網絡開放課程之學習分析模式探微

如何對網絡開放課程中的海量學習數據進行采集、存儲、分析與表示，并利用分析結果做出決策、優化學習、提高績效，日益成為亟待解決的問題。NMC地平線報告中介紹的學習分析技術有助于這一問題的解決。根據我國開放課程的現狀與學習分析法的特征，開放課程環境下學習分析的研究對象與服務對象具有一定的特殊性。學習分析模式包括采集、存儲、分析、表示與應用五個層級；建模時需充分考慮數據與利益相關者的特殊性。未來，學習分析模式的應用在理論基礎、數據標準、算法模型、隱私與安全性等方面面臨著挑戰。

開放課程；學習分析；大數據

近年來，隨著通信技術與移動技術的發展，網絡信息“實時化、碎片化與海量化”［1］的特征日益凸顯。對我們來說，大數據時代悄然來臨。在此背景下，美國新媒體聯盟（New Media Consortium，簡稱NMC）發布的地平線報告認為學生的在線學習活動中亦生產了海量的數據，從中可挖掘出有價值的內容來為教育服務。高等教育領域MOOC越發受到人們的推崇而迅速發展。在MOOCs的國際化影響下，我國的開放課程建設于2011年起步，這標志著我國以大學生為主體、社會大眾廣泛參與的大規模在線學習時代的到來。在這種學習環境中，如何監視學生的學習過程，實施有效的過程評價，幫助學生形成自我評價意識，促進個性化學習，評價教師的教學效果，為教學管理與決策提供依據，成為了目前不容回避的問題。而解決這些問題的共同基點在于對課程中生成的海量的、零散的學生信息（如知識基礎、智力水平）與學習數據（如學習內容、怎樣學習、努力程度、測驗成績）進行分析。為此，將學習分析技術嵌套到開放課程中是十分重要的。

本文試圖通過對2011年至2014年地平線報告中學習分析概念、案例與特征進行梳理，結合目前我國開放課程中的問題探討國內開放課程的學習分析模式，旨在解決三個問題：第一，大數據學習分析方法與國內開放課程的結合點在哪里？第二，如何構建開放課程背景下的學習分析模式？第三，應用學習分析模式面臨哪些問題？

一、開放課程建設面臨的問題分析

本文所提到的開放課程著重是指目前仍在建設并日益受到重視的國家精品開放課程。如今，國家精品開放課程已對提高我國高等教育質量起到了一定的推動作用，但不可否認，其中亦存在一些問題，研究認為至少包括以下三點。

1.缺乏一流的教師隊伍

有關研究表明，“近年來很多高校為了追求科研的數量和質量，忽略了教學質量，出現了很多研究能力強的教授與學者，但學生卻不買賬，原因是這些學者缺乏教學能力，不能很好地將智慧和知識外顯出來。”［2］這在一定程度上表明了目前我國開放課程教師的整體教學水平并不高，教學效果不盡如人意。國家精品開放課程的教學對象不僅包括大學生，而且還面向社會大眾，旨在向整個社會提供優質的高等教育資源，傳播優秀的人類文明成果。這就要求主講教師不僅要有淵博的知識與精深的科研水平，而且要能將自己的知識與智慧顯性化且易于向大眾推廣并被接受。為此，目前亟需對高校教師的教學能力進行評估，建設“科研能力強，教學水平高，學識淵博，風格多樣”的教學型師資隊伍。

2.缺乏長期有效的評價機制

目前的國內開放課程在評價層面存在三方面缺失，分別體現在評價主體、評價方法與評價意識上。

（1）評價主體單一化。有關研究表明大多數課程“教學缺乏互動，學習者之間缺乏協作”［3］，這在一定程度上表明，目前國內網絡開放課程中教學過程缺乏學習者之間的協作與互評，評價主體單一。

（2）評價方法靜態化與失真化。在線課程的教學中，采用的評價方法較多，包括課后作業、論文、測驗、出勤情況等，但多為總結性評價，且較為靜態單一，尚未找到有效的手段對學習過程進行實時監測與動態的反饋，以便測量學習者的認真程度與參與程度，欠缺真實性。例如，很難判斷出“學習者是認真參與學習還是開著視頻瀏覽其他網頁或是開著視頻人卻離開，或者很難保證非實時的課后測驗與作業是否獨立完成”［3］。這樣一來，既不能實時把握學習者真實的學習情況，亦無法給學習者適切的評價與幫助，不利于個體的學習與發展。

（3）缺乏建立自我評價意識的長效機制。教學評價包括自評與他評。通過自我評價，學習者可對自己的學習效果有一個客觀而明晰的認識，有益于其制定下一步的學習計劃。為此，對于網絡學習者而言，除了協作中的互評之外，建立良好的自評意識是十分必要的。但目前的開放課程中尚欠缺能夠幫助學習者建立自我評價意識并實施自評的長效機制。

3.尚未滿足學習者個性化的學習需求

有關學者通過抽樣統計和問卷調查了解到，目前大多數在線課程沒有利用信息技術的優勢。將數據挖掘、信息可視化等智能技術引入教育領域，構建個性化的、自適應的學習系統，能為學習者提供靈活而準確的學習支持服務系統可謂是鳳毛麟角。［4］由此可見，我國現有的開放課程系統缺乏對學習者學習過程的監測與學習路徑的跟蹤，很難確定學生個體的學習方式、認知習慣和學習興趣，難以針對學習者的需求給予個性化的學習建議；教學管理部門與教師尚未能利用學生學習過程中的數據做出有效的預測與決策。造成這種情況的原因主要有兩個：“一是學習者的學習過程很難跟蹤，學習者的學習數據零碎而分散，零散的數據使生成的用戶模型局部、單一，因而現有的個性化和適應性系統不能給學習者帶來滿意的使用體驗；二是已有的數據未得到充分挖掘和利用，由于分析方法的單一和局限，即便擁有豐富的學習過程數據，也沒能最大程度地挖掘其價值，得出有效的結論用以指導教學干預。”［5］

綜上，研究認為上述問題的共同基點在于缺乏有效的過程評價手段，用以監測師生的在線活動，挖掘有價值的數據，分析數據，為指導個性化學習、評估課程質量、制定教育決策提供依據。

二、學習分析的概念、應用案例與特征概述

作為全球高等教育信息化發展的風向標，NMC地平線報告認為個性化的學習體驗與績效評估是未來高等教育發展的關鍵趨勢，實現的途徑在于對在線學習活動中學習者生成的大量數據進行深度挖掘，學習分析是有望解決這一問題的良好手段，是未來對高等教育具有重要影響的技術。

1.學習分析的概念界定

關于學習分析的概念，2011-2014年的地平線報告進行了不同的論述。2011年地平線報告將學習分析定義為：“通過使用數據挖掘、推斷和建模等先進技術以促進對教與學的理解，以便更有效地開展個性化的教育。”［6］2012年地平線報告指出，“學習分析是指對大量的學生數據進行分析，以評估學生的學術進展，預測學生未來的表現，發現潛在的問題。”［7］該報告的2013版認為，“學習分析旨在利用數據分析為教育系統的各級決策提供參考信息。”［8］2014年地平線報告中認為學習分析的目的是“為教育系統的各個層面提供參考依據，指明需要改進的領域，提出資源配置方案，對辦學項目乃至整個學校體系的有效性進行評估”［9］。從中可以看出這些定義的共同之處：學習分析是將大規模的學習數據作為分析對象，為教師、學生與教學管理者服務，以評估、預測和干預教學為最終目的的一種方法。

2.學習分析的典型案例

基于四年的地平線報告中的相關案例，研究認為學習分析的目的可分為績效評估、行為預測與過程干預。下面從這三個視角，對其中典型的案例進行歸納與分析。

（1）績效評估視角——CourseSmart Analytics。2012年底，數字教科書供應商Course Smart與其合作伙伴，開發了智能課程分析包（CourseSmart Analytics），旨在預測學生行為，提高學生的記憶力，節省教學成本，改善學習效果。該軟件使用自帶的統計程序從學習與課程管理系統（LCMS）中獲得學生數據，密切跟蹤與評價在線文本的長度、瀏覽的頁數以及學生與在線文本的交互活動（如突出顯示特定文本、添加注釋），并對學生與特定學習資料的交互行為進行有意義的測量與評分，為課程教師分析和解釋這些數據，幫助他們評價個別學生的努力程度或整體的參與情況，及時發現處于“危險層次”的學生，有針對地對他們進行指導，同時選擇有效的、有吸引力的教學內容，評價自己的教學策略；教學管理人員與課程設計者亦可通過該分析工具評價教學績效，以保證教學投入的有效性。［10］

（2）學習行為預測視角——SNAPP。澳大利亞臥龍崗大學開發了一個叫做“社會網絡適應教學實踐”的工具 （Social Networks Adapting Pedagogical Practice，簡稱SNAPP），旨在收集學習管理系統（LMS）里的信息，描述和分析學生在線交互的全過程，根據這些信息了解學生獲取的學習材料及其與材料發生交互的頻率和時間，并將分析的結果以可視化的方式展示出來。SNAPP可為用戶提供6種信息：（1）找到脫離學習社區（即處于“風險層次”）的學生；（2）鑒別班級中關鍵信息的提供者，理清學習社區的交互關系；（3）識別出班級中潛在的表現優秀的和表現略差的學生，以便教師實施更有效的學習干預；（4）預測班級學習社區的范圍與發展方向；（5）建議電子教學檔案袋，描述教學干預前后的交互情況，以反映教學實踐的有效性；（6）提供實時的個人表現與測量報告，使學生了解自己在班級中的位次［11］。

（3）學習過程干預視角的若干案例。美國北亞利桑那州大學使用了課程向導系統，目的是提高學生的學術成績與在校比例。該系統“通過對學生學習過程的監測，對學生的出勤、成績、學術表現與反饋進行測量，并將分析的結果反饋給學生，為學生提供可供選擇的學習方案與學習資源，以促進學習績效的提高”［6］。明尼蘇達大學“利用課程管理系統的數據分析結果，決定是否使用在線等級證書幫助成績差的學生更準確地估計他們的最終成績，目的是為學生提供更豐富的信息，引導他們準備期末考試、論文和項目”［7］。“為提高寫作課程的效率，美國北卡羅萊納州大學采用了莫比烏斯社會學習信息平臺，在學生提交一篇文章后，該系統會自動將其分配給隨機選擇的其他對等的學生群體，之后通過一套算法將其他學生的反饋計入統計資料和業績報告中，以便同級學生相互進行匿名反饋與評分。”［8］“斯坦福大學正建立一個用于數據分析的儀表盤，幫助教師追蹤學生的參與程度，還在一門人機交互的MOOC中基于學生互評的作業，對學生互評進行分析。”［9］

3.學習分析法的關鍵特征

基于對學習分析的定義與典型案例的論述，研究認為該技術至少具有以下關鍵特征：

（1）學習分析的研究對象——大規模數據源。這些數據不僅數量巨大，而且具有多樣化與碎片化的特征。這些信息來源于多個數據庫，包括學生的基本信息、學習行為與課程信息。其中，學生信息包括性別、年齡、民族、教育背景與起點能力等要素；學習行為包括學生的登錄與退出時間、學習頻率與進度、學習路徑與方法、作業與測驗成績、交互內容、發貼速率等要素；課程信息主要是指課程的目標、性質、主講人與教學模式等。

（2）學習分析的服務對象——學生、教師與教學管理者。結合學生的個人信息與學習過程，評估學生在線學習的種種表現與學習態度，提供學習建議、教學方案與激勵策略，幫助他們進行自評，為學生提高學習質量與通過率、教師提高職業技能與教學質量、教學管理者制定決策提供依據。

（3）學習分析的手段——數據分析與可視化呈現。使用數據挖掘、統計分析與機器學習對學生生成的海量數據進行采集、存儲、分析與表示。這些操作包括自動化的數據分析與可視化的數據呈現，以便用戶根據需求實時提取。具體分析工具有語義分析、內容分析、社會網絡分析以及系統建模等。

（4）學習分析的目的——績效評估、行為預測與過程干預。診斷教學實踐中的問題，評估課程質量與學生的學業表現；構建學生學習行為模型，研究各種變量之間的關系，預測學習者未來的學習路徑與成長趨勢；幫助教師與教學管理人員為具有不同需要與能力的學生提供教育干預，促進個性化學習與深度學習，提高課程質量。

三、開放課程中學習分析模式探微

1.學習分析與開放課程的結合點探微

雖然學習分析法面向大規模數據，但在特定的學習環境下，學習分析的研究對象與服務對象應具有特殊性。這在開放課程中體現為學習數據與利益相關者的特殊性。

（1）開放課程環境下學生數據的特殊性。一般情況下，學習分析是對結構化數據和非結構化數據的綜合處理。其中，“結構化數據往往指量化數據，包括作業成績、測驗成績、標準化考試成績、學習時間與學習頻次等數據；非結構化數據一般指量化后的質性數據，包括討論帖的內容，作業內容、小組報告的撰寫過程與內容等。”［12］這些數據代表了諸如文本內容挖掘等教育測量的新方向。無論是精品視頻公開課，還是資源共享課，都包含多種媒體數據，除文本外，還包括視頻、圖表、動畫等。相對應的學習活動，除小組討論、瀏覽文本之外，還包括觀看視頻、遠程實驗等。為此，開放課程背景下的學習分析數據不僅基于文本，還包括其他多媒體數據，如學生與視頻的交互時間、觀看視頻的認真程度等。

（2）開放課程環境下學習分析的利益相關者。祝智庭將學習分析的利益相關者分為直接利益相關者與間接利益相關者（圖1）。直接利益相關者包括學習者、教學者與管理者，其中，管理者所占比重略低于教學者和學習者，原因在于“學習分析著重關注的是對個體層面學習的分析，機構層面的關注所占比重不如學術分析”［13］。此外，家長、投資者與企業屬于間接利益相關者。本研究中提到的開放課程環境下學習分析的利益相關者指的是直接利益相關者。

在參考圖1的基礎上，我們構建了開放課程中的利益相關者（圖2）。學習者的主體仍是學生。由于實際的課程建設中，課程設計常常作為課程開發的前期工作，二者聯系過于緊密，難以明確區分，所以這里的開發人員包括設計者。開放課程是指在教育部的主持下，國內一流的研究型大學共同參與的項目，為此，它的管理者應包括教育部、高校教學管理人員與遠程教育管理人員。

圖1 學習分析的利益相關者

圖2 開放課程背景下的學習分析利益相關者

2.開放課程背景下學習分析模式設計

針對目前我國開放課程建設中存在的問題、學習分析的案例以及學習分析與開放課程的結合點，筆者研究構建了開放課程環境下的學習分析模式（圖3）。

圖3 開放課程背景下的學習分析模式

根據學習分析典型案例的梳理，發現學習分析的一般步驟可被歸納為數據采集、數據存儲、數據分析、數據表示與數據應用五個方面，這構成了學習分析的數據流向。據此，開放課程學習分析的活動層級分為采集層、存儲層、分析層、表示層與應用層。

（1）采集層。學習者對課程的教學內容、視頻與各種交互形式進行學習和體驗，在此過程中，系統會自動跟蹤和測量學習者的表現，并生成大量數據。這些數據除學習者的基本信息外，還有學習行為信息，包括結構化數據、非結構化數據與多媒體數據等。

（2）存儲層。由于所采集信息的多樣化，學習分析系統需要多個子系統來存放不同類型的數據，如學生信息系統（SIS）、學習管理系統（LMS）與課程管理系統（CMS）等。系統采集到信息后，系統會根據一定的標準對數據挖掘的結果進行分類，并將不同類別的信息以一定的格式存儲到相應的子系統中，例如新登錄的學習者基本信息需儲存到SIS中，學習者的測驗成績應存放到LMS中，班級整體的表現情況可存放到CMS中。

（3）分析層。在數據分析階段，需要把握好兩個原則。首先，需要面向用戶的需求挖掘數據，進行分析；其次，需要對所篩選的數據進行綜合分析，不能只考慮某一方面的數據。關于分析內容，本文認為可從學習者特征、時間差異與粒度三方面進行分析。

首先，可從個人、班級與整體三個維度分析學習者特征。對于個人學習情況的分析至少要涵蓋學習目標、學習內容、學習方法、學習態度、學習效果、交互關系、學習工具的運用等維度；對于班級，要考慮到某一班級的整體學習狀況，包括整體的學習態度，對教學團隊的滿意度等；對全體學習者的分析可從盡可能廣泛的視角獲得學習者的普遍特征與學習效果，如學習工具的有效性、課程的整體滿意度與通過率等。

關于時間差異，是指以某個時間段（如學期、學年）為單位分析學習者學習狀況的變化，比較不同時期學習者學業表現的差異，分析變化與差異的原因。

關于粒度的分析，指分析一門或多門課程學習者的學習狀況，旨在了解不同課程之間學習者的差別、課程性質的差別、對教師滿意度的差別等。

（4）表示層。這一環節，需要綜合運用各種可視化工具，對繁瑣的數據模型加以解釋，并將分析結論以一種人工可以理解的方式呈現，使信息轉化為支持教學決策與學習進程的相關依據。

（5）應用層。構建自適應學習系統，根據分析結果對學習者的特征（成績與問題）進行歸類，并使用預測模型預測學習者的行為特征與發展趨勢，自動提出下一步的教學方案、激勵策略與學習計劃。另外，教學者與教學管理者需基于分析的結果，修改方案或采取新方案對學習者的下一步學習提出建議，如對處于“風險層次”的學習者給予警告或激勵。可以說，數據應用階段需要自適應學習系統與人工干預系統共同作用，以實現績效評估、行為預測與過程干預。

3.面臨的問題與挑戰

盡管學習分析技術在未來開放課程建設中有較好的前景，但是運用該模式仍面臨較多問題與挑戰。首先，學習分析以教育學、心理學、信息學與統計學為基礎，在該模式的應用中，不能僅依靠技術，更需要專業的教育理論與信息理論作為支撐。其次，開放課程的學習分析需要對規模巨大、不同種類、不同格式的數據進行綜合的解釋，為此，需要制定一系列的數據標準，實現多種數據的共享、轉換、關聯與處理。再次，開放環境下具有不同種類與性質的課程，不同層次的用戶，需要根據不同的教學目標、課程需求與用戶需求，構建特定的算法或分析模型。最后，模式的應用需考慮學習者個人隱私的保護、數據的安全性與信息產權的問題。

［1］孫洪濤.學習分析視角下的遠程教學交互分析案例研究［J］.中國電化教育，2012（11）：40-46.

［2］胡顥琛，郭清順.國家精品開放課程建設現狀及問題分析［J］.武漢大學學報，2012（10）：111-114.

［3］徐苑苑，張際平.基于云架構的網絡教學平臺設計與實現［J］.遠程教育雜志，2013（3）：71-78.

［4］王建華.國家精品課程學習支持服務系統的現狀調查與對策研究［D］.南京：南京郵電大學，2013：55.

［5］李艷燕，韶茜，黃榮懷.學習分析技術：服務學習過程設計和優化［J］.開放教育研究，2012（10）：18-24.

［6］Johnson，L.，Smith，R.，Willis，H.，Levine，A.，and Haywood，K..The 2011 Horizon Report（2011）.Austin，Texas：The New Media Consortium［EB／OL］.http：∥ www.nmc.org／publications／horizon-report-2011-higher-ed-edition，2011-11-20.

［7］Johnson，L.，Adams，S.，and Cummins，M..NMC Horizon Report（2012）：2012 Higher Education Edition.Austin，Texas：The New Media Consortium［EB／OL］.http：∥www.nmc.org／publications／horizon-report-2012-higher-ed-edition，2012-9-16.

［8］Johnson，L.，Adams Becker，S.，Cummins，M.，Estrada，V.，Freeman，A.，Ludgate，H..NMC Horizon Report：2013 Higher Education Edition（2013）.Austin，Texas：The New Media Consortium［EB／OL］.http：∥www.nmc.org／publications／2013-horizon-report-higher-ed.

［9］Johnson，L.，Adams Becker，S.，Estrada，V.，Freeman，A..NMC Horizon Report（2014）：2014 Higher Education Edition.Austin，Texas：The New Media Consortium［EB／OL］.http：∥www.nmc.org／pdf／2014-nmc-horizon-report-he-EN.pdf.

［10］Reynol Junco，Candrianna Clem.Evaluating How the CourseSmart Engagement IndexTM Predicts Student Course Outcomes［EB／OL］.http：∥blog.reyjunco.com／wp-content／uploads／2010／03／FINAL-CourseSmart_Analytics_White_Paper.pdf.

［11］Bakharia，A.，Heathcote，E.＆Dawson，S（2009）.Social networks adapting pedagogical practice：SNAPP［EB／OL］.http：∥ascilite.org.au／conferences／auckland09／procs／bakharia-poster.pdf.

［12］張羽，李越.基于MOOCs大數據的學習分析和教育測量介紹［J］.清華大學教育研究，2013（8）：22-26.

［13］吳永和，陳丹，馬曉玲，等.學習分析：教育信息化的新浪潮［J］.遠程教育雜志，2013（4）：11-19.

責任編輯 馮麗櫻

網絡開放課程之學習分析模式探微

趙 磊，朱 泓

On Learning Analytics Model of Open Online Courses

ZHAO Lei，ZHU Hong／Dalian University of Technology

It has been an urgent issue that how to collect，save，analyze and present the massive data in open online courses，and make decision based on the analyses in order to optimize learning strategy and improve performance.The technology of learning analytics in NMC horizon reports has contributed to solving this problem.Base on the situation of open courses in our country and the features of learning analysis，there are some particularities in research object and service object of learning analysis in open courses.The learning analysis mode consists of five levels of collecting，saving，analysis，presenting and application.The particularities of data and stakeholders should be fully taken into consideration in the course of modeling.The application of this model will face challenges in theoretical basis，data standards，algorithm models，privacy and security.

Open Courses；learning analysis；big data

G740-057

A

2095-6576（2014）04-0038-06

2014-04-27

趙磊，大連理工大學高等教育研究中心博士研究生，主要從事高等教育教學管理、高等教育質量評估與高等教育信息化研究。（zhaoleizhl1984＠126.com）