學習分析技術的研究現狀與未來趨勢*
——基于2011-2015年LAK會議論文的分析

曹 帥，王以寧，徐 鵬

(1.東北師范大學 計算機科學與信息技術學院，吉林 長春 130024；2.東北師范大學 傳媒科學學院，吉林 長春 130024；3.東北師范大學 信息化管理與規劃辦公室，吉林 長春 130024)

學習分析技術的研究現狀與未來趨勢*
——基于2011-2015年LAK會議論文的分析

曹 帥1，王以寧2，徐 鵬3

(1.東北師范大學 計算機科學與信息技術學院，吉林 長春 130024；2.東北師范大學 傳媒科學學院，吉林 長春 130024；3.東北師范大學 信息化管理與規劃辦公室，吉林 長春 130024)

“數據驅動決策，分析變革教育”的大數據時代推動了技術與教育的深度融合，教育大數據的出現為學習分析技術的發展提供了研究契機，學習分析技術可以有效地發揮教育大數據蘊藏的價值，使數據成為優化學習者學習活動的依據。美國新媒體聯盟連續幾年來預測學習分析將成為教育領域的研究主流，學習分析技術與知識國際會議連續五年的舉辦也為學習分析技術的精細化研究提供了組織保障，該文通過對2011-2015年“學習分析技術與知識”國際會議The International Conference on Learning Analytics and Knowledge，簡稱LAK的會議論文進行文本挖掘和內容分析，整合了大數據視角下學習分析技術的研究現狀和發展趨勢以及面對的挑戰，以期能夠梳理學習分析領域的研究脈絡，啟示未來的深入研究。

學習分析；LAK；數據挖掘；MOOC

一、學習分析與LAK會議綜述

“大數據”一詞最早由麥肯錫公司提出，作為“一種有價值的資產”現已滲透到各行各業的領域內，成為重要的生產因素。在教育領域中也有大量的數據產生，通過對教育大數據的獲取、存儲、管理和分析，我們可以構建學習者學習行為相關模型，分析學習者已有學習行為，并對學習者的未來學習趨勢進行科學預測[1]。隨著云計算的應用、智能終端的普及以及大數據分析技術的突破，基于教育大數據的學習分析技術有了長足的應用和發展。未來是一個數據驅動決策，分析變革教育的時代，學習分析技術可以有效地發揮這些教育數據的作用，使數據轉變為信息和知識，為教學決策和學習優化提供服務，使數據成為審慎決策和優化過程的重要依據。

美國新媒體聯盟NMC的地平線報告中連續幾年都將學習分析技術預測為未來的研究主流，提出應該使學習者從消費者轉變為創造者，應用數據分析來改進服務、提高學習者保持率并促進學習成功。報告認為學習分析是利用松散耦合的數據收集工具和分析技術，分析學習者學習參與、學習表現和學習過程的相關數據，進而對課程和教學進行實時評價[2]。我國研究學者認為，學習分析是圍繞與學習者學習信息相關的數據，運用不同的分析方法和數據模型來解釋這些數據，根據解釋的結果探尋學習規律，根據闡釋的數據反映學習表現，從而為更有效的學習提供反饋和策略[3]。未來的教育系統和學習形態必然基于人們的生活實態發生變革[4]，信息技術與課程的深度整合將成為重要的教育研究領域[5]，其中學習分析技術不僅可以滿足學習者對自己學習情況的實時監控，而且可以為教師提供實時反饋的信息評量，以服務學習過程，優化學習設計。

學習分析研究協會SoLAR每年都會舉辦以“學習分析技術與知識”為主題的國際會議LAK，會議每年都吸引來自全球各個國家的學習分析相關領域專家參加，相關領域內容涵蓋學習科學、數據科學、計算機科學等多個方向，SoLAR的成立對于學習分析技術這一新興領域規模的迅速擴大也起到了極大的助推作用。從2011年到2015年，SoLAR舉辦的LAK會議已有五屆，隨著會議的規模和影響力越來越大，論文的投稿量和參會人員也呈現逐年增加的態勢。學習分析技術從大數據的背景下產生并發展起來，現已獲得越來越大的影響力。SoLAR每年都會緊跟時代進步的要求和研究重難點的發展，在世界各地舉辦LAK會議，2016的LAK將于4月在英國倫敦舉行。從2011年以來，學習分析領域的研究已從從萌芽階段漸漸取得初步的進展。本文以2011-2015年LAK的會議論文為研究的立足點和出發點，通過對五年的會議論文進行內容分析，梳理學習分析技術的研究現狀和發展趨勢，以期豐富該領域的深入研究，如表1所示。

表1 2011-2015年LAK會議概況

二、學習分析技術的研究現狀

(一)基于LAK會議論文關鍵詞的統計分析

1.關鍵詞的基本情況

從2011年到2015年共出現1237個關鍵詞，年均關鍵詞247.40個，篇均關鍵詞平均4.65個，如右表2所示。從2013年到2015年，篇均關鍵詞逐年減少，說明研究者對于該領域的研究目的更加明確，對于研究內容的界定也更加科學精煉。經過對266篇論文的關鍵詞進行聚類篩選，共有“學習分析”“數據挖掘”“大數據”“預測/干預”“可視化”“社會網絡分析”“學習管理系統”“大規模開放課程資源MOOC”“評價”“高等教育”“話語分析”“個性化學習”“計算機支持的協作學習CSCL”“21世紀技能”14個高頻關鍵詞，“學習分析”為主題關鍵詞。在對關鍵詞的處理中，采用了編碼和聚類的質性數據的統計方法。其中，學習分析、數據挖掘、大數據、預測/干預、可視化、學習管理系統、評價、高等教育這8個關鍵詞穩定存在；社會網絡分析和CSCL這2個關鍵詞呈現前期存在，近兩年出現頻率不高的態勢；MOOC、個性化學習、話語分析這3個關鍵詞呈現前期出現不多，近兩年大量出現的情況；21世紀技能這個關鍵詞在這五年的會議論文中呈現間歇性出現的趨勢。從高頻關鍵詞的頻數和變化比例可知，對于學習分析技術這一領域來說已經經歷了從分散到集中、從泛化到精細的研究過程。

表2 2011-2015年LAK會議論文關鍵詞統計情況

2.高頻關鍵詞的統計情況

對高頻關鍵詞進行縱向、橫向分析，如表3所示。縱向分析 “學習分析”“數據挖掘”和“大數據”每年都有所體現，為核心關鍵詞；橫向分析這3個高頻關鍵詞的變化情況基本一致，在前兩年呈現增長的趨勢，后兩年所占比例有所減少，與該趨勢相反的是“MOOC”的逐年增長。

表3 2011-2015年LAK會議論文高頻關鍵詞統計情況

通過對1237個關鍵詞進行聚類分析和關聯分析， “學習分析”的內容可以根據學習對象、學習環境、學習理論、學習評價、分析方法和分析工具6個方面進行深入地探索和解讀。針對學習對象的內容有學習者性格、學習態度、行為模式、學習參與度及媒介素養等；針對學習環境的內容主要是計算機為載體的學習方式的變革，如構建學習管理系統、課程管理系統、個人學習環境、知識社區、智慧課堂、計算機支持的協作學習CSCL和MOOCs等；針對學習理論內容有生物系統理論、混合式學習、遠距離學習、科學技術工程教學STEM、行動研究等；針對學習評價的內容有環境評價、同輩評價、自動評價、協作評價等；針對分析方法的內容有語篇分析、時序分析、文本分析、判別分析、引文分析和社會網絡工作分析等；針對分析工具的內容有學習評價分析工具、學習網絡分析工具、視頻分析技術等新興工具。

(二)基于會議論文的學習分析技術的研究現狀

1.MOOCs視角下的學習分析技術

MOOCs是一種大規模、開放、在線的課程資源，是一種基于社會化網絡的學習方式。其大規模的特點體現在用戶和課程數量大，且產生巨大的數據量；其開放的特點體現在將教育資源共享，為世界各地學習者提供了一種聯結[6]；其在線的特點滿足了學習者不受時空的限制。MOOCs的出現推動了技術與教育的深度融合，改變了學習者的認知方式[7]，其蘊含的大量數據具有重要的教育研究價值，透過MOOCs的數據分析可以發現學習者的學習規律，優化學習者的學習過程，為學習者個性化學習的實現提供可能，也為促進教學方式的變革提供基礎。在LAK的會議論文中，MOOCs與學習分析的相關研究越來越豐富。Sre?ko等人將自動內容分析和社會網絡分析作為定量分析的內容，以不同社交媒體平臺的帖子作為定性分析的內容，依靠自動化概念提取工具識別并分析帖子中的概念群體[8]，為學習者在MOOCs課程的話語內容提供了更為深入的探索，使得學習者在不同的社交媒體中更有助于 “彌合社會差距”，從而促使利益相關共同體的形成。

MOOCs是一種課程資源，而學習分析是支撐該資源的一種技術，MOOCs順應了教育變革信息化的趨勢，將“知識傳授”和“知識內化”的過程顛倒過來，促進了學習者解決問題能力以及創新能力的提高[9]。在LAK的會議論文中，通過學習分析技術提高MOOCs學習者學習活動的研究也逐漸增多，Aysu等人通過匯集一種無監督的對話行為分類框架進行建模來理解MOOCs論壇的帖子結構，以此作為一種學習分析的方法，并通過實證研究討論同步教程對話在MOOCs課程中的數據性能，以證明該模型的適用性。在未來，實時輔導可以通過這些無監督的建模技術促成MOOCs課程標準或智能支持系統，為學習者提供自適應和高效度的學習經驗[10]。

2.教育背景下的數據挖掘與學習分析

大數據重塑學習的三個特征是“反饋”“個性化”“概率預測”[11]，學習分析技術也是一種數據分析技術，而這種數據分析泛指應用在教育領域的“大數據”， “大數據”在2014年Gartner新興技術成熟度曲線圖中已處于下落位置，在2015年已經落榜，這說明大數據已經脫離“新興”轉而“成熟”了。大數據最重要的價值即數據本身，Philip等人結合教育數據類別的定義，開發了一個概念性框架來組織新興學習分析活動[12]。對于教育數據挖掘EDM和學習分析知識LAK的關系，Alejandro等人認為兩者在教育、教學、學習分析中均有所體現，對于模型、方法、技術和影響都有做高質量的研究。數據挖掘技術和教育背景下的信息技術的結合產生出EDM這樣一個新興學科。EDM包括預測方法、關系挖掘、模型建構、教育過程挖掘EPM等幾個方面。其中，EPM可以用來更好地理解基礎教育過程，給學習者以建議，給教師及教學研究者以反饋，以便學習者及早地發現學習困難，促進對學習對象的管理能力，幫助對不同年齡學習者學習認知與后設認知有高度要求的學習環境，如超媒體或基于計算機的學習環境等[13]。Shady等人利用EDM對威斯康星大學本科生的學習成績從第一周開始進行跟蹤測量，開發了一套學習者成功系統S3來預測學習者的行為，提高學習者的學習成功率。該系統基于預測模型，利用機器學習算法對歷史進程創建的數據進行挖掘分析，為學習者個性化課程的制定提供策略[14]。

3.學習分析技術與個性化學習的實現

個性化學習是一種具有自我導向性的學習分析，個性化學習以學習者的個體差異為根據，為學習者提供個性化的建議和服務，并實時記錄學習日志和行為軌跡，評估過往學習過程、預測未來表現和發現潛在問題[15]。Hendrik等人認為學習分析領域的各種數據集的應用主要都是用在教育和學習上的，將數據集按照來源可以分為兩類：來自不同學習環境的跟蹤數據和來自不同網絡鏈接的跟蹤數據。Daniel等人植根于認知情境、關聯視圖及網上文化的學習觀點，提出了一種個性化的學習方法，并通過學習分析精制理論，將其功能擴大到更加系統和自動化的“大的開放性的在線課程”中[16]。學習分析的個性化學習資源使得從外部學習機構到學習者個人成長都有了“開放性”的實現。學習科學與教學設計的有機結合，可以實現學習者的自身潛能；學習者和學習機構擁有訪問工具和資源的權限，可以滿足學習者的學習需要；教師提供良好的教學和學習環境，可以滿足學生個性化的成長需求。這些在學習科學和工具開發之間建立的伙伴關系和合作關系，可以支持個性化學習[17]。

4.學習分析工具的開發和研究

學習分析工具有多種分類方式，按主流分法可分為學習網絡分析工具、學習內容分析工具、學習行為分析工具、學習能力分析工具等，充分利用各類型工具的特點和優勢有利于發揮其應用潛力[18]。Schneider等人通過學習網絡分析工具發展交叉協作感知，應用網絡可視化跟蹤眼睛數據并解釋圖表屬性。Scheffel等人針對學習分析內容提出了一種質量指標評價框架的連續發展過程，構建了一組基于多維縮放和分層聚類的概念映射的方法[19]。Paulo等人采用了一種自動化技術對學習者學習的編程課程進行評估、分析和可視化研究，以記錄學習者代碼快照的方式提取學習者的行為，從而對學習者的編程經驗進行分類[20]。Abelardo等人創設了一個翻轉的學習環境，用來支持學生的學習成果，以更好地促進學生的高階認知策略[21]。Sanam等人認為能力是構成學習者個體差異的背景，學習能力分析工具的研發可以促進學習者監控自身的學習過程，方便制定符合自身條件的認知策略和戰略行動[22]。在LAK的會議論文中，學習分析工具涉及越來越多的機器學習和情感計算的設計。隨著機器學習的深入研究，協作式的自動評估方法也將成為分析工具的重要措施[23]。

5.學習管理系統中的學習分析

學習管理系統LMS可以生成大量的數據，可以對學習者的學習活動進行捕捉，記錄并跟蹤活動數據。Vitomir等人研究了LMS中不同任務時間對常用分析模型的影響，并提供了一個在教育探索領域的時間任務評估方法[24]。LMS中的早期預警系統EWS可以通過整合與課程相關的、實時的課程信息，來預測學習者的成功或失敗。Richard等人提出了一種將學習者使用課程的LMS應用到EWS的研究，解釋了使用課程資源和學習者成績的關系，通過多元邏輯回歸模型來評估課程資源使用的可能性[25]。LMS的一個最顯著的特點是其自適應性，自適應學習管理系統可以針對個體學習過程中的差異而提供適合個體特征的學習支持。自適應的LMS最早是從智能教學系統ITS演變而來[26]。Laura等人開發了一個模型，從語言的自我屬性的解釋出發，提高學習者的閱讀理解能力，最終提高ITS的性能[27]。此外，LMS的智能化研究是高等教育的一個顯著現象，這也使得LMS得到了前所未有的采用率。

6.開放教育視角下的學習分析

2015AECT會議提出了兩個核心趨勢，即“開放教育”和“學習分析”，教育的開放性研究是未來教育的主流思潮，若要保障未來教育的開放性，教育研究者需要數據分析的支持來論證并確保開放服務及相關教學設計的有效性。“互聯網+”實現了人機互補的智能鏈接，“互聯網+”時代推動了教育信息化的發展，提供了無處不在的學習機會，也為開放教育和學習分析兩大主流的結合提供了環境，如MOOCs的高輟學率的問題可以由學習分析的技術層面加以改進和完善，而隨著MOOCs出現的大量數據也為學習分析的深入研究提供了機遇和挑戰[28]。開放學習環境OELE可以提供自適應的支持，James等人認為開放學習環境可以給學習者提供真實的、復雜的參與任務并解決問題的機會，以認知和元認知為過程模型，采用模型驅動的評估方法完成開放式學習任務[29]。Barbara等人設計了一個基于樹圖的開放學習模型，研究了可視化的開放學習模型，該模型為信息可視化提供了一個創新的方式[30]。

三、學習分析技術未來的趨勢和挑戰

基于LAK會議論文對學習分析現狀的深入研究，提煉出學習分析技術未來發展的三個趨勢，即機器學習和情感計算、智慧學習和技術標準、心理測量技術和學習分析。而如何處理倫理與安全的問題并有效應用預測學習將成為學習分析技術發展面臨的挑戰。

(一)學習分析技術的趨勢

1.整合機器學習和情感計算技術的學習分析研究

Shady等人基于預測模型，利用機器學習算法進行數據挖掘，提出整合機器學習和情感計算技術的學習分析研究不僅可以促進學習者的個性化學習，而且方便教師監控學習者的個性化狀態[31]。學習分析技術是基于大數據的分析技術，其應用和發展離不開算法，其研究對象離不開人。整合機器學習和情感計算的研究，不僅拓展學習分析技術的輻射范圍，而且可以更深入地了解學習者的學習行為。機器學習是一種可以讓計算機“自動學習”的分析方法。機器學習關注預測，基于已知屬性以訓練數據，而數據挖掘關注以前數據中尚未發現的屬性。情感計算以人類情緒理論為基礎，使人類和計算機可以進行和諧自然的生動交互，使計算機能夠智能地解讀學習者的心理困擾，并靈活地幫助學習者及時做出調整、化解沖突。機器學習和情感計算可以確定學習者的情感狀態和行為特征，為學習分析技術的深入研究和預測提供基礎依據，機器學習和情感計算也必將成為學習分析領域的研究熱點。

2.基于學習分析技術的智慧學習環境構建

James提出一種依賴實時學習分析的教學模式，即“智能空間”，為支持交互環境提供了腳手架[32]。學習分析是一種可以優化學習效果，改進學習策略的“智能分析”。智慧學習環境是一種能提供學習資源和智能工具，感知學習情景并組建學習社群，記錄學習過程以提高學習的空間；智慧學習是一種以學習者自我學習為導向，使用智能學習技術來促進學習者智慧發展的一種學習體驗。基于學習分析的智慧學習可以為學習者評估學習過程、預測未來表現和發現潛在問題提供服務。分析變革教育，技術啟迪智慧，學習技術標準xAPI可以通過記錄相關學習行為歷程和豐富學習數據以促進學習分析的應用。xAPI是智慧學習的底層支持，為學習者智慧學習提供保障的同時可以讓大量數據從學習平臺、學習工具和學習系統中解放出來，使學習者的個性化學習得以實現。大數據背景下的智慧學習環境中，學習分析技術的出現和發展變革了教與學的方式方法，推動了信息技術與教育教學的深度融合。

3.整合心理測量技術的學習分析研究

心理測量是對個體差異的測量，可以評價學習者個體的人格特點和能力差異，其測量結果可以用來預測學習者在未來學習活動中可能出現的差異，也可推測學習者在某個學習領域未來成功的可能性。整合心理測量技術的學習分析研究成為2016年LAK會議的主題演講，也成為學習分析技術未來發展的一大趨勢。根據學習分析已有問題的統計推斷和建立模型的推理問題，都符合心理學方法的測量性能，如可靠性、有效性、可比性和公平性等。技術和社會認知心理學分支的交叉研究和迅速發展推動了整合心理測量技術的學習分析研究，使得整合心理測量技術的學習分析可以從心理學的角度獲得學習分析歷史模型中的關鍵數據。目前整合心理測量技術的學習分析研究主要體現在以下幾個方面：通過計算分析方法合成硬數據以獲得學習者心理的研究理解；通過學習科學、基于域的研究、認知和社會文化心理以獲得學習者心理的研究結果；通過模擬游戲和虛擬學習環境的設計以獲得學習者心理的研究啟示。

(二)學習分析技術的挑戰

1.倫理與安全的挑戰

信息時代下，數據的互通、共享和安全將成為數據應用的重要特征，而涉及隱私和安全的數據難免會成為某些利益訴求的集散地。教育的對象包含多個群體，而教育數據除包括對象本身的數據，還包括各對象之間互動衍生的“數據尾氣”。在收集和使用教育數據的過程必然涉及到一些教育機構或企業組織對數據的保護和許可問題，使得“數據權屬”備受關注。對于教育數據的使用需要研究者公開收集用戶的對象及數據，這其中也必然涉及對數據的隱私安全保護問題。而數據的預測也面臨倫理的挑戰，學習者提供數據是相信大數據能夠幫助他們優化學習而不是阻礙他們的夢想。所以在對教育數據進行歸納整理和提取分析之前，教育研究者需要取得學習者本人的許可后方可應用他們的個人信息，并且負有保護數據隱私問題的能力以及承擔干預行為的責任。如何在現有數據的基礎上保障數據的倫理安全并進行干預保護，然后進一步地擴大數據的捕捉范圍將是學習分析技術的一大挑戰。

2.預測與應用的挑戰

基于教育大數據規劃自身學習的過程就是學習分析，不僅可以使學習者認識到自身的優缺點，并且為教育者的個性化指導提供依據。大數據時代的學習分析對于教育變革產生的價值是巨大的，但是在教育領域，數據分析也并不是萬能的。數據之所謂“大”體現在數據之“全”，包括我們所有的過往和現在，甚至還會預測到我們的未來。我們沿著時間的軌跡會成長會成熟，而數據產生后就是其數據本身并不會發生變化。凡是過去，皆為序章，若一味地依靠數據決定我們的命運和未來，那勢必限制人的自由、否定人的發展、阻礙人的進步，從而極有可能造成學習者成為數據預測的受害者而不是自身能力的受害者。此外，因為數據已經“預測”好未來，所以對于學習者來說極有可能出現馬太效應，即好的越好、壞的越壞，從而導致學習者無法逾越教育鴻溝的不公平現象的產生。所以如何利用預測優化學習而又不否定未來將是學習分析技術的又一大挑戰。

四、結語

本文通過對2011-2015年LAK的會議論文進行文本挖掘和內容分析，整合了大數據視角下學習分析技術的研究現狀、發展趨勢以及未來的挑戰。本研究期望通過厘清學習分析技術的研究重點和研究熱點，從而梳理該領域的研究脈絡，以豐富未來的深入研究。通過研究可知，基于大數據的研究和應用將在學習分析領域扮演越來越重要的角色，我們已經進入了“數據驅動決策，分析變革教育”的時代，而如何有效地利用大數據為學習分析所用，真正發揮數據的價值并進行科學的預測，為學習者個性化學習的實現和教育公平的促進，將成為未來學習分析深入研究的重點。

[1]徐鵬,王以寧,劉艷華,張海.大數據視角分析學習變革——美國《通過教育數據挖掘和學習分析促進教與學》報告解讀及啟示[J].遠程教育雜志,2013,(6):11-17.

[2]NMC. Horizon Report:2014 Higher Education Edition[DB/OL].https://net.educause.edu/ir/library/pdf/HR2014.pdf,2014-06-18.

[3]顧小清,張進良,蔡慧英.學習分析:正在浮現中的數據技術[J].遠程教育雜志,2012,(1):18-25.

[4]張海,李馨.日本移動學習實踐研究前沿[J].中國電化教育,2009,(9):1-6.

[5]張海,王以寧,何克抗. 基于課堂視頻分析對信息技術深層整合教學結構的研究[J]. 中國電化教育, 2010, (11): 7-11.

[6]李華,段建彬,許旱年.智能技術支持下的智慧學習——GCCCE2014會議回顧與述評[J].電化教育研究,2015,(6):15-20.

[7]祝智庭,管玨琪.教育變革中的技術力量[J].中國電化教育,2014,(1):1-9.

[8]Sre?ko Joksimovi?, Vitomir Kovanovi? , Jelena Jovanovi?, Amal Zouaq,Dragan Ga?evi?, Marek Hatala .What do cMOOC participants talk about in Social Media?A Topic Analysis of Discourse in a cMOOC[A].Proceedings of the Fifth International Conference on Learning Analytics And Knowledge[C]. Poughkeepsie, NY, USA :ACM,2015.156-165.

[9]王佑鎂,葉愛敏,賴文華. MOOC何去何從:基于知識圖譜的國內研究熱點分析[J].中國電化教育,2015,(7):12-18.

[10]Aysu Ezen-Can, Kristy Elizabeth Boyer, Shaun Kellogg, Sherry Booth. Unsupervised Modeling for Understanding MOOC Discussion Forums: A Learning Analytics Approach[A]. Proceedings of the Fifth International Conference on Learning Analytics And Knowledge[C].Poughkeepsie, NY, USA: ACM,2015.146-150.

[11]維克托·邁爾-舍恩伯格,肯尼思·庫克耶.與大數據同行——學習和教育的未來[M].武漢:華中師范大學出版社,2015.

[12]Philip J. Piety ,Daniel T. Hickey ,MJ Bishop .Educational Data Sciences-Framing Emergent Practices for Analytics of Learning,Organizations, and Systems[A].Proceedings of the Fourth International Conference on Learning Analytics And Knowledge[C].Indianapolis,IN, USA: ACM,2014.31-35.

[13]Alejandro Bogarín, Cristóbal Romero , Alejandro Bogarín,Cristóbal Romero .Clustering for improving Educational Process Mining[A].Proceedings of the Fourth International Conference on Learning Analytics And Knowledge[C]. Indianapolis, IN, USA:ACM,2014.11-15.

[14]Shady Shehata, Kimberly E. Arnold. Measuring Student Success Using Predictive Engine[A]. Proceedings of the Fifth International Conference on Learning Analytics And Knowledge[C]. Poughkeepsie,NY, USA: ACM,2015. 416-417.

[15]祝智庭,沈德梅.學習分析學：智慧教育的科學力量電化教育研究[J].電化教育研究,2013,(5):5-12.

[16]Daniel T. Hickey,Tara Alana Kelley,Xinyi Shen. Small to Big Before Massive:Scaling up Participatory Learning Analytics[A].Proceedings of the Fourth International Conference on Learning Analytics And Knowledge[C]. Indianapolis, IN, USA: ACM,2014.93-97.

[17]Linda L. Baer ,Linda L. Baer .Crafting Transformative Strategies for Personalized Learning/Analytics[A].Proceedings of the Third International Conference on Learning Analytics And Knowledge[C].Indianapolis, IN, USA: ACM,2013.275-277.

[18]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.

[19]Maren Scheffel, Hendrik Drachsler, Marcus Specht. Developing an Evaluation Frameworkof Quality Indicators for Learning Analytics[A]Proceedings of the Fifth International Conference on Learning Analytics And Knowledge[C]. Poughkeepsie, NY, USA:ACM,2015.16-20.

[20]Paulo Blikstein. Using learning analytics to assess students’behavior in open-ended programming tasks[A].Proceedings of the First International Conference on Learning Analytics And Knowledge[C].Banff, Alberta, Canada: ACM,2011.110-116.

[21]Abelardo Pardo, Negin Mirriahi, Shane Dawson.Identifying Learning Strategies Associated with Active use of Video Annotation Software[A]. Proceedings of the Fifth International Conference on Learning Analytics And Knowledge[C]. Poughkeepsie, NY, USA:ACM,2015.255-259.

[22]Sanam Shirazi Beheshitha, Dragan Ga?evi?, Marek Hatala. A Process Mining Approach to Linking the Study of Aptitude and Event Facets of Self-regulated Learning[A]. Proceedings of the Fifth International Conference on Learning Analytics And Knowledge[C]. Poughkeepsie,NY, USA: ACM,2015.265-269.

[23]Bertrand Schneider, Sami Abu-El-Haija, Jim Reesman, Roy Pea.Toward Collaboration Sensing: Applying Network Analysis Techniques to Collaborative Eye-tracking Data[A].Proceedings of the Third International Conference on Learning Analytics And Knowledge[C].Indianapolis, IN, USA: ACM,2013.107-111.

[24]Vitomir Kovanovi′c, Dragan Ga'evi′c, Shane Dawson, Sre′cko Joksimovi′c, Ryan S. Baker, Marek Hatala.Penetrating the Black Box of Time-on-task Estimation[A]. Proceedings of the Fifth International Conference on Learning Analytics And Knowledge[C]. Poughkeepsie,NY, USA: ACM,2015.184-193.

[25]Richard Joseph Waddington, Sung Jin Nam.Practice Exams Make Perfect: Incorporating Course Resource Use into an Early Warning System[A].Proceedings of the Fourth International Conference on Learning Analytics And Knowledge[C]. Indianapolis, IN, USA:ACM,2014.188-192.

[26]徐鵬,王以寧.國內自適應學習系統的研究現狀與反思[J].現代遠距離教育,2011,(1):25-27.

[27]Laura K. Allen,Erica L. Snow, Danielle S. Mc Namara.Are You Reading My Mind? Modeling Students’ Reading Comprehension Skills with Natural Language Processing Techniques[A]. Proceedings of the Fifth International Conference on Learning Analytics And Knowledge[C]. Poughkeepsie, NY, USA: ACM,2015.246-254.

[28]郁曉華,顧小清.開放教育下的學習分析——2015 AECT 夏季研討會評述與延伸[J].遠程教育雜志,2015,(5):14-23.

[29]James R. Segedy, Kirk M. Loretz, Gautam Biswas.Model-Driven Assessment of Learners in Open-EndedLearning Environments[A].Proceedings of the Third International Conference on Learning Analytics And Knowledge[C]. Indianapolis, IN, USA: ACM,2013.200-204.

[30]Barbara Kump,Christin Seifert,Guenter Beham .Seeing What the System Thinks You Know - Visualizing Evidence in an Open Learner Model[A].Proceedings of the Second International Conference on Learning Analytics And Knowledge[C]. Vancouver, BC, Canada:ACM,2012.153-157.

[31]Shady Shehata, Kimberly E. Arnold. Measuring Student Success Using Predictive Engine[A]. Proceedings of the Fifth International Conference on Learning Analytics And Knowledge[C]. Poughkeepsie,NY, USA: ACM,2015.146-150.

[32]James D. Slotta, Mike Tissenbaum, Michelle Lui. Orchestrating of complex inquiry: Three roles for learning analytics in a smart classroom infrastructure[A].Proceedings of the Third International Conference on Learning Analytics And Knowledge[C]. Vancouver, BC,Canada:ACM,2013. 270-274.

The Current Situation and Future Trend of Learn Analysis Technology Based on 2011-2015 LAK Conference Papers

Cao Shuai1, Wang Yining2, Xu Peng3
(1.School of Computer Science and Information Technology, Northeast Normal University, Changchun Jilin 130024;2.School of Media Science, Northeast Normal University, Changchun Jilin 130024; 3.Information Office of Northeast Normal University, Changchun Jilin 130024)

Technology and education are closely integrated in the era of big data, whose emergence in education provides a research opportunity for the development of learning analysis technology which can effectively explore the value of big data that is hidden in education, and thus make data the basis for optimizing learners’ learning activity. For several successive years, the United States New Media Consortium has been predicting that learning analysis will become the mainstream of research in the field of education, and the International Conference on Learning Analytics and Knowledge in the previous 5 consecutive years provides the organizational guarantee for the meticulous research. Based on the text mining and content analysis of the International Conference on Learning Analytics and Knowledge papers in 2011-2015, this paper integrates the research status, development trend and the existing challenges of the learning analysis technology from the big data perspective. Hopefully, this paper can sort out the study of the field of learning analysis technology through the context, and thus inspire further studies.

Learn Analysis; LAK; Data Mining; MOOC

G434

：A

曹帥：在讀碩士，研究方向為教師教育技術(caos009@nenu.edu.cn)。

王以寧：教授，博士生導師，研究方向為教師教育技術(wangyn814@nenu.edu.cn)。

徐鵬：在讀博士，工程師，研究方向為教師教育技術、大數據教育應用(xp@nenu.edu.cn)。

2016年2月17日

責任編輯：趙興龍

1006—9860(2016)05—0078—07

* 本文系東北師范大學教師教育研究基金重點項目“卓越教師素質結構實證研究”、東北師范大學教師教學發展基金項目“面向高水平復合型傳媒人才UGMR創新培養模式的實踐型教師共同體建設”研究成果，受教育部人文社會科學研究青年基金項目“教師信息技術應用能力遷移影響因素模型構建研究——以教師教育創新實驗區為例”(項目編號：14YJC880092)資助。