论文部分内容阅读
摘要：为了促进学生个性化发展、提升教育公平，基于学生的异质性提供个性化辅导成为学者们探讨的热点问题。为了解一对一在线辅导这种政府提供的个性化教育公共服务是如何促进不同背景学生的个性化学习，该文针对北京某区2471名学生辅导产生的1 6820条对话数据，分析不同成绩学生在线辅导行为差异，并对辅导主题和师生情感分布进行组间比较分析。结果表明：在线行为中，学生参与辅导的次数和难度与其学习成绩相关;不同成绩组学生的辅导次数与难度均存在差异性;通过对辅导高频知识点的分析，发现不同成绩组学生辅导知识点具有相似性，同时也存在一定知识点广度和深度的群体差异;在情感维度发现，不同绩效背景群体没有显著差异，且师生参与辅导的正面情感密度远远高于负面情感，表明师生对参与一对一辅导整体持有积极、肯定的情感。
关键词：个性化在线辅导;在线行为分析;话题分析;情感检测
中图分类号：G434
文献标识码：A
一、引言
教育部于201 8年4月印发的《教育信息化2.0行动计划》中提到， “围绕加快教育现代化和建设教育强国新征程，构建网络化、数字化、智能化、个性化、终身化的教育体系，建设人人皆学、处处能学、时时可学的学习型社会，实现更加开放、更加适合、更加人本、更加平等、更加可持续的教育”[1]。随着网络技术的发展，MOOC等在线开放课程由于其平台的开放性及学习资源的丰富性促使大量学习者参与到网络学习中来，也成为在线学习的主要研究对象。然而，这种大规模在线开放课程主要呈现出教师与学生一对多的授课形式难以满足学习者个性化的学习需求，致使学习者在学习过程中存在注册率高而完成率低、参与度低以及学习获得感较低等问题[2][3]。在这种情形下，问题驱动的一对一在线辅导能有效弥补大规模在线课程的缺陷。学习者在先验知识的基础上，根据自身的学习需求通过个性化提问并在教师的协作阐述下促进知识的应用与整合，优化学习进度与教学方法，增强学习者的内在学习动机及学习主动性，最终实现深度学习[4]。
进一步聚焦到基础教育，正如北京师范大学陈丽教授指出的“新时代中国教育的主要矛盾是学生日益增长的个性化的、高品质的、灵活的、终身的教育需求和基于学校的、标准化的、班级的、单一渠道的服务供给方式之间的矛盾”。多样化、个性化教育供给成为教育质量提升的新诉求[5]，而完全依赖、诉求于市场辅导机构提供的个性化服务供给，一方面是辅导质量难以得到保障，校外培训机构自身需要进一步规范和引导[6];另一方面，价格不菲的课外辅导班费用难以兼顾教育普适性和公平性，经济收入薄弱家庭孩子的发展需求难以通过该渠道得到满足。因此，需要政府积极探索个性化教育公共服务形态，打破体制内教师传统资源配置和流转思路，借助网络突破校园围墙的空间限制、打破课程表的时间约束，通过构建课内课外和线上线下融合的网络教育空间来在线萃取教师的个性化服务形态，实现教师智力资源的在线流转，并进一步精准推荐给有相应需求的学生[7]，从而延展学校服务空间、满足学生个性化发展。
在上述背景下，北京市教育委员会在《关于积极推进“互联网 ”行动的指导意见》等国家政策文件的支持下，面向師资相对较为薄弱的北京市远郊区县的中学生开展中学教师开放型在线辅导试点计划（简称“开放辅导”），通过提供远程一对一辅导等多种形态来解决学生课外个性化问题和促进学生的扬长学习。计划推行以来，得到一线学生和家长普遍认可，很多学生逐渐形成有问题求助开放辅导教师的习惯，在平台上也汇聚形成了大量学生辅导数据，结合学生成绩发现，开放辅导覆盖了各种绩效背景的学生，这在体现辅导的“全纳”性特点的同时，也会引发新的思考：不同成绩背景的学生参与一对一个性化辅导的在线行为是一致的吗？具有怎样的群体差异？学生在主动发起的辅导内容方面有无群体差异性？其互动话语的情感变化和分布又是怎样的？该如何捕捉、分析这种差异性，指导教师为学生提供更有针对性的分层辅导和服务？通过对这些问题的探究和分析，可以更好地透视不同背景学生参与个性化教育公共服务的特点，为教师的“因材施教”、精准服务提供支撑，推进辅导可持续、深度发展，提升学生的教育获得感。
二、文献综述
（一）在线学习的群体差异研究
1963年Carroll提出的掌握学习法指出学生在学习过程中合适的学习节奏比自身智力更重要，即个性化的教育往往会比传统的群体教学的学习效果更好[8]。2017年的美国国家教育技术计划将个性化学习定义为学习者根据自身的实际需求，自定学习进度，选择合适的教学方法以达到优化教学的目的[9]。
随着在线辅导等非正式学习在传统教学中充当越来越重要的角色[10]，近年来越来越多的学习者选择在线辅导进行个性化学习。学者们也开始从不同角度关注个性化在线辅导的差异、成效和对教育公平的影响。如从区域、城乡差异角度出发，讨论在线教育城对城乡教育差距缩小的作用[11]，为城市与农村的教学资源平衡提供潜在可能性[12];有从性别差异角度，认为性别因素一直是影响学生学习发展的关键[13]，尝试发现男、女生在线学习的共性与个性问题[14]，并认为在线教育能缩小男女性别之间的教育差距，有助于实现民主化教育[15];而不同绩效背景和在线学习关系也受到很多研究者关注，如Tu等人认为个性化学习与学生个体的学习成绩密切相关，并认为学生在个性化学习过程中可以通过掌握一定的自我调节学习技能，如：目标设定、时间管理、任务策略与环境结构等来获得更显著的学习成就[16]，自主在线学习有助于消除不同成效组学生的成绩差距[17]，学习成就较高的学生在线参与度较高[18-20]，学生的辅导参与度随其成绩的提升而深人[21][22]。
（二）在线学习分析技术应用现状
围绕在线学习，结合文献发现，研究者较为关注于使用学习分析技术整合学生学习过程中的行为数据，刻画学生学习全过程的规律，进而预测学生的学习效果或提出学习建议等。如通过对开放课程中的学习者特征、在线学习行为及其平台使用情况的统计和可视化呈现，揭示了高校开放课程中学习者社群和学习行为总体特点和衍变趋势[23];将学生的在线行为分为独立学习、系统交互、资源交互与社会交互四种，并建议教师针对不同的学习行为模式采用不同的教学策略进行个性化教学等[24]。在具体开展分析时，重视通过采集文本、音频、视频或动作、表情等多维度信息，从行为、认知和情感等多维度来透视学生学习特点和规律等。如聚类分析学生的行为模式，分析学生行为模式与其学习动机与成效间的内在联系，在此基础上对教师的教学提出建议[25];使用迪利克雷主题建模文本分析方法，自动识别并归类学生讨论关于高校优势与劣势的主题，对高校合理有效招生提供建议[26];从情感状态识别维度，探讨学生正面情绪和学生负面情绪对其学业控制的影响等[27]。 综上，一方面，发现相关群体差异研究大多以大学生、成人为研究对象，且无论是在线学习还是个性化辅导形态，居多由教师自上而下设计和发起，这和本研究面向中学生、由学生课外主动发起的在线个性化辅导的研究情境有一定的差异，这也进一步说明本研究具有一定的理论和实践意义。另一方面，相关学者对在线学习和个性化辅导的分析维度、具体分析技术能为群体比较维度提供支撑。本文将从师生辅导的在线行为、辅导主题内容以及情感状态维度，探索不同绩效背景的学生群体个性化辅导行为的特点和差异，从而为后续如何进一步提升辅导成效、促进教育公平提供建议和参考。
三、研究设计
（一）研究对象
本研究获取2016-2017学年北京某个区域初一数学学科下的2830名学生与老师的一对一在线实时辅导产生的198 15条对话数据。由于本研究要结合学生最近期末考试成绩进行绩效分组，剔除个别没有参与区域统一命题、统一阅卷的学校，或由于个人原因没有参与期末考试的学生，最终剩下2471名学生，共计讨论对话1 6820条。这247 1名学生的平均成绩是73.29分（全区统一命题、统一阅卷）。参考Kelley提出的按照成绩对学生进行分组时，最佳的划分规则是将成绩由高到低有序排列，高、低成绩组学生人数分别占学生总人数的27%[28]，最终得到高成就组学生667名，产生对话4213条;中成就组学生1137名，产生对话7064条;低成就组667名学生，产生对话5543条。其中区直学生607人，农村学生1864人;男生1551人，女生920人，男女比例近似为3：2。
（二）数据来源
如图1所示，师生一对一辅导的基本流程是学生主动向老师发起邀请，并将自己的问题拍照上传，老师接收邀请后，利用点阵笔，通过音频和视频等方式针对学生的提问提供一对一在线辅导，辅导结束后师生端各需在線填写一份辅导反馈量表。对师生在线辅导进行全面的量化与质性分析数据包括教师对学生辅导行为的反馈量表数据（如图2所示），后台每条辅导记录日志数据（如图3所示），以及记录完整辅导过程的媒体数据。其中，辅导记录日志成为学生行为分析的主要数据来源;辅导内容主题词则是通过教师对学生评价量表中标记的知识点获得;师生情感分析数据则是把师生对话的音频转录成文本内容，进而开展分析。
（三）数据处理和分析过程
本研究聚焦在线辅导的学生在线行为、辅导高频话题以及师生情感状态这三个维度，具体数据处理和分析过程介绍如下。
1.在线行为统计和分析
我们从开放辅导项目的后台获取学生下述4种主要在线行为。
辅导次数：即学生参与一对一在线辅导的总次数。先通过后台数据库获取师生辅导的源数据，接着通过学生的学号计算出每位学生参与辅导的次数;
平均辅导时长：指的是学生每次辅导的平均时间长度。平均辅导时长的计算方法是将每位学生参与辅导的时长相加再与辅导次数作除，以分钟为单位;
回访率：学生在辅导过程中向同一位老师发起辅导的概率。学生的回访率（R）等于学生向同一位老师发起辅导的次数（a）除以学生参与辅导的总次数（N），即：R=a/N;若学生与多位老师（n）均产生多次辅导（a1，a2…an），则学生的回访率等于多位老师回访率的平均值，即：R=（a1/N a2/N … an，N）/n;
辅导难度：学生向老师所提问题的难度。在辅导结束后，教师填写的评价量表中包含对学生辅导难度的打分（0-5分，5分难度最大），我们将每位学生收到的辅导难度相加的和再除以学生的辅导次数，得到每位学生的平均辅导难度。中辅导难度值大小依次分为高辅导难度（x
关键词：个性化在线辅导;在线行为分析;话题分析;情感检测
中图分类号：G434
文献标识码：A
一、引言
教育部于201 8年4月印发的《教育信息化2.0行动计划》中提到， “围绕加快教育现代化和建设教育强国新征程，构建网络化、数字化、智能化、个性化、终身化的教育体系，建设人人皆学、处处能学、时时可学的学习型社会，实现更加开放、更加适合、更加人本、更加平等、更加可持续的教育”[1]。随着网络技术的发展，MOOC等在线开放课程由于其平台的开放性及学习资源的丰富性促使大量学习者参与到网络学习中来，也成为在线学习的主要研究对象。然而，这种大规模在线开放课程主要呈现出教师与学生一对多的授课形式难以满足学习者个性化的学习需求，致使学习者在学习过程中存在注册率高而完成率低、参与度低以及学习获得感较低等问题[2][3]。在这种情形下，问题驱动的一对一在线辅导能有效弥补大规模在线课程的缺陷。学习者在先验知识的基础上，根据自身的学习需求通过个性化提问并在教师的协作阐述下促进知识的应用与整合，优化学习进度与教学方法，增强学习者的内在学习动机及学习主动性，最终实现深度学习[4]。
进一步聚焦到基础教育，正如北京师范大学陈丽教授指出的“新时代中国教育的主要矛盾是学生日益增长的个性化的、高品质的、灵活的、终身的教育需求和基于学校的、标准化的、班级的、单一渠道的服务供给方式之间的矛盾”。多样化、个性化教育供给成为教育质量提升的新诉求[5]，而完全依赖、诉求于市场辅导机构提供的个性化服务供给，一方面是辅导质量难以得到保障，校外培训机构自身需要进一步规范和引导[6];另一方面，价格不菲的课外辅导班费用难以兼顾教育普适性和公平性，经济收入薄弱家庭孩子的发展需求难以通过该渠道得到满足。因此，需要政府积极探索个性化教育公共服务形态，打破体制内教师传统资源配置和流转思路，借助网络突破校园围墙的空间限制、打破课程表的时间约束，通过构建课内课外和线上线下融合的网络教育空间来在线萃取教师的个性化服务形态，实现教师智力资源的在线流转，并进一步精准推荐给有相应需求的学生[7]，从而延展学校服务空间、满足学生个性化发展。
在上述背景下，北京市教育委员会在《关于积极推进“互联网 ”行动的指导意见》等国家政策文件的支持下，面向師资相对较为薄弱的北京市远郊区县的中学生开展中学教师开放型在线辅导试点计划（简称“开放辅导”），通过提供远程一对一辅导等多种形态来解决学生课外个性化问题和促进学生的扬长学习。计划推行以来，得到一线学生和家长普遍认可，很多学生逐渐形成有问题求助开放辅导教师的习惯，在平台上也汇聚形成了大量学生辅导数据，结合学生成绩发现，开放辅导覆盖了各种绩效背景的学生，这在体现辅导的“全纳”性特点的同时，也会引发新的思考：不同成绩背景的学生参与一对一个性化辅导的在线行为是一致的吗？具有怎样的群体差异？学生在主动发起的辅导内容方面有无群体差异性？其互动话语的情感变化和分布又是怎样的？该如何捕捉、分析这种差异性，指导教师为学生提供更有针对性的分层辅导和服务？通过对这些问题的探究和分析，可以更好地透视不同背景学生参与个性化教育公共服务的特点，为教师的“因材施教”、精准服务提供支撑，推进辅导可持续、深度发展，提升学生的教育获得感。
二、文献综述
（一）在线学习的群体差异研究
1963年Carroll提出的掌握学习法指出学生在学习过程中合适的学习节奏比自身智力更重要，即个性化的教育往往会比传统的群体教学的学习效果更好[8]。2017年的美国国家教育技术计划将个性化学习定义为学习者根据自身的实际需求，自定学习进度，选择合适的教学方法以达到优化教学的目的[9]。
随着在线辅导等非正式学习在传统教学中充当越来越重要的角色[10]，近年来越来越多的学习者选择在线辅导进行个性化学习。学者们也开始从不同角度关注个性化在线辅导的差异、成效和对教育公平的影响。如从区域、城乡差异角度出发，讨论在线教育城对城乡教育差距缩小的作用[11]，为城市与农村的教学资源平衡提供潜在可能性[12];有从性别差异角度，认为性别因素一直是影响学生学习发展的关键[13]，尝试发现男、女生在线学习的共性与个性问题[14]，并认为在线教育能缩小男女性别之间的教育差距，有助于实现民主化教育[15];而不同绩效背景和在线学习关系也受到很多研究者关注，如Tu等人认为个性化学习与学生个体的学习成绩密切相关，并认为学生在个性化学习过程中可以通过掌握一定的自我调节学习技能，如：目标设定、时间管理、任务策略与环境结构等来获得更显著的学习成就[16]，自主在线学习有助于消除不同成效组学生的成绩差距[17]，学习成就较高的学生在线参与度较高[18-20]，学生的辅导参与度随其成绩的提升而深人[21][22]。
（二）在线学习分析技术应用现状
围绕在线学习，结合文献发现，研究者较为关注于使用学习分析技术整合学生学习过程中的行为数据，刻画学生学习全过程的规律，进而预测学生的学习效果或提出学习建议等。如通过对开放课程中的学习者特征、在线学习行为及其平台使用情况的统计和可视化呈现，揭示了高校开放课程中学习者社群和学习行为总体特点和衍变趋势[23];将学生的在线行为分为独立学习、系统交互、资源交互与社会交互四种，并建议教师针对不同的学习行为模式采用不同的教学策略进行个性化教学等[24]。在具体开展分析时，重视通过采集文本、音频、视频或动作、表情等多维度信息，从行为、认知和情感等多维度来透视学生学习特点和规律等。如聚类分析学生的行为模式，分析学生行为模式与其学习动机与成效间的内在联系，在此基础上对教师的教学提出建议[25];使用迪利克雷主题建模文本分析方法，自动识别并归类学生讨论关于高校优势与劣势的主题，对高校合理有效招生提供建议[26];从情感状态识别维度，探讨学生正面情绪和学生负面情绪对其学业控制的影响等[27]。 综上，一方面，发现相关群体差异研究大多以大学生、成人为研究对象，且无论是在线学习还是个性化辅导形态，居多由教师自上而下设计和发起，这和本研究面向中学生、由学生课外主动发起的在线个性化辅导的研究情境有一定的差异，这也进一步说明本研究具有一定的理论和实践意义。另一方面，相关学者对在线学习和个性化辅导的分析维度、具体分析技术能为群体比较维度提供支撑。本文将从师生辅导的在线行为、辅导主题内容以及情感状态维度，探索不同绩效背景的学生群体个性化辅导行为的特点和差异，从而为后续如何进一步提升辅导成效、促进教育公平提供建议和参考。
三、研究设计
（一）研究对象
本研究获取2016-2017学年北京某个区域初一数学学科下的2830名学生与老师的一对一在线实时辅导产生的198 15条对话数据。由于本研究要结合学生最近期末考试成绩进行绩效分组，剔除个别没有参与区域统一命题、统一阅卷的学校，或由于个人原因没有参与期末考试的学生，最终剩下2471名学生，共计讨论对话1 6820条。这247 1名学生的平均成绩是73.29分（全区统一命题、统一阅卷）。参考Kelley提出的按照成绩对学生进行分组时，最佳的划分规则是将成绩由高到低有序排列，高、低成绩组学生人数分别占学生总人数的27%[28]，最终得到高成就组学生667名，产生对话4213条;中成就组学生1137名，产生对话7064条;低成就组667名学生，产生对话5543条。其中区直学生607人，农村学生1864人;男生1551人，女生920人，男女比例近似为3：2。
（二）数据来源
如图1所示，师生一对一辅导的基本流程是学生主动向老师发起邀请，并将自己的问题拍照上传，老师接收邀请后，利用点阵笔，通过音频和视频等方式针对学生的提问提供一对一在线辅导，辅导结束后师生端各需在線填写一份辅导反馈量表。对师生在线辅导进行全面的量化与质性分析数据包括教师对学生辅导行为的反馈量表数据（如图2所示），后台每条辅导记录日志数据（如图3所示），以及记录完整辅导过程的媒体数据。其中，辅导记录日志成为学生行为分析的主要数据来源;辅导内容主题词则是通过教师对学生评价量表中标记的知识点获得;师生情感分析数据则是把师生对话的音频转录成文本内容，进而开展分析。
（三）数据处理和分析过程
本研究聚焦在线辅导的学生在线行为、辅导高频话题以及师生情感状态这三个维度，具体数据处理和分析过程介绍如下。
1.在线行为统计和分析
我们从开放辅导项目的后台获取学生下述4种主要在线行为。
辅导次数：即学生参与一对一在线辅导的总次数。先通过后台数据库获取师生辅导的源数据，接着通过学生的学号计算出每位学生参与辅导的次数;
平均辅导时长：指的是学生每次辅导的平均时间长度。平均辅导时长的计算方法是将每位学生参与辅导的时长相加再与辅导次数作除，以分钟为单位;
回访率：学生在辅导过程中向同一位老师发起辅导的概率。学生的回访率（R）等于学生向同一位老师发起辅导的次数（a）除以学生参与辅导的总次数（N），即：R=a/N;若学生与多位老师（n）均产生多次辅导（a1，a2…an），则学生的回访率等于多位老师回访率的平均值，即：R=（a1/N a2/N … an，N）/n;
辅导难度：学生向老师所提问题的难度。在辅导结束后，教师填写的评价量表中包含对学生辅导难度的打分（0-5分，5分难度最大），我们将每位学生收到的辅导难度相加的和再除以学生的辅导次数，得到每位学生的平均辅导难度。中辅导难度值大小依次分为高辅导难度（x