基于大數據的在線學習預警模型設計*——“教育大數據研究與實踐專欄”之學習預警篇

王林麗 葉 洋 楊現民

?

基于大數據的在線學習預警模型設計*——“教育大數據研究與實踐專欄”之學習預警篇

王林麗 葉 洋 楊現民[通訊作者]

（江蘇師范大學智慧教育學院，江蘇徐州 221116）

學習預警是提升在線學習質量的重要途徑。如何基于大數據成功地實現在線學習預警，是在線教育發展過程中亟需解決的重要問題。文章從預警的實現形式、內容與方式、采用的技術算法和工具、成效及不足等方面比較分析了國外五個典型學習預警系統，在此基礎上提出了學習預警系統的通用設計框架，并構建了學習預警系統的功能模型和過程模型，最后就在線學習預警系統的設計開發和預警研究提出了建議，以期能為我國在線學習預警系統的建設與發展提供借鑒。

大數據；教育大數據；在線學習；學習預警；模型設計

引言

隨著互聯網技術的應用和發展，在線學習日漸流行，并成為信息時代的一種重要學習方式，也由此引起了政府、學校、企業等的廣泛關注。當前，雖然在線學習在全球的發展勢頭迅猛，但也存在諸多問題，如學習質量和效率低下、教師的個性化及適應性教學能力差、在線學習的監控管理和評價不及時等。其中，學習質量難以保證的問題尤為突出，導致很多學習者無法順利完成在線課程的學習。為此，有研究者提出要通過學習預警來解決上述問題。

學習預警可以通過挖掘、分析在線學習過程中產生的大量數據，了解學習者學習情況并及時發現學習中存在的問題，以此對學習者發出提示或警告，從而督促、引導學習者順利完成在線學業。從整體來看，國內外在線學習預警的研究與實踐正處于起步階段，如美國普渡大學開發了課程警示系統[1]、澳大利亞Wollongong大學開發了社會網絡可視化工具[2]、我國電子科技大學教育大數據研究所研發了高校預測預警應用系統等。

與傳統教育數據相比，教育大數據的采集具有更強的實時性、連貫性、全面性和自然性，分析處理也更加復雜、多樣，應用更加多元、深入[3]。如何基于大數據成功地實現在線學習預警，是在線教育發展過程中亟需解決的重要問題。為了更好地理解在線學習預警系統的框架及其過程原理，本研究在分析國外五個典型學習預警系統案例的基礎上，提出了學習預警系統的通用框架，并對其功能模型和過程模型進行了設計。

一 國外五個典型學習預警系統案例

美國在大數據方面是領跑者。美國的一些學校和機構根據自己的需求率先開發了不同的學習預警系統，這些學習預警系統已在相關應用尤其是預防輟學應用中取得了一定的成效，積累了寶貴的經驗。

根據預警功能的實現形式，現有的學習預警系統可劃分為四類：①為了實現在線學習預警的相關功能而獨立開發，這又分為兩種情況，一是由學校自主開發，如普渡大學開發的課程信號系統；二是由企業機構開發，如Desire2Learn機構開發的學生成功系統。②通過學習管理系統與可視化工具相結合來實現預警功能，如可汗學院的學習儀表盤。③通過在學習系統中嵌入個性化工具來實現預警功能，如電子顧問。④學習預警系統作為在線學習平臺中的一個模塊而存在，如海星預警系統。這五個典型學習預警系統在實現形式、預警內容與方式、采用的技術算法和工具、成效及不足等方面存在異同，如表1所示。

表1 國外五個典型學習預警系統比較

1 課程信號系統

課程信號系統（Course Signals）是由美國普渡大學開發的一款在線學習預警系統，用于監測學生的學習狀態。該系統嘗試采用一種新的算法（Student Success Algorithm，SSA）來判斷處于學業危險中的學生，并對其進行預警——這種預警類似于交通信號燈，即針對教師和學生的不同狀態而設定不同的“警示信號”。根據“警示信號”，教師通過電子郵件、短信、在線消息等方式對學習者進行干預，從而促進學生的健康成長。

2 學生成功系統

由美國Desire2Learn機構開發的學生成功系統（Student Success System，S3），可以向用戶提供一系列服務，如查看學生的學習情況、預測學業危險、提供干預和產生學習分析報告等。此外，該系統也可以通過分析影響學生學習的因素如學生的出席率、課程完成情況、參與度和社會學習等，形成多樣化的預測模型，從而準確地預測有哪些學生處于學業危險的狀態，并向其提供適當的干預措施[4]。

3 可汗學院的學習儀表盤

學習儀表盤由可汗學院于2013年9月推出，它最初應用于可汗學院的數學課程中。學習儀表盤以信息跟蹤技術和鏡像（Mirroring）技術為基礎，對學習者的在線學習行為進行精密追蹤，記錄、整合大量學習者的學習信息，并按照使用者的需求進行數據分析，最終以數字、圖表等可視化形式呈現出來，從而為在線教育中的學習者、教師、研究者和教育管理者提供學習分析[5]。

4 電子顧問

電子顧問（eAdvisor?）由美國亞利桑那州立大學開發。通過玩圖像游戲Me3，可以探索出學習者的職業興趣，eAdvisor?便可以據此為其制定相應的學習路徑，它規定了學習者每學期需要完成的課程及應拿到的學分[6]。在整個學習過程中，eAdvisor?會為學習者提供個性化的點播工具，也會為學習者的學習過程提供引導和支持，并實現對學習者的預警。

5 海星預警系統

海星預警系統（Starfish Early Alert System）是海星企業成功平臺（Starfish Enterprise Success Platform）中的一個模塊，致力于幫助學生完成學業。海星預警系統以大數據、學習分析、分布式計算等為基礎，通過分析學習者的努力程度，以盡早地了解學生，進而降低輟學率[7]。

二 學習預警系統框架

學習預警系統涉及四個核心問題，即為什么預警、預警什么、怎么預警、預警的結果是什么。從這四個核心問題出發，本研究構建了學習預警系統的通用框架，如圖1所示。

圖1 學習預警系統框架

1 目的層

預警目的大致有四種：降低輟學率、促進學業成功、提高學習效果和提升就業率。預警目的的確定為預警系統的建立與運行指明了方向，將直接影響著數據的收集與獲取，并對內容層、方式層和結果層產生影響，是整個預警過程的根本。

2 內容層

預警內容包括預警輟學、學業成功、知識掌握、就業情況、學習路徑、學習效果等，具體內容會根據預警目的的不同而有所不同。當預警的內容不同時，所采用的預警方式也會不同。

3 方式層

預警方式主要包括數據采集和數據分析——數據采集需要明確使用什么采集技術，以及采集哪些數據；數據分析則需要根據采集的數據，判斷將要采用哪種數據分析技術及預警算法。在大數據時代采集的是學習者的全方位數據，當目的不同時會篩選不同的數據進行分析處理。

4 結果層

預警結果主要包括預警信息的呈現及干預策略，即根據目的層、內容層和方式層確定預警信息的呈現形式及提供的干預策略。預警信息的呈現形式是學習預警系統的直觀表現，而干預策略主要是為學習者提供個性化的建議或反饋。

三 學習預警系統模型

1 學習預警功能模型

學習預警功能模型如圖2所示，呈現了學習預警系統的工作流程。具體來說，學習預警功能的實現，分為數據收集、數據分析、預警信息呈現和提供干預四個階段。本研究從學習者的知識掌握情況、行為數據和學業情緒三個方面出發，參考教育大數據的技術體系框架[8]，構建了在線學習預警功能模型，從知、行、情三方面對在線學習者進行全方位預警。

圖2 學習預警功能模型

（1）數據收集

在線學習中收集的數據包括學習者相關數據、教師相關數據和課程相關數據。其中，學習者相關數據主要包括學習者的基本數據（學習風格、態度）、行為數據（訪問次數、在線時長、下載次數、最后訪問）、交互數據（與在線資源或同學間的互動情況、討論內容、發帖數、互動次數）、表現數據（學業成績、排名、進步）、情感數據等。數據收集需要借助一定的平臺和技術工具，如Sakai、Blackboard、Moodle、學習元平臺和社會網絡可視化工具等。

（2）數據分析

收集到的海量數據經過存儲整合即可實現分類，具體來說可以分為知識、行為、情緒三類。目前比較成熟的知識和行為分析技術主要有內容分析法、話語分析法、社會網絡分析法[9]、語境分析法和性格分析法等；而主要的情感識別技術有面部表情識別和語音情感識別，此外還可以通過內容挖掘和智能分析來識別學習者的語音、文本、繪圖中所蘊含的情緒信息。近年來，基于腦電波的情感識別采集技術已成為情感數據采集和情感識別的重要渠道。上述分析技術使得數據分析能夠順利實行，從而推測出學習者在知識、行為、情緒方面是否存在異常。

（3）預警信息呈現

預警信息呈現是指從知識、行為、情緒三方面對學習者所處的狀態進行直觀呈現——知識即學習者對知識點的掌握情況，要適應社會發展，就必須不斷接受新知識，持續不斷地提升素養和能力[10]，可以通過成績、內容分析法等來判斷知識的掌握情況；行為即學習者在線學習時的各種行為，包括登錄、瀏覽、交互等，學習者的行為從一定程度上反映了學習者的態度，能在很大程度上影響學習效果；情緒即學習者在線學習時的情緒，是影響線上線下學習效果的重要變量。也就是說，預警信息呈現是通過對海量數據進行分析，準確判斷出學習者的學習情況及所處狀態，并通過采用紅綠燈、小紅旗、磁條、背景顏色、文本等方式將其直觀地呈現出來。

（4）提供干預

提供干預是指對獲得預警的學習者提供相應的改進策略，進行積極干預。預警系統內置一套完善的學習干預策略庫，庫中存放著應對各種問題的具體策略，教師或系統可以據此向學習者提供個性化干預。所謂個性化，是指當起點不同的學習者取得相同的成績時，獲得的干預是不同的；并且，當學習者及預警內容不同時，采用的干預方式也會有所不同。

2 學習預警過程模型

學習預警過程模型如圖3所示，主要用來描述在線學習預警的具體過程。

圖3 學習預警過程模型

一般而言，在線學習預警的具體過程共分為七步：

（1）確定預警目的，明確預警什么。預警目的不同，后續步驟就會有所不同。

（2）數據采集。根據預警目的，確定需要采集哪些數據以及需要用到哪些數據采集技術。

（3）數據分析。將采集到的數據輸送到分析引擎進行分析，根據適當的分析技術及預警算法對采集的數據進行分析，判斷學習者是否需要預警。

（4）預警信息或學習情況的呈現。根據第三步的判斷，如果需要預警則呈現出相應的預警信息，如果不需要預警則呈現出學習者目前的學習情況。

（5）預警信息推送。預警信息的推送對象包括三類：一是推送給教師和管理者（可以查看所有學生的預警信息）；二是推送給系統；三是直接推送給學生（考慮到有些信息可能會傷害學生的自尊心，所以推送給學生的預警信息只是所有預警信息中的一部分）。

（6）個性化建議的提出及個性化資源的推薦。教師和管理者根據推送的預警信息，人工進行干預，提出適合學習者的個性化建議，并推薦適合學習者的個性化資源；系統根據推送的預警信息結合自適應引擎，可以自動生成適合學生的個性化建議和個性化資源。

（7）將個性化建議和個性化資源推送給相應的學習者。

四 總結與建議

《2015年國務院政府工作報告》和《中共中央關于制定國民經濟和社會發展第十三個五年規劃的建議》分別提出了“互聯網+”行動計劃和實施國家大數據戰略，這將對教育的變革與創新產生實質性的影響。同時，國家力推在線教育的政策也相繼出臺，在線學習將成為今后重要的學習方式。此外，目前很多學習系統和平臺提供商也正在考慮引入基于大數據的預警機制和技術，以進一步提升系統的服務能力，改善在線學習的質量。以說在線學習預警已成為在線教育研究與實踐領域的熱點。基于此，為推動我國在線預警學習系統的建設與發展，本研究從實踐和研究兩個方面提出如下建議：

1 實踐方面

在線學習預警系統的設計與開發應著重考慮以下四點：①從知識、行為、情緒三個方面開展綜合預警；②采用云服務或者標準化插件代理的方式提供預警服務，以便與現有系統集成；③預測算法應具備較強的靈活性，能夠根據不同的預警目的選擇不同的預警算法；④建立和選擇一組能正確反映系統狀態的敏感性指標，實時跟蹤預警效果。

2 研究方面

總的來說，我國在線學習預警研究尚處于起步階段，應進一步加強學習預警的理論、技術與應用研究——理論方面，深入探討學習預警的認知基礎、運作機制等基礎性問題；技術方面，積極運用學習分析、教育數據挖掘等技術，進一步提升在線學習預警的效率和效果；應用方面，認真開展在線學習預警的實踐研究，歸納預警應用模式，評估預警的實際應用效果。

參考文獻：

[1]Purdue Informztion Technology. Course signals[OL].

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

[3]楊現民,王榴卉,唐斯斯.教育大數據的應用模式與政策建議[J].電化教育研究,2015,(9):54-61、69.

[4]Essa A, Ayad H. Improving student success using predictive models and data visualisations[J]. Research in Learning Technology, 2012,(20):58-70.

[5]張振虹,劉文,韓智.學習儀表盤:大數據時代的新型學習支持工具[J].現代遠程教育研究,2014,(3):100-107.

[6]Arizona State University. How does eAdvisor? benefit me?[OL].

[7]Plunkett J. Starfish supports University of Nebraska-Lincoln’s efforts to improve campus coordination, early identification of at-risk students, and enhanced student planning[OL].

[8]楊現民,唐斯斯,李冀紅.教育大數據的技術體系框架與發展趨勢——“教育大數據研究與實踐專欄”之整體框架篇[J].現代教育技術,2016,(1):5-12.

[9]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.

[10]陳琳,陳耀華.以信息化帶動教育現代化路徑探析[J].教育研究,2013,(11):114-118.

編輯：小米

Design of Online Learning Early-warning Model based on Big Data——The Learning Early-warning of “Research and Practice Column about Big Data in Education”

WANG Lin-li YE Yang YANG Xian-min[Corresponding Author]

Learning early-warning is an important approach to improve the quality of online learning. How to successfully implement early-warning which based on big data is an urgent problem to be solved in the development of online education. From the aspects of realization form, warning content and method, technical algorithm and tool, effectiveness and deficiency, this paper comparatively analyzed five typical abroad learning early-warning systems. On the basis of this analysis, the general design framework of the learing early-warning system was put forward, the function model and process model of learning early-warning system were also established. Some suggestions for the design development and research of online learning early-warning system were proposed, expecting to explore some idea for the construction and development of domestic online learning early-warning system.

big data; big data in education; online learning; learning early warning; model design

G40-057

A

1009—8097（2016）07—0005—07

10.3969/j.issn.1009-8097.2016.07.001

本文為江蘇省普通高校學術學位研究生創新計劃項目“基于行為數據的在線學習預警機制設計”（項目編號：KYZZ15_0381）、江蘇高校優勢學科建設工程資助項目“江蘇師范大學教育學省優勢學科建設”(項目編號：蘇政辦發〔2014〕37號)、江蘇省科技基礎設施建設計劃項目“江蘇省教育信息化工程技術研究中心”（項目編號：BM2013224）的階段性研究成果。

王林麗，在讀碩士，研究方向為教育信息化與智慧教育，郵箱為wanglinli0606@163.com。

2016年3月20日