徐晓青 赵蔚 刘红霞 姜强 李绿山 程诺

[摘   要] 近年来，众多学者将学习分析应用于自我调节学习以优化学习过程和学习效果，但当前学习分析的应用多以数据为驱动，尚未涉及学习者内在要素的变化规律，无法得知学习分析是如何影响自我调节学习的。为回答该问题，研究首先基于现有研究和理论归纳学习分析与自我调节学习的内在联系。其次，以学习分析的普遍应用模式为背景，收集学习者自我调节学习后的反思和访谈数据，利用认知网络分析和语义分析挖掘自我调节学习受学习分析影响的要素变化规律和各阶段触发特征。最后，总结变化规律和触发特征得到学习分析对自我调节学习的影响机理。结果表明，学习分析介入后，切实促进了自我调节学习各要素的融合，且在自我调节学习的不同阶段，学习分析触发自我调节学习发生的起点和路径存在差异。研究结论为促进学习分析更深入地支持自我调节学习提供了发展方向和理论依据。

[关键词] 学习分析; 自我调节学习; 质性研究; 认知网络分析; 影响机理

[中图分类号] G434            [文献标志码] A

[作者简介] 徐晓青（1995—），女，山东潍坊人。博士研究生，主要从事学习分析、自我调节学习研究。E-mail：xuxq271@nenu.edu.cn。赵蔚为通讯作者，E-mail：zhaow577@nenu.edu.cn。

一、引   言

教育信息化提高了自我调节学习（Self-regulated Learning，SRL）对学习成效的影响。学习分析基于SRL模型从不同阶段和要素支持、优化自我调节学习[1]。然而，学习分析如何促进自我调节学习、促进的程度如何等问题一直未得到解答。因此，学习分析在自我调节学习中的应用始终停留在数据驱动的层面，未能从内核发现学习分析支持自我调节学习的融合路径。数据驱动的研究着眼于相关关系而忽视因果关系，难以发现学习分析对自我调节学习的影响机理。因此，我们要跳出数据驱动的研究范式，以挖掘学习分析支持自我调节学习的内在机理为最终目标，回答学习分析如何影响自我调节学习这一问题。质性研究方法符合该需求，它能够探寻事物是如何发生或为什么发生等问题，帮助我们理解事物的内在运行规律[2]。因此，本研究采用质性研究方法从SRL要素变化规律和触发特征探究学习分析如何影响自我调节学习并总结影响机理，为相关研究提供借鉴与启示。

二、学习分析与自我调节学习的内在逻辑

要探索学习分析对自我调节学习的影响机理，首先要厘清两者的逻辑关系。社会认知理论认为，认知是由行为（如打开网页）和环境（如教师反馈）因素相互决定的。这意味着任何利用技术优化学习的教学模式，不仅涉及技术问题，还涉及学习者的内部因素和行为模式。因此，要研究学习分析对自我调节学习的影响，需要着眼于学习者的内在要素，探索学习分析与SRL各要素的关联关系。目前，学习分析在自我调节学习中的应用主要分为以下两种路径：

（一）外部：分析视角下的挖掘/表征之路

这类研究一般在学习分析应用于自我调节学习的初级阶段，旨在帮助人们认识、理解自我调节学习，即利用学习分析展示SRL各要素的状态特征。

在认知方面，学习分析处理、分析复杂且隐性的多维数据，表征学习状态，实现调节过程的可测量和可解释[3]。在情感方面，学习分析利用表情识别等技术支持研究者发现学习者的情绪特征[4]。在动机方面，学习分析通过数据揭示SRL过程的动机变化，了解自我调节学习的进展[5]。在行为方面，研究者运用学习分析挖掘SRL行为，发现学习行为的规律特点[6]。在策略方面，研究者采用不同的学习分析技术识别和解释SRL策略使用和学习策略执行的频率、顺序、时间等，为表征自我调节学习提供新见解[7]。由此可知，学习分析对于内隐数据的挖掘能够多维度表征认知、情感、行为等内在要素，以帮助研究者认识、理解自我调节学习。

（二）内部：辅助视角下的干预/支持之路

随着技术的发展，学习分析在自我调节学习中的应用重点逐渐转移，以学习分析为辅助工具，从不同阶段促进自我调节学习，改善学习效果。

Howell等人指出，学习分析通过仪表盘向学习者提供反馈，以影响学习者的情感和学术弹性，进而改善自我调节学习[8]。赵艳等人在学习分析支持下设计反馈与干预策略，以提高在线自我调节学习的效果[9]。此外，Lim等人基于学习分析技术设计学习反馈系统，经实验发现，实验组的SRL模式与对照组不同，且学习成绩明显高于对照组[10]。由此可知，基于学习分析设计仪表盘、学习反馈系统、干预策略等能够实现对自我调节学习的正向影响。

综上所述，学习分析与自我调节学习存在紧密的关联关系。一方面，学习分析从外部表征SRL要素，实现对自我调节学习的准确把控;另一方面，基于数据驱动理念，学习分析从内部、支持、优化自我调节学习。虽然研究视角已经逐渐从外部表征转移到内部支持，但关于学习分析是如何支持自我调节学习发生的这一问题仍未解决，即学习分析优化自我调节学习的机理未被真正发现。基于此，本研究通过实证研究探索学习分析对自我调节学习的影响机理。

三、研究设计

（一）研究流程

学习分析旨在支持研究者更准确地理解和学习者更高效地完成自我调节学习。目前已形成较为稳定的应用模式。在预见、计划、激活阶段，学习分析以可视化技术激发动机，辅助学生明确任务目标[11];在学习监测阶段，学习分析仪表盘呈现学习进度等帮助学习者掌握自身状态[12];在学习控制阶段，学习分析提供个性化学习策略和资源引导学习者完成任务[13];在反应与反思阶段，学习分析结果促进学习者更全面地自我反思[14]。综上，本研究总结出学习分析在自我调节学习中的应用模式，在学习分析平台支持学习者经历自我调节学习的过程，如图1所示。研究设置对照实验，实验组在SRL各环节有学习分析的支持、呈现、引导和促进，而对照组仅按照学习流程完成学习任务。任务完成后，研究者收集反思与访谈数据，利用认知网络分析对比两组在认知、动机、情感、行为、背景五要素间的特点和差异，并探究实验组在SRL不同阶段中五要素间的特征与差异，以语义分析法挖掘学习分析優化自我调节学习的触发特征。

（二）研究对象

研究对象为贵州师范大学二年级本科生，实验组与对照组各25人。研究采用MSLQ量表[15]对两组学习者的自我调节学习能力进行前测。该量表从动机性信念和自主学习策略两方面衡量学习者的自我调节学习水平，其信效度经过众多研究者验证，结果可靠[16]，经前测证明两组无显著差异（见表1）。

（三）研究工具与方法

1. 反思提纲与深度访谈提纲

反思数据能够帮助研究者较快地理解学习者对SRL的体验与感受。研究依据Pintrich提出的SRL模型[17]设计反思提纲：各阶段的反思内容涉及该阶段的学习体验、遇到的困难、策略选取、学习成果等。

然而书面表达的局限性使得反思深度难以保证，因此，研究者基于反思数据开展一对一访谈，在征得同意后记录。访谈提纲包括：个人信息、主要问题（SRL各要素的具体感受）、追踪问题（针对被访谈者的回答进行追问）、探测性问题（让被访谈者提供更深入或准确的回答，如通过举例解释自己的感受）。

2. 反思编码标准

本研究以Pintrich的SRL模型为理论基础，因为该模型在SRL四个阶段分别明确地阐述了认知、动机/情感、行为、背景各要素的表现方式[17]。预见/计划/激活阶段：认知生成关于学习任务的预测、激活先验知识、设定目标;动机/情感要素侧重于识别从事任务的原因，判断任务的价值、兴趣和难度等;在行为要素方面，考虑如何给任务中的要素分配时间和精力等;在背景要素方面，可以调节情境特征。监测阶段：在认知要素方面，对学习的判断和对知识的感受被呈现出来;动机/情感要素主要包括预期的变化、解释任务归因及情绪反应;在行为要素方面，设定任务标准后，学习者跟踪这些因素来发现偏差;在背景要素方面，会扫描对环境因素的更改。控制阶段是控制每个要素，如果学习不合格，学习者可以复习内容、修改任务难度的评级或寻求帮助等。反应与反思阶段：在认知要素方面，可能会意识到激活与任务相关的知识能够取得更好的成就;在动机/情感要素方面，可能会将低活跃性归因于学习节奏缓慢;在行为要素方面，时间可能被认为比最初考虑的更重要;在背景要素方面，学习者要求教师更清楚地说明任务的各个部分是如何加权的，可以更好地分配时间[18]。需要说明的是，该模型将动机/情感作为一个要素，但学习者的情感是体现自我调节学习内在机理的重要组成部分，因此，本研究从认知、动机、情感、行为和背景五个要素对学习者的反思数据进行编码。部分编码样例见表2。

对反思数据编码时，有相关表述记为1，无相关表述记为0。本研究依据编码标准培训两名编码员，并对编码结果进行一致性检验，Kappa值为0.777>0.7表明一致性良好，结果可信，可以进行下一步分析。

3. 认知网络与语义网络分析

认知网络分析（Epistemic Network Analysis，ENA）是一种民族志技术，用于对数据中的连接结构进行建模。有研究利用ENA表征认知元素之间的联系模式来探究学习过程中认知框架的发展[19]。ENA是一种适用于任何具备有意义连接结构场景的技术[20]。因此，本研究使用ENA对反思数据中的认知、动机、情感、行为和背景进行建模，探索SRL各要素间的联系。

语义网络分析能够通过网络形式展示人类语言包含的内在含义。本研究采用语义网络分析、语义聚类分析等方法分析访谈数据，在认知网络分析结果的基础上探索引起学习者自我调节学习发生的内在机理。

四、学习分析影响自我调节学习的变化规律和触发特征

本研究通过分析反思数据挖掘学习分析影响自我调节学习的变化规律，通过分析访谈数据探索学习分析影响自我调节学习的触发特征。

（一）学习分析影响自我调节学习的变化规律

本研究对比实验组与对照组的ENA结果，旨在對比学习分析对自我调节学习整体的影响效果;探究实验组在不同SRL阶段的ENA结果，旨在发现学习分析在不同阶段影响自我调节学习的要素变化特征。

1. 学习分析影响SRL各要素整体差异分析

研究者将编码结果导入ENA网站得到分析结果（如图2所示）。实验组均位于X轴正半轴，分布紧密，对照组多位于X轴负半轴，分布稀疏。本研究在X和Y维度对两组做了T检验，见表3。结果表明，在X方向上两组有显著差异，在Y方向上两组差异不显著。

作者对比了两组在SRL各要素上的差异，如图3所示。图3（i）表明实验组在认知、动机、情感、行为四个要素的关联性既紧密又均衡;相比之下，背景与其他要素的关联性表现不明显。图3（ii） 表明对照组的自我调节学习表现主要集中在认知、行为和动机三个要素，与情感和背景的关联性较低;且图3（ii）显示与认知相连的路径更加突出，这说明对照组在经历自我调节学习时以认知层面的表现为中心。图3（iii）表明，相比于对照组，实验组SRL五要素间的关联性更强，且较大程度地突出了自我调节学习的情感要素，对背景要素的表述也有所增强。

该结果表明，传统自我调节学习者完成学习时主要调用认知、动机和行为要素，且以认知为主。但在学习分析加入后，学习者明显增加了对其他要素的关注和调用，其中以情感层面的变化最为突出。总的来说，有学习分析支持的实验组在SRL过程中更能将各要素结合起来，激发、辅助、促进学习者完成学习任务。

2. 学习分析影响SRL各阶段要素的变化规律分析

为进一步了解学习分析支持自我调节学习的细节，本研究以SRL阶段为对照标准对实验组进行认知网络分析，如图4所示。

由图4可知，实验组在SRL不同阶段，认知、动机、情感、行为和背景之间的关联性有明显区别。SRL第一、二阶段相似，但第一阶段更突出背景要素的效果，而第二阶段前四个要素的关系更加紧密。SRL第三阶段，五个要素关联性较低，以行为为中心，与其余四个要素建立联系，其中，行为与认知和情感间的联系更强，与动机和背景的联系稍弱。SRL第四阶段，认知的作用更加突出，其中，认知与动机和行为的联系最为突出，认知与背景的联系也得到强化。

结果表明，实验组对五个要素的调用处在动态变化之中，各要素在SRL不同阶段的侧重各有不同。第一阶段，学习者受学习分析的激发，综合运用认知、动机、行为和情感完成对任务的预测和计划。第二阶段，学习分析引导学习者降低对背景的关注，进一步加强认知、动机、行为、情感间的融合，实现对各要素的监控。第三阶段，学习者将聚焦于行为，以行为驱动认知和情感的调节，从而确保控制学习过程。第四阶段，学习分析促进学习者反思，将重点转移到认知上，回顾学习过程中学习分析带来的支持和体验。

（二）学习分析影响自我调节学习的触发特征

研究者将访谈主题按SRL阶段分为四部分，采用语义网络分析和语义聚类分析挖掘学习分析对SRL各阶段的触发特征，得到SRL四阶段的语义网络图，节点大小表示中心度高低，底纹显示聚类结果，圆形网络图展示语义网络分析结果，如图5所示。

在SRL第一阶段，任务、学习、完成、平台是中心度较高的词语，聚类结果分为关注任务、情感变化、激励、时间计划、自身感受等方面。语义网络分析结果展示了学习分析支持SRL第一阶段的影响机理：（1）以任务驱动触发情绪;（2）以情绪提高学习动机;（3）以时间计划展示认知行为。

在SRL第二阶段，计划、任务、学习、制定、完成等是中心度较高的词语，聚类结果分为对任务计划的监测、对同伴学习的关注和对可视化结果的情绪体验。结果表明，学习分析一方面降低了学习者自我监测的门槛，另一方面也让学习者更加全面地了解自身与他人的差距，将元认知技能通过学习分析直接呈现给学习者，提高了学习的主动性和紧迫感。

SRL第三阶段最主要的词语是学习，平台、任务、同学等词次之。聚类结果分为学习方法/寻求帮助、课程平台、时间计划、情绪状态等。这说明学习分析提高了学习者调整学习计划的效率和能力。结果展示了学习者在第三阶段以学习行为为中心，连接认知、动机、情感、背景的内在变化机理。学习分析帮助学习者迅速聚焦学习行为，并且以学习行为的调整改善自身情绪状态。

在SRL第四阶段，学习、反思是核心词。聚类结果分为反思任务、学习投入、调节体验、制定计划等。这说明学习分析促进了反应与反思的发生，主要表现为对未来任务的启示、对学习投入度和学习体验的反思，以及对学习总结。研究表明，学习分析通过可视化展示学习评价结果，提高了自身对自我学习过程的认知。此外，在SRL反思阶段之后，学习者的学习动机会延伸到下一次学习循环中，形成了良性循环。但在这一阶段，学习者对情绪的反思相对较少，这在认知网络分析和语义网络分析结果中均得到证明。

五、讨   论

研究依据学习分析影响自我调节学习的要素变化规律和各阶段触发特征，解释了学习分析介入后，对学习者认知、动机、情感、行为、背景五要素的影响，得到学习分析对自我调节学习的影响机理，如图6所示。

（一）学习分析强化要素联系，全方位支持自我调节学习

在自我调节学习时，对照组主要调动认知、动机和行为;而实验组则调动认知、动机、行为和情感，且对于背景要素的关注也有所提高。该结果说明，学习分析帮助学习者全方位认识自我，综合联系认知、情感、动机、行为、背景支持自身完成自我调节学习。有研究发现，学习者认为，学习分析能够支持他们完成对学习过程的规划和组织、自我评估、提供适应性建议以及对他们的学习活动进行个性化分析[21]。这是因为学习分析对各种数据的分析可以帮助学习者监控自身状态，规划学习行为，避免不良的学习结果[22]。

（二）SRL第一阶段：学习分析以背景触动情绪，以情绪激发动机，以动机促进整合

在第一阶段，学习分析搭建的学习环境首先引起学习者注意，触动情绪，情绪的波动激发学习动机，进而使学习者更积极地感知任务，采取设置目标、制定计划等行为。访谈结果证明，学习分析帮助学习者聚焦学习任务，激发情感变化，引导计划时间，关注自身感受。因为在学习者注意到学习分析后，情绪最先反应，正向的学习分析结果让学习者产生希望、放松等情绪，并在一定程度上推动他们保持较高的学习积极性;负面的学习分析结果让学习者产生焦虑、失望等情绪，处在这种适当的消极情绪中，会激励学习者更加努力地参与到学习中。这一发现与成就目标理论相契合。Aguilar等同样发现，向学习者呈现学习分析结果能够影响学习动机，促进自我调节学习[23]。

（三）SRL第二阶段：学习分析以内容聚焦注意力，弱化背景存在感

学习分析利用可视化技术让学习者在SRL第二阶段更加关注自身的行为、认知、情感和动机，虽然这些引导是通过学习分析环境实现的，但学习者表示，在接受这些功能或提示时，其更加关注内容信息，而忽略了背景的存在。Chen等人同样发现，学习分析仪表盘呈现的知识、计划、学习策略等信息能够辅助学习者进行元認知和自我监控[12]。因为可视化是呈现信息的一种方式，真正辅助学习者自我监控的是学习分析所传递的内容与信息。即学习分析的介入，让学习者更容易关注到自己的行为、情感等状态，辅助学习者监控自身学习状态，为后续的学习调节打好基础，而作为背景存在的学习分析的存在感则被削弱。

（四）SRL第三阶段：学习分析以行为强化控制，以融合优化调节

在第三阶段，学习分析将重点集中于行为，通过提供个性化SRL策略，从认知、动机、情感、背景对学习者的学习行为调节提供帮助。学习者表示，在认知要素方面，学习分析平台提供认知策略;在动机要素方面，学习分析通过展示任务进度、同伴成就等内容激励自己对学习做出适当调整;在情感要素方面，学习分析利用语言/图片提示初步缓解消极情绪，使用扩展资源、难点提示等方法从根源解决引起消极情绪的知识性问题;在背景要素方面，学习分析运用仪表盘、学习路径等展示学习者自我调节学习的状态，为学习者控制学习进度、选择学习策略提供支撑。正如Panadero等人所提出的，当前学习分析应用于自我调节学习是评估与干预同时发生的，以学习分析仪表盘呈现评估结果、提供学习建议与反馈能够帮助学习者发展自我调节学习[24]。

（五）SRL第四阶段：学习分析以促进反思为手段，形成以认知为核心，动机、行为、情感多重交互的作用机理

在学习分析的支持下，学习者在SRL第四阶段掌握反思的核心理念，以发散式思维进行评价和反思。学习者表示，相比于前三个阶段，学习分析在这一阶段的影响是最大的。因为学习者在平时学习中真正反思的较少，且多集中于对成绩的反思。而学习分析的加入，让学习者关注到自身在动机、行为和情感要素的变化，更重要的是，能够关注到环境对学习的支持和帮助，为下一次自我调节学习提供经验。Silva等人发现，学习分析显著优化了学习者的自我反思与评价、认知目标等维度[25]。此外，Yoon等人发现，受到学习分析支持的学习者在自我反思、行为投入、情感状态和认知水平等方面都表现出更高的水平[26]。这些结果均证明，在学习分析全方位的支持下，学习者的认知、动机、行为、情感等要素均得到关注，帮助学习者反思，促进学习者完成自我调节学习。

六、结   语

本研究以质性研究方法为手段，以SRL模型为指导，以反思与访谈数据为主体，研究学习分析介入后的自我调节学习过程中各要素的相互作用关系。研究发现，学习分析的加入，首先从整体上强化了自我调节学习各要素之间的作用效果，尤其对情绪的激发最为突出。此外，学习分析对SRL不同阶段中各要素的影响程度存在差异。研究者对学习者访谈数据分析的结果表明了学习者在接收学习分析支持后，其认知、情绪、动机、行为等要素的变化特点，并总结出学习分析对自我调节学习的影响机理。本研究不同于常规的“模型设计—实证分析—结果讨论—得到结论”的研究模式，而是由果及因，以“数据收集—分类提取—发现特征—凝聚结论”的研究模式，探索当前普遍意义上的学习分析对自我调节学习的影响机理，从而为后续更好地完善学习分析与自我调节学习的融合提供方向，也为具有类似特征的研究提供经验和依据。

[参考文献]

[1] 徐晓青，赵蔚，刘红霞，姜强.自我调节学习中学习分析的应用框架和融合路径研究[J].电化教育研究，2021，42（6）：96-104.

[2] RUBIN H J， RUBIN I S. Qualitative interviewing： The art of hearing data[M]. Thousand Oaks， CA： Sage， 2011.

[3] NOROOZI O， ALIKHANI I， J？魧RVEL？魧 S， et al. Multimodal data to design visual learning analytics for understanding regulation of learning[J]. Computers in human behavior， 2019， 100（11）： 298-304.

[4] 单迎杰，傅钢善，王一冰，王改花.基于反思文本的慕课学习情感体验特征分析[J].电化教育研究，2021，42（4）：53-60，75.

[5] MALMBERG J， J？魧RVEL？魧 S， J？魧RVENOJA H. Capturing temporal and sequential patterns of self-， co-， and socially shared regulation in the context of collaborative learning[J]. Contemporary educational psychology， 2017， 49（2）： 160-174.

[6] 邓国民，徐新斐，朱永海.混合学习环境下学习者的在线自我调节学习潜在剖面分析及行为过程挖掘[J].电化教育研究，2021，42（1）：80-86.

[7] UZIR N A， GA？譒EVICD， JOVANOVICJ， et al. Analytics of time management and learning strategies for effective online learning in blended environments[C]//Proceedings of the Tenth International Conference on Learning Analytics & Knowledge. New York： Association for Computing Machinery， 2020： 392-401.

[8] HOWELL J A， ROBERTS L D， MANCINI V O. Learning analytics messages： impact of grade， sender， comparative information and message style on student affect and academic resilience[J]. Computers in human behavior， 2018， 89： 8-15.

[9] 趙艳，赵蔚，姜强.学习分析视域下教师在线自我调节学习干预设计与实证研究[J].现代远距离教育，2020（3）：79-88.

[10] LIM L A， GENTILI S， PARDO A， et al. What changes， and for whom？ A study of the impact of learning analytics-based process feedback in a large course[J]. Learning and instruction， 2021， 72（2）： 101202.

[11] JIVET I， SCHEFFEL M， SCHMITZ M， et al. From students with love： an empirical study on learner goals， self-regulated learning and sense-making of learning analytics in higher education[J]. The internet and higher education， 2020， 47： 100758.

[12] CHEN L， LU M， GODA Y， et al. Design of learning analytics dashboard supporting metacognition[C]//Proceedings of 16th International conference of cognition and exploratory learning in digital age 2019. Cagliari： IADIS Press， 2019： 175-182.

[13] 李月，姜强，赵蔚.基于过程挖掘的在线自主学习行为模式识别及干预实证研究[J].电化教育研究，2021，42（5）：61-69.

[14] CHA H J， PARK T. Applying and evaluating visualization design guidelines for a MOOC dashboard to facilitate self-regulated learning based on learning analytics[J]. KSII Transactions on Internet and Information Systems（TIIS）， 2019， 13（6）： 2799-2823.

[15] PINTRICH P R， SMITH D A F， GARCIA T， MCKEACHIE W J. A manual for the use of the motivated strategies for learning questionnaire[EB/OL]. [2021-12-01]. https：//eric.ed.gov/？id=ED338122.

[16] PINTRICH P R， SMITH D A F， GARCIA T， et al. Reliability and predictive validity of the motivated strategies for learning questionnaire[J]. Educational and psychological measurement， 1993， 53（3）： 801-813.

[17] PINTRICH P R. A conceptual framework for assessing motivation and self-regulated learning in college students[J]. Educational psychology review， 2004， 16（4）： 385-407.

[18] WINNE P. Self-regulated learning[J]. SFU educational review， 2016， 9（1）： 1-3.

[19] SHAFFER D W. Epistemic frames for epistemic games[J]. Computers & education， 2006， 46（3）： 223-234.

[20] 王辭晓.技术供给的动力作用：合作探究中具身参与的认知网络分析[J].中国电化教育，2021（2）：113-122.

[21] SCHUMACHER C， IFENTHALER D. Features students really expect from learning analytics[J]. Computers in human behavior， 2018， 78（C）： 397-407.

[22] GA？譒EVIC D， DAWSON S， SIEMENS G. Let's not forget： learning analytics are about learning[J]. Techtrends， 2015，59（1）：64-71.

[23] AGUILAR S J， KARABENICK S A， TEASLEY S D， et al. Associations between learning analytics dashboard exposure and motivation and self-regulated learning[J]. Computers & education， 2021， 162（2）： 1-11.

[24] PANADERO E， KLUG J， J？魧RVEL？魧 S. Third wave of measurement in the self-regulated learning field： when measurement and intervention come hand in hand[J]. Scandinavian journal of educational research， 2016， 60（6）： 723-735.

[25] SILVA J C S， ZAMBOM E， RODRIGUES R L， et al. Effects of learning analytics on students' self-regulated learning in flipped classroom[J]. International journal of information and communication technology education， 2018， 14（3）： 91-107.

[26] YOON M， HILL J， KIM D. Designing supports for promoting self-regulated learning in the flipped classroom[J]. Journal of computing in higher education， 2021， 33（4）：398-418.