学习分析

学习分析以学生及其学习情境为研究对象，以教育活动中产生的海量学习数据为研究内容，利用松散耦合的数据收集工具和分析技术，综合运用统计学、社会学、心理学、信息科学和学习科学等概念和技术，研究分析学习者的学习参与、学习表现和学习过程的相关数据，进而监测和预测学习者在学术上的表现，从而帮助教师或教学相关人士为学习者提供干预、自适应教学或个性化学习环境。

学习分析源于技术发展对传统教育的变革。加拿大学者G.西蒙斯提出，对智能化数据、学习者数据和已有的分析方法进行分析和应用，挖掘其中隐含的信息和社会性关系，形成学习者个人档案和分析结果来预测学生的学业表现，并针对性地采取有效方法，通过技术的方式重构教学、学习及教育管理，这一技术路径即学习分析。智能化数据整合了学习者在正式学习环境中的课程、学期等相关数据；学习者数据整合了学生在移动终端、个性化学习环境、学习管理系统等非正式环境下的学习数据；学习者个人档案收集了学习者的自我鉴定和从现有学习者数据中得出的推论；已有的分析方法包括社交网络分析、话语分析、内容分析、倾向分析、上下文分析等。方法指学习的干预、自适应和个性化。学习分析即通过分析、解释学习者在学习过程中产生的所有数据所包含的信息，在教育领域已有的分析上，整合不同终端和环境下的学习相关数据，从技术、社会等更多元化的角度考察学习过程，更全面地理解学习的发生。

学习分析定义的确定经历了内涵和外延的衍变，并与教育数据挖掘和学术分析这两个概念做了区分。2012年，在加拿大温哥华召开的第2届国际学习分析与知识大会上，国际教育数据挖掘协会的代表与学习分析研究协会的代表共同商榷并合作完成了论文《开放学习分析：集成化与模块化的平台》（Open Learning Analytics：An Integrated & Modularized Platform），对学习分析、教育数据挖掘和学术分析的概念做了区分和界定。

教育数据挖掘是一种研究方法，指能够从人类在教育环境中进行学习活动所产生的大量数据中自动提取和分析含义的技术、工具和研究方法。它综合运用数学统计及其学习和数据挖掘的技术和方法，对教育大数据进行处理和分析。通过数据建模，发现学习者学习结果与学习内容、学习资源和教学行为等变量的相关关系，预测学习者未来的学习趋势。两者在研究对象和研究内容方面存在交叉，但是在起源、目的和应用的技术工具方面有所差异。教育数据挖掘起源于智能辅导领域，关注预测学生的学习结果和预测建模，强调自动发现，在工具和技术上依赖于聚类技术，侧重机器学习等数据建模方法，而学习分析则关注教与学过程中的交互和不确定性，更强调系统干预和社会干预，侧重于使用社会网络分析和话语分析等分析方法。

学术分析和学习分析都是大数据背景下分析方法的下属概念，二者在分析粒度和受益人群方面存在差异。学习分析是在课程水平或学科水平层面进行分析，更多地涉及与教与学相关的人，如学习者、教师、课程设计者、课程评估员等，是为利益相关者提供更好的信息，帮助其深入了解学习过程中有助于学习者成功的因素；而学术分析则是在机构、区域、国际层面进行分析，更多地涉及管理者、投资者、决策者、政府人员等，其目的是改善机构，甚至是整个教育体系。

学习分析的定义最初由西蒙斯在博客中提出。2011年2月，学习分析研究协会成立，并举办了第1届国际学习分析与知识大会，对学习分析进行了定义。2011年，美国新媒体联盟在地平线系列报告中首次纳入学习分析。报告预测，学习分析作为大范围收集学生的学习数据并加以分析，从而评价学生的学习进度、预测其未来的学习表现，并查找潜在问题的方法，将在4～5年内成为学术界关注的主流课题。2012年，美国教育部发布了《通过教育数据挖掘和学习分析促进教与学报告》，将学习分析作为处理大数据的方法之一，提升至国家战略层面。实践方面，华盛顿大学、普渡大学等高校和Pearson、Blackboard、Canvas、Desire2Learn、CourseSmart等公司已经开发了应用于实践的学习分析系统。2015年秋，哥伦比亚大学教育学院开设首个教授学习分析的研究生课程。