王晶瑩　楊伊　宋倩茹　鄭永和

摘要：隨著計算機科學(xué)技術(shù)被廣泛應(yīng)用于教育研究，基于海量數(shù)據(jù)計算的研究范式成為教育研究的重要手段，這也引發(fā)了教育研究基本視角和價值觀念的轉(zhuǎn)變。計算教育學(xué)正是對這種新興教育研究范式的概括，是以大數(shù)據(jù)為基礎(chǔ)，以復(fù)雜計算為核心，以算力為支持，以構(gòu)建教育理論、解決教育問題、揭示教學(xué)規(guī)律為目標(biāo)的研究領(lǐng)域。對相關(guān)文獻進行聚類分析后發(fā)現(xiàn)，計算教育學(xué)主要涉及六大熱點：在線社會媒體中的學(xué)習(xí)行為和學(xué)業(yè)表現(xiàn)，人工智能和云計算在學(xué)習(xí)管理中的應(yīng)用，教育數(shù)據(jù)挖掘和學(xué)習(xí)分析，數(shù)字化課程的評價和創(chuàng)新，針對教學(xué)過程的教育仿真和文本挖掘，涉及師生人格品質(zhì)的數(shù)據(jù)挖掘。對典型研究案例進行剖析后發(fā)現(xiàn)，計算教育學(xué)研究在操作路徑上具有如下共性：一是得益于體量龐大的數(shù)據(jù)，相較于精度，更追求宏觀層面對數(shù)據(jù)的洞察;二是研究的起點是“基于數(shù)據(jù)”而非“基于假設(shè)”，強調(diào)讓數(shù)據(jù)“開口說話”;三是在數(shù)據(jù)收集上傾向于獲取“即時數(shù)據(jù)”。未來，我國計算教育學(xué)研究應(yīng)當(dāng)實現(xiàn)如下轉(zhuǎn)變：從關(guān)注學(xué)的過程到關(guān)注教學(xué)過程，從研究學(xué)生認知過程到研究師生互動機制，從勤于技術(shù)突破到回歸教育內(nèi)涵，從借鑒國際經(jīng)驗到融合本土特色。

關(guān)鍵詞：計算教育學(xué);研究范式;教育研究;數(shù)據(jù)挖掘;機器學(xué)習(xí)

中圖分類號：G434? ?文獻標(biāo)識碼：A? ? 文章編號：1009-5195（2020）04-0027-10? doi10.3969/j.issn.1009-5195.2020.04.004

*基金項目：國家自然科學(xué)基金青年項目“學(xué)校學(xué)習(xí)環(huán)境對中學(xué)生STEM職業(yè)期望的影響機理及其改進研究”（71704116）;中國科學(xué)院院士咨詢項目“我國科學(xué)教育發(fā)展戰(zhàn)略研究”（2018-Z10-A-025）。

作者簡介：王晶瑩，博士，特聘教授，青島大學(xué)師范學(xué)院（山東青島 266071）;楊伊（通訊作者），師資博士后，上海師范大學(xué)教育學(xué)院（上海 200234）;宋倩茹，碩士，研究實習(xí)員，青島大學(xué)師范學(xué)院（山東青島 266071）;鄭永和，教授，博士生導(dǎo)師，北京師范大學(xué)教育學(xué)部（北京 100875）。

當(dāng)下，計算教育學(xué)引發(fā)了國內(nèi)外研究者的關(guān)注，作為一個新興的交叉領(lǐng)域，它既受益于計算機科學(xué)技術(shù)的日益成熟，又為教育學(xué)解決瓶頸問題提供了新的研究范式。如今，計算教育學(xué)在國際上已取得了一系列研究成果。本文從計算教育學(xué)的內(nèi)涵剖析入手，采用系統(tǒng)聚類分析凝練其國際研究熱點，并通過多項典型研究案例呈現(xiàn)其研究范式的具體操作路徑，進而深度反思計算教育學(xué)的現(xiàn)狀與未來。

一、計算教育學(xué)是什么：范式流變到學(xué)科融合

大數(shù)據(jù)時代為教育研究帶來了新的機遇與生機，而計算教育學(xué)體現(xiàn)的是一種基于關(guān)聯(lián)思維的研究范式，這與過去基于因果思維的研究范式有很大不同。如今，國內(nèi)學(xué)者關(guān)注與探索計算教育學(xué)的興趣日益濃厚。為準(zhǔn)確認識計算教育學(xué)，我們不但應(yīng)當(dāng)從縱向的發(fā)展脈絡(luò)中理解其出現(xiàn)的必然，還應(yīng)當(dāng)從橫向的學(xué)科交叉中探索學(xué)科由“分立”到“融合”的機理。

1.從范式之爭看計算教育學(xué)出現(xiàn)的必然

關(guān)于教育研究范式的爭論由來已久，而“實證”與“思辨”之爭是學(xué)界討論的焦點。參照國內(nèi)外學(xué)者對教育研究方法的類型劃分，可以將其分為思辨研究和實證研究兩大類，其中實證研究又包括質(zhì)性研究、定量研究和混合研究三個子類（陸根書等，2016）。自改革開放打開“西窗”以來，兩種范式之爭從未平息，在爭論的背后是對教育研究科學(xué)化的求索。思辨研究基于個體理性認識能力和經(jīng)驗，通過對概念、命題進行邏輯演繹和推理以認識事物的本質(zhì)特征，故思辨研究的辯護者認為，對教育價值層面的哲學(xué)省思和追問更接近教育的本真。相對地，實證研究則是基于觀察、實驗和調(diào)查，對收集的數(shù)據(jù)或信息進行分析和解釋，以事實為證據(jù)來探討事物的本質(zhì)屬性或發(fā)展規(guī)律（姚計海，2017），故實證研究的辯護者認為，在科學(xué)的度量尺度之下，實證研究才能揭示出實然的教育。然而隨著研究數(shù)量的不斷增長和研究群體的日益壯大，教育思辨研究出現(xiàn)了良莠不齊和泛化的亂象;與此同時，以人為對象的教育實證研究本身存在不可重復(fù)性、不可驗證性、研究結(jié)果無法應(yīng)用于現(xiàn)實等問題，導(dǎo)致教育研究的科學(xué)性無法確保（余勝泉等，2019）。以傳統(tǒng)的眼光看，思辨研究呈現(xiàn)了“應(yīng)然的教育”，實證研究呈現(xiàn)了“實然的教育”，事實上，后者的根本亦是驗證應(yīng)然的教育，也就是對人類直覺、經(jīng)驗等的驗證，與我們期望的科學(xué)的、實然的教育尚有一定距離?？缭竭@一距離必然要突破基于假設(shè)的研究范式，建立一種基于事實的研究范式。所以，當(dāng)務(wù)之急不在于否定某一種范式，而是看到每一種范式固有的局限，探尋突破瓶頸之法。

計算機科學(xué)哲學(xué)資深學(xué)者拉斐爾·阿爾瓦拉多（Rafael Alvarado）等在“已知的已知、已知的未知、未知的未知”的知識分類中，加入第四類知識“未知的已知”，即機器經(jīng)驗的知識（計算機已知而人類可能未知）（Alvarado et al.，2017）。第四類知識的出現(xiàn)打破了人們對思辨研究和實證研究的執(zhí)念，這背后蘊含著一種隱喻：教育研究仍有大片超出人類經(jīng)驗可抵達范圍的處女地，等待新的工具去開墾。在此背景下，計算教育學(xué)破繭而出，其核心內(nèi)涵就是運用計算機信息處理技術(shù)（理論、算法、軟件），對過去與現(xiàn)在的教育數(shù)據(jù)進行定量分析，以發(fā)現(xiàn)和揭示教育中的規(guī)律，更好地為教育服務(wù)（孫仕亮，2015）。

事實上，計算教育學(xué)的出現(xiàn)從內(nèi)部講，是教育學(xué)研究范式流變的結(jié)果，而從外部講，是社會科學(xué)發(fā)展的大勢所趨。上世紀(jì)末，人們迫切需要新的范式來解決社會問題，與此同時，計算機攻克復(fù)雜問題的能力不斷提升，于是1994年誕生了“社會計算”（Social Computing）。經(jīng)過十余年的發(fā)展， “計算社會科學(xué)”（Computational Social Science）的概念于2009年進入學(xué)者們的視野，其始于美國哈佛大學(xué)大衛(wèi)·拉澤（David Lazer）教授等15名頂級學(xué)者在《科學(xué)》雜志上的聯(lián)合發(fā)文。而后，社會學(xué)家們一方面受到計算社會科學(xué)的啟發(fā)，另一方面也不滿足于計算社會科學(xué)的一般范式，于是基于社會學(xué)的學(xué)科特征，在2014年正式提出了“新計算社會學(xué)”（New Computational Sociology）。遵循這一路徑，作為社會科學(xué)分支的教育學(xué)同樣具有社會科學(xué)的共性，更有其自身的學(xué)科特征和研究需求，因而自立門戶地建構(gòu)起“計算教育學(xué)”的研究領(lǐng)域，以解決教育研究中存在的諸多問題，這也是計算社會科學(xué)發(fā)展到一定時期的必然結(jié)果。

利用SPSS內(nèi)置的K-均值聚類功能，對關(guān)鍵詞進行聚類分析后，結(jié)合關(guān)鍵詞的語義和組間距離，最終將國際計算教育學(xué)研究的關(guān)鍵詞劃分為6個核心領(lǐng)域：領(lǐng)域一，在線社會媒體中的學(xué)習(xí)行為和學(xué)業(yè)表現(xiàn);領(lǐng)域二，人工智能和云計算在學(xué)習(xí)管理中的應(yīng)用;領(lǐng)域三，教育數(shù)據(jù)挖掘和學(xué)習(xí)分析;領(lǐng)域四，數(shù)字化課程的評價和創(chuàng)新;領(lǐng)域五，針對學(xué)習(xí)過程的教育仿真和文本挖掘;領(lǐng)域六，涉及師生人格品質(zhì)的數(shù)據(jù)挖掘。上述領(lǐng)域所包含的特征關(guān)鍵詞如表1所示，每個特征關(guān)鍵詞后括號內(nèi)的數(shù)字為頻次和中心度，分別表示該關(guān)鍵詞的熱度和重要程度;每個類別中特征關(guān)鍵詞按照其與該類別研究主題間相關(guān)性的強弱進行排序。

（注：括號中第1個數(shù)字為關(guān)鍵詞的頻次，第2個數(shù)字為關(guān)鍵詞的中心度。）

領(lǐng)域一主要分布在第二象限，是計算教育學(xué)中起步較早的一個研究領(lǐng)域，其主題內(nèi)部的連接緊密，形成了相對成熟的研究體系和研究范式。該領(lǐng)域的研究主題為在線社會媒體中的學(xué)習(xí)行為和學(xué)業(yè)表現(xiàn)，主要基于Facebook、YouTube等社交平臺中的大數(shù)據(jù)研究學(xué)生的學(xué)習(xí)行為模式及學(xué)業(yè)表現(xiàn)。例如，丹尼爾·喬治（Daniel George）等采用在Facebook上推送壓力管理內(nèi)容的方式來緩解學(xué)生學(xué)業(yè)壓力，并基于產(chǎn)生的數(shù)據(jù)對其效果進行研究（George et al.，2013）。張思等收集了教師的在線學(xué)習(xí)行為數(shù)據(jù)，進而分析網(wǎng)絡(luò)專業(yè)學(xué)習(xí)社區(qū)中教師的動機信念、動機調(diào)節(jié)與學(xué)習(xí)參與之間的關(guān)系（Zhang et al.，2019）。

領(lǐng)域二主要分布在第四象限，其研究總體呈現(xiàn)影響范圍較大但內(nèi)部分散的特征，該領(lǐng)域具有進一步發(fā)展的空間，但領(lǐng)域內(nèi)研究間的融合性有待增強。該領(lǐng)域的研究主題為人工智能和云計算在學(xué)習(xí)管理中的應(yīng)用，即通過云計算和人工智能技術(shù)為學(xué)習(xí)者和教育管理者提供便捷有效的學(xué)習(xí)管理途徑。例如，易卜拉欣·阿拉帕伊（Ibrahim Arpaci）基于云計算發(fā)現(xiàn)學(xué)生的信息管理行為（檢索、存儲、共享、應(yīng)用）與其態(tài)度顯著相關(guān)，建議通過設(shè)計真實的學(xué)習(xí)環(huán)境來協(xié)助學(xué)生進行個人信息管理（Arpaci，2019）。捷克生命科學(xué)大學(xué)開發(fā)了一種利用人工智能技術(shù)對學(xué)習(xí)進行管理的實驗工具，并研究其在隱性知識獲取上的作用（Pavlicek et al.，2014）。

領(lǐng)域三主要分布在第一象限和第二象限，該領(lǐng)域的研究主題為教育數(shù)據(jù)挖掘和學(xué)習(xí)分析，在線教育（如MOOCs）中的數(shù)據(jù)挖掘是其研究熱點和中心。學(xué)習(xí)分析和機器學(xué)習(xí)也屬于該區(qū)域，其研究雖呈現(xiàn)出日漸成熟的趨勢，但影響力仍有待進一步提升。機器學(xué)習(xí)和數(shù)據(jù)庫是教育數(shù)據(jù)挖掘的兩大支撐技術(shù)，特別是前者為在線教育中的數(shù)據(jù)挖掘研究提供了重要方法。例如，瑪利亞·卡塔米蘇（Maria Cutumisu）在加拿大西部一所大學(xué)開設(shè)的“教育技術(shù)導(dǎo)論”本科課程中，利用基于無監(jiān)督機器學(xué)習(xí)技術(shù)的主題建模方法，從職前教師的反思文本中提取主題特征，進而確定其主題（Cutumisu et al.，2019）。

領(lǐng)域四主要分布在第一象限和第四象限，其研究主題可概括為數(shù)字化課程的評價和創(chuàng)新。數(shù)字化課程具有較強的多學(xué)科交叉特征，其研究的影響范圍較廣。例如，吉利·霍夫曼（Jirí Hoffman）基于教學(xué)系統(tǒng)設(shè)計原則開發(fā)電子學(xué)習(xí)課程，其可以提供不同層次的信息與學(xué)生的興趣深度相匹配，并提出了一種被稱為“簡單機器”（Simple Machines）的具體任務(wù)，通過強化學(xué)生在物理學(xué)習(xí)中的問題解決情境，來幫助他們獲得更好的學(xué)習(xí)體驗（Hoffman，2013）。

領(lǐng)域五主要分布在第四象限，少量分布在第一、三象限，該領(lǐng)域的研究主題為學(xué)習(xí)過程中的教育仿真和文本挖掘，其研究的內(nèi)部聯(lián)系有待進一步加強。例如，邢旭等針對學(xué)生難以清晰表達相關(guān)概念的問題，利用計算機仿真技術(shù)構(gòu)建更加真實的學(xué)習(xí)環(huán)境，并讓學(xué)生通過合作探究的方式完成相關(guān)任務(wù)。實證研究的結(jié)果表明，學(xué)生在進行推理時的表達得到改善，其學(xué)習(xí)行為也得到規(guī)范（Xing et al.，2019）。

領(lǐng)域六集中在第三象限，該領(lǐng)域的研究主題涉及師生人格品質(zhì)的數(shù)據(jù)挖掘，其處于整個計算教育學(xué)的邊緣，內(nèi)部聯(lián)系不夠緊密，相互影響程度也較弱。20世紀(jì)80年代以來，隨著研究者們在人格描述模式上基本達成共識，“大五人格”（Big Five）模型被廣泛應(yīng)用于人格研究。領(lǐng)域六的主要研究為利用大數(shù)據(jù)和數(shù)據(jù)挖掘技術(shù)，結(jié)合“大五人格”模型研究教育主體的人格品質(zhì)及其在性別上的特征差異。如杰羅爾·柯萬（Jeral Kirwan）基于“大五人格”模型，通過大數(shù)據(jù)分析并探討了大學(xué)生的自我導(dǎo)向與其他人格特質(zhì)之間的關(guān)系（Kirwan，2014）。對教師人格品質(zhì)的分析也是該領(lǐng)域的研究重點，如拉扎·扎伊迪（Raza Zaidi）等基于大數(shù)據(jù)分析了教師的人格品質(zhì)與其工作投入量間的關(guān)系，發(fā)現(xiàn)教師性格的開放程度與工作投入度顯著相關(guān)（Zaidi et al.，2013）。

三、計算教育學(xué)怎么做：國際研究案例剖析

遵照計算教育學(xué)的定義，本研究選擇同時符合“以大數(shù)據(jù)為基礎(chǔ)”“以復(fù)雜算法為核心”“以算力為支持”“解決教育學(xué)問題”“揭示教與學(xué)規(guī)律”等條件的多個典型案例，聚焦其操作路徑，從對學(xué)生認知過程的模擬和對在線學(xué)習(xí)行為數(shù)據(jù)的挖掘兩個方面來進行整合分析，以求透過其具體的研究過程，形象地回應(yīng)“計算教育學(xué)怎么做”這一問題。

1.對學(xué)生認知過程的模擬

傳統(tǒng)的科學(xué)教育研究常通過學(xué)生的學(xué)習(xí)結(jié)果反推其認知過程，卻難以反映學(xué)生在橫向維度上的跨學(xué)科學(xué)習(xí)和縱向維度上的科學(xué)思維形成過程，因而限制了對實驗結(jié)果的完整解釋。理查德·蘭姆（Richard Lamb）將計算教育學(xué)引入科學(xué)教育研究，形成了多項重要成果。將教學(xué)過程視為一種機制，是他進行一系列教育模擬的前提。

在一項關(guān)于“科學(xué)教育中學(xué)生認知過程的計算模型”（Lamb et al.，2014）的研究中，蘭姆等人建立了一個能夠模擬學(xué)生在科學(xué)課堂中完整認知過程的計算模型。該模型基于對認知屬性的識別，通過融合認知診斷理論和項目反應(yīng)理論（Item Response Theory，IRT）的測量框架，為構(gòu)建的人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）模型提供輸入。該人工神經(jīng)網(wǎng)絡(luò)模型是整個計算模型的核心組成部分，可基于多個相互聯(lián)系的認知屬性的交互作用，對學(xué)生在科學(xué)任務(wù)中的認知反應(yīng)進行處理。首先，他在研究中模擬了一個認知訓(xùn)練過程以對學(xué)生的學(xué)習(xí)行為進行干預(yù)，并通過分層抽樣的方式隨機選擇學(xué)生參加對照試驗。該試驗收集學(xué)生在完成三維嚴(yán)肅教育游戲（Serious Educational Games，SEG）過程中產(chǎn)生的數(shù)據(jù)，并建立學(xué)生任務(wù)與認知模型（Student Task and Cognition Model，STAC-M），該模型提供了一種可以控制環(huán)境刺激并跟蹤學(xué)生游戲過程的方法。而后，通過Q矩陣對SEG過程中的數(shù)據(jù)進行編碼，并提交到STAC-M模型中進行訓(xùn)練，再利用模型的訓(xùn)練數(shù)據(jù)進行擬合分析，以驗證認識屬性的層次結(jié)構(gòu)（即完成任務(wù)的行為組合）。最后，以學(xué)生執(zhí)行任務(wù)是否正確以及完成任務(wù)所使用的屬性是否為目標(biāo)屬性來量化批判性推理。圖2歸納了STAC-M的訓(xùn)練過程和后續(xù)的模擬干預(yù)過程。該研究不但表明使用有針對性的認知屬性方法可以提高學(xué)生完成任務(wù)時的成功率，其構(gòu)建的計算模型也為教育研究提供了一種檢驗教育理論的手段。

在另一項應(yīng)用研究中，蘭姆等人發(fā)現(xiàn)教與學(xué)的規(guī)律與一類被稱作多目標(biāo)進化算法（Multi-Objective Evolutionary Algorithms，MOEA）的訓(xùn)練過程相似，故就多目標(biāo)進化算法如何與認知計算模型協(xié)同工作這一問題進行探究，以模擬學(xué)生在科學(xué)課上解決推理問題的認知過程（Lamb et al.，2017）。該研究對是否加入MOEA的STAC-M進行了對比實驗，研究結(jié)果表明加入MOEA的模型更加快速、有效。從方法論的角度講，教育學(xué)領(lǐng)域的研究者對這類算法表現(xiàn)出日益濃厚的興趣。

同樣是在科學(xué)教育的背景下，蘭姆還比較了三維嚴(yán)肅教育游戲、二維網(wǎng)絡(luò)實驗室和傳統(tǒng)課堂教學(xué)等情景下的學(xué)習(xí)效果（Lamb，2016）。該研究依舊采用分層抽樣的方式隨機選擇實驗樣本，并基于STAC-M計算和分析了認知系統(tǒng)關(guān)鍵要素（如心理旋轉(zhuǎn)、空間可視化）的潛在作用機制，研究發(fā)現(xiàn)，三維嚴(yán)肅教育游戲?qū)W(xué)習(xí)有顯著促進。這可能是緣于空間域（Spatial Domain）對學(xué)習(xí)者認知的重構(gòu)，使其認知通道得到拓展，因而降低了其在思維過程中的認知負荷。

2.對在線學(xué)習(xí)行為數(shù)據(jù)的挖掘

隨著數(shù)字化系統(tǒng)在學(xué)習(xí)中被越來越多地使用，有關(guān)學(xué)習(xí)過程和環(huán)境的數(shù)據(jù)源源不斷地產(chǎn)生。因此，借助于工具和技術(shù)的創(chuàng)新，對在線學(xué)習(xí)行為數(shù)據(jù)進行挖掘，研究者可以從中獲得關(guān)于學(xué)習(xí)的重要見解。這正是前文所述的第四類知識，是只有基于教育大數(shù)據(jù)才能發(fā)現(xiàn)的潛在規(guī)律，也是目前國際上關(guān)于計算教育學(xué)的又一類經(jīng)典應(yīng)用領(lǐng)域。

安托萬·范登比姆（Antoine Van den Beemt）等從個人建構(gòu)主義的視角出發(fā)，將MOOC中的學(xué)生活動視為學(xué)習(xí)行為與學(xué)習(xí)過程的結(jié)合，以“流程挖掘：行動中的數(shù)據(jù)科學(xué)”（Process Mining：Data Science in Action）課程為例，對MOOC平臺上產(chǎn)生的學(xué)生數(shù)據(jù)進行分析，以探究“及格”和“不及格”學(xué)生在課程周期內(nèi)學(xué)習(xí)活動的差異（Van den Beemt et al.，2018）。研究使用聚類分析、均值分析以及運用過程挖掘技術(shù)對活動聚合計數(shù)、特定課程項目計數(shù)和活動順序進行分析后，發(fā)現(xiàn)四類值得關(guān)注的學(xué)生群體，圖3為這四類學(xué)生群體的學(xué)習(xí)行為隨時間分布的狀況。研究將參加MOOC學(xué)習(xí)的16224名學(xué)生均看作獨立案例，共涉及285036個學(xué)習(xí)活動事件。圖3中的每一個點代表學(xué)生在特定時間發(fā)生的一個學(xué)習(xí)事件，橫向為特定學(xué)生的所有學(xué)習(xí)事件，縱向以周為單位對學(xué)習(xí)事件進行分隔，左邊的拱形部分邊緣顯示出不同學(xué)生產(chǎn)生首次學(xué)習(xí)事件的時間先后順序，點密度可體現(xiàn)出學(xué)生的學(xué)習(xí)事件頻度。利用過程挖掘技術(shù)對學(xué)生的學(xué)業(yè)成績和學(xué)習(xí)事件進行分析后發(fā)現(xiàn)，學(xué)業(yè)成功的學(xué)生表現(xiàn)出更穩(wěn)定的學(xué)習(xí)行為，這些學(xué)習(xí)行為多與視頻觀看有關(guān)，而與學(xué)習(xí)事件的時間安排無關(guān)。上述分析結(jié)果可為教師優(yōu)化在線教學(xué)提供有效的指導(dǎo)。

同樣是基于有關(guān)學(xué)生行為的海量數(shù)據(jù)，徐星等（Xu et al.，2019）提取了4000名學(xué)生的互聯(lián)網(wǎng)使用行為數(shù)據(jù)，并對在線時長、互聯(lián)網(wǎng)流量和連接頻率等特征進行歸一化處理，而后利用決策樹、神經(jīng)網(wǎng)絡(luò)和支持向量機等機器學(xué)習(xí)算法對其學(xué)習(xí)成績進行預(yù)測和分析。研究結(jié)果表明，學(xué)生使用互聯(lián)網(wǎng)的行為模式對其學(xué)業(yè)成績具有顯著影響，網(wǎng)絡(luò)連接頻率與學(xué)習(xí)成績正相關(guān)，而網(wǎng)絡(luò)流量和在線時長與學(xué)習(xí)成績負相關(guān)。這與傳統(tǒng)經(jīng)驗中對在線學(xué)習(xí)規(guī)律的認識有所差異，其原因在于過于復(fù)雜的學(xué)習(xí)行為會對學(xué)習(xí)效果造成負面影響。此外，研究還發(fā)現(xiàn)隨著特征數(shù)量的增加，預(yù)測精度總體呈現(xiàn)上升趨勢。該研究不僅揭示了學(xué)生的互聯(lián)網(wǎng)使用行為與學(xué)習(xí)成績間的關(guān)系，而且表明通過機器學(xué)習(xí)方法能夠?qū)W(xué)生的學(xué)業(yè)表現(xiàn)進行預(yù)測。

此外，數(shù)據(jù)挖掘方法還可以用于學(xué)習(xí)資源的精準(zhǔn)推薦，以滿足學(xué)生的個性化學(xué)習(xí)需求。魏鵬程等（Wei et al.，2019）基于對用戶偏好行為數(shù)據(jù)的分析構(gòu)建了面向在線教育的個性化推薦系統(tǒng)，并對多個推薦模型的效果進行對比。具體地講，就是利用產(chǎn)品屬性挖掘方法確定推薦系統(tǒng)的推薦標(biāo)準(zhǔn)集，然后利用個性化推薦算法對用戶偏好進行建模，通過分析用戶偏好與推薦標(biāo)準(zhǔn)間的相似度來產(chǎn)生精準(zhǔn)推薦結(jié)果。實驗結(jié)果表明，基于用戶距離相似度的多準(zhǔn)則推薦算法效果最好，可有效提升推薦的精準(zhǔn)性。

綜合分析上述具有代表性的研究案例的過程和結(jié)果，可以看出，盡管計算教育學(xué)研究尚處于萌芽期，但其在研究的設(shè)計和方法上都與傳統(tǒng)教育研究存在較大差異。第一，從研究數(shù)據(jù)的特征來看，計算教育學(xué)研究得益于體量龐大的數(shù)據(jù)，相較于精度，其更追求在宏觀層面對數(shù)據(jù)的洞察。第二，從研究過程的特征來看，計算教育學(xué)研究的起點是“基于數(shù)據(jù)”，這有別于傳統(tǒng)教育研究“基于假設(shè)”的研究范式，上述案例無一不是讓數(shù)據(jù)“開口說話”，這與“通過數(shù)據(jù)證明假設(shè)”的傳統(tǒng)研究過程有較大差異。第三，從數(shù)據(jù)收集的途徑來看，計算教育學(xué)研究傾向于獲得“即時數(shù)據(jù)”，這不僅與傳統(tǒng)教育研究中為驗證假設(shè)而收集數(shù)據(jù)的方式存在明顯區(qū)別，也不同于傳統(tǒng)教育研究在數(shù)據(jù)收集后往往不進行實時分析和反饋的習(xí)慣?？梢钥闯?，計算教育學(xué)針對教育問題的研究是基于對教學(xué)過程的模擬和分析來展開的，其背后的動因是“計算主義思潮”，即是將宇宙視為巨型計算裝置，微觀層面上教育現(xiàn)象的多樣性是算法復(fù)雜程度不同的外部表現(xiàn)。因此，上述研究案例均蘊含了計算教育學(xué)研究范式全新的算力隱喻及其獨特的算法特征，隨著計算教育學(xué)向?qū)嵺`領(lǐng)域的縱深發(fā)展，其理論體系會更加趨于完善，其方法論基礎(chǔ)也會日益堅實。

四、反思與展望：計算教育學(xué)的現(xiàn)狀與未來

計算教育學(xué)是一個成長中的新興領(lǐng)域，計算機科學(xué)技術(shù)的每一次突破都為其發(fā)展注入動力。早在30年前，葉瀾、陳桂生、瞿?？葘W(xué)者就極具前瞻性地提出，從其他相關(guān)學(xué)科中吸取新的思維方式和移植研究方法，是教育研究方法向科學(xué)化目標(biāo)前進中邁出的最富有生氣的一步。在計算機尚未普及的時代，他們就樂觀地指出，計算機等現(xiàn)代化技術(shù)手段在教育研究中的普遍采用雖然還有一個過程，但是畢竟開始了（葉瀾等，1989）。20年之后，靳玉樂再次強調(diào)跨學(xué)科合作對于教育科學(xué)發(fā)展的重要性，并指出這有利于產(chǎn)生教育科研的創(chuàng)新點（顧明遠等，2009），這既是研究內(nèi)容的創(chuàng)新，更是研究范式的創(chuàng)新。由此觀之，不論是從研究范式科學(xué)化的走向看，還是從教育學(xué)自身發(fā)展的需求看，抑或是從跨學(xué)科合作研究的趨勢看，將教育與計算相結(jié)合以解決教育理論與實踐問題的構(gòu)想絕非偶然，它在我國學(xué)者幾十年來的反思與呼吁中萌發(fā)已久。而在今天，我們順應(yīng)社會科學(xué)研究發(fā)展的潮流，找到了“計算教育學(xué)”這一跨學(xué)科結(jié)合的明確路徑和方向，在此，有必要從學(xué)科內(nèi)涵和教育學(xué)發(fā)展的需求出發(fā)，對計算教育學(xué)的現(xiàn)狀與未來進行審視。

1.由關(guān)注學(xué)的過程到關(guān)注教學(xué)過程

我國學(xué)者裴娣娜對“教”與“學(xué)”的深層關(guān)系作了完整闡釋：教學(xué)的根本目的、出發(fā)點和歸宿都要體現(xiàn)、落實于學(xué)的狀態(tài)，教的必要性建基于學(xué)的必要性，教的現(xiàn)實性取決于學(xué)的可能性，教的準(zhǔn)備依存于學(xué)的準(zhǔn)備（裴娣娜，2007）。這也就意味著在教與學(xué)的矛盾關(guān)系中，學(xué)是主要方面，教則是次要方面，但若脫離了矛盾的一個方面而單獨討論另一個方面就很難揭示出教學(xué)過程的本質(zhì)?？v觀當(dāng)前的計算教育學(xué)研究，不難看出，不論是利用計算機模擬人的認知過程，還是通過數(shù)據(jù)挖掘?qū)ふ倚袨樘卣骱蛯W(xué)習(xí)偏好，都是在針對學(xué)的過程進行研究。特別是在以MOOC為背景的研究中，學(xué)生自始至終是在與視頻等資源進行互動，教師的地位已被學(xué)習(xí)資源所削弱，教學(xué)過程的復(fù)雜性愈發(fā)突出。上述研究取向在某種程度上是源自西方教育研究范式中“關(guān)注學(xué)勝于關(guān)注教”的傳統(tǒng)，也是因為學(xué)生的在線學(xué)習(xí)行為數(shù)據(jù)更易于收集和監(jiān)測。而在大量非在線的教學(xué)情境中，教師的“教”是不可或缺的部分，教學(xué)過程是教師的“教”、學(xué)生的“學(xué)”以及教學(xué)環(huán)境等共同構(gòu)成的有機整體。因此，計算教育學(xué)研究應(yīng)立足于教育的真實情境和過程，把握“教的過程符合、適應(yīng)于學(xué)的過程”的內(nèi)在邏輯，在利用信息技術(shù)揭示學(xué)習(xí)規(guī)律和認知過程的同時，能進一步對“教”的效果進行量度?！敖獭钡娜蝿?wù)是否完成，“教”的目的是否達到，教師的教學(xué)是否有效，最終都要落在“學(xué)”的終態(tài)上。研究者只有深刻認識到教與學(xué)的依存關(guān)系，計算教育學(xué)研究才能突破學(xué)的單一視角，突破在線學(xué)習(xí)的單一情境，在更廣泛、更普遍、更真實的教學(xué)情境中發(fā)揮出更大的價值。

2.由單一認知過程到雙向互動機制

承接前文對教學(xué)過程的討論，正是因為計算教育學(xué)對“教”的研究不足，導(dǎo)致了在教學(xué)互動研究上的缺失，甚至不少研究用“人機互動”來代替 “師生互動”，這在很大程度上限制了研究成果的推廣。朱永新認為關(guān)注鮮活的教育生命才是教育科研的走向，而其關(guān)鍵之一就是關(guān)注教室里發(fā)生的事情（顧明遠等，2009）。隨著在線學(xué)習(xí)的發(fā)展，縱使教師地位在今天似有弱化的趨勢，但不可否認的是，在可預(yù)見的將來，正規(guī)教育仍將以課堂教學(xué)作為主要形式。因此，面對課堂教學(xué)復(fù)雜多變的教學(xué)過程，應(yīng)當(dāng)將教師與學(xué)生同時作為核心對象，將師生互動作為分析課堂教學(xué)的重要突破口。如若脫離了人與人的關(guān)系而只針對人與物的關(guān)系，僅就學(xué)習(xí)進行的研究也就背離了教學(xué)的本質(zhì)。雖然此類研究所取得成果具有一定的借鑒價值，但師生間的互動不僅可以從學(xué)生的認知過程這一微觀視角去解讀，還應(yīng)當(dāng)基于社會和文化的立場，就人際交互中的社會知覺、情意感染、行為適應(yīng)與調(diào)節(jié)乃至價值涵化與認同等方面進行探究（裴娣娜，2007）。一旦深入到“互動”層面，就意味著研究會涉及到教師、學(xué)生等多個主體，且由于教學(xué)和學(xué)習(xí)具有復(fù)雜的非線性關(guān)系，因而難以通過傳統(tǒng)的統(tǒng)計模型（如回歸分析）進行建模（Crooks et al.，2012）。由于構(gòu)建獨立的教學(xué)模型具有相當(dāng)?shù)膹?fù)雜性，研究人員往往難以將教與學(xué)的相互作用整合為單個系統(tǒng)，這是教學(xué)研究中難啃的硬骨頭，也注定是計算教育學(xué)面臨的復(fù)雜問題。因此，國內(nèi)外研究者應(yīng)當(dāng)從單一的學(xué)生視角中解放出來，把在學(xué)生認知過程模擬中獲得的研究成果作為優(yōu)化教學(xué)和設(shè)計教學(xué)的依據(jù)。具體而言，可以從以下幾個方面入手：一是從“怎樣更好地學(xué)”出發(fā)，觀照“如何更好地教”;二是從學(xué)生認知的微觀過程出發(fā)，探索師生互動的機制;三是從提升計算機的模擬水平出發(fā)，解答教學(xué)研究中更為復(fù)雜且更具不確定性的問題;四是從單一的研究對象出發(fā)，逐步深入探討以師生互動為基礎(chǔ)的課堂生態(tài)。

3.由勤于技術(shù)突破到回歸教育本質(zhì)

計算教育學(xué)自其出現(xiàn)便受到學(xué)界的廣泛關(guān)注。從研究案例中不難看出，西方計算教育學(xué)的研究成果是服務(wù)于教育的，這有賴于其研究者的知識結(jié)構(gòu)。西方最早開展計算教育學(xué)研究的是具有較高技術(shù)水平的教育學(xué)者，其研究是在用技術(shù)的“內(nèi)核”解決教育問題。例如，蘭姆利用計算機模擬學(xué)生認知過程的研究，其最終提供的是一種檢驗教育理論的方法。類似成果最大的貢獻不在于算法或教育產(chǎn)品本身，而是解決了教學(xué)中真實存在的問題，并為教育理論的建構(gòu)和完善提供支持。而我國的計算教育學(xué)研究的先行者普遍具有計算機科學(xué)背景，因此多將教育問題作為研究的情景，其對技術(shù)改進的興趣遠比對教育問題的興趣要濃厚。這便回歸到一個基本問題，計算教育學(xué)是以技術(shù)本身的突破為最終成果，還是以揭示教育規(guī)律、優(yōu)化教學(xué)過程為最終成果？該問題從根本上決定著計算教育學(xué)研究的發(fā)展路徑。從教育技術(shù)哲學(xué)的角度講，計算教育學(xué)研究的對象是教育活動，而教育活動是教育的主體性活動，技術(shù)的屬性、結(jié)構(gòu)、功能和規(guī)律等因素作用于教育，使教育發(fā)生變化并轉(zhuǎn)化為教育的本質(zhì)力量（顏士剛，2010）。這也就意味著技術(shù)有能力改變教育內(nèi)在的、根本的屬性（目的、方式、功能等），但這并非是對主客體關(guān)系的徹底顛覆。從教育目的的角度講，教育目的反映了一定社會培養(yǎng)人的總要求，有多少教育價值取向就有多少關(guān)于教育目的的取向（陳桂生，2012）。關(guān)于此問題的討論層出不窮，最終都落腳于對人的一般教養(yǎng)規(guī)格和社會角色教養(yǎng)規(guī)格的爭論，其中的關(guān)鍵詞正是“人”。所以不論從哪個角度來探討技術(shù)與教育的關(guān)系，都再一次證明，教育問題才是計算教育學(xué)的根本，而教育則是它的靈魂。如果把計算教育學(xué)比喻為一幅畫，那么技術(shù)便是作畫的工具，教育卻不是畫布而是畫的內(nèi)容，技術(shù)的繁榮必然要回歸教育的本質(zhì)和規(guī)律。

4.由借鑒國際經(jīng)驗到融合本土特色

國際上成熟的計算教育學(xué)研究案例為我們帶來了諸多啟示，具有極強的指導(dǎo)和借鑒意義。在處理本土研究與國際經(jīng)驗間關(guān)系的問題上，顧明遠先生既反對“西方中心主義”，也不贊成“東方中心主義”，認為只有結(jié)合中國國情，走自己的路，才能真正實現(xiàn)中國教育科學(xué)的現(xiàn)代化（顧明遠等，2009）?；诖耍覀円鞔_認識到國內(nèi)外計算教育學(xué)研究存在的根本差異。這種差異主要源于研究者具有不同的知識結(jié)構(gòu)和學(xué)科背景，其也為新興交叉領(lǐng)域的生長提供了不同質(zhì)地的“土壤”。此外，由于研究范式和研究傳統(tǒng)上的差異，中外計算教育學(xué)研究必然呈現(xiàn)不同的取向和特色，而我國應(yīng)當(dāng)立足于國情和教育傳統(tǒng)來發(fā)展計算教育學(xué)。相較而言，西方教育研究具有深厚的實證研究根基，西方教育研究者對數(shù)據(jù)的敏感和對量化的熱情使其更能適應(yīng)基于數(shù)據(jù)的研究范式。而我國教育研究者長于思辨，這是提倡“窮理悟性”的一種根深蒂固的思維方式，因此，計算機科學(xué)領(lǐng)域的研究者成為了計算教育學(xué)在中國的“先驅(qū)”。計算教育學(xué)在我國的推廣是以信息技術(shù)進步、教育產(chǎn)品更新為驅(qū)動的，研究集中于對技術(shù)的探討;而其在西方的研究雖亦是基于技術(shù)，但本質(zhì)上是將技術(shù)作為解決教育問題的手段，使其服務(wù)于教學(xué)。我國也需要讓計算教育學(xué)回歸教育的本質(zhì)，而目前最有效的方式就是開展跨學(xué)科合作，讓不同學(xué)科背景的學(xué)者同儕攜手，將計算機科學(xué)與教育科學(xué)中的理論和方法結(jié)合起來，基于數(shù)據(jù)科學(xué)解決教育中存在的瓶頸問題。此外，我們要在借鑒西方教育研究之長的同時發(fā)揮我國學(xué)者的優(yōu)勢，探索出一條與我國的教育研究傳統(tǒng)相契合，與我國研究者的專業(yè)結(jié)構(gòu)相適配的具有中國本土特色的計算教育學(xué)研究之路。

參考文獻：

[1]陳桂生（2012）.教育原理（第三版）[M].上海：華東師范大學(xué)出版社：178-192.

[2]顧明遠，葉瀾，鐘秉林等（2009）.教育研究的時代使命——“新形勢下教育研究創(chuàng)新發(fā)展學(xué)術(shù)研討會暨《教育研究》雜志創(chuàng)刊30周年紀(jì)念座談會”發(fā)言摘要[J].教育研究，30（5）：17-27.

[3]黃榮懷，周偉，杜靜等（2019）.面向智能教育的三個基本計算問題[J].開放教育研究，25（5）：11-22.

[4]李政濤，文娟（2019）.計算教育學(xué)：是否可能，如何可能？[J].遠程教育雜志，37（6）：12-18.

[5]陸根書，劉萍，陳晨等（2016）.中外教育研究方法比較——基于國內(nèi)外九種教育研究期刊的實證分析[J].高等教育研究，37（10）：55-65.

[6]裴娣娜（2007）.教學(xué)論[M].北京：教育科學(xué)出版社：131.

[7]隋明爽，崔雷（2016）.基于SPSS的共現(xiàn)聚類分析參數(shù)選擇的實例研究[J].中華醫(yī)學(xué)圖書情報雜志，25（1）：52-56.

[8]孫仕亮（2015）.計算教育學(xué)與十大研究主題[J].中國人工智能學(xué)會通訊，5（9）：15-16.

[9]王凌燕，方曙，季培培（2011）.利用專利文獻識別新興技術(shù)主題的技術(shù)框架研究[J].圖書情報工作，55（18）：74-78，23.

[10]許新華（2019）.計算教育學(xué)——一門新興的交叉融合新學(xué)科[J].湖北師范大學(xué)學(xué)報（哲學(xué)社會科學(xué)版），39（5）：101-106.

[11]顏士剛（2010）.技術(shù)的教育價值論[M].北京：教育科學(xué)出版社：69-71.

[12]姚計海（2017）.教育實證研究方法的范式問題與反思[J].華東師范大學(xué)學(xué)報（教育科學(xué)版）， 35（3）： 64-71，169-170.

[13]葉瀾，陳桂生，瞿葆奎（1989）.向著科學(xué)化的目標(biāo)前進——試述近十年我國教育研究方法的演進[J].中國教育學(xué)刊，（3）：2-6.

[14]余勝泉，徐劉杰（2019）.大數(shù)據(jù)時代的教育計算實驗研究[J].電化教育研究，? 40（1）：17-24.

[15]Alvarado， R.， & Humphreys， P. （2017）. Big Data， Thick Mediation， and Representational Opacity[J]. New Literacy History， 48（4）：729-749.

[16]Arpaci， I. （2019）. A Hybrid Modeling Approach for Predicting the Educational Use of Mobile Cloud Computing Services in Higher Education[J]. Computers in Human Behavior， 90：181-187.

[17]Cioffi-Revilla， C. （2017）. Introduction to Computational Social Science[M]. Berlin： Springer International Publishing.

[18]Crooks， A. T.， & Heppenstall， A. J. （2012）. Introduction to Agent-Based Modelling[M]// Heppenstall， A.， Crooks， A.， & See， L. et al. （Eds.） （2012）. Agent-Based Models of Geographical Systems. Dordrecht： Springer：85-105.

[19]Cutumisu， M.， & Guo， Q. （2019）. Using Topic Modeling to Extract Pre-Service Teachers Understandings of Computational Thinking from Their Coding Reflections[J]. IEEE Transactions on Education， 62（4）：325-332.

[20]George， D. R.， Dellasega， C.， & Whitehead， M. M. et al. （2013）. Facebook-Based Stress Management Resources for First-Year Medical Students： A Multi-Method Evaluation[J].Computers in Human Behavior， 29（3）：559-562.

[21]Hoffman， J. （2013）. E-Learning Based Preparation for Educational Activities Outside of School[C]// Proceedings of the 12th European Conference on E-Learning. London， England： ECEL：590-597.

[22]Kirwan， J. （2014）. An Investigation of Big Five and Narrow Personality Traits in Relation to Learner Self-Direction in Undergraduate Students[J]. Journal of Curriculum & Teaching， 3（1）：74-80.

[23]Lamb， R. L. （2016）. Examination of the Effects of Dimensionality on Cognitive Processing in Science： A Computational Modeling Experiment Comparing Online Laboratory Simulations and Serious Educational Games[J]. Journal of Science Education and Technology， 25（1）：1-15.

[24]Lamb， R. L.， & Firestone， J. B. （2017）. The Application of Multiobjective Evolutionary Algorithms to an Educational Computational Model of Science Information Processing： A Computational Experiment in Science Education[J]. International Journal of Science and Mathematics， 15（3）：473-486.

[25]Lamb， R. L.， Vallett， D. B.， & Akmal， T. et al. （2014）. A Computational Modeling of Student Cognitive Processes in Science Education[J]. Computers & Education， 79：116-125.

[26]Pavlicek， J.， ?vec， V.， & Tichá， I. et al. （2014）. Business Games Powered by Artificial Intelligence in Education[J]. The Journal of Erie Studies， 3：436-443.

[27]Van den Beemt， A.， Buys， J.， & Van der Aalst， W. （2018）. Analysing Structured Learning Behaviour in Massive Open Online Courses （MOOCs）： An Approach Based on Process Mining and Clustering[J]. International Review of Research in Open and Distributed Learning， 19（5）：37-60.

[28]Wei， P.， & Li， L. （2019）. Online Education Recommendation Model Based on User Behavior Data Analysis[J]. Journal of Intelligent & Fuzzy Systems， 37（4）：4725-4733.

[29]Xing， W.， Popov， V.， & Zhu， G. et al. （2019）. The Effects of Transformative and Non-Transformative Discourse on Individual Performance in Collaborative-Inquiry Learning[J]. Computers in Human Behavior， 98：267-276.

[30]Xu， X.， Wang， J.， & Peng， H. et al. （2019）. Prediction of Academic Performance Associated with Internet Usage Behaviors Using Machine Learning Algorithms[J]. Computers in Human Behavior， 98：166-173.

[31]Zaidi， N. R.， Wajid， R. A.， & Zaidi， F. B. et al. （2013）. The Big Five Personality Traits and Their Relationship with Work Engagement Among Public Sector University Teachers of Lahore[J]. African Journal of Business Management， 7（15）：1344-1353.

[32]Zhang， S.， & Liu， Q. （2019）. Investigating the Relationships Among Teachers Motivational Beliefs， Motivational Regulation， and Their Learning Engagement in Online Professional Learning Communities[J]. Computers & Education， 134：145-155.

收稿日期 2019-12-21責(zé)任編輯 譚明杰