基于過程數(shù)據(jù)及分析的在線學(xué)習(xí)路徑研究：規(guī)律與規(guī)劃

崔 萌 穆 肅 黃曉地

(1 華南師范大學(xué) 現(xiàn)代遠程教育研究所，廣東廣州 510631；2 查爾斯特大學(xué) 計算機與數(shù)學(xué)學(xué)院，新南威爾士州奧爾伯里 2640，澳大利亞)

一、引 言

在數(shù)據(jù)密集型科學(xué)研究范式(祝智庭等，2013)的背景下，在線學(xué)習(xí)研究著重關(guān)注學(xué)習(xí)過程，包括學(xué)習(xí)過程的全數(shù)據(jù)感知、學(xué)習(xí)行為與路徑分析建模、動態(tài)過程監(jiān)控與管理(穆肅等，2018)。在線學(xué)習(xí)路徑的生成與導(dǎo)航是個性化學(xué)習(xí)的必備要素(EDUCAUSE，2014)，也是智慧教育系統(tǒng)關(guān)鍵技術(shù)之一(鐘紹春，2019)。學(xué)習(xí)路徑是學(xué)習(xí)者學(xué)習(xí)過程中選擇的一系列概念和活動的序列集合(牟智佳，2016)。有效的學(xué)習(xí)路徑有利于解決“學(xué)習(xí)迷航”“認知負荷過載”等問題，進而改善在線學(xué)習(xí)成效和體驗。近年來，學(xué)習(xí)路徑研究逐漸成為教育技術(shù)研究新的重要生長點(蘭國帥，2017)，亟需系統(tǒng)梳理學(xué)習(xí)路徑研究的關(guān)注點、發(fā)展脈絡(luò)和未來走向等，清晰了解其整體研究狀況，以便支持基于學(xué)習(xí)數(shù)據(jù)和人工智能技術(shù)的智能化學(xué)習(xí)分析與預(yù)測、教育知識圖譜生成、學(xué)習(xí)過程監(jiān)控與管理等研究與實踐。

本研究采用定量和定性分析結(jié)合方法梳理學(xué)習(xí)路徑國內(nèi)外研究現(xiàn)狀，定量分析文獻的關(guān)鍵詞，展示學(xué)習(xí)路徑研究整體狀況，定性分析梳理文獻核心內(nèi)容，聚焦四個問題：學(xué)習(xí)路徑是什么，具體研究了什么，發(fā)展特點有哪些，未來方向有哪些。

二、文獻選取及過程

表一 中英文文獻檢索規(guī)則及結(jié)果

表二 近五年高頻關(guān)鍵詞匯總(前30)

研究分別以“學(xué)習(xí)路徑”和“l(fā)earning path”為關(guān)鍵詞在中英文權(quán)威數(shù)據(jù)庫檢索文獻。中文文獻源于CSSCI期刊、北大核心、CNKI碩博士論文、專利和會議論文庫；以關(guān)鍵詞、篇名或摘要含有“學(xué)習(xí)路徑”為規(guī)則進行檢索。英文文獻源于SCI、SSCI、ESCI、A&HCI、CPCI收錄期刊及會議；以關(guān)鍵詞、拓展關(guān)鍵詞、篇名、摘要中含有“l(fā)earning path”為規(guī)則檢索論文。檢索時間為2019年12月9日，文獻發(fā)表時間跨度為2014年至2019年(近五年)，共檢索到中文論文391篇和英文論文637篇。因文獻作者對學(xué)習(xí)路徑的理解和界定不盡相同，初次檢索所得文獻包含與本文相關(guān)度不高的文獻，如機器人行走路線的學(xué)習(xí)路徑，為此本研究對初次檢索得到的文獻進行二次篩選。研究者通讀所有文獻摘要，人工判斷該文獻內(nèi)容與“基于數(shù)據(jù)的在線學(xué)習(xí)路徑”研究主題的相關(guān)度，利用中文文獻分析工具E-Study和英文文獻分析工具EndNote，從“內(nèi)容相關(guān)、引用率高、專業(yè)權(quán)威期刊”三方面進行相關(guān)度判定并賦值，形成六個等級的相關(guān)度，分別以數(shù)值5到0標(biāo)記,最高相關(guān)度標(biāo)記為5，最低標(biāo)記為0,3表示有相關(guān)度。本研究選取相關(guān)度得分大于等于3的文獻進行分析，其中中文文獻324篇、英文255篇(見表一)。

關(guān)鍵詞反映了文獻的核心內(nèi)容，高頻關(guān)鍵詞在一定程度上代表了某一領(lǐng)域較受關(guān)注的研究內(nèi)容。本研究對選取的中英文文獻的關(guān)鍵詞進行量化分析，得出頻次前30的高頻關(guān)鍵詞(見表二)。選取出現(xiàn)頻次為3及以上的關(guān)鍵詞生成高頻關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)(見圖1、圖2)。共現(xiàn)網(wǎng)絡(luò)的節(jié)點大小代表網(wǎng)絡(luò)的中心度，展示領(lǐng)域研究內(nèi)容的聚焦點。

關(guān)鍵詞量化數(shù)據(jù)顯示，相關(guān)研究以學(xué)習(xí)路徑為中心，與個性化學(xué)習(xí)、自適應(yīng)學(xué)習(xí)、教育大數(shù)據(jù)、學(xué)習(xí)分析、教育數(shù)據(jù)挖掘、在線學(xué)習(xí)、智慧學(xué)習(xí)、知識圖譜、人工智能等研究關(guān)系緊密。學(xué)習(xí)路徑規(guī)劃(如個性化路徑生成)、學(xué)習(xí)路徑可視化(如學(xué)習(xí)路徑圖)、學(xué)習(xí)路徑生成智能算法(如蟻群算法、遺傳算法、機器學(xué)習(xí))、學(xué)習(xí)路徑系統(tǒng)構(gòu)建(如個性化學(xué)習(xí)系統(tǒng)、適應(yīng)性學(xué)習(xí)系統(tǒng))是研究者的關(guān)注熱點。大量關(guān)于學(xué)習(xí)情境感知模型、知識地圖構(gòu)建、學(xué)習(xí)者特征模型(如學(xué)習(xí)風(fēng)格)、學(xué)習(xí)資源推薦等的研究為學(xué)習(xí)路徑的要素構(gòu)成、生成算法、系統(tǒng)應(yīng)用提供了支持。

圖1 近五年中文高頻關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)圖(頻次3及以上)

圖2 近五年英文高頻關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)圖(頻次3及以上)

三、概念界定

明確界定學(xué)習(xí)路徑對文獻分析至關(guān)重要。學(xué)習(xí)路徑研究分布在多個領(lǐng)域，如教學(xué)設(shè)計、學(xué)習(xí)科學(xué)、學(xué)習(xí)分析等。教學(xué)設(shè)計研究者傾向于將教學(xué)設(shè)計流程的可視化表達稱為學(xué)習(xí)路徑(趙琳等，2017)，此種理解多出自教學(xué)設(shè)計實踐層面的研究，缺少抽象分析、量化表達，無法為基于數(shù)據(jù)的學(xué)習(xí)路徑智能分析提供支持。從學(xué)習(xí)分析角度出發(fā)，部分研究者將可量化信息節(jié)點的組織序列稱為學(xué)習(xí)路徑(曹良亮，2014)，特點是易于實現(xiàn)基于數(shù)據(jù)的呈現(xiàn)和分析。因此，學(xué)習(xí)路徑研究近年從以教學(xué)設(shè)計為主導(dǎo)的流程設(shè)計逐步轉(zhuǎn)到以個性化學(xué)習(xí)為主導(dǎo)，以學(xué)習(xí)數(shù)據(jù)為基礎(chǔ)，以學(xué)習(xí)分析為目標(biāo)，以智能分析技術(shù)為支撐的在線學(xué)習(xí)路徑研究。本文的學(xué)習(xí)路徑指基于數(shù)據(jù)的學(xué)習(xí)路徑，相關(guān)分析也依此展開。

表三 以學(xué)習(xí)內(nèi)容為節(jié)點的學(xué)習(xí)路徑描述

(一)概念內(nèi)涵

借鑒“圖論”思想(Durand et al.，2013)，學(xué)習(xí)路徑被抽象化理解成學(xué)習(xí)節(jié)點的組織序列及在此基礎(chǔ)上的數(shù)學(xué)建模(見圖3)。構(gòu)成學(xué)習(xí)路徑的要素有路徑節(jié)點和節(jié)點間的關(guān)系。學(xué)習(xí)路徑包括路徑起點、路徑過程和路徑終點，分別表示學(xué)習(xí)過程的開始、學(xué)習(xí)進行中與學(xué)習(xí)結(jié)束。路徑節(jié)點是學(xué)習(xí)路徑最基本的構(gòu)成要素，是學(xué)習(xí)者達成學(xué)習(xí)目標(biāo)所發(fā)生學(xué)習(xí)事件的最小單元，包含一系列學(xué)習(xí)信息，如知識點(Vanitha et al.，2019)。節(jié)點之間存在一種或多種關(guān)聯(lián)進而形成關(guān)系體系，如序列關(guān)系、包含關(guān)系。學(xué)習(xí)路徑形成的影響因素有知識特征、學(xué)習(xí)者特征和環(huán)境特征等(黃志芳等，2015)。

圖3 學(xué)習(xí)路徑構(gòu)成要素

(二)學(xué)習(xí)路徑節(jié)點的分類

1．以學(xué)習(xí)內(nèi)容為學(xué)習(xí)路徑節(jié)點

此類研究關(guān)注“學(xué)習(xí)者學(xué)什么”，學(xué)習(xí)路徑的節(jié)點為學(xué)習(xí)內(nèi)容，學(xué)習(xí)路徑為知識序列、概念序列或?qū)W習(xí)資源序列(見表三)。根據(jù)教育學(xué)原理，知識之間存在序列、從屬等關(guān)系，形成知識地圖(Zhu et al.，2018)。知識地圖是以知識點為基本單位對學(xué)習(xí)內(nèi)容進行的結(jié)構(gòu)化表征(黃榮懷等，2012)，能夠展示知識整體結(jié)構(gòu)，有知識定位、學(xué)習(xí)導(dǎo)航(李士平等，2016)等作用。如何構(gòu)建科學(xué)合理的知識地圖，如何根據(jù)學(xué)生知識掌握情況重構(gòu)個性化知識地圖是此類研究的重點。

表四 以學(xué)習(xí)行為為節(jié)點的學(xué)習(xí)路徑描述

2．以學(xué)習(xí)行為為學(xué)習(xí)路徑節(jié)點

該類研究關(guān)注“學(xué)習(xí)者怎么學(xué)”，學(xué)習(xí)路徑節(jié)點為“學(xué)習(xí)行為”，學(xué)習(xí)路徑為學(xué)習(xí)行為序列(見表四)。學(xué)習(xí)行為序列體現(xiàn)學(xué)習(xí)過程的動態(tài)特征，挖掘隱藏在行為數(shù)據(jù)背后的規(guī)律，能幫助教學(xué)雙方深度理解學(xué)習(xí)過程與結(jié)果。學(xué)習(xí)行為節(jié)點建模是此類研究的關(guān)鍵，如何確定待分析的學(xué)習(xí)行為，用哪些數(shù)據(jù)量化表征這些行為尤為重要(樂惠驍?shù)龋?019)。

學(xué)習(xí)行為分登陸、瀏覽和點擊等操作性學(xué)習(xí)行為(李爽等，2017)和具有學(xué)習(xí)活動屬性的學(xué)習(xí)行為。具有學(xué)習(xí)活動屬性的學(xué)習(xí)行為指有教學(xué)理論支持、系統(tǒng)化的學(xué)習(xí)行為。如根據(jù)古娜瓦德娜(Gunawardena)知識建構(gòu)分析框架將知識建構(gòu)過程的學(xué)習(xí)行為分為分享、比較、討論主題信息，發(fā)現(xiàn)和探索觀點間的不一致，進行意義協(xié)商和協(xié)同知識建構(gòu)，測試和修訂協(xié)同建構(gòu)的知識,應(yīng)用新建構(gòu)的知識和與協(xié)同翻譯活動無關(guān)的行為(楊現(xiàn)民等，2016)。不同學(xué)習(xí)活動的行為體系不同(首新等，2018；鄭蘭琴等，2017；冷靜等，2019)。

由于學(xué)習(xí)內(nèi)容和學(xué)習(xí)行為的不可割裂性，單純考慮某一方面都會導(dǎo)致學(xué)習(xí)過程分析的片面性。所以，有研究者同時考慮學(xué)習(xí)內(nèi)容和學(xué)習(xí)行為這兩方面信息進行學(xué)習(xí)路徑分析。如姜強等(2018)提出學(xué)習(xí)路徑包括學(xué)習(xí)活動和學(xué)習(xí)對象。趙蔚等(2018)、羅梅羅等(Romero et al.，2018)提出學(xué)習(xí)路徑是學(xué)習(xí)內(nèi)容和學(xué)習(xí)活動序列。學(xué)習(xí)路徑節(jié)點信息的多維性有助于學(xué)習(xí)過程分析的完整性，但信息點的簡單混合不能真正解決分析的片面性問題，需考慮多類信息的融合處理。師亞飛等(2019)提出的“學(xué)習(xí)畫像模型”，包含學(xué)習(xí)元序列和學(xué)習(xí)元時間序列，用于描繪學(xué)習(xí)的發(fā)生、發(fā)展過程。這種多維信息系統(tǒng)整合建模保證了多維性和系統(tǒng)性，是學(xué)習(xí)路徑節(jié)點建模的可行方向。

四、核心內(nèi)容

學(xué)習(xí)路徑研究主要關(guān)注三方面內(nèi)容(見圖4)：學(xué)習(xí)路徑是什么，即學(xué)習(xí)路徑節(jié)點及其相互關(guān)系的確定；學(xué)習(xí)路徑的走向如何確定，如學(xué)習(xí)路徑合理規(guī)劃；學(xué)習(xí)路徑有無一般或特殊模式，如學(xué)習(xí)路徑模式發(fā)現(xiàn)。路徑規(guī)劃利用已有數(shù)據(jù)對未來路徑進行最優(yōu)規(guī)劃，包括基于知識特征、學(xué)習(xí)者特征和情境特征生成最優(yōu)學(xué)習(xí)路徑，重在智能適應(yīng)。路徑發(fā)現(xiàn)關(guān)注發(fā)現(xiàn)已有學(xué)習(xí)路徑數(shù)據(jù)的規(guī)律，包括發(fā)現(xiàn)普遍學(xué)習(xí)路徑和發(fā)現(xiàn)最優(yōu)學(xué)習(xí)路徑，突出群體智能。學(xué)習(xí)路徑研究成果的教學(xué)應(yīng)用主要有個性化學(xué)習(xí)路徑推薦(劉萌等，2016；Dwivedi et al.，2018)、學(xué)習(xí)干預(yù)、學(xué)習(xí)預(yù)測等(劉三女牙，2016)。

(一)學(xué)習(xí)路徑規(guī)劃(節(jié)點排序)

學(xué)習(xí)路徑規(guī)劃指合理安排學(xué)習(xí)路徑各節(jié)點的學(xué)習(xí)順序，為學(xué)習(xí)者找到最優(yōu)學(xué)習(xí)路徑。此類研究多將學(xué)習(xí)內(nèi)容作為路徑節(jié)點，通過優(yōu)化算法為學(xué)生找到知識網(wǎng)絡(luò)的最優(yōu)路線。其首要任務(wù)是確定何為“最優(yōu)”，需考慮知識特征和學(xué)習(xí)者特征因素(Liu et al.，2019)。知識特征包括知識點內(nèi)容、知識點性質(zhì)，如學(xué)習(xí)難度、知識點關(guān)系(李士平等，2016)、知識點對應(yīng)資源特征等(李浩君等，2019)。學(xué)習(xí)者特征包括個人信息、學(xué)習(xí)需求、學(xué)習(xí)風(fēng)格(Joseph，2017)、學(xué)習(xí)興趣(岳俊芳等，2017)、知識掌握程度(李菲茗等，2019)、能力水平(Zhu et al.，2017)、學(xué)習(xí)體驗(王玨等，2017)、情感狀態(tài)(馬相春等，2017)等。

圖4 學(xué)習(xí)路徑研究的關(guān)鍵內(nèi)容

1.基于知識特征的最優(yōu)學(xué)習(xí)路徑

知識地圖包含學(xué)習(xí)者所有可能產(chǎn)生的路徑。知識地圖一般由學(xué)科教師、領(lǐng)域?qū)＜一趯χR結(jié)構(gòu)的理解人工構(gòu)建而成，也可利用本體技術(shù)形式化表征較為復(fù)雜且操作性強的知識地圖(趙蔚等，2015)。典型案例有物理學(xué)科本體構(gòu)建(趙呈領(lǐng)等，2014)、教育技術(shù)課程本體構(gòu)建(胡海斌等，2017)。有研究者將知識地圖看作由知識點構(gòu)成的有向無環(huán)圖(Alshalabi et al.，2018)，最優(yōu)學(xué)習(xí)路徑可轉(zhuǎn)化為有向無環(huán)圖中的最短路徑，即學(xué)習(xí)者以最少的精力完成所有知識點的學(xué)習(xí)。常用算法有適用于單源點最短學(xué)習(xí)路徑問題的迪杰斯特拉算法、最短路徑快速算法(Shortest Path Faster Algorithm)以及適用于多源點最短學(xué)習(xí)路徑的弗洛伊德算法。節(jié)點之間的關(guān)系(如知識難度、知識中心度)、關(guān)系權(quán)重的確定是這類研究的關(guān)鍵。權(quán)重值可由專家確定，也可通過馬爾可夫鏈等方法確定(李孟等，2014)。

2.增加學(xué)習(xí)者特征的最優(yōu)學(xué)習(xí)路徑

增加學(xué)習(xí)者特征可增強學(xué)習(xí)路徑的可選擇性、可變更性。為彌補基于知識的最優(yōu)學(xué)習(xí)路徑的不足，研究者提出符合學(xué)習(xí)者特征的個性化學(xué)習(xí)路徑才是最優(yōu)學(xué)習(xí)路徑。從知識掌握的角度看，最符合學(xué)習(xí)者知識掌握水平的路徑即為最優(yōu)路徑。研究者通常先以知識特征確定初始的最優(yōu)學(xué)習(xí)路徑，再根據(jù)學(xué)習(xí)者對知識點掌握情況的動態(tài)變化形成個性化學(xué)習(xí)路徑。學(xué)習(xí)者知識掌握程度判斷的依據(jù)和方法是這類研究的關(guān)鍵，學(xué)生答題情況是知識掌握水平常見的判斷依據(jù)，知識掌握水平判斷方法可由人工或智能算法確定(Supic，2018)。從學(xué)習(xí)風(fēng)格角度看，最符合學(xué)習(xí)者學(xué)習(xí)風(fēng)格的路徑即為最優(yōu)路徑。如何合理匹配知識特征和學(xué)習(xí)風(fēng)格進而找到最符合學(xué)生個人情況的學(xué)習(xí)路徑是難點。挖掘相同學(xué)習(xí)風(fēng)格學(xué)生群體的普遍學(xué)習(xí)路徑是個性化學(xué)習(xí)路徑生成的可行方法之一(姜強等，2018)。學(xué)習(xí)者的知識水平、學(xué)習(xí)風(fēng)格是研究較多的個性化學(xué)習(xí)特征(Dwivedi et al.，2018)，學(xué)習(xí)需求、學(xué)習(xí)興趣等也被研究者列為最優(yōu)學(xué)習(xí)路徑的影響因素，但大多未被作為獨立影響因素單獨深入研究，更多的是列入學(xué)習(xí)者特征信息作為整體綜合分析(Kamsa et al.，2018)。

(二)學(xué)習(xí)路徑發(fā)現(xiàn)(序列發(fā)現(xiàn))

學(xué)習(xí)路徑發(fā)現(xiàn)指通過已有的學(xué)習(xí)過程數(shù)據(jù)，發(fā)現(xiàn)個人或群體未直接表現(xiàn)出來的學(xué)習(xí)路徑模式。這類研究多將學(xué)習(xí)行為作為路徑節(jié)點，發(fā)現(xiàn)個體或群體學(xué)習(xí)規(guī)律(李維娜等，2017)，如發(fā)現(xiàn)學(xué)習(xí)者個人經(jīng)常訪問的知識點序列可以支持學(xué)生認知特點分析。群體學(xué)習(xí)路徑可為學(xué)習(xí)者群體提供高效的學(xué)習(xí)路徑參考(De，2016；唐燁偉等，2019)。學(xué)習(xí)行為的選擇直接關(guān)系學(xué)習(xí)路徑價值發(fā)現(xiàn)的準(zhǔn)確性(Hayashi et al.，2018)。學(xué)習(xí)行為選擇方式分四種(見表五)?，F(xiàn)有學(xué)習(xí)行為的選取和量化表征沒有統(tǒng)一的理論基礎(chǔ)和編碼標(biāo)準(zhǔn)，部分研究行為編碼的可信度不高，缺乏系統(tǒng)性和科學(xué)性，導(dǎo)致最終學(xué)習(xí)路徑分析結(jié)果的可信度降低(武法提等，2018)。

表五 學(xué)習(xí)行為選擇方式對比

1.普遍學(xué)習(xí)路徑發(fā)現(xiàn)

普遍學(xué)習(xí)路徑指在學(xué)習(xí)路徑群中具有共現(xiàn)、序列等群體特征的路徑。滯后序列分析(Bakeman et al.，1997)可以幫助教師準(zhǔn)確把握學(xué)習(xí)者潛在的行為模式(胡振凡，2016；劉智等，2017)，如大學(xué)生協(xié)同翻譯活動的知識建構(gòu)行為模式發(fā)現(xiàn)(Yang et al.，2015)。序列模式挖掘通過現(xiàn)有序列找到有共現(xiàn)特征的頻繁序列集，可用于發(fā)現(xiàn)具有共現(xiàn)特征的學(xué)習(xí)路徑。林布鍇(2017)以閱讀行為為基礎(chǔ)挖掘成功學(xué)習(xí)者的普遍學(xué)習(xí)路徑。此類研究的發(fā)展方向有影響因素的綜合考慮(張曉濱等，2016)、算法的改進(徐啟寒等，2018)。關(guān)注過程狀態(tài)變化的馬爾可夫鏈(Taraghi et al.，2014)也是常用的算法。張茜(2018)用隱馬爾可夫模型挖掘在線學(xué)習(xí)行為規(guī)律，理解學(xué)生學(xué)習(xí)過程，也有研究者用隱馬爾科夫鏈挖掘MOOC的關(guān)鍵學(xué)習(xí)行為轉(zhuǎn)換模式，進而分析學(xué)習(xí)持續(xù)度(Davis et al.，2016)?；谶^程交互模式分析的流程挖掘方法(van et al.， 2015)也用于學(xué)習(xí)行為模式分析。有研究者利用流程挖掘方法分析學(xué)生自我調(diào)節(jié)學(xué)習(xí)過程中的交互行為，挖掘交互行為模式(Maldonado et al.，2018)。

2.最優(yōu)學(xué)習(xí)路徑發(fā)現(xiàn)

群體中的最優(yōu)學(xué)習(xí)路徑屬于群體最優(yōu)解問題(趙呈領(lǐng)等，2015)，體現(xiàn)了群體智能(Xie，2017)。蟻群算法是一種基于種群尋找最短路徑的啟發(fā)式搜索算法，屬于蟻群覓食最短路徑問題(趙錚等，2016)，重要參數(shù)有啟發(fā)信息和信息素。啟發(fā)信息可來自學(xué)習(xí)風(fēng)格、學(xué)習(xí)狀態(tài)(趙琴等，2018)等學(xué)習(xí)者特征(劉新新等，2018)。粒子群算法是模擬鳥群覓食的一種基于迭代的優(yōu)化算法，屬于鳥群覓食最短路徑問題(吳雷等，2016)，重要參數(shù)有粒子和適應(yīng)度。例如，粒子為學(xué)習(xí)資源，適應(yīng)度為資源與目標(biāo)知識點的相關(guān)度，通過學(xué)習(xí)難度和學(xué)習(xí)投入等影響因素更新粒子找到最短路徑。多維信息特征映射的粒子更新影響因素是該算法改進的方向之一。遺傳算法是一種隨機搜索啟發(fā)式算法，屬于遺傳優(yōu)化最優(yōu)解問題，重要參數(shù)有適應(yīng)性函數(shù)、交叉概率、變異概率。它通過環(huán)境因素和學(xué)習(xí)者個性化特征產(chǎn)生學(xué)習(xí)對象染色體(Jung，2019)，經(jīng)過一系列的選擇、交叉、序列突變、長度變異，生成新的學(xué)習(xí)路徑集合，并進行適應(yīng)度評估，獲取最優(yōu)學(xué)習(xí)路徑(李浩君，2016)。

五、發(fā)展趨勢

(一)學(xué)習(xí)路徑由預(yù)設(shè)的、靜態(tài)的轉(zhuǎn)變到生成的、動態(tài)的

根據(jù)以上分析可知，已有的知識地圖導(dǎo)航路徑多為預(yù)設(shè)的靜態(tài)路徑。在考慮綜合情境特征后，學(xué)習(xí)路徑常由教師、知識、學(xué)習(xí)者和環(huán)境共同決定，此時的學(xué)習(xí)路徑具有不可預(yù)知性，在學(xué)習(xí)過程中動態(tài)生成，沒有固定的路徑適合所有學(xué)習(xí)者(Lin et al.，2013)。知識體系更新、學(xué)習(xí)風(fēng)格轉(zhuǎn)變等影響因素動態(tài)變化，學(xué)習(xí)路徑隨之動態(tài)更新。所以，個性化動態(tài)學(xué)習(xí)路徑的模型構(gòu)建、算法優(yōu)化和系統(tǒng)開發(fā)是研究者的關(guān)注重點。近年來，有學(xué)者強調(diào)教育需求設(shè)計(陳佳琳等，2019)，提出個性化不能只強調(diào)技術(shù)和算法，應(yīng)回歸教育，更多考慮教與學(xué)的實際需求。如何將先進的學(xué)習(xí)路徑生成技術(shù)并將其應(yīng)用到解決復(fù)雜多變的教學(xué)實際是每位研究者應(yīng)該思考的問題。

(二)用于學(xué)習(xí)路徑分析的數(shù)據(jù)由單一維度轉(zhuǎn)向多維度整合

學(xué)習(xí)路徑研究最普遍的數(shù)據(jù)來源是在線學(xué)習(xí)平臺中直接可得的外顯數(shù)據(jù)和需從底層數(shù)據(jù)挖掘而得的內(nèi)隱數(shù)據(jù)(祝智庭等，2012)。如何利用數(shù)據(jù)標(biāo)準(zhǔn)接口(如xAPI)進行在線學(xué)習(xí)路徑分析是重點(顧小清等，2014)。人工智能時代更關(guān)注學(xué)習(xí)發(fā)生的全過程輸出(郭炯等，2019)，單維度的在線學(xué)習(xí)數(shù)據(jù)雖量大且易得，卻不能真實反映學(xué)習(xí)者的認知心理過程。近年來，在教育神經(jīng)科學(xué)、腦科學(xué)、學(xué)習(xí)科學(xué)等融合背景下，在線學(xué)習(xí)過程的多維信息整合分析逐步得到重視(李浩君等，2019)，基于多維度數(shù)據(jù)考量學(xué)習(xí)行為(牟智佳，2016)及心理特征已成為教育技術(shù)研究的趨勢(陳凱泉等，2017)。通過數(shù)據(jù)挖掘技術(shù)析取學(xué)情與行為數(shù)據(jù)，使過程性學(xué)習(xí)行為考察和個性化發(fā)展支持成為可能。已有研究有:眼動數(shù)據(jù)支持的在線學(xué)習(xí)路徑分析(穆肅等，2019)、深度學(xué)習(xí)(劉哲雨等，2018)、學(xué)習(xí)情感(薛耀鋒等，2018)、學(xué)習(xí)情緒(Ma et al.，2018)、學(xué)習(xí)興趣(陳靚影等，2018)、在線學(xué)習(xí)過程監(jiān)控(許陵等，2014)等。多維度數(shù)據(jù)整合分析的創(chuàng)新價值可觀，是在線學(xué)習(xí)分析的重要趨勢(穆肅等，2019)。

(三)實現(xiàn)學(xué)習(xí)路徑應(yīng)用的技術(shù)方法趨向于人工和機器結(jié)合

學(xué)習(xí)路徑影響因素判定,建模參數(shù)確定,算法和系統(tǒng)實現(xiàn)可由人工或者機器完成。傳統(tǒng)的研究較多采用人工方式，智能技術(shù)支持的智慧學(xué)習(xí)時代更強調(diào)機器自動化實現(xiàn)(鐘紹春，2019)，利用多重智能算法實現(xiàn)學(xué)習(xí)路徑的高效精確生成與應(yīng)用。例如，學(xué)習(xí)風(fēng)格是學(xué)習(xí)路徑的重要影響因素，傳統(tǒng)的學(xué)習(xí)風(fēng)格識別大多用人工編寫的量表測量，方法單一、主觀性強、難以考慮學(xué)習(xí)的過程性因素等，從而導(dǎo)致測量結(jié)果不可靠。智能技術(shù)應(yīng)用下，有研究者提出基于海量的在線學(xué)習(xí)過程數(shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò)技術(shù)智能推測學(xué)習(xí)者的學(xué)習(xí)風(fēng)格并驗證了有效性(Rasheed et al.，2019)。人工方式的優(yōu)勢在于教育領(lǐng)域?qū)＜依碚摰臋?quán)威性，機器數(shù)據(jù)分析的優(yōu)勢在于大規(guī)模、自動化(劉三女牙，2016)。整合和利用人工和機器分析，多學(xué)科融合，多樣化方法優(yōu)勢互補，是學(xué)習(xí)路徑研究高質(zhì)量開展的保證。

六、未來展望

近年來，學(xué)習(xí)路徑的研究保持增長態(tài)勢，主要關(guān)注學(xué)習(xí)路徑研究思路的發(fā)展、算法優(yōu)化和技術(shù)升級。本文對選取文獻的關(guān)鍵詞進行聚類，形成時間趨勢圖(見圖5、圖6)。其中，顏色分布代表內(nèi)容聚類，顏色深淺代表時間趨勢，顏色越淺代表該內(nèi)容越新。數(shù)據(jù)顯示，“學(xué)習(xí)過程”“學(xué)習(xí)行為”“個性化”“綜合情境”“可視化”等研究有增多的趨勢。當(dāng)下對學(xué)習(xí)路徑的研究呈現(xiàn)多維信息特征映射的教育知識圖譜構(gòu)建，綜合情境感知的個性化學(xué)習(xí)路徑生成，基于學(xué)習(xí)行為且體現(xiàn)群體智能的學(xué)習(xí)路徑發(fā)現(xiàn)，多維度數(shù)據(jù)支持的在線學(xué)習(xí)路徑可視化四個方向。

(一)多維信息特征映射的教育知識圖譜重構(gòu)

人工智能時代的教育知識圖譜以知識元為節(jié)點，根據(jù)其多維語義關(guān)系進行關(guān)聯(lián)，在知識層面和認知層面上表示學(xué)科領(lǐng)域知識和學(xué)習(xí)者認知狀態(tài)，可用于知識導(dǎo)航、認知診斷、資源聚合、路徑推薦的知識組織與認知表征工具(李振等，2019)。教育知識圖譜是知識地圖的升級，為學(xué)習(xí)路徑的生成提供更多有價值的參考信息。目前，教育知識圖譜構(gòu)建的難點有:知識圖譜的知識粒度仍需細化；需利用多維信息對知識特征進行全面建模；學(xué)生認知狀態(tài)變化對知識圖譜結(jié)構(gòu)的動態(tài)影響；教育知識圖譜構(gòu)建及應(yīng)用技術(shù)的智能化。

(二)面向?qū)W習(xí)過程綜合情境感知的個性化學(xué)習(xí)路徑生成

關(guān)注學(xué)習(xí)過程，綜合考慮學(xué)習(xí)路徑各方面的影響因素，進而提高個性化的準(zhǔn)確性是學(xué)習(xí)路徑研究的重要方向(Zhou et al.，2018)。未來，學(xué)習(xí)路徑的節(jié)點應(yīng)為一個綜合信息包，包含學(xué)習(xí)過程各類情境信息，為學(xué)習(xí)過程分析提供支持(穆肅等，2019)。多維度信息的綜合考慮在帶來最優(yōu)路徑準(zhǔn)確性的同時，也帶來了研究難度的提升，研究者需在理念和算法上有所突破，所以此類研究目前大多數(shù)仍處在理論和方法探討階段，實質(zhì)性的研究成果較少。其難點在于學(xué)習(xí)過程中綜合情境信息的感知、提取與系統(tǒng)整合；個性化學(xué)習(xí)路徑智能生成技術(shù)的實現(xiàn)。

(三)基于學(xué)習(xí)行為且體現(xiàn)群體智能的學(xué)習(xí)路徑發(fā)現(xiàn)

群體智能概念來自對自然界中生物群體行為規(guī)律的觀察，表示非智能群體通過簡單合作表現(xiàn)出的智能行為的特征(Wong et al.，2012)。群體具有自組織性，它的控制是分布式的，群體智能不是簡單的、多個體的集合，而是超越個體行為的更高級的群體智慧體現(xiàn)。從個體行為到群體行為的演變過程往往較為復(fù)雜，難以預(yù)測，但具有重要研究價值。在大數(shù)據(jù)時代，在線學(xué)習(xí)群體產(chǎn)生大量學(xué)習(xí)行為數(shù)據(jù)，學(xué)生群體學(xué)習(xí)行為是否也具有群體智能表現(xiàn),如何借助智能算法挖掘群體智能規(guī)律是研究的新方向(穆肅等，2019)，難點在于基于學(xué)習(xí)行為的學(xué)習(xí)路徑建模和群體智能發(fā)現(xiàn)算法的構(gòu)建與實現(xiàn)。

圖5 近三年中文高頻關(guān)鍵詞聚類時間趨勢

圖6 近三年英文高頻關(guān)鍵詞聚類時間趨勢

(四)多維度數(shù)據(jù)支持的在線學(xué)習(xí)路徑可視化

持續(xù)記錄學(xué)習(xí)路徑的多維屬性數(shù)據(jù)并將其可視化，形成直觀、完整和可回放的學(xué)習(xí)路徑圖(Xia et al.，2019)，能夠加深學(xué)習(xí)者的自我認識，培養(yǎng)學(xué)習(xí)者的自控能力，也能夠幫助教師發(fā)現(xiàn)學(xué)習(xí)者的學(xué)習(xí)模式，預(yù)測他們的學(xué)業(yè)表現(xiàn)和風(fēng)險。已有研究表明，學(xué)習(xí)路徑的直觀呈現(xiàn)有助于培養(yǎng)學(xué)生的自我效能感(姜強等，2019)?？梢暬夹g(shù)的優(yōu)劣直接影響可視化系統(tǒng)的教學(xué)實踐應(yīng)用，如何突破可視化技術(shù)瓶頸，實現(xiàn)自動、高效的在線學(xué)習(xí)路徑直觀呈現(xiàn)，是此類研究的關(guān)鍵。