從“數據”角度解讀第六屆LAK會議研究案例

陳鵬宇

[摘要]本研究對最新一期的學習分析領域的重要國際會議——學習分析與知識國際會議（Learning Analyticsand Knowledge Conference）所收錄文章進行梳理與研究，著眼于實證類研究中對數據的收集、處理與呈現過程，從“數據”這個視角解讀未來學習分析領域的價值與趨勢。

[關鍵詞]學習分析；數據；LAK

一、研究背景

學習分析技術最先出現在商業(yè)領域和社交網絡領域，是指通過應用數據分析為教育系統(tǒng)的各級決策提供參考。最早以Academic Analysis即“學術分析”這一概念出現。直到2005年，學習促進會發(fā)布的報告中首次正式地提出了Learning Analytics——“學習分析”這一概念。

當前被廣泛使用的定義一是學習分析與知識國際會議（LAK）年會上對學習分析的界定，即為了理解和優(yōu)化學習及其發(fā)生的環(huán)境，對學習者及其所處情境的數據進行收集、分析以及形成報告。二是新媒體聯盟在地平線報告中提出的界定，學習分析是以評估學生學業(yè)進展，預測未來表現，發(fā)現潛在問題和目的，對學生的大量數據進行解釋的過程。

第六屆LAK會議即最新一屆會議，于2016年5月在英國愛丁堡大學舉辦。該次會議主題包括對話分析、學習者模型、可視化分析與儀表盤、機構視角的學習分析、理論概念模型、XAPI等。上述各個主題所收錄的研究報告均強調了數據的重要性，大數據為教育宏觀與微觀決策提供科學可靠的依據。同時又否定了唯數據論的觀點，認為只有冰冷的數據被賦予了教育的意義與人文的溫度，學習分析才能夠在理論與實踐中體現最大價值，實現從大數據變?yōu)榇笥绊憽?/p>

數據是學習分析得以實現價值的基礎，好的數據采集點，好的計算模型以及好的練習樣本都是決定學習分析工具能否解決實際教學問題的關鍵。本研究立足于數據，圍繞“數據從何而來”，“數據如何處理”，“數據被用到何處”三個核心問題，對2016年LAK的收錄的相關文獻進行分析，重點關注實證類文獻有關數據的收集、處理與分析的部分，力求回答三個關鍵問題。旨在通過介紹國際優(yōu)秀的學習分析案例中對數據的相關處理環(huán)節(jié)，擴大研究結果的共享價值，從而推進學習分析技術與工具在教學實踐中的推廣。

二、案例分析

（一）數據收集

學習分析涉及范圍十分寬廣，既有在線的教學也有線上線下相結合的教學。不同的學習環(huán)境，學習的過程數據的采集與捕捉的方式也不盡相同。

1.傳統(tǒng)課堂

長久以來傳統(tǒng)課堂的學習的效果、交互、績效都是以結果數據——考試、平時成績來進行評估。但是隨著對過程的重視，單一的結果數據已經不能夠滿足大家的需求。因此，眼動儀、動作捕捉等人工智能技術被應用在了教育領域。ShuchiGrover等人為了解決在K12教育中合作學習問題的，通過引進Kinect與Monitors Eye Gaze等儀器工具，捕捉學生的表情、動作、眼神來評估協(xié)作學習小組成員的接近性、參與度、共同關注、交流、話題轉換、活躍水平全面深入的評價小組協(xié)作學習的過程，增加了評價的深度與廣度。

2.在線學習環(huán)境

許多高校、中小學一般都擁有功能比較完整的在線學習系統(tǒng)，大部分在線學習系統(tǒng)除了承擔在線教學以外，往往還具備一定記錄與評價功能。在原有工具基礎上，在數據庫挖掘相關數據用于描述學生學習過程、教師教學效果。Poquet等人通過將一般的在線行為與課程內容任務進行結合，細分為四個表征指標。觀看視頻的暫停與播放、視頻附問題的回答正確率，課后練習正確率，課程中問題的回答正確率，以此作為預測學生期末考試成績的預測參考。除了容易通過簡單計算得出的數據以外，還有一部分研究者將目光方式在包含等多感情、線索的內容文本上，采用語義分析的現有工具對在線交流以及協(xié)作文本進行分析。由此可以衍生出來對學生情感情緒的分析，以及對認知存在感水平的判斷與分析。

（二）數據處理

收集的第一手數據往往無法直接使用，需要通過清洗與計算才能夠發(fā)揮作用。其中計算是數據處理過程中最為核心的環(huán)節(jié)。根據使用學習分析技術的目的不同，對數據的計算與處理方式也有所不同。

在預警系統(tǒng)或者預測模型中邏輯回歸方程、貝葉斯模型是最為常見的算法。密歇根大學的Michael等人將利用邏輯回歸方程，根據學生在過去學習活動的發(fā)生曲線來推測未來的學習過程中該學習活動發(fā)生的可能性，從而預測學生的學習狀態(tài)發(fā)展趨勢。

而在對預測與評估學生知識掌握程度與智能教學的學習分析工具中，貝葉斯模型則是較為常見的算法。奧地利格拉茨技術大學Behnam等人將貝葉斯模型用于一位數乘法的數學教學中。他們將貝葉斯模型結合機器學習，根據學生出現不同類型錯誤答案的概率預先判斷學生可能存在的觀念誤區(qū)，從而幫助教師提供有針對性的教學干預。以色列本·古里安大學的Yossi等人基于貝葉斯模型創(chuàng)造了知識追蹤的算法。該算法的變量包括部分學習成績、多次嘗試解決問題的推理步驟與所使用解決方法的難度。

（三）數據呈現

任何一個學習過程都會產生繁雜的數據，在計算機與智能設備的輔助與支持下存儲與采集這些數據的瓶頸日益消失。如何簡明扼要且高效地將數據呈現給非專業(yè)認識的普通用戶——學生、教師與決策者。從研究案例來看，為用戶提供選擇權利，參與指標的定制能夠有效提高數據的針對性，簡化呈現結果，提高用戶體驗。Muslim等人從價值的角度制定一個可以私人定制適合自己的評價指標。這個學習指標工具從LMS到MOOC等等各種可能的學習系統(tǒng)。這個工具設計了一些系列比較人性化的功能，如何定義指標，如何可視化指標，從支持個人的自主學習和個性化學習的而角度以私人定制的方式來引導非專業(yè)人士制定適合于自己的學習評價指標。

三、討論

（一）學習分析工具從實驗室走向學校

在以往IJAK收錄的學習分析相關研究顯示學習分析工具在實驗中的效果很好但是總是遇到推廣難的問題。一方面是因為用于建模的數據量不夠，所得出的模型無法適應于復雜的真實環(huán)境。另外一方面一些評價工具所確定的指標與教師、學生、機構的需求并不匹配，真實教學中人們并不追求科學與完整性，人們更加關心的解決問題的效率與效用。

因此大規(guī)模應用于真實學習環(huán)境中的學習工具一般為切實解決實際問題的簡單工具。例如魯汶大學的“紅綠燈”預警系統(tǒng)僅僅關從資源與時間這兩個點入手，通過計算資源的使用率與學生花費在資源上的時間來建立學習預警系統(tǒng)。這種較為簡單的學習投入表征指標讓該預警系統(tǒng)在推廣上更加容易。

（二）結果的可視化

可視化是指將數據以圖形等方式將數據反映的結果呈現出來。研究表明可視化能夠有效地減輕人們的認知負擔，幫助使用者更加快速地獲得學會最關鍵的重要信息。在LAK會議收錄的研究中許多工具并沒有在核心基礎算法創(chuàng)新上花費力氣，而是在匠心獨運，在最后的分析結果的呈現效果上做了許多可視化的設計。Unizin Sentiment VisuMizer工具通過分詞技術，根據單詞使用的頻率做成文字云的形式，使用頻率越高的詞語顯示的字體也就越大，這樣能夠讓學生與教師非常直觀地了解到一段時間內小組、個人習慣使用的詞語，從而判斷學生的情感狀態(tài)以及關注的知識要點。

（三）指標的精細化與針對性

在早期的學習分析軟件中，具體分析的指標的粒度是比較大的。例如一些工具用登錄次數、參加討論次數以及在線時長來表征學生的參與度。而在本次會議中不乏一次與教學內容與活動的設計緊密結合的表征指標。Pardo等人將預測成績的指標細化到觀看視頻的暫停和播放、視頻附在后面問題的回答率，練習正確率，課程中問題的回答正確率。這些精細化的指標能夠準確地預測學生的學術水平，為教師提供干預的決策依據。

四、結論與展望

從2016年的學習分析大會收錄的論文，可以看出學習分析從最初的概念的界定與實驗室的探索逐漸沉淀到教學實踐中。人們不再追求精美而復雜的數據模型，而是強調廣泛的適用性與可推廣性。從實驗室走向教室，從繁復走向精簡。這是學習分析的發(fā)展趨勢。在大數據的背景下，依托學習分析，老師的教與學生的學將能夠得到精準的描述與預測，教育不再一種只可意會不可言傳的社會性活動，它也能夠像自然科學一樣，獲取過程性證據，讓每個步驟都有據可尋。同時學習分析還解放了學生與教師，通過實時地評估與描述，準確的語義分析，幫助教學參與者從繁雜的分析工作的解脫出來，騰出更多的精力來思考如何改進教學。同時學習分析為個性化學習提供了極大的方便與支持，在目前網絡教學與面授教學師生比都存在較大壓力的今天，學習分析將自動化發(fā)揮了它的最大效用，讓每個學生都能夠獲得全面且深入的評估，提高他們的被關注感，提高存在感，進而促進學習。

（責任編輯：桂杉杉）