断性分析和预测性分析的三角学习分析框架对于全面且深入地描述教育现象、探索教育规律以及预测教育绩效具有重要意义。

（二）自我导向学习多维诊断框架构建

依據学习分析分类，本研究构建了由理论层、数据层和诊断层构成的“自我导向学习多维诊断框架”（如图1所示）。自我导向学习多维诊断框架的三层要素之间相互依存、相互影响，共同促进自我导向学习诊断的开展和实施。其中，理论层确定诊断的内容，为自我导向学习诊断奠定理论基础；数据层确定诊断的数据来源，为自我导向学习诊断提供证据支持；诊断层确定诊断的维度，为自我导向学习诊断实施提供直接依据。

1.理论层

理论层明确自我导向学习能力和行为是自我导向学习的核心要素，为诊断自我导向学习提供了理论依据。自我导向学习与学习者的内部心理活动和外部行为活动间共同作用密切相关[22]。自我导向学习能力体现为支持自我导向学习的内在个人特征，包括由学习需求触发的学习动机、学习责任感等内部心理活动，以及自主完成学习任务所需的问题解决能力和批判性思维等学习者具备的认知属性。自我导向学习行为体现为外部行为调节活动，包括制定学习计划、执行学习任务、监控学习过程以及评价与反思等行为活动[23]，学习者通过行为调节以实现学习目标。

2.数据层

数据层用于规定自我导向学习多维诊断的关键数据来源，旨在捕获学习者在参与自我导向学习任务的过程中能表征其自我导向学习能力和行为的有效数据。自我导向学习能力数据通常来源于学习者对自我导向学习的主观信念和感知，可以通过问卷调查的方式捕获。自我导向学习行为数据通常来源于学习者在自我导向学习过程中的真实行为，可以通过行为跟踪的方式捕获。

3.诊断层

诊断层明确了自我导向学习的情境与诊断维度。自我导向学习诊断与情境紧密相关，通过构建自我导向学习情境来支持学习者开展自我导向学习任务，可以实现在真实的情境中诊断学习者的自我导向学习水平。诊断层明确从描述、解释和预测三个维度对自我导向学习进行多维诊断，以挖掘自我导向学习能力和自我导向学习行为间的交互作用。

（三）自我导向学习多维诊断：描述、解释和预测

描述性诊断旨在对学习者的自我导向学习能力、自我导向学习行为的基本特征进行描述，以初步了解学习者自我导向学习的现状。描述性诊断主要回答的研究问题包括：学习者的自我导向学习能力水平如何？学习者的自我导向学习行为水平如何？

解释性诊断旨在基于自我导向学习能力数据和行为数据，探索自我导向学习能力分群和行为分群，以挖掘自我导向学习能力模式和行为模式。同时，基于此进一步探索和解释不同自我导向学习能力分群和行为分群之间的差异。解释性诊断主要回答的研究问题包括：存在哪些自我导向学习能力分群？这些分群的自我导向学习能力有何特征？不同自我导向学习能力分群之间的行为有何差异？存在哪些自我导向学习行为分群？这些分群的自我导向学习行为有何特征？不同自我导向学习行为分群之间的能力有何差异？

预测性诊断旨在分析自我导向学习能力与行为间的相关关系，挖掘行为对自我导向学习能力的预测作用，并且从行为视角对学习者的自我导向学习能力进行预测，构建基于行为的自我导向学习能力预测模型。预测性诊断主要回答以下问题：自我导向学习能力和行为之间存在怎样的相关关系？自我导向学习行为能否预测自我导向学习能力？哪些行为能显著预测自我导向学习能力？如何基于行为构建自我导向学习能力预测模型？

描述性诊断、解释性诊断和预测性诊断之间具有相互依赖的关系。其中，描述性诊断描述自我导向学习基本现状，是实施解释性诊断和预测性诊断的前提和基础；解释性诊断挖掘自我导向学习模式，解释模式之间的差异，为预测性诊断提供依据；预测性诊断则基于描述性诊断和解释性诊断的结果，从行为视角预测学习者的自我导向学习能力，从而挖掘自我导向学习能力与行为间的交互作用。

三、自我导向学习多维诊断研究设计

（一）研究情境

本研究构建了“自导式3D设计”情境，支持学习者以自我导向学习的方式学习和开展3D设计与建模，获取自我导向学习数据，并对自我导向学习水平进行诊断。本研究构建的“自导式3D设计”情境主要包含学习任务、学习资源、学习工具以及学习支架四个要素，如图2所示。本研究将“分类回收垃圾桶设计”作为自我导向学习的任务，并为学习者提供了GeekCAD操作指南、垃圾分类以及分类回收垃圾桶三类相关学习资源。学习者可以借助本研究提供的查询工具、操作工具和交流工具开展自我导向学习。本研究还为学习者提供了学习任务与过程说明和3D作品评分量规等学习支架。

（二）研究对象

本研究随机抽取湖南省长沙市某公办完全中学的7个班级，共335名学生作为研究对象，其中七年级抽取4个班级（共191名学生），八年级抽取3个班级（共144名学生），学生以自愿的方式参与“自导式3D设计”，共193名学生参与全部研究过程。其中，男生共98名（50.8%），女生共95名（49.2%）；七年级学生共106名（54.9%），八年级学生共87名（45.1%）；平均年龄为12.79，最小年龄为11岁，最大年龄为14岁。

（三）研究过程

本研究中，自我导向学习诊断实施过程包括准备、学习和评价三个阶段，如图3所示。在准备阶段，教师下发所有学习资源至学生电脑，并通过“飞鸽传书”对学习者进行随机分组；在学习阶段，教师向学生介绍学习任务、学习资源和学习工具（GeekCAD），声明学习过程，持续时长为15分钟。然后学习者自主进行3D设计，该阶段持续40分钟；在评价阶段，学习者依据“3D作品评分量规”对自己和同伴的作品进行评分，持续时间15分钟。

（四）自我导向学习能力与行为数据收集

1.自我导向学习能力数据收集

本研究依据Guglielmino[24]和Williamson[25]开发的自我导向学习能力测量问卷，编制了《自我导向学习能力量表》，以捕获自我导向学习能力数据。量表共包含八个维度，分别为问题解决（6题）、批判性思维（5题）、信息素养（6题）、学习计划（6题）、自我监控（7题）、学习动机（6题）、学习责任（6题）和人际沟通（6题）。问卷采用五级李克特量表形式，总分范围为48分至240分。本研究采用克伦巴赫系数（Cronbachs α）对量表的信度进行检验。结果显示《自我导向学习能力量表》整体的Cronbachs α为0.983，“问题解决”“批判性思维”“信息素养”“学习计划”“自我监控”“学习动机”“学习责任”“人际沟通”八个维度的Cronbachs α分别为0.920、0.846、0.911、0.934、0.936、0.934、0.911、0.934。

2.自我导向学习行为数据收集

本研究使用一款实时跟踪用户操作的软件“ManicTime”捕获学习者的3D学习行为数据，包括：使用过的应用程序、访问过的网站、处理过的文档以及这些操作的持续时长[26]。使用学习记录系统（Learning Record Systems，LRS）收集学习者在GeekCAD平台设计作品时的3D设计行为数据，包括：绘制、调整、修改、完善作品等操作。本研究整合3D学习行为数据和3D设计行为数据，构建了“自我导向学习行为数据采集框架”，以捕获自我导向学习行为数据，如表1所示。验证性因子分析表明“自我导向学习行为数据采集框架”具有良好的拟合度。拟合指标为：χ2/df=1.882（<3.0）、RMSEA=0.068（<0.08）、SRMR=0.044（<0.05）、IFI=0.957（>0.90）、TLI=0.932（>0.90）、CFI=0.956（>0.90）。

（五）自我導向学习诊断数据分析方法

1.描述性诊断分析方法

描述性诊断对学习者自我导向学习能力和行为的基本特征进行描述，以初步了解学习者自我导向学习的水平和现状。本研究以自我导向学习能力的描述性诊断为例，使用“平均得分率”来衡量学习者自我导向学习能力水平。“平均得分率”计算公式如式1所示，“平均得分率”的范围为0%至100%，数值越大表示学习者的自我导向学习能力水平越高。

平均得分率=各维度均值/各维度满分×100% （1）

2.解释性诊断分析方法

解释性诊断对学习者的自我导向学习能力群体和行为群体进行探索，分析不同自我导向学习能力群体和行为群体的差异。本研究以自我导向学习能力的解释性诊断为例，使用K-means算法对自我导向学习能力数据进行聚类分析，以获取自我导向学习能力分群。在此基础上，通过差异分析进一步解释不同自我导向学习能力群体之间的行为差异。

3.预测性诊断分析方法

预测性诊断探索自我导向学习能力和行为之间的关系，诊断方法包括相关分析、回归分析和分类算法等。本研究以层次多元线性回归分析为例，揭示行为对自我导向学习能力的预测作用。本研究分别以“计划”“执行与调控”以及“评价与反思”三个阶段的行为构建多层回归模型，探索对自我导向学习能力（因变量）的预测力，并采用方差分析检验回归模型的有效性。

四、自我导向学习多维诊断结果

（一）描述性诊断结果

对学习者自我导向学习能力进行描述性诊断的结果如表2所示，可以发现学习者自我导向学习能力的平均值为197.49分，平均得分率为82.29%。整体看来，中学生的自我导向学习能力水平较高，这与已有关于中学生自我导向学习能力水平研究的结论相符合[27][28]。

（二）解释性诊断结果

1.自我导向学习能力分群

本研究首先通过拐点算法寻找自我导向学习能力的最佳聚类簇数（K），结果如图4所示。当K=4时，拐点出现，因此，自我导向学习能力分群的最佳聚类簇数为4类。然后通过K-means算法基于自我导向学习能力数据进行聚类分析，得到4类自我导向学习能力群体的分布情况，如图5所示。

进一步对4类群体的自我导向学习能力进行描述性统计，结果如表3所示。能力群体1为“中等水平自我导向学习者”，平均得分率达到60%左右；能力群体2为“高水平自我导向学习者”，平均得分率达到90%以上；能力群体3为“中高水平自我导向学习者”，平均得分率达到80%左右；能力群体4为“低水平自我导向学习者”，平均得分率达到20%左右。

从预测性诊断结果可以看出，自我导向学习行为可以显著预测自我导向学习能力。具体看来，在“计划”阶段，学习计划行为（明确学习任务和明确评价方式）对自我导向学习能力具有显著的正向预测作用。该发现与Kim的研究发现一致，即学生的学习计划经验和学习计划水平是预测他们自我导向学习水平的显著因素[39]。资源获取行为（获取已有资源和自行查找资源）对自我导向学习能力具有显著的正向预测作用，且“自行查找资源”的预测力比“获取已有资源”的预测力大。这是因为自我导向学习强调学习者自身寻求学习资源[40]，因此，相比于“获取已有资源”行为，“自行查找资源”行为更能预测自我导向学习能力。在“执行与调控”阶段，“行为调节”和“进度观察”行为对自我导向学习能力具有显著的正向预测作用，这是因为这两个行为与学习者的元认知紧密相关，自我导向学习者在学习过程中会积极采用元认知策略，如自我监控和自我调节[41]。“人际沟通”行为对自我导向学习能力具有显著的正向预测作用，可能的原因是“人际沟通”是重要的自我导向学习行为指标，同时也是关键的自我导向学习能力构成要素。“任务执行”行为对自我导向学习能力具有显著的负向预测作用，这是因为自我导向学习与学习效率显著正相关[42]。本研究中，学习者以更少的“任务执行”行为完成学习任务，表明他們的学习效率更高，因此自我导向学习能力水平更高。在“评价与反思”阶段，“学习评价”和“同伴观察”行为对自我导向学习能力具有显著的正向预测作用，这是因为学习评价与反思是自我导向学习的重要组成部分。高水平自我导向学习者在学习过程中能够评估并反思自己的学习过程和成果，以提升学习表现[43]。

（二）促进自我导向学习的建议

1.创设真实的任务情境

自我导向学习强调为学习者提供“真实情境”，支持学习者探索、操作并解决真实问题。支持自我导向学习的情境对学习者来说应该是有意义的，提供给学习者的案例或问题应该足够真实，能够激发学习者的学习动机，激励学习者主动解决真实情境中面临的问题[44]。因此，自我导向学习的学习任务应该与学习者的真实生活密切相关，为学习者提供在真实的情境中进行自我探索和自我操作的机会，从而帮助学习者获得更加深入的学习体验[45]。

2.提供开放的学习资源

身处资源丰富的时代，基于资源的学习（Resource-Based Learning）成为人们获取知识和技能的主要方法和途径。自我导向学习与资源使用之间存在相互影响的关系。一方面，海量可获取的学习资源可用于自我发现，为自我导向学习奠定了坚实的基础[46]。另一方面，自我导向学习对资源使用产生一定的影响，研究表明学习者的自我导向学习策略使用情况可以预测他们对学习资源的使用情况[47]。支持自我导向学习的资源应该是开放的资源[48]。为学习者提供开放的资源能够帮助他们灵活地定位、检查、理解和调整资源和信息，以满足他们自主学习的需求[49]，以更好地促进学习者的自我导向学习。

3.促进良好的人际沟通

自我导向学习强调人际交流的重要作用，将人力资源视为一种重要的学习资源。人际交流主要包含学习者与学习者、学习者与教学者、个人与社会等多维度的交互联结。学习者在人际交往中的心理投入和努力程度体现了学生自我导向学习的参与度，全身心地投入人际沟通能够产生良好的自我导向学习效果。学习者在交往过程中通常会产生不同的学习情感，而学习情感又体现了学习者的自我导向学习体验[50]。因此需要营造良好的沟通环境，支持学生向同伴和教师寻求帮助，实现师生、生生之间的双向交流，从而提高学习参与度，促进学生自我导向学习能力发展。

4.激励反思性学习评价

反思性评价在促进学生对自我导向学习过程进行反思与调控方面具有很大的优势[51]。自评和互评是反思性学习评价的主要方式。反思性评价将计划、执行与调控、评价与反思等行为引入学生的自我导向学习过程，通过促进学生持续地对学习过程和结果进行观察和评价，从而提升学习效果。因此，应该关注学习者在评价过程中的主体地位，调动学习者的评价主动性，培养和提高自评和互评能力，以此促进学生开展反思性评价，更好地开展自我导向学习。

5.提供过程性学习支架

学习支架在学习过程中充当助手，具有重要的指导作用[52]。学习支架可以基于自我导向学习行为的三个主要阶段：计划、执行与调控、评价与反思进行设计。计划阶段的支架为学习者了解学习任务，制定学习目标提供支持，比如为学习者提供明确的学习任务单；执行与监控阶段的支架支持学习者获取学习资源，进行人际沟通，执行和调节学习活动，比如为学习者提供分阶段的学习过程记录表；评价与反思阶段的支架支持学习者对学习进行评价和反思，比如为学习者提供清晰的评价量规。

6.提供信息化学习工具

信息化学习工具是支持学习者高效开展自我导向学习的重要辅助手段[53]。支持自我导向学习的工具主要包括查询、操作、交流和评价等工具。查询工具旨在帮助学习者以更高效的方式查找和访问资源，例如学习者可以通过搜索引擎在互联网上自主查找资源；操作工具为学习者提供了模拟真实任务的平台，例如虚拟实验平台可以支持学习者操作实验对象，从而检验学习者提出的实验解决方法；交流工具为学习者提供了更便捷的人际交流支持，比如借助同步交流工具学习者可以建立虚拟学习共同体，从而更加实时地向他人分享观点，寻求或者提供帮助；评价工具为学习者提供了参与评价时所采取的方式和手段，例如借助电子学档学习者可以对自己的学习过程进行形成性评价，以调整学习策略和行为。

7.实施适切的支持策略

作为一种学习者内在的能力特征，自我导向学习被视为一种动态和可变的概念[54]。因此，自我导向学习更多地被看作是一种频谱，而不是一种全有或全无的离散状态[55]。将自我导向学习视为频谱是培养学生自我导向学习的有效策略，因为并非所有学生都能够达到同等的自我导向学习水平[56]。因此，教师的目的是匹配学习者当前的自我导向学习水平，实施适切的支持策略，促进学习者提升自我导向学习水平。教师须要引导低水平自我导向学习者发现自身学习过程中的问题，改进学习方法；须要引导中等水平自我导向学习者监测和评估自身学习过程，优化学习方法；须要明确高水平自我导向学习者的优势，采用有效的方法促进其学习能力不断提升[57]。

六、总结与展望

本研究旨在基于学习分析的视角，实现自我导向学习的多维诊断，挖掘自我导向学习能力与行为间的交互作用。首先本研究构建了“自我导向学习多维诊断框架”，包括理论层、数据层和诊断层三层要素；然后，在“自导式3D设计”情境中，以193名中学生为研究对象，从描述、解释和预测三个维度对自我导向学习进行了多维诊断。描述性诊断结果表明，学生的自我导向学习能力水平较高；解释性诊断结果发现，自我导向学习能力群体可分为4类，且不同能力群体间的自我导向学习行为存在显著差异；预测性诊断结果表明，自我导向学习行为能显著预测自我导向学习能力。

本研究构建“自我导向学习多维诊断框架”，描述了自我导向学习多维诊断的关键要素和实施流程，为自我导向学习诊断提供理论指导和可行技术路线。本研究的突破在于，一是从自我导向学习能力与行为交互的视角构建“自我导向学习多维诊断框架”，为自我导向学习诊断提供了新的研究视角；二是基于学习分析技术，从描述、解释、预测三个维度诊断自我导向学习，克服了传统自我导向学习诊断方法单一的不足；三是基于设计教育场景，构建“自导式3D设计”情境，延伸了自我导向学习的实践与研究场景。

本研究也存在一些局限。一是研究樣本比较单一，未考虑不同地域学生间可能在自我导向学习水平方面存在差异，这可能造成“数据偏见”现象出现。未来研究需要扩充研究样本的范围和规模，保证研究样本的多样性。二是研究周期相对较短，忽视了长期持续过程中，自我导向学习行为可能出现的不同表现。未来研究将扩展研究周期，在长期持续的学习过程中对自我导向学习进行诊断。同时，未来研究还可以从以下几个方面入手：第一，在本研究提出的多维诊断框架基础上增加“处方层”，依据自我导向学习诊断结果，融合人工智能等技术自动生成个性化的自我导向学习处方和策略；第二，结合脑电、皮肤电、眼动等多模态数据，借助多模态学习分析技术综合诊断自我导向学习；第三，实践本研究所提出的相关建议，以提升学习者的自我导向学习水平，培养适应学习型社会的自我导向学习者。

参考文献：

[1] Cross J.Informal learning：Rediscovering the natural pathways that inspire innovation and performance [M].San Francisco：Pfeiffer/ Wiley，2007.

[2] Trilling B，Fadel C.21st Century Skills：Learning for Life in Our Times [M].San Francisco：Jossey-Bass，2009.

[3] Gaspar A，Langevin S，et al.Self-perceived and observable selfdirection in an online asynchronous programming course using peer learning forums [J].Computer Science Education，2009，19（4）：233-255.

[4] [美]马尔科姆·诺尔斯.蔺延梓译.现代成人教育实践[M].北京：人民教育出版社，1989.

[5] 邓运林.成人教学与自我导向学习[M].台北：五南图书出版公司，1994.

[6] Oddi L F.Development of an instrument to measure self-directed continuing learning [D].DeKalb：Northern Illinois University，1984.

[7] Jossberger H，Brand-Gruwel S，et al.The challenge of self-directed and self-regulated learning in vocational education：a theoretical analysis and synthesis of requirements [J].Journal of Vocational Education and Training，2010，62（4）：415-440.

[8] Moore M，Kearsley G.Distance education：A systems view （2nd edition） [M]. Belmont：Thomson Wadsworth，2005.120.

[9][43] Knowles M S.Self-directed Learning：A Guide for Learners and Teachers [M].New York：Association Press，1975.

[10] Tough A.The Assistance Obtained by Adult Self-teachers [J].Adult Education Quarterly，1966，17（1）：30-37.

[11][23] Kim R，Olfman L，et al.Leveraging a personalized system to improve self-directed learning in online educational environments [J]. Computers & Education，2014，70（1）：150-160.

[12] Moore M G.Self-directed learning and distance education [J].Journal of Distance Education，1986，1（1）：7-24.

[13] Papamitsiou Z，Economides A.Learning Analytics and Educational Data Mining in Practice：A Systematic Literature Review of Empirical Evidence [J].Educational Technology & Society，2014，17（4）：49-64.

[14] Gasevic D，Tsai Y S，et al.How do we start An approach to learning analytics adoption in higher education [J].The International Journal of Information and Learning Technology，2019，36（4）：342-353.

[15][17][19] Society for Learning Analytics Research.What is Learning Analytics [EB/OL].https：//www.solaresearch.org/about/what-islearning-analytics/，2020-10-10.

[16] Pe a-Ayala A，Cárdenas-Robledo L A，et al.A landscape of learning analytics：An exercise to highlight the nature of an emergent field [A]. Pe a-Ayala A.Learning analytics：Fundaments，applications，and trends [C].Springer：Cham，2017.65-112.

[18] Axelsen M，Redmond P，et al.The evolving field of learning analytics research in higher education [J].Australasian Journal of Educational Technology，2020，36（2）：1-7.

[20] Ni X，Sweetland Y.A Three-Pronged Model to Learning Analysis and Instructional Design [C].Hong Kong：The Hong Kong Institute of Education，2016.740-743.

[21] 马志强，汪一池等.学习分析视阈下在线学习行为模式研究[J].现代远距离教育，2019，（6）：35-44.

[22] Brookfield S D.Analyzing a critical paradigm of self-directed learning： a response [J].Adult Education Quarterly，1985，36：60-64.

[24] Guglielmino L M.Development of the Self-Directed Learning Readiness Scale [D].Athens：University of Georgia，1977.

[25][32][57] Williamson S N.Development of a self-rating scale of selfdirected learning [J].Nurse researcher，2007，14（2）：66-83.

[26] ManicTime.Automatic tracking[EB/OL].https：//www.manictime. com/，2020-10-28.

[27] 陳友庆，胡欣谊.中学生自我导向学习及学业自我效能感的发展特点[J].教育探索，2013，（1）：137-138.

[28] Labonté C，Smith V R.Learning through technology in middle school classrooms：Students perceptions of their self-directed and collaborative learning with and without technology [J].Education and Information Technologies，2022，27（5）：6317-6332.

[29] Hendricson W D，Andrieu S C，et al.Educational strategies associated with development of problem-solving，critical thinking，and selfdirected learning [J].Journal of Dental Education，2006，70（9）：925.

[30] Howland J L，Moore J L.Student Perceptions as Distance Learners in Internet-Based Courses [J].Distance Education，2002，23（2）：183-195.

[31][36] Cheng S F，Kuo C L，et al.Development and preliminary testing of a self-rating instrument to measure self-directed learning ability of nursing students [J].International Journal of Nursing Studies，2010，47（9）：1152-1158.

[33][38] Moore M G，Kearsley G.Distance Education：A Systems View Of Online Learning （3rd ed.） [M].Wadsworth：Cengage Learning，2011.

[34] Saks K，Leijen .Distinguishing Self-directed and Self-regulated Learning and Measuring them in the E-learning Context [J].Procedia - Social and Behavioral Sciences，2014，112：190-198.

[35] Lin L.An Online Learning Model to Facilitate Learners Rights to Education [J].Journal of Asynchronous Learning Networks，2008，12（1）：127-143.

[37][42] Lai H J.The Influence of Adult Learners Self-Directed Learning Readiness and Network Literacy on Online Learning Effectiveness：A Study of Civil Servants in Taiwan [J].Educational Technology & Society，2011，4（2）：98-106.

[39] Kim J H.A Study on Self-Directed Learning Level of Youth Field Specialist and Its Related Variables in Korea [J].Journal of Agricultural Education & Human Resource Development，2000，32（1）：113-130.

[40] 张在仪.自我导向学习简论[J].中国成人教育，1997，（6）：19-20.

[41] Pilling-Cormick J，Garrison D R.Self-Directed and Self-Regulated Learning：Conceptual Links [J].Canadian Journal of University Continuing Education，2007，33（2）：13-33.

[44] Meece J L.The role of motivation in self-regulated learning [A]. Schunk D H，Zimmerman B J.Self-regulation of learning and performance：Issues and educational applications [M].Hillsdale： Lawrence Erlbaum Associates，1994.25-44.

[45] Schunk D H，Zimmerman B J.Self-regulation in education：Retrospect and prospect [A].Schunk D H，Zimmerman B J.Self-regulation of learning and performance：Issues and educational applications [M]. Hillsdale：Lawrence Erlbaum Associates，1994.305-314.

[46] 路寶利，张之晔等.构建服务全民终身学习教育体系的本质思考——基于“自我导向学习”的视角[J].中国远程教育，2021，（8）：1-11+39+76.

[47] Kim D，Lee I H，et al.Latent class analysis of non‐formal learners self‐directed learning patterns in open educational resource repositories [J].British Journal of Educational Technology，2019，50（6）：3420-3436.

[48] Hill J R，Hannafin M J.Teaching and learning in digital environments：The resurgence of resource-based learning [J]. Educational technology research and development，2001，49（3）：37-52.

[49] Kong S C，So W M W.A study of building a resource-based learning environment with the inquiry learning approach：Knowledge of family trees [J].Computers & Education，2008，50（1）：37-60.

[50] 李同同，谭多宁等.在线学习情感体验的维度、特征及其作用机制[J].成人教育，2022，42（10）：63-70.

[51] 杨玉芹，徐晨等.协同反思性评价促进大学生知识创新话语发展的效果研究[J].中国电化教育，2020，（6）：81-87.

[52] Hannafin M J，Hill J，et al.Designing resource-based learning and performance support systems[A].Wiley D A.The instructional use of learning objects [M].Bloomington：Agency for Instructional Technology & Association for Educational Communications & Technology，2002.99-129.

[53] 赵慧臣，张雨欣等.人工智能时代数字化学习工具评价模型的建构与应用建议[J].中国电化教育，2021，（8）：85-91+125.

[54] Lee J，Gibson C C.Developing Self-Direction in an Online Course Through Computer-Mediated Interaction [J].American Journal of Distance Education，2003，17（3）：173-187.

[55][56] Cheung W S，Hew K F.Asynchronous online discussion activities to support university students self-directed learning： opportunities and challenges identified [J].International Journal of Social Media and Interactive Learning Environments，2015，3（1）：63-70.

作者简介：

刘博文：讲师，博士，硕士生导师，研究方向为学习分析、自我导向学习。

齐梦梦：在读硕士，研究方向为数字化学习理论与实践。

陈欣：在读硕士，研究方向为数字化学习理论与实践。

周静：在读硕士，研究方向为数字化学习理论与实践。

王继新：教授，博士生导师，研究方向为数字化学习理论与实践。

Construction and Application of Multidimensional Self-directed Learning Diagnosis Framework from the Perspective of Learning Analytics

Liu Bowen， Qi Mengmeng， Chen Xin， Zhou Jing， Wang Jixin

（Faculty of Artificial Intelligence in Education， Central China Normal University， Wuhan 430079， Hubei）

Abstract： Diagnosis of students self-directed learning level is the primary prerequisite to improve their self-directed learning ability. Based on the perspective of learning analytics and taking self-directed learning ability and behavior as the core， this study constructs a “multidimensional self-directed learning diagnosis framework” to explore the interaction between self-directed learning ability and behavior， which consists of theoretical layer， data layer and diagnostic layer. In the context of “self-directed 3D design” with the sample consisting of 193 secondary school students， a multi-dimensional diagnosis of self-directed learning was implemented from three dimensions of description， explanatory and prediction. The results showed that there were four types of self-directed learning ability groups. There were significant differences in self-directed learning behaviors among self-directed learning ability groups. Self-directed learning behavior plays a significant role in predicting self-directed learning ability. According to the research results， recommendations for promoting self-directed learning were made in terms of creating real task contexts， providing open resources， promoting good interpersonal communication， stimulating reflective assessment， providing process scaffolding， providing informatization tools， and implementing appropriate support strategies.

Keywords： learning analytics； self-directed learning； diagnosis framework； multidimensional diagnosis； interaction

責任编辑：李雅瑄