基于大數據的學習分析研究綜述

郭炯　鄭曉俊

摘要：隨著大數據時代的到來，不斷涌現的海量學習數據需要使用新的方法與工具進行處理，學習分析應運而生并成為教育研究與應用領域的熱點問題。該文基于文獻分析法，對國內外2010年以來關于學習分析的期刊論文進行梳理，根據研究重點不同分為理論框架、模型研究、學習分析技術基礎、學習分析工具、應用研究、面臨挑戰等六大類，并對每一類的重要研究成果進行了梳理與介紹，以試圖呈現該領域的整體脈絡。在此基礎上，提出學習分析發展中亟待解決的問題包括理論基礎與理論框架的明確、學習分析相關標準的建立等。

關鍵詞：大數據；學習分析；理論框架；學習分析工具；應用研究

進入21世紀以來，伴隨著移動互聯網技術、云計算、物聯網技術的發展，大數據應運而生，其研究與應用不斷向前發展。2011年6月，世界知名咨詢公司麥肯錫發布了《大數據：創新、競爭和生產力的下一個前沿》報告，系統闡述了大數據的概念、核心技術、應用領域，引發了各行各業對大數據的關注。維克托·邁爾·舍恩伯格及肯尼斯·庫克耶在其2012年出版的著作《大數據時代》中指出，大數據帶來的信息風暴正在變革我們的生活、工作和思維，大數據的核心就是預測，它將為人類的生活創造前所未有的可量化的維度，并且已經成為了新發明和新服務的源泉。我國政府在2015年8月發布了《促進大數據發展行動綱要》，以推進大數據產業發展，深化大數據在各行業的創新應用。大數據在教育領域的應用，正不斷推動著教育信息化變革的進行。美國聯邦政府教育部技術辦公室于2012年4月10日發布《通過教育數據挖掘和學習分析改進教與學：問題簡介》，指出在教育中有兩個特定的領域會用到大數據：教育數據挖掘和學習分析。

在線學習、云計算出現之前，人們已經開始對教育數據進行收集、分析與利用。20世紀90年代，在智能導師系統（ITS）研究中，研究者和設計者已經開始應用復雜的學習分析方法，這些數據分析的方法被沿用到后來的在線學習環境中。ITS的研究者中，聚焦于研究學生學習過程數據的提取與闡釋的部分學者，與關注其他種類學習過程數據的研究者共同建立了國際教育數據挖掘協會，并于2008年召開第一次會議，其協會雜志《教育數據挖掘》于2009年出版了第一期。因此，教育數據挖掘的相關研究可以看作從ITS時代就已經開始了。另外，隨著大數據時代的到來，不斷涌現的海量學習數據需要使用新的方法與工具進行處理，學習分析應運而生。學習分析作為一個新的研究領域，其研究者關注學習過程與學習環境大數據的處理、在線學習環境設計、學習理論的發展以及在線數據使用中的倫理問題。2011年召開了第一屆國際學習分析與知識大會，同年成立了學習分析研究協會（Society for Learning Analytics Research，簡稱SoLAR）。

一、研究方法

本研究基于文獻調研，以“學習分析”為關鍵詞，在CNKI數據庫中，以“核心期刊”為篩選條件，檢索得到結果89個，手動排除與本研究相關度較低的結果9個，得到期刊論文80篇。利用CiteSpace對80篇論文進行關鍵詞分析，得出與“學習分析”共同出現頻數最高的關鍵詞包括“數據挖掘”“大數據”“MOOC”“教育數據挖掘”“教育大數據”“學習行為”“個性化學習”“在線學習”“可視化”“智慧學習”“電子書包”“教學設計”“分析模式”等，結合對論文標題、摘要的梳理，發現國內關于學習分析的研究多集中在理論引介、研究綜述、應用模型設計與論證等方面，實證性研究仍屬少數。在SSCI數據庫中，以“Learning Analytics”為關鍵詞檢索，限定領域為“教育與教育研究”，共得到結果387個，將記錄導出至Histsite中進行引文關系分析，共得到核心被引文獻16篇，其研究內容分布在學習分析的理論探討、學習分析模型研究、學習分析技術基礎、學習分析工具、學習分析應用研究、學習分析面臨的困難與挑戰等方面。因此，本文嘗試從以上幾個方面對當前的研究進展進行梳理與總結。

二、學習分析的涵義與理論基礎

（一）學習分析的涵義

George Siemens認為學習分析通過應用智能化數據、學習者數據與分析模型，實現對信息與社會性連接的發掘，并為學習提供預測與建議。SOLAR的成員在第一屆學習分析與知識大會之前開設了一門MOOC——學習與知識分析（Learning and Knowledge Analytics），在課程介紹中將學習分析定義為“為了理解和優化學習與學習發生的環境，對學習者及其所處境脈的數據進行的測量、收集、分析與報告”。該定義之后得到LAK11與會學者的認可并被廣泛引用。Slade和Prinsloo認為學習分析是對學習者生成的、可提供行為參考的數據進行收集、分析、利用與傳播，從而為學習者提供適當且有效的認知、管理支持。以上定義把學習分析定位在技術的范疇，Martin與Sherin則將學習分析作為一個新的學習科學方法集，指出學習分析通過開發工具與技術實現對學習過程與學習結果數據的抓取、存儲，基于大量數據發現模式，以生成性和可利用的形式呈現這些數據，并將數據與智能化工具整合以實現學習環境的個性化與優化。

研究者根據自己的理解與實踐基礎，給出了學習分析的不同定義，但綜合而言，學習分析的工作對象是關于學習者與學習過程的數據，要實現的目的是對學習與學習環境的優化，采用的手段是開發特定工具與技術。學習分析目前并未發展為一門獨立學科，仍是一個較為松散的新興研究領域，既包括通過開發特定工具與技術，對學習者與學習過程數據進行挖掘與處理，以實現學習或學習環境的優化與個性化的實踐活動，也包括探討學習分析基本理論與框架，進而促進學習理論與教學設計理論不斷向前發展的研究。

（二）學習分析的理論基礎

Elias認為學習分析從多個相關領域汲取養料，如商務智能、網站分析、學業分析、教育數據挖掘、行動分析、數據挖掘等。George Siemens總結了推動學習分析發展的相關領域和教育研究活動，包括社會網絡分析、用戶建模、教育和認知建模、數據庫中的知識探索等。Macfadyen等人認為學習分析需要解讀海量數據呈現出的特征、問題或規律，必須依靠學習理論、組織行為理論、優秀教學實踐案例、知識社區、學生動機、毅力與動機等研究領域的知識。可以發現，盡管數據挖掘、網絡技術、學習理論、教學理論、社會網絡都為學習分析的研究與實踐提供了理論依據，但學習分析的理論基礎并未系統化、明朗化，這是學習分析向前發展必然需要解決的問題，也為學習分析的理論研究提出了亟待解決的課題。

三、學習分析模型研究

學習分析模型的建立，有助于學習分析研究與實踐中更為系統有效地設計研究方案，提升效率，可為學習分析系統平臺與學習分析工具的設計、開發、應用與推廣提供參考與指導。研究者提出的學習分析模型，主要包括兩類：過程性模型與框架性模型。

（一）過程模型

學習分析過程模型著眼于學習分析的流程，重點探討學習分析活動的要素與各環節之間的遞進作用與影響，對于學習分析實踐與學習分析工具的開發具有更重要的指導意義。

1.學習分析過程模型

2010年8月，George Siemens在第一屆學習分析與知識大會召開之前，提出學習分析的過程模型（如圖1所示），指出學習分析通過應用智能數據、學習者數據和分析模型來發現隱藏的信息與社會聯系，并對學習做出預測與建議。他認為學習分析的一個重要目標是重構教學、學習與管理的過程。因此學習分析的最終落點應體現在學習預測、干預、個性化與自適應等方面。其中，要實現學習的個性化與自適應，應結合技術、社會、教育等因素從整體性角度多方面考慮。西蒙斯的這一模型為之后學習分析模型的提出與不斷完善奠定了基礎。

2.學習分析持續提升循環模型

Elias分析了Baker的“知識系列”、MacEwan等人的“網站分析目標”、Campbell等人的“五步分析”、Dron等人的“合作應用模型”等框架，提出了學習分析的持續改進模型（如圖2所示）。

該模型基于計算機（Computers）、理論（Theory）、人力（People）、組織因素（Organizations）等四方面資源，實現數據收集、信息處理、知識利用三個關鍵環節的循環提升。其中，數據收集環節包括數據捕獲與選擇，信息處理環節包括信息匯總和報告、預測，知識應用環節包括信息提煉與應用。該模型還特別強調將學習分析的成果共享，以擴大學習分析的作用范圍，并促進新一輪學習分析的優化。

3.學習分析循環模型

Clow指出通過采取干預措施實現反饋的完整回路對于學習分析尤為重要，因此他提出了學習分析的環狀模型（如圖3所示）。學習者（Learners）、數據（Data）、度量（Metrics）、干預（Interventions），四個要素首尾相接，形成循環。在這個模型中，干預措施并非一定要施加于最初的學習者，如一位教師可以將對一次期末考試的分析與反饋結果應用至下一輪同一年級學生的教學中。

4.學習分析的生命周期模型

Khalil與Ebner等人綜合2015年之前的大量會議文集、工作坊成果、期刊論文等相關研究，提出了學習分析的生命周期模型（Learning Analytics Life Cyele），認為學習分析包括四個主要部分，即學習環境（Learning Environment）、大數據（Big Data）、分析（Analytics）、行動（Act），學習分析的一個周期始于學習環境，止于適當的干預行動，上一個周期的結束同時是新的學習分析周期的開始（如圖4所示）。同時，學習分析的整個過程都會受到8種因素的制約，包括隱私（Privacy）、數據存取權限（Aceess）、透明性（Transparency）、政策（Policy）、安全（Security）、準確性（Aeeuraey）、限制條件（Restrictions）、所有權（OwHetship）等。

（二）框架模型

學習分析框架模型將學習分析看作一個系統整體，不再局限于學習分析的過程，而是在明確學習分析內部各要素、環節的基礎上，進一步討論學習分析的理論構建框架及其與外部環境的相互影響。

1.學習分析的六維關鍵因素設計框架

學習分析需要面對一些可能存在的人類或社會一般性問題，如能力、倫理等，以及一些受數據、算法特性帶來的局限。為使學習分析能夠更好地兼顧這些問題，立足于學習分析的內部要素與外部影響因素，Greller和Drachsler提出了學習分析的六維關鍵因素設計框架（如下頁圖5所示）。區別于常見的過程模型，該框架包括六種關鍵因素，分別為：利益相關者（Stakeholders）、目標（Obiectives）、數據（Data）、工具（Instruments）、外部約束（External Constraints）和內部局限（Internal Limitations），并為每種關鍵因素給出了典型的例證，因此這一框架既可以為學習分析的程序設計提供任務清單，也可作為不同境脈下學習分析變量對比的參照模型。

2.學習分析四維參考模型

Chatti與Dyckhoff等學者指出學習分析過程應該是迭代循環的，通常包括三個重要步驟，即：數據收集與預處理、分析與行動、后續處理。他們提出了包括“數據與環境（what？）”“利益相關者（Who？）”“目標（why？）”“方法（How？）”的學習分析四維參考模型（如圖6所示），為每個要素提供相應的例證，并明確了四個維度上的多種挑戰與研究需要。

3.學習分析概念框架

李艷燕與黃榮懷等提出了學習分析的概念框架（如圖7所示），認為學習分析應包含五個基本組成要素：學習過程、學習環境、教育環境、受眾、五個環節。其中五個環節作為一項重要的組成要素，又包括數據采集、數據存儲、數據分析、數據表示、應用服務等內容。應用服務主要為績效評估、過程預測與活動干預。學習分析涉及對象主要為學習者、教師、教育管理者三類。

不同模型都體現出數據在學習分析中的基礎與核心地位，因此科學合理地獲取并分析數據，是學習分析的基礎工作。同時，學習分析的最終目的是優化學習與學習環境，因此，合理的干預措施或建議是學習分析的意義所在。學習分析模型有助于研究者在研究過程中對研究方案進行系統化，制定合理的問題解決策略，將學習分析的成果有效的用于學習過程與學習環境的優化，但各種學習分析模型各有優勢，在實際應用與研究中應結合現實，有選擇地參考、利用研究模型，靈活處理實踐中的具體問題，才能提升學習分析效率，將學習分析的研究與應用不斷向前推進。

四、學習分析的方法與技術基礎

學習分析在發展過程中，借鑒了多個相關領域的方法與思想，包括商務智能、網站分析、學業分析、行動分析等。此外，數據挖掘、數學與統計方法、文本與語義分析、可視化技術、社會網絡分析等也是進行學習分析的關鍵技術。還有學者認為，定性分析的方法也應在學習分析中占有一席之地。

（一）商務智能、網站分析、學業分析與行動分析

商務智能是在商業領域中形成的一套較成熟的方法，它將信息技術與戰略性思考相結合，綜合大量數據，以提升用戶的決策制定能力。

網站分析指通過實驗、測試、度量等客觀科學的方法，對網站瀏覽與利用的用戶數據進行收集、分析與報告，目的是為了更好地了解網站的線上措施與布局改變的效果。網站分析同時也是一種獲得商務智能的有效方法，如基于網站分析結果確定廣告在網頁中的位置，可以提升廣告投放的效益。

Goldstein等認為學業分析即商務智能中的原則與方法在教育領域的應用，旨在研究教育教學中的技術和管理因素，為高等教育機構收集、分析和使用學習與教學中的數據提供技術支撐和方法指導。Campbell與Oblinger認為高等教育面臨的重大挑戰之一即學生成就，衡量學生成就往往參考在校率與畢業率兩大指標。學業分析將大數據與統計方法、預測建模方法結合，可以提高院校進行相關決策的能力。

行動分析以學業分析為工具，給出行動指導、立足服務的體系結構、信息與服務一攬子解決方案、課程變革模式、教師實踐改良等多方面的參考，以提升績效降低成本，其根本目的仍然指向提高學生成就。因此，學業分析和行動分析可以看作院校或國家層面對學習分析的應用，主要用于為教育決策者提供建議和參考，以提高教學質量和學生成就。

（二）教育數據挖掘

教育數據挖掘是數據挖掘技術在教育領域的應用，其研究聚焦于數據分析的技術與方法，是分析與解釋學習數據最為常用的方法。決策樹算法、分類、聚類、多元線性回歸等數據挖掘技術被用在學習分析中，以實現各種分析目的，如預測在線學習績效、了解各種學習影響因素之間的相關性、發現問題學生、為教師提供在線評估工具等。

（三）統計與數學方法

統計與數學方法在學習分析的研究中被大量應用，如平均值、中值、標準偏差等描述性統計指標。此外，在學生特征總結、建立評分體系、分析學生問題解決行為并完善智能導師系統等研究中，各種數學與統計方法常常與數據挖掘一起被應用其中。

（四）文本分析與語義分析

文本分析將文本資料轉化為計算機可以識別處理的信息，進而提高文本處理的效率。語義分析則應用語義學原理提高數據處理質量，更準確地識別出數據的意義。文本分析與語義分析技術，多用于在線環境中的討論分析、自然語言處理的相關研究中，如評估在線環境中的學生回答、促進學生協同寫作、分析論壇帖子以實現某種預測、論壇自動化語言檢測以實現學生的自我訓練等。

（五）可視化技術

可視化技術依靠計算機的強大處理能力，將海量數據以圖形或圖像的形式呈現在人們面前，并可以通過交互手段控制數據的抽取和畫面的顯示，幫助人們分析、理解數據，發現隱含于數據之中的規律。應用可視化技術，以流程圖、思維導圖、熱度圖、3D圖、散點圖、評估模型等形式呈現統計信息，對所有學習分析相關人員都十分有用：可以追蹤學習者學習行為，以促進人們對學習過程的了解、反思與意義建構，幫助學習者確立學習目標并記錄實現目標的過程；使在線課程中的教師能夠快速了解學習過程的某些特點，進而采取對應措施提升課程績效，改善學生學習體驗；為教育決策者提供財務決策的依據；呈現動態熱度圖，提供不同地區或國家的總體教育程度、認知能力對比，為教育宏觀調控提供參考和依據。

（六）社會網絡分析

社會網絡分析（Soeial Network Analysis，SNA）源自社會學研究，是用于研究社會成員之間關系的一種定量方法，使研究者可以對組成網絡的成員和他們之間的關系進行更為細致的考察。伴隨著在線學習和各種新媒體的發展，SNA被用于分析在線學習中的交互現象并探索其中規律。通過處理學習環境數據，呈現可視化結果，SNA還可以幫助教師理解課堂氛圍。由于SNA需要大量計算，所以多使用軟件實現。王陸將SNA軟件分為商業化與自由軟件兩大類，并按照可視化與非可視化兩個指標，將23種社會網絡分析軟件劃分為自由可視化、商業可視化、可視化、自由非可視化、商業非可視化五種，重點介紹了NetMiner、Pajek和UCINET三種典型的社會網絡分析軟件的特點與使用方法，并給出了評價與使用建議。

（七）定性分析

定性分析關注對數據的解釋性描述。當前應用于學習分析的定性分析方法主要有兩種：情緒智力與質性社會網絡分析。情緒智力以情緒為基礎，與心理學和社會學相關。新英格蘭大學基于對學生積極或消極情緒信息的挖掘，開發了一個預警引擎并將其整合進學校的學生管理平臺中。該引擎設置了多方面的指示器，生成綜合報告發送給教師，幫助他們了解學生在課程中的參與情況，從而采取相應措施，保持或提升學生的聽課率。質性社會網絡分析主要以虛擬人種志的方法展開觀察、訪談和調研，收集到的質性數據通過建立社會網絡的形式轉化為更廣泛的情境性成果。

五、學習分析工具

學習分析產生于教育大數據的浪潮之中，其面臨的首要問題即處理大量的學習者與學習過程數據；其次，學習分析的最終目的是實現對學習過程與學習環境的優化，因此勢必惠及教師、學生、教育決策者等廣泛的人群。處理海量數據，必然要求實現數據抓取、處理過程的自動化與智能化；惠及各種人群，必然要求操作的簡單與功能的友好豐富。學習分析工具正是為了滿足以上需要，為實現學習分析而開發的各種程序的集合，使用學習分析工具可以使學習分析事半功倍，使不具備學習分析專門技術的教師、學生、研究者都可以便利地進行學習分析，深入理解學習活動，提高其研究與實踐活動的效率。因此，學習分析工具應該具備的基本特點包括：服務對象多元化、界面操作簡單化，平臺接口標準化、數據獲取自動化、數據處理智能化、結果呈現可視化、分析功能多樣化和反饋提示實時化。孟玲玲、顧小清等根據分析對象與類型側重的不同，將學習分析工具分為五類：學習網絡分析工具、學習內容分析工具、學習能力分析工具、學習行為分析工具、其他綜合分析工具。Verbert和Govaerts等人根據學習分析工具應用的環境不同，將其分為支持面對面教學的工具、支持小組合作的工具、支持混合學習或在線學習的工具。

本文認為學習分析工具服務對象不同，其結構、功能、呈現形式等均有較大差別，據此可以將學習分析工具劃分為支持教師教學的學習分析工具、支持學生個性化學習的學習分析工具、支持教育決策的學習分析工具。

（一）支持教師教學的學習分析工具

支持教師教學的學習分析工具通常為教師提供學生學習活動和成績的反饋，并以可視化的形式呈現結果，如LOCO-Analyst、SNAPP等。LOCO-Analyst基于LOCO（Learning Object Context Ontologies）框架，集合文本挖掘、語義分析、可視化等技術，為教師提供網絡學習環境下學生學習情況的反饋，包括學生完成或參與的學習活動、網絡學習內容的使用情況及可理解性、虛擬學習環境中的學生交互活動三方面，反饋以主題、模塊、不同類型的學習資源、單個學生等多種形式呈現，幫助教師更好地理解和優化整個教學過程。SNAPP（Social Networks Adapting Pedagogical Practice）是一款基于社會網絡分析開發的實時診斷工具，可以嵌入Blackboard、WebCT、Moodle等多種學習管理系統或瀏覽器，自動提取學生交互數據。SNAPP應用發帖、回復、受關注主題、主題拓展程度等因素分析論壇交互并以社交網絡圖的形式實時呈現給教師，幫助教師識別孤立學生、網絡互動的中心學生、潛在的學習表現良好或不良的學生，以采取適當的干預措施。Hughes和Dobbins對英國利物浦約翰摩爾大學e-Register系統中的學習數據進行分析、建模，結合學生出勤率、學習投入程度等因素預測可能退學的學生，并基于對數據的統計生成學習儀表盤，該儀表盤可供開設MOOC的教師整合進其課程系統中，為教師進行教學內容與教學策略調整提供依據。

（二）支持學生個性化學習的學習分析工具

支持學生個性化學習的學習分析工具可以通過追蹤學生在線學習行為，將其以可視化的形式呈現給學生，幫助學生對自身學習的各方面獲得更為清晰的認知，促進反思，進而調整學習策略，以獲得更成功的學習。學習儀表盤是學生個性化學習支持工具的典型代表，可被看作一類關于個人資訊的特殊應用程序。學習儀表盤從LMS（Learning Manage System，學習管理系統）、在線課程平臺或社交媒體（如Twitter、博客）中獲取數據，可以追蹤學生的作品提交、觀點表達、發帖情況、在線交互、資源使用、練習與測驗、在線學習時間等情況，以可視化的形式生成報告，幫助學生了解自己的課程學習情況，如典型錯誤、對不同主題的掌握水平、練習結果，學習進度等。學習儀表盤可以促進學生的自我評估與元認知發展，幫助學生調整學習進度，制定適合自己的學習計劃，實現更有效率的個性化學習。美國普渡大學的Course Signals是利用學習儀表盤提高學生學習績效、保持和提升學生課程完成率的成功典范。值得注意的是，學習儀表盤并非只能用來支持學生學習，也可以用來向教師呈現課程中的學生學習情況，為教師做出相應調整并給出提示與依據，如可汗學院的學習儀表盤，既有教師界面，也有學習者個人界面。

（三）支持教育決策的學習分析工具

支持教育決策的學習分析工具通過對大量教育數據的收集與處理，為教育研究者或決策者提供科學嚴謹的研究途徑和更有說服力的決策依據。英國的教育標準辦公室（office for Standards in Education）研發了學校數據儀表盤（School Data Dashboard）。該儀表盤以圖表形式呈現學校的測驗成績、提升情況、學生到課率以及其它情境因素的數據，使對傳統的學校檢查、評估、判斷日趨以數據為導向，更為客觀。培生集團的“The Learning Curve”（學習曲線）是一個在線教育數據庫，擁有來自OECD、UIS、EIU等多個國際組織、50個國家近70個指標25年以上的相關數據，為使用者提供三類數據分析方法：不同年份教育與社會經濟各因素（教育投入、產出、社會經濟環境）相互影響及變化趨勢、不同年份各國教育成績對社會經濟各因素的影響、熱度地圖。三類分析方法都可供使用者在線選擇不同的參數組合形式，根據不同需要定制分析結果，所有結果都以可視化形式呈現，使分析者可以在最短的時間內了解所分析問題的概貌。The Learning Curve可以為教育決策者提供學生學業成績與社會經濟各因素之間相互關系的可視化分析，從而為決策者制定相關政策提供基于大數據和廣闊視野的客觀依據。

六、學習分析應用研究

學習分析系統基于對大量學習數據的獲取與分析，建立預測模型，可以對學生可能取得的成就或遇到的困難做出預測，為教師或教學管理者采取相應干預措施提供參照，以實現個性化學習環境或個別學習指導。越來越多的學習管理系統、在線學習平臺開始應用學習分析技術，如Blackboard、Desire2Learn、Moodle等在線平臺都向用戶提供了學習分析工具；Coursera、Udacity、edX、可汗學院等慕課平臺也開始應用學習分析技術提升其學習服務能力。學習分析促進學習的應用主要集中在兩個方面：（1）建立預測模型，導向學習干預措施；（2）提供學習分析報告，促進反思與策略調整。

普渡大學將Course Signal系統與于LMS系統整合，基于學生人口學信息、學習經歷、與LMS/VLE等系統的互動、曾修課程成績等四方面數據，建立預測模型，對照預測模型，將學生的學習情況以紅燈、黃燈、綠燈標示。紅燈表示學生處于學習困境、面臨課程學習失敗的危險，黃燈表示學生可能遇到學習困難、需要幫助，綠燈則表示學生基本可以順利完成課程學習。教師可以根據信號燈的提示，發現問題學生，從而采取干預措施，包括在學生個人的學習管理主頁上顯示信號燈、發私人郵件提醒學生、發送文檔信息、推薦學習顧問以供咨詢、推薦可用的學習資源、與學生約談等。該系統被證明可以有效提高學生成績，提升學生選修課程的完成率，激發學生學習主動性，使教師可以更好地為學生提供個別化指導。戴心來等人應用學習分析對網絡論壇討論區中的交互數據進行分析，提取學習者的社會網絡結構特征，對學習者進行類型劃分，探究不同學習者的認知特征，據此做出教學干預，以實現促進虛擬學習社區發展的目的。

可汗學院通過學習儀表盤，向教師、學生與家長提供學習報告。可視化的報告形式使用戶可以一目了然的了解學生的學習進展與知識掌握程度，教師可以篩選出遇到困難的學習者或多數人難以掌握的知識點，進而安排針對性的教學活動；家長可以了解孩子的學習進展，并提供必要的幫助和引導；學生可以更清楚地把握自己的學習狀況，對學習活動進行調整與規劃，承擔更多的責任，實現個性化學習。PBS Kids（美國公共電視網旗下兒童類節目網站）與CRESST（the National Center for Research on Evaluation，Standards and Student Testing）合作，對兒童在該網站的學習數據進行分析，為家長提供定制的學習報告，使家長可以清楚地了解孩子的學習情況并為孩子提供有針對性的幫助。該項研究的結果表明，學習分析報告提升了家長對孩子學習的監督意識，使他們與孩子在學習方面的互動更為融洽。國內的“快樂學”教學系統整合了“智能分析”與“學習分析”模塊，基于智能數據分析，可以為教師提供學情分析，幫助老師有效提升教學效率；為學生提供學情分析報告，使學生對自己的學習情況一目了然，實現有針對性的學習。

七、學習分析發展的挑戰與展望

學習分析在大數據的浪潮中應運而生，為人們提供了基于海量教育與學習數據發現規律與問題解決策略的方法與工具，同時也帶來了數據分析與應用過程中必然要面對的問題。

（一）學習分析的發展，受到相關數據采集與處理技術的局限

大數據是學習分析得以實施的前提，當前大數據應用于教育面對多方挑戰：首先，數據存儲技術、數據處理與分析技術受到計算機硬件發展水平和計算能力的限制；其次，數據采集技術與分析技術仍處在不斷發展中，距離智能化、自動化、系統化仍有較大差距；第三，數據兼容性問題，使數據的跨平臺操作與數據共享很難實現。此外當前大量數據庫未能實現互聯，大量學習相關數據如學籍信息、考試數據、人口學數據、經費數據、教師數據、資源數據都分布在不同的部門與管理系統中，導致學習分析多集中在對學習過程數據的分析，難以實現立體化分析，其分析結果與發揮作用的領域仍然十分有限。

學習分析基于各種數據實現對學習的描繪，典型的評測指標包括登錄次數、花費時間、點擊率、訪問資源類型與數量、個人作品與觀點、測試成績等，但這些終究只能體現出學習者在線學習的局部信息。因此，應用學習分析技術建立的預測模型無法做到完全精準。盡管這些模型具有一定的預見性，但由于數據收集的局限性，難以更準確地預測學生的學業成績。正如可汗學院在教師指南中所言，學習分析報告旨在提供學習者學習投入與技能掌握程度的評測，但技術并非絕對可靠，任何技術都會有誤差，因此解讀學習報告仍需結合常識與理論，做出綜合判斷。

當前學習分析多采用定量研究的方法，對于學習過程中的質性數據較少兼顧。對此有學者提出了虛擬民族志的方法對學習網絡進行分析，以探索數據背后的行為動因。還有研究者加入了學習者自我報告的方法，以獲得情感、態度等方面的質性數據，將其納入學習分析中，以得到更為貼近真實的研究結果。因此，在學習分析中，如何在量化分析的基礎上，結合真實情景中的細節、情感、背景、社會關系等因素，發展出更為完善的研究框架與方法，使學習分析結果不斷接近學習的真相，應是學習分析研究的一個重要趨勢。

（二）隱私與倫理問題

伴隨著網絡與移動通信技術的發展，人們可以利用各種終端設備隨時隨地接入網絡，使得各種數據的即時、多樣化收集成為可能，也促成了大數據時代的到來。學習分析的對象是學習者與學習相關數據，因此數據收集與應用過程中必然設計到隱私與倫理問題：數據的來源除學習者、指導者、管理者、研究者的人口學資料外，還包括學習與管理過程的相關數據，這些數據的利用是否應考慮到相關人物的隱私，是否應征求其同意？應用數據進行分析或研究的實施者，是否有數據的使用權，所獲得的數據是否應該進行匿名化處理？學習分析被用來預測可能退學或退出課程學習的學生，或用來預測學生可能獲得的成績，教師或管理者在得到這一結果后，通常會采取干預措施，是否有給學生貼標簽之嫌？數據的使用權如何限定？學生或教師作為數據生成者是否有機會了解數據如何被使用以及數據分析的結果？數據的安全性如何保證？

以上問題伴隨著學習分析的發展涌現出來，涉及到的隱私與倫理、數據使用權、數據安全、數據透明性等多個方面。問題的解決需要政府與教育管理部門、研究組織、研究者共同努力，制定統一的法律、政策、規范，從而為學習分析的研究與應用提供良好的外部環境與機制。

（三）學習分析標準的研究與制定

學習分析能夠挖掘出教育現象背后隱藏的信息或規律，從而為學習成果預測、教學干預、實現學習的個性化與自適應提供支持。但當前學習分析的應用多集中在研究領域，實踐應用與推廣仍不理想。究其原因，學習分析的數據來源主要包括各種學習或課程管理系統、社會網絡平臺、客戶端軟件等，各種系統的架構體系不同，數據結構不同，采集方法也不同，數據的互通性（Interoperability）在很大程度上成為學習分析系統共通共用、進行推廣的障礙。

xAPI（Experience Application Programming Interface）是ADL（Advanced Distributed Learning，美國國防部“高級分布式學習”組織）針對當前不斷發展的學習應用技術的需求，基于活動流（Activity Streams）概念，提出的在線學習標準。xAPI的提出是建立在對SCORM模型（Sharable Content Obiect Reference Model）缺點與不適應性進行全面分析基礎之上的。SCORM僅能基于網絡會話對學習經歷數據進行記錄，其記錄的學習經歷具有一定的局限，缺乏持續性及環境化的信息，而且不適用于移動終端數據的采集和記錄。xAPI提供了存儲學生學習經歷數據的互操作數據模型，實現了正式學習環境與非正式學習環境、在線與離線學習環境、不同學習設備與平臺之間數據的規范封裝與互通。xAPI通過將數據存儲在LRS（Learning Record Store，學習記錄倉庫）中，突破了單一學習管理系統的局限，使數據可以在不同學習管理平臺與設備之間傳播與交換。xAPI自2012年提出以來，仍然在不斷發展與完善中，但其提供的數據標準與存儲結構，為學習分析的實現提供了極大便利。

除數據互操作性之外，統一的數據字典（Data Dictionary）有助于實現教育數據存儲的一致性，避免數據交換時的模糊混淆，使系統開發時有規范可循；學習成果標準提供學習者能力指標體系，充分利用語義技術，使計算機能夠更好地理解并處理學習結果數據。此外，學習分析對象種類、分析層次、分析結果類型與呈現形式，均應結合教學、學習、管理、研究的不同，進行梳理，以為學習分析實踐與研究提供指導與參考。

學習分析標準體系可以在數據源與學習分析之間架設橋梁，有助于實現學習大數據的跨平臺操作，進一步提升學習分析與數據挖掘的效率，最終實現學習的智能化與自適應。

（四）學習分析理論體系的建立與完善

學習分析可以為教學、學習、管理、開發提供有力的數據分析支持，勢必推動教育模式的不斷革新與教育理論的創新。然而，學習分析作為新興的研究領域，涉及數據挖掘、網絡技術、學習理論、教學理論、社會網絡等多種理論與方法，其理論基礎與自身理論框架仍未系統化、明朗化。學習分析在實現有效教學與有效學習過程中的地位與作用如何，學習分析在促進學生實現深度學習中應如何發揮作用；各學科理論如何有效支持學習分析實踐，如何基于認知理論與學習科學原理對學習分析的結果做出符合理論規律與現實的解釋；各種方法與技術在學習分析中扮演著何種角色，其協同發揮作用的機制如何，這些問題的回答都需要對學習分析理論體系的梳理與構建。學習分析理論體系的建立，一方面依賴學習分析實踐的不斷發展與嘗試，一方面依賴于廣大研究者的不斷探索與總結，理論的完善又會指導并促進實踐的不斷演進，從而實現學習分析理論與實踐循環前進的良性發展。

學習分析作為快速發展的新興研究領域，目前雖未形成脈絡清晰的理論體系，但不可否認它為大數據環境下的教育實踐與研究提供了更為高效的方法，迎合了當前在線學習、個性化學習的需要，可以為在線學習、個性化學習、教育管理、教育研究提供科學客觀的依據與寬廣的視野，隨著技術的發展與相關政策、規范的建立，學習分析必然為教育信息化提供強大助力，在更廣闊的領域發揮作用。