在线学习模块反馈建议

对“条件概率”在线学习模块的专业反馈与改进建议

一、总体评价与核心改进方向
从教育技术与学习科学的证据出发，条件概率主题适合采用多模态可视化、交互式模拟与以形成性评估为中心的教学设计。建议将模块围绕可迁移的概念骨架（条件事件、乘法公式与链式法则、独立性与条件独立、自然频率与贝叶斯更新）组织，并通过频率直观与真实情境强化理解，配合针对性反馈和自适应分支，显著降低常见误解（如将P(A|B)误解为P(B|A)、忽略基率）。设计与技术应遵循多媒体学习原则、检索练习与间隔练习证据、通用学习设计与可访问性标准，以提高学习成效与公平性（Mayer, 2021；Dunlosky et al., 2013；CAST, 2018；W3C, 2023）。

二、学习目标与对齐（建议作为可测量目标）
- 概念与表征
  1) 能以频率视角准确解释P(A|B)的含义，并在2×2列联表、树图、面积模型之间进行转换。
  2) 能判断事件独立、条件独立，并给出反例与论证。
- 程序与应用
  3) 能在含有联合、边缘与条件概率的数据情境中计算并解释条件概率与乘法公式。
  4) 能在真实案例（如医学检验、垃圾邮件过滤、法证证据）中基于自然频率实施一次贝叶斯更新并解释不确定性。
- 推理与迁移
  5) 能用仿真估计条件概率，比较解析结果与仿真结果的一致性。
每个目标需在模块内对应具体活动、评估项与成功标准（可用LMS的成果对齐功能映射至题项蓝图）。

三、内容结构与学习路径（建议8–9个微单元，每单元15–20分钟）
1. 频率直观与条件事件：从1000人群体案例入手，使用自然频率而非百分比，建立直觉（Gigerenzer & Hoffrage, 1995）。
2. 定义与符号：P(A|B)与P(A∩B)、P(A)、P(B)的关系与常见误解对照。
3. 多种表征：2×2表、树图、面积模型的等价转换与适用情境。
4. 乘法公式与链式法则：多步条件概率的分解与计算策略。
5. 独立性与条件独立：对比P(A|B)=P(A)与P(A|B,C)=P(A|C)的判定与反例。
6. 贝叶斯更新（自然频率版本）：敏感度、特异度、阳性预测值；基率变化对后验的影响。
7. 蒙特卡洛仿真：用随机数模拟条件概率，验证解析解并估计方差。
8. 迁移与偏差：基率忽视、逆向概率误读；如何通过表征抑制偏差（Tversky & Kahneman, 1974）。
9. 综合评估与反思：场景化任务与自我解释小结。

四、多媒体与可视化设计（基于证据的原则）
- 选择与对齐：为每个概念提供最契合的表征——
  面积模型用于“整体—子集”关系，树图用于序列条件，2×2表用于二分类检验与混淆矩阵。
- 认知负荷管理：分段呈现、信号标记、去除诱人但无关内容（Mayer, 2021；Sweller et al., 2011）。
- 语词—图像整合：同步呈现最小必要文字与关键图，避免冗长字幕叠加。
- 数学可读性：采用MathJax/MathML并提供可展开的“公式—频率”双视图以降低符号负荷。

五、交互与练习设计
- 检索与间隔：以短测验驱动的检索练习分布在各单元，并跨单元回溯关键概念（Roediger & Karpicke, 2006；Dunlosky et al., 2013）。
- 例题—练习—自解释：先示例带自解释提示，再过渡到渐隐支架的独立练习（Atkinson et al., 2000）。
- 常见误解对抗：设计对比项（如P(A|B) vs P(B|A)），要求学习者在图表中标注相应区域并口头/书面解释选择理由。
- 参数化与情境变换：自动生成不同基率与检验特性的数据集，促成远迁移。
- 推荐工具与实现
  - H5P（Course Presentation、Branching Scenario、Interactive Video、Drag and Drop）实现低门槛交互与分支，支持LTI回传成绩与xAPI事件（依托H5P.com或相应LMS插件）。
  - Seeing Theory交互（Brown University）用于面积模型与贝叶斯直观。
  - R Shiny或JupyterLite（Pyodide）实现浏览器内的蒙特卡洛仿真，无需本地安装。
  - GeoGebra概率计算器用于分布与采样的补充演示。

六、评估与反馈
- 诊断性测评：开篇5–7题探查基率忽视、逆向概率误解与符号混淆，据此分配分支材料。
- 形成性评估：每单元后5–8题即时反馈，采用两层题型（先概念判定、再计算），并提供层级化提示与反思问题（Shute, 2008；Hattie & Timperley, 2007）。
- 终结性评估：情境化任务（如解读一份检验报告），要求提交计算过程、图表标注与文字解释；评分细则覆盖正确性、表征选择与论证质量。
- 置信度标注：要求学习者为答案选择置信度，支持后续元认知反馈与复习优先级排序。

七、自适应与差异化
- 分支策略：若连续出现“逆向概率”错误，则解锁“自然频率+2×2表”路径；若在“独立性”误判频繁，则追加对照案例与反例库。
- 掌握度门槛：以目标对齐的掌握度（如≥80%且含至少一道迁移题正确）作为解锁下一单元条件。
- UDL策略：提供多种输入输出通道（交互图、文字解释、口述答题选项），满足不同策略与偏好（CAST, 2018）。

八、学习分析与数据策略
- 事件追踪：对关键行为埋点（切换表征、查看提示、修改答案次数），用xAPI 1.0.3写入LRS，结合LMS成绩生成看板（ADL, 2017）。
- 证据中心设计：基于错因分类（如“把P(A|B)当作P(B|A)”）出具个性化复习包与复训题。
- 迭代改进：以小规模A/B测试比对“自然频率优先”页面与“百分比优先”页面的学习增益，注意伦理与隐私合规。

九、可访问性与包容性
- 符合WCAG 2.2 AA：键盘可操作、对比度、焦点可见、替代文本、视频字幕与文字记录（W3C, 2023）。
- 数学无障碍：MathML与aria-label描述，避免仅用颜色表达正确/错误。
- 文化与情境多样性：采用多元案例，避免仅限医疗或执法场景，减少文化偏置与情绪负担。

十、学术诚信与AI使用
- 试题池与参数化：数据与数值随机，降低答案共享风险。
- 开卷—解释取向：强调推理过程与多表征说明而非单一数值，弱化简单抄袭价值。
- AI辅助政策：允许使用计算工具与可视化生成工具，但要求提交“思路与验证”说明；在题目层面设置“随机数据+图表标注+文字解释”组合以确保真实性。

十一、平台与集成建议
- LMS：Canvas/Moodle等，启用成果对齐、条件发布与学习路线图。
- 交互与可视化：H5P（LTI/xAPI）、Seeing Theory、R Shiny/ JupyterLite、GeoGebra。
- 数据与合规：Learning Locker等LRS接收xAPI；遵循本地隐私法（如GDPR/FERPA）进行数据最小化与告知同意。

十二、样例微型脚本（示例）
- 引入视频（3分钟）：用误判案例引发问题（阳性并非等于病人概率高）。
- 交互演示（8分钟）：面积模型可视化，拖动基率与检验指标观察后验变化。
- 形成性测验（6题，10分钟）：含两道迁移题与一道解释题，提供分层提示。
- 仿真活动（10分钟）：JupyterLite运行10000次模拟，比较仿真频率与解析结果。
- 反思与巩固（5分钟）：自我解释与错误清单勾选，系统生成个性化复习任务。

十三、评估蓝图（摘要）
- 目标1–2（表征与定义）：客观题/匹配题/图表标注（占比30%）。
- 目标3（运算与链式法则）：多步计算与过程展示（占比30%）。
- 目标4（贝叶斯与解释）：情境化简答与论证（占比25%）。
- 目标5（仿真与验证）：代码/无代码仿真与结果对照（占比15%）。
为每类题设置明确评分细则（正确性、表征恰当性、论证逻辑、可复现性）。

参考文献（APA第7版）
- ADL Initiative. (2017). Experience API (xAPI) specification version 1.0.3. https://adlnet.gov/
- Atkinson, R. K., Derry, S. J., Renkl, A., & Wortham, D. (2000). Learning from examples: Instructional principles from the worked examples research. Review of Educational Research, 70(2), 181–214.
- 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.
- Gigerenzer, G., & Hoffrage, U. (1995). How to improve Bayesian reasoning without instruction: Frequency formats. Psychological Review, 102(4), 684–704.
- Hattie, J., & Timperley, H. (2007). The power of feedback. Review of Educational Research, 77(1), 81–112.
- Mayer, R. E. (2021). Multimedia learning (3rd ed.). Cambridge University Press.
- 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.
- Sweller, J., Ayres, P., & Kalyuga, S. (2011). Cognitive load theory. Springer.
- Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131.
- W3C. (2023). Web Content Accessibility Guidelines (WCAG) 2.2. https://www.w3.org/TR/WCAG22/

若您提供现有模块的样例页面、题目与数据结构，我可据此输出更细化的“错因分类—交互改造—反馈脚本”对照清单与可直接导入LMS/H5P的题项规范。

对“协作写作与互评”在线学习模块的专业反馈（APA 第7版）

总体评价与核心建议
该模块以协作写作与互评为核心，契合社会建构主义与合作学习的理论基础，并具备显著的学习效益潜力：协作写作促进知识共同建构与语言表达质量提升，互评可提升学习者反馈素养与自我调节能力（Garrison, Anderson, & Archer, 2000; Johnson & Johnson, 2009; Storch, 2013）。为实现与课程目标的稳健对齐，建议从目标—活动—评价一致性、技术—教学深度整合、互评信效度保障、可访问性与学习分析四个维度系统优化（Biggs & Tang, 2011）。

一、学习目标与教学对齐（Constructive Alignment）
- 明确三类可测成效：
  - 写作表现：论证结构、证据使用、语言规范与修订质量。
  - 协作能力：角色分工、协调与共识达成证据。
  - 反馈素养：基于标准的证据化评论与修订应用度（Carless & Boud, 2018; Hattie & Timperley, 2007）。
- 将目标映射到活动与评估：
  - 活动链条建议：问题定义与分工—共同拟纲—共写初稿—双向多轮互评—基于反馈的修订—反思与自评。
  - 以分析型量规和学习者反思说明书（revision memo）作为产出证据对齐（Brookhart, 2013; Sadler, 1989, 2010）。

二、学习活动设计与脚手架
- 协作脚本与流程透明：为各阶段提供“任务清单+示例+时间线+责任矩阵”，降低协作过程的迷航与冲突（Johnson & Johnson, 2009）。
- 认知负荷控制：为工具操作与写作策略提供微型示例、操作短视频与检查单，分段提交与版本化修订，避免一次性高负荷（Sweller, Ayres, & Kalyuga, 2011）。
- 反馈训练：在正式互评前组织“标杆范文+练习评分+教师示范讲评+同伴讨论”的校准环节，提高标准内化与评论质量（Sadler, 2010; Cho & Schunn, 2007）。
- 反馈结构化：采用“Feed Up—Feed Back—Feed Forward”三段式评论框架并配合证据化提示语（Hattie & Timperley, 2007; Carless & Boud, 2018）。

三、技术选择与集成建议
- 协作写作工具：
  - 企业/校园账号优先：Google Docs 或 Microsoft 365（版本历史、批注、建议模式、@提及、访问控制）。
  - 高阶学科写作：Overleaf（LaTeX）用于理工类；需提供模板与入门脚手架。
- 互评平台：
  - LMS 原生：Moodle Workshop（多评审分配、聚合算法）、Canvas Peer Review（与量规结合）、Blackboard Peer Assessment。
  - 第三方 LTI：Peerceptiv、Eduflow/Peergrade、Eli Review（支持多评审、匿名、校准与分析仪表）。
- 集成与可用性：
  - 单点登录与成绩回写（LTI 1.3/AGS）以降低操作成本；在LMS内嵌引导页与常见问题库。
  - 移动端适配与离线草稿支持，保障不同情境下的可用性。

四、互评的信度与效度保障
- 量规设计：采用分析型量规，指标覆盖内容质量、论证逻辑、证据质量、结构与语言、协作痕迹；每项配等级描述与样例锚点，附开放文本框以收集证据化评论（Brookhart, 2013）。
- 多审与聚合：每篇作品建议至少3名评审以提升评分稳定性，采用稳健聚合（如截尾均值）；教师抽样复核关键案例（Topping, 1998）。
- 校准机制：提供带有“专家标注”的样例供练习评分；平台侧可启用校准权重或信誉加权，以提升一致性（Cho & Schunn, 2007）。
- 匿名与偏差管理：默认匿名互评并启用利益冲突申报；提供偏差识别仪表（极端评分、过度宽松/严苛）。
- 效度检验：以小样本对比“同伴评分—教师评分”及对修订质量的预测效度，监测并迭代量规（Double, McGrane, & Hopfenbeck, 2020）。

五、反馈素养与学习者支持
- 训练评审者：短时微课涵盖“基于标准的判断—证据引用—可操作建议—语气与礼仪”，并提供好/差评论示例对照（Carless & Boud, 2018）。
- 促进反馈应用：要求提交“修订说明书”，逐条回应收到的要点并标注文内改动位置，以提升反馈的可用性与迁移。
- 多模态反馈：在关键节点教师提供语音/短视频总体反馈以增强社会临在与理解度（Hattie & Timperley, 2007）。

六、包容性与可访问性
- UDL 原则：为说明材料提供文本+字幕+图示多元呈现；为量规与任务说明提供简明版本与术语表（CAST, 2018）。
- 无障碍规范：遵循WCAG 2.2 的对比度、键盘可达、替代文本、标题结构与链接可读性要求（W3C, 2023）。
- 语言与时区友好：允许异步提交窗口与软截止策略，减少非学术性负荷。

七、学习分析与质量保障
- 过程性指标：版本历史、贡献分布、批注密度、互评及时率与字数、量规项间一致性。
- 质量指标：互评间一致性（ICC/G系数）、同伴评分与教师评分相关、评论可操作性比例、修订增益（前后对比）。
- 运营仪表：异常检测（未读反馈、空评、极端分）、群组健康度（贡献不均衡与沟通滞后提示）。
- 数据伦理：最小化数据收集、明确用途、遵循机构数据治理规范；向学习者透明披露。

八、激励与社区营构
- 明确互评计分结构：质量权重高于数量，评审质量可通过“同伴标记有用/不够具体”与教师抽查校正（Topping, 1998）。
- 社群规范与角色轮换：设定沟通礼仪与冲突解决流程，轮换编辑/审稿/整合角色以均衡负担（Johnson & Johnson, 2009）。
- 促进社会临在：在关键里程碑设置短时同步交流或结构化论坛，提升认知临在与教学临在（Garrison et al., 2000）。

九、生成式AI的使用与学术诚信
- 明确可接受使用边界：如允许头脑风暴、结构建议与语言润色，但要求最终文本为学习者重写并需提交AI使用声明与提示词存档。
- 避免单纯依赖“AI文稿检测”进行裁决：当前检测准确性不足，易产生日/假阴阳性，应以过程证据（版本历史、修订说明、口头抽样说明）为主（OpenAI, 2023）。
- 以学习为中心：引导学生对AI输出进行事实核查、来源标注与批判性编辑，培养信息素养。

十、实施与规模化运营
- 时间线建议：T0训练与校准；T1初稿提交；T2多评审；T3修订与反思；T4发布与总结。为每阶段设置“最低行动阈值”（如至少3条高质量评论）。
- 班级规模：>50人建议启用自动分配、多评审冗余与教师抽样复核；提供助教仪表与批量反馈模板。
- 教师工作量控制：用量规、评论库与平台自动化聚合报告支持高效审阅。

结论
该模块的学习潜力与证据基础充分。建议以明确的学习目标对齐为主线，配套高质量量规、校准型互评流程、稳健的数据与伦理治理，以及无障碍与学习分析支持。通过合理的技术栈集成与脚手架设计，可显著提升学习成效、反馈素养与协作质量（Double et al., 2020; Carless & Boud, 2018; Johnson & Johnson, 2009）。

参考文献（APA 第7版）
Biggs, J., & Tang, C. (2011). Teaching for quality learning at university (4th ed.). McGraw-Hill.

Brookhart, S. M. (2013). How to create and use rubrics for formative assessment and grading. ASCD.

Carless, D., & Boud, D. (2018). The development of student feedback literacy: Enabling uptake of feedback. Assessment & Evaluation in Higher Education, 43(8), 1315–1325.

CAST. (2018). Universal Design for Learning Guidelines version 2.2. Author.

Cho, K., & Schunn, C. D. (2007). Scaffolded writing and reviewing in the discipline. Journal of Educational Psychology, 99(4), 774–789.

Double, K. S., McGrane, J. A., & Hopfenbeck, T. N. (2020). The impact of peer assessment on academic performance: A meta-analysis of randomized controlled trials. Review of Educational Research, 90(4), 543–584.

Garrison, D. R., Anderson, T., & Archer, W. (2000). Critical inquiry in a text-based environment: Computer conferencing in higher education. The Internet and Higher Education, 2(2–3), 87–105.

Hattie, J., & Timperley, H. (2007). The power of feedback. Review of Educational Research, 77(1), 81–112.

Johnson, D. W., & Johnson, R. T. (2009). An educational psychology success story: Social interdependence theory and cooperative learning. Educational Researcher, 38(5), 365–379.

OpenAI. (2023, July 20). AI Text Classifier: A retired experiment. https://openai.com

Sadler, D. R. (1989). Formative assessment and the design of instructional systems. Instructional Science, 18(2), 119–144.

Sadler, D. R. (2010). Beyond feedback: Developing student capability in complex appraisal. Assessment & Evaluation in Higher Education, 35(5), 535–550.

Storch, N. (2013). Collaborative writing in L2 classrooms. Multilingual Matters.

Sweller, J., Ayres, P., & Kalyuga, S. (2011). Cognitive load theory. Springer.

Topping, K. J. (1998). Peer assessment between students in colleges and universities. Review of Educational Research, 68(3), 249–276.

W3C. (2023). Web Content Accessibility Guidelines (WCAG) 2.2. World Wide Web Consortium. https://www.w3.org/TR/WCAG22/

对“在线化改造可行性的在线学习模块”的专家评审与改进建议

论点陈述
该模块以“在线化改造可行性”为主题，定位正确、具有实践价值。但要真正支持教育决策和规模化落地，模块应在四个维度上形成可操作的、基于证据的框架与产出物：教学有效性、技术与互操作、运营与质量保障、合规与伦理。以下反馈围绕关键要素提出改进建议，并以同行评审文献与权威标准为依据。

一、学习目标与对齐
- 建议采用逆向设计明确可测的学习目标，确保目标、活动与评估三者一致（Wiggins & McTighe, 2005）。示例目标：
  - 能运用证据框架评估课程在线化的教学可行性（如CoI、认知负荷、UDL）。
  - 能在特定情境下选择合适的教学模式（纯在线/混合；同步/异步）并阐释理由（Hrastinski, 2008; Means et al., 2010）。
  - 能制定一份包含教学、技术、资源、风险与合规的“在线化改造可行性报告”。
- 以布鲁姆动词表述，避免含糊动词（如“了解”），提高可评估性。

二、教学策略与学习活动
- 社会-教学-认知三重存在：以社区探究模型组织互动（Garrison et al., 2000），通过结构化讨论、同侪评审与教师反馈建立学习共同体。
- 认知负荷与多媒体原则：短时长、目标明确的微视频（6–9分钟为上限）并配合示例、标注与嵌入式测验，以减少外在负荷并强化生成性加工（Mayer, 2009；Guo et al., 2014；Sweller et al., 2019）。
- 同步与异步的互补：异步用于输入与反思；同步用于高层次协作、问答和决策，以提升社交在场感与时效性（Hrastinski, 2008）。
- 普适学习设计：为关键内容提供多种呈现与表达路径，降低障碍、兼顾多样性（CAST, 2018）。

三、评估设计与学术诚信
- 形成性评估：低风险检索练习与分段任务，促进保持与迁移（Roediger & Karpicke, 2006；Cepeda et al., 2008）。
- 总结性评估：以真实任务为主——提交“在线化改造可行性报告”（包含战略选择、技术栈、预算与风险、质量与合规方案）。配套分析性量规以提升信度与反馈质量（Hattie & Timperley, 2007）。
- 学术诚信：尽量采用开放性与项目化评估，减少对高侵入性线上监考的依赖；如需监考，提供隐私与替代方案说明，并进行影响评估。

四、技术选择与互操作
- 基础平台：选用具备可扩展性与移动友好的LMS，支持LTI 1.3/Advantage以整合测验、虚拟教室、互动视频等外部工具（1EdTech, 2019）。
- 学习记录：对跨工具学习行为采用xAPI并集中至LRS，便于形成全链路数据证据（ADL, 2017）。
- 媒体与协作：选用支持交互题、书签、字幕与速率调节的视频工具；同步会议需具分组讨论、白板与录制摘要功能。
- 可达性与性能：考虑带宽差异，提供低码率与音频版备选；启用CDN与离线可读包，确保弱网环境可用。

五、无障碍与公平性
- 遵循WCAG 2.1 AA，确保字幕/文本稿、色彩对比、键盘可达与替代文本等（W3C, 2018）。
- 结合UDL，在材料、互动与评估中提供多模态与弹性时间安排，降低情境性不公（CAST, 2018）。

六、学习者支持与社区建设
- 明确“学习者旅程”与服务SLA：入门导航、工具演示、时间管理提示、常见问题库与技术支持渠道。
- 促进社会化学习：设置同侪评审清单与角色分工，教师定期以结构化方式介入，提升教学在场感（Garrison et al., 2000）。

七、学习分析与持续改进
- 指标体系：围绕等价互动定理与学习目标，建立参与度、作业质量、概念掌握与迁移表现等指标，并以可视化仪表板反馈给教师与学习者（Anderson, 2003；Siemens & Long, 2011）。
- 伦理与治理：最小化数据收集，公开用途与保存期限，建立退出机制与数据访问流程，符合GDPR与《个人信息保护法》（Regulation (EU) 2016/679；中华人民共和国个人信息保护法，2021）。

八、质量保障与评审
- 采用权威基准开展课程设计自评与同侪评审，如Quality Matters高教量规或ISO/IEC 40180质量框架（Quality Matters, 2023；ISO/IEC, 2017）。
- 在上线前进行可用性测试与无障碍审查，上线后实施快速迭代与证据导向改进循环。

九、实施路径与资源可行性
- 团队与工时估算：明确角色与职责（学科专家、教学设计、媒体、工程、无障碍与质保）；给出每学分或每小时学习材料的开发工时区间与关键里程碑。
- 版权与开放许可：审计第三方素材许可，优先采用OER以降低成本与提升可复用性。
- 风险矩阵：识别数字鸿沟、平台可靠性、数据合规、内容时效与人员变动等，制定缓解与应急方案。

十、可交付成果与模板化支持
- 建议模块最终产出包含：
  - 在线化改造可行性报告模板（目录建议：教学分析、模式选择与论据、活动与评估设计、技术架构与互操作、无障碍与公平性、学习者支持方案、数据与评估计划、预算与资源、合规与风险、实施时间表）。
  - 技术选型对比矩阵（功能、互操作、成本、可达性、数据与合规）。
  - 质量自评清单（对齐QM或ISO/IEC 40180条目）。
  - 伦理与隐私影响评估简表。

结论
若本模块能以逆向设计为纲，以CoI、认知负荷与UDL等证据框架指导教学策略，以标准驱动的互操作与无障碍设计保障可达性，并辅以质量基准与学习分析的闭环改进，将具备高可移植性与可扩展性。建议聚焦“可测目标—真实性任务—标准化产出”的链条，确保学习者完成后即可独立编制并论证一份可实施的在线化改造可行性方案。

参考文献（APA第7版）
- ADL Initiative. (2017). Experience API (xAPI) specification version 1.0.3.
- Anderson, T. (2003). Getting the mix right again: An updated and theoretical rationale for interaction. The International Review of Research in Open and Distributed Learning, 4(2).
- CAST. (2018). Universal Design for Learning guidelines, version 2.2.
- Cepeda, N. J., Pashler, H., Vul, E., Wixted, J. T., & Rohrer, D. (2008). Spacing effects in learning: A temporal ridgeline of optimal retention. Psychological Bulletin, 134(3), 354–380.
- Garrison, D. R., Anderson, T., & Archer, W. (2000). Critical inquiry in a text-based environment: Computer conferencing in higher education. The Internet and Higher Education, 2(2–3), 87–105.
- Guo, P. J., Kim, J., & Rubin, R. (2014). How video production affects student engagement: An empirical study of MOOC videos. Proceedings of the First ACM Conference on Learning at Scale, 41–50.
- Hattie, J., & Timperley, H. (2007). The power of feedback. Review of Educational Research, 77(1), 81–112.
- Hrastinski, S. (2008). Asynchronous and synchronous e-learning. EDUCAUSE Quarterly, 31(4), 51–55.
- ISO/IEC. (2017). ISO/IEC 40180:2017—Quality for learning, education and training—Fundamentals and reference framework.
- Mayer, R. E. (2009). Multimedia learning (2nd ed.). Cambridge University Press.
- Means, B., Toyama, Y., Murphy, R., Bakia, M., & Jones, K. (2010). Evaluation of evidence-based practices in online learning: A meta-analysis and review of online learning studies. U.S. Department of Education.
- Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017–1054.
- Moore, M. G. (1993). Theory of transactional distance. In D. Keegan (Ed.), Theoretical principles of distance education (pp. 22–38). Routledge.
- Quality Matters. (2023). QM higher education rubric, seventh edition.
- Regulation (EU) 2016/679 of the European Parliament and of the Council (General Data Protection Regulation).
- Roediger, H. L., & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249–255.
- Siemens, G., & Long, P. (2011). Penetrating the fog: Analytics in learning and education. EDUCAUSE Review, 46(5), 31–40.
- Sweller, J., van Merriënboer, J. J. G., & Paas, F. (2019). Cognitive architecture and instructional design: 20 years later. Educational Psychology Review, 31(2), 261–292.
- W3C. (2018). Web Content Accessibility Guidelines (WCAG) 2.1.
- Wiggins, G., & McTighe, J. (2005). Understanding by design (Expanded 2nd ed.). ASCD.
- 中华人民共和国个人信息保护法（2021年）。全国人民代表大会常务委员会公报。