循證教學評價視角下混合學習投入評價研究

尹睿 何淑茵

[摘 ? 要] 在“互聯網+教育”時代，混合學習是高等教育的主流教學形態，學習投入是衡量混合學習質量的重要指標。循證教學評價關注全過程教學證據的多源采集，強調對教學過程及其成效做出多維評估與測量，為混合學習投入評價提供新思路。文章借鑒循證教學評價的思路，結合混合學習線上線下融合的特點，從“學習活動—學習投入—學習數據”的對應關系，建立起混合學習投入評價的多源數據表征模型；從行為、認知、情感與社交四個層面確立了混合學習投入評價的多源數據融合方法；進而提出了基于多源數據的混合學習投入評價過程，包含數據采集、數據關聯、數據融合、解釋與決策四個階段。通過實證研究發現，在混合學習課程中，來自在線教學平臺日志、課堂教學錄像、學習表現與成效等多源數據能較為準確測評學生混合學習投入類型與表現，并對混合學習投入狀態有著良好預測。

[關鍵詞] 循證教學評價； 混合學習投入； 多源數據

[中圖分類號] G434 ? ? ? ? ? ?[文獻標志碼] A

[作者簡介] 尹睿（1979—），女，廣東惠州人。副教授，博士，主要從事教學系統設計、課程與教學論、教師專業發展等研究。E-mail： littleyin79@163.com。

一、引 ? 言

“互聯網+教育”背景下，混合學習正在成為高校課程教學的“新常態”[1]?；旌蠈W習是通過有機統整在線學習和面授教學的優勢，為學習者提供靈活的學習時間和空間，有效提高學習者學習效能的一種新的教學形態。加里森（Garrison，D.R.）等人指出，讓學習者有更多學習投入是混合學習的核心?；旌蠈W習在本質上是以提高學習投入水平為重要目標的教學重構過程[2]。然而，目前關于混合學習投入的研究多集中在面對面與在線教學環境下影響因素的探查，比如，技術支持[3]、教師教學行為[4]、學習者學習經驗與自我效能感[5]等，有關混合學習投入評價研究相對甚少，且混合學習的跨時空特性及學習投入結構的多維性，更是加大了這類研究的難度。

隨著信息科技的發展，教育數據的重要性逐步顯現?？鐣r空、跨模態數據為評價的全過程提供證據，其匯聚與融合實現了對投入的客觀理解與深刻洞察。這與循證教學評價（Evidence-based Evaluation）的思想一致。循證教學評價是循證教育的分支，它是以教學評價理論、數據科學技術、教學分析方法為基礎，以全教學數據鏈為抓手，對教學的整個過程及其成效進行多維評估與測量的一種方法[6]?；诖?，本研究采用多種方式和手段追蹤學習者的混合學習過程，采集和挖掘學習者在混合學習環境中多種來源的數據，將數據轉化為評價學生混合學習投入水平的證據。那么，如何從多源異構數據中評價混合學習投入，本研究嘗試對這一問題進行深入分析，以期為高?；旌辖虒W質量評價提供實踐借鑒。

二、混合學習投入評價相關研究概述

（一）混合學習投入測量的研究

測量是指通過某種合適的工具或者儀器（Instrument）確定客體（Object）在某種屬性（Attribute）上的量（Magnitude）的過程[7]。學習投入的測量方式一般包括定量自我報告法（調查問卷或量表等）、定量觀察法（行為發生的頻率或頻率的分數）、定性方法（訪談、開放性問題、話語分析或觀察等）、其他（生理傳感器等）[8]。

由于學習投入是一個多結構的概念，各投入維度的測量方式不盡相同。在行為投入上，研究者多采集在線學習平臺的日志記錄數據[9]、視頻監控/拍攝學習過程數據[10]、自我報告數據等，用統計分析、內容分析等方法，再輔以滯后序列分析、關聯規則、相關分析等數據挖掘方法得到行為投入值。在認知投入上，研究者通過內容分析法對學習者的課程作業、討論文本等進行分析，判斷學習者的認知層次[11]。在情感投入上，研究者以自我報告的方法測量學習者對混合學習的態度、情感體驗以及團隊認同感。在社交投入上，研究者基本通過社會網絡分析法探究學生個體在群體中的位置和親密度[12]。

隨著人工智能技術、傳感技術與影像技術的發展，融合多源數據測評學習投入已成為發展趨勢。如，張琪等運用學習者瞬時行為數據、內容交互數據、情境交互數據等表征學習投入[13]。當前，有研究揭示學習投入應關注數據取樣的縱向密集性，強調數據應通過經驗取樣法密集縱向收集多個時間點的數據，以減少橫斷面（Cross-sectional）數據滯后效應帶來結論偏差 [14]。如，吳軍其等基于學習過程的角度，運用視頻、音頻、日志、生理和自我報告等數據測量智慧課堂協作學習投入[15]。上述學者對學習投入的測量方式，為混合學習投入測量提供了思路。但是，運用多源數據融合對混合學習投入進行測量的案例和實踐研究較少。

（二）混合學習投入評價模型的研究

學習評價是依據明確的目標，按照一定標準采用科學方法，測量對象的功能、品質和屬性，并對評價對象做出的價值性判斷。隨著多源數據的采集與綜合分析的作用凸顯，不少研究者聚焦數據角度提出學習評價的過程模型。例如，黃濤等人提出了“數據驅動的精準化學習評價”，包括多場景數據采集、多空間數據融合、精準分析模型構建和分析結果可視化四個部分 [16]。毛剛等人提出融合教育大數據的教學評價框架，包括目標列表化、智能技術聯結學習進程、根據成功標準建立證據類型、確定獲取證據的方法、建立模型解釋證據、可視化反饋和行動七個環節[17]。張家華等人提出了多模態學習分析技術支持的學習評價流程，包括確立目標、獲取數據、建立模型、提供反饋四個動態循環的環節[18]。

然而，綜觀已有學習評價的研究，專門針對混合學習投入評價的研究相對較少。只有少數研究將學習投入納入混合學習學業評價模型中。如，王慧君等人將學習投入作為混合學習學業評價的證據之一，提出基于證據的高?；旌蠈W習課程學業評價模型，包括識別證據、創設證據、采集證據、鑒定證據、分析證據、解釋證據和使用證據七大步驟[19]。

三、混合學習投入評價的多源數據表征

混合學習是一個復雜的過程，學習者在線上線下融合的學習過程中的行為、認知、情感、社交等方面的表現會隨著學習情境不斷發生變化。因此，對線上線下融合的學習情境中的數據進行全樣本分析，有助于解釋學習者的學習投入狀態與特征。然而，線上線下數據并非簡單的疊加，需要基于教學活動序列特征進行關聯重組，形成具有教學意義的數據閉環?；诖?，本研究采用“學習活動—學習投入—學習數據”的三層結構表征模型（如圖1所示），建立起多源數據與混合學習投入評價的關系映射，即不同類型的學習活動反映不同的混合學習投入，并由不同采集技術獲得的不同類型的數據加以表征。

（一）混合學習活動層

從歷時態角度看，混合學習活動大致可分為四種類型：自主學習型、自由交流型、小組協作型、自我反思型。自主學習型，即學習者圍繞學習目標與任務，借助在線課程平臺、網絡學習空間、認知工具等進行自主建構的活動。自由交流型，即學習者與教師或其他學習者個體之間通過面對面或者利用討論區、QQ、騰訊會議、移動學習工具等進行個別化交互的活動。小組協作型，即學習者以小組形式圍繞問題、主題或項目進行協商論證、生成制品的活動。自我反思型，即學習者對自身的學習過程、方法、收獲與不足等做出檢視與調節。不同類型活動有著不同操作流程，見表1。

（二）混合學習投入層

弗雷德里克斯（Fredricks，J.A.）等人將學習投入分為三個既獨立又相互關聯的維度：行為投入（Behavioral Engagement）、認知投入（Cognitive Engagement）和情感投入（Emotional Engagement）[20] 。由于混合學習強調通過師生之間的社會性交互促進面授教學與在線學習的優勢整合，重視學習者建立學習共同體來深度建構知識，所以，師生之間、生生之間的線上與線下融合互動是混合學習的重要組成部分?？梢?，除了行為投入、認知投入與情感投入外，社交投入也是混合學習投入的關鍵維度。

行為投入是指學習者在學習活動中的主動參與或物理卷入，其水平主要表現為：（1）完成度，即學習者按時按質完成課堂和在線學習任務的堅持程度與付出時間；（2）積極性，即學習者對課堂以及在線學習任務的響應時間與努力程度。

認知投入指學習者在面授教學和在線學習環境中完成學習任務的智力努力程度。其投入水平主要表現為：（1）認知深度，即學習者對學習任務的加工處理程度。朱（Zhu，E.）依據布盧姆的認知目標分類，從認知過程由淺到深的角度，提出了認知投入分析七個層次，包括無效、回應（Responding）、信息（Information）、解釋（Explanatory）、分析（Analytical）、綜合（Synthesizing）和評價（Evalulative）[21]。（2）認知廣度，即學習者在完成學習任務中采用學習策略將新知識與已掌握知識、線上知識與面授知識建立聯系的緊密程度。

情感投入關注學習者對自我學習效能感、對環境的歸屬感以及對學術活動的情感體驗[22]。其水平主要表現為：（1）自我效能感，即學習者對完成混合學習任務勝任力的自我判斷。（2）歸屬感，指學習者對自己在班級或者線上社群中的身份認同、人際情感依戀、主人翁意識等。（3）情緒狀態，是學習者對混合學習的情緒反應，如熱情、愉悅、享受的積極情緒或者厭煩、焦慮、無聊的消極情緒。

社交投入是學習者為促進信息動態流動，有意識地與他人進行意義協商與協同創造所付出的努力。其水平主要表現為（1）交互深度，即學習者對他人提出問題、發表言論做出回應的貢獻度。本研究借鑒古納沃德納（Gunawardena，C.N.）提出的社會交互分析五層次，分別為P1代表與他人分享、比較信息；P2代表發現與探索與他人觀點、概念或聲明等方面的不同；P3代表與他人進行意義協商，共同構建知識；P4代表檢驗和修改他人提供的意見；P5代表一致性陳述/應用新知識結構的意義[23]。（2）交互廣度，即學習者主動與教師或者學習伙伴建立和維持聯系的程度，包括在課堂上與同伴進行面對面討論的次數、對教師提問的回答次數、在線上回復或點贊帖子的次數、主動向學習伙伴分享經驗的次數等。

（三）混合學習數據層

循證教學評價注重對教學證據的多源采集，教學證據是對教與學過程和結果信息的集合。通過融合多個來源的證據，共同表征某一類學習指標，以客觀準確地評估學習者的學習狀態?；旌蠈W習的行為投入、認知投入、情感投入和社交投入可以通過教學平臺日志數據、課堂錄像數據、學生表現與成效數據等作為教學證據。利用教學平臺日志數據，可以記錄學習者在線學習活動印記。例如，學習時長、學習頻率、作業提交時間等可用于表征行為投入；過程作業、反思日志等可用于表征認知投入；發帖內容、發帖次數等可用于表征社交投入。利用課堂錄像數據，可以捕捉學習者的課堂學習活動表現。例如，舉手次數可以表征行為投入；回答問題的言語內容可以表征認知投入。利用學生表現與成效數據，可以提取學習者的學習狀態與結果。例如，情感自我報告可以表征情感投入。

四、混合學習投入評價的多源數據融合

循證教學評價強調利用多源數據互補、互證、互融的特點解釋教學全過程。由于學習投入結構的多維性和混合學習活動組織的靈活性，不同活動中不同維度的量綱以及所占權重存在差異，需要首先通過標準化方法對量化后的數據進行處理，以消除量綱的影響，保證分析結果在數據比較上的一致性問題；然后借助客觀賦權法實現權重的自動賦值，以反映數據本身的特性，減少主觀因素的影響；最后通過線性加權法實現二級維度的融合。

（一）行為投入的數據融合

如前述，行為投入水平由完成度與積極性加以表示。完成度Fn可分解為“是否有學習行為f1n”和“學習行為的發生時長f2n”兩個指標。f1n可通過兩種方式確定：對于有明顯學習結果輸出的（如在平臺上回答問題）直接記為有效，輸出1；對于無明顯學習結果輸出的（如視頻觀看等），則通過行為完成時間tne與行為開始時間tns做差并與理論完成時間δn對比可得，即 ?。f2n表示為行為完成時間tne與行為開始時間tns的差。

積極性An可分解為“及時學習水平a1n”“主動提問次數a2n”“主動回答次數a3n”“拓展資源訪問次數a4n”和“測驗次數a5n”五個指標。其中，a1n可以通過學習者行為完成時間tne與任務發布時間tnp做差并設置閾值φ所得[24]，即φ。

（二）認知投入的數據融合

如前述，認知投入水平由認知深度與認識廣度加以表示。認知深度Dn由“認知深度層次d1n”指標表示，采用朱（Zhu，E.）提出的認知投入分析框架，將學習者發表的內容按照語義單元切割后編碼為無效、回應、信息、解釋、分析、綜合和評價，分別賦值0、1、2、3、4、5、6，取最大值作為d1n的值。認知廣度Rn由“領域關鍵詞數量r1n”指標表示，關鍵詞由學科專業名詞和主題相關術語共同確定。

（三）情感投入的數據融合

如前述，情感投入水平由自我效能感、歸屬感與情緒狀態加以表示。自我效能感En、歸屬感Cn通過自我報告的方式獲得，可由“自我效能感平均得分e1n”和“歸屬感平均得分c1n”指標表示。而情緒狀態Mn可由“情緒狀態平均得分m1n”和“積極與消極情緒次數m2n”兩個指標表示。m1n數據來源于自我報告，可以表示為積極情緒（記為+1）與消極情緒（記為-1）的加權值。m2n數據來源于傳感器或視頻攝錄，可以表示為出現的積極情緒（記為+1）次數與消極情緒（記為-1）次數總和。

（四）社交投入的數據融合

如前述，社交投入水平由交互深度與交互廣度加以表示。交互深度Qn由“交互內容層次q1n”指標表示，采用古納沃德納（Gunawardena，C.N.）的社會交互分析五層次結構，將具有交互性質的帖子或發言轉換為結構化數據，即按照知識建構程度將內容編碼為1、2、3、4、5，取最大值作為q1n的值。交互廣度Bn由“與人交互次數b1n”指標表示。

五、基于多源數據的混合學習投入評價流程

循證教學評價呈現出“數據驅動”的特點，形成數據采集、特征選擇、數據關聯、數據融合、態勢估計、反饋決策的評價流程。該流程以多源數據采集為出發點，通過數據充足、數據歸并、數據建模對教學評測的各項數據進行系統化分析，進而形成多維教學評測結果，為教師提供有效反饋與精準決策[6]?；诖?，本研究提出了基于多源數據的混合學習投入評價流程（如圖2所示）。

（一）數據采集階段

在數據采集階段，結合混合學習的線上線下融合特點，主要采集教學平臺日志、課堂教學錄像、學生表現與成效等數據。為了保證評價的全面性與精確性，需要采集全體數據，而不是抽樣數據。因此，教師在設計與組織混合學習活動時，應建立起全流程采集數據的意識，在線上與線下學習活動中留存學習投入證據，使學習投入證據數字化，為后續學習投入的多維評價提供數據支撐。

（二）數據關聯階段

在數據關聯階段，首先，對存在噪聲的原始數據進行清洗，排除缺失值、異常值、重復數據等對評價的影響；其次，通過數據標注、統計處理和標準化等方式將非結構化數據轉為結構化數據、實現數據的初步聚合、解決量綱不一的問題；再次，將初步處理后的數據以學習活動組織時間段為單位進行對齊，使數據具備情境化、軌跡化與序列化；最后，按照混合學習行為投入、認知投入、情感投入與社交投入的特征實現數據與投入的多對一表征或一對多表征，形成混合學習投入證據集。

（三）數據融合階段

在數據融合階段，將多種線上數據與線下數據在空間、時間上的冗余與互補的信息聯合、相關和組合，以形成對混合學習投入一致性解釋與描述。通常而言，有數據層融合、特征層融合和決策層融合。數據層融合是針對某個混合學習活動的不同來源數據，采用基于自適應加權、基于相關函數的方法等實現數據融合。特征層融合是聚焦混合學習活動序列中不同來源數據，對其特征進行提取并采用機器學習算法實現數據融合。決策層融合是從混合學習的全場域全流程角度對不同來源數據進行一系列處理（包括預處理、特征提取、識別或判決等）后，先形成多個數據模型，再對模型進行組合完成數據融合。

（四）解釋與決策階段

在解釋與決策階段，針對數據融合階段做出的數據關聯，給予客觀解釋與態勢預測，進而做出教學決策。在解釋數據前，需要對前期數據的采集、處理與分析過程進行審視和分析，避免因失誤對后續評價結果帶來偏差。審視時需要考慮：是否將現有的數據采集途徑很好地融合到學習活動中、采集數據時呈現的數據格式等是否存在問題、是否已經利用了已有的全部數據、是否將證據集中的所有數據納入評價中。在教學決策前，需要分析數據結果的原因，以便準確提出促進學習投入水平的策略。

六、基于多源數據的混合學習投入評價實踐

本研究選取H大學的“技術促進學習的前沿創新”混合學習課程進行實踐，按照基于多源數據的混合學習投入評價流程，參照混合學習投入評價的多源數據表征進行數據采集、關聯、融合與決策。該課程的混合學習流程包括四個教學環節：提供支架、知識建構；深度交互、強化理解；實踐體驗、知識應用；評價反饋、總結提升。自主學習型、自由交流型、小組協作型、自我反思型等線上線下學習活動貫穿在四個教學環節中。

（一）數據采集

本研究利用中國大學SPOC平臺、慕課堂采集學生在教學平臺參與線上活動的日志數據；利用攝像機采集學生在課堂參與線下活動的錄像數據；利用騰訊文檔、接龍管家小程序、問卷星等方式采集學生的線上線下的學習表現與成效數據，包括情感投入調查問卷、設計作品、思維導圖等人工制品。其中，情感投入調查問卷主要參考李維的自我效能感量表[25]、張盈霄的歸屬感量表[26]和韓彥鳳的情緒狀態量表[27]?；顒优c數據對應關系如圖3所示。

（二）數據關聯

首先，進行數據預處理。針對缺失值，一方面，對參與活動次數少于總活動次數40%的樣本進行處理，在分析數據時將其暫時剔除，最終剩余66個樣本。另一方面對樣本中仍存在的缺失值賦予0值或以序列均值插補的方式處理。針對異常值，即未參與到學習活動中但是卻填寫了情感投入調查問卷的樣本，以序列均值插補的方式處理。其次，進行數據轉換。針對非結構化數據，在Nvivo中按照認知投入分析框架對文本數據進行編碼、用Python自然語言處理庫統計文本數據中的關鍵詞數量；將時間格式數據等不滿足分析要求的數據按照公式進行轉換；將所有數據轉化為無量綱的純數值。本研究以Min-Max標準化方法對數據進行處理，即X=，然后進行數據對齊與保存。數據對齊與特征關聯是保證數據價值挖掘的重要步驟。本研究按照“環節—活動—投入”的邏輯將數據進行對齊與保存（如圖4所示），形成混合學習投入證據集。

（三）數據融合

混合學習環境的靈活性特征使得不同情境下采集的數據類型及提取的特征存在較大差異，而這些特征所反映的投入概念與內涵卻是不變的。因此，在進一步分析數據前，應對證據集中的數據做特征融合，得到不同活動的不同維度的混合學習投入水平。首先，確定每個特征的權重系數。教育環境下的特征并非固定的，會跟隨情境變動。因此，采用客觀賦權法方式對其進行融合。其中，變異系數法是該類方法中能夠反映指標數據的變化信息的一種方法，表示為標準差和均值的商。指標權重系數表示為w=，其中σj為該指標的變異系數，變異系數越大指標權重越大，變異系數越小指標權重越小。然后采用線性加權法得到不同維度的投入值。其次，采用K-Means算法對樣本進行聚類分析，得到不同樣本的分類標簽。通過遍歷簇數并計算輪廓系數的值，確定樣本的最佳分類簇數k為3，此時的輪廓系數值為0.32。

（四）解釋與決策

1. 混合學習投入總體情況

通過對學生混合學習投入進行描述性統計分析發現（見表2），學生各投入維度的平均值按照從大到小排列為：行為投入>情感投入>認知投入＞社交投入，說明混合行為投入處于較高水平，混合認知投入和混合情感投入處于中等偏下水平，混合社交投入處于較低水平。其中，在行為投入上，完成度明顯高于積極性；在情感投入上，自我效能感高于歸屬感與情緒狀態；在認知投入上，認知深度略高于認知廣度；在社交投入上，交互深度與交互廣度十分接近。

2. 學生混合學習投入類型與表現

從聚類分析結果來看，參考施密特（Schmidt，J.A）等人對大學生學習投入類型的劃分[28]，根據圖5呈現的不同維度特征關系圖，參與本次混合學習課程的學習者大致可以分為三種類型：低投入型學習者、愉悅但中等投入型學習者和勉強但理性投入型學習者，這三類學習者分別占比為24%、32%和44%。低投入型學習者四個維度均處于較低水平，這類學生往往不夠重視課程，學習任務完成較為敷衍，甚至忘記完成學習任務，在教學時應通過小組互助的方式調動其積極性；愉悅但中等投入型學習者的情感水平較高，其他維度投入處于中等水平，這類學生容易在情感投入的情況下，基于已有的知識經驗付出較少努力來應付課程，在教學時應通過明確學習任務與其自身成就的相關性等方式，調動其對學習任務價值的認同感；勉強但理性投入型學習者的情感投入水平較低，但其他維度投入卻處于較高水平，這類學生往往受到“績點”的外部動機驅使而不得不高質量完成學習任務，在教學時應考慮增加教學趣味性以改善教學氛圍。

為了進一步了解不同類型學習者看待問題時的認知深度是否存在差異，本研究采用認知網絡分析法進行探究。結果表明：（1）不同類型學習者認知網絡質心處于Y軸左、中、右三個位置，有顯著差異性，說明三類學習者的認知深度差別較大；（2）從圖6的疊減圖可知，低投入型學習者相比愉悅但中等投入型學習者，回答問題時更容易采用簡單回應或提供信息的方式，愉悅但中等投入型學習者相比勉強但理性投入型學習者同樣如此，而勉強但理性投入型學習者在回答問題時更傾向于采用綜合多角度觀點和批判性評價的方式。由此，在教學時可以考慮采用階梯式問題，再輔以進階式支架，幫助學生建立起線上線下知識聯結、已有知識與新知識聯結，引導學生對問題的思考逐步深入。

此外，本研究還利用社會網絡分析法探究了班級整體的社會網絡分布，以及不同類型學習者的社會關系情況。結果表明：（1）網絡密度為0.125，學生之間均有次數不等的交互，但交互緊密程度一般；（2）對子群及其內部成員之間的關系特點進行分析，共得到27個小團體，團體成員3個以上僅占26%，說明學生間只有極小部分形成了牢固的共同體關系。究其原因，一方面是由于本研究實踐的課程是一門全校性公選課，學生均來自不同學院，其學習背景、經歷以及熟悉程度等存在較大差異，從而導致相互之間合作粘性不夠；另一方面是因為學生對混合學習活動接觸不多，對合作互動的技能把握相對欠缺。（3）由圖7的可視化網絡圖可知，低投入型學習者主要分布在網絡外圍，幾乎不參與到互動中，而其余兩種類型學習者則主要分布在網絡核心區域，從連線深度可以看出這兩類學員間的交互頻次較多。

通過分析每個維度的投入水平與班級投入水平的差異，再聚焦到學習活動中查悉原因，并給出建設性指導建議，進而呈現學生混合學習投入報告。

3. 學生混合學習投入預測

本研究采用基于Bagging方法的隨機森林模型進行建模，將行為投入、認知投入、情感投入和社交投入作為隨機森林模型的輸入，聚類結果作為輸出，并將樣本數據分為訓練集和測試集兩個部分。在模型訓練階段，將訓練集數據輸入到隨機森林模型中，以十折交叉驗證和網格搜索方法（Grid-search）確定模型參數n_estimate和max_feature的最優值，結果分別為21和“sqrt”。在模型測試階段，將測試集數據輸入到訓練好的模型中，得到模型的平均準確率接近95%。其中，模型各預測指標的重要性值分別為：行為投入0.328，認知投入0.266，情感投入0.265，社交投入0.141。這說明行為投入、認知投入和情感投入對學生混合學習投入的預測作用更顯著。但由于課程中交流互動類活動所占比例較低，使得社交投入數據量低于其他三種投入，在一定程度上影響其重要性值。

七、結 ? 語

基于證據的循證教學評價，為解決混合學習投入評價提供新思路與新方法。本研究從“學習活動—學習投入—學習數據”三層結構出發，構建起混合學習投入評價的多源數據表征模型，基于連續性多源數據采集、關聯、融合、解釋與決策，對混合學習投入評價進行實踐探索，較好地反映學生在線上線下融合環境中開展混合學習的行為投入、認知投入、情感投入和社交投入狀態，并對學生混合學習投入類型做出判斷與預測，突破了傳統混合學習投入評價的“片段式”和“單一數據源”的局限，為教師有效設計、組織混合學習活動提供科學依據。隨著生物傳感技術、智能采集技術的發展，以及數據融合方法的涌現，為后續表征混合學習投入狀態的多模態數據采集與計算提供了強有力的技術支撐。由于混合學習具有很強靈活性，下一步研究將獲取模態更多樣、時序更豐富的代表性數據，在更大的樣本范圍內開展實踐檢驗，以提升混合學習投入評價的多源數據表征模型的通用性，豐富多源數據與混合學習投入評價的映射關系，進而為全面、科學、準確地評價學生混合學習投入提供可行依據。

[參考文獻]

[1] 馮曉英，孫雨薇，曹潔婷.“互聯網+”時代的混合式學習：學習理論與教法學基礎[J].中國遠程教育，2019（2）：7-16，92.

[2] GARRISON D R， VAUGHAN N D. Blended learning in higher education：framework，principles，and guidelines[M]. San Francisco： Jossey-Bass，2007.

[3] G？譈N？譈？覶 S， KUZU A. Factors influencing student engagement and the role of technology in student engagement in higher education：campus-class-technology theory[J]. Turkish online journal of qualitative inquiry，2014（5）：86-113.

[4] 馬婧.混合教學環境下大學生學習投入影響機制研究[J].中國遠程教育，2020（2）：57-67.

[5] 馬婧，周倩.混合式環境下大學生學習性投入維度構成及其實證研究[J].教育發展研究，2019（7）：54-65.

[6] 牟智佳，劉珊珊，陳明選. 循證教學評價：數智化時代下高校教師教學評價的新取向[J].中國電化教育，2021（9）：104-111.

[7] 楊向東.教育測量在教育評價中的角色[J].全球教育展望，2007（11）：15-25.

[8] HENRIE C R， HALVERSON L R， GRAHAM C R. Measuring student engagement in technology-mediated learning：a review[J]. Computers & education，2015，90（9）：36-53.

[9] POON L K M， KONG S C， YAU T S H. et al. Learning analytics for monitoring students participation online：visualizing navigational patterns on learning management system[C].proceedings of 10th International Conference on Blended Learning， Hong Kong， June27-29，2017 Springer Cham，2017.

[10] 鐘薇.混合學習環境下面向參與度的學習行為分析研究[D].上海：華東師范大學，2017.

[11] 周媛，韓彥鳳. 混合學習活動中學習者學習投入的研究[J].電化教育研究，2018（10）：99-105.

[12] LEE J， BONK C J. Social network analysis of peer relationships and online interactions in a blended class using blogs[J]. The internet and higher education，2016，28（1）：35-44.

[13] 張琪，王紅梅.學習投入的多模態數據表征：支撐理論、研究框架與關鍵技術[J]. 電化教育研究，2019（11）：21-28.

[14] 馬志強，岳蕓竹.面向即時數據采集與分析的學習投入縱向研究——基于經驗取樣法與交叉滯后分析的綜合應用[J].電化教育研究，2020（4）：71-77.

[15] 吳軍其，吳飛燕，張萌萌，戴新菊，張影.多模態視域下智慧課堂協作學習投入度分析模型構建及應用[J].電化教育研究，2022（7）：73-80，88.

[16] 黃濤，趙媛，耿晶，等.數據驅動的精準化學習評價機制與方法[J].現代遠程教育研究，2021（1）：3-12.

[17] 毛剛，周躍良，何文濤.教育大數據背景下教學評價理論發展的路向[J].電化教育研究，2020（10）：22-28.

[18] 張家華，胡惠芝，黃昌勤.多模態學習分析技術支持的學習評價研究[J].現代教育技術，2022（9）：38-45.

[19] 王慧君，張念.基于“證據”的高?；旌蠈W習課程學業評價模型構建[J].電化教育研究，2020（5）：89-95.

[20] FREDRICKS J， BLUMENFELD P， PARIS A. School engagement：potential of the concept， state of the evidence[J]. Review of educational research， 2004（1）： 59-109.

[21] ZHU E. Interaction and cognitive engagement： an analysis of four asynchronous online discussions[J]. Instructional science， 2006， 34（6）： 451-480.

[22] 李新，李艷燕，包昊罡，程露. 學習投入測評新發展：從單維分析到多模態融合[J].電化教育研究，2021（10）：100-107.

[23] GUNAWARDENA C N， LOWE C A， ANDERSON T. Analysis of a global online debate and the development of an interaction analysis model for examining social construction of knowledge in computer conference[J]. Journal of educational computing research，1997，17（4）：397-431.

[24] 張曉峰，李明喜，俞建慧，吳剛.面向學習云空間的認知投入量化研究[J].中國遠程教育，2020（5）：18-28.

[25] 李維，白穎穎.初二學生感知的教師支持如何影響學業成績？——基于學業自我效能感與學習投入的多重中介效應分析[J].教育與經濟，2018（6）：86-92.

[26] 張盈霄，孫旭寧，謝家樹，李紅育，鄒莎. 學校歸屬感量表的中文修訂[J].中國臨床心理學雜志，2021（12）：1188-1192.

[27] 韓彥鳳.混合式學習活動中學習投入的差異性研究[D].蘭州：西北師范大學，2018.

[28] SCHMIDT J A， ROSENBERG J M， BEVMER P N. A person-in-context approach to student engagement in science：examining learning activities and choice[J]. Journal of research in science teaching，2018，55（1）：19-43.

A Study on Evaluation of Blended Learning Engagement from the Perspective of Evidence-based Teaching Evaluation

YING Rui， ?HE Shuyin

（School of Information Technology in Education， South China Normal University，

Guangzhou Guangdong 510631）

[Abstract] In the era of "Internet + Education"， blended learning has become the primary teaching approach in higher education， with learning engagement emerging as a crucial metric for assessing the quality of blended learning. Evidence-based teaching evaluation emphasizes the collection of teaching evidence from multiple sources throughout the entire teaching process， and focuses on the multidimensional evaluation and measurement of the teaching process and its effectiveness， providing new ideas for the evaluation of blended learning engagement. This study proposes a multi-source data representation model based on the correspondence of "learning activity， learning engagement， and learning data"， combined with the characteristics of online and offline integration in blended learning. Furthermore， a multi-source data fusion method for evaluating blended learning engagement is established from behavioral， cognitive， affective and social levels. This study also proposes an evaluation process of blended learning engagement based on multi-source data， which includes data collection， data combination， data fusion， explanation and decision making. The empirical study finds that in the blended learning course， the multi-source data from online teaching platform logs， classroom videos， and learning performance and effectiveness can accurately measure the type and performance of students' blended learning engagement， and have good predictions on the blended learning engagement status.

[Keywords] Evidence-based Teaching Evaluation; Blended Learning Engagement; Multi-source Data