基于教育大數據的學習干預模型構建*

李彤彤，黃洛穎，鄒 蕊，武法提

(1.天津師范大學 教育科學學院，天津 300387；2.北京師范大學 信息網絡中心，北京 100875；3.北京師范大學 教育學部 教育技術學院，北京 100875)

基于教育大數據的學習干預模型構建*

李彤彤1，黃洛穎2，鄒 蕊3，武法提3

(1.天津師范大學 教育科學學院，天津 300387；2.北京師范大學 信息網絡中心，北京 100875；3.北京師范大學 教育學部 教育技術學院，北京 100875)

學習分析是利用預測模型及學習過程中產生的數據，分析、預測學習者未來表現并發現潛在問題以實施干預的技術。在學習分析過程中，學習干預作為與教學過程直接相聯的部分，是改善、提升學習成效的關鍵。然而，當前國內外已有的學習干預方面的相關研究大多從微觀層面上列舉了部分干預措施，缺乏整體性和系統性的考慮。該研究構建了基于教育大數據和學習分析的、以干預引擎為核心的“狀態識別—策略匹配—干預實施—成效分析”四環節循環結構干預模型，該模型主要關注學習者的學習風格類型、學習進度水平、學習互動水平、學業成就水平四方面的狀態特征，并針對這四方面的狀態水平設計了具體的干預策略、干預時機以及干預方式，以期為在線學習環境中的學習干預理論研究與實踐應用提供參考。

干預模型；干預策略；學習分析；教育大數據

學習分析技術作為一種能夠在海量數據中提取隱含、潛在應用價值信息的工具，可以對學習者、教師、管理部門等相關利益方進行干預支持，改善對教與學的理解，促進和優化學習效果和環境，進而提升數字時代的教育內外部效益[1]。西蒙斯指出，學習分析是運用智能數據、學習者產生的數據及分析模型，來發現信息和社會聯系并預測和建議學習的技術[2]。從學習分析的定義中可以看出，學習分析不僅是判定學生是否處于危險之中，更重要的是依據分析結果進行適當的干預，為學生提供個性化指導，對有風險的學生進行干預，使之順利完成教學目標[3]。干預是學習分析技術改善、提升學習者學習成效的最直接環節，對保持學習狀態至關重要[4]。如何進行適時適當的干預、構建能夠有效提高學習效果的干預模型已經成為學習分析領域的重要議題。

有研究者指出，學習干預的相關研究非常重要但是很少被關注[5]。目前對于學習干預的研究大多是從分類的視角出發，在微觀層面上提出了幾種常見的干預方式，還遠不夠深入和系統。本研究在分析國內外學習干預相關研究的基礎上，梳理了已有的干預方式和干預內容，構建了基于教育大數據分析的、以干預引擎為核心的“狀態識別—策略匹配—干預實施—成效分析”四環節循環結構干預模型，以期為學習干預的理論研究與實踐應用提供參考和借鑒。

一、學習干預模型構建的基本思路

1.學習干預的界定

在傳統教學領域，學習干預一直作為一個約定俗成的概念存在著，它包括一切對學習者學習產生影響的介入手段。但是，隨著學習分析技術的發展，基于教育大數據的學習干預需要有別于傳統教學環境下的干預手段，由此學習干預的概念再度引起教育技術研究者的關注。張超在對教育教學中干預特征分析基礎上，對遠程教學環境中的學習干預進行了如下界定[6]：“學習干預是學習服務提供者為改善學習者學習績效和解決學習問題而針對學習者采取的各種間接的接入性策略與行為的綜合，其最終目的是幫助學習者發展特定的知識、技能和態度。”陳珊指出[7]，學習干預是立足于學習者出現的各種困難和難題，更有針對性地為其提供的各種支持，包括資源和活動等。

在本研究中，我們以學習分析技術為基礎和依據，探討基于教育大數據的學習干預模型的構建。作為教育大數據重要應用之一，學習分析可以通過分析學習者的學習情況等過程數據，構建學習者學習行為預測模型，進而獲得并預知學習者的學習狀態，如學習進度、學習路徑等[8-10]。由此，我們將學習干預界定為“為了幫助學習者克服學習困難、順利完成學習，以基于學習過程的教育大數據的分析為基礎，針對每位學習者的具體學習狀態而實施的各種支持性策略和指導性活動的綜合?！?/p>

2.學習干預的方式

對于學習干預的方式，李艷燕等[11]進行了系統深入的研究，從干預的性質、規模、主體等維度區分了干預的內容。從性質的角度，干預可以分為教學和社會干預，教學干預指一切教學元素的干預，如學習路徑建議、學習資源推薦等，而社會干預指學習心理疏導、伙伴推薦等；根據干預的規模，干預可以分為個人和班級干預；根據干預的主體，干預又可以分為人工和自動干預，人工干預主要應用于傳統課堂教學，教師發現問題后，直接對學習者進行教學干預，例如增加練習、談話，調整授課方式和學習活動等，而自動干預主要指非正式學習或混合學習中技術支持下的干預，如個性化學習系統或自適應學習系統實施的干預，教師利用設備對學習者移動終端進行干預等。張超[12]則將干預目標群體和干預形態視為干預分類體系的基本變量，并綜合這兩個維度，提出了“學習干預的二維分類框架”，得出了四類不同的學習干預方式，即個體化—結構化，個體化—非結構化，集體化—結構化，集體化—非結構化。此外，也有研究者針對教師主導和學生自主學習兩種教學模式提出了不同的干預機制[13]。

3.學習干預的具體方法

隨著學習分析技術在教育大數據中應用研究的不斷深入，研究者在實踐應用領域中也開展了關于學習干預具體方法的相關研究。如普渡大學的“信號項目”致力于從學習管理系統、課程管理系統、課程成績簿中收集信息來劃分危險學生的層次，并用綠色、黃色和紅色來標示危險等級，并針對處于“危險”狀態的學生進行個別化指導[14]。北亞利桑那大學的評價績效狀態系統能夠收集學習者在課堂中的表現評級，并通過郵件發送給學習者，郵件主要包括出勤情況、學習成績和課業問題三類[15]。在開放學術分析項目中，學習者的學習數據經過學習分析處理后，形成學術警告報告，被識別為處于危險狀態的學習者將會獲得系統提供的自動干預，共有兩種，即警告信息和參加在線學術支持環境[16]。其中，警告信息針對那些對于順利完成課程任務存在風險的學生，警告信息的內容包括學習現狀、詳細學習建議和指導等。要求參與在線學習支持環境的學生，將進入一個在線學習支持網站，其中包含可汗學院視頻、Flat World開源教科書等開放教育資源，同時他們還會得到來自同伴或專業教學人員提供的學習指導。當學生多次處于危險狀態時，警告信息將會變得越來越嚴厲。

4.學習干預模型的提出

干預模型從系統和整體的角度指導整個干預過程的設計與實施，對于干預過程的順利開展和干預目標的實現都起著重要的指導作用。當前關于學習干預理論層面上的研究，較多地探討了設計干預措施的基本原則、建議，以及微觀層面的干預方式及內容，還沒有較為系統和完整的干預模型。實踐層面上，已有的項目和系統通過自動、半自動等方式實現了有效干預，其中涉及的干預機制等為本研究設計干預模型提供了借鑒和參考。

基于對已有研究的綜合分析，我們提出了如下圖所示的基于教育大數據的學習干預模型，該模型以干預引擎為中心，以發現學習者的學習困難、提升學習者的學習效果為目標，包括學習者學習狀態識別、干預策略匹配計算、干預策略實施、干預效果分析四個循環的環節。

基于教育大數據的學習干預模型圖

(1)干預引擎是模型的核心，起著關鍵的調控作用，它監控著每一環節的實施狀態，并適時對干預過程進行調整，以保證干預朝著有效的目標進行。

(2)對學習者學習狀態的準確識別和判斷，是干預策略選擇和實施的起點和關鍵環節。學習者狀態識別是指基于教育大數據來獲取學習者的狀態信息，識別出學習者學習狀態的關鍵特征，從而定位學習者的學習階段，判斷學習者的學習狀況?；诮逃髷祿膶W習分析技術能夠有效地支持教師收集、分析、輸出學習者相關教育大數據并得出其學習狀態，如學習任務完成情況、學習內容掌握情況等，從而為學習者狀態識別提供有效的支持。

(3)干預策略匹配計算是指依據學習者學習狀態的關鍵特征，從干預策略庫中篩選相關的干預策略，并與學習者學習狀態的關鍵特征進行匹配計算，得出匹配度較高的最佳干預策略。匹配合適的干預策略是干預實施效果的重要保障，干預策略匹配計算又依賴于存儲的干預策略，因此，學習干預模型構建的關鍵是設計干預策略庫與匹配機制。

(4)干預策略實施是指根據最佳干預策略，以恰當的干預方式，將合適的干預內容推送給學習者。

(5)干預效果分析：干預是一個系統性的、循環往復的過程。干預模型始于經過學習分析得出的學習者學習狀態數據，然后判斷識別學習者學習狀態的關鍵特征，同時從干預策略庫中篩選相關的干預策略，并與學習者學習狀態的關鍵特征進行匹配計算，將匹配度較高的干預策略（包括干預方式及具體干預內容）推送給學習者，實施干預策略后，干預引擎將持續跟蹤學習者的學習狀態，一方面是判斷已實施干預策略的效果，另一方面是及時發現學習者新的學習狀態以備選擇并實施新一輪的干預，依次循環往復。

二、基于教育大數據的學習者狀態識別

學習者學習狀態的準確識別是干預策略準確選擇且有效實施的必然前提。隨著數字化學習的普及和流行，教育領域已經部署了眾多的學習管理系統，學習者在各種學習終端的支持下的各類學習系統中都產生并保留了大量的學習記錄[17][18]。這些記錄中隱藏著有關學習者的大量的多維的信息，通過恰當的技術對這些數據進行聚類與分析，可以獲得、跟蹤和掌握學習者的不同學習特點、學習需求、學習基礎和學習行為等不同類型的數據[19]，從而能夠為學習者的狀態識別提供依據。

1.教育大數據的獲取與分析方法

教育大數據得以有效利用的根本前提是首先能夠基于技術手段獲取到教育大數據，并將數據獲取并加以分析，從而獲得對學習者有用的關鍵信息。目前已有眾多研究者對教育大數據的獲取進行了研究，為基于教育大數據應用的相關研究提供了思路。牟智佳[20]提出電子書包中教育大數據的獲取來自于數據捕獲、多感知數據和實時傳感數據三個方面，可以通過多個軟件實現對多種數據的記錄。顧小清等[21]將學習者在學習過程中的學習行為、學習活動、學習進程以及與之交互的學習環境等數據概括為學習者的學習經歷數據，并利用“活動流”來描述學習經歷及用Statement記錄學習經歷的方式來獲取學習者的學習數據。而對教育大數據的分析，目前常用的方法包括內容分析法、社會網絡分析法和回話分析等。

2.學習者學習狀態數據及水平識別

要準確地識別學習者的狀態，需要有針對性地收集教育大數據。那么為了實施有效的學習干預，需要獲取哪些數據？我們對已有的在線學習者學習行為及學習模型的相關文獻進行了調研分析，孟玲玲等[22]從學習分析工具的角度，提出要對學習者的學習進度等網絡學習數據、知識建構過程等學習內容數據、學習能力和學習水平等學習能力數據、學習軌跡及特征等學習行為數據進行分析，從而準確地獲得學習者的學習狀態特征。李艷燕等[23]提出應通過分析教與學過程的交互數據、教學資源數據、學習者之間的網絡關系數據、學習者的特征數據、學習者行為與情感數據等來表征學習者學習特征。許陵等[24]從生物信號的角度，分析學習者在學習過程中的心理和生理狀態，用以觀測學習者注意力下降或者出現疲勞等學習狀態。

學習過程中，學習者往往會在多個方面有不同的表現，在本研究中，我們主要考察學習者的學習風格、學習進度、互動水平、學業成就四個方面的狀態水平，相應地，主要采集學習者的以下數據，如表1所示。

表1 學習者狀態數據及狀態水平判定

(1)學習風格類型識別是干預引擎采用某種算法，基于量表采集的數據以及學習者的瀏覽記錄等學習風格相關的數據綜合判斷，將學習者定位為不同的學習風格類型。

(2)學習進度水平識別是指干預引擎基于學習者的學習路徑、學習內容等數據，判斷學習者的學習進度。

(3)學習互動水平識別是指干預引擎綜合學習者的交互頻率、交互內容、社會網絡關系三方面的數據，判斷學習者的交互頻率、交互深度、交互廣度三方面的互動水平。其中，交互頻率是指學習者參與互動的次數，可以通過如登錄次數、發帖次數等數據反映出來；交互深度則包括學習者所發表的交互內容的質量，可以通過對交互內容的內容分析得到的結果反映出來；交互廣度是指學習者在交互過程中所形成的社會網絡的規模以及學習者在社會網絡中所處的位置，可以通過交互的社會網絡分析得出。

(4)學業成就水平識別包括對學習者整體成績水平的判定和學習薄弱點的記錄，整體水平通過學習者的成績數據來反映；學習的薄弱點則根據學生在某個知識點的學習時長以及錯題記錄來判定。

三、干預策略庫設計

在識別學習者狀態的基礎上，干預引擎會針對學習者的具體狀態從策略庫中選擇并計算最優匹配的干預策略，以對學習者進行有效地干預，幫助學習者將學習狀態調整到更為優化的水平。因此，干預策略庫的設計對于實施有效干預并提升學習成效起著至關重要的作用。我們首先針對四個方面的學習者狀態，給出了具體的干預策略、不同策略的干預時機以及干預方式，如表2所示。

表2 干預策略設計

從表2中我們可以看到，干預策略匹配的重點在于一方面將學習者的學習狀態可視化，可視化的目的在于讓管理者、教師和學習者都能清楚地了解學習者所處的狀態，可視化的方法則多種多樣，如學習進度條、完成百分比、目標達成程度、學習路徑圖、社會網絡圖譜、薄弱知識點列表、成績分布圖、成績排名、參與互動的次數顯示、發言質量評價等；另一方面，干預引擎會根據學習者的狀態來進行干預，具體的干預方式包括提醒、推薦/推送、會話的方式，其中可以采用消息、郵件、頁面彈出窗口來對學習者進行適時的提醒；推薦/推送則是指智能地根據學習者的狀態向學習者推送相關的資源、學習建議指導、學習工具、學習伙伴等；會話則是指由智能機器人或教師與有學習困難的學生進行文字、語音或視頻的會話，以半人工或人工的方式進一步了解學生的學習狀態和困難，以采取更為有效的干預措施。

當然，在實際的情形中，學習者的這四個方面狀態并不是孤立的，干預引擎在整個過程中始終持續地同時監控著學習者在這幾方面的狀態水平，并在恰當的時機給學習者提供相應的干預。

四、干預策略實施與效果分析

1.干預策略實施

為學習者匹配合適的干預策略后，干預引擎將向學習者實施干預。實施干預可以采用自動干預、手動干預兩種方式。自動干預是由干預引擎或干預系統自動完成的，實施過程不需要教師等人員的參與，但需要教師將干預策略的實施規則進行設計，如干預策略所面向的受眾范圍或輻射區間、干預實施的時間、頻率及頻次等。手動干預是指干預實施的過程由教師等教學相關人員手動完成的，如向學生發送個性化學習指導、建議等信息。隨著干預引擎的不斷智能化、學習者數據的大量堆積、干預策略的逐漸豐富，干預策略將更多地由干預引擎自動實施，達到科學、及時、準確的干預效果。

2.干預效果分析

干預引擎向學習者實施干預后，學習者將會收到相應的干預，并按照干預要求去改進或加強學習。干預引擎將繼續跟蹤學習者的學習狀況，分析、評價干預策略的實施效果，一方面，將實施效果作為一個屬性填充到干預策略庫中對應策略的屬性中，為后續類似的干預策略匹配計算提供參考；另一方面，依據實施效果，干預引擎將進行是否需要再次干預的判斷，如果實施效果良好，即學習者的學習狀況得到了改善，干預引擎則開始追蹤學習者新的學習狀態，如果干預策略實施效果較差，學習者學習狀況依然不樂觀，干預引擎將進行二次干預，依次循環往復。

五、結語

在線學習環境下學習干預的目的是促進學習者學習目標的達成，它應當建立在對教育大數據的挖掘、分析基礎上，并以識別學習者的學習狀態作為干預的起點，同時針對學習者的學習狀態適時地采用恰當的方式進行干預。而且，干預過程是一個循環往復的過程，需要對學習者學習過程和狀態的持續跟蹤、分析與判斷。本研究設計四環節的循環結構干預模型，同時對學習者狀態識別以及干預策略進行了細化設計。但是，對于其中教育大數據的具體采集方法、干預策略的具體實施方法，本研究還缺乏詳細設計，這也是下一步研究的方向所在。

[1] 胡藝齡,顧小清,羅九同,陳婧雅. 教育效益的追問：從學習分析技術的視角[J].現代遠程教育研究,2014,(6):41-48.

[2] Siemens, G., & Baker, R. S. J. d. Learning Analytics and Educational Data Mining: Towards Communication and Collaboration [A].Simon Buckingham Shum. Proceedings of the Second International Conference on Learning Analytics & Knowledge[C]. New York: ACM,2012.252-254.

[3][14] 李逢慶,錢萬正.學習分析:大學教學信息化研究與實踐的新領域[J].現代教育技術,2012,(7):5-10.

[4][6][12] 張超.教師遠程培訓的學習干預研究[D].上海:華東師范大學,2010.

[5] Clow, D. The learning analytics cycle: closing the loop effectively [A].Simon Buckingham Shum. Proceedings of the Second International Conference on Learning Analytics & Knowledge[C]. New York: ACM,2012.134-138.

[7] 陳珊.促進問題解決的學習干預設計與應用研究[D].上海:華東師范大學,2014.

[8][18] 劉鳳娟.大數據的教育應用研究綜述[J].現代教育技術,2014,(8):13-19.

[9][17] 魏順平.學習分析技術:挖掘大數據時代下教育數據的價值[J].現代教育技術,2013,(2):5-11.

[10] 徐鵬,王以寧,劉艷華,張海.大數據視角分析學習變革——美國《通過教育數據挖掘和學習分析促進教與學》報告解讀及啟示[J].遠程教育雜志,2013,(6):11-17.

[11][23] 李艷燕,馬韶茜等.學習分析技術:服務學習過程設計和優化[J].開放教育研究,2012,(5):10-24.

[13] 曹曉明,朱勇.學習分析視角下的個性化學習平臺研究[J].開放教育研究,2014,(5):67-74.

[15] 李青,王濤.學習分析技術研究與應用現狀述評[J].中國電化教育,2012,(8):129-133.

[16] Sandeep M. Jayaprakash, Erik W. Moody, Eitel J.M. Lauría, James R. Regan, Joshua D. Baron. Early Alert of Academically At-Risk Learner: An Open Source Analytics Initiative[J]. Journal of Learning Analytics, 2014，(1)：6-47.

[19] 姜強,趙蔚,王朋嬌,王麗萍.基于大數據的個性化自適應在線學習分析模型及實現[J].中國電化教育, 2015,(1):85-92.

[20] 牟智佳.電子書包中基于教育大數據的個性化學習評價模型與系統設計[J].遠程教育雜志,2014,(5): 90-96.

[21] 顧小清,鄭隆威,簡菁.獲取教育大數據:基于xAPI規范對學習經歷數據的獲取與共享[J].現代遠程教育研究,2014,(5):13-23.

[22] 孟玲玲,顧曉清等.學習分析工具比較研究[J].開放教育研究,2014,(4):66-75.

[24] 許陵,冉新義,陳梅芬.基于生物信號的遠程學習過程監控系統研究[J].現代遠程教育研究,2014,(5): 105-112.

責任編輯：李馨 趙云建

The Construction of a Learning Intervention Model Based on Big Data Analytics

Li Tongtong1, Huang Luoying2, Zou Rui3, Wu Fati3
(1.College of Education, Tianjin Normal University, Tianjin 300387; 2. Information and Network Center, Beijing Normal University, Beijing 100875; 3.Faculty of Education, Beijing Normal University, Beijing 100875)

Learning analytics aims to analyze and predict learners’ future performance, find potential problems and implement intervention according to the prediction model and big data generated in the learning process. As it is attached directly to teaching process, learning intervention is the key to improve learners’ learning performance. However, most of existing researches on learning intervention propose intervention measures from micro-level, lack of systemic and integral consideration. This paper constructs a learning intervention model based on learners’ big data analytics, which is a loop structure with intervention engine as its core. The intervention model consists of four parts: learners’ status identi fi cation, intervention strategy matching, intervention implementation,and intervention effectiveness analysis. As to learners’ status, the model mainly focus on learning style, learning progress, interaction level, and learning performance. We also propose the typical intervention strategies, intervention occasion, and speci fi c intervention means according to learners’ status level in this model. The signi fi cance of this model is that it can provide reference for academic research and practical application of learning intervention in online learning environments.

Intervention Model; Intervention Strategies; Learning Analytics; Big Data

G434

A

1006—9860(2016)06—0016—05

李彤彤：博士，講師，研究方向為數字化學習環境與學習分析(sdltt@126.com)。

黃洛穎：碩士，研究方向為教育大數據應用(huangluoying2008@126.com)。

鄒蕊：在讀碩士，研究方向為網絡教育應用。

武法提：教授，博士生導師，研究方向為數字化學習環境與學習資源設計。

2016年2月16日

* 本文系2014年全國教育科學“十二五”規劃教育部重點課題“基于教育大數據的學習分析工具設計與應用研究”(課題編號:DCA140230)研究成果。