高等教育数字化发展研究|李康熙 孔梦婷 孙冬云:智慧教学环境下的英语学习者画像研究
引用格式
李康熙 孔梦婷 孙冬云.智慧教学环境下的英语学习者画像研究[J].中国教育信息化,2023,29(8):084-093.DOI: 10.3969/j.issn.1673-8454.2023.08.010
高等教育数字化发展研究
智慧教学环境下的英语学习者画像研究
李康熙 孔梦婷 孙冬云
摘 要: 随着智慧教学技术的涌现,学习者在各种智慧教学平台上留下大量的数字足迹,教学管理者可据此对学习者进行精准画像。根据某高校大学英语学生的入学分级测试成绩,将学生分成高分组、中间组与低分组,通过雨课堂智慧教学平台跟踪采集学生在四个学期中的形成性评价和终结性评价数据。研究发现,在学习行为方面,不同组别学生在课内外学习投入的各项指标与英语能力呈正相关关系,组间差异明显,但随着教学时间的推移,学生各项数据整体上呈下降趋势,组间差异逐渐缩小乃至趋同;在学习成果方面,三组学生之间呈现出更为显著的差异,其中高分组在CET-4及CET-6考试中均保持着稳定的优势,但中间组和低分组在CET-6考试中的表现呈急剧下降的趋势。因此,通过学习者画像研究,教师和教学管理者可以更好地了解学情,并根据学生特点采取个性化、差异化和精准化的教学策略。关键词: 学习者画像;智慧教学;教育大数据;形成性评价;终结性评价中图分类号: G434文献标志码: A文章编号: 1673-8454(2023)08-0084-10作者简介: 李康熙,合肥工业大学外国语学院副教授、硕士生导师,博士(安徽合肥 230009);孔梦婷,合肥工业大学外国语学院硕士研究生(安徽合肥 230009);孙冬云,合肥工业大学外国语学院硕士研究生(安徽合肥 230009)
基金项目: 2022年安徽省哲学社会科学规划项目“面向人工智能时代的翻译概念形式化与翻译技术能力建构研究”(编号:AHSKY2022D223)
一、引言随着信息技术在教育教学中的广泛应用,学生在各种教学、学习甚至社交平台上留下无比丰富的“数字足迹”(digital footprint)。基于这些大规模、多维度、长跨度教育大数据(Educational Big Data,EBD)的分析业已成为推动教育教学改革与创新的重要因素之一。[1-3]大数据的优势在于它突破小样本和个案研究的局限,有助于教师发现纷繁复杂的表象背后所隐藏的教育及教学共性问题,从而确定影响教学质量的关键因素并采取有效的干预措施。同时,教师通过分析学习者的过程性评价数据,还能够及时了解教学对象的学习表现和个体差异,从而实现个性化、差异化、精准化的因材施教策略。
尽管教育大数据具有重要的应用前景,但相关研究尚处于起步阶段。有学者系统回顾2014—2019年发表的教育大数据相关研究后发现,目前,研究聚焦于学习者的行为和表现、建模和教育数据仓库、教育系统改进、大数据与课程整合四个方面。[4]而作为一门跨学科研究,教育大数据研究的难点在于它要求研究者具备较高的数据素养,而普通教师通常缺乏获取数据的便捷途径以及分析数据所需的基本技能。同时,教育信息的孤岛现象普遍存在。换言之,教学过程中人们可能会使用到多种教学平台,然而各平台之间通常彼此独立,因此无法建立高效、顺畅的数据共享机制。无论何种原因,其后果是大量的教学过程数据被束之高阁,无人问津。
鉴于此,本研究通过雨课堂——一款由清华大学和学堂在线联合研发的智慧教学工具——对中国东部地区一所理工科重点大学的英语课程进行数据采集、加工和分析,旨在通过智慧教学平台获得学习者在课内外的多种数据,以便对英语学习者进行精准画像,进而帮助教学管理者了解学情和教情,为教学改革和精准教学提供必要依据。
二、文献综述
(一)学习者画像
学习者画像肇始于艾伦·库珀(Alan Cooper)提出的用户画像(persona)。在商业领域中,用户画像常被当成一种刻画目标用户、产品定位、联系用户诉求与设计方向的工具。作为一种学习分析技术,学习者画像亦是基于学生的学习数据特征对其进行分类、刻画与呈现。[5][6]
通过检索科学网(Web of Science,WOS)核心合集数据库,共搜集到10500篇主题词为“profile students”的文献。由CiteSpace[7]文献可视化工具的分析可知,学习者画像研究包括12个共引聚类,主要是针对学生的学习动机或学习行为进行分类研究,如表1所示。
表1 WOS学习者画像文献的聚类分析
根据节点中心性排名结果,本研究领域内的高影响力作者针对学生的学习动机进行研究,探究学生动机与学习表现之间的关系。[8-11]
有学者以成就目标理论(achievement goal theory)和期望价值理论(expectancy value theory)为框架,对美国7个城市1870名中学学生(以越南人和拉丁裔为主)进行聚类分析。[8]研究结果发现,学生的动机信念可分为七种类型。研究者结合目标和价值两种概念,提高对情感和成就的预测效果,并证明现有的线性模型可能会忽视两者之间的复杂互动关系。
动机变化是学习者画像研究关注的一个方面。有学者以学生在数学、芬兰语和艺术学科中表现出来的任务价值,及其能力的自我概念作为指标变量,对7至9年级学生进行潜在剖面分析(latent profile analysis)。[9]研究结果发现,高动机组和数学动机组的学生更有可能将目标定为获得大学学位,而不是获得职业学校的证书。有学者调查579名学生的成就目标取向及学业幸福感的变化后发现,具有不同动机的学生,其动机模式适应性和幸福感亦有所不同。[10]
有学者对比小学高年级学生,以及大学生的动机、学业表现,发现各年龄段的学习者均具有成就目标(achievement goal)、任务价值(task value)、能力知觉(perceived competence)等多重动机。[11]因此,对于研究动机对学业表现的影响,综合运用不同的动机理论是必要的。
这些研究通常使用期望价值理论[12]和成就目标理论[13][14]这两种社会认知动机模型来证明其相关构念与学生成绩之间的关系,并试图探究两者之间的相关性。[15][16]
在知网中,我们共检索到73篇主题词为“学习者画像”或“学生画像”的中文核心文献。这些研究显示,国内学习者画像研究始于2000年左右,尽管近年来其受到的关注逐渐增加,但是年均发文量仍处于较低水平。通过对学习者画像关键词共现网络的分析,如图1所示,我们发现该研究领域通常与学习过程(共现频率17)、学习行为(共现频率13)、人工智能(共现频率11)、大数据(共现频率9)、数据挖掘(共现频率7)、数据驱动(共现频率7)等主题关系密切相关。这表明大数据、人工智能、数据挖掘等技术已经成为学习者画像研究的重要数据来源和分析手段。
图1 知网相关文献的关键词共现网络
总而言之,随着数据挖掘技术的发展,学习者画像的研究范式开始向空间、时间、内容、形式等多维度全方位画像的方向发展,从而促进教学观念和教学模式的变革。[17]目前,国外的学者更倾向于利用数据相关技术来构建个性化学习行为模式的研究。[18]然而,当前的教育大数据在结构上存在一定的短板,其中最主要的问题是难以收集学习者各种行为数据的完整信息,包括社交、检索、行为轨迹等方面。因此,要确保学生画像构建的质量,迫切需要解决的问题在于数据采集维度和行为数据类别这两个方面。
(二)智慧教学
智慧教学手段的应用以及线上课程的普及,促使智慧教学环境领域的研究不断深入。有学者研究认为,智慧课堂是智慧教学发展的核心,智慧课堂就是在传统课堂嵌入个人电脑、交互式光盘视频节目等信息技术的课堂。[19]有学者指出,智慧教学结合社会学习和泛在学习的优势,是以学习者为中心、以服务为导向的教育范式,关注的不仅仅是智能设备的应用。[20]
作为一种新型教育模式,智慧教学以智能设备和智能技术为基础。[21][22]越来越多的研究表明,技术可以辅助学习者的学习,这些技术统称为技术辅助式学习(Technology-enhanced Learning,TEL)。技术辅助式学习为教学模式提供灵活性,[23]为获取学习记录[24]、调查、交流和合作、建设[25]以及评价[26]提供工具或媒介。
在智慧教学或智慧课堂中,会产生大量的数据记录,包括学生的生理、心理、认知行为,以及教、学、考、评、管等活动状态的数据。借助人工智能和教育数据分析技术,再对这些数据进行深度挖掘和处理,可得到有价值的决策信息,从而通过有意义的知识建构形成数据智能。[27]事实上,教育数据挖掘和学习分析已成为教育大数据分析应用的两大方向。
本研究认为,基于智慧课堂学习行为、学习过程、学习结果等大数据的分析,有利于形成不同水平英语学习者的特征画像,从而更清楚地了解不同水平英语学习者的学习行为、学习结果与发展趋势,同时有利于运用各种形成性评价方法与手段,实现从传统的“对课程结果的终结性评价”向“促进课程发展的形成性评价”转变。[28]
三、数据收集
本研究的对象来自中国东部地区某重点高校2020级四个学院1051名非英语专业本科生。按学生入学时所属学院划分,电子科学与应用物理学院296人,汽车与交通工程学院421人,食品与生物工程学院273人,微电子学院61人。
由于不同地区生源的外语水平良莠不齐,该校大学英语课程采取分级教学模式,学生入学后进行分级测试,按测试结果将学生分成两个级别进行教学活动。鉴于此,本研究将二级学生定义为高分组,共282人,一级学生共769人,按入学分级考试成绩进一步细分为中间组和低分组两个组别,其中低分组人数为282人,其他487名学生纳入中间组。如表2所示。
表2 不同组别学生初始英语能力对比(按高考成绩和分级成绩)
由表2可知,高分组与中间组、低分组学生的初始英语能力呈显著差异。相邻组别的高考英语成绩平均分差达到7分和13分(注:此处不考虑高考英语试卷类型的差异,所有学生的原始成绩均以150分计),分级考试平均分差距分别为12分和23分。
该校大学英语采用学分制,每学期2学分,共四学期8学分。各级别使用相同的教材,期末考试使用同一套标准化水平考试试卷。各级别主要差异在于,教师可根据学生的水平、作业、反馈,适当调整教学进度、教学内容和教学方法。此外,本课程教学团队通过雨课堂智慧教学平台的协同教师功能,实现各班级课前预习、课后测试任务的一键布置,提高研究数据的一致性、可及性与可比性。
本研究共搜集上述四个学院受试学生四个学期的雨课堂数据,结合学生入学分级、期末考试、CET-4和CET-6考试的成绩,对高分组、中间组、低分组学生四个学期的学习行为和表现进行统计分析,形成不同水平的英语学习者的特征画像,并观察其随时间推移的变化趋势。
四、结果及讨论
(一)学习行为变化
在雨课堂教学平台上,学生可通过扫描二维码或输入课堂暗号进行签到。此外,师生还可以通过随机点名、弹幕、投稿等多种方式实现教学互动。不同组别的统计数据如表3、4、5所示。
表3 不同组别学生的签到率
表4 同组别学生的弹幕统计(平均条数)
表5 不同组别学生的投稿统计(平均篇数)
从横向看,无论哪个学期,高分组、中间组与低分组学生的签到率均呈依次下降趋势(低分组第一学期除外)。SPSS皮尔逊相关性分析显示,学生各学期签到率与入学分级成绩呈弱相关性,但是非常显著,其中第二学期的相关系数最大(r=0.196, p<0.01)。从纵向看,无论哪一组学生,第三学期的签到率均为最低点。高分组学生在第二学期的签到率(96.96%)显著高于其他三个学期,中间组与低分组在第四学期的课堂签到率上升至最高数值,即便如此,其签到率(83.52%和82.21%)亦不及高分组学生。
签到率不仅反映学生对大学英语课程的重视程度,同时,还可能受学生提高平均学分绩点、通过CET-4和CET-6考试这些外部动机的影响。值得注意的是,高分组学生从第二学期开始获得参加CET-4考试资格,这与他们在该学期的签到率达到最高点相契合。中间组和低分组从第三学期才获得参加CET-4考试的资格,但是,他们的签到率仍然呈现较小幅度的下降趋势,这需要从其他角度进一步分析影响签到率的因素。
雨课堂中的弹幕和投稿能够有效反映课内学生与教师互动的程度。两者作用相似,区别在于:弹幕通常用于发表对正在直播课程内容的实时评论或交流,雨课堂直播页面的弹幕区域显示,与课程内容实时同步;而投稿则更适合就某个话题或问题进行深入的阐述和分析。
从弹幕数量看,高分组学生平均发布的弹幕数量比中间组和低分组更多(第一学期除外),这似乎说明他们更愿意参与课堂师生互动,且对用英语表达个人观点更有信心。从纵向看,高分组虽然一直保持发送弹幕的数量优势,但随着学期的推移,他们与中间组及低分组的差异逐渐缩小。学生投稿数量呈现出与弹幕相反的趋势,即高分组学生一直低于中间组和低分组学生。鉴于雨课堂是一种较为新颖的智慧教学工具,不能排除某些教师和学生在使用雨课堂弹幕和投稿这类功能方面尚存有进一步提升的空间。前面提到,中间组和低分组同属一个级别,其任课教师相同。因此,当我们仅对比中间组与低分组学生时,即可忽略教师这个潜在变量的影响,此时我们发现,课堂互动(弹幕或投稿)均与学生英语能力呈正相关关系。
就雨课堂推送的课外作业而言,如表6所示,高分组的完成率一直稳定在75%左右,而且波动幅度较小。相比之下,中间组和低分组不仅呈依次降低的趋势(中间组第三学期除外),而且呈大幅波动状态,其中第一、第三学期表现显著高于第二、第四学期。整体来看,学生英语能力与作业完成率呈正相关关系,且英语能力愈高,其在大学英语存续期间作业完成率愈加稳定。
表6 不同组别学生雨课堂作业完成率
学习总时长指的是学生完成课前预习、课后测验等各类课外作业的时长总和。由表7可知,高分组始终高于中间组与低分组,说明高分组学生在课外学习上投入的时间成本一贯且显著大于其他两组学生。其中,高分组在第三学期的作业总时长达到最高点(51时59分),低分组学生在第三学期则降到最低点(29时36分),二者形成极为鲜明的反差。从四个学期纵向对比看,中间组学生在各学期的雨课堂学习总时长更加稳定,没有明显的突增或突降。
表7 不同组别学生雨课堂作业总时长
另外,所有组别学生在第四学期的学习总时长都处于最低值,这在一定程度上反映出学生对英语学习的重视程度发生明显的变化。总的来看,作业总时长与学生英语能力呈正相关关系,且高分组学生更有可能根据某一阶段(如第三学期参加CET-6考试)学习目标或任务的变化动态调整学习时间的投入,而中间组和低分组的学时时长则未体现出这种迹象。
由表8可知,中间组和低分组学生完成单个作业的平均时长呈现持续的下降趋势。但高分组学生与此不同,不仅单个作业平均时长更长,而且在四个学期中更加稳定,甚至在第一、二学期还出现不降反升的趋势。高分组学生虽然在第一学期的学习时长与其他组别学生不相上下,但随着时间的推移,他们在第二、第三学期中单次作业的平均学习时间与其他组的差异越来越大。无论哪一组学生,第四学期的作业平均时长都处于最低点。总而言之,单个作业平均时长与学生投入时间成本存在较为显著的正相关关系。然而,在实际评估中,我们还需要结合其他因素进行综合考量,如作业难度、作业量、学生英语能力等因素。
表8 不同组别学生雨课堂单个作业平均时长
(二)学习成就变化
本研究除了分析学生在雨课堂中的签到、弹幕、投稿、课外学习时长等学习行为数据外,还统计学生在课前、课中和课后测试任务中的得分,以及他们在期末考试和全国英语等级考试暨CET-4和CET-6等高利害测试中的成绩。由于每个学期的测试任务数量不同,为保证数据的可比性,雨课堂测试的结果均以百分制形式呈现,如表9所示。
表9 不同组别学生作业平均得分
需要注意的是,第三学期通过雨课堂推送的作业中包含选做部分,即学生可选择完成作业A或者作业B,但在计算作业平均得分时,由于总分包含所有选做部分,导致该学期的数据显著低于其他学期。从平均分看,虽然高分组始终保持着对中间组和低分组的优势,但这种差距在逐渐缩小,尤其在二年级期间表现得更为明显。
本研究认为,高分组学生与其他组学生相比一直能够保持更高的作业平均分,一方面是由于其语言能力的优势,另一方面是由于他们投入更多的学习精力,以保证平时作业的完成质量。在一年级期间,他们为争取更高的平均学分绩点、奖学金或专业调剂机会等,在过程性评价成绩方面付出更多的努力。但在二年级期间,伴随着以上外部学习动机的消失殆尽,他们在平时成绩中的优势则慢慢缩小。
横向对比看,各组学生在四个学期期末考试中的表现与他们的分级考试一样泾渭分明,组间差距基本保持恒定,并没有明显的扩大或缩小趋势,说明虽然不同组别学生的学习行为存在差异,但是对期末考试成绩并没有产生显著的影响。需要指出的是,各组在第三和第四学期的期末测试平均成绩有所下降,不过这并不能说明学生的英语能力下降,更有可能与试卷难度相关,如表10所示。
表10 不同组别学生期末考试平均得分
(三)外部考试结果
从第二学期开始,高分组及部分在期末考试中成绩位列前茅的中间组学生即获得报名参加CET-4及CET-6考试的资格。本研究发现,尽管该考试相当重要,但仍有部分学生在本研究期间放弃参加考试的资格。各组学生参加CET-4及CET-6的统计如表11、12所示。
表11 不同组别学生CET-4考试统计(N=1044)
表12 不同组别学生CET-6考试统计(N=811)
从平均分看,高分组、中间组与低分组三者之间保持着非常稳定的、线性的差异,但是,如果以大于等于425分来统计百分比来看,这种规律性就被打破了。以CET-4为例,中间组与高分组的差异几乎可忽略不计,但低分组与中间组的差异则非常显著。这说明,若以425分作为通过CET-4的标准,能够较好地区分低分组学生与其他学生。不仅如此,由于低分组在CET-4中的较差表现,导致他们无法通过甚至没有资格参加后续的CET-6考试。
从CET-6来看,应该指出的是,高分组学生在大学英语存续期间有两次参加CET-6考试的机会,而中间组和低分组除个别学生外,至多有1次参加考试的机会。由表12可知,高分组学生在CET-6考试中达到425分的比例达84.04%,与通过CET-4的比例差异较小;中间组和低分组学生达到425分的比例则大幅降低至31.21%和7.45%。
最后,我们还发现,学生放弃CET-6考试的比例与学生英语能力呈负相关性。从整体看,90.10%的学生获得参加CET-6考试的机会(高分组学生甚至可以获得两次参加考试的机会),但仅有77.16%学生在二年级大学英语课程结束前报名且实际参加CET-6考试,可见并非所有学生都有强烈且迫切参加CET-6考试的动机。高分组共7人未参加CET-6考试,且他们均有资格参加考试,占比2.48%;中间组共80人未参加CET-6考试,其中60%的学生有资格参加该考试,弃考比例为9.86%;低分组共153人未参加CET-6考试,其中43.14%的学生有资格参加该考试,弃考比例为9.93%。换言之,高分组学生弃考率显著低于其他组别学生,而中间组与低分组差异不大。
五、结论
本研究根据学生的入学分级考试成绩将学生分成高分组、中间组与低分组,然后基于雨课堂教学、作业以及期末考试、CET-4及CET-6考试等数据,分别从学习行为和学习结果两方面对大学英语学习者进行画像分析,总结如下:
在学习行为方面,高分组、中间组与低分组学生的签到率、师生互动、学习时间等指标呈现明显的差异。横向对比看,无论在哪个学期,高、中、低三组学生的各项数据对比均呈现出依次下降趋势,说明他们在大学英语学习中的课内参与、课外投入程度,均与英语能力呈显著的正相关关系。纵向对比看,高分组学生的学习行为数据通常较为稳定,在四个学期中的波动幅度一般小于其他组别学生,这似乎说明高分组学生能够保持较稳定的学习习惯和较强的学习韧性。无论哪一组学生,其学习行为数据整体上随时间呈现下降趋势,尤其在第四学期更是如此。此外,通过对比各组学生,还发现他们之间的学习行为差异有缩小的趋势。换言之,无论学生英语能力如何、学习动机有何变化,其学习行为上体现出一定的趋同性。
与学习行为方面呈现的复杂性不同,不同组别学生的学习成就体现出更强的规律性。就作业得分、期末成绩、CET-4和CET-6成绩来看,高分组、中间组和低分组的差异是显著且一贯的。以作业得分为例,与其他组相比,高分组学生自身具备更高的英语能力和更多的时间投入,这保证他们平时作业更高的完成质量。在期末考试中,各组学生的差异亦是泾渭分明,组间差距并不随时间推移而发生显著变化。从CET考试平均分看,不同组别的学生在CET-4及CET-6考试中的成绩呈显著差异。若以平均分作为指标,三者的差异是稳定且线性的,但若以425分作为通过考试的标准,高分组和中间组在CET-4考试中相差无几,但他们与低分组拉开较大的差距;在CET-6考试中,高分组依然能够保持很高的通过率,但中间组和低分组则呈现出急剧下降的趋势。
总而言之,本文总结梳理国内外有关智慧教学的研究热点和发展趋势,基于学习者画像的研究范式,选取学生在雨课堂中的学习行为、过程性评价与终结性评价数据,同时,对比外部考试数据,对不同水平的学生进行分组对比实验,观察分析不同组别学生的学习行为和学习结果方面的变化。本研究的创新点在于,在分级教学情境下,构建不同组别不同能力学生行为、学习成绩的特征画像,并描述他们在不同学期中的变化趋势。在大学英语学习中,因材施教非常关键。学习者画像研究有助于深入了解学生的学习动机等特征,从而更好地满足学生的个性化需求。然而,学习者画像研究仅仅是一项描述性研究,如果要了解背后的形成机制,则需要进一步探究。今后,我们可以将得到的形成性评价结果与总结性评价结果进行对比,探索出形成性和总结性各要素之间的相关关系,从而帮助教学管理者了解学情和教情,并根据学生特点采取个性化、差异化和精准化的教学策略。
参考文献:
[1]SHAH B, CHOKSI D. Big data analytics model for the education sector[J]. International Journal of Innovative Technology and Exploring Engineering, 2019(8):1785-1789.
[2]MARTIN A L, THAWABIEH F A. The role of big data management and analytics in higher education[J]. Business, Management and Economics Research, 2017,3(7):85-91.
[3]CHINSOOK K, KHAJONMOTE W, KLINTAWON S, et al. Big data in higher education for student behavior analytics (big data-HE-SBA system architecture)[J]. Higher Education Studies, 2022,12(1):105-114.
[4]BAIG M I, SHUIB L, YADEGARIDEHKORDI E. Big data in education: a state of the art, limitations, and future research directions[J]. International Journal of Educational Technology in Higher Education, 2020,17(1):1-23.
[5]余明华,张治,祝智庭.基于学生画像的项目式学习评价指标体系研究[J].电化教育研究,2021(3):89-95.
[6]黄建国,唐烨伟,范佳荣,等.基于xAPI的在线学习环境中精准师训画像构建研究[J].中国电化教育,2020(4):102-108.
[7]CHEN C, IBEKWE-SANJUAN F, HOU J. The structure and dynamics of co-citation clusters: a multiple-perspective co-citation cnalysis[J]. Journal of the American Society for Information Science and Technology, 2010,61:1386-1409.
[8]CONLEY A M. Patterns of motivation beliefs: combining achievement goal and expectancy-value perspectives[J]. Journal of Educational Psychology, 2012,104(1):32.
[9]LAZARIDES R, VILJARANTA J, AUNOLA K, et al. The role of parental expectations and students’ motivational profiles for educational aspirations[J]. Learning and Individual Differences, 2016,51:29-36.
[10]TUOMINEN-SOINI H, SALMELA-ARO K, NIEMIVIRTA M. Achievement goal orientations and academic well-being across the transition to upper secondary education[J]. Learning and Individual Differences, 2012,22(3):290-305.
[11]LINNENBRINK-GARCIA L, WORMINGTON S V, SNYDER K E, et al. Multiple pathways to success: an examination of integrative motivational profiles among upper elementary and college students[J]. Journal of Educational Psychology, 2018,110(7):1026.
[12]ECCLES W J. The Canadian frontier[M]. UNM Press,1983:1534-1760.
[13]AMES C. Classrooms: goals, structures, and student motivation[J]. Journal of Educational Psychology, 1992,84(3): 261.
[14]DWECK C S, LEGGETT E L. A social-cognitive approach to motivation and personality[J]. Psychological Review, 1988,95(2):256.
[15]LINNENBRINK-GARCIA L, PATALL E A, PEKRUN R. Adaptive motivation and emotion in education: research and principles for instructional design[J]. Policy Insights from the Behavioral and Brain Sciences, 2016,3(2):228-236.
[16]WIGFIELD A, CAMBRIA J. Students’ achievement values, goal orientations, and interest: definitions, development, and relations to achievement outcomes[J]. Developmental Review, 2010,30(1):1-35.
[17]赵婷婷,郭玉婷.超越传统成绩单:数字技术重塑大学生学习“画像”[J].中国高教研究,2022(5):20-26.doi:10.16298/j.cnki.1004-3667.2022.05.04.
[18]唐烨伟,茹丽娜,范佳荣,等.基于学习者画像建模的个性化学习路径规划研究[J].电化教育研究,2019(10):53-60.
[19]RESCIGNO R C. Practical implementation of educational technology, the gte/gtel smart-classroom, the hueneme school district experience[J]. Academic Achievement, 1988,27.
[20]KIM T, CHO J Y, LEE B G. Evolution to smart learning in public education: a case study of Korean public education[C]//Open and Social Technologies for Networked Learning: IFIP WG 3.4 International Conference, OST 2012, Tallinn, Estonia, July 30–August 3, 2012, Revised Selected Papers. Springer Berlin Heidelberg, 2013:170-178.
[21]LEE J, ZO H, LEE H. Smart learning adoption in employees and HRD managers[J]. British Journal of Educational Technology, 2014,45(6):1082-1096.
[22]KIM S, SONG S M, YOON Y I. Smart learning services based on smart cloud computing[J]. Sensors, 2011,11(8):7835-7850.
[23]ZHU Z T, YU M H, RIEZEBOS P. A research framework of smart education[J]. Smart Learning Environments, 2016(3):1-17.
[24]DANIEL J. Making sense of MOOCs: musings in a maze of myth, paradox and possibility[J]. Journal of Interactive Media in Education, 2012(3).
[25]BRUCE B C, LEVIN J A. Educational technology: media for inquiry, communication, construction, and expression[J]. Journal of Educational Computing Research, 1997,17(1):79-102.
[26]MEYER B, LATHAM N. Implementing electronic portfolios: benefits, challenges, and suggestions[J]. Educause Quarterly, 2008,31(1):34.
[27]刘邦奇,李鑫.智慧课堂数据挖掘分析与应用实证研究[J].电化教育研究,2018 (6):41-47.doi:10.13811/j.cnki.eer.2018.06.008.
[28]教育部高等学校大学外语教学指导委员会.大学英语教学指南[M].北京:高等教育出版社,2020.
Profiling EFL Learners in the Context of Intelligent Teaching
Kangxi LI, Mengting KONG, Dongyun SUN
(School of Foreign Studies, Hefei University of Technology, Hefei 230009, Anhui)
编辑:王天鹏 校对:王晓明
往期目录|超链接版
期刊简介
《中国教育信息化》创刊于1995年8月,是由中华人民共和国教育部主管,教育部教育管理信息中心主办,面向国内外公开发行的国家级学术期刊。期刊内容力求全面深入地记录我国教育信息化的建设进展、研究与应用成果和行业发展状况,开展我国教育信息化发展状况调研和教育信息化国际比较研究,服务于国家教育宏观决策;力求全面准确地把握教育信息化相关的方针政策和标准规范,及时追踪ICT前沿技术的发展趋势及其与教育的融合,深度挖掘教育信息化建设与应用的体制、机制创新,服务于我国教育信息化实践。
●RCCSE中国核心学术期刊
●中国人文社会科学(AMI)扩展期刊
●中国期刊全文数据库收录期刊
●中文科技期刊数据库收录期刊
●国家哲学社会科学学术期刊数据库收录期刊
●中国核心期刊(遴选)数据库收录期刊
●龙源期刊网收录期刊
一年12期,每月20日出版
20元 / 期,邮发代号:82-761
编辑部邮箱:mis@moe.edu.cn
通讯地址:北京市西城区华远北街2号921室