教育技术策略设计

一次函数教学的技术增强型教学策略（TPACK导向、基于证据）

论点陈述
面向一次函数（y=mx+b）的核心理解，建议采用“诊断—探究—建模—巩固—迁移”的混合式教学序列，整合动态可视化（如Desmos/GeoGebra）、数据建模（如CODAP/Sheets）与学习分析（LMS测验与课堂仪表板）。该策略以TPACK框架指导技术与学科内容、教学法的协调；以多媒体学习原则、认知负荷控制、检索练习与高质量反馈为证据基础，从而提升概念理解、表征转换与情境建模能力（Mishra & Koehler, 2006; Mayer, 2021; Sweller et al., 2011; Roediger & Karpicke, 2006; Hattie, 2009; Li & Ma, 2010）。

学习目标（可测）
- 解释与操作斜率m和截距b的意义，并在图、表、式、语词间进行表征转换。
- 依据真实或模拟数据构建线性模型，解释参数含义与适用范围。
- 分析常见误解（如将截距误判为“固定费用之外的增量”、混淆负斜率方向），并能进行错误诊断与纠正。
- 在新情境中迁移应用（含多解策略与合理性检验）。

技术选择与理由
- 动态函数可视化：Desmos或GeoGebra用于滑块操控m、b与多表征联动，可强化概念—表征的连接，并支持即时探索与预测-观察-解释（POE）循环；研究表明技术支持的动态可视化有助于数学概念理解（Li & Ma, 2010）。
- 数据建模：CODAP或Google Sheets用于导入简易数据集、绘制散点图与拟合趋势线，支持情境化的参数解释与模型评价。
- 活动编排与监测：Desmos Activity Builder或GeoGebra Classroom用于布置任务、实时查看学生作答轨迹与常见误解分布，提升形成性评估与定向反馈质量（Hattie, 2009）。
- 预习与巩固：LMS（Moodle/Canvas）+ H5P互动视频，用于分段讲解与即时检测，符合多媒体学习分段、提示与冗余控制原则（Mayer, 2021）。
- 检索与练习：LMS题库的参数化题目与低门槛在线测验，用于分散练习与跨表征检索（Roediger & Karpicke, 2006; Dunlosky et al., 2013）。

教学流程与设计要点
1) 课前诊断与微课（约15–20分钟）
- 工具与任务：LMS短测（先行知识：坐标平面、比例、差商概念），H5P微课讲解“斜率=单位变化率”的多媒体短片，插入2–3个交互停顿题。
- 设计依据：分段与信号化减少外在负荷，促进关键信息加工（Mayer, 2021）。诊断结果用于分层分组与支架配置。

2) 情境导入与POE（10分钟）
- 任务：基于“打车计费/网购运费”场景，学生用Desmos滑块改变m、b，预测费率变化趋势，观察图像并解释偏差。
- 依据：POE促进概念冲突与模型修正；技术支持即时可视化降低表征转换难度（Li & Ma, 2010）。

3) 探究A：斜率的变化率解释（15分钟）
- 任务：用动态模拟（如PhET “Moving Man”或等效位移-时间数据）采样两点，计算斜率并口头解释“每单位自变量的平均增减量”；在Desmos上叠加多条直线比较陡峭度与符号。
- 依据：以情境数据支撑“斜率=变化率”的语义理解，结合多表征与双编码以降低抽象性（Mayer, 2021）。

4) 探究B：多表征转换与错误分析（15分钟）
- 任务：小组完成“给式画图、给图写式、给表求式”的往返转换；提供含干扰项的错误样例（如混用x、y截距）进行诊断与重构。
- 依据：渐隐示例与例题-变式配对可降低内在负荷、促进迁移（Sweller et al., 2011）；错误分析提升概念辨识度。

5) 探究C：情境数据的线性建模（20分钟）
- 任务：将小型数据集（如手机套餐、打字速度与时间、恒速行走）导入CODAP/Sheets，绘制散点图、添加趋势线，解释截距的实际意义与线性近似的适用性；对比两模型的残差分布初步讨论“线性是否合理”。
- 依据：技术增强的数据建模活动提升应用与解释能力（Li & Ma, 2010），并促成“参数-情境意义”的深层链接。

6) 全班反馈与可视化监控（10分钟）
- 工具：Desmos/GeoGebra Classroom仪表板，聚焦高频误解（如把b误作x截距、忽略负斜率方向），进行定向讲解与再练习。
- 依据：高质量、及时、面向任务的反馈对学习成效有中高效应（Hattie, 2009）。

7) 迁移与游戏化巩固（10分钟）
- 任务：可选使用Desmos“Marble Slides: Lines”或同类活动，让学生通过调整m、b达成目标路径；设置“最少调整”“最快达成”等多目标以鼓励策略比较与自我解释。
- 依据：即时反馈与适度挑战提升动机并强化技能整合（Dunlosky et al., 2013）。

8) 课后分散检索与自我解释（约15分钟）
- 工具与任务：LMS参数化混合题（式↔图↔表↔语词），每48–72小时推送短测；要求提交1道“自我解释”题（为何此处b为负？为何R²不高但斜率仍有意义？）。
- 依据：检索练习与分散效应提升长期保持与迁移（Roediger & Karpicke, 2006; Dunlosky et al., 2013）。

评估与学习分析
- 形成性评估：课前诊断、课堂POE与小组产出、仪表板可视化、出门票（关键概念三选一+简要理由）。
- 总结性评估：双部分结构
  - 技能与概念：标准化题与表征转换任务（占比约60%）。
  - 应用与解释：小数据建模报告（含参数解释、适用性、局限与改进；占比约40%）。
- 学习分析：跟踪微课观看段落、互动题正确率、课堂活动完成度与后测表现的相关；基于诊断-再测的增值分析以改进后续教学。

差异化与支持
- 渐隐示例与分层任务卡：基础层聚焦表征转换，提升层涉及含噪数据与线性近似边界判断。
- 通用学习设计（UDL）：提供文字、图像与音频的多通道材料；视频配字幕与可下载讲义；色盲友好配色与键盘可操作的交互控件（CAST, 2018）。
- 隐私与合规：优先使用无需学生注册或以匿名码加入的课堂活动；不上传可识别个人信息；遵循学校/地区数据保护政策。

风险与应对
- 技术过载风险：严格应用多媒体“精炼”原则，避免冗余动画与无关装饰（Mayer, 2021）。
- 表层操作替代理解：在每个技术环节加入“自我解释”与“错误分析”提示，促使概念化思考（Sweller et al., 2011）。
- 技术故障预案：准备静态截图与纸质任务卡；GeoGebra离线版与备用白板。

结语
该策略以证据为基础，通过动态可视化、情境数据建模与学习分析强化一次函数的核心理解与迁移应用；同时以认知负荷控制、检索练习与高质量反馈提高长期保持与概念稳定性。技术与教学法的耦合遵循TPACK框架，既服务于数学内容的本质，又提升课堂的可视化、可诊断与可迭代特性。

参考文献（APA第7版）
- CAST. (2018). Universal Design for Learning guidelines version 2.2. http://udlguidelines.cast.org
- Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). Improving students’ learning with effective learning techniques. Psychological Science in the Public Interest, 14(1), 4–58.
- Hattie, J. (2009). Visible learning: A synthesis of over 800 meta-analyses relating to achievement. Routledge.
- Li, Q., & Ma, X. (2010). A meta-analysis of the effects of computer technology on students’ mathematics learning. Educational Psychology Review, 22(3), 215–243.
- Mayer, R. E. (2021). Multimedia learning (3rd ed.). Cambridge University Press.
- Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017–1054.
- Roediger, H. L., & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249–255.
- Sweller, J., Ayres, P., & Kalyuga, S. (2011). Cognitive load theory. Springer.

论点
要有效教授项目式学习（Project-Based Learning, PBL），应采用“以证据为本的六阶段、技术增强、支架化”教学策略：以真实驱动问题组织学习，结合系统性支架与形成性评价，依托学习科学与技术整合框架（如TPACK与UDL）保障深度学习与可及性。该策略既回应“最少指导不可行”的批评（Kirschner, Sweller, & Clark, 2006），也落实“高质量支架促进探究与迁移”的证据（Hmelo-Silver, Duncan, & Chinn, 2007；Belland, Walker, Kim, & Lefler, 2017），并与“金标准PBL”的核心要素一致（Larmer, Mergendoller, & Boss, 2015）。

一、教学设计框架与技术整合原则
- 目标对齐与逆向设计：先明确学科核心概念与可评估能力（学术知识、探究能力、协作与沟通、创造性问题解决），再设计驱动问题、证据与评价任务（Krajcik & Blumenfeld, 2006；Black & Wiliam, 1998）。
- 技术整合的TPACK取向：选择数字工具以服务学科知识与教学法，而非工具导向；减少工具数量，保证互操作与数据可携性（Mishra & Koehler, 2006）。
- 普适性学习设计（UDL）：为不同学习者提供多样输入与表达路径（字幕、可读格式、替代材料、灵活时间），满足可访问性标准（Meyer, Rose, & Gordon, 2014）。
- 支架化探究：用示例、可视化流程、提示与阶段性反馈避免“放任式探究”的负荷问题（Kirschner et al., 2006；Hmelo-Silver et al., 2007）。

二、六阶段技术增强PBL教学策略
1) 启动与问题定向（Authenticity + Driving Question）
- 教师行为：提出与现实或社区情境紧密相关、可探究且可评估的驱动问题；明确评价标准与里程碑。
- 技术支持：在LMS发布导学包与短视频导入；用讨论区或数字白板激活先验知识；用社会化批注工具精读引介材料。
- 证据依据：真实任务与明确标准能提高动机与迁移（Blumenfeld et al., 1991；Larmer et al., 2015）。

2) 信息素养与研究方法微课（Sustained Inquiry）
- 教师行为：开展信息检索、资料质量评估、数据伦理与引用规范的微型工作坊；提供检索与笔记模板。
- 技术支持：学校数据库与学术搜索、引用管理工具、云端笔记与协作文档；以检查清单与范例支架证据链构建。
- 证据依据：系统信息素养教学能提升探究质量与学术规范性（Condliffe et al., 2017）。

3) 项目规划与协作结构（Project Management + Role Clarity）
- 教师行为：引导团队制定“项目画布”（目标、分工、里程碑、风险），签署团队契约，设定每周站会与中期设计评审。
- 技术支持：在线项目管理与日历工具、版本管理（代码/文档）、共享云盘的命名规范；利用LMS作业分栏“过程证据”提交。
- 证据依据：明确角色与过程监控减少搭便车与协调损耗（Condliffe et al., 2017）。

4) 创制与迭代（Critique & Revision）
- 教师行为：组织“友善批评协议”的同行评审，提供示例与评分量表；加入“及时微课”解决共性难题；鼓励低保真到高保真原型迭代。
- 技术支持：原型与仿真工具、数据分析与可视化、音视频与多媒体制作、在线白板；使用批注型作业与版本记录追踪改进。
- 证据依据：计算机化支架显著提升STEM任务中的迁移与问题解决（Belland et al., 2017）。

5) 公开产品与真实受众（Public Product）
- 教师行为：面向班级外部真实受众（同伴班级、行业或社区）进行展示；处理版权与隐私；引导学术/行业传播体裁写作与口头表达。
- 技术支持：线上展示会、电子作品集、可访问的发布平台（含字幕/替代文本），并保留同行与专家反馈记录。
- 证据依据：公开受众提升任务真实性与责任感，促进高层次表达（Larmer et al., 2015）。

6) 反思、评价与迁移（Reflection + Assessment）
- 教师行为：组织自评/互评/教师评的三方评价；以表现性任务与分析性评分量表评定学科与跨学科技能；引导元认知反思与迁移规划。
- 技术支持：电子作品集汇聚过程证据、同伴评审系统、LMS学习分析（参与、提交时间线、互评质量）；用可视化进度仪表盘进行反馈。
- 证据依据：形成性评价与反馈显著提升学习成效（Black & Wiliam, 1998）；反思促进知识结构化与迁移（Krajcik & Blumenfeld, 2006）。

三、评价设计与质量保障
- 评价对齐：以“逆向设计”明确可观察证据，采用多元证据矩阵（概念测验、过程日志、原型质量、口头/书面表达、团队协作指标）。
- 评分量表：使用“分析性评分量表”并配合高/中/低范例进行校准，提高互评信度与学生理解（Black & Wiliam, 1998）。
- 学习分析：利用LMS数据识别低参与与失衡分工，定向介入；结合质性证据（日志、访谈）做综合判断。
- 学术规范：全程落实引用与数据伦理，采用查重与参考文献管理工具；以可重复流程记录确保研究可追溯。

四、技术选型与实施要点（基于TPACK与UDL）
- 最小可行工具栈：LMS（组织与评价）、协作文档与云盘（共创与证据留痕）、项目管理（里程碑跟踪）、同伴评审与作品集（反馈与展示）。控制在3–5类，降低认知负荷（Mishra & Koehler, 2006）。
- 互操作与合规：优先支持标准（如LTI）、数据导出与权限精细控制；遵循WCAG 2.1 AA与本地数据保护政策。
- 可及性与多模态：为材料提供字幕/文本替代，允许多元表达形式；在网络不稳场景提供离线包与异步选项（Meyer et al., 2014）。
- 教师工作流：模板化（项目画布、检查清单、评分量表、反思提示）、自动化收集与命名规范、每周固定反馈窗口，确保可持续性。

五、常见风险与缓解
- 目标漂移与“做中学而不学”：通过驱动问题与阶段成果对齐标准，设置“概念核查点”与短测，必要时插入针对性微课（Kirschner et al., 2006；Hmelo-Silver et al., 2007）。
- 团队失衡：团队契约、明晰角色、过程性评分与同伴评估加权；教师定期面谈纠偏（Condliffe et al., 2017）。
- 浅表化产品：强制原型—反馈—迭代循环；引入外部评审与约束条件（技术规格、证据标准）提高学术严谨度。

六、成效评估与持续改进
- 学习成效：前后测（学科概念/迁移任务）、作品集评分、互评一致性、展示中的受众反馈质量。
- 过程质量：参与与协作指标、里程碑按时率、反馈回合数与针对性。
- 公平性：不同群体在参与和表现指标上的差异，工具可及性与满意度；基于数据进行支撑性资源再分配。
- 课程改进：以轮次为单位复盘，更新模板与资源库；在专业社群中分享与同行评估。

结语
该策略在学习科学证据与技术整合框架的支撑下，将“真实性—支架—评价—可及性”联动，能在在线或混合环境中稳定提升PBL的深度与质量。关键在于以少而精的工具和高质量支架维持学术严谨与过程可视，确保学习者在复杂任务中实现可迁移的知识与能力发展。

参考文献（APA第7版）
- Belland, B. R., Walker, A. E., Kim, N. J., & Lefler, M. (2017). Synthesizing results from empirical research on computer-based scaffolding in STEM education: A meta-analysis. Review of Educational Research, 87(2), 309–344.
- Black, P., & Wiliam, D. (1998). Assessment and classroom learning. Assessment in Education: Principles, Policy & Practice, 5(1), 7–74.
- Blumenfeld, P. C., Soloway, E., Marx, R. W., Krajcik, J., Guzdial, M., & Palincsar, A. (1991). Motivating project-based learning: Sustaining the doing, supporting the learning. Educational Psychologist, 26(3-4), 369–398.
- Condliffe, B., Quint, J., Visher, M. G., Bangser, M. R., Drohojowska, S., Saco, L., & Nelson, E. (2017). Project-based learning: A literature review. MDRC.
- Hmelo-Silver, C. E., Duncan, R. G., & Chinn, C. A. (2007). Scaffolding and achievement in problem-based and inquiry learning: A response to Kirschner, Sweller, and Clark (2006). Educational Psychologist, 42(2), 99–107.
- Kirschner, P. A., Sweller, J., & Clark, R. E. (2006). Why minimal guidance during instruction does not work: An analysis of the failure of constructivist, discovery, problem-based, experiential, and inquiry-based teaching. Educational Psychologist, 41(2), 75–86.
- Krajcik, J., & Blumenfeld, P. (2006). Project-based learning. In R. K. Sawyer (Ed.), The Cambridge handbook of the learning sciences (pp. 317–334). Cambridge University Press.
- Larmer, J., Mergendoller, J. R., & Boss, S. (2015). Setting the standard for project based learning. ASCD.
- Meyer, A., Rose, D. H., & Gordon, D. (2014). Universal design for learning: Theory and practice. CAST.
- Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017–1054.

论点与总体思路
本文提出一套用于教授“留存运营”的教学策略：以成果导向的逆向设计为框架，采用项目/问题驱动学习与认知学徒制相结合的方式，借助数据仿真与在线实验平台开展高真实性情境学习，辅以精细化形成性评估、学习分析与自适应支持，从而系统培养学习者在留存指标分析、实验设计与评估、生命周期沟通与干预实施、合规与伦理等方面的可迁移能力（Wiggins & McTighe, 2005；Collins, Brown, & Newman, 1989）。

一、学习目标（可度量）
- 指标与建模：能利用分群队列与生存分析计算与解读留存率、流失率、净营收留存（NRR）等关键指标，并据此形成诊断性洞见（Kleinbaum & Klein, 2012）。
- 实验与因果推断：能在约束条件下设计可信的在线受控实验（含样本量、功效、护栏指标与风险控制），并实施结果分析与可重复报告（Kohavi, Tang, & Xu, 2020）。
- 干预设计：能基于用户旅程与分群开展个性化生命周期干预（如入门引导、再激活、流失预警），并进行AB/多臂实验迭代。
- 合规与伦理：能在数据最小化、目的限定与用户权利等原则下，制定合规的数据使用与测量方案（GDPR；NIST, 2020）。
- 反思与迁移：能将策略迁移到不同业务情境，明确局限与改进路径。

二、教学设计框架与策略
- 逆向设计与对齐：先明确上述绩效性目标，再反向设计真实性任务与评价标准，最后匹配学习活动与资源（Wiggins & McTighe, 2005）。
- 精熟学习：关键能力（如队列分析、样本量估计）采用循环练习、目标达成后推进的精熟机制，提高下限表现（Bloom, 1968；Guskey, 2010）。
- 认知学徒制：通过示范-指导-渐退（modeling–coaching–fading）方式支持复杂技能习得，如在真实（或仿真）数据上进行留存诊断与干预决策（Collins et al., 1989）。
- 证据驱动的学习科学要素：引入检索练习与间隔练习巩固知识（Roediger & Karpicke, 2006；Cepeda et al., 2006），以及时机恰当、可操作的反馈提升成效（Hattie & Timperley, 2007；Shute, 2008）。

三、关键学习活动与技术整合
1) 翻转微课与检索练习（线上）
- 资源：短视频与可交互多媒体（如H5P）、嵌入式小测与自查清单。
- 设计要点：遵循多媒体学习原则（分段、信号、冗余控制），每段后以低风险测验实施检索与间隔练习（Mayer, 2009；Roediger & Karpicke, 2006）。
- 内容：留存度量体系（经典/滚动留存、队列表、Kaplan–Meier）、实验基本原理、生命周期沟通策略与合规模块。

2) 数据实验室（线上/线下混合）
- 工具：Jupyter/Colab 笔记本、SQL 数据沙箱、可视化仪表板工具。
- 任务：基于事件级合成或开源数据构建队列留存矩阵、估计生存/风险函数，解读分群差异并提出可检验假设（Kleinbaum & Klein, 2012）。
- 支持：提供分步范例（worked examples），逐步过渡到半开放任务，符合认知学徒制的渐退原则（Collins et al., 1989）。

3) 实验与仿真工作坊
- 工具：在线受控实验仿真器/沙箱，功效与样本量计算器，预注册模板。
- 任务：为两种留存干预（例如：优化首日激活流程 vs. 个性化提醒频率）撰写实验设计方案（含指标层级、护栏指标、触发与分流策略、分析计划），进行预注册以防止研究者自由度滥用（Nosek, Ebersole, DeHaven, & Mellor, 2018；Kohavi et al., 2020）。
- 评估：运行仿真实验，完成统计分析与业务解释，反思偏差与外推限制。

4) 案例研讨与协作设计
- 工具：在线白板与旅程地图工具。
- 活动：围绕不同行业情境（订阅/电商/教育SaaS）开展问题式学习（PBL），完成用户旅程分解、关键流失节点识别、分群与信息架构设计；同伴评审促进多元策略对比（Hmelo-Silver, 2004）。

5) 自适应路径与精熟闯关
- LMS 实施条件释放与题项诊断；对低掌握项推送针对性微练习与提示，直至达标（Guskey, 2010）。

6) 伦理与合规则例演练
- 内容：目的限定、数据最小化、合法性基础、透明与退出机制、差分隐私与匿名化实践边界。
- 参考：GDPR（EU 2016/679）与NIST Privacy Framework（NIST, 2020）；兼顾本地法律要求（如个人信息保护法）。

四、评价方案（对齐与多元）
- 形成性评价：
  - 低风险测验与即时反馈，促进检索与误区纠偏（Roediger & Karpicke, 2006；Shute, 2008）。
  - 数据实验室过程性评分：代码/分析可复现性、图表解释与业务洞见。
  - 同伴评审：基于明晰 rubric 的互评，强化标准同构与元认知（Brookhart, 2013）。
- 总结性评价（真实性任务）：
  - 留存提升项目书与复盘报告（个人或小组）：包括基线诊断、假设与干预优先级、实验设计与预注册、实施与结果分析（或仿真结果）、伦理合规审查、复盘与后续路线。
  - 评分维度与权重建议：方法严谨性（30%）、分析有效性与可视化（25%）、干预设计的可行性与风险控制（25%）、合规与伦理（10%）、表达与复现性（10%）。
- 学习档案袋（e-portfolio）：沉淀可复用模板（队列分析脚本、实验计划书、旅程地图），支持迁移。

五、学习分析与个性化支持
- 学习过程数据（观看、测验、实验提交时间线）与绩效数据（知识点掌握、编程错误谱）联用，构建学习分析仪表板，用于及早识别支持需求并推送定制资源（Siemens, 2013）。
- 保持低干扰原则：仅用于学习支持与课程改进，并透明告知数据使用范围（NIST, 2020）。

六、实施节奏（8 周示例）
- 第1周：留存度量体系与数据素养入门；微课+检索练习；实验室1（队列矩阵）。
- 第2周：生存/风险分析；实验室2（Kaplan–Meier、分群对比）。
- 第3周：在线实验原理与效能；功效分析与样本量估计；预注册模板导入。
- 第4周：生命周期沟通与旅程设计；工作坊1（入门引导与关键时刻设计）。
- 第5周：干预仿真与护栏指标；仿真实验1（通知频率与时机）。
- 第6周：复杂实验（分层/触发、并行实验风险）；工作坊2（多干预优先级与治理）。
- 第7周：合规与伦理专题；案例判读与政策制定演练。
- 第8周：总结性项目路演与复盘；同伴评审与改进计划。

七、风险与缓解
- 数据门槛差异：提供分层脚手架与可操作范例，采用精熟推进（Guskey, 2010）。
- 统计误用与“p值狩猎”：强制预注册并设置护栏指标与停表规则；强调效应量与实际意义（Kohavi et al., 2020；Nosek et al., 2018）。
- 迁移难度：引入跨行业案例与对比评审，要求在不同业务约束下重构策略。
- 隐私与合规风险：以数据最小化与目的限定为硬约束，设置伦理“红线”清单与审批流程（GDPR；NIST, 2020）。

结语
该策略以逆向设计确保目标-教学-评估一致性，以仿真与项目驱动实现高真实性情境迁移，并通过检索练习、精熟学习与学习分析提高掌握度与持久度。其证据基础覆盖学习科学、教学设计与在线实验方法学，能够系统性培养留存运营的关键胜任力。

参考文献（APA 第7版）
- Bloom, B. S. (1968). Learning for mastery. Evaluation Comment, 1(2), 1–12.
- Brookhart, S. M. (2013). How to create and use rubrics for formative assessment and grading. ASCD.
- Cepeda, N. J., Pashler, H., Vul, E., Wixted, J. T., & Rohrer, D. (2006). Distributed practice in verbal recall tasks: A review and quantitative synthesis. Psychological Bulletin, 132(3), 354–380.
- Collins, A., Brown, J. S., & Newman, S. (1989). Cognitive apprenticeship: Teaching the crafts of reading, writing, and mathematics. In L. B. Resnick (Ed.), Knowing, learning, and instruction (pp. 453–494). Lawrence Erlbaum.
- European Union. (2016). General Data Protection Regulation (EU 2016/679).
- Guskey, T. R. (2010). Lessons of mastery learning. Educational Leadership, 68(2), 52–57.
- Hattie, J., & Timperley, H. (2007). The power of feedback. Review of Educational Research, 77(1), 81–112.
- Hmelo-Silver, C. E. (2004). Problem-based learning: What and how do students learn? Educational Psychology Review, 16(3), 235–266.
- Kleinbaum, D. G., & Klein, M. (2012). Survival analysis: A self-learning text (3rd ed.). Springer.
- Kohavi, R., Tang, D., & Xu, Y. (2020). Trustworthy online controlled experiments: A practical guide to A/B testing. Cambridge University Press.
- Mayer, R. E. (2009). Multimedia learning (2nd ed.). Cambridge University Press.
- National Institute of Standards and Technology. (2020). NIST privacy framework: A tool for improving privacy through enterprise risk management (Version 1.0).
- Nosek, B. A., Ebersole, C. R., DeHaven, A. C., & Mellor, D. T. (2018). The preregistration revolution. Proceedings of the National Academy of Sciences, 115(11), 2600–2606.
- Roediger, H. L., & Karpicke, J. D. (2006). Test-enhanced learning. Psychological Science, 17(3), 249–255.
- Shute, V. J. (2008). Focus on formative feedback. Review of Educational Research, 78(1), 153–189.
- Siemens, G. (2013). Learning analytics: The emergence of a discipline. American Behavioral Scientist, 57(10), 1380–1400.
- Wiggins, G., & McTighe, J. (2005). Understanding by design (Expanded 2nd ed.). ASCD.