國際學習分析技術研究進展與趨勢分析

潘青青　楊現民　陳世超

【關鍵詞】? 文獻綜述;話語分析;學習預警;多模態數據分析;數據挖掘;大數據;學術期刊;開放獲取

【中圖分類號】? G443????? 【文獻標識碼】? A????? 【文章編號】 1009-458x（2019）3-0014-09

一、引言

隨著各種學習管理系統和網絡教學工具的使用，可訪問數據的數量逐漸增長，新的數據源不斷涌現，為此教育領域奠定了深厚的數據和分析基礎。知識建模和表征、Web語義、數據挖掘和分析等新興領域的技術對全方位的學習分析產生了重要的影響。

當前，國內很多學者都在積極探索和發展學習分析技術。顧小清等（2012）介紹了發展比較成熟的學習分析關鍵技術，包括網絡分析法、話語分析法和內容分析法，并指出研究者需要找準切入點并選擇適當的研究方法和技術分析學習過程。魏順平（2013）歸納了一系列數據挖掘方法，包括統計分析與可視化、聚類、預測、關系挖掘、文本挖掘等，同時介紹了常見的學習分析工具，如NVivo、LIWC、UCINET等。何克抗（2016）著重從學習分析系統、教學行為分析系統、個性化自適應學習系統、基于學習元平臺的生成性課程設計與實施四個方面介紹了學習分析技術在國內外（主要是國內）的應用與發展。近年來，有學者開始利用不同的文獻數據源進行學習分析技術研究綜述。吳青等（2015）選擇近五年以“學習分析”為關鍵詞發表在CSSCI來源期刊的國內相關學術文獻，以“learning analytics”為關鍵詞在國際會議論文、研究系列報告、SSCI國際權威學術期刊、Google Scholar 檢索國外相關文獻，歸納出學習分析的研究目標，提出了學習分析的研究趨勢和挑戰。曹帥等（2016）對2011年至2015年“學習分析技術與知識”國際會議的論文進行了文本挖掘和內容分析，總結出學習分析技術的研究現狀和發展趨勢以及面臨的挑戰。牟智佳等（2016）以國外多個數據庫論文為研究樣本來源，從研究者國籍、關鍵詞和研究主題三方面進行了學習分析相關文獻分析，并對五類主要研究主題內容進行了評述。

Journal of Learning Analytics（學習分析雜志）是一本經過同行評審的開放獲取的期刊。該期刊是學習分析研究學會（Society for Learning Analytics Research， SoLAR）的官方出版物，它是第一本專門收集、分析和報告教育數據的期刊，發表了大量學習分析技術領域的優秀成果，旨在改進學習，引進教育、計算與傳感技術領域的對話，將研究人員、開發人員與實踐者聯系起來，創建和傳播新的工具和技術，對概念、技術和實踐成果進行持續地評估和改善。本研究在Journal of Learning Analytics官網上（http：//learning-analytics.info/）下載了2014年至2016年全部期刊，去除每一期的總刊，總計剩余112篇文章。研究者嘗試通過對文章的梳理和分析，厘清學習分析技術的內涵特征，把握學習分析熱點研究主題，提出未來發展趨勢。

二、學習分析技術的概念梳理

對于學習分析技術的內涵，學術界尚無統一的概念。從學習分析受益者角度出發，Monika Andergassen等（2014）認為學習分析能夠服務不同的數據群體，包括學生、教師、學習管理系統開發者和提供者，通過智能技術，采集、分析、應用用戶生成的數據，預測學生在教育中的學習表現，以此來了解學生如何學習和推進學習管理系統的發展。從學習分析的主要研究領域來看，Abelardo Pardo等（2014）通過研究發現，學習分析主要側重于學習環境的適應領域的研究（40%）、監測與分析（33%）、評估與反饋（13%）和學生成績的預測（12%）。從學習分析的學科性質來看，Geraldine Gray等（2014）指出目前大學教育在發揮學術潛力、開發探索和識別數據能力方面面臨諸多挑戰，而學習分析是一個不斷發展的學科，它可以促進教育數據分析，分析的結果有助于更好地理解學習過程，從而減少諸多問題。從提升學生個體表現來看，Carlos Monroy等（2014）認為學習分析是通過測量學生在網絡學習系統中的數據，發現學生存在的問題，利用高效教學方式幫助學習者解決困難，提升學生課程表現，并為學校管理者和政策制定者提供實踐依據。

綜上所述，學習分析是服務教學的一種方法或手段，它的核心服務對象是學習者，主要是指教師利用多種分析技術和數據挖掘方法，分析學習者的行為數據，預測學習進展，發現潛在問題并及時提出解決方案，從而做出準確的教育教學決策。學習分析的特征主要體現在以下四點：

1. 多樣性的數據來源

首先，學習分析的數據收集對象眾多，包括學生、家長、教師、學校領導、決策者和技術提供者等。其次，學習分析的數據收集平臺眾多，包括學習管理系統、學生檔案系統、正式和非正式的在線學習空間（Dawson， S.， & Mirriahi， N.， 2015）。海量的數據為學習分析提供了巨大的發展空間，通過對數據源的標準化處理，將數據劃分進不同的系統框架，便于后期的應用。

2. 完整的分析過程

完整的分析過程包括數據的收集、整合、分析、應用和調整優化。首先是數據的收集，包括學生使用移動終端、電腦、平板等設備在各類學習系統和空間中產生的數據以及其他系統處理好的學生課程、考試成績（Lowes， S.， & Peiy， L.， 2015）等數據。其次通過整合所需數據，以便進行數據分析，根據分析結果，預測學生未來的學習表現，方便教師和管理者及時為學習者提供合適的干預措施。最后根據應用結果進行及時調整，實現各階段無縫連接。

3. 可視化的分析結果

學習分析的結果不僅僅是教師決策干預的關鍵，也是學生認識自我的重要依據。通過降低技術門檻，利用圖文性的軟件平臺，對結果進行多終端可視化呈現，如電腦、手機、投影以及電視等，教學人員可對數據進行多維分析，學習者也可以直觀地了解自己的學習情況（Miyamoto， Y. R.， & Coleman， C. A.， 2015）。

4. 多重的分析技術

支持學習分析的技術不是單一的，而是結合多領域、跨學科的技術融合，學習分析借鑒信息科學、統計學、心理學、機器學習等不同領域的成果（McCoy， C.， & Shih， P. C.， 2016），借助不同分析技術的優勢處理多種教學問題，透過數據為學習行為和學習過程提供合適的解釋。

三、學習分析技術研究進展

本研究對112篇學習分析研究文獻進行了研讀，歸納出14類研究主題，并將每篇文章劃入每一類研究主題。統計分析發現，文獻數量超過10篇的研究主題有6類，分別是學生日志數據分析、在線話語數據分析、學習評價數據分析、多模態數據分析、學習預警數據分析以及倫理隱私數據分析。

接下來本研究將從研究對象、主要研究者、研究目標以及分析方法和工具四個方面對每個主題進行探討（見表1）。

（一）學生日志數據分析

學生在網絡學習系統產生的日志數據，可以幫助教師以及研究者分析在線學習數據與學習效果之間的關系，并確定改善學習的措施。

學生對學習資源的有效獲取是至關重要的。Tobias Hecking等（2014）學者分析了兩個在線課程的資源訪問模式，第一種是以教授講座為主的課程資源，包括自我測試題、專題視頻，第二種是MOOC形式的視頻資源。研究采用社會網絡分析法，利用學生資源訪問事件日志，深入了解學生學習資源的使用情況，探究學生與資源之間的動態關系，哪些學生對哪些資源感興趣，以及這些聯系是如何隨著時間不斷改變的。將穩定下來的資源組成一個子群，在長期的學習中形成多個資源子群，最后可形成學生資源網，進而分析學習者資源使用特征模式（見圖1）。

圖1中圓形和正方形節點分別代表參與組和資源組。每個參與組在特定的時間點和相應的資源組成一個二分簇，由點連接表示。根據學生對資源的隸屬度的變化，二分簇也會隨時間而變化，可檢測到相似的參與組，如A1.1和A2.2，研究者可以把R2.2推薦給A1.1，把R1.1推薦給A2.2，它們的關系用箭頭表示，基于資源訪問的學生群體隨著時間的推移而穩定。在混合式學習場景里，學習活動發生在真實世界和虛擬環境中，這方面的研究有助于開發更好的課程管理工具。根據學生與資源的動態變化，促使教師對課程進行相應的調整，為學生制作并推薦更適合的資源。

課程安排的順序得當、銜接合理可以促進學生對知識的理解，幫助其高效地完成學習任務。Gonzalo Méndez等（2014）分析了2，543名計算機科學專業本科生的課程學習成績歷史數據，利用學生在每門課程中的平均分，確定課程的多種特性，如困難程度、課程間依賴度、課程連貫性。研究者進而利用這些數據診斷個別課程中的設計問題，以供教師和機構管理人員用系統的方法來調整學位課程的學習順序、難易程度，幫助學生獲得更好的學業成績。

（二）在線話語數據分析

在線論壇（同步和異步）為研究者提供了豐富的數據，教師可以了解學習者如何通過交互相互影響。Ming Ming Chiu（2014）等利用統計話語分析法，研究了17名研究生在為期13周的教育技術課程中產生的1，330條異步交互消息。教師鼓勵學生通過三種干預方式提升話語能力：閱讀課前學習材料，研究課堂材料，理解內置到網絡知識論壇中的腳手架材料。在課程學習中，學生可以在網上發表自己的觀點，在回答問題時，學生可能會用不同顏色的文字標注，如“我們要做什么？”“回答這個問題需要了解什么？”，或者寫下“分享你的觀點”，并設置一個回答鏈接，其他同學可以點進去共同探討一個問題。該研究表明，學生會就討論的主題發表意見，并通常在不熟悉的、正式的情況下激活熟悉的、非正式的概念。在討論中，一個學生的評論（例如關鍵詞）也許會引起他人的關注。另一名學生在語義網絡中激活相關概念并提出新觀點。當學生不理解這些回答時，他們可以引出新問題，引發其他同學的闡述或解釋。學生之間可能會存在不同的意見，他們需要通過提供證據來解決分歧并解釋自己的想法，也可由此可以改進話語交流和創造知識的能力。

Simon Knight等（2015）學者認為以話語為中心的分析可以量化語言背后的深層意義，剖析學生行為。當學習者在寫文章或者進行知識建構時，他們并不是簡單地表達已知的內容，而是在積極地參與建設性的知識創造。研究者為學習者提供更多機會去探索各種形式的話語方式和學習資源等，幫助學生更好地認識自己，促進個體參與社會能力的提升。Nick Kelly等（2015）在組織學生活動時利用自動化話語分析系統幫助教師協調在線學習群體。Iris Howley等（2016）指出語言是可見的多維交互作用的表現形式，在協作學習環境中它可以與個人的認知、動機、社會關系等多個方面產生多維互動。

（三）學習評價數據分析

在評價學生學習素質能力方面，研究者不只是關注成績數據，而是注重多個層面的評價內容。如EricaL Snow等（2015）的研究側重評價學生的寫作水平。書面文本有效溝通的能力對學生學術成功和未來職業發展至關重要，教師通過了解優秀的寫作過程和需要掌握的相關技能，為其他學習者傳遞相關經驗。研究者采用自動書寫評價系統（Automated Writing Evaluation，簡稱AWE）作為研究平臺，它可以為學生提供寫作練習的機會，學生能夠收到自己的分數和反饋，利用自然語言處理（Natural Language Processing，簡稱NLP）和熵分析學生文章中使用兩種語言（敘事性和銜接性）的差異，評估學生的寫作靈活性。系統會自動修改學生的文章，并分析其寫作風格，用流程圖或者可視化結構的形式為學生提供改善文章組織的策略。系統會根據學生個體差異提供個性化的評價與指導方法，從而為每一位學生提供更好的教學反饋和指導。

同行評價是用戶對同等級的學習者的作品或表現所具備的水平、價值或質量進行評估和鑒定。Andrii Vozniuk等（2016）利用同行評估作為評價的工具，實現對大型課程（如MOOC）中復雜任務的可擴展性評價。研究將學習者分為A組和B組，在A組開始評估B組項目報告的同時，B組也需要評估A組的工作，評估結果由教研員納入課程成績。同行評估的目標是評估學生的任務表現，了解其對課程中任務的完成情況和質量，實現同行間共同成長。

（四）多模態數據分析

多模態學習分析（Multimodal Learning Analytics，簡稱MLA）是根據人的多重感知模式，對于同一現象、過程或環境，采用多種方式獲取學習過程中產生的相關數據，包括聲音、手勢、關節動作、視覺注意等同時發生的幾種不同的生理和心理數據。大多數關于學習分析和教育數據挖掘的工作都集中于在線課程，僅限于在計算機屏幕之前發生的交互。多模態數據采集技術和機器學習分析技術可以在更復雜和開放的學習環境中對學生的學習行為進行分析，為學習分析提供新的見解（Merceron， A.， & Blikstein， P.， 2016）。

在多模態分析方面，Paulo Blikstein等（2016）指出學習分析的目標是理解和改進教與學，然而分析不僅僅是通過分析單一系統中的學生數字痕跡實現的。隨著在線學習系統的增加和復雜學習環境的出現，學習分析應該捕獲、處理和分析多種數字信號，以便理解學習過程中參與者的行為和相互作用的痕跡，深入揭示學習規律。

Alejandro Andrade等（2016）指出學習者的情緒數據對提升學習效果有著至關重要的作用，在同步在線學習環境中，將學習者的情緒可視化處理，能夠幫助教師建立和保持其與學習者之間的社會情感關系。情感分析的多模態數據收集可通過學生學習的自我報告、視頻、音頻、交互軌跡四個方面來完成，建立以教師為導向的多模態情感儀表板。他們的研究依托實時交互的Speak Plus學習平臺開展有關外語研究的實踐，教學者通過平臺和學習者進行實時交流，及時解決學習者的問題。在使用過程中，師生的交互行為會產生各種數據，平臺會基于不同的線索和非侵入性的設置，利用異構API（Application Programming Interface，API，應用程序接口）標準對采集到的數據進行情感分類處理。情感儀表板中主要有三種數據：一是總體信息，呈現學習過程中學習者主觀和客觀的情感數據;二是會話信息，主要是學習活動中結合上下文的學習會話;三是情緒信息，在固定的時間軸片段中，呈現學習者正面和負面的情緒。教師在這個過程中起主導作用，通過多通道的數據，結合視覺分析工具，以豐富的數據呈現方式，給學生及時的反饋。教師可以獲取每個學習者的情感數據，通過對數據的分析，找到學生的問題，做出合理的教學計劃，實現學生的個性化學習。

（五）學習預警數據分析

在預警分析方面，研究者力求了解在線學習者的學習過程，提前發現學習風險，并為學習者提供合理的建議。Geraldine Gray等（2016）在第一學年開始對高等教育初期的學生基本情況進行初步測試，包括學生以前的學業成績、習慣、學習方法、個性、動機、年齡和性別等，根據這些數據預測有失敗風險的學生，并給他們提供幫助。

學術預警系統（Academic Alert System）（Jayaprakash， S. M. & Sandeep， M.， 2014）主要是確定具有潛在風險、可能不能完成課程的學生，通過對學生的基本數據進行分析處理，生成學術預警報告（Academic Alert Report， AAR），教師可以從SaKai項目網站（用于存儲學生數據的安全網站）下載報告，對學生進行及時干預。首先，系統會提取學生的基本信息、活動日志、成績單數據等，然后對采集的數據進行處理，系統根據提取的學生數據為其評分，接著會生成AAR。報告會傳輸到項目網站，統一存放在云端存儲器。任課教師可調取所需學生的預警報告，通過特定課程網站的學術表現，采取不同的措施實施干預（見圖2）。

干預措施可分為兩種。一是意識傳遞干預（即教師通過信息告知學生處于學業風險中，學生意識到這種情況后自己需采取措施解決問題）。學生一般會收到以下信息：“基于你最近作業和考試的表現以及其他能預測你學習成功的因素，我越來越擔心你成功學完課程的能力”，或者，“我會為你提供一些幫助，并鼓勵你采取措施提高自己的成績。在本學期早期這樣做將提高你成功完成課程的可能性，避免對你的學習造成負面影響”。二是在線學術支持環境干預。當學生處于學業風險中時，教師會建議學生進入在線學術支持環境，獲取開放的教育資源。同時，教師還為學生提供專業人員的指導。其中，教師對學生學業危險狀態的了解、預警等級的判斷、有針對性提供的干預措施至關重要。

（六）倫理隱私數據分析

在數據隱私保護方面，越來越多的研究者期待在學習分析與個人隱私之間找到平衡點，妥善解決倫理、隱私和數據保護之間的問題。Rebecca Ferguson等（2016）介紹了倫理框架的建立與發展，并提出了解決道德和隱私問題的工具和方法，目的是能識別隱私而且能夠給出不同等級的隱私解決方案。多個國家的組織和研究者深入研究了歐洲高等教育中使用學習分析的優勢和局限性的法律，制定了學習分析國家報告，在這份報告中提出了DELICATE清單，指導相關利益者如何進行學習分析，保證數據的安全和規范（見圖3）。

同時該研究還提出了一系列數據保護、數據共享、數據匿名化、倫理道德、數據隱私等需要注意的問題。首先要確保第三方的數據收集、使用和參與是透明的，要考慮如何以及對誰進行數據訪問，確保數據安全保存。其次要闡明數據的所有權，為敏感數據提供多重保護。

Christina M. Steiner等（2016）提出了LEA工具箱項目（見圖4），將倫理和隱私方面不同的信息來源作為基礎，并把它們結合在一起，形成保護隱私和保護策略的架構圖。其目的是增加教師和學生的自主權，監測多方對學習者數據使用的合法性，并采取相應的措施保護學生數據。

LEA箱有相關的方法指導和立法條例實施對數據和隱私的保護，同時還利用倫理道德約束數據使用者的行為。LEA箱用合適的技術合法地收集學生和家長的數據，同時用戶也有知情權，了解自己的哪些數據被采集。學生對自己的數據有支配權，如學生允許教師訪問自己的在線測驗結果數據，隱藏自己的隱私數據。數據采集、分析和應用的過程是在LEA箱的監控和保護下進行的，在日益成熟的技術下，學生隱私數據也會變得更加安全。

四、學習分析技術研究的未來趨勢

（一）融合多種學習分析技術與方法

當前，學習分析技術在利用傳統數據分析方法的基礎上，充分借鑒大數據時代的數據分析技術，如社會網絡分析、話語分析以及內容分析，但是隨著學習內容的豐富、學習環境的變化，學習分析變得十分復雜。學習分析技術需要融合多種研究方法和分析技術與工具，以便解決教育中遇到的實際問題。例如，Roberto等（2015）利用LATUX（Learning Awareness Tools-User eXperience，學習意識工具-用戶體驗）可視化學生的思維過程，并建立學習者模型，促進教師深度了解學生，用數據支持教學，實現精準決策。Tore Hoel等（2016）為保護隱私數據，開發了學習分析設計空間模型，為隱私泄露提供最及時的解決方案。未來在學習分析技術和方法的使用上，研究機構和學校需要安排專職人員對教師進行培訓，根據不同的數據和不同的教學問題，選取合適的分析方法，準確地理解數據和學生的行為，以便針對性地為教學提供精準的服務。

（二）突破學科邊界，實現跨學科合作

學習分析技術借鑒吸收了教育數據挖掘、教育理論、工程學等多學科的相關理論，如在預測學習結果、分析學習行為的過程中，利用教育學理論，了解學生學習動機、學習方法，這樣才能更加有目的地幫助學生。未來學習分析技術的研究者會呈現學科背景的多元化，教育中的學習分析可以充分借鑒腦認知科學、學習科學、社會學等其他學科的分析方法、理論與技術，針對不同的分析場景和對象提出適用的理論框架體系，通過交叉合作的形式解決教與學中的問題，形成跨學科研究的學習分析生態圈。戴維·布吉森（鄭隆威等， 2016）指出處于早期發展階段的學習分析技術主要關注學習者、學習內容、學習路徑、學習行為等，學習分析容易擴展到其他領域，如人才招聘分析、畢業生就業率分析、校園資源利用分析。跨學科交流與合作將成為學習分析技術理論研究和實踐應用的常態。

（三）關注學習過程的情感數據分析

在線學習中，教師和學生之間的交流是以文字、圖片、視頻等為媒介，缺少面對面交流，學習者容易產生疲倦感和挫敗感等消極情緒，影響學習效果。在實際教學中，如果不能很好地分析并處理學生的情感問題，將影響學習活動的開展和推進。情感數據最能反映學習者內心活動，是師生交流最直接和最高效的方式，越來越多的研究者投入學習情感數據的研究中。通過情感識別技術可以判斷學生的情緒狀態（Prinsloo， P.， & Slade， S.， 2016），根據學習者在系統中留下的回帖、討論、作業解讀可以察覺學生的情感，了解學習狀態，提前告知學習者在學習過程中存在的問題并幫助其及時改正。通過開發設計基于語音情感、面部情感、文本情感等的識別和分析技術，從情感的角度跟蹤、評價和改進學習路徑及習慣，將成為未來學習分析領域需要關注和研究的議題。

（四）實現多模態數據的常態化分析

目前學習分析的數據來源較為單一，主要是網絡學習平臺和系統的數據，如預測學生的課程結果主要以學生多次的考試成績和表現數據為依據。對單一數據的分析無法實現對學生全方位的了解和監控，未來研究需注重基于多模態數據的分析，如眼動數據、腦電圖、皮膚電反應、心電圖、社交網絡數據、認知活動數據等，便于更立體、更精準地呈現學習者的信息。如利用可穿戴感知設備，教師可以在不影響學習者的情況下研究學習過程和學習軌跡，使研究結果更加客觀和翔實。通過對多模態數據的常態化分析，可以提升學習分析研究的整體水平，也讓學生在教師的監測、評價中更加透明，增加教師對學生的深度認知，幫助其實施更科學的服務。Xavier Ochoa等（2016）設計了基于多模態學習分析的學習脈沖實驗，首先邀請被試者佩戴腕帶收集生理數據，包括心率值與步數，其次是收集學習活動的數據，如參與者在學習平臺的數據、手機應用程序的數據，最后是收集學習環境數據，即由研究者跟蹤與學習有關的室內環境數據，如測量光照強度、濕度和溫度，結合這些天氣信息，判斷環境對學習結果的影響。

（五）提升基礎教育數據應用的價值

目前學習分析樣本大多是來自高等教育階段，大學生參與的在線學習為學習分析提供了豐富的數據。但是隨著我國“三通兩平臺”以及各種網絡學習空間的不斷發展，在基礎教育階段開展學習分析的可能性也隨之增加。在傳統的課堂中，對教學行為的記錄主要是以人工為主，而在智能錄播系統的支持下，學校可以實現自動并實時采集課堂教學數據，教師可以通過系統反饋調整講課時間，增加與學生的互動時間;更進一步地，學校可以利用物聯感知技術采集設備狀態數據和學生體質數據，利用點陣數碼筆技術采集各種作業、練習、考試等數據，利用在線學習與管理平臺技術則能使各種在線學習與管理數據的采集更加方便。Camilo Vieira等（2016）利用工程設計的思維，收集了48名中學生設計復雜學習活動的過程數據，記錄他們的學習表現，并在后測實驗后對比學生之前的學習行為，識別、描述和評價他們在整個實驗過程中的學習策略和學習表現，同時加強學生的自我認知。未來學習分析能充分挖掘基礎教育數據的潛在價值，提升教與學的智能化水平，讓學習變得更加輕松。

五、總結與展望

學習分析技術可以有效助力教師和學生對數據的深度理解和應用，給學習帶來了巨大的變化，為教育創新提供了全新的發展視角。學習分析具有周期性，在“學生→數據→分析→干預→學生”的循環中，存在部分不確定因素，這給數據分析帶來了挑戰，如在專業人才配置、數據標準化、數據歸屬權等方面還存在短板。但是在“數據驅動決策，分析變革教育”的時代，未來學習分析技術還有更大的發展潛力，如：利用人工智能技術，感知學習活動，即時分析并反饋，讓學習體驗更順暢、更人性化，提高學習分析的智能水平;吸引跨學科、跨領域的優秀數據分析師進入教育領域，為學習分析隊伍注入新鮮血液，提升數據服務水平。就國內研究學習分析技術發展現狀而言，研究者需要借鑒學習分析的最新研究方法，針對國家教育特色，擴展研究領域。在心理測量方面，可以通過了解學生的能力、個性、動機和學習策略四個方面的特征，監測學生參與學習活動的差異，精準預測學生的專業表現;在學習分析工具開發方面，研究者需要根據學習分析內容和分析目的的不同，開發適應多種使用環境、支持可視化呈現、支持多種數據格式的分析工具，教師、管理者以及教育研究者需要具備分析的素養和能力，能夠有效運用合適的工具，實現數據價值的高效應用。

[參考文獻]

曹帥，王以寧，徐鵬. 2016. 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[J]. 中國電化教育（5）：78-84.

顧小清，張進良，蔡慧英. 2012. 學習分析：正在浮現中的數據技術[J]. 遠程教育雜志，30（1）：18-25.

何克抗. 2016. “學習分析技術”在我國的新發展[J]. 電化教育研究（7）：5-13.

牟智佳，武法提，喬治·西蒙斯. 2016. 國外學習分析領域的研究現狀與趨勢分析[J]. 電化教育研究（4）：18-25.

魏順平. 2013. 學習分析技術：挖掘大數據時代下教育數據的價值[J]. 現代教育技術，23（2）：5-11.

吳青，羅儒國. 2015. 學習分析：從源起到實踐與研究[J]. 開放教育研究（1）：71-79.

吳永和，陳丹，馬曉玲，等. 2013. 學習分析：教育信息化的新浪潮[J]. 遠程教育雜志（4）：11-19.

肖巍，倪傳斌，李銳. 2018. 國外基于數據挖掘的學習預警研究：回顧與展望[J]. 中國遠程教育（2）：70-78.

鄭隆威，馮園園，顧小清. 2016. 學習分析：連接數字化學習經歷與教育評價——訪國際學習分析研究專家戴維·吉布森教授[J]. 開放教育研究，22（4）：4-10.

Andergassen， M.， & M?dritscher， F. （2014）. Practice and Repetition during Exam Preparation in Blended Learning Courses： Correlations with Learning Results. Journal of Learning Analytics， 1（1）， 48-74.

Andrade， A.， & Delandshere， G. （2016）. Using Multimodal Learning Analytics to Model Student Behaviour： A Systematic Analysis of Behavioural Framing. Journal of Learning Analytics， 3（2），282-306.

Blikstein， P.， & Worsley， M. （2016）. Multimodal Learning Analytics and Education Data Mining： Using Computational Technologies to Measure Complex Learning Tasks. Journal of Learning Analytics， 3（2），220-238.

Chiu， M.， & Nobuko. F. （2014）. Statistical Discourse Analysis： A Method for Modelling Online Discussion Processes. Journal of Learning Analytics， 1（3）， 61-83.

Ochoa， X.， & Marcelo， W. （2016）. Augmenting Learning Analytics with Multimodal Sensory Data. Journal of Learning Analytics，3（2）， 213- 219.

Dawson， S.， & Mirriahi， N. （2015）. Importance of Theory in Learning Analytics in Formal and Workplace Settings. Journal of Learning Analytics， 2（2）， 1-4.

Ferguson， R.， & Hoel， T. （2016）. Guest Editorial： Ethics and Privacy in Learning Analytics. Journal of Learning Analytics， 3（1）， 5-15.

Gray， G.， & McGuinness， G. （2016）. Learning Factor Models of Students at Risk of Failing in the Early Stage of Tertiary Education. Journal of Learning Analytics， 3（2）， 330-372.

Hecking， T.， & Ziebarth， S. （2014）. Analysis of Dynamic Resource Access Patterns in a Blended Learning Course. Journal of Learning Analytics， 1（3）， 34-60.

Howley， I.， & Penstein， C. （2016）. Towards Careful Practices for Automated Linguistic Analysis of Group Learning. Journal of Learning Analytics， 3（3）， 239-262.

Jayaprakash， S. M.， & Sandeep， M. （2014）. Early Alert of Academically At-Risk Students： An Open Source Analytics Initiative. Journal of Learning Analytics， 1（1）， 6-47.

Kelly， N.， & Thompson， N. （2015）. Theory-Led Design of Instruments and Representations in Learning Analytics： Developing a Novel Tool for Orchestration of Online Collaborative Learning. Journal of Learning Analytics， 2（2）， 14-43.

Knight， S.， & Littleton， M. （2015）. Discourse-Centric Learning Analytics： Mapping the Terrain. Journal of Learning Analytics， 2（1）， 185- 209.

Lowes， S.， & Peiy， L. （2015）. Exploring the Link between Online Behaviours and Course Performance in Asynchronous Online High School Courses. Journal of Learning Analytics， 2（2）， 169-194.

Martinez-Maldonado， R.， & Pardo， A. （2015）. LATUX： An Iterative Workflow for Designing， Validating， and Deploying Learning Analytics Visualizations. Journal of Learning Analytics， 2（3）， 9-39.

McCoy， C.， & Shih P. C. （2016）. Teachers as Producers of Data Analytics： A Case Study of a Teacher-Focused Educational Data Science Program. Journal of Learning Analytics， 3（3）， 191-214.

Méndez， G.， & Ochoa， X. （2014）. Curricular Design Analysis： A Data-Driven Perspective. Journal of Learning Analytics， 1（3）， 84-119.

Merceron， A.， & Blikstein， P. （2016）. Learning Analytics： From Big Data to Meaningful Data. Journal of Learning Analytics， 2（3）， 4-8.

Miyamoto， Y. R.， & Coleman， C. A. （2015）. Beyond Time-on-Task： The Relationship between Spaced Study and Certification in MOOCs. Journal of Learning Analytics， 2（2）， 47-69.

Monroy， C.， & Rangel， V. （2014）. A Strategy for Incorporating Learning Analytics into the Design and Evaluation of a K-12 Science Curriculum. Journal of Learning Analytics， 1（2）， 94-125.

Ochoa， X.， & Worsley， M. （2016）. Augmenting Learning Analytics with Multimodal Sensory Data. Journal of Learning Analytics， 3（2）， 213- 219.

Pardo， A.， & Teasley， S. （2014）. Learning Analytics Research， Theory and Practice： Widening the Discipline. Journal of Learning Analytics， 1（3）， 4-6.

Prinsloo， P.， & Slade， S. （2016）. Student Vulnerability， Agency， and Learning Analytics： An Exploration. Journal of Learning Analytics， 3（1）， 159–182.

Raca， M.， Tormey， R.， & Dillenbourg， P. （2016）. Sleepers lag - study on motion and attention. Journal of Learning Analytics， 3（2）， 239-260.

Siemens， G. （2014）. The “Journal of Learning Analytics”： Supporting and Promoting Learning Analytics Research. Journal of Learning Analytics， 1（1）， 3-5.

Snow， E. L.， Auen， L. K.， & Mc Namara， D. S. （2015）. Keys to Detecting Writing Flexibility over Time： Entropy and Natural Language Processing. Journal of Learning Analytics， 2 （3）： 40-54.

Steiner， C. M.， Kickmeier-Rust， M. D.， & Albert， D. （2016）. LEA in Private： A Privacy and Data Protection Framework for a Learning Analytics Toolbox. Journal of Learning Analytics， 3（1）， 66-90.

Waddington， R. J.， & Nam， S. J. （2015）. Improving Early Warning Systems with Categorized Course Resource Usage. Journal of Learning Analytics， 3（3）， 263-290.

Vieira， C.， Aguas， R.， & Goldstein， M. H.， et al. （2016）. Assessing the Impact of an Engineering Design Workshop on Colombian Engineering Undergraduate Students. Journal of Learning Analytics， 32 （5）：1972-1983.

Vozniuk， A.， Holzer， A.， & Gi Uet， D. （2016）. Peer Assessment Dataset. Journal of Learning Analytics， 3 （2）： 322-324.