学习分析在学业规划和监控中的纵向影响：自我效能感和数据素养的作用

《COMPUTERS and EDUCATION》：Longitudinal effects of learning analytics support for study planning and monitoring: Role of self-efficacy and data literacy

本研究通过准实验设计，对比分析使用学习分析仪表盘（LAD）与传统数字工具的学生群体在学术路径学习规划与监控中的感知支持变化。结果显示，实验组学生在LAD支持下感知支持显著提升（规划支持均值从4.8增至4.95，监测支持从4.75增至4.85），且高数据素养学生受益更明显，而自我效能感影响不显著。研究揭示了LAD可能加剧技术素养差异的伦理风险，强调需同步提升学生数据素养以优化技术工具支持效果。

　　
该研究聚焦于学习分析仪表盘（LAD）对学生学业路径自我调节能力的影响，通过对比实验组与对照组的长期数据，揭示了技术工具与学生内在素养的互动机制。研究基于芬兰某高等教育机构的教学实践，历时一年收集三次量化调查数据，运用潜增长曲线模型（LGCM）进行纵向分析，发现以下关键结论：

### 一、研究背景与问题提出
当前高等教育中，学生需在跨多门课程、长期连贯的学术路径中完成自我规划与监控。传统研究多关注单门课程或短期干预效果，缺乏对学术路径层面支持的系统性探索。学习分析仪表盘作为新兴支持工具，其可视化功能（如学分预估、课程难度对比、毕业时间预测）理论上能提升学生自我调节能力，但实际效果受学生素养差异影响。

研究突破点在于：
1. **纵向视角**：追踪学生从秋季入学到次年春季的动态变化，弥补现有研究多采用横截面设计的不足
2. **双重变量对比**：同时考察数据素养与自我效能感的影响差异
3. **伦理风险关注**：揭示技术工具可能加剧的能力鸿沟问题

### 二、研究设计与实施
实验采用准实验设计，将105名学生分为：
- **试点组（n=54）**：部署定制化LAD，包含动态学术路径规划、同伴对比可视化、学分完成度预测等功能模块
- **对照组（n=51）**：仅使用机构常规数字工具（Peppi课程系统、Tuudo日程管理）

数据采集周期为T0（入学初期）、T1（学期中）、T2（期末），测量指标包括：
- **自我效能感**：改编版Pintrich自我调节学习问卷（MSLQ）
- **数据素养**：Lau & Yuen的ICT素养量表（评估信息解读、整合、应用能力）
- **支持感知**：自编问卷（1-7分量表），区分总体支持、LAD专项支持与其他数字工具支持

研究创新性体现在：
- **仪表盘功能设计**：整合学术路径规划、动态进度可视化、多维度比较分析
- **评估维度细化**：区分规划（目标设定、路径优化）与监控（进度追踪、风险预警）两类支持
- **混合方法论**：定量数据与工具使用日志（试点组自主访问记录）相结合

### 三、核心研究发现
1. **技术干预的长期效益**：
- 试点组在规划支持（初始4.80→期末5.95）和监控支持（初始4.75→期末5.92）上的提升幅度均显著高于对照组（规划+0.15 vs +0.05，监控+0.17 vs +0.07）
- LAD专项支持与总体支持呈正相关（规划r=0.43，监控r=0.38）

2. **素养差异的调节效应**：
- **数据素养**：高素养组（前25%）在规划支持上增速达0.22/学期，显著高于低组（0.12）；监控支持增速差异达0.17 vs 0.10
- **自我效能感**：未发现显著相关性（β=0.01，p>0.05）
- **工具使用频率**：67%试点组成员自主访问LAD≥1次，月均使用频次与支持感知呈弱正相关（r=0.31）

3. **技术伦理风险显性化**：
- 高数据素养学生LAD使用频率（2.4次/学期）是低组（1.2次）的2倍
-对照组中仅38%能准确解读机构提供的常规数字工具界面，而试点组数字工具使用熟练度提升27%

### 四、理论启示与实践反思
1. **学习分析工具的效能边界**：
- LAD需突破"技术决定论"局限，其效益实现取决于用户数据素养的"最低门槛"
- 研究发现素养差距扩大效应：试点组中高素养学生支持感知增长达18.7%，低组仅9.3%

2. **自我调节理论的新验证**：
- 确认Pintrich四元模型（计划-监控-调节-反思）中规划与监控的适配性
- 自我效能感在数字时代呈现"去中心化"特征，需重新定义其在技术生态中的影响机制

3. **教育技术设计原则重构**：
- **分层支持策略**：对基础素养群体提供结构化引导（如默认启用对比视图）
- **动态评估机制**：建议每学期更新素养基线数据，建立动态适配模型
- **伦理嵌入设计**：开发"素养敏感型"仪表盘，当检测到用户交互异常时自动触发辅助说明

### 五、实践建议与发展方向
1. **教学支持体系优化**：
- 将数据素养培养纳入通识课程（如芬兰教育部的"数字能力框架"）
- 建立"素养-工具"映射矩阵，根据学生测试结果推荐适配功能模块

2. **技术改进路径**：
- 开发渐进式界面（如从基础进度条到AI建议的阶梯式呈现）
- 内置"素养诊断"模块，在用户首次接触复杂功能时提供定制化引导

3. **研究深化方向**：
- **纵向追踪**：将研究周期延长至2-3年，观察素养积累效应
- **混合方法**：结合眼动追踪（如观察信息注意焦点）与访谈（深层认知过程）
- **跨文化验证**：在德国（DAAD项目）和新加坡（教育科技中心）开展对比研究

该研究为教育技术伦理框架构建提供了实证基础，揭示出素养差异可能导致的"数字马太效应"。建议后续研究关注：
- 不同学科领域对数据素养需求的差异性
- 多模态反馈（如AR可视化）对低素养群体的适应性
- 生成式AI时代素养评估维度的扩展（如AI指令理解能力）

研究局限表明，需加强：
- 前测素养基线控制（当前数据素养测量为单时点）
- 工具使用深度分析（现有自报数据可能存在社会称许性偏差）
- 交叉变量研究（如将性别、学科专业纳入分析框架）

该成果为欧盟"数字教育行动计划"（2021-2027）提供了重要参考，其方法论（LGCM+混合评估）已在新修订的《芬兰高等教育数字化白皮书》中被推荐为最佳实践模板。