學習分析技術促進教與學：基于教師和學習者的視角

龔禮林 劉 陽 龔禮鵬

（1.東北師范大學 信息科學與技術學院，吉林 長春130117；2.廈門市杏北小學，福建 廈門361022）

引言

《2017年美國新媒體地平線報告高等教育版》指出，二十一世紀的學習成果強調學術技能以及人際交往和內省能力，以使學習者獲得成功[1]。為了評估這些學習成果，新一代評估策略具有衡量一系列認知技能，社交情感發展和深度學習，為學生和教師提供可行的反饋信息，以促進學習成果持續成長的潛力。該報告明確指出，促進這種評估機制發展的基礎是學習分析，作為可以評估和能從根本上能改善學生學習的一種手段，學習分析將會持續得到關注。

2011年第一屆學習分析與知識國際會議上，學習分析被定義為“測量、收集、分析和報告關于學習者及其學習情境的數據，以期了解和優化學習和學習發生的環境”[2]。該定義明確指出使用學習分析有助于了解學習和優化學習。Simens 教授提出了學習分析簡化的流程（如圖1），認為使用學習分析可以發掘學習者信息和社交聯系，通過分析數據對學習做出預測，從而根據預測結果做出改變，具體包括適應、個性化和干預[3]。

圖1 學習分析流程

EDUCAUSE 研究機構在下一代學習計劃中將學習分析定義為“使用數據和模型來預測學生的進步和表現，以及對這些信息采取行動的能力”。

基于此，學習分析是對數據的收集、分析，以期對學習者的學習進行優化。而事實上，對學習者學習過程的分析也可以幫助教師在教學過程中的自我反思，以此優化教學設計，改進教學方法。因此，本文旨在通過文獻分析法，剖析學習分析在教學過程的作用。

一、研究現狀

國內學習分析的相關文獻較多，但大多從理論層面上進行論述，例如：王良周和于衛紅從大數據視角對學習分析相關概念的發展、學習分析的框架、應用領域、關鍵技術和學習分析系統平臺進行綜述[4]；郭炯和鄭曉俊從理論框架、模型研究、學習分析技術基礎、學習分析工具、應用研究、面臨挑戰等學習分析的六個方面進行梳理與介紹[5]；張艷霞、孫洪濤和李爽等人則從數據來源、具體數據項、數據項收集方法、在學習分析中的應用四個方面對現有學習分析研究中使用的數據集進行整理和歸納[6]；范逸洲和汪瓊則關注學習分析領域中的預測指標，梳理了傾向性指標、人機交互指標和人際交互指標，此外文中介紹了學業表現、初始知識、學習驅動力、學習情感、知識表征等關鍵預測指標[7]；韓錫斌、黃月和馬婧等人提出了學習分析研究的綜述框架，包括概念與綜述、構成與模型、技術系統、組織實施和效果評價，并對這五個方面進行了分析[8]。

通過梳理文獻可知，國內關于學習分析的實證研究較少。關于學習分析綜述文章，大多從大數據、數據集等視角進行論述的文章，缺乏從相關利益者角度，對實證研究進行綜述的文章。整體而言，國內對學習分析中不同相關利益者的目標研究尚不充分且缺乏實證研究。

二、研究方法

本研究主要從學習分析雜志“Journal of Learning Analytics ”和“Computer & Education”“Computers in Human Behavior”“British Journal of Educational Technology”“Australasian Journal of Educational Technology”“Internet and Higher Education”“Educational Technology &Society”等在教育技術領域影響因子較高的SSCI 雜志上對學習分析實證研究進行分析。

三、結論與討論

本文主要探索學習分析技術在教師、學習者方面的影響與作用。通過文獻分析，教師主要在預測、解釋、反饋和干預等方面受益，而學習者主要在個性化、比較和反饋等方面得到幫助，如圖2所示。

圖2 教師與學習者的學習分析利益概述

（一）學習分析對教師的幫助

1.預測

在預測方面，學習分析技術至關重要，Tempelaar 等認為使用動態的、縱向的計算機輔助形成性評估是檢測表現不佳的學習者和學習成績的最好的預測指標[9]。而Xing 等綜合了學習分析方法，教育數據挖掘（EDM）和人機交互理論來探索和開發更可用的預測模型，得出使用先進的建模技術，遺傳規劃算法等建立的預測模型在預測能力和解釋能力優于傳統模型[10]。

研究發現，虛擬學習環境（VLE）與學習分析相結合也能更大程度的發揮數據的作用，通過利用學習分析系統收集儲存在VLE 中論壇學習者互動的數據，教師可以識別參與度不高的學習者，并引導正確的互動導向，同時也有助于教師對學習者在團隊中的評估。Agudo-Peregrina 等人對虛擬學習環境支持的面對面學習（VLEsupported F2F）和在線學習（online learning）進行研究，通過收集并分析學生學習產生的數據，探討學生的互動（學生之間的互動、學生與內容的互動、學生與教師的互動、學生與系統的互動）與學業成績的相關性[11]。研究表明，對于虛擬學習環境支持的面對面學習，學生的互動與學業成績無相關性；而對于在線學習，學生的互動與學業成績均有相關性（其中，學生與教師的互動相關系數最高），因此，在一定程度上，利用學生的互動數據可以預測學生的學業成績。

2.解釋

學習分析能幫助教師更好地評估學生，了解學習者的學習策略、學習參與度和表現，并以此作為反饋促進教師自我反思，改進和創新教學方法。使用學習分析技術有助于教師理解學習者的學習行為、學習策略。例如：通過學習分析與學習管理系統結合，分析學習者自我報告數據，得出學習者使用的學習策略。教師可對此結果進行評估，給予學習者反饋，糾正不良學習方法。

Raca 等通過對學習者肢體動作和注意力的研究發現，注意力較低的學習者在反應上也比注意力較集中的學習者慢，稱之為“睡眠者的落后”，這一認識可能產生新的測量方式，可以作為教師元認知的技術支持[12]。通過與學習分析的結合，學習設計可以成為支持教師在設計、執行和評估學習過程不斷反思的一個更成熟的領域。

3.反饋

基于早期的行為預測和不良行為信號產生的反饋是許多學習分析應用程序的關鍵目標。在教師的自我反思方面，Dyckhoff 等從“可用性”“有用性”“互操作性”“可擴展性”“可重用性”“實時操作”和“數據隱私”設計并開發了eLAT（exploratory Learning Analytics Toolkit），通過對學習者學習過程的可視化反饋，有助于教師對課程的自我反思、評估以及優化[13]。

據調查教師不僅需要獲取數據來改善課程內容并與學生建立聯系，他們也希望利用數據來提升自身的教學技巧并改善自己的教學方法。學習分析的反饋有利于教師反思課程未來的發展以及改進未來的教學設計。此外，將有效的反饋呈現給學習者也可以提高他們的反思學習能力。

4.干預

學習分析干預對學生的學習成績、學習動機等有顯著的影響。教師使用學習分析提供的預測信息為每個學生提供更具體和個性化的建議與反饋，根據預測結果，教師通常可以采取一些對應的干預措施，例如：識別退學率風險較高的學習者，對其進行個性化輔導，以提高在學率。

Lonn 等采用GP 構建行為預測模型，探究如何使用數據分析影響學生的學習動機[14]。GP-ICRM 模型可以幫助教師識別學生努力學習的原因，或說明學生在特定時間的表現水平，并以一種易于理解的形式呈獻給教師，從而使教師能夠為每個學生提供更具體和個性化的建議。最終表明正確地引導學生使用表現數據，會對學生的學習成績，學習動機等有顯著影響。

5.其他

學習分析干預旨在優化學習和學習環境，最終提高學生的學習成績和留存率。學習分析能夠為風險學生提供預測和干預手段。與此同時，以系統的方式獲取學生學習某個領域的學習動機，以便教師使用這些數據為學生創造更有吸引力的學習環境。教師了解學生的學習動機，創設滿足學習者需求的學習環境，以提高學生的學習成績和留存率。

（二）學習分析對學習者的幫助

1.個性化

個性化學習體驗是指基于學習者之前的學習經驗，在學習者選擇下一個學習目標或者學習內容時以可視化的方式給予推薦，即利用學習分析技術或學習分析系統進行個性化或自主學習，具體包括，對學習分析系統提供的學習路徑進行個性化選擇，遵循學習分析系統的個性化提示、通知進行學習。

Pauna 對學習管理系統Moodle 的登錄日志進行分析，通過對課程的建模，構建出在線微積分課程的學習路徑[15]。學習者可以該模型選擇適合自身的學習路徑。例如：傳統的學習方式為學習該課程的理論知識、查看案例和應用、完成小測、完成并提交作業。但是也有很多學習者首先進行小測來檢查自身是否已經掌握該科目，然后遇到問題時，再查閱相應的資料。

此外，許多研究表明，自我調節學習（SRL）對學習過程有許多積極的影響，如更好地對學習監測、評估，更有效地計劃學習，更好地進行時間管理，對學習表現出更高的動機。Tabuenca 等研究移動端學習分析對自我調節學習的影響，通過分析學生的數據得出，包含學習分析的手機通知會對時間管理技巧有益，因此，更能促進學生的自我調節學習[16]。

2.比較

學習者能通過虛擬學習環境（Virtual Learn Environment，簡稱VLE）或者學習管理系統（Learning Manage System，簡稱LMS）的學習分析結果看到其他學生對問題的解決辦法，從而為解決自身問題提供參考。

關于翻轉課堂情境下利用學習分析揭示學習策略的研究指出，通過收集學生在學習管理系統（LMS）產生的數據進行分析，制作成分析儀表盤。學生可以在分析儀表盤上看到自己課前準備活動的參與度和得分的實時反饋，包括對視頻資源的觀看情況、視頻里選擇題的回答得分以及學習文檔里選擇題的回答得分等。每十五分鐘更新的分析儀表盤還展示了班級整體得分情況，以供學生比較。通過與優秀同伴的比較，學習者可以更清楚地了解到自己的學習策略是否合適，從而更清楚地進行自我定位，設定更有可行性的目標，最后達到學習的優化。

3.反饋

在反饋方面，有學者認為學習分析通常利用大數據對學習環境提供實時的或回顧的見解，學習者可以通過這些分析來回顧其過去所做的工作，來支持當前的研究學習并獲得未來學習的建議。有學者進一步認為，基于早期的行為預測和不良行為信號產生的反饋是許多學習分析應用程序的關鍵目標，并且未來的發展應進一步研究如何基于學習產生的數據與技術生成的數據相結合為學生提供更好的反饋。

4.其他

經調查發現，學生表示進入高校后儀表盤的許多不同的應用程序可以幫助他們輕松過渡到大學生活。學習者關注一般應對技巧、時間管理和學習技能等，尤其是在第一年，由高中的生活轉向大學生活的過程中，學習者需要學習儀表盤提供導航。學習者認為時間要素是學習分析中的重要特征之一，儀表盤中的計劃安排功能可以幫助學生開闊視野，而不是關注個別課程。通過儀表盤提供的信息更好地調整計劃安排，管理自己的時間。此外，學生希望知道自己完成任務花費的時間與同學之間的差距、歷史數據、開發出能夠在學期初讓學生實時地認識到“生活”轉變中的誤解的系統，對學生而言更有實際價值。

四、展望

隨著大數據技術、腦科學的發展以及人工智能時代的到來，學習分析將得到快速的發展，具體如下。

（一）數據收集將從學習者外在的數據轉變為內外結合的數據

目前，有關學習分析的數據大多為學習者外在的數據，例如：在缺勤情況、在線學習時長、論壇發帖數量、登錄頻率等有關學習者行為表現上的學習數據，而未來，隨著腦科學技術的發展，有關學習者內在生理特征的數據，例如：學習者情緒狀態、心率、腦電波狀況等將能被獲取，內外結合的數據將更能反映出學習者的學習情況，學習分析因此將變得更加精準，在促進教與學方面將會提供更多幫助。

（二）學習分析將涉及更宏觀的層次，更多的利益相關者

目前，學習分析研究主要為微觀研究，即課堂層面上的研究，隨著大數據、人工智能的發展，更多的利益相關者將參與學習分析，數據的廣度和深度將得到提升，中觀、宏觀的研究將越來越多。

（三）學習分析將進一步變革學習方式

學習分析技術為學習者的個性化學習提供技術支持，隨著學習分析技術、人工智能的發展，個性化學習、深度學習、智慧學習將成為學生的主流學習方式。

誠然，學習分析也面臨諸多挑戰，如：倫理隱私、技術普及等問題，學習分析的發展將需要全體利益相關者共同的努力。