摘要：人工智能技术在辅助教学上展现出了巨大潜力,也因其不透明性、无法预测性以及不当使用而引发争议,建设可信赖的人工智能教育应用(AIED)成为国际共识。可信赖AIED强调“以人为本”的价值宗旨,以可靠、安全的AI技术为底层基础,以合伦理性的理解和使用为关键保障,观照教育情境的复杂性,摒弃将通用AI伦理原则或其他AI应用领域的专业伦理原则生搬硬套到教育领域。英国作为人工智能伦理治理的先行者,在可信赖AIED建设方面积累了丰富经验,尤其体现在《人工智能保障生态系统路线图》中。该《路线图》从技术的开发、采购与使用三大阶段出发,分别采取伦理设计、伦理核查和AI素养培养等具体策略,构建了可信赖AIED的保障体系。借鉴英国AIED的典型举措,我国应在开发阶段对智能教育产品开展本土化的价值敏感设计,采购阶段对智能教育产品的可信赖度做出有意义的解释,使用阶段对师生用户的人工智能素养加以培养和提升,以推动技术开发者、产品采购者、一线使用者等利益相关方共促可信赖AIED的本地建设。

摘要：学习分析作为一个从数据中建构意义的研究领域,在过去几年的发展中备受学界关注。学习分析领域的核心问题之一是如何利用数据预测学习者的学业成功或者失败?围绕这一问题,国内外学者开展了大量实证研究,取得了丰富的研究成果。但是,预测指标研究的相关综述却存在一定局限性,如忽视指标适用的学习场所和情境、模糊指标匹配的学习任务类型和参与主体,或是有些综述缺失了领域内的代表性学者、研究和应用。因此,本文通过系统的文献检索和综述,从预测指标适用的学习场所和任务类型出发,梳理了倾向性指标、人机交互指标和人际交互指标三种类型的常用预测指标。本文详细地介绍了过往学业表现、初始知识、学习驱动力、正面或负面学习行为、学习者情感状态、知识表征事件、人际交互频次、社群意识等一系列得到广泛验证的关键预测指标,并将按照"学校场所和工作场所"和"个体学习和群体学习"两个维度划分的四个象限,在每个象限中选取一个典型的学习分析系统进行剖析,这些典型系统是Signals系统、SNAPP系统、Learn-B系统和Cohere系统。本文最后总结了预测分析相关研究的特点和趋势,并指明了未来研究与实践的注意事项和潜在的研究方向。

摘要：同伴互评是MOOC常采用的学员作业评价方法,但是MOOC同伴互评的准确性和可靠性因学员知识水平程度差异过大而被质疑。为了研究如何通过改进评价量规来提高同伴互评的可靠性和准确性,在教师培训类MOOC"翻转课堂教学法"的两期教学中,我们进行了若干设计研究。研究发现,在教学培训类MOOC的同伴互评活动中,学生评分和教师评分高度相关。细化评分量规的等级描述,以及采用是非选择型的评价量规都能显著提高评分者间信度和评分效度,且评分者间信度与评分效度的差异度与学生所提交作业文档本身的质量也有关系。在研究发现的基础上,文章提出了MOOC同伴互评评价量规的设计原则和使用建议。

摘要：近年来随着MOOC运动的发展,对学习者在线学习行为的分析和挖掘成为研究热点,而研究者和教学者都希望能够基于MOOC积累的大数据增进对网上教与学规律的认识。在此研究背景下,如何科学地辨析和标识学生的有效学习行为,便成为开展这类研究非常基础性的工作,会直接影响后续研究的发展空间,也会影响同类研究发现之间的比较与对话。本研究以一门慕课课程的近五百万条学习数据为基础,介绍了这门课程学生学习"行为标签词典"的产生过程,以及基于行为标签的学习行为辨识做法,特别指出了以往文献中常被忽略的依据不同行为的持续时间定义行为的价值。最后,本研究展示了基于行为标签词典的一个研究案例,即行为标签词典如何帮助我们了解学习者"一次学习"的特征。本研究作为方法论层面非常微观但又非常基础的一个探索,希望能够为领域内的类似研究提供借鉴思路,开启在共同行为辨识基础上的研究对话。同时也希望以本研究为出发点,征集更多有识之士用其他数据集对此模型进行检验、丰富和完善,使其能够成为诸如在线自主学习策略、网上课程教学设计有效性等研究的基础工具。

摘要：将MOOCs应用于教师专业发展是近几年的新趋势。MOOCs免费、在线、开放的属性,为教师专业发展提供了有别于传统培训的独特路径。为研究一线教师借助MOOCs进行持续性专业发展的需求,本研究以"翻转课堂教学法"MOOC一群特殊学生(重复注册者)为研究对象,聚焦重复注册者为什么回来这个问题,采取混合研究法,分析MOOC平台收集的数据,并用个别访谈予以证实。基于重复注册者多次学习的成绩变化,本研究发现重复注册者可以分为四类(反复缺席、虎头蛇尾、执着地为结课而努力、持续学习与实践)。这四类重复注册者的客观行为数据和质性访谈数据,展现了他们差异化的选课动机和学习行为模型特点。这些研究发现,有助于增进对中国MOOCs中多样性学习者多元化学习动机的认识,促进MOOCs设计者更好地为重复注册者提供针对性的教学支持,也证实了MOOCs在重塑教师专业发展路径、支持教师教学创新等方面的独特价值。

摘要：MOOC面向更大规模和更加复杂的学生群体,如何设计好、开发好、维护好课程成为保障MOOC教学质量的关键。同时,由于网络课程的表现形式与传统课堂差异巨大,单靠授课教师一个人的力量很难产出高质量的MOOC课程,更难以应对大量学生的互动学习需求,于是就出现了"MOOC助教"群体,他们深入而全面地参与课程的设计与开发,组织课程日常维护,及时解答学生提问等,在MOOC教学中发挥了重要作用。本文将系统阐述"MOOC助教"在MOOC建设与实践中的点滴经验,分析优秀"MOOC助教"所具备的特点和能力,建立对"MOOC助教"较为全面的认识,并为"MOOC助教"的队伍建设提出针对性建议。

摘要：本文初稿为北京大学教育技术中心冯菲老师在采访李戈老师的基础上形成的,后经李戈老师修改定稿。李戈老师满怀激情地回顾了一年来开设"计算概论"MOOC课程的经历与体验,对MOOC课程与传统教学方式进行了比较研究,并针对MOOC的教学逻辑设计、课程特点、MOOC课程的改进与完善等方面提出了自己的观点和建议。

摘要：在当前MOOC教学中,学习者普遍按照是否完成课程为标准被分为两大类:完成与未完成。但是,这种二元分类具有一些局限,如忽视了只选择部分参与课程的学习者和积极参与课程但对课程证书没有需求的学习者,不利于解释未完成课程者中途辍学的原因,难以有效捕获具有高度异质性的MOOC学习者真实复杂的学习特点。考虑到MOOC学习者的大规模特征,通过人工方法从多个维度对学习者进行识别和分类存在难度,因此有必要采用技术手段作为一种补充,聚类分析被视为一种有效的探索性技巧来识别和刻画MOOC学习者更多元的特征。本文通过对16篇采用聚类分析技术分析MOOC学习者特征的英文文献进行综述,试图回答三个问题:哪些特征指标被应用于聚类?哪些聚类算法被采用?学习者被分为哪些类别?希望能以此呈现该主题研究的全貌,为国内研究者应用聚类分析技术刻画学习者特征提供思路,并对如何确定合适的聚类指标、聚类算法以及阐释聚类结果提供方法性的指导。最后,本文指出了聚类分析技术的情境依赖性和方法局限性,并对未来应用聚类分析技术分析学习者特征进行了研究展望。

摘要：MOOC(Massive Open Online Course)的核心属性之一是"课程"(Course),因此"完成率"或"流失率"始终是其发展中绕不开的话题。借由完成率问题引发的一系列深入讨论和研究,例如流失问题的预测分析,取得了丰富的研究成果,对于增进我们对MOOC研究的认识和相关教学理论的理解都具有积极作用。但由于该领域内还缺乏对预测分析的系统综述,我们对这个问题的研究全貌、研究局限以及未来的研究方向并不明晰。因此,本文通过综述24篇最近五年相关的高质量文献,试图回答三个问题:哪些预测指标是有效的?哪些算法模型是相对较好的?不同模型的节俭性和耐用性如何?通过回答这些问题,本文梳理了有效的预测指标体系,对比了不同算法模型的有效性,并检验了模型的节俭性和耐用性;更进一步,本文通过讨论研究的理性观、实践意义和开展跨领域对话,指出了未来研究可能的研究取径、研究方向和研究重点。

摘要：学习分析作为学习科学的子领域,其关注的核心问题就是对学习过程的理解与优化,而这离不开对学习者学习行为数据的收集和对行为模式的分析。特征工程作为一种基于底层数据设计特征集的系统方法,为行为模式的分析提供了新的技术支持与研究路径。文章通过介绍特征工程实施的四个步骤,系统梳理了目前使用特征工程方法识别出的典型行为模式,如投机取巧、挫折、疑惑等,可为行为模式的相关研究提供参考。同时,文章基于对有效的技术支持和实践意义两个话题的讨论,指出了未来的研究取径与研究重点。