林煒婷 楊 寧

國內(nèi)外近五年學習分析技術應用比較研究

林煒婷 楊 寧

（福建師范大學，福建福州，350007）

近年來，隨著教育信息化的推進，教育數(shù)據(jù)陡增，對海量信息加以利用來優(yōu)化教育愈加重要。學習分析技術自2011年提出以來，倍受國內(nèi)外學者的重視，并在日趨完善的理論指導下，逐漸在教學實踐中投入應用?，F(xiàn)以學習分析的數(shù)據(jù)類型為切入點，對國內(nèi)外近五年學習分析的方法、工具及在教育領域的應用現(xiàn)狀進行比較分析，發(fā)現(xiàn)非結構化數(shù)據(jù)分析成為學習分析的研究重點，數(shù)據(jù)來源從用戶的行為層面延伸至生理與心理層面，應用領域多集中于高等教育與遠程教育。國內(nèi)相關研究視角多元，應用領域廣，但在數(shù)據(jù)多樣性、分析結果可視化等方面研究深度不足，與國外研究相比仍有一定差距。

學習分析；數(shù)據(jù)；分析技術

一、引言

近年來，隨著科學技術的進步，教育領域的信息化不斷發(fā)展、變革。隨著教育信息化的推進，由此產(chǎn)生的教育大數(shù)據(jù)潛藏著與學習者息息相關的深層內(nèi)容，具有一定的挖掘價值。因此，將教育大數(shù)據(jù)的價值體現(xiàn)出來，達成智慧教育的愿景，無論是從設計者的視角建構學習環(huán)境的支撐，從教育者的視角設計教學方法的催導，還是從學習者的視角實施學習過程的實踐，學習分析技術（Learning analytics）都是其中不可或缺的核心技術的推動力。[1]

學習分析技術在國際學術界日益受到關注。美國新媒體聯(lián)盟（New Media Consortium, NMC）與美國高校教育信息化協(xié)會（EDUCAUSE Learning Initiative, ELI）合作的“地平線項目（The New Media Consortiums Horizon Project）”在其2010和2011兩年的年度報告中均預測學習分析技術將在未來的四到五年內(nèi)成為主流，并在2012年至2014年的年度報告中，將其列為2015至2016年可實現(xiàn)的技術之一。[2]2011年舉行的首屆學習分析技術與知識國際會議(International Conference on Learning Analytics and Knowledge，LAK)提出了學習分析的定義，指出學習分析是測量、收集、分析和報告有關學生的學習行為以及學習環(huán)境的數(shù)據(jù)，用以理解和優(yōu)化學習及其產(chǎn)生的環(huán)境的技術的總稱。[3]由該定義可以看出，數(shù)據(jù)是學習分析的重要前提，數(shù)據(jù)收集是學習分析開展的首要環(huán)節(jié)，也是學習分析技術得以全面剖析學生學習過程的重要基礎。因此，筆者以學習分析的數(shù)據(jù)入手，圍繞數(shù)據(jù)的獲取、處理分析以及結果應用等方面對相關文獻開展研究，以期了解當前國內(nèi)外研究者對于學習分析技術的理解和共識，了解目前學習分析技術的實現(xiàn)程度和研究成果，總結當前的發(fā)展現(xiàn)狀與存在的問題。

二、文獻概況

筆者以中國知網(wǎng)的期刊數(shù)據(jù)庫為國內(nèi)文獻來源，以“學習分析”“學習分析技術”等關鍵詞進行檢索，在2011-2016年間發(fā)表的文獻中剔除醫(yī)學、經(jīng)濟學等與教育學類的無關文獻，最終篩選出61篇。國外文獻選自Web of Science核心合集數(shù)據(jù)庫，采用相同方法檢索得到242個結果，剔除會議文獻和其他領域的無關文獻，最終篩選出52篇。國內(nèi)外一共113篇文獻為本研究的綜述對象。

筆者從發(fā)表年份、來源期刊以及關鍵詞詞頻三個方面對文獻進行了一番基本梳理。根據(jù)文獻發(fā)表年份的統(tǒng)計結果來看，學習分析從2011年提出以來，國外該領域的研究數(shù)量呈現(xiàn)逐年平穩(wěn)上升的趨勢，2012年開始進入國內(nèi)研究者視野，盡管步伐略慢于國外，但從2014年開始數(shù)量明顯增長，可見國內(nèi)學者對于這一新興領域保持足夠的重視和研究熱情。從發(fā)表期刊來看，國內(nèi)文獻主要集中于中國電化教育（13.11%）、電化教育研究（9.84%）、現(xiàn)代教育技術（8.20%）、開放教育研究（6.56%）等教育技術學的核心期刊上，而外文文獻多發(fā)表于COMPUTERS IN HUMAN BEHAVIOR（15.38%）和JOURNAL OF UNIVERSAL COMPUTER SCIENCE（11.54%）等計算機領域的核心期刊，這與學習分析的發(fā)展歷程有一定關系。文獻關鍵詞詞頻統(tǒng)計結果顯示，“教育數(shù)據(jù)挖掘/Educational data mining”、“社會網(wǎng)絡分析/Social network analysis”和“大數(shù)據(jù)/Big data”都在國內(nèi)外文獻中高頻出現(xiàn)，可見目前學習分析技術的關注熱點多集中于這三個內(nèi)容上，外文研究中關鍵詞數(shù)量多且詞頻相差不大，研究范圍廣泛，而國內(nèi)情況與之相反，新興熱點往往能吸引更多研究者的注意，容易形成“扎堆”現(xiàn)象。

三、學習分析的數(shù)據(jù)類型

數(shù)據(jù)是學習分析的基礎，傳統(tǒng)的學習分析著眼于學生的群體水平，數(shù)據(jù)多以組、班或年級為分析單位，而隨著教育大數(shù)據(jù)的熱度不斷升高，學習分析逐漸轉向于關注每一個學生個體的微觀表現(xiàn)，實時記錄學生的即時性行為、生理心理的變化等，力求獲得用戶行為習慣、學習效果等各項指標的數(shù)據(jù)支撐。

學習分析的數(shù)據(jù)繁多，數(shù)據(jù)的來源也是廣泛而多樣的。若以數(shù)據(jù)依托的平臺來看，能記錄下學習行為數(shù)據(jù)有MOOC平臺、Moodle、WISE、Blackboard在線教學管理平臺等等。若從收集對象來看，包括學習活動的參與者、管理者、決策者等相關人員數(shù)據(jù)與軟硬件設備上的記錄數(shù)據(jù)，比如顧小清結合Siemens學習分析的過程將數(shù)據(jù)來源分為學生數(shù)據(jù)（learners off-put data）和智能化數(shù)據(jù)（intelligent data）[4]兩大類。若從數(shù)據(jù)本身的類型來看，包括學生互動信息、測評成績、情緒狀態(tài)、注意力水平等等。綜合前人的研究成果，筆者將學習分析的數(shù)據(jù)分為結構化數(shù)據(jù)與非結構化數(shù)據(jù)兩大類，結構化數(shù)據(jù)的類別依據(jù)魏順平提出的學習要素框架，[5]將學習行為劃分為“學習者”“內(nèi)容”“處所”“時間”“結果”五要素（其中“時間”涵蓋在其他幾類數(shù)據(jù)中），非結構化數(shù)據(jù)依據(jù)數(shù)據(jù)承載形式分為圖片數(shù)據(jù)、文本數(shù)據(jù)、音頻數(shù)據(jù)和視頻數(shù)據(jù)，將各數(shù)據(jù)類型的量化指標、目的與采集技術總結至下表1。

表1 學習分析的數(shù)據(jù)類型

數(shù)據(jù)類型 量 化 指 標 目 的 數(shù)據(jù)采集技術結構化數(shù)據(jù)學習內(nèi)容數(shù)據(jù)（包括學習資源的上傳下載數(shù)、討論話題量、作業(yè)完成度與錯誤率等） 對學習者的學習過程與資源以及學習者學習反應的反饋信息進行定量和定性的分析，探索學習者的行為模式并進行預測。學習管理平臺自動采集、日志檢索分析技術、網(wǎng)絡爬蟲技術、移動APP技術、網(wǎng)評技術等學習處所數(shù)據(jù)（分為學習平臺與課程學習單元兩類處所的數(shù)據(jù)，如在學習平臺的瀏覽內(nèi)容、討論次數(shù)，在學習單元中的學習時長，反饋的頻率與正確率等）學習結果數(shù)據(jù)（包括論壇發(fā)帖量、測驗成績、問卷得分等）幫助學生查缺補漏，檢驗學習成果，幫助教師開展教學反思圖片數(shù)據(jù)（包括以圖片形式記錄下來的教師與學生的手勢、面部表情等）獲取師生的肢體語言，了解學生的注意力水平與理解程度人臉識別技術、動作捕捉技術文本數(shù)據(jù)（包括日志、討論區(qū)、學習筆記等產(chǎn)生的文本內(nèi)容，）非結構化數(shù)據(jù)學習管理平臺自動采集、日志檢索分析技術、網(wǎng)絡爬蟲技術音頻數(shù)據(jù)（包括線下的面對面對話和線上同步、異步的交流內(nèi)容）識別學習者的觀點和態(tài)度，揭示學習者的自我管理與反思過程通過交流中的文本內(nèi)涵，了解學習者知識產(chǎn)生和建構、意義表達和與同伴共享的過程語音識別技術視頻數(shù)據(jù)（記錄教學過程與學習過程）促進教師的教學反思，提高教學技能視頻監(jiān)控技術、智能錄播技術

四、學習分析方法

學習過程中所產(chǎn)生的數(shù)據(jù)復雜多樣，學習分析技術在解決這一問題的過程中，也逐漸產(chǎn)生了多種應對的分析方法。傳統(tǒng)的學習分析多關注于結構化數(shù)據(jù)的分析，分析方法相對簡單，學習時間、測試成績等可以直接通過數(shù)據(jù)看出信息，也常用到數(shù)理統(tǒng)計學中的統(tǒng)計分析法，如方差分析、因子分析、相關性分析等將數(shù)據(jù)進行處理，以獲取基本變量之間的相關性。與傳統(tǒng)學習分析相對的現(xiàn)代學習分析技術，將更多關注點放在非結構化數(shù)據(jù)上，比如針對文本數(shù)據(jù)產(chǎn)生的文本挖掘技術，針對學生對話互動產(chǎn)生的話語分析法，針對教學視頻產(chǎn)生的視頻分析法等。隨著科研成果的不斷推進，除了沿用教育數(shù)據(jù)統(tǒng)計的統(tǒng)計分析法、文本分析的內(nèi)容分析方法等普適分析技術，學習分析也在不斷跨領域、跨學科地吸收與整合其他方法，從而形成具有其自身特點的分析方法。這些方法與技術為多樣化學習數(shù)據(jù)的處理帶來了豐富的分析策略。下面對學習分析技術中具有代表性技術進行介紹。

第一，文本挖掘技術（Text mining technology）。針對文本數(shù)據(jù)的文本挖掘技術發(fā)展相對成熟。文本挖掘從數(shù)據(jù)挖掘發(fā)展而來，但并不意味著簡單地將數(shù)據(jù)挖掘技術運用到大量文本的集合上就可以實現(xiàn)文本挖掘。與結構化數(shù)據(jù)相比，文本的結構有限，甚至沒有結構。文本挖掘工作的開展先要將文本進行“預處理”，即抽取文本中具有代表特征的元數(shù)據(jù)，進行特定的結構化形式保存以便進行特征修剪，再應用文檔聚類、文檔分類和摘要抽取等技術進行分析。部分音頻文件的分析需要先將音頻內(nèi)容轉為文本，本質上也是進行文本挖掘。

第二，社會網(wǎng)絡分析（Social Network Analysis）。學習分析方法中，應用較為廣泛的社會網(wǎng)絡分析法是以關系作為基本分析單位，描繪和測量行動者之間的關系及通過這些關系流動的各種有形或無形的數(shù)據(jù)，包括交流頻次等結構化數(shù)據(jù)和交流內(nèi)容等非結構化數(shù)據(jù)，據(jù)此分析學習者的社會網(wǎng)絡結構、協(xié)作模式和協(xié)作過程，加強學習者的社會網(wǎng)絡連接，以提高在線學習的效果。比如，Palonen和Hakkarainen利用社會網(wǎng)絡分析工具測量成員的有向交互強度（密度）、活動參與范圍（點度中心度）、整個社區(qū)整體的交互模式（中心勢），分析學生在CSILE網(wǎng)絡協(xié)作平臺上的交互過程，并對學生網(wǎng)絡協(xié)作學習情況與性別、成績之間的關系進行研究。[5]

第三，儀表盤技術（Dashboard Technology）。它相當于“個人信息系統(tǒng)”的另類應用，集學習、分析、反饋、評價于一身，將個體學習信息（包括學習行為、習慣、情緒、興趣等）及情境信息（學習時長、錯題類型及數(shù)量，在線活動參與率，論壇活躍度與發(fā)帖量等）以可視化、個性化的圖表呈現(xiàn)形式，為在線教育的學習者、教師、研究者、管理者等提供多層次的學習支持，幫助學習者實現(xiàn)自我認知、學習反思以及意義建構,促進學習新方法或模式的產(chǎn)生。Kim,Jeonghyun等利用學習分析儀表盤輔助學生的網(wǎng)絡學習，結果表明實驗組成績相對于對照組有明顯提高。[6]國內(nèi)“快樂學”利用儀表盤技術為K12階段學生提供英語學習的個性化服務，為教師提升教學效率。

第四，內(nèi)容分析（Content Analysis）。學習分析方法中的內(nèi)容分析法有別于文本分析的內(nèi)容分析法，該方法的數(shù)據(jù)范圍涵蓋傳播過程中產(chǎn)生的內(nèi)容，并對數(shù)據(jù)進行定量和定性分析，得到學習者的行為模式，從而預測學習者行為并提供個性化資源服務。

第五，網(wǎng)站分析（Web Analysis）。通過收集用戶在瀏覽網(wǎng)站時產(chǎn)生的數(shù)據(jù)（如網(wǎng)站流量引入來源、訪問的界面、網(wǎng)頁停留時間、訪客瀏覽跟蹤等），將網(wǎng)站數(shù)據(jù)與站內(nèi)學習資源、教學設計、教學策略結合分析，為網(wǎng)站改進與完善提供依據(jù)。美國德克薩斯大學運用SimilarWeb分析科學仿真網(wǎng)站PhET近13個月以來的訪問量，以預測用戶偏好、用戶層次和網(wǎng)站未來發(fā)展趨勢。

第六，多模態(tài)學習分析（Multimodal learning Analytics）。在2012年的“多模態(tài)交互國際會議”（International Conference on Multimodal Interaction，ICMI）上，多模態(tài)研究領域嘗試將視頻、語言、文字、手勢、表情等多模態(tài)數(shù)據(jù)與學習科學相結合并建立工作坊，由此產(chǎn)生多模態(tài)學習分析。多模態(tài)數(shù)據(jù)具有互補性特點，多模態(tài)學習分析將被試不同模態(tài)的同步數(shù)據(jù)進行記錄并按照人的多重感知模式分析數(shù)據(jù)，比如同步記錄分析眼球的運動軌跡、腦電、心電等生物信號。多模態(tài)整合分析可以使實驗結果更加客觀和全面，能夠更加深入地揭示學習者的信息感知和認知加工規(guī)律。[7]Ez-Zaouia M等將學習者的多模態(tài)數(shù)據(jù)與儀表盤相結合，使教師在在線學習活動中可視學習者的情緒，保持與學習者的社會情感關系，通過學生學習的音頻、視頻、自我報告、交互軌跡四方面獲取數(shù)據(jù)，構建以教師為導向的多模態(tài)和情境情感儀表盤。[8]

數(shù)據(jù)分析是學習分析的核心環(huán)節(jié)，除了上述列舉，學習分析方法還有教育數(shù)據(jù)挖掘、潛在語義分析、話語分析法等等，隨著技術的進步和研究者的探索仍將不斷擴充。不同的分析方法適用于不同的數(shù)據(jù)情境，選擇恰當?shù)臄?shù)據(jù)處理方法是學習分析成功應用的關鍵。

五、學習分析工具

學習分析工具依據(jù)不同規(guī)則可以進行不同種類的劃分，孟玲玲、顧小清等人根據(jù)各學習工具所側重的分析對象與類型，對24種學習分析工具的特點及其功能作了一個系統(tǒng)全面的分析。[9]本文結合上述分析方法，列舉部分常用典型的分析工具。

WMatrix是一款文本分析工具，可以對文本內(nèi)容進行定量分析。它通過瀏覽器上傳分析的文本、語料庫，對文本進行自動標注，統(tǒng)計詞頻并按字母或頻數(shù)排序，通過查看相應單詞的頻率，了解單詞出現(xiàn)次數(shù)是否異常，從而對文本進行語義分析、頻次分析，形成頻數(shù)云(O'Halloran)。類似的工具還有Nvivo、Transana等。

SNAPP是社會網(wǎng)絡分析的常用工具，它是一套可視化分析軟件，專用于Blackboard 和Moodle等學習平臺，可以直接從學習管理系統(tǒng)中提取用戶數(shù)據(jù)，顯示學習內(nèi)容以及學生間的互動頻次、時長，并繪制社會化網(wǎng)絡圖，它可以幫助教師快速識別課程教學活動中的各種學生行為。

LOCO－Analyst是內(nèi)容分析的常用工具，專用于網(wǎng)站上的用戶行為分析，通過跟蹤學生的行為軌跡和瀏覽內(nèi)容，自動記錄用戶訪問數(shù)據(jù)，據(jù)此分析學生參與的各種活動以及虛擬學習環(huán)境中學生基于情境的互助情況。幫助教師跟蹤和分析在線學習環(huán)境中學生學習過程，以改進網(wǎng)絡課程的內(nèi)容和結構。

Socrato是專用于試題分析的學習分析工具，用途不局限于分析學習者的測試結果，形成學習者的個人學習績效，它還能同時跟蹤記錄下學習過程，進行形成性評價與總結性評價。

六、教育領域的實踐應用

在教育領域不同層次的應用不僅能反映出學習分析技術的普及程度，也能從一定程度上反映其應用的深度。筆者將目標文獻中涉及學習分析在教育中實踐應用的文獻進行了統(tǒng)計，統(tǒng)計結果如圖1所示。

由圖1統(tǒng)計結果來看，國內(nèi)外學習分析技術在教育領域的應用分布情況相對一致。其中，高等教育領域的研究數(shù)量最為突出，這與分析技術本身有一定關系。由于學習分析技術從理解理論到掌握方法再到應用于實際或者提出框架模型有一定的難度，需要具備一定的研究水平，所以國內(nèi)外普遍將學習分析技術的實證研究集中于高等教育與遠程教育中。一方面，高校教育工作者對于學習分析技術這一新興技術更易于接受、樂于實踐；另一方面，高等教育階段的學習者受教育程度高，學習行為模式復雜多元，課程難度較高，學習分析的各項數(shù)據(jù)來源更加全面。比如吳愛婷以本科《電磁場與電磁波》課程為例收集到了多角度多層次的教育數(shù)據(jù)，以可視化結果反饋給用戶，改善了教學過程，[10]魏順平等人通過選取中央廣播電視大學的學習管理系統(tǒng)和日志數(shù)據(jù)闡述了管理者、學習者和教師在網(wǎng)絡學習過程分析中應用學習分析技術的過程。國外的典型案例有澳大利亞伍倫貢大學開發(fā)了一款學習分析應用軟件——SNAPP，它能從學習管理系統(tǒng)和論壇中自動收集學習者的相關數(shù)據(jù)和行為活動數(shù)據(jù)，并實現(xiàn)分析結構可視化，[11]美國斯坦福大學多模態(tài)學習分析，可以通過學生手勢、語音和其他表達方式來評估以項目為基礎的活動。

遠程教育領域研究的興起，主要歸功于基于網(wǎng)絡的在線課程不斷崛起，近幾年Moodle、MOOC、可汗學院等網(wǎng)絡課程形式在全球范圍內(nèi)掀起熱潮，教育數(shù)據(jù)普遍數(shù)字化，獲取和加工更為方便。對于遠程教育領域的研究很大部分與上述課程相關。比如Devan Rosen 等采用社會網(wǎng)絡分析、內(nèi)容分析、語義分析等方法對虛擬學習社區(qū)中的聊天內(nèi)容進行了分析與測量，探索學習社區(qū)中的整體結構、小組交互情況及學者學習成果。[12]姜藺等關注到MOOCs課程學習者存在高退課率與低通過率問題，通過MOOCs的用戶數(shù)據(jù)對學習者的特征、學習動機與效果進行分析，試圖解釋該現(xiàn)象的背后成因并對學習者、教學者與管理者提出改進建議。[13]

國內(nèi)學習分析研究在一至十二年級的基礎教育領域、職業(yè)教育領域和社區(qū)教育領域均有涉及，說明國內(nèi)學者對于學習分析技術的認可度較高并積極將其應用于各領域的教學實踐中。比如，在學習分析技術引入國內(nèi)之初，顧曉構建了一個結合實施環(huán)境的學習分析技術與高中信息技術相結合的教學模式，來印證該技術對于高中信息技術的學科教學是否有促進作用。[14]而外文文獻所查找到的一篇來自美國學者Martin等，他們專注于本國K12教育階段的分數(shù)學習問題，用學習分析方法對細粒度的日志數(shù)據(jù)進行分析，發(fā)現(xiàn)游戲對分數(shù)學習有顯著幫助。[15]

從學習分析技術應用的案例分析可以看出，與國內(nèi)的研究相比較，國外對于學習分析技術的研究偏向驗證工具、平臺或框架模型的有效性，并不向使用者所處的不同教育階段或受教育程度側重。國內(nèi)學者研究視角多元，在各教育階段均有涉及，、研究由簡單的應用探究逐漸過渡到學習分析的應用框架設計或平臺搭建，學術水平較研究之初逐年提高。

七、小結

根據(jù)對國內(nèi)外文獻內(nèi)容分析的結果，大致勾勒出當前世界各國對學習分析技術研究的基本脈絡。下文將從未來的發(fā)展趨勢與可能面臨的挑戰(zhàn)兩個方面對分析結果進行總結。

（一）未來發(fā)展趨勢

1.數(shù)據(jù)來源途徑拓廣

智慧教育與可穿戴設備的興起使學習分析的數(shù)據(jù)來源有了更多可能。這里的“智慧教育”包括了智慧學習、智慧教室、智慧校園等等。近幾年國內(nèi)智慧教育在高校及中小學的普及速度明顯加快，智慧課堂、智慧校園產(chǎn)生的海量數(shù)據(jù)需要分析技術的支持。而可穿戴設備自2012年谷歌眼鏡亮相以來成為智能產(chǎn)業(yè)的熱點，如智能手環(huán)、智能跑鞋等一系列智能設備時下正在流行起來，可穿戴設備不僅僅是一種硬件設備，還需要通過軟件支持以及數(shù)據(jù)交互、云端交互來實現(xiàn)強大的功能，通過這些設備獲取的數(shù)據(jù)將是未來學習分析對象的重要一類。

2.數(shù)據(jù)范圍突破教育領域

如今教育領域的學科專家逐漸開始尋求跨學科合作，這使得學習分析的數(shù)據(jù)范圍從學習者的學習行為擴大到學習者的生理指標甚至是心理狀況，如武法提團隊嘗試結合心理學的眼動設備了解學習者的思維過程及學習路徑等。學習分析技術作為新興技術，一開始便是從商用領域向教育領域的跨越應用，在專家學者的帶領下，與機器學習、教育心理甚至是腦科學領域的合作可能將逐漸增多。未來要實現(xiàn)學習分析技術的深入發(fā)展，需要研究者勇于跨越嘗試與其他學科合作探索，整合多方面理論、技術等資源，創(chuàng)造性地解決學與教問題。因此未來學習分析技術的研究范圍和應用領域將突破學科界限，研究者的學科背景也將更加多元。

3.個性化服務程度提高

信息時代下的網(wǎng)絡學習逐漸發(fā)展為學習者依據(jù)自身的能力和需求自主選擇學習資源、參加學習活動。大量由學習者產(chǎn)生的數(shù)據(jù)進入學習分析技術的分析范圍，必然使數(shù)據(jù)的前期分析更加精確，隨著學習分析方法的完善，為學習者提供的反饋與干預將更加貼合特定學習者的學習習慣與認知水平，學習者依據(jù)數(shù)據(jù)分析結果調整學習進度和學習內(nèi)容，自我管理并自我激勵，在智能化的預警和提醒下最終順利完成學習活動，這將是未來學習分析的重要研究內(nèi)容。

4.智能化貫徹教學始終

學習分析技術不僅服務于學生，也服務于教師。學生的分析結果反饋給教師既能提高教師的工作效率，了解學生之間的個體差異，還能為教師針對性備課提供依據(jù)，在教學過程中實時進行有效干預并答疑解惑。教師的教學數(shù)據(jù)同樣被后臺收集，加以分析，個性化地反饋分析結果和改進意見，并在課后自動評教，這些功能都有效促進教師的專業(yè)發(fā)展。

（二）面臨的挑戰(zhàn)

1.獲?。涸紨?shù)據(jù)的收集與預處理

教育界有大量的數(shù)據(jù)，但沒有大數(shù)據(jù)，究其本質是大數(shù)據(jù)的結構性問題突出，教育數(shù)據(jù)數(shù)量龐大，性質差異明顯，在時間和空間上分布零散，無法聚集，如何從學習者本身、人機交互過程中、學習資源上獲取數(shù)據(jù)是學習分析的一大難題，另外，所獲取的數(shù)據(jù)并非全部有效，在數(shù)據(jù)的篩選和判斷上如何構建合適的框架模型以提高學習分析效率將是一大挑戰(zhàn)。

2.使用：數(shù)據(jù)隱私

數(shù)據(jù)包含信息，如果要實現(xiàn)更加精確的個性化，要求數(shù)據(jù)更加精準詳盡，從而更加透明化。因此在收集和使用過程中需要注意數(shù)據(jù)的歸屬問題，確保數(shù)據(jù)來源者的知情同意、使用過程的存儲安全、利益相關者的訪問權限等，目前國內(nèi)對于數(shù)據(jù)隱私的重視程度正逐漸提高，應增強安全隱患意識，避免出現(xiàn)用戶信任危機。

3.推廣：數(shù)據(jù)劃分規(guī)則

數(shù)據(jù)有多種劃分標準，這使得同一種數(shù)據(jù)在不同的使用環(huán)境或不同的軟件平臺中會出現(xiàn)不同的表達形式，這樣的情況一方面可能會導致數(shù)據(jù)收集的不足和冗余，另一方面阻礙了不同平臺之間的技術合作以及信息共享。如若創(chuàng)建領域內(nèi)相對統(tǒng)一的數(shù)據(jù)劃分規(guī)則，對未來學習分析領域的研究和探索將起到一定的推動作用。

[1]祝智庭，賀斌．智慧教育：教育信息化的新境界[J]．電化教育研究，2012，（12）：5-13．

[2] The Horizon Report 2011 edition[DB/OL]．（2012-06-25）[2017-07-21]． http ：//wp．nmc．org/horizon．

[3] Siemens， G．， &Gasevic， D． ． Proceedings of the 1st conference onLearning Analytics and Knowledge[M]． New York，NY： ACM， 2011：1-185

[4]顧小清，張進良，蔡慧英．學習分析：正在浮現(xiàn)中的數(shù)據(jù)技術[J]． 遠程教育雜志，2012，（1）：18-25．

[5]魏順平 ． 學習分析數(shù)據(jù)模型及數(shù)據(jù)處理方法研究 [J]． 中國電化教育， 2016，（2）：8-16．

[6] Lipponen L， Rahikainen M， Hakkarainen K， et al． Effective Participation and Discourse through a Computer Network ： Investigating Elementary Students' Computer Supported Interaction．[J]． Journal of Educational Computing Research， 2002， 27（4）：355-384．

[7] Kim J， Jo I H， Park Y． Effects of learning analytics dashboard ： analyzing the relations among dashboard utilization，satisfaction， and learning achievement[J]． Asia Pacific Education Review， 2015， 17（1）：1-12．

[8] Merceron A，Blikstein P，Siemens G． Learning Analytics： From Big Data to Meaningful Data．[J]． Journal of Learning Analytics．2016，（3）：4-8．

[9] Ez-Zaouia M， Lavou， Elise． EMODA ： a tutor oriented multimodal and contextual emotional dashboard[C]//International Learning Analytics & Knowledge Conference． ACM， 2017 ：429-438．

[10]孟玲玲，顧小清，李澤．學習分析工具比較研究[J]．開放教育研究 ，2014，（4）：66-75．

[11]吳愛婷，劉欣． 學習分析系統(tǒng)在高校課程中的實踐研究[J]． 電腦知識與技術，2016，12（10）：162-163．

[12]魏順平．學習分析技術：挖掘大數(shù)據(jù)時代下教育數(shù)據(jù)的價值[J]．現(xiàn)代教育技術，2013，（2）：5-11．

[13] Bakharia A， Dawson S． SNAPP ：a bird's-eye view of temporal participant interaction[C]// International Conference on Learning Analytics and Knowledge， Lak 2011， Banff， Ab， Canada， February 27 - March． DBLP， 2011 ：168-173．

[14] Devan Rosen， Victor Miagkikhm，DanielSuthers． Social and Semantic Network Analysis of Chat Logs [A]． Long，P．，Siemens，G．，Conole，G．，&Gasevic，D．Proceedings of the 1st International Conference on Learning Analytics and Knowledge [C]． New York ：Association for Computing Machinery，2011 ： 134-139．

[15]姜藺，韓錫斌，程建鋼． MOOCs學習者特征及學習效果分析研究[J]． 中國電化教育，2013，（11）．

G40-057

A

1008-7346（2017）05-0008-07

2017-09-21

林煒婷，女，福建閩清人，福建師范大學教育學院教育技術學碩士。

楊寧，女，吉林長春人，福建師范大學教育學院教育技術系主任，副教授。

[責任編輯：姚青群]