數據啟發下的教學環境

文/Alyssa Wise

數據啟發下的教學環境

文/Alyssa Wise

教育活動中產生和收集的數據的快速增長，蘊含著提升對教學效果認識的巨大潛力。通過創建數據啟發（data-informed）的教學環境，學校能夠在教學分析和教學設計之間形成協同，實現對數字化的和基于教室的教學環境的實時調整和長期迭代改進。

教育者們從教學活動過程中收集到的數據中得到了更有吸引力的機會，來了解為學生而設計的教學經歷中，學生的實際參與情況如何。教師們多年來依賴于課堂反饋，而數據提供了一個更加具體、全面和相對公正的版本。利用實時診斷信息的能力可以支持教師們對教學進行即時的、響應式的調整，而且從長期來看可以引導實現教學設計的迭代改進。

獲得正確的數據

什么數據應當被收集用來啟發教學設計？這依賴于所涉及的教學環境種類。在數字教學環境的情境中，數據的收集相對更加直接，人們也傾向于考慮此種情境下的教學分析。然而，對數據含義進行解釋則并不那么直接。例如，在線學習環境中收集的一種常見數據是“點擊流”（clickstream）——即對某人點擊的數字對象及點擊時間的連續記錄。這種數據可以加以匯編，用來觀察班級范圍中的行為模式，或者是對出現特有行為的個人進行識別；然而，更重要的是思考這些模式對學生的參與和學習有什么意義。線上產生的另外一種數據是“學生產物數據”（student artifact data）。當學生的產物是基于文本的，如短文或者討論消息的情況下，自然語言處理和機器學習技術就可以被利用來實現識別涉及的共同主題、找出興趣相近的學生、或評價文本的特定質量的目的。

盡管數字教學環境是教學分析的自然場所，從教室的教學環境中也可以收集到類型多樣、引人關注的數據。這種做法的重要性在于避免了過分優先于數字領域而忽略了現實世界中發生的重要活動。多模教學分析（multimodal learning analytics）基于物理空間中收集的數據，例如語音、目光或手勢。視頻數據和計算機視覺技術的結合，以及對教室中形成的學生產物的手寫和繪圖分析，都有加以利用的可能性。當然，收集這些類型的數據的考慮也面臨嚴峻的倫理和隱私問題。

最后一種重要的數據是自我記錄的數據，即學生自愿提供的與自身相關的數據。這種數據與此前通過自我報告調查形成的數據相比，其區別在于它是在多個時間點上即時收集的，而不是事后分析的數據。頻繁的快速提示可以讓學生在學習過程的特定時點指出他們正在進行的學習內容，或者是他們當前對學習材料的信心。這就形成了與學生活動或態度相關的細致數據，比單純的點擊流數據更易于解釋，而且隨著時間發展能夠建立起大量值得受到關注的行為模式。

倫理與隱私

在談論數據將如何用來啟發教學環境的設計之前，要考慮倫理和隱私等方面。任何時候，只要收集和利用與學生相關的數據，這些問題都會出現。核心問題與所有權（這是誰的數據）、訪問權（誰能看到這些數據）、效用（這些數據是用于何種目的）相關。這些問題當然不僅是對高等教育的教學分析產生影響，大量運行在商業部門中的數據追蹤和利用行為所受到的監管都是最小化的。高等教育機構對學生負有更高的責任，需要更加謹慎和盡責地對待處理學生數據的行為。

圖1 含有嵌入式和提取式分析的圖形化研討論壇

在這方面，透明是一項重要原則。大學要有明確和易于理解的政策，使得學生知道被采集到的是哪些數據，以及這些數據將會用于和不會用于什么目的。在訪問權方面，一種能獲得學生參與的方法是賦予他們審視自己的數據的能力，使他們理解這些數據所帶來的洞察力。讓學生以為數據是某些不可見的主體在收集，還是讓學生參與和投入到數據的利用過程中，這中間有巨大的差異。在筆者的一項研究項目中，研究人員發現，如果能建立充滿信任的氛圍（本案例中包括了以明確的條款來表明分析是用于提高而不是評價學習效果），那么即便所利用的數據是非常細致的，學生也會認為可以接受。大學也要考慮采用選擇性退出和選擇性加入的條款是否合適，以及選擇不參與的話會對學生本人和學校的整體信息基礎造成怎樣的后果。盡管沒有簡單的答案，這些問題仍然是每個教育機構在策劃教學分析和利用數據時需要考慮的。

數據啟發的教學設計

從較高層次上看，數據啟發的教學環境所帶來的首要之事是擁有的大量信息進入到了關于設計教學環境和評估設計意圖是否確實得到實現的思考中。很多時候，我們在教學環境的設計過程中懷有良好的意愿，但是在結果是否符合我們的期待方面并沒有進行一些檢查。在教室教學中，教師或許可以通過對記錄的事件進行反思的方式來獲得對其中事物的整體認識，但是這也經常會遺失場景中的大量內容。在線上教學環境中要獲得學生投入程度如何的認識甚至更加困難。在教學分析中，可以對期望發生在學習經過中的事情設定目標，然后檢查它們是否確實發生了。還可以看到設計是否產生了符合意圖的效果，是否實現了想為學生創造的那種學習經歷，教學分析為人們提供了實現這些目的的強大手段。圖1是展示了對研討論壇的分析結果，包括嵌入在學習系統中和從其中提取的分析。標有顏色的點展示了學生是如何參與到對話中的（深藍和淺藍色的點），以及他們沒有參與的部分（紅色的點）。右側的數據表表明，大多數學生在閱讀他人的觀點方面都有投入，盡管有一個特殊的學生在閱覽他自己的貢獻上花費了大多數的時間。

教學分析還形成了識別共同的和重要的行為模式的能力。換句話說，我們可以看到大量學生正在做的事情，評估是否符合要求，并且尋找出那些學生常常獲得深入認識或停滯不前的關鍵時機。只要開始找出這種事件的出現方式，就可以相應地重新設計教學環境。例如，某項有趣的研究觀察了學習編程的學生，發現在一些特定時刻，他們努力嘗試并解答出問題，而在另一些時刻，這些嘗試卻導致他們卡在了一個“沉沒狀態”。換句話說，他們反復嘗試一件事情并不斷失敗，走進了死胡同，明顯在原地打轉。這些場景一旦被識別，就可以對我們的設計提出多種多樣的啟示。例如，可以決定不讓學生卡在死胡同里，因此就可以設計某種方式避免讓他們走向那個途徑。或者，根據我們的教學目標，也許會想要允許去探索那個途徑，因為讓學生意識到那是一條死胡同也非常重要。只要學生發現了死胡同，就巧妙地引導他們走出來。所以，對學生投入學習的模式的研究，為教學分析和數據啟發的教學環境設計提供了另外一個途徑。

分析還可以嵌入到環境中用于對學習過程中的直接啟發。可以參考斯坦福大學進行的一項研究，其中目光追蹤被用于學生間的協作的研究。其中，兩名學生互相不見面，而是要通過在顯示在計算機屏幕上的信息和圖表來一起學習大腦處理視覺信息的方式。研究者發現，學生們同時注視屏幕的同一個位置的次數越多，他們的協作質量就越高。

個性化

個性化已經變成了在線學習和教學分析中的流行語。一個為滿足需求而獨家設計的教學環境，這樣的想象確實有些吸引力。其實，這種“量體裁衣”也有多種實現方式。一種是通過“系統調整”，即教學環境根據對學生過往行動的分析自行進行調整。例如，數學課的智能輔導系統可以追蹤學生成功解決的題目和遇到了困難的題目，并為他/她選出并提供一組個性化的題目來繼續練習。另一種實現個性化的方式是“系統可調整性”，即學生能夠在系統中利用分析數據來引導決策、進行調整。例如，一名學生可以看出來他在解答某一類數學題目時存在困難，以選擇繼續練習相關的技巧。上述第一種方式傾向于代表學生做出選擇，不需學生本人的努力就可以建立一條更加優化的學習路徑。第二種方式對學生的要求更多，也需要更多的支持，但是也為學生創造了更加有效的機會，使他們在學習過程中更加清楚和活躍。這將支持學生的自我監督學習技能的發展，并導向更好的終身學習策略。

圖2 設計教學分析以支持學生的自我監督學習的原理

自我監督技能也有利于幫助學生改變他們的學習行為，甚至在無需調整教學環境的情況下。這要引入目標設定、行動和反思的循環。這個循環的原理如圖2所示，其中表現了支撐這個循環的幾項原則：整合（確保學生受到關于教學分析與學習活動如何相關的指導）、參與（給學生機會來對與自己相關的分析結果進行解釋和采取行動）、參考框架（為解釋分析結果而提供一個或多個比較點）、對話（在學生需要時提供反饋和支持）。例如，研究小組中開展了一項研究，其中要求學生回顧他們認為自己在一個研討論壇中做了些什么；然后把回顧的結果和他們實際做的事情進行比較。他們認為自己做過的事情和數據顯示出來的實際情況之間的差距，成為了促使他們改變自身行為的強烈驅動力。在這個例子中，即使教學環境本身并未發生改變，只是換了一種使用方式，分析結果仍然會對學生有所支持。

采用數據策略改進教學環境的三個竅門

下面一些步驟可以有助于教育機構制定支持教學環境改進的策略。

第一，對要追蹤和測量的事物類型進行追蹤。要考慮采用一個動態咨詢過程與最終用戶共同進行，控制住沖動而不要從 “這就是我們擁有的數據”這樣的視角開始。否則，從出發點上就沒有以用戶為念，這樣的做法是很危險的。動態咨詢意味著去找那些你希望會使用這些數據的人們，可能是教師、設計師、管理者或是學生，然后力圖理解他們的信息需求——他們會要求用這些數據去解決

哪些類型的問題？你還要經常教育人們利用數據可能做到哪些事情，因為他們之中很多人之前并不知道。在數據的用戶需要什么和哪些事情是技術上可行之間反復迭代，你會開始能想出來要采集哪些數據以及如何處理它們。這個方法將保證構建出的系統是對人們有用的。現存的大量分析系統展示了很漂亮的儀表板（dashboard），但是這對那些要從系統中獲益的人們而言并不必然是有用的。

第二，要思考采集到的數據是如何回應用戶的問題的。這種思考涉及問題“數據的含義是什么”，要求超越初步匯總報表的思考水平。初級層次的教學分析，尤其當來源于學習管理系統時，存在簡單描述“每一件事都做了多少”的危險傾向。這個傾向假定了一個學習模式“越多越好”，但實際并非必然如此。實現這個目的的一個有力工具是歷時教學分析。通過采用歷時分析來取代對某些事情進行計數的簡單數據匯總，我們可以看到，伴隨著教學成效高低不一的行動流或者行動序列，教學過程是如何沿著時間而展開的。

第三，對數據方案的思考要與教學環境設計相結合。與其問“系統生成的數據已經在這兒了，我們怎么利用它”，不如退后一步，思考一下如何通過教學環境設計來產生有用的數據。這對創建更好的教學分析而言是至關重要的關鍵點，因為我們在分析中面臨的諸多挑戰都源于所收集到的數據的限制。

未來的思考

隨著高等教育多樣化，學生的學習經歷跨越多個教學環境甚至是多個高等教育機構變成了常態。此外，作為學生整體教育的重要組成部分，課外的和非正式的教學活動也開始被賦予更多的關注和價值，受其本質決定，這些事件將會發生在多種多樣的、不同的、往往是非正式的教學環境中。這就帶來了兩難困境。我們想要能夠把跨越不同系統的教學數據和技能證明匯集到一起，然而如果過于努力地推進工具和數據結構的統一化，將喪失教學環境的多樣化選項所帶來的價值。

回到有關數據隱私、所有權和學生參與的主題，更加強有力的未來愿景是將多樣化的教學環境引入到一個更大的分析生態圈，其中提供了技術基礎設施來協助系統之間的有效溝通。這個領域中已經有了若干項目在進行。例如，教學工具互操作性標準已經允許將同樣的工具引入到不同的學習管理系統中。在教學分析領域，Apereo基金啟動了一項計劃來構建一項開放的分析基礎設施，能夠支持從多種多樣的、不同的教學環境中收集和分析數據。我們可以想象，未來的學生掌握的數據中記錄他/她一生學習軌跡。這一想象是對許多理念的延伸，而且正是學生自我電子檔案、徽章、微學分這些眼前發生的事情背后的那些理念。

在啟發教學環境設計以及學生在其中參與等方面，數據都蘊含了巨大的機遇。高等教育機構要推動取得這些方面成果，就可以通過與預想的最終用戶咨詢來構建更有用的分析，以及制定明確和盡責的數據利用策略來實現。

（來源：Educause Review 翻譯：陳強）