|
本文由《数字教育》杂志授权发布 作者：陈羽洁、张义兵 摘要
关键词：学习分析；趋势；统计分析 一、引言学习分析的研究并非信息时代才产生，在线数据和大数据出现前，就有教育机构或个人对学习过程中的数据进行分析评估。1969 年始，英国开放大学就对远程学习者每年的学习成绩进行记录分析[1]；廷托（Tinto）[2] 经过持续20 年的数据收集整理，于1997 年发表了关于在学率（Retention）影响因素的研究成果。当然，早期这些研究并未对学习分析进行确切的统一化界定。 进入21 世纪后，在网络兴起的大环境下，一方面产生了对信息爆炸的海量数据分析的需求；另一方面也带来了显著增强的数据处理与计算能力。迫切的需求与可行的技术支持使学习分析在近十年成为一种“显学”。该研究领域的形成有两个标志：一是研究共同体的形成。2011 年塞门斯（Siemens）等知名学者成立学习分析研究协会(the Society for Learning Analytics Research)。二是学术会议及杂志《学习分析学杂志》（the Journal of Learning Analytics）的创办。 学习分析的提出在教育界引起了很大反响， “地平线项目”自2010 年起连续数年预测学习分析技术将在未来成为主流，美国高等教育信息化协会（EDU-CAUSE）提出的2017 年度十大IT 议题中近一半内容都依赖于数据预测分析。显然，学习分析是教育领域中最活跃的问题之一。由于其快速发展的现状，国内外类似跟踪新进展的“元研究”也一直有学者做着努力，集中体现在对学习分析环境、数据挖掘方法、研究目标[3]和特定功能如仪表盘的综述[4]，以及学习分析技术改造在线学习平台如MOOCs[5]。国内学者对综述与模型构建关注较多，如吴永和等近年持续关注学习分析与知识国际会议并做评述[6]，郁晓华、顾小清等则提出学习分析行为模型[7]。面对学习分析技术的飞速发展，只有及时追踪最新研究，才能迎头赶上国际学习分析理论、实践与应用等前沿，从而对中国的教育改革、教育技术等领域的理论与实践有一定的指导、借鉴与启示。
二、研究过程与方法（一）研究对象的选择 本研究聚焦近年学习分析研究，样本数据来自Webof Science 数据库（简称WOS）及2015—2017年国际学习分析与知识会议（Learning Analytics & KnowledgeConference，简称LAK）。 选取WOS 数据库的原因： 一是WOS 核心合集收录核心期刊与重要会议的文章，近年WOS 数据库中收录的与学习分析相关的文章涵盖了国际学习分析领域的新动态。 二是WOS 数据库内的数据方便运用CiteSpace 自动化分析当下的趋势与热点。 选用LAK 关键词的原因： 一是每年学习分析研究协会在各国组织国际学习分析与知识会议，说明该会议影响力大、持续性强，反映国际学习分析的发展方向。 二是该协会是国际学习分析的鼻祖，会议上的研究成果往往相对权威。 （二）研究方法 以知识图谱、聚类分析对文献进行定量分析。用CiteSpaceV 及人工整理论文关键词。其中CiteSpace V 用以找出近三年该领域内的核心活跃作者和研究趋势；对会议论文关键词采集，再归类统计，归纳走势，继而整体分析。处理会议论文关键词中的近义词，方法是将其译成中文并归为一类。如Writing和Writing Analytics 都归为写作分析，StudentRetention、Retention 和LearningRetention 都表示同一意思，即在学率。 三、数据统计与结果（一）基于CiteSpace 的分析 1. 基于共被引文献的领域代表人物分析 在WOS 中进行自定义检索， 主题：Learning Analytics，排除会议名称：LAK，文献类型：Article， 时间跨度：2015—2017 年，索引：SCI-EXPANDED、SSCI、A& HCI、CPCI-S、CPCI-SSH、ESCI、CCR-EXPANDED、IC。共得600 条检索结果。将数据导入CiteSpace V，“Time Slicing” 设为2015— 2017 年，时间分区1 年，“Node Types”选定“CitedReference”。运行软件后得到包含159 个节点和417 条连线的关系图谱。通过研究发现，塞门斯（Siemens）、弗格森（Ferguson）、迈克菲迪恩（Macfadyen）在学习分析领域相对较有影响力。 2. 基于主题与关键词的共现分析 “NodeTypes” 选定“Author” 和“Term” 运行得到122 个节点和371条连线的关系图谱。由此， 学习分析、机器学习、大数据分析、模型、算法、框架、网络、绩效、系统、慕课、环境、可视化是目前所关注的热点与趋势。故对学习分析的研究更注重分析方法及应用。 （二）基于关键词统计的整理与分析 对各年份所有关键词进一步整合归类，筛选高频关键词，大致得到2015—2017 年国际学者对学习分析关注点的大致分布，如表1、表2、表3 所示。 四、分析与讨论学习分析的发展需多角度看未来走势。据上文，数据同时参考格瑞勒（Greller）和德雷斯勒（Drachsler）[8] 提出的学习分析通用设计框架，该框架划分出学习分析的几大重要维度，分别是关益者（如学生、教师用户）、目标（如数据使用目的）、数据、工具、内部与外部限制（如用户隐私、解读数据结果的能力等），这一归纳方式被广泛采用，本文也将参考类似角度， 将学习分析未来趋势从对象、学习环境、应用领域、数据来源这四方面做出阐述。 （一）趋势之一：关注面向基础课程的多维度量化分析，阅读与写作的分析是突破口 现阶段学习分析的学段应用范围基本囊括高等教育、职业中等教育及基础教育（如表1）。从近年报告及研究中发现学习分析与K-12 基础教育有着密切与特别的关系[9]。然而尤其在基础教育领域中学习分析应用却仅单方面关注学生学习的最终结果，如在学习上存在潜在风险的学生只会收到多条低水平的总结性反馈评价，而缺乏详细多维的指导性反馈信息[10]。故未来学习分析的发展趋势将走向内容上多维度的量化分析，并在阅读与写作学习上的进展尤为迅猛（如表1）。 多维度量化指从不同切入点与角度对学习行为进行分析，包括从不同学科视角、不同关益者视角等给予全面的指导性反馈。表1 数据表明，当下学习分析以学生及教师用户为主，应用集中在写作学习、阅读训练等语言文字学习上，其分析重点在于按不同角度解析的写作内容，包括分析词汇复杂性、修辞水平等，以此了解学生理解程度，同时反思教师教学过程。如岑（Shum）[11]等基于学习分析及相关语料库等设计写作分析的软件。运用施乐增量解析器（XeroxIncre-mental Parser）作为语言分析引擎，据学生文章中词汇类别、修辞手法、字符、情感表露等进行自动化分析。从中看出，学习分析是促进教与学的工具与手段，带有弹性和灵活性，是对关键技术的掌控和学习过程的考量，它有机地将学习分析嵌入学习过程，意味着未来学习分析的分析维度走向多课程、多内容量化， 提供形成性反馈。 故未来写作教学将有可能是学习分析研究的突破口。以相关技术发展、模型构建为起点，根据学生写作的文字构造、修辞解析等智能化理解学生写作，从而挖掘更深刻信息，由此引领语言文字教学视角下的学习分析，乃至其他学科。 （二）趋势之二：强调基于协作交互的混合分析环境，交互与协作的分析是突破口 学习分析以挖掘“数字痕迹”（Digital Traces） 分析学习行为，洞察教育实践[12]。因而过去学习分析研究集中在单纯网络数字环境中收集日志数据。然而仅以网络环境无法全面准确地分析，线下学习仍为学习的主体。研究发现近年学习分析呈现出多平台融合的分析环境，包括线上与线下（如表2）。因此，未来学习分析走向将更看重线下面对面及网络相交织的交互环境。 协作交互的混合分析环境指以协作与具身交互为基础的学习环境，包含自然线下学习同时嵌入数字化的网络环境。通过表2发现，近年学习方式偏重协作学习、网络学习、具身学习及自适应学习，强调的是混合学习及不同学习社区平台，诸多文献提到实时的学习分析，表明在面对面环境中应用学习分析技术的重要性。尤其当学习分析走向基础课程，研究对象开始向K-12 学生迁移，该年龄段学生更需要面对面互动式的交流，故需要学习分析在传统课堂环境中广泛地应用发展。近年研究中，国际上涌现出许多与此相关的学术实践研究成果。如Navi Surface的案例，在混合情境下，学生面对面相互良性竞争协作，获取电子屏幕上“勋章”，点击内容解析，提高学生成就意识[13]。因此意味着学习分析的发展将不仅仅停留在计算机背后的数据及网络环境，而是展现出基于同伴协作的线下面对面的交互数据，是更为广阔的混合分析环境。 有效面对面交流和协作技巧的发展是21世纪就业力和学习力最重要的竞争和表现[14]。以此预测，除线上网络环境外，在面对面情境下如何加强学习分析， 促进学生面对面交流也是未来发展的趋势。 （三）趋势之三：运用基于自然用户界面的实时分析工具，传感器与仪表盘是突破口 随着硬件设备的显著优化与技术提高，学习分析工具的操作界面可视化且简便。不同于教育数据挖掘寻找数据新模式，开发新算法和模型，学习分析侧重于将预测模型应用到教学系统中[15]，是学习行为背后的分析及决策，故更重视分析工具的应用与体验。过去对学习行为分析往往相对滞后，等学生完成学习、线上数据收集完全后进而分析，缺乏时效性，而在具身交互学习的发展浪潮驱动下，运用实时分析工具，为师生提供更有价值的积极反馈是未来发展趋势。 由表2、表3 数据可知，如今体感交互盛行，具身学习环境下人机交互，如基于笔触的自动计算、可穿戴设备、触摸式桌面等占相当大词频，是未来走向。马尔多纳多（Maldonado）等[16]运用学习分析技术与自然用户界面（Natural User Interface，简称NUI） 嵌入，构建智能化学习分析工具，相关传感器接受学习数据，可视化形成图表传递到教师仪表盘为教师提供反馈信息。如有的学校构建多触摸板（Multi-Surface） 教室环境，由4-5个大型连通的桌面显示屏和几个垂直悬挂的电子显示器组成。而每个桌面显示屏都有Kinect体感传感器在每台设备上捕获学生行为数据。所有设备都被教师的平板仪表盘控制，可视化数据为教学迭代设计提供证据。这里触摸版技术是关键，是未来需研究和加强的技术要点。 无论是线上或线下的学习，如今研究开始关注无延时实时分析，也即学生产生学习数据的同时，教师能立马收到学习数据并且相关的技术马上生成可视化展示板。教师第一时间得到学生的数字学习痕迹可视化展现, 以便做出教学判断。 （四）趋势之四：采用多样化的数据来源与分析方式，基于具身化的数据是突破口 学习分析数据来源从线上到线下，从网络日志数据到身体行为变化捕捉，数据获取由单一网络到贴近学生真实学习过程细节，尤其具身认知作为近年学习科学及心理学等领域研究热点，从身体行为映射学习态度，全面多样化的数据采集将是未来的趋势。 由表3 数据可知，学习分析数据来源多样，学习日志、运动数据、网络学习中鼠标点击流也作为数据来源开始被专家学者运用。甚至对眼动的追踪，学生的举动都能被记录下来作为分析的数据源，这是未来学习分析发展的潮流。在较多研究中用到多模型（Multi-Modal）学习分析[17]，如眼动追踪（MobileEye Tracker）和联合视觉注意（Joint VisualAtten-tion，简称JVA）。实验发现，JVA 可关联学生的协作学习质量，反映学生问题解决的绩效水平和学习收获。这些数据能在实时交互中帮助教师决定哪个小组需要帮助。对学习分析而言，其数据源的丰富，也表明其分析方式越来越庞大，对学习的促进和改善也相应出现更多分析思路与方法。 在具身认知环境中的分析将是重要突破口。学习本身应将身体、思维与环境三者融合，随着软硬件的提高，具身认知环境将提供更多不同的数据源作为学习分析的进一步支持。
五、结语目前学习分析研究处于上升阶段，研究偏向基础应用与发展创新。随着教育信息化和大数据处理技术的发展，学习分析研究越来越以技术为导向，各平台与工具层出不穷，涵盖各类学习环境，真实再现无缝学习，但对实践者而言，其使用感和交互性是否友好仍有待考量，学习分析是挑战与潜力兼具的研究领域方向，其发展和应用，更需要进一步有针对性的思考与探究。 （一）返璞归真——追求技术上的平衡 如今学习分析较大程度依托教育大数据，分析算法及相关模型，是对教育数据深度挖掘后的解决方法。在一线实践中运用学习分析工具依靠现代化智能设备，无形中增加了一线教师负担。同时，若过分依赖技术平台则会在一定程度上忽视师生及生生间的交流。故目前学习分析需找到技术或环境上的平衡点，使技术应用与线下传统教学相平衡。可喜的是，目前在传统面对面教学中运用线下学习分析也是趋势所在。学习分析的兴起与发展并不意味着对传统教学的摒弃，而是将传统教学与学习分析技术进行有机结合。 （二）适时运用——注重学生素养提高 21 世纪学生素养培养乃当下重要课题，这些素养包括学生解决问题能力、批判性思维、面对面交流能力等，如何通过学习分析对学生素养能力评定甚至预测，如何加强，防患于未然，如何从本质的、有数据证据的切入口为学生素养提高给出一定分析思路，值得思考与进一步挖掘。故对学习分析的应用应侧重于学生的个人提升，在对学习环境、学习内容、学习方式考量的基础上，适时适当地辅以学习分析技术，而非不分场合与实际，造成资源的浪费与滥用。 （三）应用推广——强化教师实践培训 目前，国内外学习分析的研究无论在理论或实践上，依旧处在探索与发展时期。国外学者对学习分析技术的研究和创新相对更丰富，当然，我国学者也在积极探索与传播，做了大量的综述工作，介绍和思辨学习分析，但在设计与实践上确实较少，其原因一方面在于相关先进技术的掌握上可能稍显滞后，另一方面在于一线教师对此关注不够，应用不多，自然相关的实践研究也做得较少。因此国内提高对学习分析研究需要逐步且广泛地推进，为教师提供一定的理论与实践的相关培训，以便全面推广与应用。 参考文献： [1]SAWYER K.The Cambridge Handbook of the Learning Sci-ences [M].New York:Cambridge University Press,2014. [2]TINTO V.Classrooms as Communities：Exploring the Educa-tional Character of Student Persistence[J].Journal of Higher Education(S0022-1546)，1997,68(6)：599. [3]PAPAMITSIOU Z,ECONOMIDES A A.Learning Analytics and Educational Data Mining in Practice: A Systematic Literature Review of Empirical Evidence[J].Journal of Educational Tech-nology & Society(S1176-3647),2014,17(4)：49-64. [4] 姜强，赵蔚，李勇帆，等. 基于大数据的学习分析仪表盘研究[J]. 中国电化教育，2017，(1)：112-120. [5]SUNAR A,SU W,ABDULLAH N,et al.How Learners’ Interactions Sustain Engagement:a MOOC Case Study[J].IEEE Transactions on Learning Technologies(S1939-1382)，2016： (1)：1. [6][15] 吴永和，陈丹，马晓玲，等. 学习分析：教育信息化的新浪潮[J]. 远程教育杂志，2013，(4)：11-19. [7] 郁晓华，顾小清. 学习活动流：一个学习分析的行为模型[J]. 远程教育杂志，2013，(4)：20-28. [8]GRELLER W， DRACHSLER H.Translating Learning into Numbers:A Generic Framework for Learning Analytics[J]. Educational Technology & Society(S1176-3647),2012,15(3)： 42-57. [9]FERGUSON R.The State of Learning Analytics in 2012:A Review and Future Challenges[J].Knowledge Media Institute the Open University UK(S1753-5255),2012，(2)：35. [10][12]Dragan Gašević,DAWSON S,SIEMENS G. Let’s not Forget: Learning Analytics are about Learning[J].Tech Trends (S8756-3894),2015,59(1)：64-71. [11]Shum,BUCHINGHAM S,et al. Towards Reflective Writing Analytics:Rationale,Methodology and Preliminary Results[J]. Journal of Learning Analytics(S1929-7750),2017，(4)：35. [13]LEE K,TSAI P S,CHAI C S,et al.Students’ Perceptions of Self-Directed Learning and Collaborative Learning with and without Technology[J].Journal of Computer Assisted Learn-ing(S0266-4909),2014,30(5)：425-437. [14][16]MALDONADO M,Roberto,et al. Learning Analytics for Natural User Interfaces[J].Journal of Learning Analytics (S1929-7750),2017，(4)：2. [17]ANDRADE A. Understanding Student Learning Trajectories Using Multimodal Learning Analytics within an Embodied- Interaction Learning Environment[C].International Learning Analytics & Knowledge Conference.ACM,2017：70-79. 作者简介：陈羽洁（1993— ），女，浙江湖州人，南京师范大学教育科学学院博士研究生，主要研究方向为学习科学；张义兵（1967— ）， 男，江苏连云港人，南京师范大学教育科学学院教授，博士生导师，主要研究方向为计算机支持下的协作学习（CSCL）、知识建构、中小学信息技术教育等。 |
|
|
