摘要：随着教育数字化的加速推进,在线学习已成为当前和未来教育的重要组成部分,多种实践样态正在快速发展。作为一个专业化实践领域,在线学习由哪些基本类型构成?对这一问题的研究是帮助教师根据不同情境选择合适的在线学习模式,从而有效设计在线学习、保障高质量学习发生的关键。本研究在分析在线学习实践发展趋势、分类研究的基础之上,基于交互距离理论,从知识结构化程度和学习者在线学习成熟度两个维度构建在线学习分类框架,将在线学习分为教师主导的主题式学习、教师引导的合作研创学习、同伴驱动的群体生成性学习、算法生成的智适应学习四类。同时,结合相关理论和典型实践案例,从知识类型、学习者类型、核心交互、教师角色、满足的需求、技术特点、支撑理论七个维度对四类在线学习的特征进行了总结。最后,本研究对新冠疫情期间的在线教学进行了反思,并展望了未来在线学习的发展。希望本研究能够深化实践者对在线学习的认识,帮助设计者根据知识的结构化程度和学习者在线学习成熟度综合考虑、选择并设计合适的在线学习。

摘要：开放式教育环境下存在在线学习者学习成效低、流失率高等问题。以学习者画像在群体特征识别与分析上的应用为研究起点,从如何建立画像以及如何支持服务学习者进行剖析,探索基于学习者画像的在线学习支持服务策略。从知识水平、行为特征、兴趣特征三个维度构建学习者画像模型并开展标签化处理,以群体化、个性化作为设计思路,探究适合不同学习者群体的服务方式,同时为教育工作人员的教学设计提供服务实施依据。

摘要：教育数字化转型会带来课程内容、教学活动等要素的内涵及其关系的变化,在线学习和混合教学等数字化学习方式将成为主流教学方式。在线学习带来诸多优越性的同时,也存在师生交互缺失、情绪交流缺乏的问题。虚拟学习环境中具有情绪线索的教育智能体为破解该问题提供了一种更加智慧化的手段。教育智能体是用于在线学习环境以满足不同教学目标要求、类似教师的虚拟角色,可为学习者提供认知和情感支持。然而,已有研究关于教育智能体情绪线索对在线学习全过程的作用效果尚未达成共识。为此,从动机、情绪、理解、巩固和迁移5个角度对2003年以来国内外42个相关实证研究进行了系统性分析,构建教育智能体情绪线索赋能在线学习的理论模型,并结合问卷量表法、社会网络分析法和内容分析法对高校专业课教学进行实践探究。结果表明:(1)情绪智能体组学习者的学习动机在实验前后呈现了最大幅度的提升,且存在显著高效应;(2)情绪智能体组学习者协作交互的积极性在增加,交互水平也在提升,学习热情最高;(3)情绪智能体组学习者的内部和外部认知负荷无明显变化,而相关认知负荷显著增加,促进其新知的掌握;(4)教育智能体情绪线索助力学习者记住更多的项目,从而提高了其知识保持成绩;(5)教育智能体情绪线索可以帮助学习者对更高层次的反思进行深度构建,从而发展了反思能力,也反映了其迁移能力的提升。最后,针对教育智能体的设计提出建议,以期为在线学习提供更符合个性化需求的情感认知工具,推动人工智能与教育的融合发展。

摘要：本文基于绩效管理理论视角,探索性构建在线学习绩效监测预警体系框架,并且进行案例应用研究。研究结果表明,应该基于学习行为、学习满意度和学习结果三个维度内容要素进行在线学习绩效监测预警体系框架的设计构建;以非线性门限回归模型作为“信息处理中枢”,能够提高在线学习绩效监测预警体系框架的有效性;应用所构建的在线学习绩效监测预警体系框架可以实现对在线学习绩效的“绩效管理导向”式量化度量和全景展现,为在线学习资源配置与优化提供不同角度的决策支持科学依据。因此,需要以充分发挥在线学习环境的大数据资源优势,以及门限回归模型等非线性模型在大数据环境中的功效优势为双轮支撑,持续强化对在线学习绩效监测预警体系框架的理论研究与实践应用。

摘要：近年来,认知负荷过载成为影响在线学习效果的一个重要因素。为解决此问题,文章聚焦在线学习认知负荷评估,首先设计了基于多模态数据的在线学习认知负荷评估研究框架,包含多模态数据采集、多模态特征提取和评估模型构建三个部分。接着,文章通过实验,采集学习者在特定在线学习环境下的多模态数据,提取人脸表情特征、眼动追踪指标特征和脑电信号特征,构建在线学习认知负荷评估模型。之后,文章对评估模型的准确性进行验证,发现在五种机器学习算法模型中,KNN模型的综合性能最佳,故将此模型作为最终的在线学习认知评估模型;同时,文章对多模态数据进行了分析,发现多模态融合方法在认知负荷评估上具有优越性。文章构建的评估模型可赋能在线学习平台实现认知负荷的实时评估,进而实现基于认知负荷的个性化学习,增强学习动机,提升学习效果,促进在线教育质量提升。

摘要：大规模稀疏多目标优化问题(Sparse Multiobjective Optimization Problems,SMOPs)广泛存在于现实世界。为大规模SMOPs提出通用的解决方法,对于进化计算、控制论和机器学习等领域中的问题解决都具有推动作用。由于SMOPs具有高维决策空间和Pareto最优解稀疏的特性,现有的进化算法在解决SMOPs时,很容易陷入维数灾难的困境。针对这个问题,以稀疏分布的学习为切入点,提出了一种基于在线学习稀疏特征的大规模多目标进化算法(Large-scale Multiobjective Evolutio-nary Algorithm Based on Online Learning of Sparse Features,MOEA/OLSF)。具体地,首先设计了一种在线学习稀疏特征的方法来挖掘非零变量;然后提出了一种稀疏遗传算子,用于非零变量的进一步搜索和子代解的生成,在非零变量搜索过程中,其二进制交叉和变异算子也用于控制解的稀疏性和多样性。与最新的优秀算法在不同规模的测试问题上的对比结果表明,所提算法在收敛速度和性能方面均更优。

摘要：当前在线学习领域相对聚焦整体体验的研究,针对不同阶段的用户体验分析较少。从在线学习的三个阶段(课前、课中、课后)出发,采取半结构化访谈和归纳的方法,构建在线学习五大体验要素(功能、效率、内容、视觉、互动),拆分在不同阶段五大要素的内涵,再结合不同阶段对用户体验要素进行评分与相关性分析,对在线学习平台体验提出优化建议。主要需要提升课后阶段的用户体验相关要素,改进在线学习的各个阶段中“互动”体验要素的相关内容。

摘要：随着在线学习逐渐成为传统院校学历教育学分课程的可选学习方式,迫切需要更多理论与实证研究洞察这种不同于非正式与混合式学习的新场景下在线学习的特征与机制。鉴于此,在学习动机和自我调节学习经典量表以及技术接受度模型的基础上编制问卷,对我国某高校在线学习学分课程的大学生施测,基于1021份有效问卷数据,通过结构方程建模方法检验学习内在价值对在线学习接受度的影响,以及目标设定、环境构建、任务策略、时间管理、寻求帮助、自我评价六维自我调节学习技能在二者之间的中介作用。研究结果表明:学生感知的学习内在价值不会直接影响其对在线学习的接受度,而是通过学生各项自我调节学习技能间接影响;内在价值对六维自我调节学习技能的驱动作用不同,对目标设定、环境构建和寻求帮助的影响更强;除了寻求帮助维度,其他五维自我调节学习技能均能显著影响学生的在线学习接受度,并在内在价值和在线学习接受度之间发挥显著中介作用。基于研究结果的讨论,提出多种途径促进学生自我调节学习技能的全面发展、重视在线课程中自我调节学习的支架设计、根据在线学习情境部署规划公共学习支持服务等建议。

摘要：在线学习作为信息时代的学习方式,在新冠疫情之后释放了其发展张力,呈现出了蓬勃发展的状态,但师生分离的整体形态引起了各种情感体验问题,需要从价值认识中寻求解决之道。情感体验的价值在于调节学习者在线学习参与意愿的动机,改变社会互动方式调节学习成效,调节教育活动以构成改变教学过程的建构性力量,支持学习者通过在线学习实现培养“完整的人”等教育价值。情感体验的优化需要遵循在线学习的情感规划强化情感体验的设计,将情感体验的实质性贯彻于整个教育过程,合理利用工具调动学习者的情感,培养在线学习相关主体的情感修养等方式,优化学习者的情感体验。

摘要：在线教育中,教师经常沿用面授教学方法,学校则复制针对面授教学而设置的各种制度和结构,虽然这些制度和结构的原本唯一目的是解决物理空间环境下教学所产生的问题。与此同时,学习技术的开发和使用主要是为了建设旨在复制具备校园学习环境特点的虚拟学习环境,结果复制的是面授教师在物理环境下不得不解决的问题,而且复制得很蹩脚。这是一个制造问题和解决问题的恶性循环,对谁都没有好处。把我们为了支持学习而建设的在线学习系统比喻为“环境”有误导之嫌,因为这种认识限制了我们在教学方法上的选择和借助技术解决问题的能力。本文采用基础设施和服务这个比喻,以便能够使用更能体现灵活性、学习者驱动和数字原生的方法设计支持学习的系统(包括工具、教学方法和结构)。