学习分析学：智慧教育的科学力量

　　【论文摘要】学习分析学（LeamingAnalytics，简称LA)被认为是自学习管理系统（LMS)问世以来，教育技术发展的第三次浪潮。LA的核心是收集、汇总、分析和呈现学习者及其相关的数据，并以提高教学和学习成效为终极目标。文章探讨了LA的定义、缘起、设计框架和模型等。尽管LA尚处于初始阶段，然而它为改进教学和干预学生学习过程提供了科学依据，因此也成为智慧教育的重要支柱。
　　【论文关键词】学习分析学；智慧教育；设计框架；学习分析系统
　　一、引言
　　随着信息技术在教育领域的深入应用，智慧教育成为信息化教育应用的一个新范式。[1]智慧教育主张借助信息技术的力量，创建具有_定智慧特性（如感知、推理、辅助决策）的学习时空环境，旨在促进学习者的智慧全面、协调和可持续发展，通过对学习和生活环境的适应、塑造和选择，以最终实现对人类的共善（对个人、他人、社会的助益）。智慧教育充分体现了“以学习者为中心”的思想，强调学习是一个充满张力而又平衡的过程，揭示了“教育要为学习者的智慧发展服务”的深刻内涵。
　　智慧学习环境的一个基本特征是：基于学习者的个体差异（如能力、风格、偏好、需求）提供个性化的学习诊断、学习建议和学习服务；并记录学习历史数据，便于数据挖掘和深入分析，数据结果用于评估学术过程、预测未来表现和发现潜在问题。因此学习数据分析成为智慧学习不可或缺的条件。
　　学习分析学（LearningAnalytics，简称LA)涉及科技和社会学科的多个学术领域，包括计算机科学、社会学、学习科学、机器学习、统计学，以及“大数据，，。[2][3]LA的定义随着相关研究的进展而演变，尽管研究方向不尽相同，大部分学者认同如下定义：“学习分析学是使用智能数据、学习者数据，以及分析模型来发现信息和社会性联系，并以此为依据进行学习预测和提供建议。”[4]Siemens于2012年对相关定义进一步提炼之后提出，LA是“关于学习者以及他们的学习环境的数据测量、收集、分析和汇总呈现，目的是理解和优化学习以及学习情境，，。
　　其他学者、机构也有一些类似的关于LA的定义。尽管各个定义在用词和着重点上存有细微区别，但基本都反映了LA的本质，即首先发现特定用户的需求，利用技术方法获取数据，分析数据，帮助教师、学生、教育机构等解读数据，并根据数据结果采取干预措施，从而达到提高学习和教学成效的目的。[6]同时这些定义也指出，LA所用、所处理的数据是已经存在的、机器可读的“大数据”（BigData)，这些数据是不适合人工处理的。
　　在国际上被称为是“自从学习管理系统”（简称LMS)问世以来，教育技术大规模发展的第三次浪潮”。[8]2005年EDUCAUSE的文章就预示了LA的出现。[9]此后与学习分析学相关的国际学术会议，例如学习分析学与知识国际会议（LAK，TheInternationalConferenceonLearningAnalytics&Knowledge)于2011年召开第_次会议，于2012年召开了第二次会议，而且会持续下去。学习分析学研究社会（SoLAR，TheSocietyforLearningAnalyticsResearch)也于2011年夏天成立，-方面主持召开会议，同时致力于LA方面的研究和发展，并提供学者、教育专家、学生等进行信息交流和互相合作的机会。另外，教育技术和社会学术期刊(JoumaJofEyucab'onaJTbo/mofcgyandSociety)也与2012年出版了关于学习分析学的特刊。由此可见，学习分析学已经成为高等教育界尤其是以教育技术为基础的远程在线学习领域内的_个研究热点。
　　在教育领域内迅速发展有多种原因。下面我们将从它的出现、回答的问题、研究框架模型等方面加以详尽介绍。
　　二、学习分析学研究的缘起以及相关技术
　　多位学者专家探讨过LA出现并成为热门研究课题的必然性，并且总结出几个原因。
　　第一个原因是大数据（BigData)的出现。[10]Greller和Drachsler认为学习分析学的起源在于网络大数据的出现，包括政府类数据。[11]随Web2.0出现的社交网络数据（Twitter、YouTube、Fliker，Facebook等）、移动终端数据，如GPS定位数据等。随着此类数据的出现，有些公司如Google、Amazon、Yahoo等，分析利用此类数据，并将其结果作为扩张市场的依据或者提供个性化服务的方向，因此公司得以快速成长。大数据的出现和潜在的价值也引起了各国政府的关注。例如，奥巴马政府2012年宣布，每年将花费超过2亿美元在大数据研究应用方面，以致力于科学探索、环境、生物医学、教育和国家安全方面的研究。[12]在远程教育领域LMS，如Blackboard和Moodle等的应用也越来越广。这些系统每天都记录大量的学生交互信息、个人数据、系统数据等。[13]如何从这些数据中获取信息成为LA出现的一大契机。
　　第二个原因则可以归结为在线学习或者教育技术的发展。[14]随着教育技术的发展，在线学习成为传统学校教育和终生教育的一个重要模式。在线学习提供给学习者不受时空限制的学习机会，同时也带来一定的挑战，例如学生有可能缺少与老师和同学的联系，又可能遇到技术问题或者失去学习动机等。[15]此外，教师也由于网上学习环境中缺少视觉线索，因此难以判断学生是否感到课业太容易、感到内容乏味枯燥或者学习上有困难等。因此，学者们认为，教师难以评判学生的参与度和学习质量，而攻克这个问题则成为LA的另外一个契机。
　　第三个原因则与教育机构自身对数据的需求有关。很多国家，包括美国政府，都力图提高整个国家人口的教育程度，比如如何提高学生的学习成绩、入学率以及毕业率等，而这些都需要大量数据来发现和验证。[17]传统上，教育机构、学校获得学生学习数据的主要方式为调查问卷及访谈等，由此带来诸多方面的限制，如花费大、耗时多、规模小等。由于数据挖掘可以追踪用户的电子信息使用记录，并且自动分析整体数据，而不需要选样，因此新的数据经济大潮使得学校在数据收集方面不再需要花费大量人力和财力；并且获得的数据反映了所有用户的全部信息，并非选取的一部分；同时数据在自然状态下获得，不需要利用访谈、观察等方式，使得数据更加真实可靠。
　　第四，LA起源于其他几个已经相对成熟的领域，如商务智能（BusinessIntelligence)、网站分析（WebAnalysis)、学术分析（AcademicAnalysis)、行动分才析(ActionAnalysis)、教育数据挖掘（EducationalDataMining)、运筹学（OperationalResearch)[綱以及社会网络分析(SocialNetworkAnalysis)等。这些研究领域已经相对成熟，对LA的迅速发展应用起到一定的促进作用。
　　认为，与LA密切相关的是学术分析学(AcademicAnalytics,以下简称AA)和教育数据挖掘。[21]学术分析学是为了高等教育机构的运营和财务方面的决策而提供所需数据的过程，[22]如发现影响学生毕业率的影响因子等。教育数据挖掘是指为更好地理解学生以及他们所处的学习环境，从教育数据中获取知识和发现，针对教育环境内独特的数据类型而进行的获取数据、整理数据、形成分析报告等研究方法方面的研究。[23]Siemens认为，教育数据挖掘是LA和AA的共通支撑技术。[24]他描述了三者之间的关系以及三者针对的层次和关注对象，如表1所示。
　　三、LA回答的问题
　　对智慧教育的重要性体现之一在于它可以使用大范围数据，回答关于学习和教学的不同问题。Cooper采纳了Davenport等对“Analytics”能够阐释和回答的问题的总结，[25]并根据其时间线（过去、现在、将来）和回答的深度（信息型、洞悉型）对问题作了归类。_我们认为其问题矩阵同样适用于LA(见表2)。
　　因此LA可以描述和解释过去的现象，例如为什么选同一门课的学生成绩普遍偏低？原因可能包括缺乏相关基础知识；可以预警和干预正在发生的学习，例如学生得到信息，他/她很可能某门课会通不过，教师可引导学生进行补救、提供学习材料等；LA还可以推断发展趋势和预测将来，例如由于以往某一学习活动对不同学习风格（LearningStyle)的学生的影响有所不同，可以推断针对不同学习风格设计的学习活动能提高学生成绩；同时，不同学习风格、学习活动和成绩之间的相关性分析和预测模型有助于发现最适合特定学习风格学生的学习活动。此外LA可以将各方面的关于学生的分散式信息整合梳理，提供给教师，使其对学生有更可靠、更清晰的认识，在此基础之上采取的措施将更加有效。此外，LA不止可以提供关于学生学习方面的信息，也可以用来评估某一课程、院系以及整个学校。它可以参与评估整个学校的教学，用于决定是否需要采取更先进的教学方法；它还可以提供信息给学生，以便学生自我评价学习过程和结果等。由此可见，LA的使用可以使得教育方法得以提升，促使教育向智慧教育方向发展。
　　四、LA的设计研究框架、资源
　　过程模型及重要环节
　　多位学者试图从整体架构、所涉纬度、过程环节等方面描述LA，以基于对LA的整体认识，引导LA系统设计过程。本文主要讨论两个LA模型和LA的重要环节，目的是对如何设计开发LA系统有全面的、清晰的认知。
　　一）LA通用设计框架
　　根据他们对学习分析学现存文献的梳理，提出了具有六个纬度的LA通用设计框架，即关益者（包括学生用户、教师用户等）、目标（包括使用数据的目的，如预测等）、数据（包括受限数据和公开数据等）、工具（分析数据的依据，包括教学理论等）、外部限制（如用户隐私）、内部限定（包括分析解读数据结果的能力等）。[28]这六个纬度反映了在应用LA研究学习、开发LA系统时应该考虑的基本因素。图1反映了该设计框架，包括每个纬度的例子，以下我们对每一纬度进行说明：
　　关益者
　　关益者包括数据使用者和数据提供者。使用者指应用数据并根据数据结果制定对策的人，如教师；提供者指以自己的系统浏览和互动行为产生数据的用户，如学生。在特定情形下，使用者和提供者是一体的，比如学生本身的行为信息反馈给学生自己而不是老师的时候，这两者是统一的。关益者除了包括学生、教师以及教育机构外，研究人员和政府机构等也可看作关益者的一部分。
　　关益者之间如何使用学习分析信息交流可以用层次模型来表示（如图2所示）：最直接的途径是通过LMS获取学生信息，提供给教师；教师可以根据此信息制定干预措施或者调整教学策略等；教育机构则可以根据学生和教师提供的信息进行教职工培训或者制定措施保证教学质量等；研究人员尽管不直接参与学习过程，但他们可以利用学生和教师数据，评估教学质量或者学习服务措施是否到位；最后政府机关可以汇总、分析，并利用多所院校的学习分析数据来测评整个教育系统。此外，已有研究者们强调，在各个层次，关益者都可以利用本层数据进行自我反思，如学生可以根据自己的学习记录、互动行为等来思考自己是否实现学习目标等。
　　学习分析学开辟了一个新的领域，可以发现并研究利用原本隐藏的教育信息，提供给各个层次的使用者。通过分析比较学习信息和社会性交互模式，为学习者提供新的视角，同时提高组织性效率和效益。也就是说，学习分析学提供的信息不仅有助于个体学生，对支持更高层次的知识流程的管理（如政府层次）也有所禅益。Greller和Drachsler主要提出并讨论了两种目标：反思与预测。[29]反思是指数据用户根据与自己相关的数据，获取知识并进行批评性自我评价，有学者称之为“量化自我”，也就是观察测评自己的学习记录数据，并根据数据结果进行自我修正等。[30]反思也可以根据别人的数据记录进行，如教师可以根据学生的交互行为，反思自己的教学风格是否适合学生等。学习分析学同样可以用来预测模拟学生的学习活动、行为等。如根据过往的学生反馈信息，可以预测某种教学设计有助于学生的学习，据此可以重新设计教学活动，提高学生学习成绩；亦可降低或增加内容难度，从而降低学生放弃课程的比例。
　　数据
　　学习分析学所用数据大多来自LMS以及其他教学系统，同时教育机构本身拥有大量学生数据。然而很多数据是非公开的，因此对教育数据公开化的要求越来越迫切。
　　工具
　　学习分析学通过信息检索技术获取数据，如教育数据挖掘、机器学习、传统统计分析以及社会网络分析等。同时，研究者将理论建构以及算法等处理数据、从数据中发现信息的概念工具也包括进来。
　　外部限制
　　外部限制包括伦理、法律、社会、组织机构、管理以及LA过程方面的限制。如使用个人隐私数据有可能触犯法律等。
　　内部限定
　　内部限制与能力相关，指解读数据、解释数据，从而根据数据提高学习效果的能力。据调查，只有很少的学习者能够解读结果并据此采取有效的干预措施。
　　二)LA资源过程模型
　　学者们认为，分析是人脑和机器的混合加工的过程，[32]LA具有认知性、技术性和社会性。[33]综合多种看法，Elias认为电脑（软硬件技术）、理论、人员和机构构成了LA的四种技术资源，同时也成为LA的核心。[34]四种资源以及数据运作的过程构成一个LA的模型。
　　电脑技术
　　远程在线学习的普及以及LMS的应用，说明大量关于学生的数据已经被收集，如果这些信息可以和其他与学生有关的数据相结合，我们可以得到更详尽的关于学生的学习体验、教师的教学效果等信息。而随着数据的收集，进行信息加工时，尤其需要用来做数据分析报告和预测结果的软件工具。这类工具，Elias列举了资讯可视化（Visualization)、神经网络、回归分析、机器学习以及人工智能等。3Elias尤其强调了可视化技术的重要性，并列举了仪表盘(Dashboard)和社会网络分析(SocialNetworkAnalysis)两种常用的资讯可视化技术。
　　理论基础

　　论文榜（www.zglwb.com），是一个专门从事期刊推广、投稿辅导的网站。
本站提供如何投稿辅导，寻求投稿辅导代理，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。


期刊鉴别	论文检测	免费论文	特惠期刊	学术答疑	发表流程

搜索

学习分析学：智慧教育的科学力量