（一）定义

眼动分析法^[1]，即眼动研究中运用研究方法，就是借助眼动仪记录被试眼球运动指标，根据统计学的数据分析原理探究被试心理活动。眼动研究属于心理学研究领域，最早开始于19世纪末期。眼动技术在教育中的应用，主要是借助眼动仪等仪器来分析学习者学习过程中的眼动数据，分析其认知加工过程和学习效果，进而探索人类加工信息和认识规律的生理学规律，有利于理解和掌握学习的本质^[2]。眼睛运动是一个复杂的过程，眼球在运动的过程中有注视、跟随、眼跳等多种状态。在眼动研究中，主要通过眼动轨迹、注视时间、注视次数、瞳孔大小、眼跳距离、热点图等指标来研究学习者的信息加工过程，在此基础上提出改进策略。

（二）应用

1.利用眼动技术测试智慧学习资源的可用性
智慧学习资源在建设过程中要考虑资源的设计与布局，而不同学习者由于认知水平、学习风格、学科背景和学习喜好的不同，对学习资源的设计风格和结构布局有着不同的要求。而利用眼动技术来分析学习者在应用智慧学习资源过程中的视觉特性，对比学习者在不同排版、不同形式的学习资源中的眼动行为特征，可以使智慧学习资源的设计更加合理、更符合学习者的认知水平和学习需求，从而提高资源的可用性。

2.眼动技术评测促进智慧学习资源的优化设计
智慧学习资源应以多样化的手段来呈现事物的本质特性。在资源设计时，可以应用眼动技术开展实验，通过测试学生注视次数、首次注视时间、瞳孔平均大小等来分析学习者的观察特性和认知特点^[3]。使资源建设者充分结合不同媒体的特点，采用多种表现方式，紧密结合教学内容来优化智慧学习资源的建设。从而引起学生注意、使学生产生学习兴趣，激发其知识建构的欲望，进而提高学习效果。

3.利用眼动技术提高智慧学习资源的应用效果
在智慧学习资源的应用中，可以利用眼动仪开展实验研究。探索学习者应用智慧学习资源进行学习时，图、文、声、像等画面要素怎样设计才能最大限度的激发学习者兴趣，又不激发不恰当的先前知识经验而对学习者产生干扰、影响学习效果。
 

（一）定义

脑波^[4]，亦称脑电波。人脑中许多的神经细胞在活动中着，而成电器性的变动。也就是说，有电器性的摆动存在。而在这种摆动呈现在科学仪器上，看起来脑电图就像波动一样，那种的电器性震动我们称之为脑电波。脑波分析是透过EEG'脑波测量仪'特殊的脑波电脑软体，所呈现在荧幕的五种波形图，以及通过脑波量师的专业数据挖掘、判断、分析、调整等结合对脑波使用者的引导。脑波分析系统属于高科技专业的大脑意识潜能评量系统，在不到十分钟的时间之内，测量及评量出每位使用者的意识状态。在这一过程中需要用到的技术工具是脑波仪。
 

（二）应用

测量学习者使用智慧学习资源学习时的专注度、放松度以及意识状态等特征有利于对智慧学习资源进一步完善，同时，可以帮助学习者了解个人缺失，个人特色，并针对问题予以提出改善方法。将脑波技术运用智慧学习资源评测过程，可以从学习者的注意力、学习兴趣和情绪波动方面进行评测并积极诱导。现代闹点生理神经学研究表明，脑波活动的某一模式与特定的精神状态相关联。通过脑波平率诱导诱发脑电波，能起到对人的精神状态的引导适应^[5]。诱发脑电波是指人为地对感觉器官施加刺激所引起的大脑皮层局部区域脑电位的变化^[6]。此外，根据脑波分析技术的特点，将其应用在智慧学习资源的评测方面，可以根据学习者的注意力、动机、学习兴趣、学习风格等特点给学习提供个性服务，同时检测学习者学习状态，进行积极干预，提出适合个人的解决方案，不断改进智慧学习资源。
 

（三）评测过程

根据对脑波技术的相关了解及其运用在智慧学习资源评测中，进行了以下构想——在学习者学习某一材料时：

1.运用脑波仪，将其安放在学习者头部；2.对学习者的学习过程进行检测并得出数据；3.根据对学习者学习过程的检测，脑波仪进行智能的诱导，对学习者进行积极干预；4.改善学习者学习过程。此过程如图2-1。

图 2-1  脑波技术评测智慧学习资源过程

（一）定义

量表是一种测量工具，它试图确定主观的、有时是抽象的概念的定量化测量的程序，对事物的特性变量可以用不同的规则分配数字，因此形成了不同测量水平的测量量表，又别称为测量尺度。量表设计就是设计被访问者的主观特性的度量标。量表开发过程包括题项初稿编制、专家效度建立、量表预试、项目分析、探索性因素分析、验证性因素分析、信度分析等步骤^[7]。
 

（二）智慧学习资源评价量表的编制

学习对象(Learning Object)是数字化学习资源的一个重要类型，它的许多核心理念如“可重用性”、“自足內聚”、“目标指向”、“可聚合”等，都成为后来数字化学习资源设计与开发的必备特征。同样，许多智慧学习资源在某种程度上也是学习对象这一理念在智慧学习环境下的实现和进一步发展。因此，适用于学习对象的资源评价模型可以作为智慧学习资源评价模型的重要参考，其中Nesbit等人提出的LORI(Learning Object Review Instrument)是比较经典的学习对象评价模型。如表3-2所示，在LORI的最新版本中，对于学习对象主要从以下9个维度进行评价^[8]：

表3-1 LORI 5.1版本的指标和主要内容描述

观察以上表格不难发现，很多类型学习资源的评价模型很多都是在此基础上发展和衍生出来的，其核心的一级指标同样也适用于智慧学习资源的评价。因此，LORI模型可以作为构建智慧学习资源评价模型的基础，但是我们仍然需要有针对性的调整部分指标项中的具体内容，如表3-2所示。

表3-2  智慧学习资源评价量表 

1.资源内容不再仅仅注重内容质量，也应强调内容数量。因此，一方面是内容是否真实准确，是否易于理解等关于内容质量方面的信息；另一方面是关于内容的丰富程度、详略是否得当(避免内容过载)，内容模块的大小是否适宜智慧学习情境下的使用等关于内容数量方面的信息。

2.学习目标的一致性和动机激发整合成“整体学习体验与一致性”。学习目标、动机激发更多的是从教育者的视角出发的一种描述方式，对于学习者而言，他们更关心的是学习资源在整体设计上是否能满足他们的需要，有一致的学习体验。因为智慧学习环境下学习者的时间和注意力极其有限，所以智慧学习资源是否能创设优质的学习体验至关重要，包括迅速的引起学习者的兴趣，吸引学习者持续投入注意力，并且在学习过程中不容易受到干扰。

3.反馈与适应性拆分成两个维度：学习反馈与评价、情境适应和个性化。我们认为，一方面学习评价是学习设计中一个不可或缺的组成部分，有必要设计一个单独的一级指标来进行描述；另一方面情境性和适应性已经成为智慧学习资源区分于数字学习资源的一个重要特征，因为智慧学习环境下的设备能够更方便的获取学习者和周围环境的情境信息，因此我们将“情境适应和个性化”也独立成一个单独的一级指标项。

4.交互设计拆分成两个维度包括人机交互和社会交互。传统的学习资源评价模型更多考虑的是人机交互的设计，如“导航便捷，用户界面符合心理预期，能够获取有效的帮助”。而当前大家越来越关注学习资源是否能促进学习者的社会交互。

5.可获取性的指标应考虑学习资源对不同人群、不同终端、不同网络环境的支持，同时，由于大量的学习资源以商业形式存在，因此资源的价格也是衡量其可获取性的一项指标。另外还应考虑是否包含多语言的版本，让使用不同语言的学习者使用。
 

（一）录像分析法定义

课堂观察的录像分析技术起源于由国际教育成就评价协会主办的“第三次国际数学和科学研究”（The Third International Mathematics and Science Study，简称“TIMSS”），结合中国实际，扩展的课堂教学录像分析方法是借助信息技术手段，对课堂教学中丰富而又复杂的师生交互过程的信息进行数字化处理和分析，并与教师教学行为分析相结合，使之成为提高教师课堂教学能力的有效工具（蒋明和，2014年）。
 

（二）课堂教学录像分析的特点

赵伟丽^[9]等将课堂教学录像分析的特点归纳为四大特征：

1.反复呈现，保持课堂信息完整。录像有着真实记录和随时复现的重要功能，不仅为研究者提供了事实依据，避免遗漏重要信息和不客观的分析，而且使得课堂教学成为可反复观察、多次研究的资料，这就为更全面、更深入地研究课堂教学过程提供了基本条件。

2.真实重现，审视自己的课堂行为。改进课堂教学和提高教师专业发展的关键在于授课教师能够自觉地进行教学反思。录像的真实重现，将有助于授课教师真实地了解自己的课堂行为，使其问题的解决更具针对性和有效性。

3.突破时空限制，利于多方交流。与随堂听评课不同，以录像为技术手段的研究不拘泥于课堂教学的现场情境，所以在很大程度上突破了时间和空间的限制，为不在场的专家，不同地区、不同学校之间的教师进行异时、异地的交流与借鉴提供了可能。

4.既可研究个案，亦可群体分析。录像研究可对一系列课例进行综合和比较，从根本上突破了传统的一节课的孤立研究方法，可以使得研究视野更宽阔、研究结果更全面，而且对教师而言，因为有了直观的借鉴，更能得到实质性的帮助和提高。

（三）录像分析法的分析维度

学习者、教师、学习活动是教学过程中不可缺少的核心要素，从行为层面分析，录像分析可概括为学生的学习行为分析、教师的教学行为分析、师生的互动行为分析^[10]。

1.学生的学习行为。①情绪表现：学生的情绪表现反映了学生的学习状态，直接影响着学生的参与水平和学习效果。要注意观察学生在课堂教学过程中是神情专注、主动思考、发言积极还是开小差、无精打采、不参与学习活动等。②个体参与：学生的个体参与水平主要包含三个维度：参与时间、参与广度及参与的思维水平。③交往合作：要观察学生是否有合作与交流的机会；是否具有问题意识，发表不同意见；是否能够尊重、倾听、理解他人的发言，并能及时抓住要点；是否能有效利用教师和同伴提供的信息，将其整合到自己的知识结构当中；等等。

2.教师的教学行为。①讲授行为：首先在讲授内容方面，重点观察教师能否创造性地使用教材。如根据学科特点，将教材内容与学生已有知识经验和现实生活相联系；不拘泥于对具体事实和概念的陈述和解释，更注重展现知识的过程与方法；等等。其次注意讲授时间，看教师是否为学生留有自主思考和合作交流的时间。②探究行为：转变学生被动接受学习方式为主动探究，成为我国新课程改革的重中之重。而学生主动探索学习的前提是教师表现出有恰当的探索性教学行为。如教师是否有意创设问题情境或抓住学生自主提出的有价值的问题，来启发引导学生对知识的形成过程进行探究；教师是否起到启发、点拨、合作等的角色作用，而不是独断和代办；是否为学生的探究活动提供了充分的时间保证；等等。

3.师生的互动行为。①问答行为：在教师问学生答中，教师所提问题的类型以及问题之间的逻辑联系是否紧密，必然影响师生互动的广度和效度。而学生的情绪反应说明他们是主动参与还是被动反应，从而为教师改进提问提供重要的依据。此外，教师的反馈也十分重要，是不予反馈、判断对错、表扬、批评还是进一步补充概括。在课堂教学录像研究中，要注意引导教师有意识地培养学生的问题意识及提问技能，鼓励、允许学生提出问题。②讨论行为：课堂讨论是一个新兴的师生互动方式，课堂教学录像研究能够为教师提供实际有效的帮助，达到比单纯理论培训更好的效果。观察分析课堂中的讨论，一是看讨论主题是否具有探讨价值，这以是否能够诱发学生的认知冲突，引起学生的思维参与为准则。二是看学生的讨论行为，以判断学生的参与程度。三看学生讨论时教师的行为。教师应作为一个“指导者”、“咨询者”、“顾问”参与到讨论当中，而不是一个“旁观者”的身份，应观察全班的讨论动态，对学生做出必要的指导。四是从总体上看讨论时间长短是否合适。观察学生是否积极思考形成了比较完整的观点，是否进行了相互的交流和充分的讨论。五是看讨论结束后的教师反馈。教师对学生的讨论结果绝不是简单的正误评价，亦不是对学生的答案简单复述，而应该有必要的总结概括、思路梳理和更深层的引导。
 

（四）录像分析技术在评测智慧学习资源方面的应用

录像分析技术在评测智慧学习资源方面的应用主要集中在评价方法、评价内容、评价功能三个方向^[11]。

1.在评价的方法方面，指标法与分类系统法相结合。我国采用较多的是指标法，即将课堂教学分成若干个一级、二级指标，评价时依据这些指标，对教学的优良中差进行判断。这一方法的优点是有助于对课堂教学整体情况进行评价，缺点是证据不足。西方教学评价多采用分类系统法，即对课堂上教师行为、学生行为或环境变量进行编码。例如，对提问行为的评价，从提问的对象、问题的设计、理答的方式、侯答的时间等进行分类编码。其优点是能针对某个教学行为深人挖掘，评价内容的结构化程度高，有数据等确凿的证据，能采用定量计算，信度较高；缺点是对整体的课堂教学质量无法判断。同时，将定量评价与质性评价结合，定量方法用于客观精确地描述教师行为和学生行为，质的方法用来描述课堂教学情景脉络，使二者互相结合，发挥各自的优势。

2.在评价的内容方面，教学设计评价与教学实施评价相结合。课堂教学的本质，是一个有目的的师生共同参与的活动，在其中，既有教学设计的不断展现与实施，也有教学过程中教师行为与学生行为之间的互动与生成。因此，在对教学过程中师生行为、教学结果进行评价的同时，应关注课堂教学设计，如教学目标、教学内容以及教学过程的设计，将教学设计作为课堂教学评价内容的有机组成部分。

3.在评价的功能方面，诊断性、导向性与研究性相结合。录像课分析最基本的功能是诊断教学问题，通过收集各种教学信息(如文本、教学视频片段、数据、图表等)，诊断教学中存在的具体问题；同时，它还具有评价的导向功能，对于有利于提升教学质量的一些特点，如教学目标具体、师生互动积极、教师指导有效、学生踊跃参与等，录像课分析也在这几个方面着重进行评价；此外，录像课分析通过收集课堂教学中体现教学优点和教学问题的证据，将其与相应的视频连接起来，建立一个基于信息平台的案例数据库，为开展教学研究和教师培训提供丰富的资源。
 

（一）口语报告法简介

口语报告法指的是，在实验中，被试者以口头说话的形式将自己头脑中思维活动的进程、各种心理活动等报告出来。报告的时间可以是在实验过程中或者实验之后。在使用这种方法的过程中，研究者需要记录被试者的口头陈述。然后将这些录音转换成文字或符号的形式，对其进行编码。最后对经过编码的口语报告中的字句进行统计分析^[12]。

按照报告时间的不同，口语报告法分为同时性口语报告和追述性口语报告^[13]。同时性口语报告指的是，被试者一边进行试验，一边口头报告自己的心理活动和思维过程。在报告过程中，被试者不需要解释为何这么思考，思维与口语化是同时进行的^[14]。追述性口语报告指的是， 被试者在实验完成之后回忆其思考的过程，然后录制下来。虽然追述性口语报告的内容可能比同时性口语报告更完整, 但也更间接、易失真, 需仔细鉴别。而短时记忆是对当前信息进行加工和贮存的, 是唯一对信息进行有意识加工的记忆阶段, 短时记忆信息可能更可靠、更有效。因此, 同时性口语报告法更受研究者青睐。
 

（二）口语报告方法的基本程序

1.模拟训练

在进行正式实验之前, 主试应选取与实验任务相类似的材料对被试进行足够的训练, 让他们在主试的指导与示范下, 一边完成任务一边进行口语报告, 从而熟悉口语化的思维方式, 能够较顺利地完成出声思考。

2.正式实验

主试让被试用口语报告的方法完成一个思维作业, 同时主试对被试的全部口述进行记录。如果被试在进行过程中间发生停顿, 主试可以问他在想什么。但是在实验过程中, 除非有特殊的研究目的并事先做出安排外, 主试一般不应提出问题, 以免干扰被试的思维过程。另外，主试要密切关注被试的行为反应, 并将这些反应及其发生的时间记录下来。

3.转译与编码

将口语报告的记录材料转译成书面的文字和符号的文本形式, 在转译过程中尽量做到一字不漏。然后按照思维主题对口语报告进行分段(分段时可以不考虑句子是否完整, 是否符合语法)并根据句子的意义进行分类与标记, 即进行编码, 确定每个片断中被试所运用的策略。为了使口语报告的转译与编码准确可靠, 必须建立科学客观的转译规则与编码方案。

4.数据分析

对经过编码的口语报告中的句子进行统计分析。一种常用的方法是利用“问题行为图”技术对被试解决问题的过程进行图解分析。这种问题行为图由两个成分组成:(1)知识状态, 即被试在某一具体时刻所知的关于作业或问题的全部信息;(2)操作, 即被试每次用来改变其知识状态的手段。一般可用方框来表示知识状态, 用箭头来表示改变知识状态的操作, 箭头的方向指出知识状态变化的路线,画要遵守从左到右和自上而下的原则, 要依次排列。若出现知识状态的重复, 就倒退到原先的状态。但是这种对报告的处理方法只能停留在定性的描述性的层面, 给研究结果带来一定的主观性^[15]。如表5-1与表5-2所示，是相应的知识状态和思维操作编码解释，图1是各类问题行为图的口语报告资料及其分析示例。

表5-1 知识状态编码表

表5-2 思维状态编码表

图5-1 各类问题行为图的口语报告资料及其分析示例

（三）口语报告法在智慧学习资源中的简要案例设计

1.研究目的

选择陈琳老师国家精品开发课程《现代教育技术》模块一第3单元现代教育技术定义，研究学生在学习这一小节内容时的思维过程

2.实验被试

16级本科班学生，总共51名同学，男生24名，女生27名（虚拟数据）

3.仪器与材料

仪器：记录用纸、笔、录音工具
材料：关于对“现代教育技术”定义的认识，题目如下,通过老师讲解，你对现代教育技术的定义是如何理解的，在你心目中的定义是什么，其原因有哪些？

4.操作方法与程序

（1）讲解要求

向学生陈述答题的要求：①独立思考完成，不能相互讨论交流，完成作答后也不能向下一批被试者透露题目。这样的要求是为了保证每位被试者的思维独立性，确保题目对每一个被试都是陌生的。②有不清楚的地方可向老师询问，但对于和问题解答相关的提问，老师不会做明确的回答。③每一位被试应该尽最大努力去思考解答问题，不能蒙混过关。

（2）施测

分发纸张，让学生在25分钟内完成写出自己的思考，也可提前完成，主试在笔记本上记录下学生做题过程中的提问以及主试的回答，完成解答所花时间。学生做答完毕后，由主试带到安静的屋子里，被试向主试口语报告自己解题的思维过程，主试用录音笔记录下被试的回答。被试口语报告过程中，主试不要打断，如果被试长时间停顿不做回答，主试可做适当的暗示。 （追述性口语报告）

（3）材料转换

将录音笔录下的口语报告逐字逐句整理成文字材料，并将此材料与录音材料和当时纸笔记录以及学生试卷等内容进行反复的核对与补充。

（4）进行统计分析

 

(一)学习行为分析概述

学习分析包括行为分析、情感分析、知识结构分析、学习路径分析等多个方面。Papamitsiou和Economides^[16] 对现有学习分析相关研究进行了聚类分析，发现大多数学习分析都是围绕学习行为数据展开的，即学习行为分析。

学习行为分析是学习分析的重要组成部分，旨在对学习过程中记录下来的相关行为数据进行有目的的分析。采集的行为数据既可以是操作层面的行为日志，也可以是能够反映认知行为的其他数据(比如交互文本)。学习行为分析的目的是挖掘隐藏在行为数据背后的有价值信息，比如行为模式、行为规律、行为习惯等，最终促进人们对于学习过程、学习结果以及学习环境的理解和优化。这里主要对在线学习行为分析简要介绍。

(二)在线学习行为分析研究现状

国外的研究者更多注重于进行实际操作，跟踪、记录并分析学习者的学习行为，对在线学习行为分析的研究主要集中在三个方面^[17]：使用软件工具追踪和记录在线学习行为；关注学习者需求和在线学习环境；寻找在线学习行为和学习绩效的关系。Lee研究了不同网络环境下学习者在线学习过程中与学习者个性特征相符的学习策略；Yang & Tsai釆用问卷进行信息收集，对学习者在线学习中的学习环境偏好和学习信念进行探讨；Romero提出了在个性化学习系统中提高Web挖掘效率的高级架构；Alkhattabi针对目前在线学习系统中学习质量不佳的事实，使用Web数据挖掘技术建立学习质量评价的模型。Lo则通过学习者在线学习的路径、浏览顺序和习惯，确定该学习者可能具有的学习风格和学习偏好，为学习者推荐相应的学习资源。Wan-I Lee^[18]借助网络学习者的学习需求、学习行为记录和个性特征等方面研究，探讨了学习者的学习绩效评价方式。

国内学者更加关注学习行为偏好的调查、行为数据的采集、行为分类指标的制定、学习行为概念模型与信息模型的构建、对特定群体的学习行为特点的分析以及关键实现技术。郁晓华^[19]基于学习活动流构建的一个学习分析的行为模型中针对不同的情境下详细阐述了学习者不同学习偏好的应用；王榴卉等^[20]提出在网络学习行为采集过程中需要五个步骤对外显操作和内隐认知两个层面的数据进行采集；彭文辉等^[21]提出了网络学习行为的一个多维度和多层次的模型，以期反映网络学习行为在行为类型多样性和行为级别层次性上的特点；彭文辉等^[22]使用概念图的方法，构建了一个较为严密和完整的网络学习行为系统概念模型；针对特定群体的学习行为特点的分析有大学生网络学习行为研究、基于E-learning的用户学习行为分析及应用研究、高职学生学习行为研究、网络学习行为及其分析系统研究等等；魏顺平^[23]在介绍国内外学习分析技术研究现状时，归纳出了学习分析技术的关键技术及分析模式。

总体而言，当前国内外学习行为分析研究虽然取得了一定的进展，但仍处于起步阶段，还有很多现实问题亟待解决。

(三)在线学习行为分析在评测智慧学习资源方面的应用

学习分析是测量、收集、分析和报告关于学习者及其学习情境的相关数据， 以促进对学习过程的理解，并对学习及其发生的环境进行优化。《2012NMC地平线报告（高教版）》指出，学习分析的本质是对学习行为的分析， 分析基础是学生生成的大量数据，主要目的是评估学生的学术进展， 预测未来的表现，发现潜在的问题，促进学习反思。

目前，可以使用软件工具追踪和记录学生利用智慧学习资源的在线学习行为。在线学习行为分析的工具有很多，其中滞后序列分析法(Lag Sequential Analysis，简称LSA) 是在线学习行为分析的一种方法，主要使用Bakeman和Quera合作研发的交互行为分析专用软件GSEQ(General Sequential Querier)^[24]，这个软件能够方便、有效地辅助行为数据处理，从而帮助研究者寻找在线学习行为和学习绩效的关系，评测学习者利用智慧学习资源的能力，更加理解学习者的需求，并为他们进一步推荐个性化智慧学习资源。

应用GSEQ软件分析在线学习行为序列模式的主要过程包括：(1)按GSEQ要求的格式输入所有行为编码；(2)系统编译，生成MDS文件；(3)检验行为编码的Kappa一致性(针对由多人完成的编码)；(4)进行行为序列分析，得到行为转换频率表和调整后残差表；(5)根据调整后的残差表筛选具有显著意义的行为序列，并绘制行为转换图。

目前，国内外对LSA在学习行为分析中的应用主要集中在三个方面^[25]：

1.LSA分析整个活动过程行为模式

这是目前比较常见的应用策略。在以往技术增强学习的研究中，研究者往往关注某种技术工具的引入是否能够提高学习成就、激发学习动机、改善学习态度等话题，进行的分析大都是对结果数据的统计分析，忽视了对整个学习过程中学习者的行为表现。基于LSA分析整个活动过程中学习者的行为模式，可以为学习结果变化的原因提供行为视角的解读。这就好比打开了学习的“黑箱”，让研究者和教师清晰地认识整个学习活动中学生群体的行为表现模式、操作习惯以及行为偏好。同时，也有助于从行为视角发现学习活动、学习模式、学习方法与策略在教学实践中存在的缺陷，从而进行针对性的修正与完善。

2.LSA分析不同活动阶段行为模式

教学实践中，研究者和教师常会将整个活动划分为不同阶段(比如以天、周、月等为时间间隔)进行阶段性评价。应用LSA分析掌握不同活动阶段学生的行为模式，可以帮助教学者更好地掌握学生的阶段性行为表现，诊断学习过程中影响学习效果的潜在问题，从而为改进教学模式、调整教学策略提供科学的依据。

此外，还可以应用LSA对不同活动阶段学习者行为模式进行比较，以发现不同阶段之间的内在行为联系，更全面地勾勒学习者在整个活动过程中的行为发展路径。

3.LSA分析高低成就组行为模式

应用LSA比较不同成就水平的学生在行为模式上的差异，可以更好地解释技术工具介入下的教与学为何能对学生的成绩产生不同程度的影响。高低组学生不同的行为模式差异可能是导致成就不同的关键所在。此外，高低成就组行为模式的差异还可以与动机、兴趣、态度等变量进行交叉分析，探讨外在行为与内在情感、认知之间的关联关系，从而更加全面、准确地把握技术促进学习的内在机理。

除了上述三种应用策略外，LSA还可以用于比较分析性别、年龄、学习风格等个性特征对学习者行为表现的影响；还可以用于以学习者个体为中心的行为发展研究，持续采集不同阶段某学习者的学习过程数据，进行深度的纵向行为发展分析，以了解学习者个体行为发展的特征、优势与不足，从而进行针对性的个性化行为矫正。LSA不仅可以用于在线学习行为的分析，也可以应用于传统课堂师生交互行为分析以及学习者的个性化非正式学习行为分析(比如参观博物馆、图书馆学习等)。

[1] 王雨, 陈莹. 眼动分析法在教育技术领域的应用与趋势[J]. 江苏广播电视大学学报, 2013, (6): 27-31 .

[2] 冯小燕, 王志军, 吴向文. 我国教育技术领域眼动研究的现状与趋势分析[J]. 中国远程教育, 2016, (10): 22-29.

[3] 曹卫真, 车笑琼, 祁禄等. 画面主体位置布局的眼动实验及对网络视频资源建设的启示[J]. 远程教育杂志, 2013, (5): 97-106.

[4] 百度百科. 脑波[DB/OL]. https://wapbaike.baidu.com/item/脑波/6767523?adapt=1&fr=aladdin, 2017-4-21.

[5] 王兆源, 周龙旗. 脑电信号的分析方法[J]. 第一军医大学学报, 2000, 20, ( 2): 189-190.

[6] 牛志伟. 智能脑波仪系统软件[D]. 山西:中北大学.2009.

[7] 百度百科. 量表[EB/OL]. http://dwz.cn/5Sq7Cf, 2017-4-22.

[8] 程罡, 高辉, 余胜泉. 基于真实用户评论信息构建移动学习资源的评价模型[J]. 现代远距离教育,2014(1):43-53.

[9][10] 赵伟丽. 课堂教学录像研究:一种新的课堂观察策略[J]. 教育教学论坛,2014,(29):112-113.

[11] 何光峰. 录像课分析在教学质量监测与评价中的应用[J]. 教育科学研究, 2014(4):5-9.

[12] 任洁，许尚侠．当代心理学对口语报告的研究评述[J]. 心理科学,1998(1):77-78.

[13] ERICSSON K A, SIMONH A. Verbal Reports as Data[M]. Cambridge，MA：MIT Press，1984：55-57.

[14] 蹇佳君, 张文鹏. 口语报告法的分类及其在语言认知研究中的应用[J]. 电子科技大学:社科版，2010(2):50－53.

[15] 李亦菲, 朱新明.一种通用的口语报告编码方案[ J] . 心理学动态, 1998, (4):47-51.

[16] Papamitsiou Z., Economides A. A. Learning analytics and educational data mining in practice: a systematic literature review of empirical evidence[J]. Educational Technology & Society, 2014, 17 (4): 49-64.

[17] 胡艺龄,  顾小清,  赵春. 在线学习行为分析建模及挖掘[DB/OL]. http://www.doc88.com/p-6992150415764.html, 2015-06-03.

[18] 程玫. 智慧学习环境中的学习行为分析研究[D]. 南京邮电大学,2014.

[19] 郁晓华,顾小清. 学习活动流:一个学习分析的行为模型[J]. 远程教育杂志,2013,(04):20-28.

[20] 王榴卉,侯悦,杨现民. 大数据支持下的网络学习行为采集模型设计[J]. 江苏开放大学学报,2016,(04):56-63.

[21] 彭文辉,杨宗凯,黄克斌. 网络学习行为分析及其模型研究[J]. 中国电化教育,2006,(10):31-35.

[22] 彭文辉,杨宗凯,刘清堂. 网络学习行为系统概念模型构建研究[J]. 中国电化教育,2013,(09):39-46.

[23] 魏顺平. 学习分析技术:挖掘大数据时代下教育数据的价值[J]. 现代教育技术,2013,(02):5-11.

[24] Bakeman R., Quera V. Analyzing interaction: Sequential analysis with SDIS and GSEQ[M]. Cambridge: Cambridge University Press, 1995.

[25]杨现民,王怀波,李冀红. 滞后序列分析法在学习行为分析中的应用[J]. 中国电化教育,2016,(02):17-23+32.