混合學習環(huán)境下學習者的在線自我調節(jié)學習潛在剖面分析及行為過程挖掘

鄧國民 徐新斐 朱永海

[摘? ?要] 混合學習強調線下課堂教學和線上自主學習的混合以實現優(yōu)勢互補，其中學習者的在線自我調節(jié)學習能力顯得異常重要。文章旨在揭示學習者的在線自我調節(jié)學習能力存在哪些潛在類別，不同類別學習者是否具有不同的在線自我調節(jié)學習行為過程模型，以及這對于在線自我調節(jié)學習環(huán)境的設計有何啟示。研究首先對239名學習者的在線自我調節(jié)學習能力進行測評，然后使用潛在剖面分析方法對測評數據進行分析，發(fā)現樣本學習者可以分為高、中、低三種不同水平的自我調節(jié)學習剖面類別。然后分別對三種類別學習者的在線自我調節(jié)學習行為數據進行過程挖掘，研究發(fā)現：（1）學習者的自我調節(jié)學習能力更多體現在執(zhí)行階段的行為上;（2）中高水平自我調節(jié)學習者的在線學習行為表現出更強的認知和元認知策略;（3）高水平自我調節(jié)學習者體現出更有效的時間管理策略與更強的整體規(guī)劃能力。因此，在線自我調節(jié)學習環(huán)境需要引入自適應支持機制，為學習者提供適應性的過程和策略支持。

[關鍵詞] 混合學習; 自我調節(jié)學習; 在線自我調節(jié)學習環(huán)境; 潛在剖面分析; 過程挖掘; 自適應學習

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 鄧國民（1981—），男，湖南醴陵人。教授，博士，主要從事信息化環(huán)境下的教師專業(yè)發(fā)展和教育大數據研究。E-mail：dam1981@163.com。

一、引? ?言

過程挖掘最先應用于企業(yè)事務的流程管理中，使用基于模型和面向數據的分析技術，從信息系統的事件日志中挖掘事務流程模型，發(fā)現、監(jiān)測和改進業(yè)務流程[1]。教育過程挖掘（Educational Process Mining，EPM）是過程挖掘技術與方法在教育領域中的應用，一般使用在線學習環(huán)境記錄的學習行為日志數據，或利用出聲思維、觀察等方法記錄學習者的行為數據，以發(fā)現、分析和直觀表示完整的教育過程，為改進教育過程提供依據[2]。在線學習對學習者的自我調節(jié)學習能力提出了更高的要求，國內外一些學者在自我調節(jié)學習理論框架的基礎上，設計和構建了在線自我調節(jié)學習環(huán)境，為學習者的自我調節(jié)學習提供過程支架，并將他們的在線自我調節(jié)學習行為細粒度數據記錄下來[3]。本研究重點探討如何在這些學習行為日志數據的基礎上進行過程挖掘，檢驗學習者在線自我調節(jié)學習行為的事件性和過程性，分析和比較不同自我調節(jié)學習能力水平學習者的在線學習行為過程模型，并在此基礎上為教師和學生提供策略建議，為在線自我調節(jié)學習環(huán)境的發(fā)展與完善提供依據。

二、研究現狀

大量研究證據表明，學習者的自我調節(jié)學習水平和學業(yè)成績之間是正相關的。Zimmerman和Bandura的研究發(fā)現，自我調節(jié)學習策略的應用可以預測學生的學業(yè)成績[4];Puzziferro的研究發(fā)現，在線學習環(huán)境下，學習者自我調節(jié)學習的時間、環(huán)境和努力調節(jié)與其學業(yè)成績顯著相關[5];Lim和Jalil使用結構方程模型分析方法確定了在混合學習環(huán)境下，學習者的自我調節(jié)學習策略對其學習成績的影響[6]。

這些研究主要使用主觀報告的方法測量學習者使用自我調節(jié)學習策略的情況，主要測量內容包括認知、元認知和資源管理策略與調節(jié)[7]。他們雖然證明了自我調節(jié)學習策略和學業(yè)成績之間的關系，但主要側重于探討學習者內在的心理特征和能力屬性與其最終學業(yè)成績之間的關系，而無法說明這些策略是如何外化為自我調節(jié)學習行為以及如何發(fā)揮作用的。

近年來，一些研究檢測了基于學習者在線學習行為日志數據的過程挖掘方法能否用于測量在線自我調節(jié)學習和預測學習效果。Cho等人發(fā)現，對學習者的在線自我調節(jié)學習行為日志數據進行挖掘，要比對自我報告的調查數據進行統計分析具有更好的預測能力[8];Bannert等使用過程挖掘方法，識別和挖掘通過口語報告的方式捕獲的自我調節(jié)學習事件中的過程模型，發(fā)現學習者的成功與否與其學習調節(jié)事件的多少和時間序列模式有關[9];Rodríguez等將學習者觀看視頻講座的行為事件記錄下來，然后使用過程挖掘技術分別對最成功和最不成功的學習者群組進行自我調節(jié)學習過程挖掘與比較，以揭示不同學習者群組在自我調節(jié)學習行為與元認知活動方面存在的差異[10]。

過程挖掘技術為自我調節(jié)學習理論模型的檢驗提供了一種新的客觀主義和微觀主義的視角。但仍存在一定的局限性：（1）數據的跟蹤記錄方案并沒有依據自我調節(jié)學習理論進行，而是事后根據理論主觀對在線學習行為進行二次編碼，帶有明顯的主觀性;（2）大多集中在頻率的分析上，而學習者自我調節(jié)學習活動的動態(tài)發(fā)展過程尚不明確。

因此，我們需要在自我調節(jié)學習理論模型的基礎上，構建學習者在線自我調節(jié)學習行為數據的跟蹤記錄方案，再利用過程挖掘方法對他們的自我調節(jié)學習行為序列模式進行挖掘，才能夠真正揭示出自我調節(jié)學習策略是如何外化為在線學習行為模式并提高學習效果的。

三、研究方法

（一）研究對象與研究問題

本研究的研究對象為一門混合課程的選課學生，該門課程采用“線上+線下”的混合教學模式。其中，“信息時代教師專業(yè)能力發(fā)展”主題的學習讓學習者使用“基于開放教育資源的在線自我調節(jié)學習環(huán)境”進行自主學習，共245名學習者參與，其中男生29名，女生216名，他們來自現代教育技術、學科教學、小學教育、音樂教育和體育教育等20個學科專業(yè)。系統全程記錄他們的學習行為數據，然后使用剖面分析和過程挖掘方法回答以下研究問題：

（1）學習者在線自我調節(jié)學習策略及技能水平的潛在剖面有哪些類別？

（2）不同剖面學習者的在線自我調節(jié)學習行為模式之間有何差異？

（3）不同剖面學習者的在線自我調節(jié)學習行為時間序列模式之間有何差異？

（4）不同剖面學習者的在線自我調節(jié)學習行為模式及其時間序列模式之間的差異，對于在線自我調節(jié)學習環(huán)境的設計有何啟示？

（二）潛在剖面分析

本研究使用在線自我調節(jié)學習問卷（Online Self-Regulated Learning Questionnaire，OSLQ）調查學習者的在線自我調節(jié)學習能力。OSLQ包含24個項目，采用李克特量表形式，從目標設置、環(huán)境組織、時間管理、尋求幫助、任務策略和自我評價等六個維度測量在線學習者的自我調節(jié)學習能力及策略，在過去的在線學習和混合學習環(huán)境下的學習者樣本身上顯示出令人滿意的心理測量特性[11]。測量之后，使用Mplus軟件對獲取的學習者在線自我調節(jié)學習策略水平各指標數據進行潛在剖面分析，以確定他們在自我調節(jié)學習策略水平方面可以劃分為哪幾種類別。

（三）教育過程挖掘

本研究使用ProM 6.9軟件對學習者的在線自我調節(jié)學習行為數據進行過程挖掘，比較和揭示不同剖面類別學習者的在線自我調節(jié)學習過程模型。ProM是由埃因霍溫大學的Van Der Aalst W研究團隊開發(fā)的一個基于Java的免費開源軟件，能夠處理大規(guī)模的包含噪聲的數據日志文件，返回較高質量、適配性較好的過程模型，并支持規(guī)則挖掘和跟蹤聚類[12]。使用ProM軟件進行過程挖掘，一般包括計劃、提取、數據處理、挖掘與分析、評估和過程提升與支持等六個階段[13]。

四、在線自我調節(jié)學習能力潛在剖面分析

OSLQ問卷在線發(fā)放給245名選課學生，共回收有效答卷239份。本研究針對參與者在各子量表上所得分數進行潛在剖面分析（Latent Profile Analysis， LPA），估計他們未被觀察到的異質性并對其進行分類，確定學習者可能屬于何種自我調節(jié)學習特征類別。潛在剖面分析的模型擬合度統計結果見表1，其中，三種剖面類別的解決方案模型擬合優(yōu)度較佳：從LMR值（<0.05）來看，支持保留2種、3種或5種類別;從Entropy值來看，保留3種類別的情況下Entropy值最高，表明將自我調節(jié)學習者劃分為3種剖面類別最為精確;AIC值和BIC值隨類別數遞減，未見最低值，但保留3種類別以后，遞減速度降低，表明在此處存在拐點。綜合來看，保留3種在線自我調節(jié)學習剖面類別是相對比較合適的。

潛在剖面分析輸出的條件均值分布情況如圖1所示，可以看出，根據學習者樣本的在線自我調節(jié)學習能力，可以將其劃分為三種主要的剖面類別：（1）高水平自我調節(jié)學習者（50.1%），各項指標均值大概在6.0左右浮動;（2）中等水平自我調節(jié)學習者（46.7%），各項指標均值大概在5.0左右浮動;（3）低水平自我調節(jié)學習者（3.3%），各項指標均值大概在3.0左右浮動。

五、不同剖面學習者的在線自我調節(jié)學習行為過程挖掘

（一）計劃階段

計劃階段旨在建立研究項目并確定研究問題，其中輸入是組織的業(yè)務流程，輸出是與目標相關的研究問題和一組要分析的業(yè)務流程執(zhí)行的信息系統[13]。本研究選擇“基于開放教育資源的在線自我調節(jié)學習環(huán)境”作為過程挖掘的信息系統。該系統充分利用清華教育在線（THEOL）資源中心多年積累的各類開放教育資源，從系統功能層面引入自我調節(jié)學習支持，讓學習者能夠自定學習目標，制定個人學習計劃，進行自我監(jiān)測和自我調節(jié)，以及自我評價和反思，并將他們的在線自我調節(jié)學習的三個階段：事先計劃階段（目標設置和學習計劃）、執(zhí)行階段（自我監(jiān)測和自我調節(jié)）以及自我反思階段（自我判斷和自我反應）的細粒度行為事件數據記錄下來，作為過程挖掘與分析的數據來源[3]。因此，本研究使用的在線自我調節(jié)學習環(huán)境及其數據跟蹤記錄方案是嚴格建立在自我調節(jié)學習理論基礎上的，記錄下來的行為事件日志能夠如實反映學習者在線自我調節(jié)學習的完整發(fā)生過程，有效彌補目前自我調節(jié)學習過程挖掘研究使用事后主觀編碼數據可能帶來的偏差。

（二）提取階段

提取階段包括三個活動，分別為確定范圍、提取事件數據和轉換過程知識[13]。首先，學習者所有的在線自我調節(jié)學習行為事件按三個階段分別記錄為相應的事件類，提取的屬性包括案例（用戶）、自我調節(jié)學習行為事件和時間等。其次，根據提取范圍，從在線自我調節(jié)學習環(huán)境中收集相關的數據集。最后，利用自我調節(jié)學習過程理論解釋和表述業(yè)務流程和事件屬性相關的隱性知識。

（三）數據處理

數據處理階段的主要目標是將事件日志創(chuàng)建為事件數據的不同視圖，并處理事件日志，使其能夠更加適合于數據挖掘與分析。本階段的輸入主要有事件數據以及過濾事件數據的過程模型，輸出是在挖掘和分析階段使用的事件日志。該階段包括四種類型的活動，分別為創(chuàng)建視圖、聚合事件、豐富日志和過濾日志[13]。本研究將自我調節(jié)學習環(huán)境記錄下來的行為日志數據提取出來，并處理為ProM軟件能夠處理的數據格式，見表2。表2為一個學習者案例（case：466776）事先計劃階段的部分數據，包括目標設置和學習計劃兩類事件。

（四）挖掘與分析

挖掘與分析階段，使用過程挖掘技術對事件日志進行挖掘與分析，回答研究問題，并深入了解過程績效及合適度。此階段的輸入是事件日志，輸出是回答與績效和目標相關的研究問題的結果[13]。本研究主要使用模糊挖掘方法，對三種不同類別學習者的在線自我調節(jié)學習過程模型進行挖掘。模糊挖掘算法用于過程分析，能夠生成一個和Zimmerman自我調節(jié)學習過程模型相當的過渡圖，有助于我們清晰地理解和比較不同類別學習者的過程模型。

模糊挖掘（Fuzzy Miner）是一種在非結構化數據中找到基礎過程的方法，可以將隱含在日志數據中的行為過程揭示出來，通過考慮所有事件的相對重要性和時間順序，將其轉換為由結點（事件）和邊（兩個事件類之間的關系）組成的自我調節(jié)學習細節(jié)過程模型，從而可以區(qū)分事件序列中重要的和相對次要的細節(jié)。模糊模型支持小樣本數據的挖掘，使用顯著性和相關性兩個指標，計算給定數據集中的過程模型。顯著性主要衡量事件類別的發(fā)生和事件之間關系的相對重要性，比如事件發(fā)生的頻次往往被視為衡量其重要性的指標，包括一元顯著性（節(jié)點/事件類）和二元顯著性（兩個事件類的邊緣/關系）;相關性主要針對邊進行計算，表示彼此跟隨的兩個事件之間密切相關的程度，屬于二元相關性（邊緣）[9，14]。

最終挖掘結果如圖2所示。其中，低水平自我調節(jié)學習者的平均事件數為24.375次（195/8），中等水平自我調節(jié)學習者的平均事件數為21.8次（2616/120），而高水平自我調節(jié)學習者的平均事件數為57.234次（6353/111）。圖中圓角矩形結點表示自我調節(jié)學習行為事件類，結點中包括事件名稱及其一元顯著性指標（根據事件發(fā)生頻率，用0至1之間的數值表示）。結點之間的箭頭表示其首尾相連的是兩個連續(xù)事件，包括二元顯著性指標（上面數值，值越高表示兩個事件順序發(fā)生的頻次越高）和二元相關性指標（下面數值，值越高表示兩個事件發(fā)起的時間比較相關）。

左側為低水平自我調節(jié)學習者模型，中間為中等水平自我調節(jié)學習者模型，右側為高水平自我調節(jié)學習者模型。根據Zimmerman的自我調節(jié)學習過程模型，三種類別學習者的自我調節(jié)學習過程均包括前期準備、目標設置、學習計劃、自我監(jiān)測、自我調節(jié)、自我判斷和自我反應等學習行為事件，但他們在事件和弧的顯著性與相關性指標方面存在較大的差異。

一元顯著性方面，低水平自我調節(jié)學習者事先計劃階段的行為事件，包括目標設置和學習計劃等行為發(fā)生的顯著性最高，中等水平學習者次之，高水平學習者最低。執(zhí)行階段的自我調節(jié)學習行為，包括自我監(jiān)測和自我調節(jié)，高水平學習者的顯著性水平最高，中等水平學習者次之，而低水平學習者最低。自我反思階段的行為事件，包括自我判斷和自我反應，低水平學習者行為事件的顯著性最高，高水平學習者次之，而中等水平學習者最低。因此，學習者的在線自我調節(jié)學習能力對其執(zhí)行階段的學習行為具有比較好的預見性，而無法預見事先計劃階段和自我反思階段的行為。

二元顯著性方面，所有學習者在事先計劃階段和執(zhí)行階段的行為事件類之間均存在循環(huán)，但低水平學習者在事后反思階段的行為事件類之間不存在循環(huán)。這說明在自我反思階段，低水平學習者在提交作業(yè)并經過自我評價和判斷后，較少繼續(xù)修改和完善，而中、高水平學習者更傾向于對自己的作業(yè)和作品進行反復修改、完善和再次提交，而呈現出自我判斷和自我反應的循環(huán)過程，高水平學習者的這種循環(huán)往復要更加顯著。雖然在前面兩個階段內均存在行為事件循環(huán)，但在顯著性方面仍然存在一定的差異。首先，在事先計劃階段，?。繕嗽O置→學習計劃）的顯著性水平隨自我調節(jié)學習水平的提升而提升，而?。▽W習計劃→目標設置）的顯著性水平則相反，表明自我調節(jié)學習策略水平越高的學習者，越傾向于按照Zimmerman的自我調節(jié)學習理論模型進行學習，即先在個人認知結構的基礎上仔細設置學習目標，再基于學習目標精心制定個人學習計劃，而不是較為隨意地設置學習目標，然后在制定學習計劃的過程中再盲目地修改。其次，在執(zhí)行階段，?。ㄗ晕冶O(jiān)測→自我調節(jié)）和?。ㄗ晕艺{節(jié)→自我監(jiān)測）的顯著性水平，高水平學習者要高于中、低水平學習者。最后，在自我反思階段，?。ㄗ晕遗袛唷晕曳磻┖突。ㄗ晕曳磻晕遗袛啵┑娘@著性水平，高水平學習者要高于中等水平學習者?？傊瑥亩@著性指標來看，高水平學習者在自我調節(jié)學習過程中更多使用了認知和元認知策略，對學習計劃、目標結構及學習成果均更傾向于進行反復的監(jiān)測與調整。

二元相關性方面，自我調節(jié)學習三個階段的所有弧，包括（目標設置→學習計劃）、（學習計劃→目標設置）、（自我監(jiān)測→自我調節(jié)）、（自我調節(jié)→自我監(jiān)測）、（自我判斷→自我反應）和（自我反應→自我判斷）的相關性，除低水平學習者缺失弧（自我判斷→自我反應）以外，高水平學習者的取值均在0.9以上，要遠高于其他學習者。因此，高水平學習者在不同階段內的學習行為，均表現出更密切的順序關系、情境相似性和時間延續(xù)性，表明他們在各階段的自我調節(jié)學習行為過程中能夠更好地進行時間管理和及時做出調整與反應。從潛在剖面分析結果也可以看出，高水平學習者具有最高的環(huán)境組織、任務管理和時間管理能力，而這些能力也會在實際的學習過程中影響到他們的在線學習行為。

因此，從不同類別學習者的在線自我調節(jié)學習過程模型來看，中、高水平學習者的在線自我調節(jié)學習表現出更多的學習行為事件及不同事件之間的循環(huán)往復，表明他們在在線學習過程中有更多的行為投入、更強的認知和元認知策略。高水平學習者更是對其在線自我調節(jié)學習過程表現出更強的整體規(guī)劃能力、及時調整和反應能力以及更有效的時間管理能力。

（五）評估

ProM軟件支持時間邏輯檢測語言（Language for Temporal Logic Checker，LTL Checker），能夠用于檢測和評估學習者日志行為匹配自我調節(jié)學習部分過程的情況，比如通過制定邏輯公式，檢測學習者是否按照自我調節(jié)學習過程模型中的某些行為序列進行學習。三種剖面類別學習者的LTL檢測結果見表3?？梢姡退綄W習者的行為主要集中于事先計劃和執(zhí)行階段，而中、高水平學習者行為的覆蓋面要更加全面，尤其是高水平學習者，在不同階段的學習行為分布比較均勻，各階段行為之間的銜接比較連貫，基本貫穿了整個學習過程。

六、結? ?語

本研究揭示出學習者的在線自我調節(jié)學習能力水平存在高、中、低三種潛在剖面類別，然后分別挖掘出三種不同類別學習者的在線自我調節(jié)學習行為過程模式及時間序列模式，這進一步驗證了自我調節(jié)學習過程的事件性和過程性，同時也在過程挖掘的基礎上揭示出自我調節(jié)學習過程的復雜性、靈活性和時序性。很多時候，學習者的在線自我調節(jié)學習行為過程并不是直線式的，而是存在大量循環(huán)反復的迭代過程，這也反映了學習者在學習過程中對其認知及元認知策略的不斷調節(jié)。過去的研究往往聚焦于各階段行為事件發(fā)生的頻率與學習成績的關系，而很少關注各階段行為事件的時間序列模式也可能對學習成績產生重要的影響。因此，本研究的主要貢獻在于：（1）揭示出自我調節(jié)學習不是由一系列簡單的行為事件所組成的，而是一個具有很強的時序性、關聯性、延續(xù)性和循環(huán)迭代的復雜過程，背后涉及大量的認知、元認知和情感等方面的參與;（2）清晰地呈現出不同自我調節(jié)學習能力水平學習者的在線學習行為模式及其時間序列模式的詳細過程及細微差異，為形成自我調節(jié)學習策略是如何影響學生的學習行為，進而影響學習成績的完整證據鏈補充上缺失的一環(huán)。

學習者具有不同的自我調節(jié)學習能力水平，即使給他們提供在線自我調節(jié)學習環(huán)境支持，也并不代表所有學習者都能夠有效利用。因此，在線自我調節(jié)學習環(huán)境需要引入自適應支持機制， 使其能夠自動分析和診斷學習者的在線自我調節(jié)學習能力、過程和狀態(tài)，為其提供適應性的自我調節(jié)學習過程支持，彌補他們在線自我調節(jié)學習行為的時間序列模式、循環(huán)迭代和延續(xù)性等方面的短板，幫助他們獲得高水平學習者的學習經驗，達到提高學習效果的目的。研究結論對在線自我調節(jié)學習環(huán)境設計的具體啟示意義包括：（1）構建在線自我調節(jié)學習數據跟蹤記錄的大數據技術架構;（2）對自適應學習者模型進行拓展，引入自我調節(jié)學習屬性，構建在線自我調節(jié)學習者模型;（3）設計基于規(guī)則的在線自我調節(jié)學習過程和時間序列模式的分析與診斷方案;（4）構建符合不同學習者能力的自我調節(jié)學習策略庫，并通過與其他系統組件的互操作為學習者的在線自我調節(jié)學習提供自適應過程支架。

通過使用過程挖掘方法，我們可以更細致入微地理解和認識在線自我調節(jié)學習的行為過程模式及其時間序列模式，這是傳統自我調節(jié)學習研究方法無法勝任的。但是，過程挖掘方法也不可避免地存在一定的局限性：（1）過程挖掘方法采用純粹的基于歸納的數據驅動方法，目前只能挖掘行為事件層面的數據，而對于自我調節(jié)學習涉及的認知、動機和情緒等方面的數據無能為力，因而導致挖掘結果不可避免地帶有一定的片面性和理論價值的局限性[9]。 （2）過程挖掘模型實際上是一種描述性模型，它最初的目的在于優(yōu)化業(yè)務流程，而不是測試理論。因此，如果要確定自我調節(jié)學習過程模型的理論性，還需要借助統計學方法對不同學習者群體之間的差異性進行顯著性統計分析。

[參考文獻]

[1] GHAZAL M A， IBRAHIM O， SALAMA M A. Educational process mining： a systematic literature review[C]//2017 European Conference on Electrical Engineering and Computer Science （EECS）. Bern： IEEE， 2017： 198-203.

[2] BOGARN A， CEREZO R， ROMERO C. A survey on educational process mining[J]. WIREs data mining and knowledge discovery， 2018， 8（1）： 1230.

[3] 鄧國民，韓錫斌，楊娟.基于OERs的自我調節(jié)學習行為對學習成效的影響[J].電化教育研究，2016，37（3）： 42-49，58.

[4] ZIMMERMAN B J， BANDURA A. Impact of self-regulatory influences on writing course attainment[J]. American educational research journal， 1994， 31（4）：845-862.

[5] PUZZIFERRO M. Online technologies self-efficacy and self-regulated learning as predictors of final grade and satisfaction in college-level online courses[J]. American journal of distance education， 2008， 22（2）： 72-89.

[6] LIM C L， JALIL H A， MAROF A M， et al. Peer learning， self-regulated learning and academic achievement in blended learning courses： a structural equation modeling approach[J]. International journal of emerging technologies in learning， 2020， 15（3）： 110-125.

[7] BROADBENT J. Comparing online and blended learner's self-regulated learning strategies and academic performance[J]. The internet and higher education， 2017， 33 （1）： 24-32.

[8] CHO M H， YOO J S. Exploring online students' self-regulated learning with self-reported surveys and log files： a data mining approach[J]. Interactive learning environments， 2017， 25（8）： 970-982.

[9] BANNERT M， REIMANN P， SONNENBERG C. Process mining techniques for analysing patterns and strategies in students' self-regulated learning[J]. Metacognition and learning， 2014， 9（2）： 161-185.

[10] RODRGUEZ M C， NISTAL M L， FONTE F A M， et al. Exploring the application of process mining to support self-regulated learning： an initial analysis with video lectures[C]//2018 IEEE Global Engineering Education Conference （EDUCON）. Canary Islands： IEEE， 2018： 1766-1774.

[11] BARNARD-BRAK L， LAN W Y， PATON V O. Profiles in self-regulated learning in the online learning environment[J]. International review of research in open & distance learning， 2010， 11（1）：61-79.

[12] VAN DER AALST W. Process mining software[M]//VAN DER AALST W. Process mining. Heidelberg： Springer， 2016： 325-352.

[13] VAN ECK M L， LU X， LEEMANS S J J， et al. PM2： a process mining project methodology[C]//International Conference on Advanced Information Systems Engineering. Cham： Springer， 2015： 297-313.

[14] GNTHER C W， VAN DER AALST W M P. Fuzzy mining–adaptive process simplification based on multi-perspective metrics[C]//International Conference on Business Process Management. Heidelberg： Springer， 2007： 328-343.