区域教育数字化发展研究｜朱靖 刘太如：作业数据驱动的大规模因材施教

引用格式

朱靖 刘太如.作业数据驱动的大规模因材施教——上海市闵行区“智慧教育示范区”创建实践[J].中国教育信息化,2023,29(10):073-082.DOI：10.3969/j.issn.1673-8454.2023.10.008

区域教育数字化发展研究

作业数据驱动的大规模因材施教

——上海市闵行区“智慧教育示范区”创建实践

朱靖 刘太如

作者简介： 朱靖，上海市闵行区教育学院党支部书记兼院长，正高级教师，本科（上海 200241）；刘太如，上海市闵行区教育学院教师发展中心主任，高级教师，硕士（上海 200241）

基金项目： 全国教育科学“十四五”规划2022年度教育部重点课题“教育数字化转型视域下精准教学的区域支持体系研究”（编号：DHA220421）

　　2019年，上海市闵行区成功入围教育部首批“智慧教育示范区”创建区域。在《闵行区创建“全国智慧教育示范区”实施方案》中，提出“数据驱动的大规模因材施教”的总体目标。2021年，上海市教委发布《上海市教育数字化转型实施方案（2021—2023）》，也提出大力推行数据驱动的因材施教新教学模式的要求。

　　闵行区是上海市第二大区，区域内学校之间、学生之间差异较大，让每一位学生健康快乐成长，构建优质均衡的教育体系，是闵行教育的发展目标。如何在基础教育教学中，通过数字化转型实现数据驱动的大规模因材施教的关键目标，成为闵行区教育的重要研究课题。经过对数据驱动的大规模因材施教的内涵解读和规划设计，闵行区以作业这个课堂教学的关键环节为抓手，以作业数据量化为核心，挖掘作业数据背后隐含的数据智能，以作业驱动教学各个环节的改革，探索出一条作业数据驱动的大规模因材施教的实践之路。

　　（一）因材施教的概念及困境

　　因材施教的理念源自孔子，主要是指根据学生的特点，实施不同的教学策略。因材施教的关键是区别不同的“材”并有针对性地“施教”。

　　对于“材”的界定，有学者认为“材”不仅仅指受教育者的差异，还应包含教材、教学环境、教师和教技教法^[1]，这样将“材”放大后无疑增加了因材施教的复杂性，不便于实施，也不利于数字化转型，因此本研究仅指受教育者的生理、心理等方面的差异。

　　一些学者将“材”界定在受教育者知识与技能、过程与方法、情感态度价值观的不同差异上，并以此作为学生因材分层、因材备课、因材授课、因材作业、因材辅导、因材评价的主要参考因素，然后再融入学习兴趣、学习态度、学习能力、气质、性格等因素，制定因材施教的策略，开展差异化教学。^[2]

　　“施教”则是指解决教什么、为何教、怎样教等三个问题。因材施教的根本目的是给予学生适切的教育，因势利导，使每一个学生得到充分的发展与完善，本质是为了体现教育的公平正义原则。^[3]

　　在当前智能化时代背景下，实施因材施教是必要的。随着时代的发展，一方面，社会对人才的需求更加多元；另一方面，学生个体的差异是普遍存在的。在课程教学目标、教学标准相对统一的情境下，如何满足学生身心发展的需求，深化教育公平和正义，实现教育机会均等，满足教育现实的需求，必然要求基础教育尤其是在义务教育阶段实现因材施教。

　　目前，我国中小学中不利于因材施教的因素主要有以下几个方面：一是在学校班级授课制下，无法兼顾到每一个学生的差异，只能采用统一的内容、统一的目标、统一的进度等^[4]。二是中小学教师缺少“因材施教”的意识和技能，无法科学合理地区分不同的“材”，也没有合理有效的“施教”策略，只能依靠自身经验掌握学生的个性特点和差异。^[5]

　　此外，因材施教还隐含了这样一个概念，即差异化教学。差异化教学和因材施教的特性有异曲同工之妙，差异化教学更加积极主动、科学、多样、系统，也更易于实现数字化转型。差异化教学就是因材施教进一步发展的结果^[6]。在本研究中，我们认为因材施教和差异化教学是等同的。

　　（二）数据驱动的大规模因材施教

　　数据驱动是指通过采集海量的数据，并对数据进行清洗、加工、计算，以建立数据模型；通过数据分析、模型迭代和优化、关键特征与信息的提炼，以驱动决策的生成，并将决策进一步实施，形成闭环的过程。^[7]

　　在课堂教学中融合数据驱动，主要呈现四大特点：科学化、精准化、智能化、个性化。^[8]个性化可以辅助准确识“材”，精准化可以实现精准施教，智能化可以减轻师生负担，科学化可以让教师的教和学生的学都实现循证化。因此，数据驱动是因材施教在课堂教学中大规模实施的基础，也是解决因材施教现实困境的良方。

　　学者们普遍认为，学习分析技术能够帮助教师准确预测“材”，智慧教育环境能支撑学生个体“成才”^[9]，且能够优化“施教”，包括教学资源的动态匹配、一对一的智能导师和多元全面的评价支持。^[10]有学者梳理了智能技术支持因材施教的场景：在识“材”方面，有数字画像技术、学情分析技术和智能评测诊断技术；在“施教”方面，有个性化推荐、课堂实录分析技术和大数据精准教学技术；在发展方面，有学生生涯规划评价分析技术和基于大数据的发展性评价技术。^[11]相关研究都基于全面而准确的学生数据，包括学习行为、个性品质、学习风格、学习兴趣等数据，而在目前教育数字化转型兴起的阶段，相关数据无法准确及时地伴随式获取，在减负和增效双重要求下，数据驱动的路径并不通畅。

　　虽然数据驱动能够很好地支撑因材施教，而且让因材施教由基于经验迈向了循证，但是在实践中还缺少科学有效的数据支撑方案。常态化、伴随式数据采集存在困难，相关技术还不成熟，如果依赖教师填报又会产生较大的负担，迫切需要加快推进教育数字化转型，实现师生全维度数据伴随式生产，从而让数据驱动的因材施教之路畅通。此外，在学生的个性品质、学习风格、学习兴趣方面，还依赖于问卷调查等方式，且多模态数据融合技术也在进一步发展过程中，还没有成熟的整合多模态数据驱动的因材施教案例。

　　（三）作业数据驱动

　　作业是课堂教学备课、授课、作业、辅导、评价等环节的中间环节，是各环节之间的纽带，是学生学习过程性评价的重要来源和途径。在教育全数据不健全的情境下，作业业务产生的数据显得尤为关键。而且作业业务的标准化程度、量化水平也较高，便于实现数字化转型。因此，是否可以利用作业数据来分析不同的“材”，通过作业数据挖掘分析学生个性品质和学业水平的不同，并进一步实现因材施教呢？

　　殷宝媛等对作业数据进行建模分析，有效验证了利用作业数据分析不同学生风格的路径，为数据驱动的“材”的发现提供了参考。其对智能学习系统中的作业习惯进行建模，形成了学业拖延习惯和学业勤奋习惯两个模型，并对模型的结果和专家的结果进行对比，一致性分别为0.821和0.712，表明通过智能学习系统平台采集数据，通过作业习惯模型对数据进行分析并分类的方式具有可行性，且结果可信度较高，这也说明通过作业数据能够获取学习者的一些特征。^[12]但相关研究还处于实验阶段，尚未进入常态化的应用实践阶段。

　　在学习者建模方面，主要有三种方式：一是基于知识的学习者建模，采集学习者知识掌握状态，并对学习者进行数据采集分析，从而了解学习者的学习状态，这也是传统教学中教师最常用的一种方法；二是显式学习者建模，包括学习偏好、学习风格、知识状态等；三是隐式学习者建模，包括交互数据、上下文信息、文本描述信息等。^[13]而作业系统能够很好地获取知识掌握数据、学习偏好和学习风格数据。因此，基于作业数据的学习者个性数据获取具有可行性。

　　上述研究表明，基于作业数据驱动因材施教具有可行性。因此，闵行区首先在区域层面深度推进作业业务的数字化转型，通过对作业数据的全面采集、分析和建模，深度挖掘学生差异，设计学生差异化教学支撑模型，形成作业数据驱动的差异化教学模式，实现了作业数据驱动的因材施教。

　　（一）搭建闵智作业系统，推进作业业务数字化转型

　　作业是一个规范化、标准化程度较高的业务，且属于课堂教学的关键环节和枢纽环节，可以优先实现数字化转型，从而驱动课堂教学的整体数字化转型。闵行区在区域层面统一建设区校两级架构的智能作业系统——闵智作业系统，实现了作业环节的整体数字化转型。

　　闵智作业采用“云—网—端”架构，支持基于主流电子产品的数字化模式，也兼容传统纸笔模式。主要功能包括：区—校—个人三级作业内容生产库，含作业设计、布置、完成、批改、讲评、辅导、巩固等作业流程的多功能、多层级作业分析报告，以及精准教研和精准辅导的支撑功能。

　　在作业内容方面，区域统筹组织设计，开发了覆盖主要学科全部知识点的内容，含微视频辅助、作业内容、作业讲评等资源。为适应不同学生的学习风格，相关资源按照不同媒体类型进行了冗余设计，相关作业内容按照难度、作业类型、学科知识体系、认知水平、学习目标、学科能力（核心素养）进行覆盖，以适应不同学生的学业水平。

　　在作业布置、完成、批改、报告等方面，构建了差异化的作业环境，支持按照个人、分组进行作业布置等任务，支持个性化作业推荐和基于班级群体作业行为的推荐，为因材施教奠定了功能基础。

　　在作业管理平台中融入智能技术，实现作业自动批阅，支持拍照批改作业和口语智能测评，实现了基于学生评估模型的学生自动评估，精准了解学生的学习状态，实现适性学习和“材”的聚类分类，在减轻教师负担的同时，为构建准确识“材”环境提供了支撑。

　　（二）量化作业数据，构建伴随式数据采集环境

　　中小学作业业务的主体要素包括教师、学生和作业内容。闵智作业平台构建了基于这三个主体要素的交互环境，在业务流转过程中将所有行为和属性量化，产生属性、行为和结果三个维度的数据，如图1所示。

　　教师在平台中的主要行为有：布置作业、批改作业、检查作业、查看报告、催促等。可生产数据为：教师个体属性数据，如教师ID、任教学科、姓名、性别等；教师行为数据，如布置作业、作业时间、检查批阅、催完成等；作业结果数据，如班级作业得分率、正确率、难度、薄弱点等。

　　学生在平台中的行为有：完成作业、订正作业、查看报告、微课自学等。可产生的数据为：学生个体属性数据，如学生ID、姓名、性别、年龄、班级、年级等；作业行为数据，如完成作业、作业时长、作业时间、是否检查、作业订正、作业催完成响应情况等；作业结果数据，如作业正确率、完成时间、平均分、作业属性（知识点、能力、认知水平）等。

　　在作业内容方面，可产生属性数据、行为数据和结果数据。作业属性数据，包括作业知识点、学科能力、认知目标、核心素养；作业行为数据，包括作业时长、作业时间、作业订正、作业效率、作业顺序、作业报告查看等；作业结果数据，包括正确率、提交率和效率、难度、区分度等。这些数据都可以与教师和学生关联，并支持基于师生主体的筛选。

　　为了能够进行对比分析和形成统一的报告，利用项目反应理论，将作业内容的难度、区分度数据实现标准化计算^[14]。基于这些数据，可以形成作业质量分析报告、作业负担报告、作业设计质量报告和作业数据挖掘报告。通过作业设计质量报告，可以发现作业设计中的问题，并形成基于作业问题的教研，经过教研改进，再次通过作业设计质量报告验证教研的有效性。每一次的作业都生成个人、班级报告供教师教学使用。对于节点式作业，提供个人、班级、学校、区域四级报告，实现基于作业数据的教研、教学改进业务。

　　（三）作业数据驱动“材”的发掘，构建因材施教模型

　　通过对作业量化数据的分析，可以反映学生的知识能力、学科水平、认知水平等知识状态发展水平。同时通过间接分析，可以反映学生的学习策略、学习意志力和学习投入水平。因此，基于对作业数据的探索性分析，构建了如图2所示的作业数据驱动的因材施教模型。

图2 作业数据驱动的因材施教模型

　　作业反映了学生知识能力、学科水平、认知水平、学习策略、学习意志力、学习投入六个维度的表现数据。利用六个维度数据可以形成学生的知识状态追踪模型、学科核心能力评价模型、学生综合画像模型和学生学习品质模型。这四个模型可以直观表征学生的认知水平（认知起点）、兴趣水平和学习风格数据。

　　在教学时，利用以上模型对学生在作业平台中的数据进行分析，基于分析数据开展有针对性的备课，制定差异化的教学目标、教学内容和教学方法。在课堂授课时，使用聚类和分类数据，开展个性化指导、同质分组和异质分组。在作业布置时，利用模型数据对学生进行同质分组，开展分层作业、个性化作业和拓展性作业布置。

　　经过长时间的知识追踪，可以发掘学生的薄弱知识点、发掘存在薄弱知识点的学生、发掘学生存在的知识或能力盲区，开展拓展提升干预活动，进行精准辅导，促进学生的个性发展。由于作业基于教学场景开展，具有小步子、伴随式的特点，长周期采集数据后，可以对学生的学习过程进行评价，实现增值性评价、综合性评价和过程性评价。

　　通过区域作业数据驱动的因材施教模型，实现了基于作业数据的“材”的发掘，然后针对不同的“材”，开展个性化辅导、同质分组、异质分组教学等“施教”手段，为区域因材施教指明了方向。为验证模型的有效性，在区域层面开展了基于知识状态的个性化辅导、学习策略和学习意志力的分层教学、学习投入的分层教学等实践。

　　（一）基于知识状态的个性化辅导实践

　　在传统教学中开展因材施教时，按照得分分组是最简单、最常用的一种方式。但这种方式具有片面性、偶然性等弊端，无法精准定位学生的真正问题。在闵智作业系统的支持下，利用学生知识状态追踪模型，则可以精准定位认知水平、知识点的状态，从而有针对性地制定辅导策略，促进学生学业成长。

　　在学生知识状态空间诊断模型下，对每一个学生布置的作业，可以按照认知水平、知识点进行双向交叉，精准发现每个学生的薄弱知识点，精准定位知识点在认知水平维度上的状态。所有的知识点按照项目反应理论，计算学生的能力值，发现学生在知识点和认知水平上的表现状态。

　　如图3所示，在系统中记录了某学生的13次作业数据，除了部分认知水平和知识点未涉及的部分，其余都做了状态表征，形成一个学生知识状态数据集。通过分析，可以发现该学生在图形与几何知识方面较差，尤其是在该知识点下较高认知水平上表现更差。因此，可以有针对性地对该学生的薄弱环节进行个性化辅导。如图4所示，还可以对比个人和班级群体的差异，精准诊断学生的优劣知识点和学科能力点，开展精准干预，弥补知识掌握的不足。在班级维度，则可以发现班级群体的知识状态，按照知识状态分为不同的小组进行集中辅导和教学，或者推送相应水平的微课自学视频，实现因材施教。

图4 某学生的薄弱知识点和能力情况

　　（二）基于学习策略和学习意志力的分层教学实践

　　基于学生知识状态的差异发掘，可以精准定位个体和群体学生学业方面的差异，该实践还未考虑学生学习风格的差异。如果能够结合学习风格对学生进行精准辅导和分组教学，则更加贴合学生的学习个性，更容易针对每个不同的小组实施相应的教学策略。

　　在芭芭拉·普拉西尼格所著的《基于学习风格的差异化教学》一书中，将学习风格分为分析型、综合型学习风格偏好。^[15]这种划分的优点是可以实现学生整体风格的分类，缺点是无法将这两种风格直接指向差异化教学策略。而选用学习策略和学习意志力两个维度，其分别代表学习方法和学习态度，符合教师对学生学习问题归因的经验。

　　虽然通过作业时间和作业结果数据的交叉分析，可以获取学生作业拖延、作业坚韧性、作业挑战力等方面的数据，但相关数据较为片面，无法全面了解学生的学习策略和学习意志力，因此在区域层面统一设计了相关测评量表，辅助数据采集。

　　在学习策略方面，选用计划策略、自我监控与调节策略、反思策略作为一级维度；在学习意志力方面，选择学习成就感、学习坚持度、克服困难和挑战等内容作为一级维度。经过试测，Cronbach’s alpha分别为0.87和0.77，均可以接受。在某中学，对该量表进行了测量，获得相关测验数据后，将学习策略和学习意志力分为高和低两个结果。其中，两份量表中超过一半测量项选择正向选项时，将结果定为高，反之记为低。然后对两个结果进行两两交叉，分为四类学生，即意志低+策略弱；意志低+策略佳；意志高+策略弱；意志高+策略佳。

　　为了探索这四类学生的学习风格，结合成熟量表对该校学生开展了解决问题能力和学习兴趣量表测验，并结合该校的某次数学单元主题作业进行了数据分析。将学生按照量表分为四组，对四组学生解决问题能力和数学学习兴趣关联度进行分析，发现意志高+策略佳的小组在问题解决能力和学习兴趣上的表现较好；意志低+策略佳的学生，虽然在能力上较高，但兴趣较差，需要关注学习兴趣，如图5所示。

图5 四组学生在解决问题能力和数学学习兴趣上的表现

　　对该中学某个班级的学生进行分析，发现意志高+策略佳的人占比51%，意志高+策略弱的人占比22%，意志低+策略佳的人占比8%，意志低+策略弱的人占比19%。针对四个小组的不同表现，在课堂教学和作业布置时，可以按照不同的策略进行差异化教学。如意志高+策略佳小组，在课堂教学时可进一步提高学习策略的积极影响，布置适当具有挑战性的作业，以满足他们的发展需求。对于意志低+策略佳的小组，在课堂教学时以鼓励为主，鼓励学生面对挫折，布置处于其最近发展区的作业，并提供教学支架，培养其面对挫折时的学习意志，如图6所示。^[16]

图6 基于意志和策略的分组干预策略

　　（三）基于学习投入的分层教学实践

　　一般认为，学生的学习投入和学习成效之间成正比^[17]，如果能够通过系统实时采集学生的学习投入数据，便可以深入分析学生的学习成效，精准诊断学习状态。该方式实现了伴随式数据采集，不用额外填报问卷，对教育教学业务影响较小。

　　通过对学生作业数据的分析，发现作业质量、作业提交情况可以反映学生的学习参与度；作业完成率可以反映学生的坚持度；作业效率可以反映学生学习的专注度；困难作业的完成质量和完成效率可以反映学生的学习挑战度；错题订正率和错题订正正确率可以反映学生的反思度；学生的作业难度、作业时长、作业时间段可以体现学生的作业负担。^[18]虽然相关数据并不能全面反映学习投入的情况，但对实际的教学已具有非常大的指导意义，而且将原始的作业行为数据和作业质量数据赋予了能够体现教育价值的意义。

　　通过区域节点式作业的业务数据采集，对平台中能够反映学生学习投入的数据，按照K-Means方法进行聚类，分为四大类，形成了区域四大类学生的分组常模。教师在课堂教学过程中，可以参照四大类常模对学生进行分组、分层，实施差异化教学和个别化辅导（见表1）。

　　第一类属于各项指标都优的，但是在难题上投入时间短，挑战略有不足。干预策略为提供挑战性的任务，进一步激发学习动力。第二类，各项指标良好，难题投入时间长，有效作业时长最长，作业效率略高于平均值，错题订正率略低于平均值。干预策略为提高专注性、自我调控性，以及学习主动性、反思性，从而进一步提高作业质量。第三类，数据整体均为平均水平，作业效率最低，完成率低。干预策略为及时干预坚持性和专注性等方面的表现，降低任务难度，让他们建立自信。第四类，各项指标均为最低。干预策略为该类群体需要进行个别分析和特别关注。首先通过谈心了解问题形成的原因，然后培养良好的学习习惯，并布置符合最近发展区的任务，最后提高学习兴趣，激发出持续投入学习的动力。

　　在智慧教育和数字化转型背景下，通过数字化的手段自动发现学生的差异，是未来教育发展的趋势和方向。闵行区在区域层面构建了作业数据驱动的因材施教模型，通过模型应用探索了学生学习差异化发掘、学生学习分层策略，以及实施差异化教学的多个路径。通过区域探索性数据分析，证明了通过作业数据可以发掘学生的“材”，且发掘的结果既符合教师已有经验，又能弥补经验的不足，实践证明精准“施教”具有可行性。

　　上述几种方式，既有通过平台发现数据差异的模式，也有通过量表发现差异的模式，其方式各有优劣。通过平台发现数据差异，可以伴随式、无感地进行数据采集和差异化分层，给教师提供差异化的教学策略指引，但其缺点是所采集的数据反映到学习品质层面的程度占比具有一定的不确定性。结合量表的模式可解决平台数据不足的问题，但是由于量表数据采集额外增加了任务，常态化实施具有的一定困难。同时，量表数据具有相对稳定性，可以延长测量周期，辅助平台数据进行数据驱动。两者结合可以完美实现数据驱动的因材施教，从而提高基于作业数据的因材施教实践的有效性。

　　本研究后续将在学校、教师个体层面进行深入实践，不断进行模型优化和迭代，提高模型的有效性。此外，还将进一步提升教师的数据解读能力，变革现有教学模式，实现作业数据驱动因材施教的常态化实施。

参考文献：　　　　　　　　　　　

　　[1][10]薛巧巧.教育人工智能对“因材施教”理想的实现与超越[J].延边大学学报(社会科学版),2021,54(5):110-118,143.

　　[2]洪笑茹.中学数学因材施教策略研究[D].新乡:河南师范大学,2014.

　　[3]何菊玲.因材施教原则的教育正义之意蕴[J].华东师范大学学报(教育科学版),2018,36(2):110-116,157.

　　[4]顿李芳.我国中小学“因材施教”中的问题与对策研究[D].新乡:河南师范大学,2014.

　　[5][11]刘邦奇,张金霞,许佳慧,等.智能技术赋能因材施教：技术框架、行业特点及趋势——基于智能教育行业发展实证数据的分析[J].电化教育研究,2021,42(2):70-77.

　　[6]张琼,张广君.“因材施教”发展性概念的解读与批判——兼及基于生成论教学哲学立场的本体辩护[J].高等教育研究,2013,34(8):71-75.

　　[7]郑思思,陈卫东,徐铷忆,等.数智融合：数据驱动下教与学的演进与未来趋向——兼论图形化数据智能赋能教育的新形态[J].远程教育杂志,2020,38(4):27-37.

　　[8]杨现民,骆娇娇,刘雅馨,等.数据驱动教学：大数据时代教学范式的新走向[J].电化教育研究,2017,38(12):13-20,26.

　　[9]刘和海,戴濛濛.“互联网+”时代个性化学习实践路径：从“因材施教”走向“可因材施教”[J].中国电化教育,2019(7):46-53.

　　[12]殷宝媛,武法提.智能学习系统中作业习惯建模研究[J].电化教育研究,2021,42(7):61-67.

　　[13]吴正洋,汤庸,刘海.个性化学习推荐研究综述[J].计算机科学与探索,2022,16(1):21-40.

　　[14]花田甜,岳青青,许碧云,等.项目反应理论的SAS软件实现[J].中国卫生统计,2020,37(2):310-312,316.

　　[15][英]芭芭拉·普拉西尼格.基于学习风格的差异化教学[M].郑晓梅译.北京:中国青年出版社,2019:39-50.

　　[16]申卫革.通过主体性教育优化班级中等生非智力因素状况的研究[J].池州师专学报,2004,18(2):114-116.

　　[17]李振华,张昭理,刘海.基于模型集成的在线学习投入评测方法研究[J].中国远程教育,2020(10):9-16,60.

　　[18]武法提,张琪.学习行为投入：定义、分析框架与理论模型[J].中国电化教育,2018 (1):35-41.

（Shanghai Minhang Institute of Education, Shanghai 200241）

《中国教育信息化》2023年第9期

《中国教育信息化》2023年第8期

《中国教育信息化》2023年第7期

《中国教育信息化》2023年第6期

《中国教育信息化》2023年第5期

《中国教育信息化》2023年第4期

《中国教育信息化》2023年第3期

《中国教育信息化》2023年第2期

《中国教育信息化》2023年第1期

点击此处 在线投稿

期刊简介

《中国教育信息化》创刊于1995年8月，是由中华人民共和国教育部主管，教育部教育管理信息中心主办，面向国内外公开发行的国家级学术期刊。期刊内容力求全面深入地记录我国教育信息化的建设进展、研究与应用成果和行业发展状况，开展我国教育信息化发展状况调研和教育信息化国际比较研究，服务于国家教育宏观决策；力求全面准确地把握教育信息化相关的方针政策和标准规范，及时追踪ICT前沿技术的发展趋势及其与教育的融合，深度挖掘教育信息化建设与应用的体制、机制创新，服务于我国教育信息化实践。

●RCCSE中国核心学术期刊

●中国人文社会科学（AMI）扩展期刊

●中国期刊全文数据库收录期刊

●中文科技期刊数据库收录期刊

●国家哲学社会科学学术期刊数据库收录期刊

●中国核心期刊（遴选）数据库收录期刊

●龙源期刊网收录期刊

一年12期，每月20日出版

20元 / 期，邮发代号：82-761

编辑部邮箱：mis@moe.edu.cn

通讯地址：北京市西城区华远北街2号921室