余明华，张 治，祝智庭
* 本文系全国教育科学“十三五”规划2019年度国家一般课题“基于学生画像的综合素质评价行动研究”(课题编号：BCA190084)研究成果。
引用请注明以下信息：
余明华,张治,祝智庭.基于可视化学习分析的研究性学习学生画像构建研究[J].中国电化教育,2020,(12):36-43.
研究性学习是一种围绕项目或课题组织的学习模式[1]，旨在培养学生的问题解决能力、批判性思维和创新能力等。虽然技术支持随时随地开展研究性学习，但是也存在一些问题：一方面，教师评价和指导困难、无法即时掌握学生学情，以致难以即时指导学生，而学生缺乏指导、遇到困难容易产生厌学情绪放弃探究等[2]；另一方面，研究性学习平台已经累积了大量学生的学习经历数据，如何发挥这些数据的价值，更好地支持和服务于师生，是大数据时代下研究性学习研究领域亟需解决的问题。学习分析技术通过收集、分析和报告数据，理解和优化学习及其产生的环境，能够为解决上述问题提供技术方案。可视化呈现是学习分析技术的重要特征[3][4]，而学生画像作为一种可视化学习分析技术，其作用在于通过学生信息标签化的形式呈现学习分析结果，不仅能够更直观地理解学生，还有助于降低大量数据给师生带来的认知负荷[5]，支持师生更好地理解学习分析结果[6]。目前，已有的画像研究聚焦于依赖个人经验或数据驱动进行数据分析，缺乏教育理论对整个构建流程的指导和调控。并且，国内较少有研究对能力画像的构建进行深入探讨。本研究采用可视化学习分析和画像构建技术，结合研究性学习理论和特点，构建了研究性学习学生画像流程框架，在此基础上，对构建学生画像展开了具体研究，最后通过可视化技术设计并呈现了面向教师的学生群体画像和面向学生的个人画像。学习分析的概念正式出现于2011年，通过“测量、收集、分析和报告学生及其学习环境的数据，用以理解和优化学习及其产生的环境”[7]。教育大数据为学习分析的发展提供了机会。大量可用的数据让研究者更多地关注如何通过收集和分析学习数据以洞察学生的学习活动[8][9]。学习分析过程一般包括数据采集、数据分析、结果可视化呈现和反馈应用等[10][11]。可视化学习分析是结合学习分析和可视化分析的一个新兴交叉研究领域，通过强调计算机自动化分析和可视化优势支持人类推理和决策过程，理解复杂的学习现象和解决复杂的学习问题[12]。可视化分析过程包括数据采集与预处理、可视化表征、建立模型与验证假设、获取知识等，是一种非线性过程[13][14]。与其相比，可视化学习分析过程更强调发挥学习理论的指导和调节作用[15]，不是单纯地依赖数据驱动或人类经验，其流程模型如图1所示[16]。
在国外，可视化学习分析不仅支持理解教育现象[17]，也支持启发教育决策[18]。Van Aalst[19]结合可视化分析技术开发了基于知识论坛服务器数据的形成性评估工具，为教师和学生提供关于自我评估和反思的知识构建动态信息。Chen[20]采用可视化分析技术支持课堂话语分析，促进教师专业学习和发展。在国内，学习仪表盘是典型的可视化学习分析工具。张琪和武法提[21]、包昊罡等[22]对学习仪表盘的设计展开了研究。相比学习仪表盘强调呈现学生的学习行为，学生画像以刻画和呈现学生信息全貌为特点，近年来已逐渐成为研究的热点。用户画像的概念最早由Cooper提出，是指建立在一系列真实数据之上的目标用户模型[23]。主要有三种构建方法，包括定性用户画像方法、基于定性研究的定量用户画像方法和经定量检验的定性用户画像方法[24]。学生画像是用户画像在教育领域中的应用，也是一种可视化学习分析技术。一般认为学生画像的概念来源于用户画像，但其在教育领域早已有相关概念，如学习者建模、电子学档和学习仪表盘等。这类概念的共同点旨在反映学习者的行为特征和信息等(如表1所示)。
在理解以上概念的基础上，本研究认为学生画像的实质是，在分析学生学习数据的基础上，从不同维度全面、细致地对学生的信息全貌进行抽提和刻画的学生模型，通过反映学生的知识能力水平、行为特征、兴趣偏好和潜在需求等，为其提供精准的个性化服务。在国外，有研究构建用户画像作为教学代理应用于教学设计[30]。作为教学代理的用户画像既可以作为知识导师促进学生学习，也可以在学习过程中为学生提供富有情感、类似人类的互动[31]，还能够为学生提供总结性描述。在国内，大部分研究聚焦于学生的交互行为数据，根据行为特征对学生群体进行划分[32-34]，以支持个性化学习[35][36]；也有研究对教师画像构建展开了研究，以支持精准教研[37][38]。通过梳理文献可知，目前大部分研究主要关注学生的学习参与度、积极性和学习动机等特征，聚焦于浅层学生画像构建；较少有研究结合学习理论关注学生的能力或素养构建深度学生画像。在参考以上文献的基础上，本研究基于可视化学习分析技术，采用基于定性研究的定量用户画像构建方法，提出了基于可视化学习分析的研究性学习学生画像流程框架，如图2所示，以具体指导学习画像的分析、刻画和呈现。
明确学生画像的构建目标，有助于划分其构成要素和模型构建，从而确定画像的指标输入和输出结果。通过文献和需求调研，本研究将研究性学习学生画像划分为能力属性、行为属性和兴趣属性三个维度。其中，能力属性是画像的核心部分，通过对研究性学习过程及评价内容的解析，对学生在研究过程中运用问题解决能力处理项目或课题任务的外在行为表现进行表征，支持学生调整学习行为，教师开展有针对性的指导。行为属性是对学生的交互行为表现(如学习参与度、学习动机、学习积极性等)进行表征，帮助学生自我监控学情和表现。兴趣属性是对学生的研究兴趣进行表征，支持教师基于学生兴趣提供个性化资源，助其发挥专长。数据采集是学习分析和画像构建的基础。为了保证能力画像构建的质量，本研究前期构建了研究性学习评价指标体系以指导学习数据的具体采集，采集来源于基于xAPI的研究性学习行为记录库。数据的预处理也会直接影响学习分析的质量，因此有必要先进行数据预处理。基于xAPI的行为记录库所采集的数据初始格式为JSON格式嵌套的Statements语句，需要先将其转换为CSV格式，以便研究人员更好地理解和分析。转换后的数据还需进行数据清洗，选取与评价指标体系相关的属性值后，清洗处理其中的缺失值、错误值、冗余值和不确定性数据等。最后，对数据进行极端值和标准化归一处理，以保证数据量纲一致。本研究对1550名高中生及其开展的493项课题的相关数据进行了采集和预处理。预处理后的数据被分为四类，即学生的基本信息、课题数据、交互行为数据和兴趣特征数据。其中课题数据是学生基于研究支架的过程性数据；交互行为数据包括常规操作(登录、登出、点击访问、浏览下载、保存删除等)、协作交流(师生、生生)、查看、分享和评论资源(课题和学习资源等)、记笔记等；兴趣特征数据包括搜索、点赞和收藏资源、以及多元智能测试结果等。画像构建包括定量画像和定性画像，其中定量画像主要考虑画像的颗粒度；定性画像主要实现标签化。为了确定画像的颗粒度，需要基于采集的数据继续细化画像的子维度内容。其中，能力画像呈现学生的研究能力及其表现，分为画像类型、能力展示和研究进展三个子维度；行为画像呈现学生学习风格中信息加工和信息输入的表现，分为学习风格、学习参与度、学习意志三个子维度；兴趣画像分为兴趣偏好、潜在研究需求两个子维度。学习分析采用因子分析、聚类分析和基于xAPI的画像建模三种方法。其中，因子分析旨在划分研究性学习的过程，以支持呈现学生在不同过程阶段的能力表现及进展。聚类分析旨在识别不同研究能力的学生群体[39]，以支持呈现和刻画学生的画像类型。基于xAPI的画像建模旨在通过映射基于xAPI Statement语句的画像行为指标捕捉学生的学习数据，以支持动态呈现学生的研究进展、行为画像和兴趣画像。定性画像的核心工作是为不同学生群体打标签。学生画像的标签有两个重要特征：语义化和短文本。其中，语义化方便教师和学生理解每个标签的描述和意义，通过标签快速读出其中蕴含的信息，使得学生画像模型具备实际意义；而短文本能够为机器提取标准化信息提供便利，支持机器做标签提取、聚合分析。标签既可以是文字，也可以是数字[40]。学生信息标签化主要基于定量画像结果构建标签体系，并结合数据特征分别刻画静态标签和动态标签。学生画像作为一种可视化表征形式，其呈现需要依赖数据可视化技术。图标图形能够较好地支持文本型数据和画像标签的呈现。几何图形是结构化数据可视化领域的研究方向，柱状图、线图、饼图等是教育领域常用的数据可视化形式，用于展示多维数据属性。因此，在画像输出部分，具体结合数据类型特征，选取适当的可视化技术对面向学生的个体画像和面向教师的群体画像进行设计和呈现。为了确定和划分研究性学习的过程维度，基于课题数据开展了同质性检验和探索性因素分析。同质性检验分析结果表明，课题数据项的整体信度系数是0.692，接近0.7，说明信度适中；所用数据项的共同性和因素载荷均在标准范围内。在探索性因素分析中，KMO值为0.748(大于0.6)，且Bartlett球形检验近似卡方值为1372.238(p<0.001)达到显著水平，说明数据适合做因子分析。采用主成分分析法进行探索性因子分析，使用正交方法对因素进行旋转。经反复实验，当设定因子数为5作因子分析，删除“归纳观点或结论r13”时，所得到的结果符合前期构建的研究性学习评价指标体系中的过程维度，可解释方程累积贡献率为65.774%。旋转后的成分矩阵如表2所示。其中，由于在线行为采集的特殊性，虽然因子5只有1个观测变量，在实践中也可进行分析。
根据数据项的属性特征，结合研究性学习评价指标体系，对5个因素分别进行命名。最终确定，研究性学习过程维度包括“提出问题”“理解问题”“收集资源”“分析推理”“总结反思”五个阶段。为了识别和划分不同问题解决能力水平的学生类别，选用K-means聚类法对课题数据进行聚类分析。聚类分析前，先对总体数据进行描述。分析结果表明，数据量纲相同，分布于0—1之间，平均值约在0.009—0.607之间，标准差约在0.064—0.288之间，说明数据集分布差异合理，可进行聚类分析。聚类分析前，一般由分析者自行决定聚类的类别数，类别数将决定后期画像构建的类型数，一般以3—4个画像最佳。本研究通过多次分析后发现，当聚类数为4时，得到的学生行为特征和数目最为适宜。在尝试不同聚类数时，为确保所有变量在各类之间均有差异性，根据对各变量类之间的比较，删除类间无差异变量r10、r11和r12(p>0.05)。同时发现课题样本中存在2个离群值。因此，删除类间无差异变量和离群值后，最终剩余10个数据项、491份课题的数据样本用于分析。最终各类聚类中心距离分布均匀，如表3所示。
最终聚类中心数据能够用于描述各个类别的特征。为了更好地理解不同行为特征的群体并对其进行准确描述，本研究根据最终聚类中心数据中各行为变量在各个类别中的平均值与整体平均值相对比，得到4类能力特征的学生聚类，如图3所示。
由图3可见，聚类1和聚类4在各步骤的行为表现普遍都高于聚类2和聚类3，其中聚类1在r4、r6表现较好，聚类4在r5和r14表现较好，聚类3在各步骤的行为表现最弱，基本都低于总体平均水平，聚类2总体水平与平均值持平，但是在r4、r5、r6的行为表现低于平均值，而在r14超过了其他类别的所有学生，说明聚类2的学生对理解问题方面存在困难，但是总结呈现的能力较强。结合不同聚类学生在不同过程维度上的表现，参考PISA等级命名及其相关描述[41]，将聚类1、2、3、4初步命名为“善于推理和决策的问题解决者”“基本的问题解决者”“解决问题的新手”“善于反思和表达的问题解决者”。本研究采用以数据分析结果为主、人工手段为辅的方法对研究性学习学生画像进行标签化，构建相应的画像标签体系，如表4所示。
基于聚类分析结果，对四类学生群体的画像类型和能力展示进行标签刻画。“解决问题的新手”总体表现是所有学生中最差的，各步骤行为表现都低于平均水平。因此，将该群体命名为“新手学生”，其标签包括“问题解决新手”“解决简单问题”“基本完成任务”“推理能力弱”。“基本的问题解决者”总体表现水平略高于新手学生，但是在理解问题和收集资料阶段的行为表现最差，在提出问题和分析探究阶段表现一般，但是在总结反思阶段是所有学生群体中表现最好的。因此，将该群体命名为“基本类学习者”，其标签包括“基本的问题解决者”“方案制定困难”“收集资料困难”“乐于表达和反思”。“善于推理和决策的问题解决者”总体表现比前两类更好，超出平均水平，且各阶段的行为表现都高于平均水平，尤其在理解问题阶段的行为表现是所有学生中最好的。因此，将该群体命名为“能手类学习者”，其标签包括“解决问题能手”“善于提问”“善于分析”“资源整合能力强”。“善于反思和表达的问题解决者”的总体表现是所有学生中最好的，各阶段的行为表现均衡，尤其在理解问题和总结反思阶段的行为表现在所有学生中最为优秀，推断该群体学生在制定计划方面表现突出，能够严格遵照方案执行任务；并且以总结反思阶段的行为表现推断其在归纳和反思方面也表现突出。因此，将该群体命名为“高手类学习者”，其标签包括“解决问题的高手”“善于规划”“善于推理”“善于反思”。行为属性画像包括学习风格、学习参与度、学习意志三个子维度。其中，学习风格标签参考Felder-Silverman的学习风格模型[42]，根据学生在信息输入和信息加工两方面的行为表现进行刻画。信息输入以查看和访问资源的行为数据为判断依据，信息加工以分享和评论资源、协作交流的行为数据为指标。因此，该类标签包括“视觉型”“言语型”“沉思型”“活跃型”。学习参与度标签根据学生使用系统各功能模块的频次进行判断，该类标签包括“积极参与在线学习”和“未积极参与在线学习”。学习意志综合学生在查看资源、查看研究方法、参与讨论和课题研究四个方面的频次和时长进行判断。采用四分位法，当学生四个方面的总体表现是所有学生前25%，认为该生的学习意志力强，后25%的学生认为其意志力弱，其他学生认为意志力一般。因此，该类标签包括“学习意志力强”“学习意志力一般”“学习意志力弱”。兴趣属性画像包括兴趣偏好和潜在需求两个子维度。其中，兴趣偏好维度基于学生多元智能测试结果、所选的兴趣标签、以及研究课题所属领域、课题名称等文本型数据，采用文本挖掘，呈现词频最高的三个关键词。该类标签根据文本挖掘结果直接输出。潜在需求维度基于学生搜索资源和课题的关键词、以及所浏览的资源和课题的名称，采用文本挖掘，呈现词频最高的三个关键词。该类标签也根据文本挖掘结果直接输出。其中，能力属性的标签结合数据分析结果进行人工刻画后，系统对学生的学习数据进行聚类识别后自动匹配；行为属性和兴趣属性的标签结合画像模型中不同指标的行为水平进行人工刻画，系统基于表单实时捕捉分析后映射标签库形成。结合标签体系的内容和画像精准应用的需求，主要对面向学生的个人画像和面向教师的群体画像进行输出呈现。面向学生的个人画像有助于学生个人进行自我监测、提高自我效能感、及时调整个人学习行为，以提高学习效率和学习效果。学生能力画像是研究性学习学生画像最重要的部分，如图4所示。图上半部分展示了学生所属的画像类型及其能力属性标签，学生可以查看自己的画像类型及标签以了解自己的行为表现。“能力展示”部分是对学生个体研究能力的展示，基于已完成课题数据呈现其在不同研究阶段中任务完成的水平。该部分不仅呈现本人的个人表现，还呈现全校、全市学生在不同阶段的平均表现，支持学生直观了解和对比，从而调整自身学习行为，以提高探究能力。
“研究进展”部分是对学生当前在课题研究进展情况的展示。如图5所示，横向柱状代表学生在不同阶段的行为表现，其中右侧柱状说明该生在该阶段行为表现超过同期课题平均水平，反之左侧柱状则说明低于平均水平。这样呈现旨在让学生更直观地了解研究进度以调整学习节奏，而教师可以针对学生薄弱阶段进行有针对性的干预和指导。
教师是学生画像重要的利益相关者之一，能够根据学生画像对学生学情进行客观实时的监控，及时调整教学策略；发现有困难的学生，及时进行有针对性的指导和干预；根据学生的兴趣属性推送个性化资源。因此，面向教师的学生群体画像包括学生画像统计、学生研究进展和学生个人画像，如图6所示。
由图6可见，“学生画像统计”部分呈现了教师正在指导的学生不同画像类型人数。“学生研究进度”部分根据所有学生的研究进展情况，将学生划分为“正常”和“危险”两个群体，其中，“正常”学生研究进展与同期学生群体相比无落后情况，“危险”学生研究进展则落后于其他同期学生。教师重点关注“危险”学生，点击“危险”学生的进度条，可以进一步查看相应的学生列表及其个人画像，从而进行有针对性的指导。基于可视化学习分析技术和画像构建方法，结合研究性学习特点，本研究对1550名高中生基于xAPI的研究性学习经历数据进行了分析建模及画像输出。由画像输出结果可知，学生画像能够客观、直观、及时地反映学生在研究性学习中的能力表现、行为特征和兴趣偏好等，而这些信息往往隐藏在数据中无法被学生和教师直接发现。不同于其他学习模式，研究性学习强调学生实践能力和创新精神的培养，如何分析并呈现研究性学习数据以支持学生能力在不同过程阶段的行为表现，支持学生进行自我诊断和评价、教师进行有针对性地指导，是研究性学习可视化分析的重点。本文的创新点在于，基于可视化学习分析技术，结合研究性学习理论及特点，通过采集和分析基于xAPI的研究性学习数据，划分了研究性学习过程维度，识别了不同能力特征的学生群体，以此为基础输出的学生画像能够精准地呈现学生的能力特征及其在不同过程维度上的行为表现，以支持学生有针对性地调整行为，教师能够提供精准化的干预和指导。在后续研究中，将主要关注两个方面：(1)进一步完善画像的精准度。由于不同学校开展研究性学习的周期不同，造成学生在行为特征数据方面存在不同程度的缺失，这直接影响到行为分析结果及画像呈现的精准度。因此，一方面调整行为数据的采集和处理，另一方面设计提升有效行为指标操作的激励机制。(2)基于学生画像标签实现个性化资源精准推荐。一方面继续优化画像构建技术，另一方面通过深度学习等人工智能模型基于学生能力特征及画像标签等，实现个性化学习精准服务。
参考文献：
[1] Thomas J W.A review of research on project-based learning [R].San Rafael,California:Autodesk Foundation,2000.
[2] 张治,刘小龙等.研究型课程自适应学习系统:理念、策略与实践[J].中国电化教育,2018,(4):119-130.
[3] 吴永和,陈丹等.学习分析:教育信息化的新浪潮[J].远程教育杂志,2013,(4):11-19.
[4] 牟智佳,武法提等.国外学习分析领域的研究现状与趋势分析[J].电化教育研究,2016,(4):18-25.
[5][13] Keim D A,Mansmann F,et al.Visual analytics:Scope and challenges [A].Simoff S,Böhlen M H,et al.Visual data mining:theory,techniques and tools for visual analytics [C].Berlin,Heidelberg:Springer,2008.
[6][12][16] 胡立如,陈高伟.可视化学习分析:审视可视化技术的作用和价值[J].开放教育研究,2020,(2):63-74.
[7] LAK.Shaping the future of the field [EB/OL].https://lak20.solaresearch.org/,2020-05-10.
[8] Ferguson R.Learning analytics:drivers,developments and challenges [J].International Journal of Technology Enhanced Learning,2012,4(5/6):304-317.
[9] Siemens G,Long P.Penetrating the fog:Analytics in learning and education [J].EDUCAUSE review,2011,46(5):30-32 34 36 38 40.
[10] Siemens G.Learning analytics:The emergence of a discipline [J].American Behavioral Scientist,2013,57(10):1380-1400.
[11] Chatti M A,Dyckhoff A L,et al.A reference model for learning analytics [J].International Journal of Technology Enhanced Learning,2012,4(5-6):318-331.
[14] Keim D A,Mansmann F,et al.Visual analytics [A].In L.LIU & M.T.ZSU(Eds.).Encyclopedia of Database Systems [C].Boston,MA:Springer US,2009．
[15] Wise A F,Shaffer D W.Why theory matters more than ever in the age of big data [J].Journal of Learning Analytics,2015,2(2):5-13.
[17] Vieira C,Parsons P,et al.Visual learning analytics of educational data:A systematic literature review and research agenda [J].Computers & Education,2018,122:119-135.
[18][20] Chen G.Visual learning analytics to support classroom discourse analysis for teacher professional learning and development [A].Mercer N,Wegerif R,et al.The Routledge International Handbook of Research on Dialogic Education [C].London:Routledge,2019.
[19] Van Aalst J,Chan C,et al.The knowledge connections analyzer [A].Van Aalst,et al.The future of learning:Proceedings of the 10th international conference of the learning sciences [C].Sydney,Australia:ISLS,2012.
[21] 张琪,武法提.学习仪表盘个性化设计研究[J].电化教育研究,2018,39(2):39-44 52.
[22] 包昊罡,邢爽等.在线协作学习中面向教师的可视化学习分析工具设计与应用研究[J].中国远程教育(综合版),2019,(6):13-21.
[23][28] Cooper A.The inmates are running the asylum:Why high-tech products drive us crazy and how to restore the sanity [M].Indianapolis:Sams,2004.
[24] Mulder S,Yaar Z.The user is always right [M].New York:Pearson Education,2007.
[25] 祝智庭.现代教育技术——走近教育信息化[M].北京:高等教育出版社,2001.
[26] 马志强,苏珊.学习分析视域下的学习者模型研究脉络与进展[J].现代远距离教育,2016,(4):44-50.
[27] 姜强,赵蔚等.基于大数据的学习分析仪表盘研究[J].中国电化教育,2017,(1):112-120.
[29][35] 陈海建,戴永辉等.开放式教学下的学生画像及个性化教学探讨[J].开放教育研究,2017,23(3):105-112.
[30] Baumann,B..User-Centered Design Through Learner Personas [EB/OL].https://trainingindustry.com/articles/content-development/user-centered-design-through-learner-personas/,2020-01-29.
[31] Ryu,J.,Baylor,A.L.The psychometric structure of pedagogical agent persona [J].Technology Instruction Cognition and Learning,2005,2(4):291-315.
[32] Dinh D P,Harada F,et al.Directing All Learners to Course Goal with Enforcement of Discipline Utilizing Persona Motivation [J].IEICE TRANSACTIONS on Information and Systems,2013,96(6):1332-1343.
[33] 王改花,傅钢善.数据挖掘视角下网络学习者行为特征聚类分析[J].现代远程教育研究,2018,(4):106-112.
[34] Khalil M,Ebner M.Clustering patterns of engagement in Massive Open Online Courses(MOOCs):the use of learning analytics to reveal student categories [J].Journal of Computing in Higher Education,2017,29(1):114-132.
[36] 肖君,乔惠等.大数据环境下在线学习者画像的构建[J].开放教育研究,2019,(4):111-120.
[37] 胡小勇,林梓柔.精准教研视域下的教师画像研究[J].电化教育研究,2019,(7):84-91.
[38] 黄建国,唐烨伟等.基于xAPI的在线学习环境中精准师训画像构建[J].中国电化教育,2020,(4):102-108.
[39] Cabedo R,Tovar E,et al.A Benchmarking Study of Clustering Techniques Applied to a Set of Characteristics of MOOC Participants [A].ASEE’s 123rd Annual Conference & Exposition [C].New Orleans,LA:ASEE,2016.
[40] 李映坤.大数据背景下用户画像的统计方法实践研究[D].北京:首都经济贸易大学,2016.
[41] 陆秋,徐斌艳.问题解决能力的等级水平及其评价——PISA2003的亮点[J].现代教学,2007,(4):51-53.
[42] 姜强,赵蔚等.基于网络学习行为模式挖掘的用户学习风格模型建构研究[J].电化教育研究,2012,(11):57-63.
作者简介：
余明华：博士，师资博士后，研究方向为学习分析与教育数据挖掘、人工智能教育应用(minghuayu117@163.com)。
张治：正高级教师，博士，上海市特级教师，馆长，基础教育资源中心主任，研究方向为教育管理、教育信息化、研究性学习(87476088@qq.com)。
祝智庭：终身教授，博士生导师，研究方向为教育信息化系统架构与技术标准、信息化促进教学变革与创新、技术使能的智慧教育、面向信息化的教师能力发展、技术文化(ztzhu@dec.ecnu.edu.cn)。
