奧爾加·維伯格 默罕默德·哈利勒

【摘 要】 我們能夠根據(jù)學(xué)生自我調(diào)節(jié)學(xué)習(xí)情況預(yù)測(cè)其學(xué)業(yè)表現(xiàn)，然而，自我調(diào)節(jié)學(xué)習(xí)對(duì)學(xué)習(xí)者而言并非易事。在新興在線學(xué)習(xí)環(huán)境下自我調(diào)節(jié)學(xué)習(xí)能力變得更加重要。學(xué)習(xí)分析能改變我們提供學(xué)習(xí)支持的方式從而提升學(xué)習(xí)表現(xiàn)，因此在培養(yǎng)學(xué)生掌握自我調(diào)節(jié)學(xué)習(xí)能力上發(fā)揮關(guān)鍵作用。本文對(duì)2011—2019年間發(fā)表的54篇學(xué)習(xí)分析在在線學(xué)習(xí)環(huán)境下自我調(diào)節(jié)學(xué)習(xí)中的應(yīng)用的實(shí)證研究論文做一個(gè)概括性評(píng)價(jià)。本文的研究問題是：學(xué)習(xí)分析在評(píng)價(jià)和支持在線學(xué)習(xí)環(huán)境下學(xué)生自我調(diào)節(jié)學(xué)習(xí)方面的應(yīng)用情況如何？重點(diǎn)關(guān)注學(xué)習(xí)分析涉及自我調(diào)節(jié)學(xué)習(xí)哪些階段、方法、自我調(diào)節(jié)學(xué)習(xí)支持形式、學(xué)習(xí)分析促進(jìn)學(xué)習(xí)的證據(jù)以及在線學(xué)習(xí)環(huán)境的類型。本文根據(jù)齊默爾曼（Zimmerman）2002年提出的模型劃分自我調(diào)節(jié)學(xué)習(xí)的不同階段，而學(xué)習(xí)分析促進(jìn)學(xué)習(xí)的證據(jù)則從四個(gè)方面進(jìn)行分析，即學(xué)習(xí)分析是否提升了學(xué)習(xí)效果、提高了學(xué)習(xí)支持和教學(xué)支持水平、廣泛應(yīng)用和使用符合倫理道德規(guī)范。文獻(xiàn)綜述結(jié)果表明，大多數(shù)研究重點(diǎn)涉及自我調(diào)節(jié)學(xué)習(xí)的預(yù)先計(jì)劃階段和行為表現(xiàn)階段，較少關(guān)注反思階段;提升學(xué)習(xí)效果（20%）以及學(xué)習(xí)支持和教學(xué)支持水平（22%）的證據(jù)不充分;尚未得到廣泛應(yīng)用;遵循道德規(guī)范的研究為數(shù)不多（15%）。從總體看，學(xué)習(xí)分析研究主要是為了評(píng)價(jià)而非支持自我調(diào)節(jié)學(xué)習(xí)。因此，非常有必要進(jìn)一步發(fā)揮學(xué)習(xí)分析支持自我調(diào)節(jié)學(xué)習(xí)的作用，培養(yǎng)學(xué)生在在線學(xué)習(xí)環(huán)境下自我調(diào)節(jié)學(xué)習(xí)的能力。

【關(guān)鍵詞】? 自我調(diào)節(jié)學(xué)習(xí);學(xué)習(xí)分析;在線學(xué)習(xí);教育;實(shí)證研究;文獻(xiàn)綜述

【中圖分類號(hào)】? ?G420? ? ? ? ?【文獻(xiàn)標(biāo)識(shí)碼】? B? ? ? ?【文章編號(hào)】? 1009-458x（2020）12-0028-15

導(dǎo)讀：當(dāng)今以及未來，教育與技術(shù)的融合日趨全方位，技術(shù)既是教與學(xué)的工具，又可以是研究教與學(xué)的工具，這是不可逆轉(zhuǎn)的潮流。然而，不管是教與學(xué)的實(shí)踐還是研究，“人性”永遠(yuǎn)優(yōu)先于“技術(shù)性”，技術(shù)不能喧賓奪主，這是教育本質(zhì)使然的結(jié)果。教育領(lǐng)域的一切改革，歸根結(jié)底都是為了促進(jìn)學(xué)生的學(xué)習(xí)。有一篇文章介紹西班牙和美國兩所大學(xué)開展基于技術(shù)的協(xié)作教師培訓(xùn)“翻轉(zhuǎn)課堂”模式，文章的標(biāo)題包含這句話“If you dont improve，whats the point？”（如果你沒有得到提高，那么意義何在？）①，我認(rèn)為這句話適用于任何以技術(shù)為媒介或技術(shù)促進(jìn)的教與學(xué)實(shí)踐和研究。

學(xué)習(xí)分析（learning analytics， LA）在很大程度上因大數(shù)據(jù)而生，過去十年發(fā)展迅速，成為許多教育研究者手中的香餑餑。傳統(tǒng)上學(xué)習(xí)分析主要是用于預(yù)測(cè)學(xué)生學(xué)業(yè)成績，及時(shí)進(jìn)行教學(xué)干預(yù)，防止“高危”學(xué)生輟學(xué)，而現(xiàn)在也被越來越多地用于其他目的，包括支持學(xué)生發(fā)展終身學(xué)習(xí)技能和策略、向?qū)W生提供個(gè)性化和及時(shí)學(xué)習(xí)反饋、支持學(xué)生發(fā)展協(xié)作、批判性思維、交流和創(chuàng)造性等方面的重要技能、支持學(xué)生反思以培養(yǎng)他們的學(xué)習(xí)意識(shí)和提供教學(xué)創(chuàng)新有效性的實(shí)證證據(jù)支持優(yōu)質(zhì)教與學(xué)。①由此可見，如同其他（教育）技術(shù)一樣，學(xué)習(xí)分析歸根結(jié)底也是為了促進(jìn)學(xué)生的學(xué)習(xí)。2018年，本文第一作者瑞典皇家理工學(xué)院（KTH Royal Institute of Technology）奧爾加·維伯格（Olga Viberg）博士等四位研究者在《計(jì)算機(jī)在人類行為的應(yīng)用》（Computers in Human Behavior）期刊發(fā)表一篇綜述②，分析2012—2018年間發(fā)表的252篇學(xué)習(xí)分析在高等教育中應(yīng)用的研究論文，旨在了解它們所采用的研究方法、數(shù)據(jù)采集方法、數(shù)據(jù)分析方法和促進(jìn)學(xué)習(xí)的證據(jù);促進(jìn)學(xué)習(xí)的證據(jù)包括是否提升學(xué)習(xí)效果、是否支持教與學(xué)、是否廣泛應(yīng)用和是否符合倫理道德規(guī)范？四個(gè)方面綜述結(jié)果表明，上述四個(gè)方面的證據(jù)不充分，分別僅有9%、35%、6%和18%的研究呈現(xiàn)這些方面的證據(jù)。

本文可以看作是2018年這篇綜述的續(xù)篇。維伯格博士繼續(xù)擔(dān)任第一作者，另外兩位作者分別是挪威卑爾根大學(xué)（University of Bergen）的默罕默德·哈利勒（Mohammad Khalil）博士和荷蘭鹿特丹伊拉斯姆斯大學(xué)（Erasmus University Rotterdam）的馬丁尼·巴斯（Martine Baars）博士。本文是提交給第十屆學(xué)習(xí)分析和知識(shí)國際會(huì)議（the 10th International Conference on Learning Analytics & Knowledge）的論文（本次會(huì)議原計(jì)劃2020年3月23-27日在德國法蘭克福歌德大學(xué)[Goethe University]舉行，后因受到新冠疫情影響改為3月25-27日在網(wǎng)上舉行）。這篇新作基本沿用原來的框架，但僅聚焦學(xué)習(xí)分析應(yīng)用于自我調(diào)節(jié)學(xué)習(xí)的研究，同時(shí)又將研究背景擴(kuò)大到基礎(chǔ)教育和職場(chǎng)學(xué)習(xí)，“對(duì)2011—2019年間發(fā)表的54篇學(xué)習(xí)分析在在線學(xué)習(xí)環(huán)境下自我調(diào)節(jié)學(xué)習(xí)中的應(yīng)用的實(shí)證研究論文做一個(gè)概括性評(píng)價(jià)”。

文章首先闡述提供自我調(diào)節(jié)學(xué)習(xí)支持的必要性，并指出本綜述的目的是了解學(xué)習(xí)分析在評(píng)價(jià)和支持在線學(xué)習(xí)環(huán)境下學(xué)生自我調(diào)節(jié)學(xué)習(xí)方面的應(yīng)用情況，具體包括這些研究主要聚焦自我調(diào)節(jié)學(xué)習(xí)的哪（些）階段、運(yùn)用哪些學(xué)習(xí)分析方法、以哪些形式提供支持、學(xué)習(xí)效果是否得以提升、是否提高學(xué)習(xí)支持和教學(xué)支持的水平、是否得到廣泛應(yīng)用、是否遵循倫理道德規(guī)范以及用于何種在線學(xué)習(xí)環(huán)境。文章接著簡(jiǎn)要介紹齊默爾曼自我調(diào)節(jié)學(xué)習(xí)三階段模型，即預(yù)先計(jì)劃、行為表現(xiàn)和反思，指出隨著學(xué)習(xí)分析在評(píng)價(jià)和支持在線自我調(diào)節(jié)學(xué)習(xí)行為方面的潛在優(yōu)勢(shì)越來越受到重視，有必要系統(tǒng)回顧這個(gè)領(lǐng)域的實(shí)證研究，了解言辭與現(xiàn)實(shí)的差距，明確今后研究方向。

文章詳細(xì)、清楚地呈現(xiàn)研究問題涉及的各方面內(nèi)容的分析結(jié)果，我在這里重點(diǎn)轉(zhuǎn)述學(xué)習(xí)分析是否促進(jìn)學(xué)習(xí)的情況，其他內(nèi)容恕不贅述。文獻(xiàn)綜述結(jié)果表明，沒有充分證據(jù)表明學(xué)習(xí)分析提升了學(xué)習(xí)效果（20%）以及學(xué)習(xí)支持和教學(xué)支持水平（22%），得到廣泛應(yīng)用（“這些研究大多數(shù)規(guī)模小，涉及學(xué)生人數(shù)少……和（或）歷時(shí)短。它們經(jīng)常只是呈現(xiàn)初步研究結(jié)果”）并遵循倫理道德規(guī)范（15%）。從總體看，“學(xué)習(xí)分析研究主要是為了評(píng)價(jià)而非支持自我調(diào)節(jié)學(xué)習(xí)”。換言之，如同其他教育技術(shù)一樣，言辭（促進(jìn)學(xué)習(xí)的潛能）與現(xiàn)實(shí)（促進(jìn)學(xué)習(xí)的實(shí)際效果）之間存在一道鴻溝。在“討論和結(jié)論”一節(jié)，作者從三個(gè)方面簡(jiǎn)要討論本綜述結(jié)果并提出一些建議和（或）今后實(shí)踐與研究的方向。

或許正是因?yàn)槲覀儗?duì)技術(shù)促進(jìn)教育的潛能言過其實(shí)，所以現(xiàn)實(shí)才這么骨感。2014年英格蘭高等教育撥款委員會(huì)（The Higher Education Funding Council for England）推出“研究卓越框架”（Research Excellence Framework， REF）用以取代原來的“研究評(píng)估活動(dòng)”（Research Assessment Exercise，RAE），強(qiáng)調(diào)必須呈現(xiàn)“感知研究對(duì)‘現(xiàn)實(shí)世界的影響”的證據(jù)（簡(jiǎn)稱“研究影響”）是REF與RAE的主要區(qū)別之一。教育技術(shù)研究也不例外。③

我認(rèn)為，對(duì)于技術(shù)促進(jìn)教育的潛能，我們既不能盲目樂觀、夸大其詞，也不能全盤否定，把技術(shù)拒之門外。而技術(shù)促進(jìn)教育的潛能能否得到發(fā)揮，轉(zhuǎn)化成實(shí)際成效？這涉及多方面因素。比如，技術(shù)的應(yīng)用是否具備與之相適應(yīng)的社會(huì)經(jīng)濟(jì)基礎(chǔ)？是否有助于促進(jìn)教育公平？是否較之于人力資源（教師）的投入更有成本效益？是否遵循教與學(xué)的規(guī)律、建立在合適教學(xué)法理論的基礎(chǔ)上？教學(xué)實(shí)驗(yàn)的設(shè)計(jì)和實(shí)施是否科學(xué)嚴(yán)謹(jǐn)和符合倫理道德規(guī)范？是否做到以點(diǎn)帶面、逐步推廣、迭代創(chuàng)新？研究者是否恪守專業(yè)操守全面客觀呈現(xiàn)研究發(fā)現(xiàn)而不是只報(bào)喜不報(bào)憂？是否具備解讀研究發(fā)現(xiàn)的理論和實(shí)踐素養(yǎng)？教育機(jī)構(gòu)乃至教育行政主管部門是否能做到循證決策？諸如此類的“是否”問題，都能在不同程度上影響技術(shù)促進(jìn)學(xué)習(xí)的潛能的（全面）發(fā)揮?；蛟S正是因?yàn)闆]有意識(shí)到教育研究的復(fù)雜性，很多研究似乎有“浮光掠影”之嫌，因此盡管“聲勢(shì)浩大”成果豐碩，但是對(duì)實(shí)踐的影響卻遠(yuǎn)不如人意，研究與實(shí)踐之間的鴻溝依舊存在。

我多次在本論壇的導(dǎo)讀中對(duì)教學(xué)自動(dòng)化和教育研究自動(dòng)化提出質(zhì)疑，不是因?yàn)槲曳磳?duì)技術(shù)的教育（研究）應(yīng)用，而是因?yàn)槲覉?jiān)信技術(shù)在教育教學(xué)實(shí)踐和研究中只是一種工具，為人所用的工具，不能代替學(xué)生的學(xué)習(xí)，不能代替教師的教學(xué)，不能代替研究者的研究素養(yǎng)。

最后，衷心感謝本文三位國際同行對(duì)翻譯工作的支持和對(duì)本刊的信任?。ㄐた『椋?/p>

一、引言

本文旨在通過文獻(xiàn)綜述呈現(xiàn)將學(xué)習(xí)分析（learning analytics， LA）應(yīng)用于在線學(xué)習(xí)者自我調(diào)節(jié)學(xué)習(xí)（self-regulated learning， SRL）的實(shí)證研究現(xiàn)狀。自我調(diào)節(jié)學(xué)習(xí)關(guān)乎學(xué)習(xí)和學(xué)習(xí)進(jìn)步（Zimmerman， 2002），是一種能夠指導(dǎo)學(xué)習(xí)者今后學(xué)習(xí)和工作的技能。學(xué)生可以通過接受培訓(xùn)掌握自我調(diào)節(jié)學(xué)習(xí)技能（Raaijmakers， Baars， Schaap， Paas， Van Merri?nboer， & Van Gog， 2018），也能夠控制自我調(diào)節(jié)學(xué)習(xí)情況（Chang， Liang， Chou， & Liao， 2018）。然而，研究表明很多學(xué)生自我調(diào)節(jié)學(xué)習(xí)表現(xiàn)欠佳，包括不能精準(zhǔn)調(diào)整自己的學(xué)習(xí)過程（Dunlosky & Lipko， 2007）。此外，如果沒有教師在教學(xué)上提供支持，學(xué)生可能會(huì)高估自己理解學(xué)習(xí)材料的能力（Baars， Leopold， & Paas， 2018; Thiede， Griffin， Wiley， & Redford， 2009），從而可能對(duì)后續(xù)學(xué)習(xí)過程產(chǎn)生負(fù)面影響（Dunlosky & Rawson， 2012）。由此可見，我們有必要向?qū)W生提供自我調(diào)節(jié)學(xué)習(xí)支持。

雖然過去我們經(jīng)常認(rèn)為自我調(diào)節(jié)學(xué)習(xí)某種程度上講是一種比較穩(wěn)定的狀態(tài)，不受學(xué)習(xí)環(huán)境的影響，但是研究發(fā)現(xiàn)學(xué)生自我調(diào)節(jié)學(xué)習(xí)表現(xiàn)會(huì)因?qū)W習(xí)環(huán)境的不同而異，比如學(xué)生在在線環(huán)境與身臨現(xiàn)場(chǎng)環(huán)境下的自我調(diào)節(jié)學(xué)習(xí)表現(xiàn)是不同的（Lee & Recker， 2017; Sedrakyan， Malmberg， Verbert， J?rvel?， & Kirschner， 2018）。學(xué)習(xí)分析領(lǐng)域近年的發(fā)展表明，如果我們想了解學(xué)生在在線學(xué)習(xí)環(huán)境下自我調(diào)節(jié)學(xué)習(xí)行為不同方面的情況，那么我們可以采用不同的學(xué)習(xí)分析方法評(píng)價(jià)和支持他們的自我調(diào)節(jié)學(xué)習(xí)（Noroozi， Alikhani， J?rvel?， Kirschner， Sepp?nen， & Juuso， 2019）。本綜述旨在調(diào)查應(yīng)用學(xué)習(xí)分析評(píng)價(jià)和支持在線學(xué)習(xí)環(huán)境下自我調(diào)節(jié)學(xué)習(xí)的研究現(xiàn)狀。

雖然如何應(yīng)用學(xué)習(xí)分析支持自我調(diào)節(jié)學(xué)習(xí)的研究剛剛起步不久（Winne， 2017），但是這個(gè)領(lǐng)域已經(jīng)初具雛形，明確要跟蹤哪些活動(dòng)、如何收集學(xué)生自我調(diào)節(jié)學(xué)習(xí)數(shù)據(jù)以及哪些計(jì)算工具可以用于分析自我調(diào)節(jié)學(xué)習(xí)。本研究有助于我們了解這些方面的研究現(xiàn)狀，填補(bǔ)本研究領(lǐng)域的一個(gè)空白。

為了了解學(xué)習(xí)分析如何用于支持學(xué)生自我調(diào)節(jié)學(xué)習(xí)，本研究擬回答以下研究問題：學(xué)習(xí)分析在評(píng)價(jià)和支持在線學(xué)習(xí)環(huán)境下學(xué)生自我調(diào)節(jié)學(xué)習(xí)方面的應(yīng)用情況如何？重點(diǎn)關(guān)注這個(gè)領(lǐng)域的實(shí)證研究，以2011—2019年間發(fā)表的54篇實(shí)證研究論文為樣本，具體了解以下幾個(gè)方面的情況：

二、背景

（一）自我調(diào)節(jié)學(xué)習(xí)

自我調(diào)節(jié)學(xué)習(xí)過程指的是“學(xué)生激活和保持為了達(dá)成個(gè)人目標(biāo)而有組織地采取的認(rèn)知、情感和行為的各種過程”（Zimmerman & Schunk， 2011， p.1）。根據(jù)齊默爾曼的模型（Zimmerman， 1990， 2002），自我調(diào)節(jié)學(xué)習(xí)第一階段是預(yù)先計(jì)劃（forethought），即學(xué)生制定計(jì)劃、設(shè)定目標(biāo)和分析擬完成的任務(wù)，比如計(jì)劃花多少時(shí)間學(xué)習(xí)以達(dá)成某一個(gè)目標(biāo)。在行為表現(xiàn)（performance）階段，學(xué)生監(jiān)控自己的表現(xiàn)，應(yīng)用相關(guān)策略，控制學(xué)習(xí)過程。換言之，他們根據(jù)第一階段設(shè)定的目標(biāo)監(jiān)控學(xué)習(xí)活動(dòng)和所使用的策略是否有效。根據(jù)這個(gè)階段對(duì)學(xué)習(xí)過程的監(jiān)控情況，學(xué)生能夠決定是否投入更多的學(xué)習(xí)時(shí)間、使用不同的學(xué)習(xí)策略或因?yàn)閷W(xué)習(xí)目標(biāo)已經(jīng)達(dá)成而停止學(xué)習(xí)（采取相應(yīng)控制措施）。最后階段是反思（reflection），即學(xué)生評(píng)估自己的學(xué)習(xí)過程。這時(shí)，學(xué)生可以反思自己所采取的每一個(gè)步驟，以提高接下來學(xué)習(xí)的效果。

根據(jù)齊默爾曼模型和其他模型（Panadero， 2017），監(jiān)控和反思可以被視為自我調(diào)節(jié)學(xué)習(xí)的關(guān)鍵過程，因?yàn)槿绻O(jiān)控和（或）反思不準(zhǔn)確，便難以保證能夠成功控制和調(diào)節(jié)學(xué)習(xí)。然而，對(duì)閱讀的元認(rèn)知監(jiān)控（Thiede， et al.， 2009）和學(xué)習(xí)解決問題（Baars， Leopold， & Paas， 2018）的研究表明，除非對(duì)他們進(jìn)行額外培訓(xùn)，學(xué)生一般無法準(zhǔn)確監(jiān)控自己的學(xué)習(xí)。因此，了解學(xué)生如何監(jiān)控自己的學(xué)習(xí)以及教師如何在這個(gè)過程提供支持尤為重要。

根據(jù)線索利用（cue-utilization）框架（Koriat， 1997），監(jiān)控是推論過程，即學(xué)生根據(jù)學(xué)習(xí)過程和（或）學(xué)習(xí)環(huán)境中的具體線索做出監(jiān)控判斷。尤其是在教師臨場(chǎng)不明顯的在線環(huán)境中，學(xué)生必須掌握有效的自我調(diào)節(jié)學(xué)習(xí)技能方能順利完成學(xué)習(xí)任務(wù)（Broadbent， 2017）。在這一點(diǎn)上，學(xué)習(xí)分析使評(píng)價(jià)自我調(diào)節(jié)學(xué)習(xí)行為和支持學(xué)生監(jiān)控和控制在線學(xué)習(xí)成為可能。換言之，學(xué)習(xí)分析能幫助學(xué)生了解自己的自我調(diào)節(jié)學(xué)習(xí)行為，學(xué)生反過來可以利用這些信息（把它們當(dāng)成線索）監(jiān)控和控制自己的學(xué)習(xí)過程。

（二）自我調(diào)節(jié)學(xué)習(xí)和學(xué)習(xí)分析

學(xué)習(xí)分析指測(cè)量、收集、分析和使用學(xué)生數(shù)據(jù)以提升學(xué)習(xí)體驗(yàn)和優(yōu)化學(xué)習(xí)過程和學(xué)習(xí)環(huán)境（Khalil & Ebner， 2015; Long & Siemens， 2011）。弗格森和克洛（Ferguson & Clow， 2017）指出，學(xué)習(xí)分析的目的是為了提高學(xué)習(xí)效果以及學(xué)習(xí)支持和教學(xué)支持水平，學(xué)習(xí)分析應(yīng)該得到廣泛且合乎倫理道德規(guī)范的應(yīng)用。就自我調(diào)節(jié)學(xué)習(xí)而言，不管是分開或同時(shí)達(dá)成這些目標(biāo)都有助于學(xué)生更好地調(diào)節(jié)自己的學(xué)習(xí)和教師支持學(xué)生掌握自我調(diào)節(jié)學(xué)習(xí)技能。

溫（Winne， 2017）認(rèn)為，學(xué)習(xí)分析在自我調(diào)節(jié)學(xué)習(xí)中的應(yīng)用有兩個(gè)方面的作用：一是根據(jù)學(xué)習(xí)過程或?qū)W習(xí)活動(dòng)留下的痕跡評(píng)價(jià)自我調(diào)節(jié)學(xué)習(xí)表現(xiàn)，二是提出建議，即哪些方面的學(xué)習(xí)行為應(yīng)該得到改變和如何對(duì)學(xué)習(xí)進(jìn)行相應(yīng)調(diào)節(jié)。因此，學(xué)習(xí)分析的使用能給學(xué)習(xí)者創(chuàng)造自我調(diào)節(jié)學(xué)習(xí)的機(jī)會(huì)，使他們最終掌握與學(xué)習(xí)以及今后工作相關(guān)的自我調(diào)節(jié)學(xué)習(xí)策略、技能和知識(shí)。

雖然學(xué)習(xí)分析支持自我調(diào)節(jié)學(xué)習(xí)這個(gè)方面的研究仍然處于起步階段，剛剛形成自己的領(lǐng)域（Winne， 2017），學(xué)習(xí)分析在評(píng)價(jià)學(xué)生的在線自我調(diào)節(jié)學(xué)習(xí)行為方面的潛在優(yōu)勢(shì)得到越來越廣泛的認(rèn)可（Kim， Yoon， Jo， & Branch， 2018; Noroozi， et al.， 2019）。目前所采用的學(xué)習(xí)分析方法很大程度上是因?yàn)槟軌颢@得學(xué)習(xí)者跟蹤數(shù)據(jù)，這些數(shù)據(jù)主要來自學(xué)習(xí)管理系統(tǒng)和慕課，被視為“支持對(duì)構(gòu)成自我調(diào)節(jié)學(xué)習(xí)的學(xué)習(xí)者元認(rèn)知監(jiān)控和元認(rèn)知控制進(jìn)行有效推論的可觀察指標(biāo)”（Winne， 2017， p. 241）。但是獲得和解讀這類數(shù)據(jù)并非簡(jiǎn)單的事情（Noroozi， et al.， 2019），研究者深知這一點(diǎn)（Winne， 2017; Wong， Khalil， Baars， de Koning， & Paas， 2019）。盡管如此，越來越多的研究試圖借助學(xué)習(xí)分析更好地了解和支持在線學(xué)習(xí)環(huán)境下自我調(diào)節(jié)學(xué)習(xí)（Cicchinelli， Veas， Pardo， Pammer-Schindler， Fessl， Barreiros， & Lindst?dt， 2018; Wong， et al.， 2019）。目前我們尚不了解這方面的實(shí)際情況，本研究旨在填補(bǔ)這個(gè)空白但又不限于此。

三、研究方法

（一）文獻(xiàn)檢索與篩選

本研究采用可汗等（Khan， Kunz， Kleijnen， & Antes， 2003）提出的文獻(xiàn)綜述五步法：①提出綜述的研究問題;②確定綜述范圍（樣本）;③評(píng)估樣本質(zhì)量;④總結(jié)相關(guān)研究發(fā)現(xiàn);⑤解讀研究結(jié)果。

如前所述，本綜述的研究問題是：學(xué)習(xí)分析在評(píng)價(jià)和支持在線學(xué)習(xí)環(huán)境下學(xué)生自我調(diào)節(jié)學(xué)習(xí)方面的應(yīng)用情況如何？（具體研究內(nèi)容，詳見“引言”）。

2019年3月我們進(jìn)行第二步確定綜述范圍（樣本）的工作。首先，我們?cè)趦蓚€(gè)主要數(shù)據(jù)庫（Scopus和Web of Science）檢索相關(guān)文獻(xiàn)，兩位作者各自進(jìn)行檢索，確保檢索結(jié)果準(zhǔn)確。檢索條件是標(biāo)題、摘要和關(guān)鍵詞，包含“Learning Analytics” AND “Self-Regulated”和“Learning Analytics” AND “SRL”。我們認(rèn)為用SRL（自我調(diào)節(jié)學(xué)習(xí)）這個(gè)術(shù)語足以檢索到包含自我調(diào)節(jié)學(xué)習(xí)各個(gè)構(gòu)念的論文，因此檢索條件不包括自我調(diào)節(jié)學(xué)習(xí)的微觀過程（比如“goal setting”[設(shè)定目標(biāo)]）。其次，為了進(jìn)一步確保信度，我們遵循韋伯斯特和沃森（Webster & Watson， 2002）的指南，檢索到綜述樣本之后又檢索發(fā)表在主要期刊的論文。換言之，在兩大數(shù)據(jù)庫檢索到相關(guān)文獻(xiàn)之后，我們?nèi)斯z索發(fā)表于這些主要期刊的相關(guān)論文：《計(jì)算機(jī)與教育》（Computers & Education）、《計(jì)算機(jī)在人類行為的應(yīng)用》（Computers in Human Behavior）、《英國教育技術(shù)期刊》（British Journal of Educational Technology）和《因特網(wǎng)與高等教育》（Internet and Higher Education）。最后，我們還人工檢索本領(lǐng)域?qū)I(yè)期刊《學(xué)習(xí)分析期刊》（Journal of Learning Analytics）的論文以及專業(yè)會(huì)議“學(xué)習(xí)分析和知識(shí)國際會(huì)議”（International Conference on Learning Analytics and Knowledge）的論文集（LAK Proceedings）（這是我們分析新興的學(xué)習(xí)分析研究的重要依據(jù)）。論文發(fā)表的時(shí)間跨度從2011年至2019年3月，由兩位作者共同完成這個(gè)階段的工作。

在評(píng)估樣本質(zhì)量階段，我們遵循以下采納標(biāo)準(zhǔn)對(duì)論文進(jìn)行甄別，僅納入①實(shí)證研究論文;②發(fā)表于學(xué)術(shù)期刊或會(huì)議論文集的論文;③用英語發(fā)表的同行評(píng)審論文;④涉及教育（如高等教育）和非教育（如職場(chǎng)）學(xué)習(xí)環(huán)境研究的論文;⑤會(huì)議論文集中的正式論文（比如海報(bào)被排除在外）。綜述和概念性或理論性文章不予納入。

初次檢索獲得198篇論文（如圖1所示），剔除重復(fù)論文和根據(jù)上述采納標(biāo)準(zhǔn)進(jìn)行篩選，最終剩下54篇論文（詳見http：//bit.do/LASRL）。

（二）數(shù)據(jù)分析

文章的編碼使用Google Sheet進(jìn)行，三位作者一起對(duì)其中10篇（19%）進(jìn)行編碼以驗(yàn)證編碼體系，然后各自對(duì)其他論文進(jìn)行編碼，討論分歧并重新編碼，直至達(dá)成一致意見。

首先，我們分析了這些論文所涉及的自我調(diào)節(jié)學(xué)習(xí)階段，即預(yù)先計(jì)劃、行為表現(xiàn)和反思（Zimmerman， 2002）。我們采用齊默爾曼模型，因?yàn)樗鼜纳鐣?huì)—認(rèn)知觀視角理解自我調(diào)節(jié)學(xué)習(xí)，認(rèn)為有三個(gè)方面因素影響自我調(diào)節(jié)行為：個(gè)人、行為和環(huán)境因素（Zimmerman， 1990; 2002）。學(xué)習(xí)分析與在線學(xué)習(xí)環(huán)境息息相關(guān)，我們需要一個(gè)既考慮個(gè)人和行為影響（比如Winne， 2011）又重視關(guān)鍵環(huán)境影響的穩(wěn)健模型，因此齊默爾曼模型最適合本研究的目的。其次，我們根據(jù)梅瑟龍（Merceron， 2015）的范疇（見表1）對(duì)所采用的學(xué)習(xí)分析方法進(jìn)行歸類。再次，在評(píng)估學(xué)習(xí)分析支持自我調(diào)節(jié)學(xué)習(xí)的效果方面，我們采用弗格森和克洛（Ferguson & Clow， 2017）的框架，即學(xué)習(xí)分析是否提升了學(xué)習(xí)效果、提高了學(xué)習(xí)支持和教學(xué)支持水平、得到廣泛應(yīng)用以及合乎倫理道德規(guī)范的應(yīng)用。至于教育層次，我們分為高等教育、基礎(chǔ)教育和職場(chǎng)學(xué)習(xí)?？珊沟龋↘han， et al.， 2003）提出的第4步“總結(jié)相關(guān)研究發(fā)現(xiàn)”和第5步“解讀研究結(jié)果”將在下文“研究結(jié)果”一節(jié)介紹。

（三）本研究的局限

我們承認(rèn)除了Scopus和Web of Science外沒有在其他文獻(xiàn)數(shù)據(jù)庫進(jìn)行檢索，本研究僅收錄英語論文，檢索條件不包括自我調(diào)節(jié)學(xué)習(xí)的微觀過程。因此，本研究可能不能全面反映這個(gè)主題已發(fā)表的全部論文。

四、研究結(jié)果

本研究的樣本是54篇論文，其中約24%（n=13）發(fā)表于2016年，2017年和2018年發(fā)表的論文則各占約20%（n=11）。其他年份發(fā)文數(shù)量較少，2015年和2019年的論文分別占約15%（n=8）和9%（n=5），2014年、2012年和2013年的發(fā)文量依次遞減，分別占約6%（n=3）、4%（n=2）和2%（n=1）（見圖2）。

（一）自我調(diào)節(jié)學(xué)習(xí)各階段

為了了解這些論文在多大程度上涉及自我調(diào)節(jié)學(xué)習(xí)各個(gè)階段（Zimmerman， 2002），我們根據(jù)它們的研究重點(diǎn)按照預(yù)先計(jì)劃、行為表現(xiàn)和反思三種情況對(duì)它們進(jìn)行分類統(tǒng)計(jì)，沒有側(cè)重具體某個(gè)階段的論文被歸入“自我調(diào)節(jié)學(xué)習(xí)作為一個(gè)整體概念”類，它們通常同時(shí)涉及全部三個(gè)階段。有幾篇把自我調(diào)節(jié)學(xué)習(xí)當(dāng)成一種能力傾向研究或如何提供自我調(diào)節(jié)學(xué)習(xí)反饋研究的論文被列入“其他”類。如表2所示，分析結(jié)果表明，多數(shù)論文屬于“預(yù)先計(jì)劃”“行為表現(xiàn)”“自我調(diào)節(jié)學(xué)習(xí)作為一個(gè)整體概念”類，僅有9%（n=5）聚焦反思或評(píng)價(jià)。有幾篇論文不止涉及一個(gè)階段（比如：Di Mitri， Scheffel， Drachsler， B?rner， Ternier， & Specht， 2017; Papamitsiou， Economides， Pappas， & Giannakos， 2018; Rohloff & Meinel， 2018）。

1. 自我調(diào)節(jié)學(xué)習(xí)作為一個(gè)整體概念

約43%的論文屬于此類研究，即把自我調(diào)節(jié)學(xué)習(xí)作為一個(gè)概括性概念，通常涵蓋齊默爾曼模型的全部三個(gè)階段，比如有一項(xiàng)研究（Ott， et al.， 2015）根據(jù)一門編程入門課程的診斷性數(shù)據(jù)研究學(xué)生的自我調(diào)節(jié)學(xué)習(xí)活動(dòng)。

2. 預(yù)先計(jì)劃階段

約37%的論文屬于此類，其中6篇（11%）研究自我調(diào)節(jié)學(xué)習(xí)的目標(biāo)設(shè)定，4篇（7%）研究時(shí)間管理，比如用移動(dòng)App幫助學(xué)生管理學(xué)習(xí)時(shí)間（Tabuenca， Kalz， Drachsler， & Specht， 2015）。3篇（5%）聚焦動(dòng)機(jī)，比如把諸如動(dòng)機(jī)這些自我報(bào)告的變量與學(xué)習(xí)環(huán)境中觀察到的變量（如學(xué)習(xí)投入）結(jié)合在一起研究（Manzanares， Sánchez， García Osorio， & Díez-Pastor， 2017），這種結(jié)合很有價(jià)值，因?yàn)檠芯堪l(fā)現(xiàn)自我報(bào)告的動(dòng)機(jī)和自我調(diào)節(jié)學(xué)習(xí)的其他變量有助于從學(xué)生視角深入了解學(xué)習(xí)過程（如學(xué)習(xí)者體驗(yàn)），而學(xué)習(xí)環(huán)境中所觀察到的變量（如學(xué)生與內(nèi)容的交互）則能解釋他們?nèi)绾闻c在線課程交互。3篇論文研究計(jì)劃問題，比如巴斯克斯等（Vázquez， Rodríguez， & Nistal， 2018）研究如何支持學(xué)生制定計(jì)劃以及監(jiān)控和評(píng)價(jià)策略。有2篇論文研究自我效能感，比如孫等（Sun， Lu， & Xie， 2016）應(yīng)用學(xué)習(xí)分析研究歷時(shí)一個(gè)學(xué)期的翻轉(zhuǎn)課堂學(xué)習(xí)中學(xué)生的行為表現(xiàn)變化，發(fā)現(xiàn)第一次考試自我效能感是預(yù)測(cè)行為表現(xiàn)的重要變量，但隨后的考試則不然。還有2篇論文主要研究提高學(xué)習(xí)者意識(shí)，比如努斯鮑姆等（Nussbaumer， Scheffel， Niemann， Kravcik， & Albert， 2012）用可觀察的跟蹤數(shù)據(jù)提取關(guān)鍵行動(dòng)，把它們跟學(xué)習(xí)活動(dòng)結(jié)合起來幫助學(xué)生增強(qiáng)元認(rèn)知和認(rèn)知學(xué)習(xí)活動(dòng)意識(shí)。

3. 行為表現(xiàn)階段

9篇論文（17%）研究自我調(diào)節(jié)學(xué)習(xí)行為和活動(dòng)（如解決問題）（比如：Ruiperez-Valiente， Munoz-Merino， Kloos， Niemann， Scheffel， & Wolpers， 2016），它們并沒有明確用自我調(diào)節(jié)學(xué)習(xí)指這些行為，比如慕課環(huán)境下主動(dòng)學(xué)習(xí)者的行為表現(xiàn)（比如：Davis， Chen， Jivet， Hauff， & Houben， 2016）。12篇論文（22%）研究策略方面的問題，這些策略可能更傾向于認(rèn)知（如學(xué)習(xí)策略），或更傾向于元認(rèn)知（應(yīng)用某種工具以方便師生監(jiān)控學(xué)習(xí)過程）（比如：Vázquez， Rodríguez， & Nistal， 2015）。8篇論文（15%）研究自我監(jiān)控，比如錫達(dá)蒂等（Siadaty， Ga?evi ， & Hatala， 2016）通過在線學(xué)習(xí)平臺(tái)向職場(chǎng)學(xué)習(xí)者提供如何自我監(jiān)控的信息，幫助他們做好自我監(jiān)控和評(píng)價(jià)。還有2篇論文研究求助，比如金等（Kim， et al.， 2018）根據(jù)日志數(shù)據(jù)分析自我調(diào)節(jié)學(xué)習(xí)情況，發(fā)現(xiàn)能自我調(diào)節(jié)的學(xué)習(xí)者更早開始學(xué)習(xí)課程內(nèi)容，考試期間會(huì)求助。

4. 反思階段

只有3篇論文研究評(píng)價(jià)問題，比如羅洛夫和梅內(nèi)爾（Rohloff & Meinel， 2018）研究慕課如何能夠支持個(gè)性化學(xué)習(xí)目標(biāo)以幫助學(xué)生評(píng)價(jià)學(xué)習(xí)。有2篇論文聚焦反思，比如伽瑟維克等（Ga?evi ， Mirriahi， & Dawson， 2014）研究學(xué)生在評(píng)分和不評(píng)分自我反思活動(dòng)中使用視頻標(biāo)注軟件的情況，揭示與對(duì)視頻進(jìn)行反思標(biāo)注相關(guān)的語言和心理過程。該研究發(fā)現(xiàn)評(píng)分的反思涉及更多的語言和心理過程。

5. 其他

5篇論文（9%）不是采用跟蹤數(shù)據(jù)，而是使用調(diào)查問卷研究自我調(diào)節(jié)學(xué)習(xí)能力傾向，比如貝赫什達(dá)等（Beheshitha， Ga?evi ， & Hatala， 2015）使用調(diào)查問卷評(píng)估自我調(diào)節(jié)學(xué)習(xí)能力傾向并分析這種傾向與自我調(diào)節(jié)學(xué)習(xí)活動(dòng)（“事件”）的關(guān)系。4篇論文（7%）研究反饋，比如奧特等（Ott， Robins， Haden， & Shephard， 2015）向?qū)W習(xí)一門編程課程的學(xué)生提供他們?cè)诓煌瑢W(xué)習(xí)階段表現(xiàn)的反饋并預(yù)測(cè)最終成績，以幫助他們更好地調(diào)節(jié)自己的學(xué)習(xí)。研究發(fā)現(xiàn)，學(xué)生雖然重視這些反饋但并沒有改變自己的行為。

（二）學(xué)習(xí)分析方法

我們采用梅瑟龍（Merceron， 2015）的分類框架（見表1）對(duì)54篇論文所采用的學(xué)習(xí)分析方法進(jìn)行分類（結(jié)果如圖3所示）。最常用的方法是“萃取數(shù)據(jù)進(jìn)行人工判斷”（52%），比如佩雷斯-阿爾瓦雷斯等（Pérez-?lvarez， Maldonado-Mahauad， & Pérez- Sanagustín， 2018）研發(fā)一種支持自我調(diào)節(jié)學(xué)習(xí)的學(xué)習(xí)分析工具——NoteMyProgress，包括一個(gè)呈現(xiàn)各種可視化效果的管理界面（儀表盤），幫助學(xué)生跟蹤學(xué)習(xí)一門慕課的活動(dòng)，提高使用自我調(diào)節(jié)學(xué)習(xí)策略的意識(shí)。緊隨其后的是“關(guān)系挖掘”方法（30%），比如錫達(dá)蒂等（Siadaty， et al.， 2016）用轉(zhuǎn)換圖和社交網(wǎng)絡(luò)分析對(duì)跟蹤數(shù)據(jù)進(jìn)行分析并提出自我調(diào)節(jié)學(xué)習(xí)干預(yù)措施。再如，蒙哥馬利等（Montgomery， Mousavi， Carbonaro， Hayward， & Dunn， 2019）研究學(xué)習(xí)管理系統(tǒng)各變量的相關(guān)性，發(fā)現(xiàn)自我調(diào)節(jié)學(xué)習(xí)行為的激活與學(xué)業(yè)成績相關(guān)。

最常用的第三種方法是“其他”類（22%），指不是單純采用學(xué)習(xí)分析方法，而是把這些方法與其他自我報(bào)告類的調(diào)查和問卷相結(jié)合，比如柯林和德巴爾巴（Corrin & De Barba， 2014）使用《學(xué)習(xí)動(dòng)機(jī)策略問卷》（Motivated Strategies for Learning Questionnaire）評(píng)價(jià)學(xué)期初學(xué)生與專業(yè)相關(guān)的學(xué)習(xí)動(dòng)機(jī)水平和了解他們的個(gè)人學(xué)習(xí)目標(biāo)。帕爾多等（Pardo， Han， & Ellis， 2016）采用《學(xué)習(xí)動(dòng)機(jī)策略問卷》和關(guān)系挖掘法研究自我調(diào)節(jié)學(xué)習(xí)如何影響學(xué)生與學(xué)習(xí)活動(dòng)的在線交互和對(duì)學(xué)習(xí)表現(xiàn)的影響。奇基內(nèi)利等（Cicchinelli， et al.， 2018）采用《動(dòng)機(jī)信念和自我調(diào)節(jié)策略問卷》（Motivational Beliefs and Self-Regulation Strategies Questionnaire）和學(xué)習(xí)管理系統(tǒng)的日志數(shù)據(jù)識(shí)別和評(píng)價(jià)自我調(diào)節(jié)學(xué)習(xí)。

“聚類”（17%）和“預(yù)測(cè)”（13%）分別是第四和第五最常用的方法，比如曼薩納雷斯等（Manzanares， et al.， 2017）采用k-means聚類了解學(xué)生在一個(gè)學(xué)習(xí)管理系統(tǒng)上的自我調(diào)節(jié)學(xué)習(xí)行為。至于“預(yù)測(cè)”，游（You， 2016）研究了影響成績的變量，發(fā)現(xiàn)定期學(xué)習(xí)、完成作業(yè)、上課次數(shù)和完成課程閱讀任務(wù)等變量能夠預(yù)測(cè)學(xué)生的課程成績。

相比之下，“利用（已有）模型探索”（4%）是最不常用的方法（比如：Nussbaumer， et al.， 2012; Stoten， 2019）。

（三）自我調(diào)節(jié)學(xué)習(xí)的支持形式

59%的論文沒有應(yīng)用學(xué)習(xí)分析技術(shù)提供后續(xù)支持（見圖4），很多論文不吝筆墨闡述前景但沒有具體行動(dòng)和改進(jìn)措施?？梢暬亲畛Ｓ玫闹С中问剑?0%），這一類研究絕大多數(shù)使用管理界面（儀表盤）提高學(xué)生的自我意識(shí)（比如：Davis， et al.， 2016; Marzouk， Rakovic， Liaqat， Vytasek， Samadi， Stewart-Alonso， ... & Nesbit， 2016; Pérez-?lvarez， et al.， 2018），信息圖也是可視化這一類的一種（Ott， et al.， 2015）。第二最常用的支持形式是提供反饋（19%），比如舍費(fèi)爾等（Scheffel， Kirschenmann， Taske， Adloff， Kiesel， Klemke， & Wolpers， 2013）和迪米特里等（Di Mitri， et al.， 2017）通過書面反饋提示學(xué)生反思自己的學(xué)習(xí)體驗(yàn)。提出建議是最不常用的支持形式（4%），只有兩項(xiàng)研究采用這種形式（Nussbaumer， et al.， 2012; Siadaty， et al.， 2016）。

（四）提升學(xué)習(xí)效果和提高學(xué)習(xí)支持和教學(xué)水平的證據(jù)

1. 學(xué)習(xí)效果

僅有20%（n=11）的論文有證據(jù)表明應(yīng)用學(xué)習(xí)分析支持自我調(diào)節(jié)學(xué)習(xí)能夠提升學(xué)習(xí)效果（見圖5）。大多數(shù)研究（70%）甚至沒有評(píng)估學(xué)習(xí)效果方面的提升和（或）沒有討論學(xué)習(xí)分析在這方面的潛能。由此可見，學(xué)習(xí)分析研究的重點(diǎn)是對(duì)自我調(diào)節(jié)學(xué)習(xí)的不同方面進(jìn)行評(píng)價(jià)，而不是在于提高在線學(xué)習(xí)環(huán)境下學(xué)習(xí)成績，而這本該是學(xué)習(xí)分析的主要目的之一。僅有8%的論文清楚討論應(yīng)用學(xué)習(xí)分析提升學(xué)習(xí)效果的潛能（比如：Matcha， Ga?evi ， Uzir， Jovanovi ， & Pardo， 2019; Montgomery， et al.， 2019; Sun， et al.， 2016）。

研究表明，學(xué)習(xí)效果的提升體現(xiàn)在課程成績（比如：Cicchinelli， et al.， 2018; Davis， et al.， 2016; Fincham， Gasevic， Jovanovic， & Pardo， 2018; Molenaar， Horvers， & Baker， 2019a; Pardo， et al.， 2016）和掌握與學(xué)習(xí)進(jìn)步相關(guān)的自我調(diào)節(jié)學(xué)習(xí)技能上，如時(shí)間管理和設(shè)定目標(biāo)。塔布恩卡等（Tabuenca， et al.， 2015）使用一個(gè)移動(dòng)App記錄學(xué)生學(xué)習(xí)時(shí)間，然后以圖表形式把這些信息反饋給學(xué)生，幫助他們提高時(shí)間管理意識(shí)和掌握時(shí)間管理技能。這項(xiàng)研究的結(jié)果顯示，與一般自我調(diào)節(jié)提示相比，本研究的方法效果更好，提高了學(xué)生時(shí)間管理能力。錫達(dá)蒂等（Siadaty， et al.， 2016）的研究借助技術(shù)手段對(duì)自我調(diào)節(jié)學(xué)習(xí)微觀過程（如設(shè)定目標(biāo)）進(jìn)行引導(dǎo)干預(yù)的影響，發(fā)現(xiàn)系統(tǒng)推薦的學(xué)習(xí)路徑、學(xué)習(xí)活動(dòng)和知識(shí)庫是設(shè)定目標(biāo)和制定個(gè)人計(jì)劃這些微觀過程的決定因素。

有幾項(xiàng)研究的結(jié)果顯示，基于學(xué)習(xí)分析提供及時(shí)反饋有助于學(xué)生提升學(xué)習(xí)效果。戴維斯等（Davis， et al.， 2016）設(shè)計(jì)了一個(gè)學(xué)習(xí)跟蹤軟件（Learning Tracker），向慕課學(xué)習(xí)者提供及時(shí)、目標(biāo)導(dǎo)向的反饋，鼓勵(lì)反思和自我調(diào)節(jié)。這項(xiàng)研究發(fā)現(xiàn)，這種反饋顯著提高學(xué)習(xí)成績和促進(jìn)學(xué)習(xí)投入，具體包括實(shí)驗(yàn)組的最終成績和通過率比控制組高。最近的一項(xiàng)研究（Matcha， et al.， 2019）聚焦反饋（包括以個(gè)人管理界面[儀表盤]形式提供反饋和通過個(gè)性化電子郵件提供基于學(xué)習(xí)分析的反饋）對(duì)學(xué)習(xí)策略的選擇和調(diào)節(jié)的影響，即研究學(xué)習(xí)策略在順序和時(shí)間上的特點(diǎn)并分析這些特點(diǎn)與反饋的關(guān)系。研究結(jié)果表明，個(gè)性化反饋和使用有效策略正相關(guān)，使用多種學(xué)習(xí)策略的學(xué)生成績高于使用單一策略的學(xué)生。還有一項(xiàng)研究應(yīng)用學(xué)習(xí)分析通過以學(xué)生為中心的管理界面儀表盤向他們提供反饋，研究結(jié)果表明這種方法有助于提高學(xué)習(xí)成績但沒有促進(jìn)知識(shí)轉(zhuǎn)移（Molenaar， et al.， 2019b）。

8%的論文明確指出學(xué)習(xí)分析有可能提升學(xué)習(xí)效果。莫勒納爾等（Molenaar， Horvers， & Baker， 2019a）強(qiáng)調(diào)個(gè)性化的可視化反饋似乎有助于培養(yǎng)學(xué)生更好地理解關(guān)鍵數(shù)學(xué)技能所需的自我調(diào)節(jié)學(xué)習(xí)能力。羅洛夫和梅內(nèi)爾（Rohloff & Meinel， 2018）也討論了學(xué)習(xí)分析在這方面的潛能?？傮w上看，雖然有一些研究表明把學(xué)習(xí)分析應(yīng)用于自我調(diào)節(jié)學(xué)習(xí)能夠提升學(xué)習(xí)效果，但是它們基本上都是小規(guī)模實(shí)驗(yàn)（研究對(duì)象數(shù)量少、實(shí)驗(yàn)持續(xù)時(shí)間短、研究背景局限于某一門課程等）。

2. 學(xué)習(xí)支持和教學(xué)支持水平

僅有22%的研究顯示學(xué)習(xí)分析提高學(xué)習(xí)支持（18%）和教學(xué)支持（4%）水平（見圖6）。盡管如此，多達(dá)70%的論文討論了學(xué)習(xí)分析提升學(xué)習(xí)支持和（或）教學(xué)支持水平的潛能。另有8%的論文沒有涉及這方面內(nèi)容。

本綜述表明，各種基于網(wǎng)絡(luò)的可視化工具（包括以學(xué)習(xí)者為中心的學(xué)習(xí)管理界面[儀表盤]）（比如：Davis， et al.， 2016）、智能輔導(dǎo)系統(tǒng)（比如：Lau， Sinclair， Taub， Azevedo， & Jang， 2017）和以簡(jiǎn)報(bào)形式提供支持自我調(diào)節(jié)學(xué)習(xí)的反饋（Silva， Zambom， Rodrigues， Ramos， & Da Fonseca De Souza， 2018）等有助于提高學(xué)習(xí)支持的水平，比如有研究者（Lau， et al.， 2017）研發(fā)了一款智能輔導(dǎo)系統(tǒng)——MetaTutor，它能針對(duì)某些特定元認(rèn)知自我調(diào)節(jié)學(xué)習(xí)過程（包括學(xué)習(xí)判斷和內(nèi)容評(píng)估）自適應(yīng)支持自我調(diào)節(jié)學(xué)習(xí)。該研究表明，學(xué)生在使用MetaTutor時(shí)會(huì)收到針對(duì)自身薄弱環(huán)節(jié)的反饋，從而提升學(xué)習(xí)效果。席爾瓦等（Silva， et al.， 2018）發(fā)現(xiàn)，在翻轉(zhuǎn)課堂環(huán)境下實(shí)驗(yàn)組學(xué)生接收的支持自我調(diào)節(jié)學(xué)習(xí)反饋簡(jiǎn)報(bào)激發(fā)他們自我反思和向同學(xué)求助釋疑，學(xué)習(xí)分析促進(jìn)了學(xué)生的自我調(diào)節(jié)學(xué)習(xí)。戴維斯等（Davis， et al.， 2016）的研究則表明，基于網(wǎng)絡(luò)的可視化工具促進(jìn)學(xué)生學(xué)習(xí)投入，提升學(xué)生的學(xué)習(xí)表現(xiàn)。

至于教學(xué)支持，僅有兩項(xiàng)研究聚焦這個(gè)方面。斯托騰（Stoten， 2019）介紹了一個(gè)電子教科書學(xué)習(xí)平臺(tái)的情況，該平臺(tái)生成各種數(shù)據(jù)分析，幫助教師了解學(xué)生與教材的交互情況。帕爾多等（Pardo， et al.， 2016）研究自我調(diào)節(jié)、在線活動(dòng)和學(xué)習(xí)表現(xiàn)之間的關(guān)系，發(fā)現(xiàn)提供反饋（比如在管理界面[儀表盤]和以多項(xiàng)選擇題形式提供反饋）、反思和推理機(jī)會(huì)（比如完成鍛煉解決問題能力的練習(xí)）與成績正相關(guān)。教師可以根據(jù)學(xué)習(xí)分析結(jié)果設(shè)計(jì)學(xué)習(xí)任務(wù)，向?qū)W生講解什么是有效的自我調(diào)節(jié)、如何有效地參加在線學(xué)習(xí)活動(dòng)或重新設(shè)計(jì)教學(xué)材料。

雖然這方面的研究僅占全部樣本的22%，但是大多數(shù)論文（70%）討論學(xué)習(xí)分析提升學(xué)習(xí)支持和（或）教學(xué)支持水平的可能性，其中15%的論文同時(shí)討論學(xué)習(xí)分析在學(xué)習(xí)支持和教學(xué)支持方面的應(yīng)用潛能，比如奇基內(nèi)利等（Cicchinelli， et al.， 2018）發(fā)現(xiàn)對(duì)行為聚類有助于說明學(xué)生使用學(xué)習(xí)策略的模式和各種認(rèn)知過程的相互影響。從教學(xué)的角度講，這些發(fā)現(xiàn)可以被用于說明哪些學(xué)習(xí)策略最能有效地達(dá)成學(xué)習(xí)目標(biāo)和提高學(xué)生對(duì)自己學(xué)習(xí)過程的意識(shí)，使之能夠轉(zhuǎn)移到其他學(xué)習(xí)環(huán)境并調(diào)整適應(yīng)新環(huán)境。

雖然如前所述學(xué)習(xí)分析支持教學(xué)方面的研究為數(shù)很少，但是有34%的論文強(qiáng)調(diào)學(xué)習(xí)分析提升教學(xué)水平的潛能（Ga?evi ， Mirriahi， Dawson， & Joksimovi ， 2017; Manzanares， et al.， 2017; Sun， et al.， 2016）。由此可見，這是一個(gè)值得進(jìn)一步研究的課題，以使這種潛能在教學(xué)實(shí)踐中變成現(xiàn)實(shí)，改善學(xué)生學(xué)習(xí)條件。

3. 廣泛應(yīng)用和倫理道德規(guī)范

學(xué)習(xí)分析是否已經(jīng)得到廣泛應(yīng)用？這個(gè)問題不僅指學(xué)習(xí)分析的應(yīng)用程度，而且也涉及機(jī)構(gòu)態(tài)度和政策傾向。是否把支持自我調(diào)節(jié)學(xué)習(xí)的學(xué)習(xí)分析方法和工具的應(yīng)用在機(jī)構(gòu)全面實(shí)施或推廣到其他機(jī)構(gòu)？這是一個(gè)復(fù)雜問題。我們認(rèn)為只有相當(dāng)數(shù)量的學(xué)生或教師參與到學(xué)習(xí)分析的實(shí)際應(yīng)用中時(shí)才具備規(guī)?；瘲l件（Viberg， Hatakka， B?lter， & Mavroudi， 2018）。本綜述的結(jié)果表明，學(xué)習(xí)分析尚未被大規(guī)模應(yīng)用于支持自我調(diào)節(jié)學(xué)習(xí)，因?yàn)槿缜八鲞@些研究大多數(shù)規(guī)模小，涉及學(xué)生人數(shù)少（比如：Beheshitha， et al.， 2015; Tabuenca， et al.， 2015）和（或）歷時(shí)短。它們經(jīng)常只是呈現(xiàn)初步研究結(jié)果（Molenaar， et al.， 2019b）。即使一些基于大數(shù)據(jù)集分析的研究也未見學(xué)習(xí)分析得到廣泛應(yīng)用的證據(jù)（比如：Li， Ogata， Tsuchiya， Suzuki， Uchida， Ohashi， & Konomi， 2017）。

學(xué)習(xí)分析在支持自我調(diào)節(jié)學(xué)習(xí)上的應(yīng)用是否符合倫理道德規(guī)范？“這涉及‘我們是否應(yīng)該（應(yīng)用學(xué)習(xí)分析支持自我調(diào)節(jié)學(xué)習(xí)），而不是本文其他研究問題所涉及的‘我們是否能夠做到的問題”（Viberg， et al.， 2018， p.107）。只有15%的論文明確討論其研究的倫理道德和（或）隱私問題。即使詳細(xì)處理倫理道德問題（如知情同意、數(shù)據(jù)隱私和安全）的研究，也很少系統(tǒng)采取符合機(jī)構(gòu)倫理道德規(guī)范的方法（比如：Ga?evi ， et al.， 2014; Montgomery， et al.， 2019; Pardo， et al.， 2016）。有一些研究則針對(duì)研究的某一些方面從倫理道德角度進(jìn)行反思，缺乏系統(tǒng)性，比如奇基內(nèi)利等（Cicchinelli， et al.， 2018）和孫等（Sun， et al.， 2016）報(bào)告說他們的問卷調(diào)查獲得受訪者的知情同意，但其他方面卻沒有類似措施。塔布恩卡等（Tabuenca， et al.， 2015）表達(dá)了對(duì)數(shù)據(jù)儲(chǔ)存和安全的關(guān)切，但沒有涉及其他方面（如數(shù)據(jù)收集）的工作。

（五）學(xué)習(xí)環(huán)境和教育層次

70%的研究針對(duì)高等教育（n=38），包括本科生、研究生（Ga?evi ， et al.， 2017）和博士生（Di Mitri， et al.， 2017），聚焦基礎(chǔ)教育（k-12）和職場(chǎng)學(xué)習(xí)的研究為數(shù)極少，分別僅占4%（n=2）和7%（n=4），另有19%（n=10）沒有清楚說明教育層次。

至于學(xué)習(xí)環(huán)境，如圖7所示，67%的研究（n=36）針對(duì)虛擬學(xué)習(xí)環(huán)境，如電子書平臺(tái)（Stoten， 2019）、混合式學(xué)習(xí)環(huán)境（Sáiz Manzanares， Marticorena Sánchez， García Osorio， & Díez-Pastor， 2017）、移動(dòng)App（Tabuenca， et al.， 2015）、數(shù)字化協(xié)作系統(tǒng)（Ga?evi ， et al.， 2017）和多模態(tài)教學(xué)環(huán)境（Di Mitri， et al.， 2017）;19%（n=10）針對(duì)學(xué)習(xí)管理系統(tǒng)，另有11%（n=6）和4%（n=2）分別針對(duì)慕課和個(gè)性化學(xué)習(xí)環(huán)境。

五、討論和結(jié)論

（一）支持自我調(diào)節(jié)學(xué)習(xí)的證據(jù)有限

學(xué)習(xí)分析有可能提升教與學(xué)效果。但是，本綜述表明從總體看只有少數(shù)實(shí)證研究支持這種觀點(diǎn)。大多數(shù)研究應(yīng)用學(xué)習(xí)分析分析數(shù)據(jù)，即評(píng)價(jià)自我調(diào)節(jié)學(xué)習(xí)各方面情況，而不是把學(xué)習(xí)分析應(yīng)用于支持學(xué)習(xí)者自我調(diào)節(jié)學(xué)習(xí)。換言之，大多數(shù)研究的目的只是了解學(xué)生自我調(diào)節(jié)學(xué)習(xí)各方面情況，而不是幫助他們計(jì)劃、監(jiān)控和反思自己的學(xué)習(xí)活動(dòng)和（或）幫助教師提供相應(yīng)的自我調(diào)節(jié)學(xué)習(xí)支持。

本綜述結(jié)果表明，僅有20%的研究證明學(xué)習(xí)分析提升學(xué)習(xí)效果。這個(gè)比例高于另一項(xiàng)研究的比例。維伯格等（Viberg， et al.， 2018）的研究表明，在252項(xiàng)針對(duì)高等教育的學(xué)習(xí)分析研究（包括聚焦自我調(diào)節(jié)學(xué)習(xí)的研究）中，僅有9%顯示學(xué)習(xí)分析提升學(xué)習(xí)效果。這可能是因?yàn)楸揪C述的樣本不限于高等教育（雖然這個(gè)比例高達(dá)70%），而且僅針對(duì)學(xué)習(xí)分析在自我調(diào)節(jié)學(xué)習(xí)方面的應(yīng)用。兩項(xiàng)研究在這一點(diǎn)上的不同，一方面可能顯示與其他方面相比自我調(diào)節(jié)學(xué)習(xí)更加得益于學(xué)習(xí)分析，另一方面也提醒我們不應(yīng)該想當(dāng)然以為這些研究結(jié)果具有普遍意義，因?yàn)樗鼈冸m然有證據(jù)證明學(xué)生的成績和（或）自我調(diào)節(jié)學(xué)習(xí)技能提高了，但如前所述居多是小規(guī)模研究，而且經(jīng)常只是呈現(xiàn)初步研究結(jié)果。

至于在學(xué)習(xí)分析促進(jìn)學(xué)習(xí)支持和教學(xué)支持方面，僅有22%的研究證明學(xué)習(xí)分析在這個(gè)方面的作用，而且主要集中在學(xué)習(xí)支持（18%）而不是教學(xué)支持（4%）上。自我調(diào)節(jié)學(xué)習(xí)技能不但可以通過學(xué)習(xí)掌握，也可以通過教學(xué)培養(yǎng)（Raaijmakers， et al.， 2018），因此我們也需要給教師提供更好的支持，幫助他們進(jìn)一步了解學(xué)生在學(xué)習(xí)中如何使用自我調(diào)節(jié)學(xué)習(xí)策略以及如何在在線學(xué)習(xí)環(huán)境下有效、持之以恒地培訓(xùn)學(xué)生這方面的技能，因?yàn)閷W(xué)生只有懂得如何使用有效自我調(diào)節(jié)學(xué)習(xí)策略方能順利完成在線學(xué)習(xí)環(huán)境下的學(xué)習(xí)任務(wù)（Broadbent， et al.， 2017）。雖然34%的論文提到學(xué)習(xí)分析支持教學(xué)的潛能，但是我們?nèi)匀恍枰苡行У匕堰@種潛能付諸實(shí)踐的指導(dǎo)原則，才能達(dá)成優(yōu)化學(xué)生學(xué)習(xí)條件的目的。

如前所述，學(xué)習(xí)分析在自我調(diào)節(jié)學(xué)習(xí)中的應(yīng)用有兩個(gè)方面的目的：一是評(píng)價(jià)學(xué)生行為，二是提出如何調(diào)節(jié)學(xué)習(xí)行為的建議（Winne， 2017）。本綜述表明，迄今開展的大多數(shù)實(shí)證研究主要是圍繞評(píng)價(jià)學(xué)生行為這個(gè)方面，然而光是評(píng)價(jià)不會(huì)自動(dòng)導(dǎo)致學(xué)習(xí)成績的提高。由此可見，學(xué)習(xí)分析的潛能還沒有得到充分發(fā)揮。研究者必須進(jìn)一步開展研究，利用現(xiàn)有工具（如移動(dòng)技術(shù)）或研發(fā)新工具，探索如何才能不但評(píng)價(jià)師生的教與學(xué)而且還能向他們提供相關(guān)支持。

本綜述表明，雖然15%的論文反思其研究某（些）方面的倫理道德規(guī)范，但總體而言研究者尚未系統(tǒng)遵循倫理道德規(guī)范開展研究。學(xué)習(xí)分析研究不能不考慮倫理道德規(guī)范（Slade & Prinsloo， 2013），因此研究者應(yīng)該全面、系統(tǒng)地處理好這些問題，包括數(shù)據(jù)所有權(quán)、隱私、獲取、政策、安全和透明性等問題（Khalil & Ebner， 2015）。

（二）重自我調(diào)節(jié)學(xué)習(xí)的預(yù)先計(jì)劃和行為表現(xiàn)而輕反思

不管是從評(píng)價(jià)還是支持自我調(diào)節(jié)學(xué)習(xí)方面看，大多數(shù)研究的重點(diǎn)在于齊默爾曼模型（Zimmerman， 2002）的預(yù)先計(jì)劃階段和行為表現(xiàn)階段，很少聚焦反思階段。然而，學(xué)習(xí)者可以也應(yīng)該利用行為表現(xiàn)階段的信息在反思階段準(zhǔn)確決定如何調(diào)整接下來的學(xué)習(xí)（比如：Panadero， 2017; Zimmerman， 2002），因此今后的研究應(yīng)該更加關(guān)注如何評(píng)價(jià)和支持學(xué)生在在線學(xué)習(xí)環(huán)境下的反思活動(dòng)。此外，因?yàn)楸O(jiān)控和控制是成功自我調(diào)節(jié)學(xué)習(xí)的關(guān)鍵（Dunlosky & Rawson， 2012; Panadero， 2017），我們必須更加重視在線學(xué)習(xí)環(huán)境下學(xué)生如何監(jiān)控自己的學(xué)習(xí)、學(xué)習(xí)分析如何能夠支持這些監(jiān)控過程和如何把監(jiān)控結(jié)果轉(zhuǎn)變?yōu)榭刂菩袆?dòng)等方面的研究。比如，我們可以向?qū)W生提供基于學(xué)習(xí)分析、針對(duì)其學(xué)習(xí)過程的提示（Koriat， 1997），他們可以根據(jù)這些提示有針對(duì)性地開展監(jiān)控并進(jìn)行反思，或者根據(jù)學(xué)習(xí)分析的提示決定如何控制和調(diào)節(jié)學(xué)習(xí)過程。

（三）評(píng)價(jià)有余而支持不足

自我調(diào)節(jié)學(xué)習(xí)有助于取得更好的學(xué)業(yè)成績，但是學(xué)習(xí)分析促進(jìn)學(xué)生自我調(diào)節(jié)學(xué)習(xí)的潛能至今還沒有得到充分發(fā)揮。本綜述表明，學(xué)習(xí)分析向?qū)W生提供在線學(xué)習(xí)環(huán)境下自我調(diào)節(jié)學(xué)習(xí)支持和（或）支持教師在教學(xué)中培養(yǎng)學(xué)生自我調(diào)節(jié)學(xué)習(xí)能力的證據(jù)很有限，而且形式也比較單一，主要是通過基于網(wǎng)絡(luò)、以學(xué)生為中心的學(xué)習(xí)管理界面（儀表盤）提供這方面的支持。這一點(diǎn)印證了先前研究結(jié)果，即包含豐富可視化工具的學(xué)習(xí)管理界面（儀表盤）是支持自我調(diào)節(jié)學(xué)習(xí)的重要手段（Matcha， Gasevic， & Pardo， 2019）。學(xué)習(xí)者的正式和非正式在線學(xué)習(xí)經(jīng)?！熬訜o定所”而且廣泛使用其他各種技術(shù)（包括自己的移動(dòng)設(shè)備），因此通過基于網(wǎng)絡(luò)的學(xué)習(xí)管理界面（儀表盤）提供自我調(diào)節(jié)學(xué)習(xí)支持從可及性和可用性講可能具有明顯的局限性。鑒于此，建議設(shè)計(jì)者和研究者考慮和研究如何更有效地借助學(xué)習(xí)者自己正在使用的移動(dòng)設(shè)備向他們提供自我調(diào)節(jié)學(xué)習(xí)支持。這樣的設(shè)計(jì)能提供過程導(dǎo)向的自我調(diào)節(jié)學(xué)習(xí)行為數(shù)據(jù)，研究者因此能夠把學(xué)生的自我調(diào)節(jié)學(xué)習(xí)作為一個(gè)不斷變化的過程而不是一成不變的“產(chǎn)品”進(jìn)行研究。

學(xué)習(xí)分析方法主要被應(yīng)用于評(píng)價(jià)不同階段的自我調(diào)節(jié)學(xué)習(xí)。雖然學(xué)習(xí)分析經(jīng)常與預(yù)測(cè)模型聯(lián)系在一起（Leitner， Khalil， & Ebner， 2017），但是本綜述樣本最常用的學(xué)習(xí)分析方法是“萃取數(shù)據(jù)進(jìn)行人工判斷”，不是“預(yù)測(cè)”。這意味著在自我調(diào)節(jié)學(xué)習(xí)研究中應(yīng)用學(xué)習(xí)分析方法的主要目的是了解學(xué)生的自我調(diào)節(jié)學(xué)習(xí)行為。這一點(diǎn)與一項(xiàng)先前研究的結(jié)果一致（Viberg， et al.， 2018），該研究發(fā)現(xiàn)學(xué)習(xí)分析研究的重點(diǎn)正在從關(guān)注預(yù)測(cè)（如輟學(xué)和成績等）轉(zhuǎn)向更加深入了解學(xué)生的學(xué)習(xí)過程。

最后，本綜述顯示，這些實(shí)證研究70%是針對(duì)高等教育的。這也可以被看作是一個(gè)研究局限，因?yàn)閷W(xué)生自我調(diào)節(jié)學(xué)習(xí)能力的培養(yǎng)應(yīng)該從早抓起，比如在基礎(chǔ)教育階段而不是等到高等教育階段才開始。今天，很多國家基礎(chǔ)教育正朝著數(shù)字化方向發(fā)展，使用各種數(shù)字化學(xué)習(xí)工具，學(xué)生也經(jīng)常不得不在各種在線環(huán)境下學(xué)習(xí)。這意味著學(xué)生經(jīng)常要面臨如何使用“合適”的工具選擇有效學(xué)習(xí)路徑的挑戰(zhàn)，因此需要在教學(xué)中給他們提供額外支持。建議進(jìn)一步加強(qiáng)學(xué)習(xí)分析在基礎(chǔ)教育自我調(diào)節(jié)學(xué)習(xí)中的應(yīng)用和研究。

綜上所述，目前學(xué)習(xí)分析研究主要是為了評(píng)價(jià)在線學(xué)習(xí)環(huán)境下學(xué)生自我調(diào)節(jié)學(xué)習(xí)情況而不是提供這方面的支持。如何充分發(fā)揮學(xué)習(xí)分析促進(jìn)自我調(diào)節(jié)學(xué)習(xí)的優(yōu)勢(shì)是一個(gè)緊迫課題。

【鳴謝】本文第一作者獲得瑞典研究和高等教育國際合作基金（Swedish Foundation for International Cooperation in Research and Higher Education， STINT）資助（Dnr：MC2018—7984）。

[參考文獻(xiàn)]

Baars， M.， Leopold， C.， & Paas， F. （2018）. Self-explaining steps in problem-solving tasks to improve self-regulation in secondary education. Journal of Educational Psychology， 110， 578-595.

Beheshitha， S. S.， Ga?evi ， D.， & Hatala， M. （2015）. A process mining approach to linking the study of aptitude and event facets of self-regulated learning. In Proceedings of the Fifth International Conference on Learning Analytics And Knowledge （LAK15） （pp. 265-269）. New York， NY， USA： ACM.

Broadbent， J. （2017）. Comparing online and blended learners self-regulated learning strategies and academic performance. Internet and Higher Education， 33， 24-32.

Chang， C.-C.， Liang， C.， Chou， P.-N.， & Liao， Y.-M. （2018）. Using e-portfolio for learning goal setting to facilitate self-regulated learning of high school students. Behavior & Information Technology， 37 （12）， 1237-1251.

Cicchinelli， A.， Veas， E.， Pardo， A.， Pammer-Schindler， V.， Fessl， A.， Barreiros， C.， & Lindst?dt， S. （2018）. Finding traces of self-regulated learning in activity streams. In Proceedings of the 8th International Conference on Learning Analytics and Knowledge （pp. 191-200）. New York， NY， USA： ACM.

Corrin， L.， & De Barba， P. （2014）. Exploring students interpretation of feedback delivered through learning analytics dashboards. In Proceedings of ASCILITE 2014 - Annual Conference of the Australian Society for Computers in Tertiary Education （pp. 629-633）. Dunedin， NZ： ASCILITE.

Davis， D.， Chen， G.， Jivet， I.， Hauff， C.， & Houben， G. -J. （2016）. Encouraging metacognition and self-regulation in MOOCs through increased learner feedback. In S. Bull， B. M. Ginon， J. Kay， M. D. Kickmeier-Rust， & M. D. Johnson （Eds.）， LAL 2016 - Learning Analytics for Learners： Proceedings of the LAK 2016 Workshop on Learning Analytics for Learners （pp. 17-22）. （CEUR Workshop Proceedings; Vol. 1596）. CEUR.

Di Mitri， D.， Scheffel， M.， Drachsler， H.， B?rner， D.， Ternier， S.， & Specht， M. （2017）. Learning pulse： a machine learning approach for predicting performance in self-regulated learning using multimodal data. In Proceedings of the seventh international learning analytics & knowledge conference （pp. 188-197）. New York， NY， USA： ACM.

Dunlosky， J.， & Lipko， A. R. （2007）. Metacomprehension a brief history and how to improve its accuracy. Current Directions in Psychological Science， 16， 228-232.

Dunlosky， J.， & Rawson， K. A. （2012）. Overconfidence produces underachievement： Inaccurate self-evaluations undermine students learning and retention. Learning and Instruction， 22（4）， 271-280.

Ferguson， R.， & Clow， D. （2017）. Where is the evidence？ A call to action for learning analytics. In Proceedings of the Seventh International Learning Analytics & Knowledge Conference （pp. 56-65）. New York， USA： ACM.

Fincham， O. E.， Gasevic， D. V.， Jovanovic， J. M.， & Pardo， A. （2018）. From study tactics to learning strategies： An analytical method for extracting interpretable representations. IEEE Transactions on Learning Technologies， doi：10.1109/TLT.2018.2823317

Ga?evi ， D.， Mirriahi， N.， & Dawson， S. （2014）. Analytics of the effects of video use and instruction to support reflective learning. In Proceedings of the Fourth International Conference on Learning Analytics And Knowledge （LAK14） （pp. 123-132）. New York， NY， USA： ACM.

Ga?evi ， D.， Mirriahi， N.， Dawson， S.， & Joksimovi ， S. （2017）. Effects of instructional conditions and experience on the adoption of a learning tool. Computers in Human Behavior， 67， 207-220.

Khalil， M.， & Ebner， M. （2015）. Learning analytics： principles and constraints. In Proceedings of ED-Media 2015 conference （pp. 1789- 1799）. Chesapeake： VA： AACE.

Khan， K. S.， Kunz， R.， Kleijnen， J.， & Antes， G. （2003）. Five steps to conducting a systematic review. Journal of the Royal Society of Medicine， 96（3）， 118-121.

Kim， D.， Yoon， M.， Jo， I.， & Branch， R. M. （2018）. Learning analytics to support self-regulated learning in asynchronous online courses： A case study at a womens university in South Korea. Computers and Education， 127，233-251.

Kizilcec， R. F.， Pérez-Sanagustín， M.， & Maldonado， J. J. （2017）. Self-regulated learning strategies predict learner behavior and goal attainment in Massive Open Online Courses. Computers & Education， 104， 18-33.

Koriat， A. （1997）. Monitoring Ones Own Knowledge during study： A cue-utilization approach to judgements of learning. Journal of Experimental Psychology， 126 （4）， 349-370.

Lau， C.， Sinclair， J.， Taub， M.， Azevedo， R.， & Jang， J. （2017）. Transitioning self-regulated learning profiles in hypermedia-learning environments. In Proceedings of the Seventh International Learning Analytics & Knowledge Conference （LAK 17） （pp. 198-202）. New York， NY， USA： ACM.

Lee， J. E.， & Recker， M. （2017）. Measuring students use of self-regulated learning strategies from learning management system data： An evidence-centered design approach about analytics for learning （A4L）. Technical report. Utah State University. DOI： 10.13140/RG.2.2. 24971.75047

Leitner， P.， Khalil， M.， & Ebner， M. （2017）. Learning analytics in higher education—a literature review. In A. Pe?a-Ayala （Ed.）， Learning analytics： Fundaments， applications， and trends （pp. 1-23）. Springer International Publishing AG.

Li， H.， Ogata， H.， Tsuchiya， T.， Suzuki， Y.， Uchida， S.， Ohashi， H.， & Konomi， S. （2017）. Using learning analytics to support computer-assisted language learning. In Proceedings of the 25th International Conference on Computers in Education， ICCE 2017 - Main Conference Proceedings （pp. 908-913）. Asia-Pacific Society for Computers in Education.

Long， P.， & Siemens， G. （2011）. Penetrating the fog： Analytics in learning and education. Educause Review， 46（5）， 31-40.

Manzanares， M. C. S.， Sánchez， R. M.， García Osorio， C. I.， & Díez-Pastor， J. F. （2017）. How do B-learning and learning patterns influence learning outcomes？ Frontiers in Psychology， 8， 745.

Marzouk， Z.， Rakovic， M.， Liaqat， A.， Vytasek， J.， Samadi， D.， Stewart-Alonso， J.， ... & Nesbit， J. C. （2016）. What if learning analytics were based on learning science？ Australasian Journal of Educational Technology， 32（6）. https：//doi.org/10.14742/ajet.3058

Matcha， W.， Ga?evi ， D.， Uzir， N. A.， Jovanovi ， J.， & Pardo， A. 2019. Analytics of learning strategies： Associations with academic performance and feedback. In Proceedings of LAK19 （pp. 461-470）. New York， NY， USA： ACM.

Matcha， W.， Ga?evi ， D.， & Pardo， A. （2019）. A Systematic Review of Empirical Studies on Learning Analytics Dashboards： A Self-Regulated Learning Perspective. IEEE Transactions on Learning Technologies. PP（99）：1-1.

Merceron， A. （2015）. Educational data mining/learning analytics： Methods， tasks and current trends. In Proceedings of DeLFI Workshops 2015 co-located with 13th e-Learning Conference of the German Computer Society. Munchen， Germany. Retrieved from https：//pdfs.semanticscholar.org/1d3a/

Molenaar， I.， Horvers， A.， & Baker， R. S. （2019a）. What can moment-by-moment learning curves tell about students self-regulated learning？ Learning and Instruction， https：//doi.org/10.1016/j.learninstruc.2019.05.003.

Molenaar， I.， Horvers， A.， & Baker， R. S. （2019b）. Towards Hybrid Human-System Regulation： Understanding Children SRL Support Needs in Blended Classrooms. In Proceedings of the 9th International Conference on Learning Analytics & Knowledge （LAK19） （pp. 471-480）. New York， NY， USA： ACM.

Montgomery， A. P.， Mousavi， A.， Carbonaro， M.， Hayward， D. V.， & Dunn， W. （2019）. Using learning analytics to explore self-regulated learning in flipped blended learning music teacher education. British Journal of Educational Technology， 50 （1）， 114-127.

Noroozi， O.， Alikhani， I.， J?rvel?， S.， Kirschner， P.， Sepp?nen， T.， & Juuso， I. （2019）. Multimodal data to design visual learning analytics for understanding regulation of learning. Computers in Human Behavior， 100， 298-304.

Nussbaumer， A.， Scheffel， M.， Niemann， K.， Kravcik， M.， & Albert， D. （2012）. Detecting and reflecting learning activities in personal learning environments. Paper presented at the CEUR Workshop Proceedings， 931125-131.

Ott， C.， Robins， A.， Haden， P.， & Shephard， K. （2015）. Illustrating performance indicators and course characteristics to support students self-regulated learning in CS1. Computer Science Education， 25（2）， 174-198.

Panadero， E. （2017）. A review of self-regulated learning： six models and four directions for research. Frontiers in Psychology， 8， 1-28.

Papamitsiou， Z.， Economides， A.， Pappas， I.， & Giannakos， M. （2018）. Explaining learning performance using response-time， self-regulation and satisfaction from content： an fsQCA approach. In Proceedings of the 8th International Conference on Learning Analytics and Knowledge （LAK 18） （pp. 181-190）. New York， NY， USA： ACM.

Pardo， A.， Han， F.， & Ellis， R. A. （2016）. Exploring the relation between self-regulation， online activities， and academic performance： A case study. In Proceedings of the Sixth International Conference on Learning Analytics & Knowledge （pp. 422-429）. New York， NY， USA：ACM.

Pardo， A.， Han， F.， & Ellis， R. A. （2017）. Combining university student self-regulated learning indicators and engagement with online learning events to predict academic performance. IEEE Transactions on Learning Technologies， 10（1）， 82-92. doi：10.1109/TLT.2016.2639508

Pérez-?lvarez， R.， Maldonado-Mahauad， J.， & Pérez-Sanagustín， M. （2018）. Design of a Tool to Support Self-Regulated Learning Strategies in MOOCs. J. UCS， 24（8）， 1090-1109.

Raaijmakers， S. F.， Baars， M.， Schaap， L.， Paas， F.， Van Merri?nboer， J.， & Van Gog， T. （2018）. Training self-regulated learning skills with video modeling examples： Do task-selection skills transfer？ Instructional Science， 46（2）， 273-290.

Rohloff， T.， & Meinel， C. （2018）. Towards personalized learning objectives in MOOCs. In European Conference on Technology Enhanced Learning （pp. 202-215）. Springer， Cham.

Ruiperez-Valiente， J. A.， Munoz-Merino， P. J.， Kloos， C. D.， Niemann， K.， Scheffel， M.， & Wolpers， M. （2016）. Analyzing the impact of using optional activities in self-regulated learning. IEEE Transactions on Learning Technologies， 9（3）， 231-243.

Sáiz Manzanares， M. C.， Marticorena Sánchez， R.， García Osorio， C. I.， & Díez-Pastor， J. F. （2017）. How do B-Learning and learning patterns influence learning outcomes？ Frontiers in Psychology， 8， 745.

Scheffel， M.， Kirschenmann， U.， Taske， A.， Adloff， K.， Kiesel， M.， Klemke， R.， & Wolpers， M. （2013）. Exploring LogiAssist-the mobile learning and assistance platform for truck drivers. In European Conference on Technology Enhanced Learning （pp. 343-356）. Springer， Berlin， Heidelberg.

Sedrakyan， G.， Malmberg， J.， Verbert， K.， J?rvel?， S.， & Kirschner， P. （2018）. Linking learning behavior learning analytics and learning science concepts： Designing a learning analytics dashboard for feedback to support learning regulation. Computers in Human Behavior. https：//doi.org/10.1016/j.chb.2018.05.004

Siadaty， M.， Ga?evi ， D.， & Hatala， M. （2016）. Measuring the impact of technological scaffolding interventions on micro-level processes of self-regulated workplace learning. Computers in Human Behavior， 59， 469-482.

Silva， J. C. S.， Zambom， E.， Rodrigues， R. L.， Ramos， J. L. C.， & Da Fonseca De Souza， F. （2018）. Effects of learning analytics on students self-regulated learning in flipped classroom. International Journal of Information and Communication Technology Education， 14（3）， 91-107.

Slade， S.， & Prinsloo， P. （2013）. Learning analytics： Ethical issues and dilemmas. American Behavioral Scientist， 57（10）， 1510-1529.

Stoten， D. W. （2019）. Using an e-book platform as a learning resource and information management tool： the case study of the “K” e-book platform at an English business school. On the Horizon， 27（1）， 12-23.

Sun， Z.， Lu， L.， & Xie， K. （2016）. The effects of self-regulated learning on students performance trajectory in the flipped math classroom. In Proceedings of International Conference of the Learning Sciences， ICLS （pp. 66-73）. Singapore： International Society of the Learning Sciences.

Tabuenca， B.， Kalz， M.， Drachsler， H.， & Specht， M. （2015）. Time will tell： The role of mobile learning analytics in self-regulated learning. Computers and Education， 89， 53-74.

Thiede， K. W.， Griffin， T. D.， Wiley， J.， & Redford， J. S. （2009）. Metacognitive monitoring during and after reading. In D. J. Hacker， J. Dunlosky， & A. C. Graesser （Eds.）， Handbook of metacognition in education （pp. 85-106）. New York： Routledge.

Vázquez， M. M.， Rodríguez， M. C.， & Nistal， M. L. （2015）. Development of a xAPI application profile for self-regulated learning requirements for capturing SRL related data. In 2015 IEEE Global Engineering Education Conference （EDUCON） （pp. 358-365）. IEEE.

Vázquez， M.， Rodríguez， M.， & Nistal， M. （2018）. An xAPI application profile to monitor self-regulated learning strategies. IEEE Access， 6， 42467-42481.

Viberg， O.， Hatakka， M.， B?lter， O.， & Mavroudi， A. （2018）. The current landscape of learning analytics in higher education. Computers in Human Behavior， 89， 98-110.

Webster， J.， & Watson， R. （2002）. Analyzing the past to prepare for the future： writing a literature review. MIS Quarterly， 26（2）， xiii-xxiii.

Winne P. （2011）. A cognitive and metacognitive analysis of self-regulated learning. In B. J. Zimmerman， & D. H. Schunk （Eds.）， Handbook of Self-Regulation of Learning and Performance （pp. 15-32）. New York， NY： Routledge.

Winne， P. （2017）. Learning analytics for self-regulated learning. In C. Lang， G. Siemens， Wise， A.， & D. Gasevic （Eds.）， Handbook of Learning Analytics （pp.241-249）. Society for Learning Analytics Research.

Wong， J.， Baars， M.， Davis， D.， Van Der Zee， T.， Houben， G. J.， & Paas， F. （2018）. Supporting self-regulated learning in online learning environments and MOOCs： A systematic review. International Journal of Human-Computer Interaction， 35 （4-5）， 356-373.

Wong， J.， Khalil， M.， Baars， M.， de Koning， B. B.， & Paas， F. （2019）. Exploring sequences of learner activities in relation to self-regulated learning in a massive open online course. Computers & Education， 103595.

You， J. W. （2016）. Identifying significant indicators using LMS data to predict course achievement in online learning. Internet and Higher Education， 29， 23-30.

Zimmerman， B. （1990）. Self-regulated learning and academic achievement： an overview. Educational Psychologist， 25（1）， 3-17.

Zimmerman， B. （2002）. Becoming a self-regulated learner： An overview. Theory into Practice， 41（2）， 64-70.

Zimmerman， B.， & Schunk， D. （2011）. Handbook of Self-Regulation of Learning and Performance. New York： Routledge.