基于學習分析視角的在線學習行為可視化分析與案例研究

王 苗，劉志超

（1.大連春田中學遼寧大連116000；2.大連市甘井子區教師進修學校遼寧大連116032）

基于學習分析視角的在線學習行為可視化分析與案例研究

王 苗1，劉志超2

（1.大連春田中學遼寧大連116000；2.大連市甘井子區教師進修學校遼寧大連116032）

工具支持下的學習分析技術以其多維度的數據采集、自動化的數據分析、可視化的分析結果等優勢為在線學習行為分析提供了新的思路。文章首先對在線學習行為及可視化技術進行概述性描述并系統的梳理了在線學習行為分析的現狀，在此基礎上對國外學習分析技術典型應用項目進行分析，最后對工具支持下的學習分析與可視化技術對于在線學習行為分析的重要意義做出總結與展望。

在線學習行為：可視化；學習分析；案例研究

一、引言

學習分析技術是以海量的數據為基礎，利用數據挖掘的成果，對在線學習環境及學生的在線學習為對象，對學習者產生的數據和分析模型探究信息和社會的聯系，并且對學習作出預測和建議。[1]在大數據背景下，學習分析逐漸成為教育工作者研究的熱點。

國內外遠程教育研究者對學習分析技術展開了一系列的研究,英國馬里蘭大學在Blackboard平臺中的課程管理模塊中開設了“自我行為檢查”的工具，幫助學生自我診斷與評估[2]；比利時魯汶大學和哥倫比亞大學則分別運用學習分析技術創建應用程序內嵌到在線學習平臺中，對學生在線學習進行可視化分析來幫助學生了解學習情況[3]；美國普渡大學的“信號預警系統”對學生的學習行為進行監控，對學績較差的學生以郵件的形式給予預警并提供幫助。[4]我國對于學習分析技術的研究處于理論、技術及應用趨勢的研究層面，如華東師范大學的顧小清教授（2012年）系統的分析了學習分析技術的發展脈絡以及學習分析技術中的關鍵技術在此基礎上指出學習分析技術的應用趨勢[5]，北京郵電大學的李青（2012年）從學術界對學習分析的幾種權威定義出發探討學習分析的主要分析方法與工具，并學習分析技術的典型案例進行綜述性研究[6]，南京大學的李逢慶（2012年）對學習分析的內涵、過程、工具和方法做了深層次的解讀，并從推動大學教學創新的視域下闡釋學習分析促進大學教學信息化深入發展的重要價值與深遠影響[7]。最近的研究表明，我國遠程教育研究者展開了學習分析技術應用于在線學習平臺的案例研究。例如，中央民族大學孫洪濤（2013年）通過一個案例展示了在開源平臺和工具的支持下學習分析對于遠程教學交互研究的意義[8]，國家開放大學魏順平（2013年）通過中央廣播電視大學的網上教學實例從不同的用戶角度探究了學習分析技術對于挖掘大數據時代下教育數據的價值。[9]

二、在線學習行為分析及數據可視化

目前國內外關于在線學習行為的概念尚無明確的界定，與其相似的概念有“網絡學習行為”、“”遠程學習行為“數字化學習行為”等，沿用較多的定義為楊開城（2002年）的“在線學習行為是指學習者在由現代信息技術所創設的、具有全新溝通機制與豐富資源的學習環境中，開展的遠程自主學習行為。”[10]其特征是一個運用現代技術手段開發的多維度多層次的學習系統，學習者的學習行為較傳統學習更為獨立自主。[11]在線學習強調利用網絡在線學習平臺所提供給的網絡學習環境以及開發的課程資源、學習者按照自己的學習目標、學習計劃、學習進度、學習時間等展開自主學習活動，在線學習過程中可以借助“BBS論壇”、聊天工具等與其他學習者進行協作學習，在線學習過程中，教師對學生的學習行為進行監控跟蹤，及時給與獎勵或預警，避免學生在放任的狀態下學習。

目前國內外研究集中在對線平臺網絡日志進行描述以及研發跟蹤監控軟件實時監控學習者的在線學習行為。例如，]Karin Anna Hummel等通過分析數據庫訪問記錄和日志文件，分析學習者的在線學習行為。[12]Romero等使用數據挖掘技術對Moodle平臺中的日志進行分析，對學習者學習情況進行分析和預測，將分析結果反饋給學習者及教師，便于學習者掌握自己的學習情況，便于教師調整教學計劃，作出科學的教學決策。[13]

國內學者關于在線學習行為分析的研究尚處于初步探索階段，較多以文獻研究、問卷調查等方式采集學習者行為信息，對在線學習行為分析模型以及分析平臺進行研究，彭文輝，楊宗凱等（2006年）給出一個基于網絡學習行為分析的學習平臺結構模型，對學習者學習行為進行分析，奠定了對學習者的行為評價和學習智能化、個性化調整的基礎。[14]彭文輝，楊宗凱等（2007年）通過對網絡在線學習者進行問卷調查，利用數據分析工具分析在線學習者的行為，為在線學習平臺、在線學習資源的設計與開發提出針對性的建議。[15]一些學者通過分析在線學習平臺的數據庫和網絡日志等對在線學習行為進行實證性研究。袁明，陳偉杰采用統計分析法和聚類分析法對華東師范大學網絡教育學院的每天訪問課程人數及月平均值、學習者到訪比例、在線測試題完成情況等方面進行了研究分析。[16]魏順平以2010年春季學期江蘇電大9369名新生選修的中央電大開放教育入門課程“開放教育學習指南”,采用數據挖掘的方法得出登錄、資源瀏覽、作業、測試等在線學習行為的特點及其影響因素，為網絡課程的設計以及優化在線學習評價效度等提出合理化建議。[17]

本文將嘗試將學習分析和數據可視化技術應用于在線行為分析研究中，彌補傳統在線行為分析的不足。

探索和理解大型數據集，數據可視化是最有效的途徑之一。把數字置于視覺空間中，更容易發現其中潛藏的模式。[18]筆者按照處理數據類型的不同將其輸出形式總結如圖1所示。

圖1 數據分析類型及其對應的可視化輸出類型

一般而言，數據可視化分為探索性可視化和理解型可視化[19]，探索型可視化是在不確定從數據集中能夠獲取到何種信息試圖探索數據所潛藏的信息，理解型可視化是最直觀、最清晰的方式生成便于用戶能夠理解的形式，增強處理效率。

三、學習分析技術應用于在線學習行為分析的優勢

學習分析技術的數據來源廣泛：①可以從Blackboard、Moodle、Sakai等主流的學習管理系統中采集數據；②可以從微博、MSN、QQ等社交工具中采集學習者與他人交互的數據；③通過實時監控軟件獲取學習者的與學習相關的面部情緒、注意力集中程度等信息；④從傳統課堂學習中的課本、作業、試卷等采集信息。

學習分析技術能夠實現多維度的數據采集：①獨立操作產生的數據：登錄時間、瀏覽網頁、資源下載、發帖子、做筆記等；②交互行為產生的數據：論壇、聊天室、社交工具討論、與教師的互動、與其他學習者互動等；③復雜關系網絡數據：鼠標鏈接關系網絡、社交網絡、生物網絡、地理位置網絡等。對在線學習行為數據進行多來源、對維度的采集，有利于挖掘出深層次的信息。

隨著數據處理量的不斷增大，一些一鍵可視化的學習分析工具開始不斷的出現，如Gephi、NodeXL等，這些工具技術門檻低，操作便捷，功能強大，支持不同的數據格式，運用此類分析工具再加上簡單的編程技巧即可自動化的生成不同格式的可視化圖表，滿足各種需求，極大的減少了數據準備、處理、可視化等繁復的工作量。

將在線學習行為數據可視化同時起到解釋在線學習行為和探索遠程教育規律的作用，對在線學習行為數據進行可視化研究，往往能夠從中發現一些通過常規統計方法很難挖掘到的信息，很多情況下這些信息能夠成為遠程研究者描述復雜的學習行為或者制定教育決定提供幫助。遠程教育研究者可將可視化作為尋求問題以及探索在線學習行為數據集新特征的一種方式。

四、案例研究

盡管學習分析技術得到教育界的普遍關注，各國紛紛展開學習分析技術的應用實踐，包括學習分析系統和工具的研發等，但目前投入到教學實踐中的項目并不多，筆者通過文獻研究了解到如下國外最具代表性的兩個項目。

（1）項目研究內容

澳大利亞學與教委員會（ALTC）啟動了“解決采集和可視化學生網絡學習交互數據的巨大開支問題的計劃”簡稱ALTC計劃，該計劃試圖通過發展專業的學習分析工具來解決設計和評估學與教實踐的巨大財政開支問題，以Wollongong大學為主多個大學積極響應，共同參與研發了基于學習分析技術的“網絡學習可視化評估”（SNAPP）工具，該工具能夠將Blackboard或其他學習管理系統中論壇的發帖回的學習者關系以可視化的圖表形式輸出，幫助教師迅速診斷學習者的學習模式，為教師網絡學習評估提供有力支持。

（2）SNAPP系統業務流程

SNAPP系統從LMS論壇中獲取數據建立關系網絡的過程類似于網絡中繼聊天，實質上是將論壇討論者與其他討論著的關系可視化，論壇關系參與水平以兩個節點 （教師和學習者）作為指示器。SNAPP工具可以從Blackboard或WebCT的論壇交互行關系直接導出也可以導入到更復雜的社會網絡分析工具（GraphML/NetDraw等）中做更深入的分析。SNAPP安裝后以書簽的形式添加到瀏覽器的菜單欄中，其業務流程如圖2所示。

圖2 SNAPP系統業務流程

（3）研究成果

“可視化網絡：網絡學習可視化評估”項目組對參與者進行的問卷調查顯示，SNAPP工具在教學實踐中表現出較以往評估方式更好的效果和價值。該項目的研究成果還包括：①驗證了SNAPP工具的有效性和優勢；②歸納出網絡學習者論壇交互的一般模式；③學習網絡分析結果指導教師了解學習者的學習動機、表現以及在線參與情況；④借助于Web2.0技術將SNAPP業務擴展其他學習管理系統中；⑤對SNAPP未來研發方向提出展望，后續工作將開發網絡學習情況的自我評估工具。

（1）項目研究內容

為了提高課堂學習效果，美國普渡大學研發“課程信號”項目，該項目通過跟蹤學習者的學習進程，在學習者學績達到標準要求的臨界點之前今早給出預警信號，警示學習者在某方面需要加大學習力度。“課程信號”項目具有如下優勢：為學習者提供實時的反饋信息；干預措施從課程開始第二周即開始，及早跟蹤學習者的學習進程；提供連續的不間斷的反饋信息。

（2）“課程信號”項目的業務流程

“課程信號”項目以在線學習系統中的海量學習行為數據為基礎，通過實時的數據分析出哪些學習者處于學績危險狀態，并依此作為學習者在某門網絡課程中的努力程度判定標準。

圖3 SNAPP可視化輸出界面

（3）項目總結與展望

項目組計劃在未來的18個月內將使用“課程信號”項目的學生再擴大20000人，此計劃得到了普渡大學高層教學管理者的大力支持。此項目數據處理的算法和使用情況還用一定的局限性，有待于進一步提高，“課程信號”項目將繼續為學習者提供更加細化的反饋結果，進一步幫助學習者提高學習成績。

五、總結與展望

學習分析技術為在線學習行為分析提供了新的視角，將可視化技術融入在線行為數據分析之中，使分析結果更具有科學性，學習分析的多維度數據采集、自動化的數據處理過程、可視化的分析結果等特點得到了充分的體現。大數據時代背景下工具支持下的學習分析技術及可視化技術彰顯出巨大的教育應用價值，具有巨大的發展潛力。

學習分析技術在國外得到了廣泛的關注，本文對國外基于學習分析技術的兩個典型項目做了案例分析，以期為我國研究者提供參考，由于時間和精力有限并未展開實證研究，在后續的研究中，筆者將展開學習分析就是支持下的在線學習行為可視化的實證研究，進一步挖掘學習分析及可視化技術巨大的教育價值。相信在不遠的將來，我國的教育領域也會有更多的學習分析技術實證研究與教學實踐。

[1]G.Sienens,What is learninganalytics[EB/OL].http:// www.elearnspace.org/blog/2010/08/25/what-are-learninganalytics/,2013-05-12.

[2]UMBC.”Check My Activity”Reports for Students Now Available Inside Blackboard[EB/OL].http://www.umbc. edu/blogs/oit-news/reports/,2013-05-14.

[3]Macfadyen,L.P.&Dawson,S.Mining LMS data to develop an“early warning system”for educators:A proof of concept,Computers&Education,2010,54(2):588-599.

[4]Iten,L.Arnold,K,&Pistilli,M.Mining Real-time Data to Improve Sdudent Success in a Gateway Course[EB/OL]. http://www.bio-purdue.edu/bootcamp/,2013-05-14.

[5]顧小清,張進良,蔡慧英.學習分析技術:正在浮現中的數據技術[J].遠程教育雜志,2012(1).

[6]李青,王濤.學習分析技術研究與應用現狀述評[J].中國電化教育,2012(8).

[7]李逢慶,錢萬正.學習分析:大學教學信息化研究與實踐的新領域[J].現代教育技術,2012(7).

[8]孫洪濤.開源工具支持下的社會網絡分析——NodeXL介紹與案例研究[J].中國遠程教育,2012(2).

[9]魏順平.學習分析技術:挖掘大數據時代下教育數據的價值[J].現代教育技術,2013(2).

[10]楊開城,李文光.現代教學設計的理論體系初探[J].中國電化教育,2002(2).

[11][14]彭文輝,楊宗凱,黃克斌.網絡學習行為分析及其模型研究[J].中國電化教育,2006(10).

[12]Karin Anna Hummel,Helmut Hlavacs.Anytime, Anywhere Learning Behavior Using aWeb-Based Platform for a University Lecture[DB/OL].www.ani.univie.ac.at/ hlavacs/publications/ssgrr_winter03.pdf.

[13]Romero,C,Ventura,S.,&Garcia,E.Data mining in course management systems:Moodle case study and tutorial [J].Computers&Education,51(01).

[15]彭文輝,楊宗凱,涂山青,李念.網絡學習者的學習行為調查及分析[J].中國電化教育,2007(12).

[16]袁明,陳偉杰.網絡教育學習者在線學習行為分析研究[J].浙江現代教育技術,2006(4).

[17]魏順平.在線學習行為特點及其影響因素分析研究[J].開放教育研究,2012(8).

[18]Nathan Yau著,項怡寧譯.數據可視化指南[M].北京:人民郵電出版社,2012.

[19]李志剛,朱志軍.大數據:大價值、大機遇、大變革[M].北京:電子工業出版社,2012.

（編輯：王曉明）

G434

：A

：1673-8454（2015）09-0010-04