|
精选学术内容，让阅读更有价值 【原题】国际学习分析技术研究进展与趋势分析——基于2014年至2016年Journal of Learning Analytics论文分析 【作者】潘青青 杨现民 陈世超 【刊期】《中国远程教育》2019.03  学习分析技术是采集与学习活动相关的学习者数据，并运用多种方法和工具全方面解读数据的技术，它能够记录、分析学习环境和学习轨迹，进而发现学习规律，预测学习结果，为学习者提供相应的学习策略，促进有效学习。 本研究选取Journal of Learning Analytics期刊2014年至2016年发表的112篇文章作为样本，梳理了学习分析技术的内涵和特点，并归类分析得出六个值得关注的研究主题，分别是学生日志数据分析、在线话语数据分析、学习评价数据分析、多模态数据分析、学习预警数据分析以及伦理隐私数据分析。研究者并从研究对象、主要研究者、研究目标以及分析方法和工具四个方面对每个主题进行了探讨。 基于文献分析的结果，本研究认为，未来学习分析技术研究的发展趋势可以从如下五个方面来概括。 趋势之一：融合多种学习分析技术与方法 当前，学习分析技术在利用传统数据分析方法的基础上，充分借鉴了大数据时代的数据分析技术，如社会网络分析、话语分析以及内容分析。但是随着学习内容的丰富、学习环境的变化，学习分析变得十分复杂。 学习分析技术需要融合多种研究方法和分析技术与工具，以便解决教育中遇到的实际问题。例如，Roberto等利用LATUX(Learning Awareness Tools-User eXperience，学习意识工具-用户体验)可视化学生的思维过程，并建立学习者模型，促进教师深度了解学生，用数据支持教学，实现精准决策。Tore Hoel等为保护隐私数据，开发了学习分析设计空间模型，为隐私泄露提供最及时的解决方案。未来在学习分析技术和方法的使用上，研究机构和学校需要安排专职人员对教师进行培训，根据不同的数据和不同的教学问题，选取合适的分析方法，准确地理解数据和学生的行为，以便针对性地为教学提供精准的服务。 趋势之二：突破学科边界，实现跨学科合作 学习分析技术借鉴吸收了教育数据挖掘、教育理论、工程学等多学科的相关理论，如在预测学习结果、分析学习行为的过程中，利用教育学理论，了解学生学习动机、学习方法，这样才能更加有目的地帮助学生。 未来学习分析技术的研究者会呈现学科背景的多元化，教育中的学习分析可以充分借鉴脑认知科学、学习科学、社会学等其他学科的分析方法、理论与技术，针对不同的分析场景和对象提出适用的理论框架体系，通过交叉合作的形式解决教与学中的问题，形成跨学科研究的学习分析生态圈。戴维·布吉森指出处于早期发展阶段的学习分析技术主要关注学习者、学习内容、学习路径、学习行为等，学习分析容易扩展到其他领域，如人才招聘分析、毕业生就业率分析、校园资源利用分析。跨学科交流与合作将成为学习分析技术理论研究和实践应用的常态。 趋势之三：关注学习过程的情感数据分析 在线学习中，教师和学生之间的交流是以文字、图片、视频等为媒介，缺少面对面交流，学习者容易产生疲倦感和挫败感等消极情绪，影响学习效果。在实际教学中，如果不能很好地分析并处理学生的情感问题，将影响学习活动的开展和推进。 情感数据最能反映学习者内心活动，越来越多的研究者投入学习情感数据的研究中。通过情感识别技术可以判断学生的情绪状态，根据学习者在系统中留下的回帖、讨论、作业解读可以察觉学生的情感，了解学习状态，提前告知学习者其在学习过程中存在的问题并帮助其及时改正。通过开发设计基于语音情感、面部情感、文本情感等的识别和分析技术，从情感的角度跟踪、评价和改进学习路径及习惯，将成为未来学习分析领域需要关注和研究的议题。 趋势之四：实现多模态数据的常态化分析 目前学习分析的数据来源较为单一，主要是网络学习平台和系统的数据，如预测学生的课程结果主要以学生多次的考试成绩和表现数据为依据。对单一数据的分析无法实现对学生全方位的了解和监控，未来研究需注重基于多模态数据的分析，如眼动数据、脑电图、皮肤电反应、心电图、社交网络数据、认知活动数据等，便于更立体、更精准地呈现学习者的信息。 如利用可穿戴感知设备，教师可以在不影响学习者的情况下研究学习过程和学习轨迹，使研究结果更加客观和翔实。通过对多模态数据的常态化分析，可以提升学习分析研究的整体水平，也让学生在教师的监测、评价中更加透明，增加教师对学生的深度认知，提升教学服务的科学性。Xavier Ochoa等设计了基于多模态学习分析的学习脉冲实验，首先邀请被试者佩戴腕带收集生理数据，包括心率值与步数，其次是收集学习活动的数据，如参与者在学习平台的数据、手机应用程序的数据，最后是收集学习环境数据，即由研究者跟踪与学习有关的室内环境数据，如测量光照强度、湿度和温度，结合这些天气信息，判断环境对学习结果的影响。 趋势之五：提升基础教育数据应用的价值 目前学习分析样本大多是来自高等教育阶段，大学生参与的在线学习为学习分析提供了丰富的数据。但是随着我国“三通两平台”以及各种网络学习空间的不断发展，在基础教育阶段开展学习分析的可能性也随之增加。 在传统的课堂中，对教学行为的记录主要是以人工为主，而在智能录播系统的支持下，学校可以实现自动并实时采集课堂教学数据，教师可以通过系统反馈调整讲课时间，增加与学生的互动时间；更进一步地，学校可以利用物联感知技术采集设备状态数据和学生体质数据，利用点阵数码笔技术采集各种作业、练习、考试等数据，利用在线学习与管理平台技术则能使各种在线学习与管理数据的采集更加方便。Camilo Vieira等利用工程设计的思维，收集了48名中学生设计复杂学习活动的过程数据，记录他们的学习表现，并在后测实验后对比学生之前的学习行为，识别、描述和评价他们在整个实验过程中的学习策略和学习表现，同时加强学生的自我认知。未来学习分析将能充分挖掘基础教育数据的潜在价值，提升教与学的智能化水平，让学习变得更加轻松。 总结与展望 学习分析技术可以有效助力教师和学生对数据的深度理解和应用，给学习带来了巨大的变化，为教育创新提供了全新的发展视角。学习分析具有周期性，在“学生→数据→分析→干预→学生”的循环中，存在部分不确定因素，这给数据分析带来了挑战，如在专业人才配置、数据标准化、数据归属权等方面还存在短板。 但是在“数据驱动决策，分析变革教育”的时代，未来学习分析技术还有更大的发展潜力，如：利用人工智能技术，感知学习活动，即时分析并反馈，让学习体验更顺畅、更人性化，提高学习分析的智能水平；吸引跨学科、跨领域的优秀数据分析师进入教育领域，为学习分析队伍注入新鲜血液，提升数据服务水平。 就国内研究学习分析技术发展现状而言，研究者需要借鉴学习分析的最新研究方法，针对国家教育特色，扩展研究领域。在心理测量方面，可以通过了解学生的能力、个性、动机和学习策略四个方面的特征，监测学生参与学习活动的差异，精准预测学生的专业表现；在学习分析工具开发方面，研究者需要根据学习分析内容和分析目的的不同，开发适应多种使用环境、支持可视化呈现、支持多种数据格式的分析工具，教师、管理者以及教育研究者需要具备分析的素养和能力，能够有效运用合适的工具，实现数据价值的高效应用。 本文系摘编，未标注参考文献等，详阅及引用务请核对原文。 编辑：郝丹  |
|
|
