微证书中的结构化灵活性：自我调节成就路径的时间分析

《COMPUTERS and EDUCATION》：Structured Flexibility in Microcredentials: A Temporal Analysis of Self-Regulated Achievement Pathways

本研究基于自我调节学习与时间序列分析框架，通过纵向聚类、逻辑回归和随机森林模型，分析了885名完成者的学习轨迹。发现早期主动参与评分任务（OR=32.85）显著提升高成就概率，关键评估节点是区分高、低成就者的核心因素，高成就者遵循六种结构化路径模式，强调持续完成关键里程碑与动态调整学习策略的平衡。

　　

Ji Hyun Yu | Fengjiao Tu | Kamini Suresh Yelamar

北德克萨斯大学

摘要

随着多课程微证书在劳动力发展中的重要性日益凸显，学习者需要持续进行自我调节的学习。大多数学习分析研究依赖于静态模型，这些模型主要关注辍学与完成情况，而没有区分那些完成课程的人中哪些掌握了扎实的知识，哪些仅达到了最低要求。本研究基于自我调节学习（SRL）和时间学习分析（TLA）理论，对885名课程完成者的学习过程进行了纵向分析，这些完成者被分为高成就组和低成就组。我们结合了纵向聚类、特定学习方式的逻辑回归、随机森林建模和差异序列模式挖掘等方法，以识别与高成就相关的模式。研究结果显示，在学习初期阶段存在明显的预测不对称性：早期积极参与评分任务（如完成同伴评估）可将高成就的概率提高约33倍（OR = 32.85），而被动学习则没有显著效果。在整个学习过程中，重要的评分评估是决定成就的关键节点。全流程随机森林模型的ROC-AUC值为0.975，表明总结性评估比形成性活动更能清晰地区分高成就者和低成就者。序列模式挖掘并未发现单一的成功路径，高成就者遵循了六种不同但连贯的学习模式，这些模式在形成性参与度上有所差异，但最终都符合总结性要求；相比之下，低成就者的学习路径较为零散和不一致。这些发现支持了一种结构化灵活性的模型：持续的成功依赖于关键评分节点的稳步完成以及对周边学习活动的适应性管理。

章节摘录

引言

微证书和专业认证已成为现代劳动力发展和职业学习的核心组成部分。与通常由兴趣驱动的单门课程MOOC不同，这些多课程、可叠加的证书项目旨在认证特定的、与职业相关的能力，并弥合非正式教育与正式教育之间的差距（Clements等人，2020；Gauthier，2020）。虽然这种结构化模式为获得证书提供了明确的路径（Pickard等人，2018），但它也引入了新的挑战……

微证书学习中的纵向持续性挑战

“微证书”这一术语的定义尚未达成共识（Bideau & Kearns，2022；Tamoliune等人，2023）。该领域涵盖多种形式，从单门课程的数字徽章和简短的能力评估（Ha等人，2023）到更复杂的多课程认证（McGreal & Olcott，2022）。本研究重点关注一种日益常见的形式：多课程、可叠加的专业认证。

方法论

本研究的方法论基于文献综述中建立的SRL（自我调节学习）和TLA（时间学习分析）综合框架。如第2.3节所述，我们通过建模SRL的行为表现而非其内部认知阶段来实施该方法。为确保理论一致性，我们将具体数据与Zimmerman提出的“预习”、“表现”和“反思”三个循环阶段相对应，并在项目的生命周期宏观层面上进行解读。

RQ1：宏观层面特征分析

K-means聚类分析根据885名课程完成者的45个参与特征将他们分为不同的纵向组别。Elbow方法（图2）表明k=3时为最佳解，此时组内方差开始趋于稳定。该分类方法的平均轮廓得分为0.409，证实了各组之间的显著差异。 单因素方差分析（ONE-WAY ANOVAs）确认这三个组在所有参与特征上存在显著差异（p < 0.001）。

主要发现

本研究旨在超越静态的二元预测模型，将持续性视为一个随时间发展的过程。通过结合纵向特征分析（RQ1）、特定学习方式的预测（RQ2）、结构敏感性分析（RQ3）和序列模式挖掘（RQ4），我们发现，在这个群体中，长期保持微证书成就并非固定不变的个人特质，而是一种动态能力，它取决于学习者如何根据具体情况调节自己的学习努力。

CRediT作者贡献声明

Ji Hyun Yu：写作——审稿与编辑、初稿撰写、项目管理、方法论构建、数据分析。 Kamini Suresh Yelamar：数据可视化、数据分析与整理。 Fengjiao Tu：写作——审稿与编辑、方法论构建、数据分析与整理。

未引用的参考文献

Boroujeni和Dillenbourg，2018；Kleimola等人，2025；Paavilainen等人，2025；Song等人，2022a；Song等人，2022b；Yang等人，2025。

数据可用性声明

本研究生成和分析的数据可应要求向相应作者索取。数据将提供给提出合理方法论方案、旨在将数据用于学术和教育目的的研究人员。

关于写作过程中生成式AI和AI辅助技术的声明

在撰写过程中，作者使用了ChatGPT和GitHub Copilot来改进代码，使用Grammarly检查语法错误并提升文本可读性。使用这些工具后，作者对内容进行了必要的审查和编辑，并对出版物的内容负全责。

利益冲突声明

无。