学生画像分层与自学路径设计：从初始状态识别到动态适配
日期：2026-06-15
适用项目：AI 版可汗学院
主题：学生画像是否需要分层、如何分层、如何识别初始状态、如何把画像转成不同学习路径，以及背后的第一性原理。
核心结论：必须分层，但不能把孩子贴死标签。画像应是动态学习状态模型，而不是人格分类表。
0. 一句话结论
学生画像一定要分层。否则“AI 自学平台”会默认面向一种不存在的理想学生：有动机、会规划、不怕错、能坚持、会求助、家里支持、阅读能力够、注意力稳定。
真实学生不是这样。影响自学成败的变量至少包括：
- 年龄和发展阶段；
- 前置知识和认知水平；
- 自我调节能力；
- 学习动机和任务价值感；
- 对错误的态度；
- 情绪挫败和数学焦虑；
- 注意力和执行功能；
- 家庭支持和亲子关系；
- 同伴/社群需求；
- 内容呈现偏好和可及性需求；
- AI 依赖和抄答案风险；
- 价值判断与开放讨论成熟度。
但分层的目的不是给孩子贴“主动型/被动型”“视觉型/听觉型”标签，而是回答四个产品问题：
- 他现在从哪里开始？
- 他现在需要多少脚手架？
- 哪种学习体验更容易让他进入状态？
- 什么时候必须找人介入？
1. 你这个问题背后的真实动机
表面上你在问“学生画像怎么分”，深层是在问：
如果我们想让一个孩子真的能自学，系统必须先理解他是哪种学习困境，而不是只知道他错了哪道题。
也就是说，本项目不能只做“知识点自适应”，还要做“学习行为自适应”和“心理状态自适应”。
传统自适应学习只关心：
你会不会这个知识点？
但 AI 自学平台真正要关心：
你为什么现在学不下去？
是不会？太难？没兴趣？怕错？太孤独？被家长逼？想抄答案？不知道怎么开始？还是注意力已经耗尽？
这才是问题本质。
2. 第一性原理：学习画像不是“分类人”，而是“配置学习环境”
画像的本质不是性格测试，而是学习环境配置。
一个学生能不能自学，取决于四个条件：
- 能力条件：当前知识和认知能力能不能处理任务；
- 动机条件：他觉得这件事值不值得做；
- 调节条件：他能不能计划、坚持、卡住后调整；
- 情绪条件：失败时他会继续试，还是逃避和自我否定。
如果这四个条件不同，却给所有孩子同一种路径，就会出现典型失败：
- 主动孩子嫌系统啰嗦；
- 被动孩子不知道怎么开始；
- 怕错孩子被挑战题吓退；
- 兴趣强但基础弱的孩子陷入挫败；
- 基础强但价值感低的孩子觉得无聊；
- 家长控制强的孩子把平台当又一个监控工具；
- 低龄孩子被文字解释压垮；
- 高龄孩子被幼稚游戏化劝退。
所以画像分层的核心目标是：
为不同学生配置不同强度的结构、反馈、自由度、情境、社交和人工介入。
3. 应该分哪些层
3.1 第一层：相对稳定的背景层
这些变量变化较慢，用于设定初始边界。
| 维度 | 为什么重要 | 产品影响 |
|---|---|---|
| 年龄 / 年级 | 执行功能、抽象能力、阅读能力差异很大 | 任务长度、文字密度、游戏化程度、家长参与强度 |
| 学科 / 教材 / 课标 | 学习路径和考试要求不同 | 知识图谱入口 |
| 设备和网络 | 决定能否跑复杂交互 | 轻量模式 / 离线缓存 / 手机适配 |
| 家庭支持 | 影响坚持和情绪恢复 | 家长周报强度、教练介入优先级 |
| 语言和阅读能力 | 影响能否理解题干和 AI 解释 | 语音、图示、短句、词汇解释 |
| 特殊可及性需求 | 影响呈现方式和操作方式 | 字体、语音、字幕、低刺激模式 |
注意：这些是边界条件，不是学习命运。
3.2 第二层：当前学习状态层
这是自适应学习最熟悉的层。
| 维度 | 典型信号 | 产品响应 |
|---|---|---|
| 当前掌握点 | 诊断题、作答轨迹、解释质量 | 从合适知识点开始 |
| 前置漏洞 | 同类错因反复出现 | 回补前置知识 |
| 认知负荷 | 读题慢、频繁暂停、步骤丢失 | 拆短任务、图示化、降低文字量 |
| 迁移能力 | 原题会、变式不会 | 加入变式和解释出口 |
| 独立性 | 提示次数、是否能无辅助完成 | 掌握判定区分“辅助下会”和“独立会” |
这层决定“学什么”和“难度多少”。
3.3 第三层：自我调节层
自学平台最容易忽视这一层，但它往往决定留存。
| 维度 | 高水平表现 | 低水平表现 | 产品响应 |
|---|---|---|---|
| 启动能力 | 到点能开始 | 拖延、打开又退出 | 开始仪式、短任务、外部提醒 |
| 计划能力 | 知道今天做什么 | 不知道从哪下手 | AI 日计划 |
| 监控能力 | 知道自己会不会 | 看懂就以为会了 | 无辅助小测、解释题 |
| 策略能力 | 卡住会换方法 | 只会乱试或要答案 | 卡住菜单、提示梯度 |
| 求助能力 | 能描述卡点 | 只说“不会” | AI 引导描述问题 |
| 复盘能力 | 能总结下一步 | 学完就走 | 30 秒复盘 |
这层决定“给多少结构”和“是否需要教练/家长问责”。
3.4 第四层：动机与身份层
动机不是“有兴趣/没兴趣”这么简单。
| 维度 | 核心问题 | 产品响应 |
|---|---|---|
| 期待成功 | 我觉得自己能学会吗？ | 小胜利、低风险开始、成长证据 |
| 任务价值 | 这和我有什么关系？ | 兴趣连接、真实应用、目标叙事 |
| 目标类型 | 我想掌握，还是只想过关？ | 奖励策略不同，避免只奖励速度 |
| 学科身份 | 我是不是“数学不好的人”？ | 反标签叙事、成长档案 |
| 自主感 | 是我选的，还是被逼的？ | 受控选择权、学习契约 |
| 归属感 | 有没有人知道我在努力？ | 小组、作品展示、真人反馈 |
这层决定“为什么学”和“如何坚持”。
3.5 第五层：情绪与风险层
很多孩子不是不会，而是不敢。
| 维度 | 风险信号 | 产品响应 |
|---|---|---|
| 怕犯错 | 不敢提交、频繁撤回、只看讲解 | 低风险尝试、错误正常化 |
| 数学焦虑 | 看到题就紧张、回避数学 | 更小步、情绪接住、少计时 |
| 挫败耐受 | 连错 2-3 次就退出 | 快速小胜利、降难度 |
| 自我否定 | “我太笨了”“我不适合” | AI 情绪响应 + 真人触发 |
| 羞耻感 | 不愿让家长/同伴看到错误 | 隐私边界、只展示成长证据 |
| 过度自信 | 看懂视频就跳过练习 | 强制无辅助验证 |
这层决定“如何反馈”和“什么时候人工介入”。
3.6 第六层：社交与家庭层
自学不是孤立发生的。
| 维度 | 可能状态 | 产品响应 |
|---|---|---|
| 亲子关系 | 支持型 / 控制型 / 缺席型 / 冲突型 | 家长端语气和可见数据不同 |
| 家长能力 | 能辅导 / 不能辅导 / 只会催 | 给家长具体鼓励脚本 |
| 同伴需求 | 喜欢一起学 / 喜欢独立 / 害怕比较 | 小组可选、避免公开排名 |
| 家庭节奏 | 有固定学习时间 / 时间碎片化 | 长短任务混合 |
| 外部压力 | 中考高压 / homeschool / 国际路线 | 目标和测评口径不同 |
这层决定“谁能帮他”和“社群如何设计”。
3.7 第七层：学习体验偏好层
这里要非常谨慎。
学生确实会有偏好的呈现方式：
- 有人喜欢图像；
- 有人喜欢听讲；
- 有人喜欢动手拖拽；
- 有人喜欢先看例题；
- 有人喜欢先挑战；
- 有人喜欢游戏情境；
- 有人讨厌幼稚包装。
但这不等于“视觉型/听觉型/动觉型学习者”这个固定分类成立。
Pashler 等 2008 年对学习风格证据做过系统批判，结论是：没有足够证据支持“先测出某人的视觉/听觉/动觉风格，再按这个风格教学会提高成绩”的强主张。更稳妥的做法是：
不要把学习方式当人格标签，而要把多种呈现方式当可选工具。
也就是说：
- 几何、函数、物理运动天然适合视觉化；
- 口语、语文朗读天然适合听觉；
- 实验、几何构造、函数调参适合动手交互；
- 抽象推理需要文字和符号；
- 低龄学生更需要交互和短反馈；
- 高龄学生可能更重视效率和解释质量。
产品上应该做“多通道可切换”，而不是“你是视觉型，所以永远给图”。
4. 不是只有难度不同，学习方式也要不同
你的判断是对的：不同学生不只是需要不同难度，也需要不同学习方式。
4.1 同一个知识点的多种路径
以“一次函数斜率”为例：
| 学生状态 | 更适合的入口 |
|---|---|
| 基础弱、怕错 | 先用生活场景和图像观察变化 |
| 基础强、主动 | 直接给挑战题，让他自己发现规律 |
| 视觉强/几何直觉好 | 动态图像：拖动直线看斜率变化 |
| 抽象能力强 | 符号推导和参数意义 |
| 兴趣低 | 用速度、游戏、钱、运动等真实情境 |
| 数学焦虑 | 不计时、不公开分数、先小胜利 |
| 容易抄答案 | 先要求解释思路，再给反馈 |
| 过度自信 | 快速无辅助变式题验证 |
4.2 学习方式的适配维度
| 适配项 | 可选变化 |
|---|---|
| 入口 | 问题挑战 / 情境故事 / 互动实验 / 例题讲解 / 复习回顾 |
| 媒介 | 文字 / 图示 / 动画 / 语音 / 交互 / 游戏化任务 |
| 任务长度 | 3 分钟 / 8 分钟 / 15 分钟 / 项目型 |
| 提示强度 | 无提示 / 最小提示 / 分步提示 / worked example |
| 反馈语气 | 高自主 / 高鼓励 / 高挑战 / 高结构 |
| 社交形态 | 单人 / 同伴互评 / 小组挑战 / 老师点评 |
| 评价方式 | 题目 / 解释 / 项目 / 口头讲解 / 迁移任务 |
5. 如何辨别孩子的初始状态
不要指望一次问卷测准。建议采用六类信号融合。
5.1 入门问卷：低成本，但不能太长
问卷适合测主观状态：
- 我觉得自己能不能学会；
- 我为什么想学；
- 我遇到难题通常怎么办；
- 我是否害怕做错；
- 我喜欢一个人学还是一起学；
- 我希望家长看到哪些信息；
- 我每天大概能稳定学习多久。
建议不要做传统“性格测试”式长问卷。初中生不会认真填，且容易被当下情绪影响。
推荐形式：
10-15 个情境选择题
每题 10 秒内能答
不用“你是什么类型的人”
改问“遇到这种情况你通常怎么做”
例题：
你做数学题连续错了两次，最像你的反应是：
A. 我会换一种方法再试
B. 我会想看答案
C. 我会觉得自己不适合学数学
D. 我会先跳过，之后再回来
5.2 学科诊断：测知识，不测人格
诊断要短，目标是找入口，不是给学生下判决。
建议：
- 8-12 道自适应诊断题；
- 每题记录过程和提示需求；
- 加 1-2 道解释题；
- 不显示“你很差”，只显示“建议从这里开始”。
5.3 游戏化诊断：看行为，不只看答案
游戏化诊断可以观察：
- 是否愿意探索；
- 是否怕失败；
- 是否乱点；
- 是否读规则；
- 是否主动复盘；
- 是否能从反馈中调整策略。
例子：
给学生一个简单的“调参让小车到达目标”的小游戏。
系统记录：
- 第一次尝试前是否观察规则；
- 失败后是否调整同一个变量；
- 是否频繁随机拖动；
- 是否查看提示；
- 是否能说出“我发现速度越大，距离越远”。
这比问“你是不是动觉型学生”更有价值。
5.4 AI 早期对话：测表达、求助和归因
早期 AI 对话可以观察：
- 学生如何描述困难；
- 是否只要答案；
- 是否愿意解释思路；
- 是否把失败归因于“我笨”；
- 是否能接受提示；
- 是否愿意重新尝试。
但要注意：AI 不能从几句话就给孩子贴心理标签。只能生成低置信度假设。
5.5 行为日志：最重要的长期信号
真正可靠的是行为。
| 行为信号 | 可能含义 |
|---|---|
| 连续登录但不做题 | 启动困难或害怕失败 |
| 只看讲解不尝试 | 低自信或被动学习习惯 |
| 大量请求提示 | 可能基础弱，也可能依赖 AI |
| 快速乱答 | 注意力低或只想完成任务 |
| 错后退出 | 挫败耐受低 |
| 主动改错 | 高自我调节 |
| 能解释错因 | 掌握质量高 |
| 复习回访稳定 | 习惯正在形成 |
画像应该每周更新，而不是入门时固定。
5.6 家长输入：有价值，但要防偏见
家长知道孩子的长期状态，但也可能带入焦虑和偏见。
可问：
- 孩子平时遇到难题会怎样？
- 家里每天能提供多长稳定学习时间？
- 家长希望看到什么信息？
- 家长愿意每周做哪些低负担支持？
- 亲子之间学习沟通是否容易冲突？
不要让家长给孩子贴“懒”“不自觉”“笨”的标签。家长端应该把问题转成可操作支持：
与其问：孩子是不是不自觉？
不如问：孩子是否需要固定学习时间提醒？
6. 可以用哪些测评工具
6.1 可以借鉴的成熟量表
| 工具 / 理论 | 可借鉴点 | 注意 |
|---|---|---|
| MSLQ | 动机、学习策略、自我调节 | 原版面向大学生，不能直接照搬给初中生 |
| Self-Regulated Learning | 计划、监控、策略、反思 | 更适合产品化成行为任务 |
| Growth Mindset | 能力是否可发展 | 干预效果有争议，不能只靠鸡汤 |
| Expectancy-Value Theory | 期待成功 × 任务价值 | 很适合解释“为什么不学” |
| Control-Value Theory | 控制感 × 价值 → 情绪 | 适合设计焦虑/无聊/挫败响应 |
| Math Anxiety Scales | 数学焦虑 | 应用于风险识别，不用于羞辱标签 |
| Big Five | 尽责性等与学业有关 | 不建议对未成年人做重人格标签 |
| UDL | 多种参与、呈现、表达方式 | 比 VAK 学习风格更适合作为设计框架 |
6.2 不建议做什么
-
不建议做“你是视觉型/听觉型/动觉型”的固定分类。
-
不建议用复杂性格测试决定学习路径。
性格测试容易让孩子和家长形成自证预言。 -
不建议一次测评后长期不变。
学生状态会变化，系统必须允许画像被推翻。 -
不建议把心理风险完全自动化判断。
AI 可以提示风险，但不能独自承担心理诊断。 -
不建议给家长展示过细的负面标签。
例如“孩子低自控、低动机、怕错”。这会伤害亲子关系。
7. 动态画像模型：推荐结构
建议把学生画像拆成 5 个层级。
Profile = {
background: 背景与边界条件,
mastery: 学科掌握状态,
self_regulation: 自我调节状态,
motivation_emotion: 动机与情绪状态,
interaction_preferences: 当前体验偏好,
risk_flags: 需要关注的风险信号,
evidence: 每个判断的证据和置信度,
updated_at: 最近更新时间
}
每个画像字段都应有：
- 当前判断；
- 证据来源；
- 置信度；
- 最后更新时间；
- 是否允许学生/家长修改；
- 是否可给家长展示。
示例：
fear_of_mistakes:
value: medium_high
evidence:
- 入门问卷：连续错题后倾向看答案
- 行为日志：错后退出 3 次
- AI 对话：出现“我是不是太笨了”
confidence: 0.72
product_response:
- 降低公开评价
- 先给低风险尝试
- 错误反馈强调策略而非能力
parent_visible: false
8. 画像如何转成路径设计
8.1 六个核心路径旋钮
| 旋钮 | 可调方向 |
|---|---|
| 结构强度 | 系统强规划 ↔ 学生自主选择 |
| 挑战强度 | 小步成功 ↔ 高挑战任务 |
| 提示强度 | 少提示 ↔ 多脚手架 |
| 情境强度 | 直接学科 ↔ 兴趣/游戏情境 |
| 社交强度 | 单人 ↔ 小组/同伴/老师 |
| 人工介入 | 无 ↔ 教练/家长/老师 |
8.2 典型学生状态与产品响应
| 状态 | 识别信号 | 路径设计 |
|---|---|---|
| 高主动、高基础 | 诊断快、少提示、主动探索 | 给挑战题、减少解释、开放项目、允许跳级但要过掌握门 |
| 高兴趣、低策略 | 常登录但乱学、跳来跳去 | 给明确路线、短计划、复盘提示 |
| 基础弱、怕错 | 错后退出、自我否定 | 小步任务、低风险反馈、真人/家长鼓励 |
| 被动、低动机 | 不启动、只做最低要求 | 外部问责、兴趣连接、短周期成果 |
| 过度求答案 | 频繁要答案、复制 AI | 强制先尝试、提示层级、无辅助复测 |
| 注意力不稳 | 快速乱答、频繁切出 | 3-5 分钟任务、互动更多、减少长视频 |
| 视觉/交互偏好强 | 图示任务完成更好 | 优先图示/交互，但保留符号训练 |
| 语言阅读弱 | 读题慢、误读题意 | 题干拆句、语音、图示、关键词解释 |
| 家长控制强 | 学生抗拒周报、担心被监控 | 隐私边界、家长端只展示成长和建议 |
| 社交驱动 | 小组任务更持久 | 小组挑战、同伴解释、作品展示 |
| 害怕比较 | 排行榜后退出 | 避免公开排名，只做个人成长线 |
9. 年龄段差异
9.1 低龄 / 小学高年级
特点：
- 执行功能弱；
- 任务不能长；
- 抽象文字解释效果差；
- 更需要游戏化、图像、拖拽、语音；
- 家长参与更必要；
- 容易被奖励驱动，也容易被奖励绑架。
设计：
- 3-8 分钟小关卡；
- 多交互、多图像；
- 少文字；
- 家长提供固定时间和环境；
- 奖励努力策略，而不是速度和排名。
9.2 初中
特点：
- 学科抽象度上升；
- 自我意识增强，怕丢脸；
- 数学焦虑和“我不是学这个的料”开始固定；
- 同伴影响强；
- 自主性需求上升，但执行功能还不稳定。
设计：
- 错误正常化；
- 隐私边界；
- 小组可选；
- 每日目标清晰；
- AI Coach 帮计划和复盘；
- 家长端避免监控感。
9.3 高中
特点：
- 时间压力强；
- 目标更功利；
- 能接受更高密度内容；
- 更需要效率、路径、掌握证据；
- 对幼稚游戏化敏感；
- 价值判断和未来规划开始重要。
设计：
- 高效率路径；
- 诊断补漏；
- 明确考试/能力收益；
- 允许更多自主选择；
- 加入项目、升学、职业相关情境；
- 关注焦虑和 burnout。
10. 初始状态识别流程建议
10.1 入门 20 分钟流程
第 1 步：学生选择目标
例如：补基础 / 提高成绩 / 自学新内容 / 准备考试 / 只是想看看
第 2 步：10 题以内的情境问卷
测启动、怕错、求助、兴趣、家长可见边界
第 3 步：短学科诊断
测当前入口和前置漏洞
第 4 步：1 个微型互动任务
观察探索、试错、反馈利用
第 5 步：AI 对话 3 轮
让学生描述自己想学什么、哪里难、希望怎么被帮助
第 6 步：生成初始学习画像
只展示友好版本：“建议从这里开始，你更适合这种节奏”
第 7 步：进入第一周试运行
第一周不贴死标签，每天根据行为校准
10.2 第一周动态校准
第一周重点观察：
- 是否能启动；
- 是否能完成 5-10 分钟任务；
- 错后是否回来；
- 是否滥用提示；
- 是否能做无辅助复测；
- 是否愿意复盘；
- 是否对某类呈现方式明显更投入；
- 家长提醒是否有帮助或造成冲突。
第一周结束再更新画像，而不是一开始就定型。
11. 问题背后你还没显式问、但应该问的事
11.1 画像会不会制造不公平
会。风险包括：
- 弱基础学生被长期喂低难度内容；
- 被动学生被过度控制，失去自主性；
- 家长看到负面标签后更焦虑；
- 系统因为早期数据不足误判；
- 低收入学生被设备/网络问题误判为低动机；
- 女生或某些群体被数学焦虑标签固化。
因此画像必须有反偏见设计：
- 不把风险标签给学生和家长裸露展示；
- 所有标签都有置信度；
- 所有路径都有“升级挑战”机会；
- 允许学生选择挑战自己；
- 人工介入时看原始证据，不只看模型分数。
11.2 画像和隐私怎么处理
学生画像涉及未成年人心理、学习行为和家庭关系，属于高敏感数据。
必须设计：
- 最小化收集；
- 明确告知用途；
- 学生知道哪些信息给家长看；
- 青春期学生有一定隐私边界；
- 心理风险不做产品化标签展示；
- 数据用于帮助，不用于排名、羞辱、营销。
11.3 画像是否会降低学生自主性
如果系统永远替学生决定，就会削弱自主性。
正确做法：
初期：系统强结构
中期：系统给 2-3 个合理选项
后期：学生自己设目标，系统做教练
画像应该服务于“逐步放权”，不是永久控制。
11.4 学生会不会伪装
会。尤其当学生发现某些回答会带来更简单任务或更多奖励。
所以不能只看问卷，要看行为：
- 是否能无辅助完成；
- 是否能解释；
- 是否能延迟复测；
- 是否能迁移；
- 是否只在有奖励时学习。
11.5 家长画像也需要分层
家长不是单一群体。
| 家长类型 | 风险 | 产品支持 |
|---|---|---|
| 支持型 | 可能不知道怎么帮 | 给具体鼓励脚本 |
| 焦虑控制型 | 过度监控、制造冲突 | 弱化负面数据，强调成长 |
| 缺席型 | 孩子缺少结构 | 教练/同伴补位 |
| 高能力辅导型 | 可能想看更多细节 | 提供可选深度报告 |
| 不懂学科型 | 看不懂知识点 | 用自然语言解释卡点 |
如果只做学生画像，不做家长画像，家长端可能反而破坏学生动机。
11.6 老师/志愿者也需要看到“可行动画像”
不要给老师看一堆心理分数。要给：
这个孩子现在最需要什么？
1. 降低挫败
2. 建立启动习惯
3. 补比例前置知识
4. 不要直接给答案
5. 本周只需要一次具体鼓励
画像必须转成行动建议。
12. 产品原则
-
画像分层是必要的，但标签化是危险的。
-
先分“需要什么支持”，不要先分“是什么人”。
-
知识自适应只能解决一半问题；动机、情绪、自我调节和家庭环境决定另一半。
-
视觉/听觉/动觉不应作为固定学习风格标签；更好的框架是 UDL：多种参与、多种呈现、多种表达。
-
问卷只负责冷启动，行为数据负责校准，真人反馈负责纠偏。
-
画像必须动态更新，且允许被学生的进步推翻。
-
画像的输出不是分数，而是学习环境配置：任务长度、提示强度、呈现方式、社交强度、人工介入。
-
所有画像都要有隐私边界。尤其是怕错、自我否定、亲子冲突、低动机等敏感信息。
-
平台最终目标不是更精准地控制学生，而是逐步训练学生摆脱控制，成为能自学的人。
13. 建议进入 PRD 的功能清单
P0
- 入门短问卷：10-15 个情境选择题；
- 短学科诊断；
- 初始学习画像；
- 画像字段包含证据和置信度；
- 行为日志：启动、退出、提示、错后行为、复测、解释；
- 怕错/挫败/要答案风险识别；
- 学习路径的 6 个旋钮：结构、挑战、提示、情境、社交、人工介入；
- 家长可见信息隐私边界。
P1
- 游戏化微诊断；
- AI 早期访谈；
- 第一周动态画像校准；
- 家长画像；
- 教练/志愿者可行动画像；
- 多通道呈现偏好切换；
- 学生可选择“更挑战 / 更稳一点 / 换种讲法”。
P2
- 长期画像趋势图；
- 同伴匹配机制；
- 开放问题成熟度画像；
- AI 依赖风险模型；
- 特殊可及性模式；
- 个性化动机干预实验；
- 画像公平性审计。
14. 关键来源
- Pashler et al. (2008). Learning Styles: Concepts and Evidence. Psychological Science in the Public Interest. https://journals.sagepub.com/doi/full/10.1111/j.1539-6053.2009.01038.x
- Pintrich et al. (1991). A Manual for the Use of the Motivated Strategies for Learning Questionnaire. https://eric.ed.gov/?id=ED338122
- Xu et al. (2023). Self-regulated learning interventions in online and blended environments. https://www.tandfonline.com/doi/full/10.1080/0144929X.2022.2151935
- Guntur & Purnomo. SRL interventions meta-analysis. https://olj.onlinelearningconsortium.org/index.php/olj/article/view/4025
- Sisk et al. (2018). Growth Mindset Meta-Analyses. https://pubmed.ncbi.nlm.nih.gov/29505339/
- Yeager et al. (2019). A national experiment reveals where a growth mindset improves achievement. https://pubmed.ncbi.nlm.nih.gov/31391586/
- Barroso et al. (2021). A meta-analysis of the relation between math anxiety and math achievement. https://pubmed.ncbi.nlm.nih.gov/33119346/
- Pekrun (2006). Control-Value Theory of Achievement Emotions. https://link.springer.com/article/10.1007/s10648-006-9029-9
- Eccles & Wigfield Expectancy-Value Theory. https://link.springer.com/article/10.1007/BF02209024
- CAST Universal Design for Learning. https://www.cast.org/what-we-do/universal-design-for-learning/
- UNESCO Guidance for Generative AI in Education and Research. https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research
- Pliakos et al. / learner model systematic review. https://www.sciencedirect.com/science/article/abs/pii/S0360131524001982
- Learning analytics dropout prediction and SRL examples. https://www.mdpi.com/2073-431X/12/10/194
- Big Five and academic performance meta-analysis. https://pubmed.ncbi.nlm.nih.gov/34265097/