基于大數據的教育技術研究新范式

[摘 要] 教育技術的發展包含了一系列不同的范式。隨著大數據的崛起和數據密集科學的發展，學習分析學（LA，Learning Analytics）和教育數據挖掘（EDM，Educational Data Mining）成為大數據在教育領域的具體應用，基于數據的教學干預應用程式已出現并在實際教學中使用（如Signals，Moodog等）。文章探討了科學范式，大數據在教育技術領域的應用，以及不同的教育技術范式，提出由于能夠更好地貫徹“以學習者為中心”的教育理念，個性化自適應學習系統將成為以大數據為基礎的新的教育技術范式。

[關鍵詞] 科學范式； 大數據； 智慧教育； 教育技術范式； 個性化自適應學習

[中圖分類號] G40-057 [文獻標志碼] A

[作者簡介] 祝智庭（1949—），男，浙江衢州人。教授、博士生導師，主要從事教育信息化理論、系統架構與技術標準、網絡遠程教育、教學與系統設計以及面向信息化的教師專業發展等研究。E-mail： ztzhu@dec.ecnu.edu.cn。

一、科學范式 （Scientific Paradigms）

美國著名科學哲學家托馬斯·庫恩（Thomas Kuhn）在《科學革命的結構》（《The Structure of Scientific Revolutions》）一書中系統闡述了關于范式的概念和理論。所謂科學范式是指“在一定時間范圍內，能為研究者群體提供樣板問題極其解決方案的普遍公認的科學成就”（Universally Recognized Scientific Achievements That， for a Time， Provide Model Problems and Solutions for a Community of Researchers）。[1]

科學范式的概念是庫恩范式理論的核心。庫恩認為，科學范式具備兩個方面，首先，在科學范圍內，該術語指的是可以被復制或模擬的一組示例性的實驗；其次，這組范例的基礎是共享的先入之見（Preconceptions），這些先入之見形成于證據收集之前，并且影響證據的收集。先入之見體現于兩方面，一是其隱含的假定，一是相關的形而上學的元素；個體科學家對該范式的詮釋可能會有所不同。[2]因此范式界定了某一研究領域的研究方法，即研究什么，研究問題的提出，如何針對研究問題進行研究活動，以及如何對研究結果進行詮釋等。同時，范式具有哲學意義，它暗示了某研究群體的研究遵循的基本理論和研究群體共享的信念和世界觀等。

庫恩同時認為，范式不是一成不變的，它在科學研究的進程中完善、發展，最終可能退出。隨著科學的發展，新的科學范式會出現，補充或者取代舊的范式，這也就成為科學發展進程中的科學革命。在庫恩看來，“科學革命”的實質就是“范式轉換”；在廣泛接受的科學范式里，發現現有理論或者范式無法解決的“例外”，因此嘗試用其他理論取而代之，該理論得以發展最終成為新的范式。在自然科學領域，范式的轉換比較明顯，如伽利略的動力學相當于近代科學的初級階段的范例，愛因斯坦的相對論則為當代科學的研究發展提供了模式。

庫恩本人認為范式這一概念不適合社會科學范疇。原因是當他在社會學者聚集的帕洛阿爾托學者中心寫《科學革命的結構》一書時，觀察到社會科學學者們在諸多理論方面存在分歧。因此他在書的前言中特意指出，他之所以提出范式的概念正是為了將社會科學從自然科學中區分開來，他認為在社會科學中不可能存在任何范式。然而盡管社會科學不可能像自然科學那樣在某一特定時期存在一個范式，在相對較小范圍的研究領域，如社會學、人類學、教育學等或其下屬領域內，可能存在支持這些領域的研究范式、研究傳統、研究計劃等。這些較小領域的研究特征能夠激發不同領域的研究，界定什么是或不是研究證據，以及為控制與其他相似研究領域的學術爭論。例如，斯金納行為主義和個人建構理論同屬于心理學和教育學研究范疇，這兩個心理學子學科的一個最顯著區別是對意義和意向的關注（Meanings and Intentions）。在個人建構理論中，這兩個概念屬于核心問題，但在行為主義中，它們不能作為科學證據，因為他們無法被直接觀察到。[3]另外，學者們認為，[4]雖然社會科學內也存在明顯的概念方面的改變，如從行為主義到認知方法，但是它們與自然科學范圍內的科學革命不同，原有的理論一般不會被完全摒棄，而是仍舊在新的范式占據統治地位的情況下擁有一席之地。

Thagard提出并闡述了理論（Theories）與方略 （Approaches）的區別。理論是指“相關假定的集合，對大范圍的實證研究結果和事實進行解釋和歸納概括的基礎”，方略是“實驗研究方法和詮釋風格的集合”。[5]Thagard認為，由于整個社會科學領域并不存在一個統一廣泛的支持各個學科的理論基礎，社會科學的變革更多的是由于研究方略的改變，而不是源自對理論統一性的評估。也就是說，社會科學范式，更多的偏重是指研究方略方面。本文之所以提出這點，是因為本文目的之一是評估新的研究方法，即大數據（Big Data）催生的數據密集科學（Data-Intensive Science）對教育技術研究范式，即教育技術研究方法的影響。

二、悄然興起的大數據分析與應用

大數據一詞出現于1997年，NASA研究人員Michael Cox 和 David Ellsworth第一次用該詞描述上個世紀90年代出現的數據方面的挑戰，即超級計算機生成的巨大的信息數據量。當時，Cox和Ellsworth對實驗中產生于飛機周圍的模擬氣流數據無法進行處理或者將其可視化。“數據集相當大，對主內存、本地磁盤，甚至遠程磁盤都造成挑戰，”他們寫道，“我們稱此問題為大數據?！盵6]

大數據的產生與信息技術、互聯網等密不可分并且以越來越多的方式產生，[7] 如多媒體內容、社會網絡以及各類傳感器， 不論是傳統的數據密集型行業如基因研究、藥學，還是互聯網新貴，都面臨著儲存分析大數據的問題。例如Facebook 擁有超過9億的用戶，并且用戶數量仍在增長；Google 每天有30億的搜索查詢，Twitter 每天處理4億次的短信，相當于大約12TB的數據量。

時至今日，大數據尚沒有系統統一的定義和理論，學者們一般只是用該術語描述難以用傳統軟件和方法分析的超大量的復雜的數據。[8]Laney[9] 首先提出用“3Vs”（Volume，Velocity，Variety）的概念， 在此基礎之上，IBM [10]用“4Vs”描述大數據， 即大數據應該具備四個維度，大體量 （Volume）、高速度（Velocity）、多樣化（Variety）和真實性 （Veracity）。大體量是指各種類型的不斷增長的數據很容易積累到百萬兆字節甚至千兆兆字節（Terabytes—Even Petabytes）的信息。高速度是指及時處理大數據的必要性，例如分析大量的當日呼叫詳細記錄可以實時預測客戶流失的程度等。多樣化是指數據形式的多樣性，如可以分析多種數據的變化包括文本、圖像、音頻等來提高客戶滿意度等。真實性則意味著大數據提供信息的可信度，以及據此決策的可靠程度。還有些學者[11]（Quinn， 2012）認為應該加入另外兩個V：Value （價值） 和 Visualization （可視化）。 關于類型，學者們認為數據，不論是否是大數據都分屬三種類型：非結構化數據、半結構化數據、結構化數據。[12][13][14]非結構化數據指沒有格式的數據，如PDF、E-mail 和文檔。結構化數據具備一定格式，便于存儲、使用和從中提取信息，例如傳統的事務型數據庫。半結構化數據是指類似XML和HTML 的有一定加工處理的數據。

大數據的應用和影響體現在各個領域。大數據不只意味著體量的大小，它同時意味著研究方法更傾向于利用新的多種類型的數據獲取信息，以數據為基礎進行研究，并作出決策。在天文研究方面，美國的The Sloan Digital Sky Survey[15] （SDSS2008）成為天文學家的主要信息來源，同時，天文學家的主要工作也從包括拍攝星空圖片等變為主要應用數據庫查詢和發現天象的變化。對企業來說大數據的應用則意味著更好的商業決策，有些公司如Google、Amazon，Yahoo等，分析利用此類數據，并將其結果作為擴張市場的依據或者提供個性化服務的方向，因此公司得以快速成長。大數據的出現和潛在的價值也引起了各國政府的注意。例如，奧巴馬政府2012年宣布，每年將花費超過2億美元在大數據研究應用方面，以致力于科學探索、環境、生物醫學、教育和國家安全方面的研究。[16]在教育領域，隨著遠程教育的發展和LMS（如Blackboard 和 Moodle等）的應用，大數據的潛在應用也越來越廣。這些系統每天都記錄大量的學生交互信息、個人數據、系統數據等。[17]這些也促進了教育界學習分析學（LA， Learning Analytics）和教育數據挖掘 （EDM， Educational Data Mining）的發展應用，以及教育技術領域的研究范式的變化。

三、“數據密集科學”作為科學研究第四范式所帶來的機遇與挑戰

大數據作為一個通用術語，實際描述著正在發生的影響到自然科學、工程學、醫學、金融、商業、直至整個社會的科學革命。正是基于大數據的出現以及影響，Jim Gray[18]在2007年提出了數據密集型科學（Data-Intensive Science）的概念。Gray 認為，從進行科學研究的方法的角度來看，從古至今存在的科學研究方法范式包括：

1. 實證式（實驗科學）（Empirical/Experimentation）分支，開始于1000年前，主要的研究方法是對自然現象的描述論證，對自然現象進行系統歸類，如對化學元素的分類；

2. 理論式（理論推演）（Theoretical）分支，當科學假設與預期結果一致時，則使得理論框架開始占有一席之地，出現于數百年前，主要采用建模方式，由特殊到一般進行推演；

3. 計算式（計算機仿真） （Computational）分支，開始于幾十年前，主要方法為利用計算方式模擬復雜現象，科學數據可以用模擬的方法獲得，而不再依賴于單一的實驗；

4. 數據密集型科學（Data-Intensive Science），在前三種方法的基礎之上，采用IT技術獲取、處理、存儲、統計分析大數據，從中獲取知識。

數據密集型科學被稱之為科學研究的“第四范式”，與其他三種范式一起成為科學研究的方法，它的出現與大數據密切相關。 因此，Gray提出的“范式”更接近于Thagard[19]提出的“方略”。

Gray[20]認為，數據密集科學包含三項針對數據的活動：獲取、存儲維護、分析。大數據給科學研究帶來巨大改變的同時，也意味著多方面的挑戰。學者們認為，整個數據獲取到分析的過程都存在不同的困難和挑戰。[21]例如，在獲取數據時，如何摒棄無用的數據，如何做到在數據收集的過程中過濾數據以免卻儲存之后再進行處理的麻煩；同時，如何自動產生元數據（Meta Data）對數據進行描繪。其次是數據存儲，即數據庫存問題，事務性數據庫不適合存儲關系不明確的大數據。在分析方面，傳統的統計算法的前提是數據的同質性（Homogeneity），大多數大數據不具備此特性。針對這些挑戰（大數據的非結構化，具有多樣性，同時數量巨大），傳統的關系數據庫無法滿足要求；NoSQL （Not Only SQL）數據庫則為存儲和檢索大數據提供了可能。Google的Google File System、Big Table、Map Reduce 代表了這方面的技術創新。

在《第四范式：數據密集型科學發現》[22]一書中，多位作者提出了各個科學領域的研究與大數據結合的必要性和數據密集科學對不同領域科學研究方法的影響，包括地球與環境科學、生命與健康科學、數字信息基礎設施和數字化學術信息交流等。他們也描述了大數據以及數據密集科學影響下不同領域的科研活動、過程、方法以及成果，拓寬了不同學科領域應用大數據的思路。例如，Robertson[23]等在討論發展中國家的醫療合作時，描述了他們的以計算機和手機結合為基礎的NxKM （NxOpinion Knowledge Manager）系統。該系統包括一個有專家開發的知識庫、一個醫療診斷引擎和一個手機界面，用來輸入患者信息并根據該信息自動產生問題（多項選擇），以從患者獲得更多信息。因此，雖然患者信息可以由當地人連接輸入系統，但該信息由遠程專家分析，因此，多方面的合作以及信息數據的綜合使用，使得診斷結果和診治手段也將更加可靠。該書雖然涵蓋了多方面內容，包括信息密集型科學研究范式對地球環境、醫學、認知科學、學術信息交流等方面的深刻影響，但沒有涉及大數據對教育，尤其是教育技術的影響。

四、教育技術研究范式演變軌跡

本文對教育技術不做定義方面的明確界定，它基本等同于英語的Educational Technology、Instructional Technology或者Instructional Development[24]（Dills Romiszowski， 1997），其研究核心是應用技術支持教學和學習。教育技術研究的核心方略是設計研究，本文從研究范式的角度出發，主要目的是看教育技術的范式的特點、演變以及大數據對教育技術研究可能產生的影響。

首先，學者們認為，在教育技術領域，正如整個社會科學領域，從來都是多范式并存的。即從未有過只有一個范式存在而其他范式完全退出教育技術學術圈的情況，盡管也許在某個時期存在一個占據主要地位的范式。[25]例如當斯金納心理學占據統治地位的時候，與之對壘的非斯金納行為主義地位次之，同時之前影響最大的弗洛伊德心理學的影響依然在某種程度上存在，而未來的范式（認知信息加工理論）也開始嶄露頭角。另外，Saettler[26]認為20世紀的教育技術領域存在四種范式：物理科學或者媒體理論、傳播學和系統理論、行為主義和新行為主義觀點、認知理論。也有些學者描述了教育技術研究和評估領域內的范式變化，如Driscoll[27]概括了八種教育技術研究范式，Clark 和Sugrue[28]描述了媒介研究（Media Research）中行為主義和認知理論范式對于研究設計和研究問題形成的影響。其次，Reigeluth[29]認為，教育技術范式的改變是從整個社會的變化開始，而且其改變的速度隨著人類知識庫的迅速增長和科技的高速發展越來越快。大部分的教育技術范式研究中囊括了多種的技術應用，同時很多研究更偏重于理論方面的變遷，而Koschmann則詳細論述了計算機為基礎的教育技術范式演變。[30]

Koschmann認為：[31]在計算機進入教育領域后，教育技術作為一個獨立的研究領域才開始出現，因此針對教育技術范式的研究也應該集中在以計算機為基礎的技術方面；同時他認為教育技術研究也經歷了一系列范式轉換。他應用庫恩的理論，主要描述了四種涉及計算機的教育技術范式，即計算機輔助教學（CAI， Computer-Assisted Instruction）、智能教學系統（ITS，Intelligent Tutoring System），Logo-as-Latin以及計算機支持的協作學習（CSCL，Computer-Supported-Collaborative Learning）。

Koschmann強調，CAI主要是針對教學技術的設計和評估的研究范式，他在后來的研究中認為，[32]CAI并非與計算機同時出現，相反，它可能是桑代克（Thorndike）教育心理學研究范式的延伸和擴展。IBM公司開發的Coursewriter（一種課件著作軟件）被認為是CAI開始的標志，即使沒有任何編程經驗，人們也可以用該系統開發自己的教學課件。由于CAI開發人員大部分具有教學背景，CAI系統大多反映了教育界對教和學的認知，即學習是被動獲取信息的過程，而教學則是知識傳遞的過程。CAI系統一般貫徹如下學習策略和措施：確定學習目標，將學習目標分解為一系列學習任務，然后開發一系列學習活動，以達到預定學習目標。CAI同樣以行為主義和實證主義為理論基礎，因此CAI研究人員認為學習是可測量的學習成績或者能力水平的變化，學習是CAI 研究中的因變量，而學習過程中引進的技術方面的創新成為干預措施和自變量。對照組的使用在研究中很常見，研究問題通常為：使用該項技術對教學有何影響？因此，教學效驗（Instructional Efficacy）成為該范式下的核心研究問題。

第二個范式為ITS，起源于人工智能，以Carbonell[33]的博士論文的出現為標志。ITS理論認為，認知是一個計算過程，可以通過建立模擬人腦工作模式的智能型系統來研究。[34]如果智能型行為可以通過系統程序表現，那么具備經驗和技能的教師的角色也可以設計出來。由于一對一教學被認為是金牌標準，[35]因此可以推斷出如果每個學生都有個人的導師，那么整個社會的教育水平都會相應得到提高，這也是智能教學系統研究范式的基本理念。信息加工理論是人工智能前提之一，它認為問題解決是定義問題空間的表征（Representations）的過程，包括初始狀態、目標狀態以及不同狀態之間的一系列運作。在此基礎上，表征成為解決問題和理解認知過程的中心問題，而學習則成為獲取正確的問題空間的表征的過程，教學則是輔助學習者獲取表征的活動。在此過程中技術的角色與其在CAI中并沒有本質不同——然而人工智能系統更注重交互性，也更偏重于復雜技能的習得。與CAI不同，智能教學系統范式的核心研究問題是教學能力，即該系統是否完全能與嫻熟的真正的導師相媲美。因此，研究問題更看重的是系統的效果，而不是學生的成績。

計算機輔助教學與人工智能系統盡管有所不同，但從認知論的角度說，他們都屬于現實主義和絕對主義（Realist and Absolutist），即認為學習是被動獲取知識，而教師是絕對權威。[36]

第三個范式為Logo-as-Latin，意指像學習拉丁語一樣看待LOGO語言的學習。其中LOGO是上個世紀60年代由MIT數學教育實驗室Papert教授領銜開發的程序語言，主要供兒童在編程的過程中學習。該范式以建構主義為理論基礎。建構主義起源于皮亞杰的發展心理學，認為學習是新的信息與已有的知識融合同化的過程。有學者認為，計算機編程可以成為建構主義學習方式的重要角色。[37]例如學生可以建立模擬系統，在此過程中，學習者成為“教師”，而計算機則開創了一個新的教育技術在學習中的角色，即成為“被輔導者”。與CAI不同的是，CAI研究關注教學效果，而Logo-as-Latin研究更專注于教學遷移。編程教學被看作干預手段，學習者在其他相關學習任務上的成績被看作因變量。然而，在后期的文章中，Koschmann認為，[38]Logo-as-Latin與CAI同樣起源于傳統教育心理學，與CAI密切相關，因此應該將它看作CAI的一個變種，而不是獨立的教育技術研究范式。

Koschmann提出的第四種范式是CSCL。CSCL與前三種范式有很多不同之處。首先，前三種研究范式都是建立在心理學基礎之上，其本質是行為主義和認知主義。而CSCL的基礎是人類學、社會學、語言學以及傳播學等。具體說來，其理論基礎包括（不限于）社會建構主義、社會文化理論以及情景認知理論等。社會建構主義認為知識的建構本質上是社會性過程；社會文化理論以維果斯基的文化—歷史理論為代表，強調語言在智力發展過程中的作用；情景認知理論認為，學習是進入實踐共同體（Community of Practice）的過程，“要想學會如同真正的專業從業人員那樣使用一個工具，一個學生就應該像一個學徒，必須融入該社區及其文化。因而，在相當大的程度上，學習是，我們相信，一個文化熏陶的過程”[39]。因此CSCL范式中，學習的社會性和文化性成為核心問題。不同于前三種范式針對的問題（教學效果、教學能力、教學遷移），CSCL被稱為“演繹的實踐性教學”（Instruction as Enacted Practice）。CSCL研究范式有幾個特點：（1）研究問題比較集中在學習過程而不是結果；（2）研究多傾向于描述性，而不是實驗性；（3）很多研究者樂于以參與者（CSCL成員）的角度研究合作學習的過程。因此CSCL研究著眼于參加者的談話，合作過程中使用的工具，合作小組的成果等。CSCL范式下的研究問題包括：學習如何在學習者的語言中表現出來？社會性因素如何影響學習過程？技術如何在合作學習中應用？Koschmann將這這四種范式做了簡單對比，見表1。

五、數據密集科學影響下的教育技術

研究范式：個性化自適應學習

數據密集型研究方法捕捉了整個信息時代帶來的大數據的基本整體影響。在不同的領域，研究方法的側重和目的不同，因此各有特點。如在工業界，商業智能系統（Business Intelligence System）體現了大數據對決策的影響。在教育領域，美國教育部在一份簡報中指出，[40]大數據在教育領域的具體應用主要為學習分析學 （LA， Learning Analytics）和教育數據挖掘 （EDM， Educational Data Mining）。EDM 和LA 之間沒有明確的分界線，但它們的起源、理論和目標不盡相同，并且逐漸成為涇渭分明的兩個研究領域。

EDM 的目的是研究和利用統計學、機器學習和數據挖掘方法來分析教和學的過程中產生的數據。學者們認為，EDM的研究目的包括以下方面：[41]（1）應用多方信息如學生的知識程度、動機、元認知、學習態度等建立學生模型，并以此預測學生的學習行為；（2）發現或改進學習內容展現和最佳教學序列的領域模型；（3）研讀由學習軟件提供的不同的教學支持的效果；（4）建立包括學生、領域模型和教學軟件的計算模型，推動關于學習和學習者的科學研究。

美國教育部的簡報中總結了EDM針對和所要回答的問題：[42]（1）什么樣的教學順序（不同學習主題）對不同特點的學生最有效？（2）什么樣的行為與更好的學習成績相關（如較高的課程學習成績）？（3）什么樣的學生的行為指標預示了學生的滿意程度、參與度和學習進步，等等？（4）什么特點的在線學習環境能導致更好的學習成績？（5）什么因素能夠預測學生取得成功？

Siemens將LA定義為“關于學習者以及他們的學習環境的數據測量、收集、分析和匯總呈現，目的是理解和優化學習以及學習情境”。[43]LA的一個重要應用是監測和預測學生學習成績，及時發現潛在問題，并據此作出干預，以預防學生在某一科目或者院系課程學習中產生風險。[44]相比于EDM，LA借鑒了更廣泛的學科，除了計算機科學、統計學、心理學、學習科學，還引進并應用信息學和社會學的理念和技術。[45]LA回答的問題如下：（1）什么時候學生可以進行下一個學習主題？（2）什么時候學生可能在某一門課程中落后？（3）什么時候某個學生可能有完不成一門課程的風險？（4）如果沒有干預補救措施，學生可能得到什么樣的成績？（5）對特定學生來說，下一個最好的課程是什么？學生是否需要特殊幫助？

美國教育部[46]的簡報中總結了應用EDM和 LA 的范疇：（1）用戶知識模擬、用戶行為分析、用戶經驗分析；（2）用戶分類/分組（Profiling）；（3）知識域模擬如學習課題分類排序等，知識元素與相應的教學原則分析；（4）趨勢分析；（5）自適應和個性化學習。

應用LA和EDM數據分析結果，教師可以更好地了解學生，理解和觀測學生的學習過程，發現最合適的教學方法和順序，及時發現問題并進行干預，以提供個性化的學習服務為主旨。現在已經研發出的應用系統案例有普渡大學的“課程信號系統”（Course Signals System，以下簡稱Signals）[47]、在美國加州大學圣巴巴拉分校以及阿拉巴馬大學使用的Moodog，[48] 以及美國西部州際高等教育委員會教育技術合作部（WICHE，WCET，Western Interstate Commission for Higher Education，Cooperative for Educational Technologies）的教育大數據分析項目——預測分析報告（PAR，Predictive Analytics Reporting）系統。[49]

Signals系統通過數據挖掘和統計預測模型，根據多個變量（表現指標包括：現有平均分和努力程度，如學生LMS的交互頻率；個性特點指標包括學術準備，如高中平均分和各項標準考試成績；學生特點，如是否為美國居民、年齡和選修學分）來預測學生是否能夠完成/通過該課程。Signals 在課程進行的過程中，以交通信號指示燈的方式，讓學生了解自己的學習狀況：課業良好（綠色），課業中度危急（黃色），或者課業嚴重危急（紅色）。同時教師可以提供給學生有效的反饋信息，引導學生使用合適的資源等來提高成績。[50]Moodog的主要功能是跟蹤記錄學生在課程管理系統（CMS，Course Management System）上的學習活動，其基本目標有兩個：（1）為教師提供學生與在線學習材料交互情況；（2）幫助學生將自己的學習行為和進程與其他學生相比較。[51]

PAR[52]的主要目的是應用EDM技術，分析跨越多所高等院校的學生數據，以期發現并確認影響學生退學/以及是否能夠畢業的因子，并據此實施有效的教學干預。參與PAR的高校包括兩年制和四年制高校，有公共學校和私立學校，亦有傳統高校和非傳統高校如網絡大學。已經有16個WCET成員機構提交了1，700，000條匿名和去身份標識的學生記錄以及8，100，000條課程級別數據記錄。所有高校使用統一的數據模型，該數據模型包括以下核心數據元素。（1）總體元素：基本框架，描述所有PAR數據的基本概況。（2）學生一般元素：描述學生人口數據和學術背景信息。（3）學生課程元素：描述學生參加的課程和學生的課程成果。（4）學生的學術元素：學生級別的數據。（5）課程目錄的元素： 教育機構開辦的PAR學生就讀的課程細節信息。（6）學校元素：學術單位的具體信息。

應用描述、推理和預測分析技術，PAR項目初步發現32個影響學生學習以及退學的普通變量（多為學生特點變量），包括性別、種族、學位種類、多種專業、課程數量、班級人數等。其他發現如學生的性別、年齡以及種族與該生是否會退出某門課沒有關系。該研究仍在繼續。

這些系統目前的主要功能是分析學生的網上學習活動，判斷實施干預措施的時間以及方法等；其潛在功能則可能包括教師可以根據學生使用學習資源的情況發現哪些最受學生歡迎或者哪些活動影響學習成績，提供適合不同學生需要的學習材料；調整學習順序或者學習活動等；最終，完善的學習系統可以根據學生的特點（學習風格、已有知識、動機情況等）引導學生使用適合自己特點的學習材料和學習路徑。因此EDM和LA在教育技術領域內的應用最終指向個性化學習和自適應學習環境的研究和開發。

美國教育部簡報認為應用LA和EDM技術達成預測學生學習和干預學習過程的自適應學習環境應該包括六個部分：[53]（1）自適應學習內容，通過與學生的交互活動，可以辨別學生的水平和能力，因此可以管理、維護和呈現適合特定學生的學習內容；（2）學生學習數據庫，用來獲取存儲學生與學習內容的互動，包括時間和行為等；（3）預測模型，應用學生學習數據和人口統計數據（儲存在另外的數據庫中，如年齡種族等），追蹤學生學習過程，預測未來行為以及成績，如課業成績，是否有可能輟學等；（4）可視化報告，將預測模型產生的結果用儀表盤形勢表現出來；（5）自適應引擎，用來操控學習內容，確保學習內容適合學生的能力和特點；（6）干預引擎，教師、管理員、系統開發人員等可否決系統提供的建議進行人為干預。除了六個自適應系統內部組成部分外，還包括一個外部的學生信息系統。這個信息系統是由學校學區或者地區教育部門持有維護的學生背景信息資料，如年齡、性別、所學過的課程、成績、學習風格等。預測模型可以從中獲取數據作為預測學生行為成績等的部分依據。圖1提供了自適應學習系統的概況。

圖1中的箭頭和數字表示自適應學習環境中的數據流的方向和順序。整個自適應學習系統包括三個信息反饋回路數據流（Feedback Loop）。數據流的第一步是學生與學習內容的交互，交互內容被儲存于學生學習數據系統里（第二步），第三步則是預測模型抽取學生學習數據和背景數據，應用LA和EDM技術進行分析，然后將結果傳遞至自適應引擎（第四步），自適應引擎據此針對特定學生作出學習方面的調整，而這些調整則通過學習內容策略等的改變表現出來。同時，預測結果也可以通過數據儀表盤（數據可視化面板）傳達給教師和管理人員（第五步）。當學生、教師，管理人員等得到相關信息時整個反饋回路得以完成。學生通過自適應引擎獲取的反饋信息包括學習活動情況、學習目標/技能完成程度、測評結果等，學生可據此更好地進行自我調節學習（Self-Regulated Learning），如在自己尚未完全掌握的學習內容上投入更多時間、改變學習策略等。教師方面獲得的信息則包括學生整體學習情況以及每個學生的學習情況，教師可以根據這些信息做出課程內容以及進度方面的調整，例如決定是否對個別學生進行干預，提供更多學習資料等。管理人員獲取的信息則是包括多門課程、多個學生和教師的情況。根據整體信息，管理者可以知道哪門課程的學生成績不盡如人意、哪些特點的學生的成績更出色等。管理層可以據此作出決策，如增加某門課程作為另一課程的先決條件（Prerequisite）等。

美國教育部簡報中的自適應學習系統通過LA和EDM，引導學生了解自己的學習狀況，為教師的教學干預提供依據，也使得管理層更好地進行決策。然而，以數據密集科學為基礎，LA和EDM 技術能夠更好地分析學生的需要和特點，從而使得學習更傾向于個性化。因此我們認為基于數據密集科學的自適應學習系統應該體現個性化的學習特點，下一個教育技術研究范式是個性化自適應學習（Personalized Adaptive learning，簡稱PAL）， 即在自適應基礎之上，學習內容更體現學生特點和需求。根據學生的特點（已有知識，學習風格等）和其他信息（年齡，性別，興趣等）數據可以將學生分組（Profiling），學習系統可以根據學生特點和需要推薦學習內容，教師針對不同特點的學生提供豐富的學習材料，學生同時可以自己選擇學習材料、測評方式等。圖2提供了PAL系統的基本結構。

圖2中虛線部分代表了學習內容生成的過程：學生背景數據（以往成績、所學課程、學習風格等）導入預測模型，分析生成可視化數據，教師據此設計適合不同特點學生組的不同學習內容。圖2的實線箭頭部分代表了自適應學習過程和數據流。自適應學習過程與圖1一樣，由三個反饋回路組成。

不同于以往的個性化學習和自適應學習的是，PAL環境將以大數據為基礎，納入EDM和LA數據分析和結果，因此能夠提供更適合特定學生的學習內容，獲取更多和更精確的學習者信息和學習活動信息，更好地分析學習過程模式和學習活動有效性，更準確地進行學習評估等。

PAL與Koschmann的四個教育技術范式相比較，其獨特之處在于它傾向于利用多方面數據：一方面根據已經存在的數據，提供適合學生特點和需要的學習內容；另一方面分析已有數據和學習過程中產生的數據，根據結果發現問題，并采取個性化干預措施。因此其基礎為數據密集科學，同時體現了以學生為中心，根據學生的個性特點，發展潛能來進行教學的人本主義的教學觀念。

六、機遇與挑戰

個性化自適應學習能夠體現“以學習者為中心”的學習理念，并且與智慧教育[54]的主張不謀而合，成為教育技術的一個新的研究范式。智慧教育主張借助信息技術的力量，創建具有一定智慧特性（如感知、推理、輔助決策）的學習時空環境，旨在促進學習者的智慧全面、協調和可持續發展，通過對學習和生活環境的適應、塑造和選擇，以最終實現對人類的共善（對個人、他人、社會的助益）。智慧教育充分體現了“以學習者為中心”的思想，強調學習是一個充滿張力和平衡的過程，揭示了“教育要為學習者的智慧發展服務”的深刻內涵。

智慧學習環境的一個基本特征是：基于學習者的個體差異（如能力、風格、偏好、需求）提供個性化的學習服務；并記錄分析學習歷史數據，便于數據挖掘和深入分析，數據結果用于評估學習過程、預測未來表現和發現潛在問題，并以數據分析結果進行干預。因此以大數據為基礎的個性化自適應學習將成為智慧學習環境的重要組成部分。同時，EDM和LA能夠為高校提供有效信息，對學生進行干預，最終能夠提高學生成就，降低輟學率，提升畢業率。

另外，大數據除了支持學習過程分析外，還可以在知識表征（概念提取、本體建立、可視化）與利用（自動翻譯、答疑）方面大有可為，因此，除PAL方式外，大數據能夠促進個性化學習服務與社會智慧發展，促進人本主義教育理念的實現，并且成為社會知識生態發展模式的重要組成部分。

總而言之，大數據為教育技術的發展帶來很多可能性，例如創建個性化自適應學習環境、知識發現工具、管理決策平臺等，同時它的應用面臨諸多挑戰。首先是來自數據方面的挑戰：如何儲存海量的非結構化數據，例如學生的討論等文本數據？如何分析這些復雜數據？如何真正理解數據結果并傳達給非數據專業人員？只有當大數據管理技術、數據分析以及數據可視化工具方面取得突破性進展，才有可能真正實現以學習者為中心，滿足不同學習者的需要的個性化自適應學習環境。其次，數據密集型科學的應用在教育方面的體現主要是LA和EDM，通過數據使得學習過程透明化，并以數據為基礎分析學生的行為和學習成績。這些數據可以傳達“發生了什么”，而不能回答“為什么”，尤其是那些數據中沒有體現出來的原因。因此如何將無法從數據中觀察到的因素，如學生的學習動機、情感等納入干預設計，仍有待進一步研究。

[參考文獻]

[1] Thomas S.Kuhn. The Structure of Scientific Revolutions（3rd Edition）[M]. Chicago： University of Chicago Press， 1996：10.

[2] T.S.Kuhn.The Structure of Scientific Revolutions（2nd Edition） [M]. University of Chicago Press，1970： 88 and 41respectively.

[3] Wikipedia， the free encyclopedia[EB/OL].http：//en.wikipedia.org/wiki/Paradigm.

[4] [5] [19] P.Thagard. Conceptual Revolutions[M]. Princeton， NJ： Princeton University Press，1992.

[6] U.Friedman（2013）. Big Data：A Short History[DB/OL].[2013-05-10].http：//www.foreignpolicy.com/articles/2012/10/08/big_data？page=0，1.

[7] [12] Purcell，B.. Theemergence of “big data” Technology and Analytics. Journal of Technology Research[DB/OL].[2013-05-10].http：//www.aabri.com/manuscripts/121219.pdf.

[8] C.Snijders，U.Matzat，U.-D.Reips.‘Big Data’：Big Gaps of Knowledge in the Field of Internet Science[J].International Journal of Internet Science， 2012，（7）：1～5.

[9] Doug Laney. 3-D Data Management： Controlling Data Volume， Velocity and Variety[DB/OL].[2013-04-10].http：//blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-Data-Management-Controlling-Data-Volume-Velocity-and-Variety.pdf.

[10] IBM[DB/OL].[2013-05-10]http：//www-01.ibm.com/software/data/bigdata/.

[11] E.Quinn. The 6 Vs： The BI/Analytics Game Changes so Microsoft Changes Excel[DB/OL].[2013-05-10].http：//www.esg-global.com/blogs/the-6-vs-the-bianalytics-game-changes-so-microsoft-changes-excel/.

[13] C.Coronel， S.Morris， P.Rob. Database Systems： Design， Implementation， and Management（10th Ed.）[M]. Boston： Cengage Learning， 2013.

[14] P.Baltzan. Business Driven Information Systems， （3rd ed.） [M]. New York： McGraw-Hill，2012.

[15] SDSS-III： Massive Spectroscopic Surveys of the Distant Universe， the Milky Way Galaxy， and Extra-Solar Planetary Systems [DB/OL].[2013-01-10].http：//www.sdss3.org/collaboration/description.pdf.

[16] White House OSTP. Obama Administration Unveils “Big Data” Initiative： Announces $200 Million In New RD Investments[DB/OL]. [2012-03-29]http：//www.whitehouse.gov/sites/default/files/microsites/ostp/big_data_press_release_final_2.pdf.

[17] R.Mazza，C.Milani.GISMO： A Graphical Interactive Student Monitoring Tool for Course Management Systems[DB/OL].[2012-01-10].http：//linux3.dti.supsi.ch/～mazza/Web_area/Pubblicazioni/TEL04/TEL04.pdf.

[18] [20] J.Gray. Jim Gray on eScience： A Transformed Scientific Method[R].The Fourth Paradigm：Data-Intensive Scientific Discovery，2009.

[21] Agrawa， et al.. Challenges and Opportunities with Big Data [DB/OL].[2013-05-11].http：//cra.org/ccc/docs/init/bigdatawhitepaper.pdf.

[22] T.Hey，S.Tansley， K.Tolle（Eds.）.The Fourth Paradigm： Data-Intensive Scientific Discovery. Redmond， Washington. UNT Digital Library[DB/OL].[2013-04-23].http：//digital.library.unt.edu/ark：/67531/metadc31516/.

[23] J.Robertson，D.DeHart，K.Tolle，D.Heckerman. Healthcare Delivery in Developing Countries： Challenges and Potential Solutions[A]. T.Hey， S.Tansley， K.Tolle.（Eds.）. The Fourth Paradigm： Data-Intensive Scientific Discovery[C]. Redmond， Washington，2009：65～73.

[24] [25] C.R.Dills，A.J.Romiszowski.The Instructional Development Paradigm：An Introduction[A]. C.R.Dills， A. J. Romiszowski （Eds.）.Instructional Development Paradigms[C]. Englewood， NJ： Educational Technology Publications， Inc，1997.

[26] P.L.Saettler. The Evolution of American Educational Technology [M]. Englewood， CO： Libraries Unlimited，1990.

[27] M.P. Driscoll. Paradigms for Research in Instructional Systems[A]. In C. R. Dills， and A. J. Romiszowski （Eds.）.Instructional Development Paradigms[C]. Englewood， NJ： Educational Technology Publications， Inc，1995.

[28] R.E.Clark， B.M.Sugrue. Research on Instructional Media， 1978-1988[A]. G.J. Anglin （Ed.）. Instructional Technology： Past， Present and Future （2ed ed.） [C]. CO： Libraries Unlimited.

[29] C.M. Reigeluth. Educational Systems Development and Its Relationship to ISD[A]. G.J. Anglin （Ed.）.Instructional Technology： Past， Present and Future （2ed ed.）[C]. CO： Libraries Unlimited.

[30] [31] [38] T.Koschmann. Paradigm Shifts and Instructional Technology[A]. CSCL：Theory and Practice of An Emerging Paradigm [C]. Mahwah， NJ：Lawrence Erlbaum， 1996：1～23.

[32] T.Koschmann. Revisiting the Paradigms of Instructional Technology[A].Proceedings of the 18th Annual Conference of the Australian Society for Computers in Learning in Tertiary Education[C]. 2001：15～22.

[33] J.Carbonell. Mixed-Initiative Man-Computer Instructional Dialogues[D]. Massachusetts Institute of Technology， 1970.

[34] Z.Pylyshyn. Computing in Cognitive Dcience[A]. M. Posner （Ed.）. Foundations of Cognitive Dcience[C]. Cambridge， MA： MIT Press，1989：51～91.

[35] B.S.Bloom. The 2 Sigma Problem： The Search for Methods of Group Instruction as Effective as One-to-One Tutoring[J]. Educational Researcher， 1984，13（6）：4～16.

[36] M.Schommer. Effects of Beliefs about the Nature of Knowledge on Comprehension[J]. Journal of Educational Psychology， 1990，82： 498～504.

[37] S.Papert. Mindstorms[M]. New York： Basic Books，1980.

[39] J.S.Brown， A.Collins， P.Duguid. Situated Cognition and the Culture of Learning[J]. Educational Researcher， 1989，18（1）：32～42.

[40] [42] [45] [46] [53] U.S. Department of Education， Office of Educational Technology. Enhancing Teaching and Learning Through Educational Data Mining and Learning Analytics： An Issue Brief， Washington， D.C.[DB/OL].[2013-05-20].http：//www.ed.gov/edblogs/technology/files/2012/03/edm-la-brief.pdf.

[41] R. S. J. D.Baker， K. Yacef. The State of Educational Data Mining in 2009： A Review and Future Visions[J]. Journal of Educational Data Mining， 2009，1（1）：3～17.

[43] G.Siemens. Learning Analytics A Foundation for Informed Change in Higher Education[DB/OL].[2013-01-17].http：//www.slideshare.net/gsiemens/learning-analytics-educause.

[44] L.Johnson， R. Smith， H. Willis， A. Levine， K. Haywood. The 2011 Horizon Report. Austin， TX： The New Media Consortium. [DB/OL].[2013-05-20].http：//net.educause.edu/ir/library/pdf/HR2011.pdf.

[47] K. E.Arnold. “Signals： Applying Academic Analytics[DB/OL].[2013-04-18].http：//www.educause.edu/EDUCAUSE+Quarterly/EDUCAUSEQuarterly MagazineVolum/SignalsApplyingAcademicAnalyti/199385.

[48] EDUCAUSE. 2010. Next Generation Learning Challenges： Learner Analytics Premises[DB/OL].[2013-04-18].http：//www.educause.edu/Resources/NextGenerationLearningChalleng/215028.

[49] [52] WCET Predictive Analytics Reporting （PAR） Framework [DB/OL].[2013-05-11].http：//wcet.wiche.edu/advance/par-framework.

[50] R.Ferguson. The State of Learning Analytics in 2012： A Review and Future Challenges[DB/OL].[2012-12-11].http：//kmi.open.ac.uk/publications/pdf/kmi-12-01.pdf.

[51] H.Zhang， K.Almeroth， A.Knight， M.Bulger， R.Mayer. Moodog： Tracking Students' Online Learning Activities[A]. World Conference on Educational Multimedia， Hypermedia and Telecommunications [C].2007：4415～4422.

[54] 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）：1～13.