郑兰琴 钟璐 牛佳玉

[摘   要] 随着学习设计与学习分析的不断发展，二者的联结逐渐受到关注。然而，在协作学习领域，鲜有研究将协作学习设计与分析相互联结。这导致协作学习的设计理论与技术由于没有分析结果的支撑而难以应用，协作学习的分析结果由于缺乏理论框架而难以解释和推广。因此，文章将协作学习设计与分析进行联结，提出了协作学习设计与分析的联结模型，从目标、任务、交互、资源和评价五个要素探索如何无缝联结协作学习设计与分析。基于该联结模型开展两轮协作学习活动，结果表明，该模型不仅可用于指导协作学习活动设计，而且能够精准分析协作学习过程和结果并基于分析结果进一步优化协作学习设计，因此，协作学习设计与分析的联结模型是有效的。文章提出的协作学习设计和分析联结模型，在理论层面为协作学习设计技术提供新框架，在实践层面为精准进行协作学习分析和优化协作学习设计提供重要参考。

[关键词] 学习设计; 学习分析; 协作学习; 联结模型

[中图分类号] G434            [文献标志码] A

[作者简介] 郑兰琴（1979—），女，山西五台人。副教授，博士，主要从事计算机支持的协作学习、学习分析技术、教学设计研究。E-mail：bnuzhenglq@bnu.edu.cn。

一、引   言

学习设计是指利用适当的资源和技术帮助设计人员对学习活动或者干预方式进行设计[1]。学习设计旨在探索如何设计能够共享的教学和学习活动框架，使之具备反复使用和调整优化的潜力[2]。然而，仅仅依靠学习设计还远远不够，因为学习设计并不能对学习者如何参与学习过程进行解释[3]，也不能对学习结果进行评估[4]。为了解决这些问题，学习分析逐渐兴起并成为一个新的研究领域。学习分析通过对学习者以及学习环境中产生的数据进行分析，以改进教学策略、干预措施、评价方法，从而提高教育教学效果[5]。尽管学习分析在分析学习过程和评价学习效果方面发挥了重要作用，但在解释数据时，学习分析往往缺乏情境、理论基础和框架[6]。为了解决这一问题，需要联结学习设计，因为学习设计能为数据解释提供科学合理的框架[7]。

因此，随着学习设计与学习分析两个领域的逐渐发展，考虑二者的联结变得愈发重要。正如雅尼斯·迪米特里亚迪斯教授所說，“学习设计与学习分析相互影响”[8]。学习设计能够为学习分析提供分析和解释的依据，而学习分析结果又能评估学习设计是否合理并达到预期，从而对学习设计进行优化。因此，将学习设计与学习分析进行联结十分必要。然而，现有的研究往往割裂了学习设计与学习分析，或者只关注学习设计，或者只关注学习分析。

作为学习科学的重要研究领域，协作学习在各级各类教育中得到广泛的应用。目前协作学习领域的研究主要集中于协作学习工具和技术的开发[9]、协作学习交互过程的分析[10]、协作学习活动的设计[11]以及协作学习效果的评价[12]等。在协作学习领域，很少有研究把协作学习设计与分析相联结，因此，学习设计与学习分析的割裂现象在协作学习领域同样存在，导致协作学习设计缺少进一步优化的依据，协作学习分析在数据解释方面缺乏支撑。为了提升协作学习的质量和效果，联结协作学习设计与分析十分必要。通过将协作学习设计与学习分析进行联结，一方面能够帮助教师依据学习设计框架全面深入地进行学习分析，另一方面也能够帮助教师比较学习设计的预期结果与学习分析的实际结果是否一致，及时发现并改进学习设计中的问题，进而提高协作学习的效果和质量。

二、文献综述

（一）协作学习设计的研究综述

协作学习是指为了达到共同的学习目标，通过小组的形式进行合作互助，并在一定的激励机制下使得个人和小组成员的成果最大化[13]。目前关于协作学习的设计主要集中在协作学习活动的设计和协作学习环境的设计两方面。在协作学习活动的设计方面，一类研究从不同类型的协作学习活动入手，探讨相应的设计方法。另一类研究则依据活动理论，对协作学习活动的构成要素进行探索。在协作学习环境的设计方面，现有研究主要针对不同的学习情境，探讨协作学习环境的设计。

除此之外，少数研究对协作学习设计之后，也开始关注对协作学习的优化。目前对协作学习的优化主要有两种取向，一类是基于设计的研究（Designed-Based Research，DBR），即根据真实情境中的反馈，不断对教学干预进行改进，以提升干预手段的有效性。另一类是以设计为中心的研究（Designed Centered Research，DCR），DCR关注教育设计的目标与手段一致性，旨在获得稳定的教育设计[14]。

综上所述，已有的研究大多关注协作学习设计中需要考虑的要素，而忽略了对协作学习设计的分析、反思和优化。协作学习的设计要素是否落实，实施过程与设计预期是否一致，下一轮的协作学习如何开展？实践者往往依据个人主观经验来解决这些问题。如果能够结合基于客观数据的学习分析结果，并将学习分析结果与学习设计结合起来进一步优化协作学习设计，则下一轮的协作学习活动设计质量将大大提高。

（二）协作学习分析的研究综述

关于协作学习分析，大多数研究集中于学习者互动模式和关系、参与程度、互动内容分析、学习效果的评价以及分析工具的开发等。对学习者互动模式和关系的分析一般采用社会网络分析方法考察成员之间的互动关系和模式[15]。对于参与程度的分析，有研究者将学习者的参与过程进行可视化。仅仅对学习者的互动模式、参与程度进行分析，并不能真正了解协作学习的学习效果，往往需要对协作学习中的交互内容进行分析，才能够进一步检测学习效果。对交互内容进行分析时，大多数研究采用内容分析法探讨学习者的互动情况。另外，文本分类技术也开始逐渐走向协作学习领域，有研究者采用文本分类技术对协作学习的交互内容进行自动分析[16]。在学习效果的评价方面，学习分析工具可以提供小组成员的知识水平、学习参与情况以及目标达成情况等方面的结果[17]。

综上所述，协作学习分析在分析协作学习过程及学习效果方面确实发挥了重要作用，但是已有的研究没有在协作学习分析结果与协作学习设计之间建立联系，导致学习分析结果难以解释。另外，协作学习设计中采用的策略和干预是否合理、科学，设计要素是否在协作学习中落实，学习者在协作学习中是否达到学习目标？要回答这些问题也离不开对协作学习过程和结果的分析与评价。然而，纵观当前协作学习的设计与分析，虽然各自发展得比较成熟，但已有研究并没有将协作学习的设计与分析进行联结。为了弥补已有研究的不足，本文提出协作学习设计与分析的联结模型，并通过案例检验其可行性，旨在为后续协作学习的设计和分析提供借鉴和参考，进而提高协作学习质量。

三、联结协作学习设计与分析模型

笔者提出的协作学习设计与分析模型如图1所示。该模型包括三部分：协作学习设计、协作学习分析以及基于学习分析结果进一步的优化设计，其中协作学习分析是协作学习设计与优化设计之间的桥梁，利用学习分析技术实现对协作学习设计的优化，从而提升协作学习质量。开展协作学习活动前，需要先设计协作学习目标、任务、交互策略、资源以及评价方式，并在实施过程中记录协作学习过程性数据，然后利用学习分析技术进行深入分析，从而评价协作学习活动是否达到预期目标;最后依据分析结果发现协作学习设计的缺陷和不足，进而提出优化协作学习设计的策略。通过这种良性的迭代循环，将协作学习设计、协作学习分析以及协作学习再设计紧密联结，不仅避免了纯粹基于主观经验设计与实施协作学习活动，而且真正实现了基于数据驱动的协作学习设计与分析，从而创生协作学习设计的技术性知识。下文将详细阐述。

首先，协作学习目标需要从个体和群体两方面设计。个体学习目标需要明确成员的知识技能、情感态度、价值观等，群体学习目标需要重点设计小组成员应该达到的协同知识、技能和价值观的建构水平。目标分析也应该从个体和群体两个方面分析是否达到预期目标。对个体学习目标的分析主要从其参与程度、贡献程度、行为以及情感等方面进行分析。小组成员的参与程度可以通过协作学习活动中该成员输出的有效信息流评价。小组成员的贡献程度通过该成员知识点的激活量来表征。知识点激活量通过该成员已激活所有知识点的激活量之和得出[18]。小组成员的行为分析通过对交互文本进行内容分析，根据分析结果评价其行为状态。比如可以从“设置目标”“制定计划”“策略实施”“过程监控”以及“评价反思”五个维度对小组成员的元认知行为进行分析[19]。情感极性的分析则可以从积极、消极、中立三个维度对文本进行自动分类而生成分析结果。另外，群体学习目标的实现与否主要可以分析小组作品绩效以及群体知识建构的程度是否与预期目标相一致。小组作品的评价需要依据评价标准对作品进行评价。协同知识建构程度的一致性主要将目标知识图与小组实际生成的知识图进行对比，根据计算公式评价其一致性程度，一致性高则表示该小组达到了预期目标[20]。如果发现学习者未达到学习目标，则需要分析原因，下一轮的协作学习可以根据学习者实际情况适当地修改学习目标。

第二，任务设计包括任务情境、问题设计和任务要求。任务情境需要具有真实性和复杂性，从而激发学习动机。问题需要具有难度和挑战性，切实需要通过小组协作才能完成。任务要求包括完成时间和成果要求。任务分析主要从小组完成任务的序列和任务难度两方面分析，综合考察任务情境、问题设计和任务要求是否科学合理。完成任务序列需参考预期完成任务序列，分析小组实际完成任务的序列与教师预期序列的差異。任务难度可以依据小组成员完成协作学习各个子任务所需的时长分析，如果发现小组成员耗时过长仍无法完成任务，则说明该任务难度较大。后续的优化设计则需要适当调整问题设计、任务难度，或者搭建脚手架。

第三，协作学习的交互需要设计成员的角色分配、交互规则、交互策略。其中，常见的角色有组织者、记录者、技术员等。常见的交互策略包括辩论、互采互访、头脑风暴等。交互分析关注小组成员的角色执行情况、互动内容以及成员网络关系。角色分析需要将交互文本进行编码，根据编码结果评价角色执行情况。如果发现小组成员未能履行角色职责，则需在角色分配时详细描述角色担当的职责和需要具备的能力。互动内容分析则采用基于信息流的协作学习交互分析方法，形成小组知识图谱，通过该图谱能够直观地反映小组的协同知识建构情况。另外，通过社会网络分析法分析互动模式、中心成员和边缘性成员等。

第四，协作学习资源的设计包括脚手架和协作学习环境的设计。其中，脚手架包括动机类脚手架、认知类脚手架、元认知类脚手架、情感类脚手架等。协作学习环境包括支持在线协作学习的交流平台和共享空间。资源分析主要关注协作学习活动中实际使用的脚手架及协作学习共享空间是否有效。脚手架使用情况可以从脚手架的激活数量、激活时间点、作用进行分析。如果发现缺少相关脚手架和脚手架不合适，则需要从脚手架的数量和质量两个方面进行优化设计。另外，通过用户体验调查、可用性测试，可以分析共享空间的科学性和有效性。

第五，协作学习的评价设计包括评价方法和评价工具的设计。评价方法包括总结性评价和形成性评价。评价工具包括测试题目、作品量规、问卷等。评价分析主要体现在对目标的分析中，比如根据评价指标对小组作品进行评分，从而考察是否达到预期目标。如果发现无法使用评价工具或方法不合适，则需要对评价方法或工具进行优化，比如采用形式多样化和主体多元化的方法优化评价指标、提高评价工具性能等。

四、应用案例

（一）第一轮协作学习活动设计与分析结果

1. 第一轮协作学习活动设计

本次协作学习活动的主题为“图像聚类算法探究”。协作学习目标主要包括两方面：第一，通过图像聚类问题归纳聚类的流程;第二，探索聚类结果不理想的原因并生成新的图像聚类方法。协作学习任务是：铭铭对电脑文件进行整理时，发现大量杂乱的图片，他想把图片进行分类保存，但是人工分类工作量较大。请你们小组帮助铭铭把电脑文件夹中又多又乱的照片进行分类保存，利用K均值聚类方法或者其他方法实现图像聚类。任务要求包括两方面：第一，利用K均值聚类方法实现照片图像聚类;第二，在已有结果的基础上，寻找其他算法对结果进行优化。

（二）第二轮协作学习活动

1. 优化协作学习设计

基于对第一轮协作学习活动设计、实施过程和结果的分析，本研究重点从任务、资源、评价三方面进一步优化协作学习设计（见表2），并根据优化后的协作学习设计方案再次开展第二轮协作学习。

2. 联结协作学习设计与分析

笔者将两轮协作学习活动的分析结果进行对比（见表3）。从表3中可以看出，第二轮协作学习效果比第一轮有明显提升。在个体学习目标达成方面，第二轮协作学习中成员的参与程度和贡献程度有所提高，每位成员都积极投入协作学习活动。在小组成员行为层面，第二轮策略实施方面的行为比第一轮明显增加。任务难度的调整导致第二轮协作学习中成员积极情感的占比提高，中立和消极情感降低。在群体学习目标达成方面，第二轮协作学习中小组成员在规定时间内完成了小组作品，小组作品得分为78分。笔者将第二轮小组成员的目标知识图与小组实际生成的知识图进行对比分析，如图4所示。根据协同知识建构一致性公式计算发现，一致性程度为92%，呈现高度一致，而且与第一轮的一致性程度相比有较大提高。相较于第一轮活动中小组成员未完成任务，第二轮协作学习活动开展成功，达到了预期目标。

在协作学習任务方面，虽然小组成员完成任务序列与预期序列有所不同（如图5所示），但是第二轮协作学习也实现了预期目标。这也表明学习者自己生成了新的解题路径，殊途同归，这充分体现了协作学习交互的涌现性和自组织性。

在角色执行方面，组织者、记录者和技术员的角色占比相较于第一轮都有所提高，并且每种角色的行为都有涉及。因此，在第二轮协作学习活动中，成员对于角色的理解比第一轮要准确，并且能够履行角色职责。在互动内容方面，第二轮互动内容涉及的知识内容范围较广，知识点增多。与第一轮协作学习成员网络关系相比，第二轮协作学习活动的每个成员交互程度相差较小，未出现成员边缘化的情况，成员网络关系见表3。

在脚手架激活方面，小组成员主要从提取不同的图像特征值来完善K均值聚类，并未涉及K均值聚类之外的算法，因此，关于常见图像聚类算法介绍的脚手架未被激活。小组成员也多次利用网络检索并分享了相关资料。因此，在问题解决类型任务中，小组成员对于学习资源的需求较高，未来研究可以提供相关资源搜索途径方面的脚手架。

综上所述，基于协作学习设计与分析的联结模型对第一轮协作学习进行优化设计，并将优化策略应用到第二轮协作学习设计中。从第二轮协作学习实施和分析结果可以发现，提出的优化策略能够有效提高第二轮协作学习活动效果。更重要的是，通过将协作学习设计与分析相联结，不仅能够基于协作学习设计框架合理解释分析结果，而且能够基于分析结果进一步优化协作学习设计。比如，在任务优化设计中，由于第二轮协作学习的任务描述增加了关于特征值选取的提示，小组成员按照要求合理安排任务，小组成员生成的知识图相较于第一轮协作学习激活的知识点明显增多。另外，任务难度优化后，小组成员对于解决问题的积极性有所提高并在规定时间内完成作品。在资源优化设计方面，优化后新增的图像特征提取脚手架被激活;另外，小组成员依据脚手架提示，选取灰度值和主成分分析进行图像特征提取，说明脚手架优化合理且有效。在评价优化方面，优化后的评价标准更加具体，采用准确度和兰德系数直接衡量聚类结果的好坏。因此，通过联结协作学习设计与分析，不仅能够更加精确地指出协作学习设计中存在的不足，而且还能根据分析结果进行优化设计，从而提高协作学习效果。

五、结   语

本文构建了联结协作学习设计与分析的模型，该模型将协作学习分析作为协作学习设计和优化的桥梁，从目标、任务、交互、资源、评价五要素整合协作学习设计与分析，依据分析结果发现设计的不足，进而优化协作学习设计。基于两轮的协作学习活动设计与实施，本研究发现，利用该模型设计的第二轮协作学习效果明显优于第一轮。借助协作学习设计与分析联结模型，实现设计—分析—优化的迭代循环，将协作学习设计作为解释分析结果的框架和基础，将协作学习分析结果作为设计策略和干预的数据支撑，从而精准、有针对性地优化协作学习设计。协作学习设计与分析的无缝联结，进一步促进并提高了协作学习的质量。本研究也存在一定不足，由于客观条件限制，本研究只采取了个案研究，参与本研究的协作学习活动人数较少，未来将扩大样本、开展实验，不断地优化模型。笔者期望提出的联结协作学习设计与分析的模型能够为广大研究者和实践者设计、分析、实施协作学习活动提供重要参考，进而切实提高协作学习的质量和效果。

[参考文献]

[1] CONOLE G. Designing for learning in an open world[M]. New York： Springer， 2013.

[2] MOR Y， CRAFT B， MAINA M（Eds.）. The art & science of learning design[C]// MOR Y， CRAFT B， MAINA M. Learning design： Definitions， current issues and grand challenges. Rotterdam： Sense Publishers， 2016： ix-xxvi.

[3] LOCKYER L， HEATHCOTE E， DAWSON S. Informing pedagogical action： aligning learning analytics with learning design[J]. American behavioral scientist， 2013， 57（10）：1439-1459.

[4] RIENTIES B， TOETENEL L. The impact of learning design on student behavior， satisfaction and performance： a cross-institutional comparison across 151 modules[J]. Computers in human behavior， 2016， 60：333-341.

[5] SIEMENS G， BAKER R. Learning analytics and educational data mining： towards communication and collaboration[C]// International Conference on Learning Analytics & Knowledge. New York， United States： ACM， 2012： 252-254.

[6] GAEVIC D， KOVANOVIC V， JOKSIMOVIC S. Piecing the learning analytics puzzle： a consolidated model of a field of research and practice[J]. Learning： research and practice， 2017， 3（1）：63-78.

[7] MANGAROSKA K， GIANNAKOS M N. Learning analytics for learning design： a systematic literature review of analytics-driven design to enhance learning[J]. IEEE transactions on learning technologies， 2019， 12（4）：516-534.

[8] 蔡慧英，顾小清.联结学习设计与学习分析：教师技术创新教学的突破口——访西班牙巴利亚多利德大学雅尼斯·迪米特里亚迪斯教授[J].开放教育研究，2020，26（1）：4-13.

[9] ROSE C P， LAW N， CRESS U， et al. Highlighting tools and technologies for collaborative learning[J]. International journal of computer supported collaborative learning， 2019， 14（1）：1-6.

[10] HOLTZ P， KIMMERLE J， CRESS U. Using big data techniques for measuring productive friction in mass collaboration online environments[J]. International journal of computer-supported collaborative learning， 2018， 13（4）：439-456.

[11] HOD Y， SAGY O. Conceptualizing the designs of authentic computer-supported collaborative learning environments in schools[J]. International journal of computer supported collaborative learning， 2019， 14（2）：143-164.

[12] ESHUIS E H， TER VRUGTE J， ANJEWIERDEN A，et al. Improving the quality of vocational students' collaboration and knowledge acquisition through instruction and joint reflection[J]. International journal of computer supported collaborative learning， 2019， 14（1）：53-76.

[13] 黃荣怀，刘黄玲子.协作学习的系统观[J].现代教育技术，2001（1）：30-34，41-76.

[14] 杨开城. DBR与DCR哪个才能架起教育理论与实践之间的桥梁[J]. 电化教育研究， 2013， 34（12）：11-15.

[15] 林雪芬.基于项目的协作学习互动网络分析[J].远程教育杂志，2015，33（1）：80-86.

[16] ROS？魪 C， WANG Y C， CUI Y， et al. Analyzing collaborative learning processes automatically： exploiting the advances of computational linguistics in computer-supported collaborative learning[J]. International journal of computer-supported collaborative learning， 2008， 3（3）： 237-271.

[17] LIN J-W， LAI Y-C， et al. Fostering self-regulated learning in a blended environment using group awareness and peer assistance as external scaffolds[J]. Journal of computer assisted learning， 2016， 32（1）：77-93.

[18] 郑兰琴.协作学习的交互分析方法——基于信息流的视角[M]. 北京： 人民邮电出版社， 2015.

[19] 郑兰琴.调节性学习技能的评价与干预研究[M]. 北京： 人民邮电出版社， 2019.

[20] 崔盼盼.协作学习活动设计效果的评估研究——基于一致性分析的视角[D].北京：北京师范大学，2019.