[摘 要] 2011年，首届学习分析与知识国际会议（简称LAK）召开，标志着学习分析研究领域的确立。2022年，生成式人工智能（AIGC）的爆发，给该领域的研究带来了空前的影响。文章基于最新一届LAK会议的主旨报告及论文，从学习分析的技术系统设计、应用场景、效果评价、伦理风险等方面，系统梳理了AIGC对学习分析领域产生的影响以及今后的发展趋势。研究分析结果表明：基于AIGC的学习分析系统在自动化程度和个性化匹配能力方面得到提升；AIGC具有教师、学习者和助教三种角色的功能属性，围绕数据生成、数据测量与分析、学习反馈等环节拥有多种应用的潜能；从AIGC与传统模型算法的比较、学生学习体验等方面来看，其在学习分析中的应用具有一定的优势，然而尚未有实证证据表明AIGC的使用对学习效果有提升作用。AIGC及其相关技术的发展将为探究人机协同的学习过程带来全新的视角和可能，也将为研究学习过程提供更丰富的数据和创新的方法，同时将促使学习分析价值取向与目标定位的重构，不断推动对复杂人机交互行为方式、人智协同的认知变化与学习规律、AIGC融入的新型教学方式等的理解与探索。
[关键词] 人工智能；学习分析；教育中的人工智能；学习分析与知识国际会议；文献综述
一、引 言
2011年，首届学习分析与知识国际会议 （International Conference on Learning Analytics and Knowledge，以下简称LAK） 召开，提出学习分析的定义：学习分析旨在测量、收集、分析、报告学习者及其学习情境的相关数据，从而优化学习及其发生的环境[1]。这一定义在后续研究中得到了广泛的应用，也在应用中不断丰富内涵。虽然很难证明获取更多的数据能够显著提升学习效果，但学习分析领域的确立丰富了对学习过程的理解，优化了以改进学习为目标的评价方法，促进了学习评价由传统的标准化测试转向对学习过程的监测、诊断、预警、反馈与干预[2-3]。自学习分析研究领域确立以来，人工智能技术就与之息息相关，集中体现在借助机器学习算法分析学习者与学习环境相关数据，然而过往的研讨范围仍相对有限。自2022年末，以ChatGPT和DALL-E等为代表的生成式人工智能（Artificial Intelligence Generated Content， 以下简称AIGC）走进主流媒体和公众视野，并展现出影响人类生产和生活的巨大潜力，也给学习分析领域的研究带来了前所未有的影响。LAK作为学习分析领域的核心会议，汇集了每年该领域的最新研究进展，2024年会议主题即为“人工智能时代的学习分析（Learning Analytics in the Age of Artificial Intelligence）”。本文基于本届会议中聚焦人工智能的26份论文、报告和演讲稿，围绕AIGC如何影响学习分析的技术系统设计、应用场景、效果评价、伦理风险等方面，分析AIGC对学习分析领域研究的影响，并展望未来研究的趋势。
二、基于AIGC的学习分析研究现状
（一）基于AIGC的学习分析技术系统设计
1.面向学生的学习支持系统设计
学习分析的技术系统主要呈现出两种设计取向：其一是面向学生的学习支持系统，包括学习路径和资源推荐、学习反馈、困难诊断等[4-6]；其二是面向教师的教学辅助系统，包括学生表现监测仪表盘、教学设计优化、专业发展支持等[7-9]。AIGC的融入进一步提升了学习分析系统的智能化程度，形成了面向学习者学习支持的智能导学系统和面向教师教学辅助的智能协助系统，或是在综合的学习系统中将AIGC助教与助学进行集成。长期以来，在面向学生学习的技术系统设计中，如何依据学生的自然语言输入匹配个性化的学习支持具有很大的挑战性，而大语言模型的发展为解决这一难题提供了技术支持。以在线语言学习平台为例，Xu等充分发挥了大语言模型的内容生成能力，提出了支持个性化多语言学习的技术解决方案[10]。该方案并不依赖学习者前期的练习记录，而是基于学习者的自然语言输入请求，通过大语言模型模拟生成与其输入请求相关的练习题，进而基于模型生成的模拟题目在题库中进行检索和相似匹配，克服了传统的向量相似度检索的局限性，实现了自动化检索和个性化练习匹配，从而有效提升了在线学习系统对个性化语言学习方案的支持能力。
同时，AIGC的融入提升了学习分析系统中学习支架和反馈的自动化程度。以在线阅读系统的CoachMe模块为例，它依托于自动问题生成（Automated Question Generation，AQG）系统，以8000本电子教材的内容为输入数据，生成了200万项阅读题目，旨在为学生的在线阅读提供学习支架[11]。此外，若学生第一次作答错误，该系统会自动生成不同类型的学习反馈，包括结果性反馈（作答正确与否）、上下文反馈（即提供与阅读问题相关的教材上下文）、举例反馈（即以相似答案的例子作为提示），由此提供给学生再次作答和尝试的支架。
2.面向教师的教学辅助系统设计
在面向教师的教学辅助系统中，基于AIGC的自动出题、评分、学习结果预测等功能设计具有广泛的应用前景。Szymanski等设计开发出一项基于AIGC的多项选择题干扰项生产系统[12]。该系统首先基于DQ-SIM算法[13]，根据多选题的题干与正确答案，可以自动生成作为干扰项的错误答案。进而，该系统允许教师对干扰项的设置提供反馈，教师可以对生成的干扰项表示支持或反对，也可以据此提出新的题项。同时，教师还可以自主控制算法的关键参数来优化干扰项。具体而言，教师可以在该系统中拖动滑块设置DQ-SIM算法中干扰项相似度（D）和题干相似度（Q）的权重，教师在自主调节参数的过程中，系统会提供可视化的图像和文本，辅助教师理解算法运作的原理和输出结果的影响因素。这一系统创新性地在算法自动生成题项的过程中纳入教师的反馈，从而更好地将教师智慧与人工智能的技术优势相结合。
3.基于AIGC的学习分析技术系统的落地
在学习分析系统的落地实施层面，当前AIGC较为直接的应用是在原有系统中嵌入聊天机器人（AI Chatbots）。AIGC对自然语言的理解和反馈，促进了学习分析系统中更深度的人机交互。以嵌入AI Chatbots的数学学习平台Math Nation为例，系统通过识别学习者所提问题中的数学概念，将学生提问与相关的学习材料建立连接：一方面，基于Math Nation平台已有资源，在学习视频中查询和定位相关学习内容，并推荐学生可能感兴趣的教学视频和示例；另一方面，通过对话的方式为学生解决数学问题提供分步指导，帮助他们进行理解性学习而不直接给出答案，同时也会为学生展示多种解题方法[14]。
总之，AIGC为学习分析技术系统的设计和开发注入了更多活力，无论是作为独立的平台系统，还是作为功能模块或技术方法嵌入已有系统，基于AIGC的学习分析系统都在自动化程度和个性化匹配能力方面得到提升，有助于更加高效、灵活地响应学习者的需求，同时为教师的教学设计与实施、评价和反馈提供支持。同时，AIGC的融入促进了在线系统中更多维度和更加深入的人机交互，从学习者本身、教与学的交互过程、学习内容与资源等多个角度为学习分析提供了丰富的数据来源，也为面向更高维度教育目标的学习分析的发展提供了可能。
（二）AIGC在学习分析领域的应用场景
依据学习分析的定义，其典型应用场景涉及数据收集、数据测量、数据分析与学习反馈等核心环节，AIGC在教育系统中通过代理和扮演不同的教育主体，应用于学习数据的生成、评测、分析和反馈等学习分析的各个环节。AIGC在学习分析领域的应用具有教师、学习者和助教三种角色的功能属性，围绕特定角色形成了不同的应用场景。AIGC作为教师角色，可应用于组卷出题、批改作业、提供支架、仲裁同伴反馈、评估学习进度、推荐学习资源等场景；AIGC作为学生角色，可以模拟学生的学习行为与过程，为教师模型的训练与检验提供模拟数据；AIGC作为助教角色，可以辅助并配合人类教师开展教学实践，促进基于数据的教育决策等。下面将分别围绕以上三种角色，对AIGC在各个教育场景中的应用进行讨论。
1. AIGC作为教师
AI教师在学习分析领域中旨在扮演教师的角色，替代教师的部分职能。AI教师在学习分析的四个核心环节中均得到了应用，且集中体现在数据分析和学习反馈两个环节（见表1）。自动生成学习反馈是AIGC在学习分析领域最为直接的应用，比如，批改评阅学生文本写作类作业[15]，为基础数学问题的学习提供解题引导、学习支架和资源推荐[14]，帮助学生纠正程序代码练习中的错误等[16]。然而，对于涉及更多环节步骤的难题，仅依赖于人工智能的自动反馈，难以实现复杂学习问题的解决。为了应对这一挑战，Sonkar等提出了在学习分析系统中将大语言模型与Python相结合，依据学生自然语言输入的问题生成初级反馈，进而加入Higgs模型来判断输入对象是否需要进一步的复杂计算[17]。在遇到需要进一步计算的复杂问题时，系统则调用Python程序完成计算，以计算结果为依据，再利用大语言模型转换成学生可以理解的自然语言反馈。由此，通过将大语言模型的自然语言理解能力和Python程序的计算能力相结合，增强了学习分析系统的自动反馈能力，同时实现了逐步指导学生思考复杂问题，为提升学生复杂问题的解决能力提供了学习支架。
除自动生成学习反馈外，AI教师还可以提供关于“反馈的反馈”[18]，即通过对同伴反馈文本数据的分析，识别学生在同伴反馈与互评中的一致性与分歧，从而监督和优化同伴互评质量，有效节约在线教学中教师的时间，促进学习者在网络环境中的交互讨论与协作学习[19]。同时，基于提示工程 （Prompt Engineering） 和微调策略 （Fine-tuning Approaches），AIGC还可以对学生在线学习过程中的文本注释内容进行自动编码和分析，有助于评估学生学习进度，为进一步的学习反馈和干预提供依据[20]。
2. AIGC作为学生
在应用过程中，AI学生往往与AI教师成对出现。比如AI教师可以应用于自动生成学习反馈，那么AI学生则可以用以检验学习反馈的有效性。AI学生通过生成和模拟学习过程数据，在AI教师的模型训练过程中扮演学习者的角色，用以测试和增强AI教师的能力。比如在编程学习中，学生遇到程序报错而又无法解决是一个十分常见的学习场景， 此时可以配对使用AI教师和AI学生为人类学习者提供学习支持。例如：在ChatGPT-4作为AI教师正式提供给学生编程建议之前，首先利用ChatGPT-3.5作为AI学生进行验证，来检验AI教师自动反馈指导后的效果；通过测量学习反馈的覆盖率和准确性，从而提升AI教师的自动化反馈能力[16]。再如，Sonkar等在训练AI教师的技术模型时，同样利用AI学生作为初始学习对话的发起者，并基于物理教科书生成不同知识模块的物理问题，建立物理学科的复杂问题数据库，从而为后续AI教师的训练和测试提供数据基础[17]。
3. AIGC作为助教
AI助教广义上讲也是一种教师模型，但为了区分人类教师是否在场，本文单独提出AI助教，特指AI辅助人类教师开展基于数据的教育决策的模型。AI助教与人类教师的教学协作，有助于更好地支持混合教学环境中的个性化学习过程，同时减轻人类教师的部分教学环节的工作负担[21]。具体而言，AI助教可以应用于对课堂讨论、教师反馈和学习成果等对话数据的自动化编码与分析，为教师提供评估学生学习过程性表现的细致参考，降低非技术背景的教师的技术使用负荷[22]。同时，学生与AI助教的交互日志也为更深入地探索融入AIGC的课堂教学过程提供了数据基础[23]。
AIGC未来将在学习分析中的各个环节拥有更加广泛和多元的应用潜能，为面向复杂学习行为分析、提升学生的复杂问题解决能力、促进自我调节学习创造了契机[24]。在数据生成方面，使用AIGC可以合成和模拟学习者的复杂学习行为和表现，从而扩展和补充实际学习数据集[25]，同时保护真实学习者的数据隐私[26]。在数据测量与分析方面，AIGC有助于分析大量非结构化的数据（如文本数据），并提供可解释性的分析结果[18，12]。在学习反馈方面，AIGC将为基于自然语言对话的技术系统开发提供支持，从而促进更加个性化的学习反馈与自适应的学习干预[14，10]。
（三）AIGC在学习分析领域应用的效果评价
AIGC在学习分析中的应用效果评价有三种基本思路：其一是直接使用AIGC完成学习任务，评价AIGC在完成具体学习任务中的表现；其二是将AIGC与传统模型或算法作比较，根据特定的参数来比较判断AIGC在学习分析中应用的优缺点；其三是通过学生学习效果或者用户的偏好与反馈来间接反映AIGC在实际应用中的效果。
1. AIGC完成学习任务的表现
关于第一种评价思路，以编程教育为例，AIGC在编程教育中的应用效果可以通过其代码编写的准确度和可靠性来进行判断。Dunder等借助编程练习软件Kattis随机生成127个编程任务，以此来测试AIGC（该研究中指ChatGPT）在计算机入门课程中面对不同难度编程任务的作答表现[27]。Kattis测试结果表明，AIGC能独立且准确完成的编程任务占总任务的15%，但准确作答的题目集中在较低难度的编程任务中。随着任务难度的增加，AIGC准确作答的比例明显下降。该项研究表明，当前AIGC独立解决编程任务的准确率尚有很大提升空间。但是另有研究证明了AIGC在自动化修复程序错误（Bug）方面的表现优于标准方法，并且当可以提供更详细的程序Bug信息时，AIGC对程序修复的成功率将显著提升[28]。
2. AIGC与传统模型或算法的比较
关于第二种评价思路，研究者通过设定准确性（Accuracy）、精确度（Precision）、召回率（Recall）等参数和某些外部测量指标，比较AIGC与其他模型或算法在应用效果中的差异。Samadi等在分析协作问题解决过程中的文本交互类数据时，分别采用了机器学习、深度学习、大语言模型三种分类方法，并依据准确性、F1分数等指标对三种方法的分析结果进行比较。结果表明：虽然大语言模型需要更长的训练时间和较多的计算资源，但其更擅长捕捉文本数据的语义和句法特征；基于BERT的大语言模型的文本分类准确性和F1分数均优于其他方法[29]。若聚焦自然语言建模技术，虽然以ChatGPT-4为代表的大语言模型和以SVM（支持向量机）、RF（随机森林）为代表的有监督机器学习模型的表现，明显优于基于规则的专家知识模型[30]，但大语言模型在文本分析的准确性上未能超越经典的自然语言处理技术，其潜在优势在于具备对数据分析结果进行解释的能力[18]。然而，当前大语言模型数据分析结果的可靠性问题和隐私泄露风险[30]，仍限制了其在学习分析中的直接应用和推广。
3. 学习者在AIGC应用中的学习效果与体验
关于第三种评价思路，研究者通过分析和调查学习者在AIGC应用中的学习效果、学习体验、使用偏好等，间接评价AIGC的应用效果。例如：在嵌入对话式AIGC的数学学习平台中，面向学习者调查了对AIGC的技术接受度。调查结果显示，71%的学习者对与AIGC的交互感到满意，73%的学习者认为它易于使用，约68%的学习者认可该平台中嵌入AIGC的实用性，并有57%的学习者表示将来愿意在数学学习中使用AIGC[14]。虽然该研究证明了AIGC的应用带给学习者较好的学习体验，但暂未有实证证据表明AIGC的使用能够提升学习效果。例如：在Singh等设计的随机对照实验中，采用轮组循环设计（ABBA平衡法），对比了学生独立编写程序提示（Hint）和ChatGPT-4辅助学生编写的两组学习情形。实验结果表明，尽管绝大多数（95.9%）学生表示AIGC的提示有助于自己的进一步思考，但学生是否使用AIGC在程序编写质量上并未呈现显著差异[31]。
（四）AIGC在学习分析领域应用的伦理风险
1. AIGC在学习分析领域应用的机遇与挑战
AIGC的迅猛发展为学习分析领域提供更多研究和实践机遇的同时，也带来了挑战与风险。Stephen Yang在LAK24的主旨发言中指出，虽然AIGC在促进个性化学习和智能导学方面展现出巨大的潜力，但随之而来的AIGC生成质量的控制问题和潜在的信息误导风险值得警示。AIGC强大的文本生成能力让其在提升科研工作效率的同时，也引发了学术诚信风险。AIGC作为增强型教学辅助工具，为教师的教学设计、数据分析、评价反馈、学习干预提供了自动化支持，然而目前其算法结果的可信度和有效性尚未得到保证，隐私数据可能存在泄露的风险，教师和学生对AIGC在日常教与学中的应用仍存隐忧[31-32]。此外，AIGC模型训练需要消耗高昂的计算成本，在实际应用的过程中可能加剧数字鸿沟，引发在教育资源获取和技术使用方面的不公平问题[33]。
2. 超越工具属性的AIGC
在使用AIGC及其相关技术的过程中，需要更审慎地思考其超越工具属性的智能。Mutlu Cukurova在主旨报告中强调了人工智能与人类智能的认知多样性（Cognitive Diversity）。该报告指出人工智能与人类智能交互过程中的三种概念化方式，其一是外部化人类认知，即将AIGC视为扩展或增强人类认知的工具。一方面，AIGC可以高效地处理和分析大量数据，提供个性化的学习路径或反馈；另一方面，过度依赖经由AIGC的外部认知可能削弱学生的批判性思考能力和自主学习能力。其二是内化人工智能模型以更新人类认知，即将AIGC当作思考和理解学习过程的对象，通过让学生理解和应用AIGC的工作原理，培养学生的批判性思维和问题解决能力；但值得注意的是，某些具体生活经验的学习无法通过AIGC的模拟来完成。其三是通过紧密集成的人智协同系统扩展人类认知，即强调人类社会与AI系统的深度融合，创建人智协同的工作和学习环境。在教育系统与AIGC融合的过程中，AIGC辅助教学有助于提供更加即时的反馈和学习支持，同时应保持人与人之间的真实人际互动，从而促进学生的社会交往能力和情感智能的发展。然而，如何平衡AIGC的使用与学生在真实情境中的知识获取与技能训练，也是AIGC在教育系统中应用时需要考量的问题。以上三种思路都强调了AIGC在教育系统中的潜在价值，同时也警醒研究者需要注意社会文化学习的复杂性、AIGC应用的局限性和可能带来的包括过度依赖技术的伦理风险。
为了更好地平衡AIGC教育应用与潜在风险防范，Alfredo等建议在设计融入AIGC的学习分析系统时，尽可能让利益相关者参与决策如何收集数据、共享数据、决定数据的透明程度等，同时要确保特定利益相关者拥有获取数据的权利[34]。UNESCO在《教育与研究中的AIGC应用指南》中也强调了面向以人为本的AIGC使用，建议通过政府建立法规框架、提供针对AIGC应用的指导和培训、提升AIGC提示工程能力、强化教育系统的AIGC应用伦理检验等，从而降低AIGC应用的伦理风险，促进AIGC真正为教师、学生以及相关研究人员赋能[33]。
三、基于AIGC的学习分析研究展望
（一）AIGC将为探究人机协同的学习过程带来全新的视角和可能
AIGC在学习分析领域的深入应用，将为探究人机协同的学习过程带来全新的视角和可能。在人机协同的新型学习过程中，AIGC的融入需要思考学习者与AI导师和人类导师的差异化互动模式与行为偏好，以及在AIGC驱动的学习分析系统中如何评估人机协同的学习过程。Cheng等提出一种基于证据中心设计（Evidence-Centered Design， ECD）的人机协同评估方法，用以评估人类与AIGC的协同写作[15]：学习者在CoAuthor平台写作的过程中，AIGC会提供不同类型的写作提示，学生可以选择接受或拒绝AIGC的建议，并对写作内容进行修改。在此过程中，学生与AIGC的交互内容、光标移动、鼠标按键等学习痕迹数据将被采集，从而分析和评估人机协同写作过程中的知识建构、不同类型的写作模式、学习者与AIGC的协作偏好等。伴随GPT-4o的发布与开放，人类与AIGC在文本、音频、图像和视频的跨模态交互将成为可能，AIGC更灵敏的响应速度和更加自然的人机交互模式将不断推进和更新学习分析领域的研究与实践，也将促进学习领域面向人机协同能力的发展与更高阶的人才培养目标转向。
（二）AIGC将为研究学习过程提供更丰富的数据基础和创新的方法
AIGC及其相关技术的发展为学习分析研究的拓展与深化带来了契机，为深入细致地研究学习过程提供了更丰富的数据基础和创新的方法。以自我调节学习过程的研究为例，Borchers等借助AIGC支持的实时语音转录工具Whisper，更加准确地记录了学生在自主学习过程中的出声思考数据，并对学习过程进行精细编码，从而细致监测学生自我调节学习过程中认知与元认知策略的使用[35]。除对言语信息的转录与分析外，AIGC的使用也为分析语言表达中的沉默与停顿提供了契机。以协作学习过程研究为例，学生在协作交互中的沉默与停顿可能反映了潜在的情绪压力、认知挑战、学习行为或动机变化，抑或表征了学习者的自我监控和反思，或是团队学习中集体协商决策的信号。然而，过往的协作学习研究并未也不便分析学生言语交互中的停顿数据，AIGC的应用则可以在转录过程中自动分割学生的话语。Dang等借助AIGC在毫秒级的时间戳上进行标注，综合运用最优匹配算法和滞后序列分析，识别出学习者在协作学习过程中的三种沉思策略，有助于更全面地理解学生协作学习全过程[36]。因此，AIGC通过提供更丰富的学习数据基础和创新的数据分析方法，增强了对学习者行为的精细监测，提升了学习行为分析的维度，使得以往难以捕捉的学习数据与行为信息能够纳入研究视野，有助于更全面地理解学习过程中的变化与复杂性，推动了对学习过程的深入理解和探索。
（三）AIGC将促使学习分析价值取向与目标定位的重构
随着各类AIGC工具的深入应用，其不仅能在格式化、重复性的工作上取代人类，而且对一些富有创造力、想象力的工作也具有替代能力，教育体系人才培养的价值取向和目标定位也需要重新思考[37]。然而，当前学习分析的主流定义及其主要研究议题仍围绕数据处理的操作环节展开，对于学习分析的目标和价值取向等根本性问题尚未真正触及。尽管AIGC的快速发展引发对人类岗位可能被AI取代的担忧，更值得关注的是如何合理地掌握和使用AI，培养学生的AI素养，并借助AI提升人类的学习体验与工作效率。随着AIGC及其相关技术在教育系统的渗透，批判性（审辨性）思维、复杂问题解决能力、人机协同能力、自我调节学习能力等的重要性愈发凸显。为了实现上述人才培养目标，学习分析领域的研究场景需要从以知识学习和技能训练为核心的在线学习系统，转向AIGC支持的人智协同系统；通过不断优化的学习分析方法和技术，促进对复杂人机交互行为、人智协同的认知变化与学习规律、融入AIGC的新型教学方式等的理解与探索。
四、结 束 语
随着AIGC相关技术的蓬勃发展，学习分析领域不断拥抱人工智能带来的新契机。本文基于LAK24会议的主旨报告与论文集，围绕会议主题“AI时代的学习分析”，从学习分析的技术系统设计、应用场景、效果评价、伦理风险等方面系统梳理了人工智能时代学习分析的前沿研究与实践。在技术系统设计方面，AIGC驱动的学习分析系统在自动化程度和个性化匹配能力方面得到提升，有助于高效灵活地响应学习者的需求，同时为教师的教学设计与实施、评价和反馈提供支持。在应用场景方面，AIGC具有教师、学习者和助教三种角色的功能属性，通过合理的提示工程设计，在数据生成、数据测量与分析、学习反馈等方面拥有多种应用的潜能。在效果评价方面，从AIGC完成学习任务的表现、与传统模型或算法的比较、学生学习体验等角度来看，AIGC在学习分析中的应用呈现出一定的优势，然而，当前AIGC对数据分析的准确性并未显著优于经典的算法模型，尚未有实证证据表明AIGC对学习效果的提升作用，AIGC的潜在优势在于对学习数据分析结果解释的能力和多模态数据整合能力。在伦理风险方面，AIGC驱动的学习分析存在潜在风险与隐忧，如生成内容的质量、信息误导、隐私数据泄露、加剧数字鸿沟、消耗高昂计算成本等，也警示着各方利益相关者在教育系统中需要更加审慎地应用AIGC相关技术。面向未来学习分析领域的研究，AIGC及其相关技术的发展将为探究人机协同的学习过程带来全新的视角和可能，也将为研究学习过程提供更丰富的数据和创新的方法，同时将促使学习分析价值取向与目标定位的重构，不断促进对复杂人机交互行为方式、人智协同的认知变化与学习规律、AIGC融入的新型教学方式的理解和探索。
（作者：石琬若， 韩锡斌，清华大学教育研究院；来源：《电化教育研究》2024年第12期）