顧云鋒 吳鐘鳴 管兆昶 翟萍

摘 要：作為教育大數(shù)據(jù)的主要學(xué)術(shù)研究領(lǐng)域，學(xué)習(xí)分析的發(fā)展速度非常之快。泛在網(wǎng)絡(luò)下的學(xué)習(xí)大數(shù)據(jù)高速增長，關(guān)于學(xué)習(xí)分析的研究也隨著大數(shù)據(jù)理念的發(fā)展而不斷變化。本文通過文獻(xiàn)分析法，著重從教育大數(shù)據(jù)的視角，對國內(nèi)外學(xué)習(xí)分析的研究現(xiàn)狀進(jìn)行綜述。首先介紹教育大數(shù)據(jù)背景下學(xué)習(xí)分析的概念、模型、要素，提出了基于教育大數(shù)據(jù)的學(xué)習(xí)分析架構(gòu)模型，詳細(xì)分析了不同的學(xué)習(xí)分析應(yīng)用領(lǐng)域及其適用的算法技術(shù)，最后對學(xué)習(xí)分析的意義進(jìn)行了總結(jié)。

關(guān)鍵詞：學(xué)習(xí)分析；教育大數(shù)據(jù)；數(shù)據(jù)挖掘；在線學(xué)習(xí)

中圖分類號：G434 文獻(xiàn)標(biāo)志碼：A 文章編號：1673-8454（2018）07-0001-06

一、引言

以慕課等為代表的在線教育的迅猛發(fā)展推動了基于大數(shù)據(jù)的學(xué)習(xí)分析研究。2012年，美國教育部發(fā)布了《通過教育數(shù)據(jù)挖掘和學(xué)習(xí)分析改進(jìn)教與學(xué)：問題簡介》[1]，指出基于大數(shù)據(jù)的研究領(lǐng)域：教育數(shù)據(jù)挖掘和學(xué)習(xí)分析，從而也推動了學(xué)習(xí)分析成為近年來教育信息化領(lǐng)域內(nèi)的熱點(diǎn)研究問題。

學(xué)習(xí)分析作為一個新的研究領(lǐng)域，其主要關(guān)注點(diǎn)是如何有效地運(yùn)用學(xué)習(xí)分析技術(shù)設(shè)計、收集、測量、分析與報告學(xué)習(xí)者數(shù)據(jù)，理解與優(yōu)化學(xué)習(xí)過程及其學(xué)習(xí)環(huán)境，真正實(shí)現(xiàn)個性化學(xué)習(xí)，并為教學(xué)決策、學(xué)業(yè)預(yù)警提供支持等。[2]本文基于文獻(xiàn)調(diào)研，在CNKI數(shù)據(jù)庫中以“學(xué)習(xí)分析”為關(guān)鍵詞，得到檢索結(jié)果285個，將與本研究相關(guān)度較低的手動排除了43個，其中CSSCI和核心期刊共138篇。經(jīng)過對論文的標(biāo)題、摘要和主要研究內(nèi)容的梳理，我們發(fā)現(xiàn)目前國內(nèi)關(guān)于學(xué)習(xí)分析的研究在2015年之前多集中在概念引入、理論介紹、應(yīng)用現(xiàn)狀、模型設(shè)計與論證等方面，從2016年開始研究內(nèi)容涉及了基于大數(shù)據(jù)的學(xué)習(xí)分析模型研究、技術(shù)基礎(chǔ)、分析原理、分析工具、可視化、互操作規(guī)范、安全倫理以及實(shí)踐應(yīng)用研究等方面。學(xué)者顧小清[2，3]、劉三[4，5]、吳永和[6]、孟玲玲[7]、李青[8]、魏順平[9]等學(xué)者從不同角度對學(xué)習(xí)分析的研究現(xiàn)狀和未來發(fā)展等做了綜述。本文嘗試基于教育大數(shù)據(jù)創(chuàng)新的角度，從學(xué)習(xí)分析的概念、模型、要素、框架、算法、技術(shù)、應(yīng)用領(lǐng)域等方面對當(dāng)前的研究進(jìn)展進(jìn)行梳理與總結(jié)。

二、教育大數(shù)據(jù)概述

當(dāng)今互聯(lián)網(wǎng)時代，大數(shù)據(jù)無處不在。大數(shù)據(jù)一般具有4V的特征，既海量、高速、多樣和價值，其本質(zhì)主要指的是數(shù)據(jù)的匯聚和關(guān)聯(lián)。教育大數(shù)據(jù)同樣如此。

1.含義

由于教育數(shù)據(jù)的復(fù)雜性使教育大數(shù)據(jù)的定義并不十分明確。一般而言，對教育大數(shù)據(jù)的含義，有狹義和廣義兩種理解。狹義的教育大數(shù)據(jù)主要指的是來自在線教育平臺上學(xué)習(xí)者的學(xué)習(xí)相關(guān)數(shù)據(jù)等；廣義的教育大數(shù)據(jù)指來源于日常教育活動中所有人的所有行為數(shù)據(jù)。本文中教育大數(shù)據(jù)主要是狹義理解上的含義。

2.分類

從數(shù)據(jù)的來源來分，教育大數(shù)據(jù)可包括學(xué)習(xí)者個人信息、學(xué)習(xí)資源信息（視頻、PPT、文檔等）、學(xué)習(xí)者行為信息（學(xué)習(xí)跟蹤、社會交互等）等來自多個來源的異構(gòu)數(shù)據(jù)集成。吳永和在2017年“教育大數(shù)據(jù)應(yīng)用技術(shù)”國際學(xué)術(shù)研討會上提出按照人的多重感知模式分析測量記錄學(xué)習(xí)者生物數(shù)據(jù)，即數(shù)據(jù)的多模態(tài)，如同步記錄和分析眼球運(yùn)動軌跡和關(guān)注焦點(diǎn)、腦電和事件相關(guān)電位、心電、肌電、皮膚電等生理信號。[10]

按數(shù)據(jù)的存儲方式可分為結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)。結(jié)構(gòu)化數(shù)據(jù)是指可以用數(shù)據(jù)庫二維邏輯表來表現(xiàn)的數(shù)據(jù)，如學(xué)習(xí)者基本信息等。非結(jié)構(gòu)化數(shù)據(jù)是數(shù)據(jù)結(jié)構(gòu)不規(guī)則或不完整，沒有預(yù)定義的數(shù)據(jù)模型，其中包括視頻、音頻、交互信息和知識圖譜等。

3.特點(diǎn)

教育大數(shù)據(jù)來源各不相同，但其間卻有千絲萬縷的聯(lián)系。當(dāng)前，數(shù)以十億計的數(shù)據(jù)項(xiàng)已在網(wǎng)絡(luò)上公布為關(guān)聯(lián)數(shù)據(jù)，形成一個全球開放數(shù)據(jù)空間——鏈接的開放數(shù)據(jù)云，其中包括來自不同領(lǐng)域的開放數(shù)據(jù)，如政府和教育機(jī)構(gòu)數(shù)據(jù)、科學(xué)知識和關(guān)于各種在線社區(qū)的數(shù)據(jù)。在這鏈接的開放數(shù)據(jù)云上也出現(xiàn)了巨大的跨領(lǐng)域知識庫，如DBpedia（一個眾籌社區(qū)努力的結(jié)果，從維基百科中抽取結(jié)構(gòu)化信息，并使這些信息可以在網(wǎng)絡(luò)可用）、Wikidata（維基數(shù)據(jù)）等。

三、學(xué)習(xí)分析的相關(guān)理論

1.概念

從時間順序來看，最早的學(xué)習(xí)分析定義源于美國高等教育信息化協(xié)會（EDUCAUSE）的“下一代學(xué)習(xí)挑戰(zhàn)”（Next Generation learning initiative），其中將學(xué)習(xí)分析定義為“使用數(shù)據(jù)和模型來預(yù)測學(xué)生進(jìn)度和績效，以及對該信息采取行動的能力”。2011年召開的首屆學(xué)習(xí)分析與知識國際會議（LAK）將學(xué)習(xí)分析定義為：“學(xué)習(xí)分析是以理解和優(yōu)化學(xué)習(xí)及其發(fā)生的環(huán)境為目的，對學(xué)習(xí)者及其所處情境的數(shù)據(jù)進(jìn)行的測量、收集、分析和報告。”[8]LAK會議已經(jīng)連續(xù)舉辦了7屆，2017年第7屆LAK會議回到了澳大利亞溫哥華舉辦，有來自32個國家的研究代表項(xiàng)目，全球研究者發(fā)表了64篇學(xué)術(shù)論文，并召開了16個分項(xiàng)目研討會。

通過對學(xué)習(xí)分析的現(xiàn)有研究成果分析，我們可以發(fā)現(xiàn)，學(xué)習(xí)分析是一個跨學(xué)科的研究領(lǐng)域， 涉及教育學(xué)、信息科學(xué)、統(tǒng)計學(xué)、學(xué)習(xí)科學(xué)等。其研究對象主要是學(xué)習(xí)者及其所處情境的數(shù)據(jù)學(xué)生及其學(xué)習(xí)情境，研究的基礎(chǔ)是通過一定的方式儲存在計算機(jī)中的、在學(xué)習(xí)者學(xué)習(xí)及其與學(xué)習(xí)所處情境交互過程中產(chǎn)生的海量數(shù)據(jù)，研究的最基本目標(biāo)是優(yōu)化學(xué)習(xí)和學(xué)習(xí)情境。

2.模型[2]

對于學(xué)習(xí)分析的研究，我們可以首先從它的模型研究開始。自從學(xué)習(xí)分析的概念提出以來，國內(nèi)外很多專家學(xué)者對學(xué)習(xí)分析模型開展了持續(xù)的研究。下面介紹三種目前被廣泛接受和認(rèn)可的模型。

（1）TEKL 模型

作為關(guān)聯(lián)主義學(xué)習(xí)理論創(chuàng)始人，2010年George Siemens提倡要改變傳統(tǒng)課堂教學(xué)的方式，結(jié)合自己的實(shí)踐，并根據(jù)關(guān)聯(lián)主義理論提出學(xué)習(xí)分析的 TEKL模型。該模型如圖 1 所示。

George Siemens 認(rèn)為通過語義化和關(guān)聯(lián)化，會使數(shù)據(jù)變得越來越智能。他認(rèn)為可以把學(xué)習(xí)者數(shù)據(jù)、檔案信息和課程數(shù)據(jù)等以某種形式結(jié)合在一起進(jìn)行分析，進(jìn)而判斷出學(xué)習(xí)者目前的學(xué)習(xí)狀況，讓教師能及時地發(fā)現(xiàn)教學(xué)中可能存在的問題，并將分析的結(jié)果用作預(yù)測、干預(yù)、個性化和適應(yīng)性學(xué)習(xí)的基礎(chǔ)。

（2）持續(xù)改進(jìn)環(huán)模型

2010 年阿薩巴斯卡大學(xué)學(xué)習(xí)的伊萊亞斯提出了持續(xù)改進(jìn)環(huán)模型這一學(xué)習(xí)分析過程模型，如圖2所示。該模型將學(xué)習(xí)分析過程分為數(shù)據(jù)收集、數(shù)據(jù)處理和知識應(yīng)用三個循環(huán)階段，并將整個學(xué)習(xí)分析過程總結(jié)為七個具體步驟，即選擇、聚合、預(yù)測、優(yōu)化、使用和分享。同時，Elias強(qiáng)調(diào)學(xué)習(xí)分析過程要不斷循環(huán)，通過改進(jìn)環(huán)來實(shí)現(xiàn)這種循環(huán)過程，即可以通過前期分析得到的結(jié)果對學(xué)習(xí)過程進(jìn)行優(yōu)化，并將優(yōu)化后得到的數(shù)據(jù)再分享給數(shù)據(jù)收集階段，從而對后續(xù)的學(xué)習(xí)分析產(chǎn)生影響，進(jìn)而推動學(xué)習(xí)效果的持續(xù)性提高。

（3）四維參考模型

2012年Chatti與Dyckhoff等學(xué)者指出學(xué)習(xí)分析過程應(yīng)該是迭代循環(huán)的，他們提出了四維參考模型（如圖3所示），四個維度分別包括：“What”、“Why”、“Who”、 “How”?！癢hat”即指學(xué)習(xí)分析所依據(jù)的數(shù)據(jù)環(huán)境；“Why”維度表示學(xué)習(xí)分析的目的和度量指標(biāo)，如檢測、預(yù)測、指導(dǎo)、評估、反饋、個性化推薦等；“Who”主要指利益相關(guān)者；“How”主要指學(xué)習(xí)分析所采用的方法。

綜上，TEKL模型和持續(xù)改進(jìn)環(huán)模型注重從全局出發(fā)設(shè)計整個分析過程，持續(xù)改進(jìn)環(huán)模型更強(qiáng)調(diào)過程的循環(huán)迭代。四維參考模型對學(xué)習(xí)分析過程做了進(jìn)一步細(xì)化，并提出了不同維度衡量指標(biāo)。但是，我們注意到將目前已有的學(xué)習(xí)分析模型研究成果直接應(yīng)用到具體的學(xué)習(xí)分析過程中指導(dǎo)意義并不強(qiáng)，缺乏較完整的、清晰的、實(shí)踐指導(dǎo)意義較強(qiáng)的框架模型。

四、基于教育大數(shù)據(jù)的學(xué)習(xí)分析架構(gòu)模型

基于上述學(xué)習(xí)分析模型研究基礎(chǔ)，我們提出一種學(xué)習(xí)分析架構(gòu)模型，主要包括5個層次，分別為數(shù)據(jù)存儲層、數(shù)據(jù)處理層、數(shù)據(jù)分析層、數(shù)據(jù)顯示層及功能對象層，同時實(shí)施過程應(yīng)考慮個人隱私和倫理道德。該模型實(shí)踐操作性較強(qiáng)。

1.數(shù)據(jù)存儲層

數(shù)據(jù)存儲層分為學(xué)習(xí)者信息庫、學(xué)習(xí)資源信息庫、學(xué)習(xí)行為庫以及各類知識圖表。其中，學(xué)習(xí)者信息庫包含個人資料。學(xué)習(xí)行為庫通過程序自動記錄學(xué)習(xí)者學(xué)習(xí)過程，可以精確跟蹤和記錄學(xué)習(xí)者在網(wǎng)絡(luò)平臺學(xué)習(xí)實(shí)時發(fā)生的行為。

2.數(shù)據(jù)處理層

數(shù)據(jù)處理層具有數(shù)據(jù)清洗、數(shù)據(jù)整合、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)提取和數(shù)據(jù)維護(hù)等功能，負(fù)責(zé)處理數(shù)據(jù)存儲層中各類異構(gòu)數(shù)據(jù)，為數(shù)據(jù)分析做前期準(zhǔn)備。數(shù)據(jù)清洗指刪除原始數(shù)據(jù)集中無效或無意義的數(shù)據(jù)；數(shù)據(jù)整合即將來自不同來源的數(shù)據(jù)整合到一起；數(shù)據(jù)轉(zhuǎn)換是對數(shù)據(jù)根據(jù)分析需要進(jìn)行規(guī)范化、離散化、數(shù)據(jù)規(guī)約等處理；數(shù)據(jù)提取指從數(shù)據(jù)源中提取有用數(shù)據(jù)；數(shù)據(jù)維護(hù)進(jìn)行持久化、備份、權(quán)限管理等。

3.數(shù)據(jù)分析層

數(shù)據(jù)分析層主要指學(xué)習(xí)分析技術(shù)的模型庫、算法庫等，如社會網(wǎng)絡(luò)分析、話語分析、內(nèi)容分析等。

4.數(shù)據(jù)顯示層

數(shù)據(jù)顯示層主要借用分析層中的算法和模型針對不同的用戶對象提供特定的數(shù)據(jù)分析結(jié)果，如熱門學(xué)習(xí)資源列表、個性化學(xué)習(xí)資源推薦等。該層主要目前主要研究的是建立在數(shù)據(jù)分析層之上的可視化技術(shù)等。

5.功能對象層

對象層主要包括學(xué)習(xí)者、教學(xué)者和管理者。學(xué)習(xí)者既是學(xué)習(xí)分析數(shù)據(jù)主要來源實(shí)體，也是學(xué)習(xí)分析結(jié)果的主要面向?qū)ο蟆＝虒W(xué)者不僅僅是教師，還包括教育研究人員、教學(xué)設(shè)計者人員等。管理者主要指各級教育管理部門和相應(yīng)的決策者，包括政府教育行政部門、學(xué)校管理部門等。當(dāng)然，學(xué)習(xí)分析面向的對象層中除了上述三大對象之外，還會涉及其他一些利益相關(guān)者。如學(xué)習(xí)者家人可以通過學(xué)習(xí)分析系統(tǒng)了解學(xué)習(xí)者的學(xué)習(xí)狀況；平臺和企業(yè)可以了解到學(xué)習(xí)平臺的真實(shí)訪問情況，從而為企業(yè)未來的發(fā)展方向做出決策等。

五、基于教育大數(shù)據(jù)的學(xué)習(xí)分析算法模型和技術(shù)

具體的學(xué)習(xí)分析應(yīng)用領(lǐng)域較多、較復(fù)雜，很多分析人員在面對具體任務(wù)時感到無從下手。下面經(jīng)過歸納總結(jié)我們將學(xué)習(xí)分析應(yīng)用領(lǐng)域分成5個方面：預(yù)測、解釋、內(nèi)容分析、話語分析及其它，并分別介紹不同研究應(yīng)用領(lǐng)域中常用的模型、技術(shù)、原理等。需注意到由于學(xué)習(xí)分析技術(shù)綜合了許多先進(jìn)的技術(shù)，依據(jù)使用的方法不同，對應(yīng)使用的分析工具會有所不同。

1.預(yù)測建模分析

在預(yù)測建模中，目的是創(chuàng)建一個模型，根據(jù)觀測數(shù)據(jù)預(yù)測新數(shù)據(jù)的價值或者預(yù)測新數(shù)據(jù)所屬分類。預(yù)測模型是基于假設(shè)，認(rèn)為一組已知的數(shù)據(jù)可以用來預(yù)測新數(shù)據(jù)類或者價值。預(yù)測建模的目標(biāo)是找出最佳預(yù)測結(jié)果的特征組合，用于預(yù)測未來走向，實(shí)現(xiàn)教學(xué)預(yù)警和干預(yù)，以及提供決策支持。具體常用預(yù)測模型如表1所示。

當(dāng)前，大量的軟件包可以用于構(gòu)建預(yù)測模型，而選擇正確的軟件包則取決于研究人員的情況、經(jīng)驗(yàn)，所需的分類或回歸方法，以及所需的數(shù)據(jù)和數(shù)據(jù)清理量。例如，Aguiar等人（2015年）描述了預(yù)測模型的使用，以確定學(xué)生是否會從中學(xué)畢業(yè)，這表明了隨著學(xué)生從小學(xué)進(jìn)入中學(xué)，預(yù)測的準(zhǔn)確性會如何變化。

2.解釋建模分析

解釋建模分析尋求識別可判斷的因果關(guān)系，這些因果關(guān)系存在于可以從數(shù)據(jù)中觀察或推斷的結(jié)構(gòu)之間。解釋模型試圖識別與結(jié)果相關(guān)的可解釋結(jié)構(gòu)。解釋建模分析是一種事后的和反思性的活動，旨在產(chǎn)生對現(xiàn)象的理解。其目標(biāo)是使用所有可用的證據(jù)，為某一結(jié)果提供解釋。例如，一個學(xué)習(xí)者的年齡、性別和社會經(jīng)濟(jì)地位的觀察可能會被用于回歸模型來解釋這些學(xué)習(xí)者背景屬性對學(xué)生成績的貢獻(xiàn)。在解釋性建模中，從一個樣本中收集的所有數(shù)據(jù)（例如在某一門課程中注冊的學(xué)生數(shù)）被用來更一般地描述一個群體（例如所有能夠或可能參加某一課程的學(xué)生）。實(shí)施過程中通過減少選擇偏倚確保樣本的普遍性，通常是通過隨機(jī)抽樣或分層抽樣。具體解釋模型如表2所示。

3.內(nèi)容分析

內(nèi)容分析是一種特別的學(xué)習(xí)分析形式，它側(cè)重于對不同形式的教育內(nèi)容的分析。內(nèi)容分析的方法主要是采用自動化的方法，用于檢查、評估、索引、過濾、推薦和可視化不同形式的數(shù)字學(xué)習(xí)內(nèi)容。內(nèi)容分析的重點(diǎn)是對不同的“資源”（教科書、網(wǎng)絡(luò)資源）和“產(chǎn)品”（作業(yè)、討論信息）的自動化分析。內(nèi)容分析常用構(gòu)建個性化推薦系統(tǒng)，其在學(xué)習(xí)分析中的常用應(yīng)用分類如表3所示。

（1）基于學(xué)習(xí)資源的內(nèi)容分析

內(nèi)容分析最早的用途之一是對教育資源和材料的分析，以及對這些資源的推薦、組織和評價。學(xué)習(xí)者在學(xué)習(xí)的過程中可獲得大量教育學(xué)習(xí)資源，那么可以根據(jù)學(xué)生的興趣或課程學(xué)習(xí)的進(jìn)度，判斷出學(xué)習(xí)者一個特別感興趣的領(lǐng)域，進(jìn)而進(jìn)行相關(guān)課程和資源的推薦。

協(xié)同過濾分為兩種類型：第一種是尋找相關(guān)聯(lián)的學(xué)生，即在資源使用上有大量重疊的學(xué)生很可能有共同的興趣，分析學(xué)習(xí)者的學(xué)習(xí)偏好興趣，進(jìn)行歸類，在所有的用戶群中尋找和學(xué)習(xí)者相同或者相似類別的群體，并將該群體評價較高或者較感興趣的學(xué)習(xí)資源推薦給用戶。第二種，尋找相關(guān)聯(lián)的課程。即大量學(xué)習(xí)者一起使用的資源很可能是相似的，進(jìn)而分析出學(xué)習(xí)資源之間的相似度，然后根據(jù)學(xué)習(xí)者的歷史偏好信息，將類似的資源推薦給用戶。

（2）學(xué)生學(xué)習(xí)成果的內(nèi)容分析

學(xué)習(xí)分析的核心目標(biāo)之一是在學(xué)習(xí)時為學(xué)習(xí)者提供及時和相關(guān)的反饋。內(nèi)容分析被應(yīng)用的最早的領(lǐng)域之一是學(xué)生論文的分析，也稱為自動論文評分。最廣泛應(yīng)用的自動化論文評分技術(shù)是潛在的語義分析。通過對不同論文的詞共生的分析來衡量兩種論文文本之間的語義相似性。另一種常用的評估學(xué)生論文的方法是基于圖形的可視化方法，也基于論文文字的共同出現(xiàn)率。

（3）學(xué)生社交互動的內(nèi)容分析

異步在線討論是學(xué)生和教師之間相互交流的主要方式之一。針對學(xué)生社交互動的內(nèi)容分析所使用的最主要技術(shù)是概率主題模型和神經(jīng)網(wǎng)絡(luò)分類系統(tǒng)。概率主題模型用于識別文檔集合中的關(guān)鍵主題和主題的方法。神經(jīng)網(wǎng)絡(luò)分類系統(tǒng)可以自動編碼互動信息，以達(dá)到認(rèn)知水平。

4.話語分析

話語分析是學(xué)習(xí)分析領(lǐng)域的一個應(yīng)用領(lǐng)域。話語分析是指借助于符號理論和話語理論，致力于對傳播活動的各種符號、象征、文本及話語進(jìn)行解剖，從表象中發(fā)現(xiàn)其中隱含的深層寓意與真實(shí)用意。在學(xué)習(xí)分析中采用話語分析有著多方面的影響，包括提供分析鏡頭支持研究，使形成性和總結(jié)性評估成為可能，啟用動態(tài)和上下文敏感的觸發(fā)干預(yù)措施以提高學(xué)習(xí)活動的有效性，并提供教學(xué)反思如提供學(xué)習(xí)活動結(jié)束后的報告和反饋以支持后續(xù)的學(xué)習(xí)和教學(xué)等。

話語分析數(shù)據(jù)源包括在線教育環(huán)境中開放式問題回答，還包括在線平臺中討論論壇、聊天室、微博、博客，甚至維基的討論等。最常用的方法可以包括詞頻分析、詞云分析、情感分析、流量分析、聚類和分類分析、社會網(wǎng)絡(luò)分析等。目前詞頻分析是基于教育大數(shù)據(jù)話語分析的基礎(chǔ)。

5.其它學(xué)習(xí)分析研究方向

（1）學(xué)習(xí)分析儀表盤

學(xué)習(xí)分析儀表盤（Learning Analytics Dashboards，LAD）可以可視化學(xué)習(xí)路徑，讓用戶了解學(xué)習(xí)過程。信息可視化概念和方法是關(guān)鍵的促進(jìn)因素。人類的眼睛和大腦的視覺皮層提供了人類認(rèn)知中心的最高通道。在人類更高層次的認(rèn)知處理過程中，知覺和認(rèn)知是緊密相關(guān)的。在學(xué)習(xí)分析儀表盤中可以包含以下類型的數(shù)據(jù)：由學(xué)習(xí)者完成的學(xué)習(xí)成果，包括作業(yè)、論文、博客文章、共享文件等；社會互動，包括面對面的小組工作、博客評論、Twitter或討論論壇的互動。資源使用可以包括文檔的咨詢（手冊、網(wǎng)頁、幻燈片）、視頻等。像軟件跟蹤器和眼球跟蹤這樣的技術(shù)可以提供更詳細(xì)的信息，關(guān)于資源的哪些部分正在被使用以及如何使用。LAD可以幫助教師識別有風(fēng)險的學(xué)生，并讓學(xué)生通過測試和自我評估的結(jié)果得到一個學(xué)習(xí)進(jìn)度的指示，將自己的努力與同齡人進(jìn)行比較。

（2）多模態(tài)學(xué)習(xí)分析

多模態(tài)學(xué)習(xí)分析（Multimodal Learning Analytics，MLA）提出了一種不同的方法來進(jìn)行學(xué)習(xí)分析。它通過捕捉、融合和分析互補(bǔ)的學(xué)習(xí)軌跡來獲得對學(xué)習(xí)過程更健壯和更確定的理解。多模態(tài)學(xué)習(xí)分析的來源包括在線系統(tǒng)捕捉到的、傳統(tǒng)的日志文件數(shù)據(jù)，但也包括學(xué)習(xí)條件和更自然的人類信號，如手勢、姿勢、發(fā)言或動作等。比如姿勢指的是身體或身體在某一特定時刻所采取的姿勢。學(xué)習(xí)者的姿勢可以提供他們內(nèi)部狀態(tài)的信息。例如如果一個學(xué)生趴在桌子上，老師可以推斷出學(xué)生對這堂課感到厭煩或不感興趣。

（3）自然語言處理技術(shù)

語言是教育領(lǐng)域的中心，因?yàn)樗墙涣骱屠斫庑畔⒌那?。因此，學(xué)習(xí)分析領(lǐng)域的研究人員能夠從發(fā)展分析語言的方法中獲益。自然語言處理（Natural Language Processing，NLP）技術(shù)就提供這樣的途徑。NLP技術(shù)用于提供與特定任務(wù)相關(guān)的語言的不同方面的計算分析。目前有多種可用的NLP工具，這些工具的主要關(guān)注點(diǎn)是對人類語言輸入的自動解釋，以推動人類和計算機(jī)之間的交互，或者人機(jī)交互。因此，這些工具度量了理解文本的各種語言特征，包括連貫性、句法復(fù)雜性、詞匯多樣性和語義相似度。

六、結(jié)束語

置身于大數(shù)據(jù)時代，我們應(yīng)該能夠利用大數(shù)據(jù)的有效手段來對教育數(shù)據(jù)進(jìn)行分析，這無論對教師、學(xué)生還是教育管理者都具有極大的意義，這些包括分析干預(yù)的干預(yù)教育，為學(xué)生提供建議，更好的課程建模和學(xué)位規(guī)劃，更好地理解學(xué)習(xí)者和學(xué)習(xí)過程，以及理解學(xué)生的長期成功因素。教師可根據(jù)學(xué)生的行為特征更好的制定學(xué)習(xí)計劃和制作學(xué)習(xí)資源；學(xué)生可找到適合自己的學(xué)習(xí)方式，進(jìn)而達(dá)到個性化學(xué)習(xí)的目的；教育管理者可針對其中反映出來的問題制定更加合理的評價系統(tǒng)和管理策略。同時，我們可以注意到，學(xué)習(xí)分析的潛力不僅被教育機(jī)構(gòu)所認(rèn)可，還包括開發(fā)教育軟件的公司，如智能導(dǎo)師系統(tǒng)、教育游戲、學(xué)習(xí)管理系統(tǒng)或MOOC平臺等。

參考文獻(xiàn)：

[1]Bienkowski，M.，F(xiàn)eng，M.，Means，B.Enhancing Teaching and Learning through Educational Data Mining and Learning Analytics：An Issue Brief[R].Washington， D.C.：U.S. Department of Education， Office of Educational Technology，2012.

[2]顧小清，張進(jìn)良，蔡慧英.學(xué)習(xí)分析：正在浮現(xiàn)中的數(shù)據(jù)技術(shù)[J].遠(yuǎn)程教育雜志，2012（1）：18-25.

[3]顧小清，劉妍，胡藝齡.學(xué)習(xí)分析技術(shù)應(yīng)用： 尋求數(shù)據(jù)支持的學(xué)習(xí)改進(jìn)方案[J].開放教育研究，2016，22（5）：34-44.

[4]劉三，彭晛，劉智等.基于文本挖掘的學(xué)習(xí)分析應(yīng)用研究[J].電化教育研究，2016（2）：23-30.

[5]劉三，李卿，孫建文等.量化學(xué)習(xí)：數(shù)字化學(xué)習(xí)發(fā)展前瞻[J].教育研究，2016（7）：119-126.

[6]吳永和，陳丹，馬曉玲等.學(xué)習(xí)分析：教育信息化的新浪潮[J].遠(yuǎn)程教育雜志，2013（4）：11-19.

[7]孟玲玲，顧小清，李澤.學(xué)習(xí)分析工具比較研究[J].開放教育研究，2014，20（4）：66-75.

[8]李青，趙越.學(xué)習(xí)分析數(shù)據(jù)互操作規(guī)范IMS Caliper Analytics解讀[J].現(xiàn)代遠(yuǎn)程教育研究，2016（2）：98-106.

[9]魏順平.學(xué)習(xí)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.

[10]吳忭，顧小清.教育大數(shù)據(jù)的深度認(rèn)知、實(shí)踐案例與趨勢展望[J].現(xiàn)代遠(yuǎn)程教育研究，2017（3）：11-17.

（編輯：王曉明）