文章基于95篇CSSCI来源期刊论文，梳理了国内2001—2021年大学英语混合式教学的研究现状，并从学生和教师两个视角对混合式教学实践的效果研究进行了评述。研究结果显示，目前国内研究大多以国外理论为指导设计教学流程，强调“合作”与“实践”的学习方式，按照信息技术的使用类型和人才培养目标可归纳为五种典型模式。不足之处在于本土化理论创新意识不够，宏观教学模式的研究较多，缺乏更科学的研究技术与测量工具等。未来研究热点是混合式教学的影响因素与作用机制研究、学生核心素养与思政素质的提高以及教师混合式教学能力的培养。

了解初中数学的教学重点对于促进教师教学具有重要意义。但是一般教师对于教学重点的把握主要靠教学经验，已有的研究主要采用问卷调查等方法对教师观念中的教学重点进行探讨，得到的结论主观性较强。本文梳理了教学重点的概念，从发生认识论的视角入手，基于在线学习者的380万条行为日志数据以及87万余套试题文本，将人教版初中数学教材的每章知识点及其关系用三个量化指标进行客观描述：概念网络、成绩网络以及对后续成绩的影响。本文在分别计算了三个指标并进行三位一体的可视化呈现后，得到三个结论：初中数学的学习过程中早期学习的知识往往更重要；代数与几何的知识是初中数学中的教学重点，但是学习者代数知识的掌握情况对于后续学习有更大的影响；代数和几何的衔接类知识在初中数学学习中有着独特的重要性。本文提出并实现的基于大数据挖掘的教学内容重点发现技术及其结论对数学和其他各个学科的教和学都具有重要的参考价值。

元宇宙(Metaverse)建立在近年来不断发展的信息技术基础之上，是沉浸现实和虚拟孪生概念的集合，为使用者构建了一个二元镜像的虚拟社会，搭建了集成社会网络、经济交互、智能决策的新型社会适应空间。教育领域作为社会运行的重要组成部分，在虚拟元宇宙的特征基础上产生了新的发展方向。从教育元宇宙的技术特征和学习特征出发进行辨析，探讨了宏观层面下教育元宇宙对于教育场景的改变和创新，分析了微观学习者视角下的教育元宇宙带来的互动模式和实践质量的提升，并对当下教育元宇宙发展的不足之处提出见解。

随迁子女的教育问题是一个重要但复杂的社会问题。不同于以往从宏观视角进行的研究,该文以某初中10名随迁子女使用智能教学系统进行学习的个案为例,通过对学生和家长的深度访谈,探究在日常的教学层面这一特殊群体所遇到的排斥问题,以及人工智能技术如何在一定程度上解决这些问题。访谈发现:家庭有限的经济能力和学校有限的师资阻碍随迁子女获取优质教育资源,班级成员构成的复杂性和沉默的师生交流更加剧了他们所受到的排斥。对于这些主动的、希望改变自己命运的学习者来说,各种以低成本、高性能的独特优势出现在日常情境中的技术产品,成为了其改变现状、向上流动的抓手。智能教学系统以其个性化的教学模式、独特的师生交流方式和低廉的价格在一定程度上解决了随迁子女所面临的问题。

对智能教学系统进行测评，既能评价其性能，又可以为其优化提供依据。但是，目前尚缺乏有指导性的智能教学系统测评模型。基于此，文章构建了包括智能教学系统、学习者、系统设计者、学习效果测试和学习风格测量等要素的智能教学系统测评模型，并设计了包含获取数据、总体测评、精细测评、测评分析和系统优化等五个步骤的智能教学系统测评流程。之后，文章以“乐学一百”智能教学系统为例开展了实证研究，结果表明智能教学系统测评模型能有效区分不同学习风格学习者的学习效果，生成精细化的测评结果，为系统的优化与升级提供数据依据，具有较大的应用价值。

本文应用数据挖掘软件Weka,对北京大学2015年在Coursera平台上线的一门课程中学员的网上学习行为数据进行了相关分析。对全体学员和有学习成绩的学员的学习行为分析结果均表明:学员的学习成绩与课程网页浏览次数、平时测验总成绩、论坛发帖数、论坛回帖得票呈正相关关系。对无学习成绩的学员学习行为分析结果表明:他们的论坛讨论参与度不高,不重视平时测验。出现这个现象的原因可能是他们不关注考试成绩和证书,只关注学习过程。基于以上数据挖掘结果,为了取得较好的教学效果,我们建议MOOC课程应该积极引导学生参与论坛的发帖,重视课程网页和课件的设计,同时可考虑改进平时测验的内容和方式,关注学习者的需求,以便引起学员注意,让学员积极主动地完成测验。

本文从人机合作的角度对智能教学系统中的学习者的自主度进行了探讨。通过梳理人机交互设计领域和行为决策领域的相关研究,结合教学场景中的相关实验案例,讨论了智能教学系统中学习者自主度设计的大致原则:一方面,应保证学习者适当的自主度,以满足其自主性的心理需要,同时授予其部分修正系统错误的能力,减少算法厌恶的发生;另一方面,过多或不恰当的学习者自主度也无益于学习,可能导致无法为学习者的学习提供适当的支持,以及选择过载和选择困难的发生。最后,本文提出了设计智能教学系统中学习者自主度的三条具体建议:关注学习者特征,根据学习者特征设计合适的自主度;增加系统和算法的透明度,使得用户能理解智能系统的决策逻辑,或授予用户部分修改算法的权限,以减少算法厌恶的发生;为学习者提供必要的自主学习支持,而非简单地将某些学习过程的控制权交给学习者。