研究 | 教育大数据视角下的学习分析应用研究与思考

　　近年来，倡导个性化教学的呼声不断增大，作为个性化教学的先导，学习分析技术是广大教育研究者关注的焦点。采集学习者学习相关数据并进行处理分析，用于预测、评估和优化教与学，为实施个性化教学提供有效的技术支撑，是实施学习分析技术的核心。而从国内学习分析的研究现状以及国内外相关模型来看，学习分析模型应是一个包含数据收集、数据分析、评估预测与干预这三个阶段的循环结构。

　　学习分析评估、预测与优化教学的应用策略为：以学习者数据与学习环境数据为基础，对学习者知识掌握程度进行评估；根据学习者历史学习数据，对其学习发展趋势进行预测分析；以评估预测结果为导向，及时实施教学干预、优化教学过程。它为大数据支持下的学习分析应用研究，提供一种参考思路。

　　一、引言

　　在传统教学中，由于班级学生众多，教师凭个人能力很难做到“因材施教”。尽管，教师可以通过分析学生成绩及错误答案来了解学生的学习情况，但是，只能初步了解大多数学生的共性问题所在，难以掌握每一位学习者的学习情况，也难以根据个别学习者的学习情况及时调整教学策略。

　　随着数据存储技术、自然语言处理技术、语义分析技术、数据挖掘技术等的不断发展，运用学习分析技术可全面记录学习者的学习行为，用于挖掘学习者的学习习惯、分析学习者的学习方式及潜在的问题等，可为学习者提供个性化的学习内容和自适应的学习方式。

　　基于此，学习者可根据个人的个性化学习方式进行自定步调的学习，获取适合自己的学习内容，进行自适应学习。而教育大数据视角下的个性化学习分析技术，则为实施个性化教与学提供了可靠的技术支撑。

　　自2010年，美国新媒体联盟的《地平线报告》即开始关注学习分析技术，其在2014年2015年成为该报告中的热点。与此同时，“学习分析与知识国际会议”（LAK）自2011年创办以来，每年都在世界各地召开，会议主题涉及“学习分析技术在技术、社会和教学等维度的整合”到“从大数据到大影响”，加深了对学习分析领域的研究，并丰富了学习分析研究的发展。

　　与此同时，2009年，国际期刊《教育数据挖掘》创刊；2012年，《教育技术与社会》刊发了关于学习分析研究的专刊；2014年，《学习分析》创刊，这都代表着国际学界对于学习分析发展的关注。

　　在国外，针对学习分析研究可分为两类：一类是相关理论与概念关系研究。G.Siemens等剖析了基于大数据的学习分析对于教育的价值，包括指引高等教育改革，促进教学等；R.S.Baker和G.Siemens解析了学习分析与教育数据挖掘的区别与联系，以及这两个领域的未来发展方向；R.Ferguson和S.B.Shum等研究了学习分析的驱动力发展、未来挑战以及社会学习分析方法；W.Greller和M.A.Chatti等提出促进学习分析服务于教学实践和学习者学习的模型框架。

　　另一类是针对学习分析的应用研究。Erik Duval等在注意力导向的可视化概念下，分析并展示了仪表盘和学习推荐这两种学习分析方法[10]；K.E.Arnold借助普渡大学的课程信号平台，提出了学习分析可以促进学生成功；另外，美国发布了《通过教育数据挖掘和学习分析促进教与学》报告，并将其作为一种长期的政策予以支持。

　　在国内，学习分析以应用与思想为主，被称为浮现中的数据技术、教育信息化的新浪潮、智慧教育的科学力量及大数据时代高校教师在线专业发展的助推力量等。顾小清等从学习数据改进学习的角度，提出学习分析可支持教学决策，以优化教学，推进个性化学习的发展；吴永和等在学习分析系统特点和学习分析过程综述的基础上，提出了学习分析系统信息模型；祝智庭等以提高教学成效为目标，分析了智慧教育中学习分析的过程模型。张进良等提出学习分析可以提升高校教师学习效率、专业发展意识和在线教学实践能力。

　　目前，国内学习分析的研究主要集中于以下四大主题：

（1）学习分析的相关模型框架构建研究、学习分析的过程方法研究以及学习分析的驱动力研究，主要涉及到网络化学习、教育游戏化、社会媒体、个性化学习、情感分析、大数据的发展等领域；

　　（2）学习分析方法工具研究，包括内容分析、文本挖掘、社会网络分析、商业智能、绩效和计算机支持的协作学习等内容；

　　（3）学习分析技术支持研究，涉及到数据分析、可视化技术，数据安全技术等内容；

　　（4）学习分析应用研究，包括机器学习、高等教育、数字教育和在线教育等内容。

　　已有的研究主要集中在学习分析的关键要素和发展现状上，而对于教育大数据视角下实际学习分析的应用研究不足。从教育大数据视角出发的学习分析，能够充分利用学习者在学习过程中的数据，促进个性化教育的发展。

　　因此，本研究通过分析近几年美国新媒体联盟的《地平线报告》技术发展趋势，及现有的学习分析典型应用案例，构建出教育大数据视角下的学习分析应用架构及策略，以期为学习分析技术的研究和应用提供一些借鉴。

　　二、相关的概念界定

　　（一）学习分析

　　在第一届“学习分析和知识国际会议”上，专家对学习分析的定义达成了一致意见：学习分析是用于对学习者及其学习环境数据进行测量、收集、分析和报告，以理解和优化学习和学习环境的技术。《地平线报告》（2012）中指出，学习分析是通过对学习者产生和收集到的相关数据进行分析和阐释，来评估学习者的学业成就、预测其学习表现并发现存在问题的过程。美国EDUCAUSE机构认为，学习分析技术是利用学习者相关数据和相应模型，来预测学习者的学习情况并发现潜在问题的技术。不同学者因各自的研究背景不同，对于学习分析技术的理解和定义也不同。虽然，各种定义的语言描述不同，但都包含相同的内涵和本质：学生及其学习环境是学习分析的对象，教与学过程的数据是学习分析的依据，预测、评估、优化教学是学习分析的目标。

　　因此，本研究将学习分析定义为采集学习者相关数据并进行处理和分析，以此预测及评估教与学，并优化教学的过程。我们认为，教育大数据下的学习分析技术改变了传统的教育评估手段，并能预测教与学的结果，系统的自适应设计可以针对学习者进行自动干预，并为其推送恰当的个性化学习内容，教育工作者可以方便地调整整体的教学决策，干预学生个体的学习，提供个性化教学。

　　（二）学习分析与教育数据挖掘的区别

　　在谈及学习分析时，常常会提到教育数据挖掘，并且时常将二者混为一谈。实际上，学习分析和教育数据挖掘有着本质上的差别。

　　通过教育数据自动挖掘，可以识别数据间的关系和规律，更好地实现预测；学习分析的人为分析可以构建更易理解的方法模型。教育数据挖掘的研究者旨在实现自适应学习的方法；学习分析研究者旨在发现学习者的潜在问题，解释问题产生的原因，并呈献给关益者，指导其采取恰当的措施。

　　三、典型案例

　　在大数据背景下，应用教育数据挖掘和学习分析技术的国内外应用实践项目日趋增多，有很多已深入到教学实践中。根据其在教学环节中的不同应用，可以分为以下三类：学习互动分析类、学习预测与评 估类、个性化学习与教学类。

　　对应用实例进行深入研究，我们发现，目前学习分析应用研究呈现以下特征：

　　第一，应用研究在美国起步较早，并且已有一些较成熟的应用。如，Course Signals、eCART、Degree Compass、i-Ready等都是美国的典型应用，其中的 Course Signals是美国普渡大学的经典应用，已经逐步成熟，受到了国际上很多研究者的关注。它充分利用信号灯的颜色来直观地告诉学习者目前的学习状 态，绿灯表示正常，黄灯表示学习出现了一点问题， 需要进行及时调整，红灯表示学习问题很大，需要予以重视。

　　国内学者在近几年也越来越意识到学习分析对于自适应学习的重要性，已有很多高校机构积极投身于该项研究当中。如，华东师范大学、华中师范大学、东北师范大学、清华大学和北京邮电大学等， 都在积极研究学习分析技术及其应用。

　　第二，分析的数据来源主要是学习者相关数据和学习环境数据。其中“分析内容维度”中学习者相关数据包括：学生基本信息，如，座位信息、学习历史等；学生认知状态，如， 学习者应答数据、测试数据、知识掌握等级等；学生行为数据，如，在线互动情况、登录及应答情况等。学习环境数据，包括课程目标、评价指标和学习资源等。

　　第三，数据处理与分析方法主要有：（1）统计分析法，用以分析学习者的成绩，达到课程目标的百分比，登录次数和时长；（2）内容分析法，用于分析学习者的知识掌握情况，在线互动情况，产生困难的原因；（3）社会网络分析法，用以分析学习者与其他学习者之间的互动关系对于学习者情感、认知等方面的影响；（4）话语分析法，用于分析学习者在在线学习平台上的语言，进而分析学习者的学习特征和情感态度情况；（5）文本分析法，分析目前多元网络学习环境中产生的以文本为主的非结构化数据。通过运用这五种方法，从认知、行为、情感这三个维度，对学习者的具体学习情况进行分析。

　　第四，应用案例的共同方向是对学习者的学习数据进行分析、可视化，进而对其学习进行评估、预测和干预，促进学习者的学习，推动教育朝着开放性和个性化的方向发展。S01（School of One）是促进个性化学习的代表案例，它通过分析学习者的学习特点和具体学习环境数据，来为每个学生生成一个独特的每日时间表，以适应每个学生的学习节奏、能力以采取最有效的学习方式。

　　四、教育大数据视角下的学习分析

　　在学习分析的发展进程中，各位专家提出了不同的模型，从关键环节、过程方法、实际应用等方面描述了学习分析技术。

　　典型的模型包括：Malcolm Brown的要素模型，George Siemens的过程模型和Tanya Elias的应用模型。

　　Malcolm Brown提出，学习是学习分析的核心，学习分析包含数据收集、数据分析、学习、受益方和干预五大要素。学习者的学习过程、学习行为数据以及学习结果是学习分析的重要对象，可收集并分析这些数据，并把结果反馈给相关人员，来对学习过程及环境进行相应调整。

　　George Siemens提出了学习分析过程模型，先收集学习者的相关数据，再对数据进行分析、预测，并把结果反馈给学习者、教师和教育管理者，最后由系统进行自适应干预，或由教师和教育管理者进行人为干预。

　　Tanya Elias提出了学习分析应用模型，以计算机、人力、理论和组织机构四种资源为基础，将学习分析的整个过程划分成数据收集、数据处理和应用这三个子阶段。该模型首次提出了以资源为基础，初步呈现了学习分析系统的循环性。

　　通过对这三个典型模型的分析，我们可得出以下三点启示：首先，学习分析的关键环节是数据采集、数据分析、评估、预测和干预；其次，学习分析的数据除了学习者数据，还应包含与学习者相关的学习环境数据；再次，学习分析过程不是一个单向的过程，而是一个循环的过程，人为与自适应干预将对学习者之后的学习数据产生影响，改变学习者的学习结果，不断的干预和改变，形成一个循环结构。

　　（一）教育大数据收集

　　学习分析的基础是教育大数据收集。学习者在学习过程中留下很多数据，包括学习者在学习过程中的学习行为、学习活动、学习进程和与学习环境交互这些具有极大潜在价值的数据，学习分析所需的大数据包括学习者数据和学习环境数据两大类。表3展示了教育大数据的具体内容。

　　（二）数据分析与评价

　　目前一般用聚类、预测、关系挖掘、文本挖掘等数据挖掘方法及工具采集学习者相关数据，根据数据类型和特点对其进行存储。将采集到的数据包括结构化数据、非结构化数据以及半结构化数据，运用统计分析、内容分析、社会网络分析及话语分析等方法，从大量冗杂的数据中挖掘有用信息。如，美国普渡大学的CourseSignals运用统计分析法，分析学习者的学习表现。其中，有达到课程目标的百分比的分析；有内容分析法分析学习者的学习历史，包括知识储备、认知水平、考试成绩；也有用话语分析法、社会网络分析法分析其努力程度，如，学习互动情况。但在实际分析过程中，各种方法常常配合使用。

　　（三）评估、预测及干预

　　系统将评估及预测相关结果，并呈现给不同的关益者——学生、教师及教育管理者。对于不同的表3教育大数据收集。

　　关益者，学习分析具有不同的作用和价值。具体如图3所示。

　　学习者以呈现的评估预测的结果作为依据进行自我反思，采取恰当措施改进自己的学习，从而推动自我导向的学习。

　　教师以呈现的结果为依据，反思并改进教学策略，完善教学内容，并对学习者的学习过程进行个性化干预，设计适合的学习方法，实现个性化教学，并预测教学和学习效果，达成个性化的教与学。

　　此外，系统的自适应也会根据学习者的学习习惯、学习问题等，为其设计合适的学习路径，推送恰当的学习内容，例如，系统记录学习者测验的错题，用以推送相关知识点的资源与习题。

　　学习者、教师和系统的干预，导致教与学内容及方式的变化，进而影响学习者的学习数据。教育管理者以可视化的结果为依据评估课程及相关资源，改善教学决策、预测教学效果。

　　学习分析的目标是预测学习者的学习效果，通过整合学生的知识背景、动机、元认知和态度等信息，创建学生的知识模型、行为模型和经历模型，进而对学习者进行分类建档，对其学习进行评估预测。主要包括：领域知识模型的改进和教学序列的优化；学习组件和教学策略分析，对学习软件提供的教学支持效果予以评价，学习趋势分析；根据学习者的学习评估和预测来干预学习者的学习，促进自适应学习系统和个性化学习的发展。

　　五、学习分析应用策略

　　教育大数据视角下的学习分析应用的共同点是从实际出发，分析教育过程中的数据，对学习进行分析预测和干预，再不断收集数据，再分析预测，形成一个良性循环。但目前国内学习分析还处于起步阶段，各大高校和研究机构都在积极投身于学习分析的应用研究中，并且有很多高校已经建立了自己的在线学习平台，进行学习者的数据收集、分析，但还有待进一步扩大数据收集范围，规范数据格式，以进行有效学习分析，改善学习效果。教育大数据视角下的学习分析应用策略主要有：

　　（一）学习分析用于学习评估

　　评估是预测与优化的基础。在传统教育中的评估，常常是根据教师的主观感受或者是测验成绩来对学生进行评价，这种评价方式存在很多主观因素，不能合理的评价学生。学习分析技术可通过分析学习者的各种学习数据和档案来进行学习评估。（1）评估学习者的知识掌握程度，以及获得成功的机会；评估某个学习者在整个学习群体中的位置和作用；（3）评估教学安排的合理性。

　　相应的，社交网络支持的教学实践（SNAPP）关注的是学习者的学习行为数据和交互行为数据，可用以分析评估学习群体的整体情况和单个学习者的学习情况，并适时进行学习活动的干预；学习效果分析评定平台（Learning Catalytics）分析的是学习者的实践测验及座位等数据，以进行学习小组的配对及效果评估；而教育大数据视角下把学习分析运用于评估，并以可视化的方式进行展示评估结果，其既可以是某个学习者的学习评估，也可以是某些班级整体情况的评估，还可以是多个学校的办学情况评估。

　　这既提高了传统评估的效率，而且更为科学、合理。学习分析的评估功能促进教与学的实施绩效，为学生和教师的学习工作带来极大的便利。

　　（二）学习分析用于学习预测

　　预测是优化的依据。预测是通过分析学习者的学习历史数据，包括成绩、在线互动情况、学习历史、学习者特征等，来预测学习者偏离课程标准的程度，以及能否通过该课程。学习分析也可用于分析学习者的学习兴趣、不同课程的相关性和主修课程的要求，进而为其推荐最适合的课程。预测要以学习历史的数据为依托，分析其发展趋势即学习可能产生的结果，及时发现不理想状态的学习并实施干预和优化。将学习分析用于学习预测的应用案例很多，如，美国普渡大学的课程信号（CourseSignals）是典型代表，该系统通过信号灯的颜色来代表学习者的成功几率，学生的学习历史数据分析结果可用于分析预测某个学生成功完成该课程的几率，使教师及时进行干预，促进学习者的学习。学习分析的预测功能是基于教育大数据的预测，其结果具有可参考性，能为目前的教学和后期教学优化提供重要的指导作用。

　　（三）学习分析用于优化教与学

　　优化是分析的目标。学习分析通过采集学习者相关数据并进行处理和分析，以此预测及评估教与学，并优化教学过程。因此，优化教与学是学习分析的最终目的。

　　个性化的学习与教学是优化的结果，它使学习者以适合自己的方式进行学习。个性化学习与教学即自适应学习，需要构建与优化个性化学习资源环境，并为其提供技术环境支撑。而其中，“自适应诊断系统”（i-Ready）可通过分析学习者的学习历史，确定学习者产生困难的原因，跟踪学习者的学习进步情况，进一步优化长期教学安排。“一人一个时间表”（School of One，S01）根据学习者的学习历史与背景，为每个学生和教师生成一个独特的每日时间表，以适应每个学生的学习节奏、能力和学习方式。因此，学习分析是优化教与学，实现个性化学习的动力，要实现个性化学习，智慧学习，学习分析技术的发展极为关键。

　　六、结语

　　在这个大数据时代，随着移动互联网技术和社交媒体技术不断发展，个性化学习是人们共同的诉求。教育大数据支持下的学习分析，一方面可以满足广大学习者个性化学习的需求；另一方面会促进机器学习、数字化教育、智能学习的发展，实现一个双赢的局面。

　　本研究通过分析目前国内学习分析的研究现状，界定学习分析和教育数据挖掘的概念与区别，从教育大数据的视角对现有的学习分析典型应用案例进行归类剖析，研究这些案例的关键技术及特点。从教育大数据的视角构建了一个学习分析架构，提出了教育大数据视角下的学习分析应用策略，应用于学习的评估、预测与优化，为广大学习分析研究者提供了一个新的研究视角。

　　但本研究未能将提出的架构、策略与实际的学习分析应用结合起来。在后断研究中，我们可以与实际应用相结合，关注学习分析的四个关键问题：数据不足、移动学习数据的收集、格式标准问题和安全隐私问题等，进一步促进教育大数据支撑下学习分析的应用与发展。

　　我们认为，计算机网络技术会在数据源和方法层面推动学习分析的发展，个性化教育的诉求及其带来的直接社会经济效益会推动学习分析朝着另一个高度发展，但这需要研究机构在方法层面上的创新和企业机构在应用层面上的实践。

　　总之，学习分析技术的出现，对中国目前的教育既是机遇又是挑战，相信通过各大研究机构和企业的共同努力，学习分析技术在国内的应用会更加广泛，对自适应学习的促进作用也会更加彰显。