學習分析工具比較研究

聶靜雨

摘 要 近年來，學習分析技術的需求伴隨著教育大數據的浪潮越來越大。基于文獻計量分析法，對國內外近幾年來關于學習分析的期刊論文進行梳理，對學習分析工具進行劃分，主要討論23種應用廣泛的學習分析工具，從其各個方面進行分析比較，并提供各個工具的相關鏈接，以期為研究學習分析的教育實踐者提供參考。

關鍵詞 學習分析技術；教育大數據；Microsoft Excel；GoogleSheets

中圖分類號：G642.0 文獻標識碼：A

文章編號：1671-489X（2018）23-0022-05

Abstract In recent years， the demand for learning analytics has beenaccompanied by a growing wave of educational big data. Based on related literatures， this paper reviews domestic and foreign journal papers on learning analysis in recent years， and divides learn analysistools. It mainly discusses 23 widely used learning and analysis tools. We analyze them from all aspects comparison， and provide a rela-tional link for each tool， in order to provide a reference for educa-tional practitioners who study learning analytics.

Key words learning analytics； educational big data； Microsoft Excel； Google Sheets

1 引言

十九大報告明確提出“到2020年基本實現教育現代化”的戰略目標，而實現這個目標的重要途徑是讓大數據技術助力教育變革。Big Data一詞最早出現在維克托·邁爾-舍恩伯格及肯尼斯·庫克耶編寫的《大數據時代》這本書中，是指不用隨機分析法（抽樣調查）這樣的捷徑，而采用所有數據進行分析處理[1]。在首屆中國教育大數據發展論壇探析中，維克托·邁爾-舍恩伯格在他的演講《大數據與教育的未來》中指出，教育的關鍵在于對教育數據的分析[2]，而對于教育大數據的挖掘關鍵就在于學習分析技術。

本文將會詳細介紹EDM或LA研究及從業人員使用廣泛、功能強大的學習分析工具。文章首先概述兩種非常適合用于特征工程和數據創建的工具——Microsoft Excel & Google Sheets和EDM Workbench，緊接著討論了編程語言Python和SQL的優點。文章還討論了Rapid、WEKA、KEEL、KNIME、Orange等九種常用的算法分析工具，并探索了Tableau、D3.js兩種可視化工具。

2 研究方法

本研究基于文獻調研。在中國知網中，于高級檢索下以“主題=學習分析技術并且主題=工具”進行檢索，查詢到93篇中文文獻。根據計量可視化分析，發現有關學習分析工具的文獻從2012年的四篇逐年增加，其中以社會網絡分析、學習分析儀表盤、大數據、可視化、學習行為、智慧教室這幾個詞為中心點進行聚類分析，從檢索結果中也可以發現各大知名高校都在對學習分析工具進行研究，可見學習分析工具才是真正助力學習分析技術面向教育教學的關鍵。在SSCI數據庫中，以“Learning Analytics”為關鍵詞進行搜索，限定領域為教育科學，共得到核心期刊英文文獻82篇，其研究包含學習分析的理論研究、學習分析技術在教學中的研究、學習分析模型研究、學習分析工具研究等。本文僅針對學習分析工具進行討論。

3 學習分析工具分類及比較

學習分析工具的種類有很多，有專用型的（如SNAPP、ELLIment等），也有通用型的（如SPSS、WEKA等）；有適合文本分析的（如CATPAC、LIWC等），也有適合圖像化分析的（如Nvivo、Socrato等）。不同學者對于學習分析工具的種類也從多個不同的角度來劃分。孟玲玲、顧小清等根據學習工具分析對象與類型側重的不同，將學習分析工具分為學習網絡分析工具、學習內容分析工具、學習能力分析工具、學習行為分析工具、其他綜合分析工具[3]。Verbert和Govaerts等人根據學習分析工具應用的環境不同，將其分為支持面對面教學的工具、支持小組合作的工具、支持混合學習或在線學習的工具[4]。郭烱和鄭曉俊等根據工具服務對象不同，將學習分析工具劃分為支持教師教學的學習分析工具、支持學生個性化學習的學習分析工具、支持教育決策的學習分析工具[5]。

本文則根據研究人員探索分析問題時使用工具的路徑，將學習分析工具劃分為數據預處理與特征工程工具、算法分析工具、可視化工具、專用工具。

數據預處理與特征工程工具 在進行數據挖掘之前，所有的數據必須首先進行“清洗”，以提高數據挖掘的質量。通過特征提取，可以得到許多未經處理的特征，通過數據預處理使數據標準化和歸一化，最后僅需通過特征選擇就可得到與研究緊密相關的信息。數據預處理與特征工程工具就是這樣一個用于清理、組織和創建有效數據的工具，使研究者解決面臨大量數據無從下手的問題。常用的數據預處理與特征工程工具有Microsoft Excel & Google Sheets、EDM Workbench、Python、Jupyter、SQL等。

1）Microsoft Excel & Google Sheets。Microsoft Ex-cel（https：//www.microsoft.com/zh-cn/）和Google Sheets（https：//www.thoughtco.com/google-spreadsheets-4133440）對于新數據特征（變量）第一階段的原型分析非常有用，它是數據研究者在操作和設計數據中最常使用的工具。這類工具主要用于小規模特征工程，因為其可以使數據完全可視化，所以很容易識別數據中的結構和語義問題，像存在異常值、缺失值及信息冗余等問題。此外，還可以利用它們非常直觀地設計新功能，快速將這些功能應用于整個工作表，并通過一系列數據直觀地檢查功能以確保正常工作，像對數據集合匯總、水平鏈接及篩選求和等功能應用。

但是，Excel和Sheets不適合所有類型的功能創建。因為創建功能需要不同的數據匯總，其中涉及多次對數據進行分類和重新排序，這導致保存記錄十分麻煩，且易更改語義特征。更重要的是，Excel和Sheets對可加載和操作的數據量十分有限，必須保持一定合理的性能。而且Excel和Sheets中的幾個常見操作符會進一步降低性能。

2）EDM Workbench。EDM工作臺（http：//penoy.admu.edu.ph/～alls/downloads-2）是主要用于自動化特征過濾和數據標記的工具[6]。EDM Workbench的自動過濾功能彌補了Excel和Sheets無法進行大規模工程設計的缺陷。研究人員能夠在EDM Workbench中基于xml創建功能，也能夠使用智能輔導系統中的26個功能，像學生解決問題所花費的時間及對于最后n個步驟，分析學生所做的動作是否正確，有多少人做對了，以及做對的比例為多少等功能。而且，EDM Workbench具有文本回放的功能，它支持數據采樣、評估者之間的可靠性檢查以及標簽與特征之間同步。

3）Python。Python（https：//www.python.org/）是一種解釋型、面向對象的高級程序設計語言，它提供了簡易的用戶文檔，簡單易學且完全免費。Python有非常清晰的語法，其設計理念強調代碼可讀性，特色之一是強制用空白符（white space）作為語句縮進。在建模工具中，Python比大多數模型具備更多優勢，如循環（for，while）、決策（條件）這樣的基礎程序結構都可以得到較好的運用。此外，它可以通過在Python結構中編程—嘗試來避免程序運行過程中產生的錯誤。

Python是一種特別適合于數據處理和功能設計的語言。它不僅可以添加通知消息到用戶窗口反映批量數據處理進程，而且可以將輸出信息重點標注出來[7]。特別是Python中的工程上下文相關性比Excel或Google表格好，且能夠處理許多不同類型的異常或特殊的數據格式，如JavaScript

對象符號（JSON）由若干MOOC和在線學習平臺產生的文件。

4）Jupyter notebook。Jupyter notebook（http：//jupyter.org/）是一種保存分析記錄和中間結果的工具，其按順序顯示每個用戶操作及結果，有利于構建可讀性分析。Jupyter notebook其實就是一個Web應用程序，便于創建和共享交互式文檔，且支持實時代碼、數學方程、可視化和markdown。相比較而言，其實在Microsoft Excel或Google Sheets中創建的數據和功能檢查起來更易可視化，特別是在數據集合中數據缺少、重復或異常情況下用Jupyter可能特別難以識別，并且工程特征的驗證會更耗時，所以在這里不推介新手程序員使用。Jupyter notebook還有一個缺點是其受到大小的限制，在研究計算機的1000萬行數據范圍內會變得很慢。

5）SQL。結構化查詢語言SQL（https：//www.microsoft.

com/en-us/sql-server）是一種數據庫查詢和程序設計語言，用于組織一些數據庫。它可以有效精確地提取所需求數據，并可以跨多個數據庫表進行集成（即“連接”）。它不指定用戶對數據的存放方法，且可以使用相同的結構化查詢語言作為數據輸入與管理的接口。SQL具有極大的靈活性和強大的功能，可以嵌套使用。此外，在SQL等數據庫語言中，許多基本的過濾任務（如選擇特定的學生子集或從特定日期范圍獲取數據）比上述任何工具都要快得多。但是在特征工程過程中，SQL不適合創建復雜工程。不過SQL可以與上述其他工具一起有效地工作，比如用SQL執行Excel或Python中非常緩慢的批量排序和篩選任務。

算法分析工具 在解決完清理、組織和創建有效數據后，研究人員面臨的問題是可以進行哪些測試，可以構建哪些模型，可以映射和探索哪些關系，以及如何驗證發現，如何建立算法，通過何種建模方法進行數據的結構分析等，此時就需要算法分析工具來解決這些問題。這類工具一是可以提供廣泛的算法和建模框架，二是可用于模擬和預測教育數據中的關系。常用的算法分析工具有RapidMiner、WEKA、SPSS等八種。

1）RapidMiner。RapidMiner（http：//rapid-i.com/content/view/181/190/）是一個可視化開源數據挖掘工具，可進行數據挖掘、機器學習和商業預測分析[8]。它擁有非常廣泛的分類、回歸以及用于聚類、關聯規則挖掘的算法。RapidMiner的圖形化編程語言比其他大多數數據挖掘工具的功能相對更強大，如可以用于使用Batch Cross Valida-tion運算符在多個級別進行交叉驗證，這對于概括性分析來說是非常有用的，而且相比于其他所述數據挖掘軟件包中的圖形化語言是極大優勢。RapidMiner還有一系列可用于模型評估的度量標準，并可以通過可視化文件（如Receiver-Operating Curves）幫助用戶評估模型擬合，其中模型既可以根據實際的數學模型輸出，也可以在xml文件中輸出。可以說RapidMiner有一套廣泛的教程，對學習如何使用圖形化編程語言非常有用。不過它支持的重采樣方法（如引導）相比其他數據挖掘軟件包更受限制。

2）WEKA。WEKA（http：//www.cs.waikato.ac.nz/ml/Weka/）具有一套廣泛的分類、聚類和關聯挖掘算法，是一個免費的開放源代碼軟件包。WEKA可對數據進行預處理、分類、回歸、聚類、關聯規則分析以及在新的交互式界面上的可視化。用戶使用時，可以從命令行、GUI（圖形用戶界面）或通過Java API調用數據挖掘算法，并且它的命令行界面和API功能比GUI更強大，其不允許用戶訪問所有高級功能。此外，WEKA可以根據實際的數學模型或PMML（Predictive Modeling Markup Language）文件輸出它生成的模型，這些模型可以用WEKA評分插件運行。不過WEKA僅可以選擇功能，不支持創建新功能。

3）SPSS。SPSS（http：//www.ibm.com/analytics/us/en/technology/spss/）是一個統計軟件包，集數據錄入、資料編輯、數據管理、統計分析、報表制作、圖形繪制于一體，可提供一系列的統計測試、回歸框架、相關性和因子分析等功能。SPSS是世界上最早采用圖形菜單驅動界面的統計軟件，最突出的特點就是操作界面極為友好，輸出結果美觀漂亮。其中，SPSS Modeler具有從現有功能創建新功能，進行數據過濾，功能選擇和縮減功能空間的優點。雖然SPSS是一個綜合的統計分析工具，但是其建模功能比文中提到的幾種同類別工具要差一些，因為它相對于其他工具較不靈活，難以進行特征選擇，也沒有記錄功能。

4）KNIME。KNIME（www.knime.org）是基于Eclipse的開源數據挖掘軟件，與RapidMiner和WEKA大致相似。它提供了許多與這類工具一樣的功能，像RapidMiner一樣整合了WEKA的所有算法。此外，它還提供了一系列專業算法，如情感分析和社交網絡分析。它通過工作流的方式來完成數據倉庫以及數據挖掘中數據的抽取—轉換—加載操作。KNIME的一個優勢在于它能夠在同一分析中整合不同來源的數據（如工程功能的CSV，文本響應的文字文檔，以及學生人口統計數據庫）。而且KNIME可擴展性強，允許與R、Python、Java還有SQL進行交互。不過在其設計中，因為它沒有端口概念的出現，當其進行錯誤信息的處理流程時，看其過程定義生成的xml文件會發現，錯誤流定義在xml文件中加入得很不規整，是以補丁的方式加入的，這影響了系統整體設計的完整性與美觀度。

5）Orange。Orange（https：//orange.biolab.si/）是一個數據可視化分析軟件包。雖然它比RapidMiner、WEKA以及KNIME的算法少得多，但是它的界面清晰、易于理解，比如顏色編碼的工具會區分數據輸入、清理、可視化、回歸和集群這些方面；而且它提供了許多常用的算法，如決策樹、關聯規則、統計分析等。Orange還具有多功能的可視化編程前端，可用合理的文檔形式呈現模型結果。但是相比于Excel，它處理的數據規模有一定的局限性。所以基于簡單的GUI和菜單布局，Orange可能更適合小型項目或新手研究人員使用。

6）KEEL。KEEL（http：//sci2s.ugr.es/keel/）是許多EDM研究人員使用的數據挖掘工具。與上面列出的一些工具的不同之處在于，KEEL有更廣泛的算法，而且支持各種各樣的功能選擇，包括支持對缺失數據進行估算和對數據重新采樣的功能。作為建模工具，KEEL有一套廣泛的分類和回歸算法，支持其他類型的數據挖掘算法，如聚類和因子分析，但相比其他軟件包更加受到限制。

7）Spark MLLib。Spark（http：//spark.apache.org/mllib/）是一個可跨多個計算機處理器，以分布式方式進行大規模數據處理的計算框架，包含基于彈性數據集（RDD）的低階Spark機器學習API。Spark可以通過API連接多種編程語言，包括Java、Python和SQL，且允許這些語言用于分布式處理。Spark MLLib機器學習框架支持分類、回歸、聚類、協同過濾、降維等主要機器學習算法。盡管MLLib的功能有限，且只是一個純粹的編程工具，但它的分布式特性依舊使它成為一個不錯的工具選擇。

8）R語言。R語言（https：//www.r-project.org/）是用于統計分析和繪圖的優秀工具。與其他工具相比，R語言能夠實現更加復雜的數據處理，且處理效果較為理想[9]。它不單是一門語言，更是一個數據計算與分析的環境。R語言有著簡單而明顯的吸引力，使用R語言，只需要短短的幾行代碼，就可以在復雜的數據集中篩選。R語言的最大優勢在于畫圖，像ggplot2、plotly、shiny、ggmap等用起來真的很方便。不過當數據量過大時，因內存原因，R語言不再適用；且它的package太泛，使用中可能存在很多bug。

可視化工具 上面所討論的兩類工具都與一系列的數據及分析相關，可以極大地幫助研究人員分析并獲得經過驗證表現良好的模型。但是在各大學術討論會議中，研究者要想完整表達出自己的科研成果，此時就需要借助一些可視化工具，使數據科學家能夠創建精美的圖表、模型、網絡及其他可視化信息。同時，通過良好的可視化方法，也可以使學習者從數據中獲取更多的知識點。因此，可視化工具不可或缺。常用的可視化工具有Tableau、D3.js。

1）Tableau。Tableau（www.tableau.com）提供了一系列用于交互式數據分析和可視化的產品。在教育教學中，它可用于分析學生數據，提供可操作的見解，優化教學實踐和精簡教育報告等。Tableau的最大優勢在于不需要編程知識來分析不同來源的大量數據，就可輕松獲得可視化效果。Tableau提供了便于存儲數據的連接和導入數據功能。Tableau還具有構建豐富的交互式儀表板的功能，這使得它能夠實時地向用戶動態顯示可視化信息。但是，Tableau不支持預測分析和關系數據挖掘，而且作為商業工具不可擴展，不支持與其他軟件平臺的集成。

2）D3.js。D3.js（www.d3js.org）是一個允許操作數據驅動文檔的JavaScript庫，研究人員和從業者可以通過D3.js建立復雜的交互式可視化數據。它的優點在于它在構建各種數據可視化方面靈活性強，且無須安裝，支持代碼重用，并且是免費和開源的。不過學習D3.js需要廣泛的編程知識，而且其具有兼容性問題，不提供任何手段來隱藏可視化的用戶數據，這就存在很大的用戶數據隱私問題。因此，用戶使用時要進行數據預處理，以確保隱私和數據安全問題。

專用工具 已經討論了用于EDM建模和分析的通用工具，但是特定類型的教育數據挖掘與學習分析技術通常需要更多的專用算法工具（簡稱專用工具），包括知識跟蹤算法、文本挖掘、社交網絡分析、序列挖掘和過程挖掘等類型工具。對于這些情況，研究人員和從業人員通常會使用針對這些情況而設計的專用工具。常用的專用工具有BTK-BF、LIWC、Gephi、ProM等。

1）貝葉斯知識追蹤工具。貝葉斯知識追蹤（BKT）（http：//www.columbia.edu/～rsb2162/BKT-BruteForce.zip）是一種常用的潛在知識評估方法，可于在線學習期間測量學生的知識水平。它的優勢就在于可以測量在線學習過程中正在變化的知識水平。BKT模型通常使用強力網格搜索和期望最大化（EM）這兩種算法之一進行擬合，兩種算法在預測性能方面都不錯。可以說，貝葉斯知識追蹤是一個隱馬爾可夫模型，它可以反映學生學習過程中的狀態，是學習分析領域常用的技術，像BKT-BF就屬于這類工具。

2）文本處理。文本挖掘是數據挖掘領域的一個熱點，文本分析工具可以處理文本內容的詞性、句子結構和語義詞義等。現如今已有大量的程序、APP和API可用于標記、處理和識別文本數據，此外還有一些工具能夠識別不同單詞和句子之間的表示關系。可用的文本挖掘和語料庫分析工具種類繁多，下面介紹幾種一般適用于文本挖掘的方法以及調查文本和語篇中特定結構的工具。

①LIWC。LIWC（http：//liwc.wpengine.com/）即自然語言處理技術，是一個旨在用電腦程序取代專家來對各種文本進行分析的軟件程序。它可以對文本內容進行量化分析，并將文本中的各類詞語（尤其是心理學類詞語）進行計量，如因果詞、情緒詞、認知詞等心理詞類在整個文本中的使用情況[10]。目前，LIWC已提供超過80種不同心理類別的詞匯，如認知詞匯、情感詞匯、功能詞匯、分析詞匯等，它通過分析所用詞匯來衡量文本的潛在特征，已在大量研究中得到廣泛使用。

②WMatrix。WMatrix（http：//ucrel.lancs.ac.uk/wmatrix/）是用于文本語料庫的詞頻分析和可視化的文本分析工具，主要在特征工程階段用來提取語言特征，包括單詞n-gram、詞性標簽和單詞語義類別。WMatrix主要優勢在是語義歸類和范疇研究，且可根據研究自建語料庫。此外，它還可以通過文字云的形式提供文本語料庫的可視化，并提供用于同時比較幾個文本語料庫的界面。

③Coh-Metrix。Coh-Metrix（http：//www.memphis.edu/iis/projects/coh-metrix.php）是一個基于網絡的文本分析工具，提供了超過100種、大致11類的文本語料庫。與以上工具相比，Coh-Metrix的優勢在于可通過一系列文本特征來分析文本的銜接性，且其具有多個標簽，可用于評估深度文本內聚，如敘述性度量和參考內聚性。因為Coh-Metrix擁有巨大的文本語料庫，其已被廣泛應用于自動測量文本難易度及銜接性。

3）社交網絡分析工具。社會網絡分析（Social NetworkAnalysis，SNA）是一種基于多個學科融合，用于研究人類社會關系、行為特點及信息傳播的定量方法。SNA通常用于分析在線學習中的交互現象，如平臺活躍度如何，個體間的關系如何，等等，幫助教師更好地完成課堂任務。下面介紹幾種社交網絡分析中常用的工具。

①Gephi。Gephi（https：//gephi.org）是一款廣泛用于分析不同類型社交網絡的交互式工具，通常被用作探索性分析的工具，且不僅提供了一組圖形化工具，而且提供了操縱社交網絡圖、多重量度（如密度、平均路徑、介數中間性）計算以及社交網絡分析中常用算法（如圖類聚）的Java API。近些年來，Gephi被廣泛用于學習分析研究，特點是快速、簡單及模塊化，且支持各種社交網絡的輸入數據格式。因此，Gephi適合做可視化數據分析探索和生成研究發布的效果圖。

②EgoNet。EgoNet（http：//egonet.sf.net）是一款主要以自我為中心來進行重點分析的免費社交網絡分析工具。這款工具一般使用調查工具從個體網絡的角度構建社交網絡，再通過創建問卷、收集數據，提供可用于其他軟件進行后續分析的綜合措施，計算用于分析社交網絡和生產圖的相關測量。且EgoNet具有可視化的優點，便于研究者更好地了解整個網絡結構。

③NodeXL。NodeXL（http：//nodexl.codeplex.com）是一款簡單易用的開源社交網絡可視化分析軟件，是Micro-soft Excel的一個擴展，優點是有靈活的輸入輸出及布局靈活。與Gephi類似，它不僅提供了一組用于過濾數據的可視化工具，而且可計算基本網絡性質（如半徑、直徑、密度等）、節點屬性（如度中心性、中介中心性、特征向量中心性等）以及其他網絡分析方法（如社群挖掘的聚類分析等）。除了可以進行社交網絡分析，NodeXL Pro還包含來自多個社交媒體平臺（如Twitter、YouTube）的數據；不過它的速度比較慢，只適合處理小規模的數據。

4）過程與序列挖掘工具。除了傳統的教育數據分析方法，如預測學習成果或課程持續性，研究人員還旨在追蹤學習者活動的順序，以了解學習策略和過程[11]，此時就需要過程與序列挖掘工具。下面介紹通常用于這方面研究的ProM工具。

ProM（www.promtools.org/doku.php）支持多種過程挖掘技術，通常用于分析過程，同時可以進行某種級別的數據預處理。ProM 6就支持在分布式設置和批處理中實現過程挖掘。ProM不僅支持多個進程挖掘算法的連接，還可以在運行時添加新的插件，以便直接集成到分析過程中。更重要的是，ProM允許與現有信息系統輕松集成，無須編程。

4 結語

學習分析工具在學習分析過程中起到很大作用，是促進教育教學發展的關鍵。本文根據研究者探索問題的路徑，討論教育領域常用于學習分析的20多種工具。教育的需求在不斷增長，新的工具也在不斷涌現，選擇合適的工具進行研究是必要的。因此，筆者希望這篇綜述能夠對研究這些新興方法的研究人員在實際應用和使用方面有所幫助。

參考文獻

[1]Mayer-Sch?nberger V， Cukier K. Big Data： A Revo-lution That Will Transform How We Live， Work and Think[M].New York： Houghton Miffin Harcourt Publishing Company，2014：181-183.

[2]孟志遠，盧瀟，胡凡剛.大數據驅動教育變革的理論路徑與應用思考：首屆中國教育大數據發展論壇探析[J].遠程教育雜志，2017（2）：9-18.

[3]孟玲玲，顧小清，李澤.學習分析工具比較研究[J].開放教育研究，2014（4）：66-75.

[4]Verbert K， Govaerts S， Duval E， et al. Learning dashboards： an overview and future research oppor-tunities[J].Personal And Ubiquitous Computing，2014，18（6）：1499-1514.

[5]郭炯，鄭曉俊.基于大數據的學習分析研究綜述[J].中國電化教育，2017（1）：121-130.

[6]Rodrigo T， Mercedes M， Baker R， et al. Develop-ment of a Workbench to Address the Educational Data Mining Bottleneck[J].International Educational Data Mining Society，2012.

[7]何麗嫻，甘淑，陳應躍.基于Python語言的空間數據處理[J].價值工程，2014（36）：207-208，209.

[8]陳葡，陳葵，游子毅.基于RapidMiner的SVM分類方法設計[J].電子世界，2015（16）：73-74.

[9]周蕓韜.基于R語言的大數據處理平臺的設計與實現[J].現代電子技術，2017（2）：53-56，59.

[10]張信勇.LIWC：一種基于語詞計量的文本分析工具[J].西南民族大學學報：人文社會科學版，2015（4）：101-104.

[11]Bogarín A， Romero C， Cerezo R， et al. Clustering for improving educational process mining[M]//ACM： In Proceedings of the FourthInternational Conference on Learning Analytics And Knowledge，2014：11-15.