理解、設計和服務學習：學習分析技術的回顧與前瞻

顧小清 胡藝齡

(華東師范大學 教育信息技術學系，上海 200062)

一、學習分析研究十年

理解學習發生的機理一直是學習科學研究的核心議題。不同背景的研究者試圖從不同角度、以不同的理論解釋“學習是如何發生的”(Siemens & Long, 2011)，進而為重塑課程、教學方式或學習環境提供依據。學習分析技術正在諸多研究視角中逐漸顯示其力量。它通過“測量、收集、分析和報告學生及其學習環境的數據，用以理解和優化學習及其產生的環境”(LAK, 2020)。這一視角的研究，如果以其學術共同體的成立及其舉辦的年度學術會議為標志，迄今已十年(SoLAR, 2019；顧小清等, 2012)。

作為一個跨學科領域，學習分析研究共同體主要包含了信息科學、學習技術、心理與統計等研究者，試圖以“大數據”為研究工具，1)理解學習是怎樣發生的，受哪些因素影響；2)為學習設計提供模型預測、過程反饋和結果評價；3)為個體及群體學習提供適應性的學習服務。理解學習、更好地設計與服務學習，是學習分析技術的核心研究目標，它得益于教育領域技術應用的普及以及由此帶來的學習數據的豐富。

學習分析技術發展初期，常常與學術分析、教育數據挖掘相提并論。其中，對學校管理的大數據加以整理分析，提供校務決策基礎的應用被稱為學術分析。教育數據挖掘則是運用統計學的數據挖掘算法解答教育問題。在不需要依賴已知的理論架構或統計模型進行研究設計的前提下，它藉由多元統計技術，如決策樹、規則歸納、人工神經網絡、貝式學習過程、機器學習等，將淹沒在信息瀚海的資料特質發掘出來。也正是主要采用知識挖掘方法，學習分析技術從數據中提取隱含的、未知的、潛在的、有用的信息(知識)(Siemens, 2011)，為理解、設計與服務學習提供依據。

二、教育場景的數據解讀

學習分析研究，是從大數據的角度理解學習。大數據是其前提。因此，早年學習分析研究是伴隨線上學習特別是MOOCs的發展而興起的。例如，MOOCs環境下學習行為群體特征分析、在線學習投入分析、在線學習質量分析、學習結果預測、學習干預設計等。

隨著信息技術在教育領域的普及，教育越發呈現混合模式，即混合了線上到線下，立足于資源的有機融合。線上學習終端悄然記錄著學習行為數據，線下考試、課堂、課程與師生互動環節也滲透著大數據，這種混合式學習潛藏著海量的數據與關聯性。混合學習環境留存的大數據，使教育研究既能粗線條觀察宏觀群體，亦能深入走向微觀個體。

與大數據商用等領域不同，教育數據挖掘獲得的抽象“知識發現”，離真正理解學習尚有巨大落差。其原因之一，是教育場景的復雜性與多樣性，難以抽象出通用模式對數據作通用性解讀。學習分析所做的數據挖掘，需要將數據結合具體教育場景進行解讀。

例如，上述混合學習環境學習分析所獲得的“人是怎樣學習的”理解，需要將學習特征數據與場景信息相結合：1)有效融合線上學習與線下學習行為數據，通過提煉、整合場景信息，利用行為特征提取模型實現自下而上的特征表達提取，特征分類存儲與索引，建立學習行為特征數據庫；2)通過自上向下的任務分解(用戶需求理解)，建立學習行為特征的提取與表達、任務相關性映射的特征計算模型，分析影響隱性學習行為的關聯因素，建立表達學習行為模式分析的綜合模型；3)通過對教育大數據的屬性分層，應用數據挖掘技術，發掘學習者行為背后的學習準備、學習動機、歸因和自我效能感的關聯，洞察影響學習的諸多因素；4)對學習過程節點進行模式分類，實現對學生學習的過程性評估和學習軌跡呈現。

三、通過與學習設計的連接回歸以人為中心的技術設計

學習分析旨在通過理解人是怎樣學習的，實現對學習的適應性設計。因此，學習設計研究者是跨學科學習分析共同體的重要力量。除以學習分析為學習設計提供支撐外，研究者提出，學習設計也能夠為學習分析提供解讀數據所需的教育場景，從而為分析和解釋數據、學習者行為以及成功或低效的學習模式提供框架。隨著學習分析和學習設計領域的成熟，兩者間的融合和協同正成為重要的研究領域。

學習設計是20世紀90年代末和21世紀初與技術增強學習(Technology Enhance Learning, 簡稱TEL)研究相關的領域。其作為支持學習體驗的框架，是有效利用適當工具和資源的教育活動。具體來說，學習設計指的是對教學內容、時間、地點和方式的設計。洛克伊爾和達森(Lockyer & Dawson, 2012)認為，學習分析有潛力為教育者提供證明他們在學習設計上的創新是有效的證據。例如，一些大型數據研究證實，學習設計會顯著影響學習者的參與度和學習成果(Rienties & Toetenel, 2015)；阮等人(Nguyen et al.，2017)使用多元回歸模型研究英國開放大學151門課程的111256名學生的學習活動發現，學習設計選擇有效預測了學生的虛擬學習環境行為和表現，特別是標有“交流”的學習活動，對38門課程每周參與度的后續細粒度分析發現，69%的學生參與度主要取決于教師如何設計他們的課程。

然而，過去的研究集中在探討學習設計原則，沒有評估設計過程后會發生什么。 也很少有人研究如何整合學習科學、教育研究、技術接受、人機交互等領域知識，建立統一的模型？學習分析如何影響學習設計決策的？學習設計如何影響學習分析的集成和使用？是否有框架或原則能夠很好地闡明學習分析和學習設計之間的聯系？當下，越來越多的研究試圖對這一領域進行探索。有學者提出了連接學習分析和學習設計的框架(Rienties et al., 2017; Donald et al., 2016; Schmitz et al.，2017)。然而，科林等人(Corrin et al., 2018)認為，這些框架盡管強調了學習分析和學習設計之間潛在的有價值的聯系，但它們處于理論描述水平，很難進行實踐操作。可以看到，讓學習分析技術回歸“以人為本”，需要考慮包括用戶界面、對工作實踐的影響、用戶權力和控制的轉移，以及融入數據模型的價值觀，這也是未來學習分析技術升級轉型的發展方向。

四、未來發展

學習分析技術作為一門相對年輕的學科，在迅速擴張的同時也在實踐中呈現出多元化的發展態勢。不少研究者至今仍認為，許多教育元素不能通過數據處理完全捕捉和表達，因此如何開發指導學習分析建模的教育理論，是從教育學、社會人類學的經典理論遷移過來，還是產生跨學科的創新框架與理論，是當前學者們關注的，也是從根本上理解學習的第一步。

教育數據為學習分析提供了獨特的機會，使研究者認識學習者的社會、認知和情感交互機制有了重大進展。借助于數據收集技術的進步，研究人員能夠從小群體收集大量的過程數據——從點擊流到眼球跟蹤、自然語言處理、運動傳感或生理數據等多模態傳感器數據。這為理解學習，并為以嚴謹和數據驅動的方式設計學習打開了新的通道。未來，如何更好地促進學習分析的跨學科研究成為把控分析質量的關鍵，即能夠在合理的學習理論指導下，基于教育場景建立數據模型，實現對教與學的分析與反饋，為連接學習設計提供證據。

作為一個跨學科的研究領域，學習分析的跨學科概念界定，多視角分析設計與融合，多模態、多層次數據建模，數據驅動的研究范式變革，協同創新的學習分析服務等研究方向，都是有待挖掘的。