基于學習行為大數據的深度學習分析模型及實現

陳星 馬燕

摘 要：近年來，隨著互聯網和通信技術的快速發展，利用技術工具輔助深度學習研究、提高深度學習效果，成為深度學習研究的新重點。文章以深度學習理論為依據，以診斷深度學習結果、干預深度學習過程、預測最終表現為目標導向，通過比較研究法對現有學習分析模型的共性與差異性的探究，構建深度學習分析模型，以期為探究學習行為與深度學習提供新的思路。

關鍵詞：深度學習;比較研究法;學習分析模型;學習行為

中圖分類號：G434 文獻標志碼：A 文章編號：2096-0069（2019）02-0019-05

收稿日期：2018-10-16

基金項目：教育部2018年度人文社科規劃基金項目“‘雙一流’視野下教師教育學科群及評價體系研究”（18YJA880061）;重慶市研究生科研創新項目“大數據背景下基于SEM的研究生科研績效評價研究——以重慶市高校理工科碩士研究生為例”（CYS18299）;重慶師范大學研究生科研創新項目“基于學習行為大數據的深度學習分析模型及實現”（YKC18029）

作者簡介：陳星（1995— ），男，重慶人，碩士研究生，研究方向為教育大數據、計算機教育; 馬燕（1960— ），男，重慶人，博士生導師，教授，研究方向為教育評價、研究生教育。

一、引言

互聯網的發展從不同的角度改變了人類思考問題與解決問題的方式，推動人類邁向學習型社會，這一時代背景要求學習者在提高自身素質與改進思維方式的同時，更加深入了解學習者的學習行為，認識學習的特征與規律。在該背景下的學習方式也發生了較大的改變，深度學習作為一種新的學習方式，其核心要素在于學習者能夠在深度理解的基礎上，主動地、批判性地整合新知識于原有的認知結構中，并與舊知識產生聯系，從而去解決問題。教育大數據是整個教育活動中產生的數據集合，它是根據教育需要采集到的，將用于教育發展并可創造巨大潛在價值[1]。學習行為大數據是教育大數據的一支，教師通過分析學習者在深度學習的過程中所產生的學習行為大數據可以較好地判斷學習者深度學習后所到達的層次，還可以根據學習行為數據分析后的結果來判斷學生學習行為是否異常，并針對學生各自的數據分析結果來制訂個性化的學習計劃，從而使每一位學生的深度學習都能夠深度化和有益化;學生可以通過分析自身的學習行為數據來調整自己的學習行為。這使得學習行為數據和學生之間產生了一種相互作用的關系，學生既是分析結果的受益者，也是下一階段行為數據的產生者，數據不斷迭代更新，從而使得深度學習的效率能夠進一步提高。

二、現狀分析與研究方法

通過研讀中國知網、維普等重要學術文庫上大數據背景下學習分析模型構建的相關文獻，發現國內相關文章目前僅有20余篇，這些文章主要是研究與設計其他學習方式下的分析模型，對深度學習過程與評估的關注較少，并且少有基于大數據的深度學習分析模型的文章，因此缺乏有代表性的實證研究成果。國外學習分析模型的研究來源于計算機科學、教育學、心理學等多個領域，其中不乏關于深度學習跨領域的研究，有關深度學習研究雖以實踐應用和科學實證為主，但大多數研究側重于深度學習分析模型對深度學習的促進、評估、影響，鮮有研究是關于深度學習分析模型構建的。

本文在已有研究基礎上，通過文獻資料法對學習分析模型相關文獻進行閱讀、分析、總結，發現“學習分析過程模型”“持續改進環模型”“學習分析要素模型”“學習分析概念模型”這四大模型在不同的研究中認可度較高、應用次數較多，具有一定的參考價值，進而運用比較研究法對這四種不同的模型進行相關探究，從而為構建深度學習分析模型提供依據。

三、學習分析模型的比較分析

（一）學習分析過程模型

學習分析過程模型是西蒙斯根據關聯主義理論，在TEKL模型的基礎上提出的[2]，如圖1所示。該模型中，數據主要來源于學習者數據和智能數據。學習者數據是指學習者在移動終端、社會性軟件及其他學習交互環境中所產生的有關行為的數據，智能數據是指學習者在課程學習過程中所產生的具體的數據，相較于學習者數據而言更加結構化。數據收集后經過自我或其他方式的處理與分析后，便可根據數據分析結果進一步地去干預，進而促進學生的個性化或適應性學習。

（二）持續改進環模型

如圖2所示的持續改進環模型，是伊萊亞斯在對學習分析技術進行了界定后提出的。該模型將整個學習分析過程總結為七個步驟：獲取、選擇、聚合、預測、優化、使用和分享，即數據收集、數據處理和知識應用三個循環階段[3]。該模型將數據獲取與數據選擇劃分為數據收集階段，將數據聚合與結果預測劃分為數據處理階段，將優化與使用劃分為知識應用階段，再將知識應用階段所產生的數據分享給最初的數據收集階段，以此實現循環的優化模型。值得注意的是，循環過程中使用到了計算機、理論、人力、組織機構等相關資源。

（三）學習分析要素模型

學習分析要素模型是沃爾夫岡和亨德里克使用里奇的一般形態分析法，對學習分析研究社區里討論的話題進行歸納總結后提出的[4]，如圖3所示。該模型中把影響學習分析技術的要素劃分為內部約束、外部約束、利益相關者、方法、目標、數據六個維度，再根據六個維度劃分不同的要素，這些要素相互聯系、相互影響，共同作用于學習分析的結果，一旦某個要素發生變化，其他要素也會做出相應改變，學習分析的結果自然而然也會發生改變。

（四）學習分析概念模型

學習分析概念模型是我國學者李艷燕等在學習分析過程模型和持續改進環模型基礎上提出來的[5]，如圖4所示。該模型的基本組成要素為：三個數據源（學習過程、學習環境、教育環境）、三個受眾（學習者、教師、教育管理者）、五個數據分析的核心環節（數據采集、數據存儲、數據分析、數據表示、數據應用），其中，數據應用體現在預測、評估、干預三個方面。上層要素所產生的數據經過五個數據分析的核心環節后，根據所產生的數據結果可進一步對上層的要素進行干預與反饋，從而形成不斷優化的循環，值得注意的是，五個核心環節實現了大規模數據處理及應用服務。

（五）學習分析模型的比較研究

比較研究法是參照相關標準，通過對兩個及以上具有相關性的事物的比較，發現其異同，從而尋求普遍規律與特殊規律的方法[6]。為了更好地把握學習分析模型的步驟和要素，以及各模型的創新與不足，并據此能在之后構建相對完善的深度分析模型，研究根據上述學習分析模型的各自特征，分別從設計特點、重點環節、呈現形式、特性四方面來進行比較分析，如表1所示。

四種學習分析模型有各自的側重點，學習分析過程模型是從學習分析理論角度出發，以線狀圖的方式呈現數據采集、數據分析、結果應用的學習分析過程;持續改進環模型從學習分析技術角度出發，以循環優化的方式描述了學習分析的技術流程;學習分析要素模型從影響學習分析技術的要素出發，以模塊化的方式較為全面地描述了影響學習分析結果的要素;學習分析概念模型則從學習分析理論和技術角度出發，以循環優化的方式描述了學習分析的基本要素和核心流程。根據表1的分析情況，可得出結論，學習分析模型的重點環節（數據采集、數據分析、結果應用）是必不可少的。在數據分析環節中，要對要素條件加以掌控，如：在數據采集中，數據的來源是什么，是否可靠;數據處理中，處理工具是什么，是否準確;結果應用中，應用的對象是什么，是否合理。

據此，可以得出結論，一個較為完善的學習分析模型應該包含以下五個要素：

（1）數據采集：模型的最底層由大量的數據組成，根據數據來源不同，可以將數據分為兩大類。第一類為在不同的學習環境中所產生的具有明顯特征的結構化數據，如成績、等級、數量;第二類為在與不同的學習環境交互中所產生的難以量化的半結構化和非結構化數據，如課堂互動、在線作業、網絡搜索。

（2）數據處理：該模塊的任務在于對大量的、雜亂無章的、難以理解的各式數據進行初步處理，按照結構化、非結構化及半結構化的數據格式將數據進行分別存儲，并需要對數據進行過濾與篩選，以確保收集到與學習高度相關的數據。

（3）數據分析：該模塊的任務在于根據不同的分析目標，提供各種方式、方法與策略，從經過處理的、相關聯的數據中抽取并推導出有價值、有意義的數據進行分析。

（4）結果應用：該模塊是學習分析結果的呈現，并最終反饋給學生、教師、家長等利益相關者，從而對學習過程產生積極的干預、調整，進而影響學習結果。值得注意的是，分析結果也應當作為新的數據被采集，從而形成良性循環，不斷地優化學習的過程，最終達到學習效果的不斷提升。

（5）要素條件：設計一個理想的學習分析技術系統時，必須綜合考慮所有的影響因素，以能夠應對每一個因素變化造成的影響[7]。在數據采集、數據處理、數據分析、結果應用模塊添加適當的要素條件進行干預是保證學習分析模型完善性的必要保障，這些要素相互聯系、相互影響，共同作用于學習分析的結果。

四、深度學習分析模型的實現

深度學習是一種學習者在深度理解的基礎上，積極主動地、批判性地去接受新知識，并通過所建立的新舊知識間的聯系去解決復雜問題和創新的高級學習方式[8]。深度學習分析模型的總體思路與學習分析的一般模型相似，只是它以深度學習結果評估為基礎，而非一般的學業成績[9]。因此本文根據所總結的學習分析模型五要素，并與學習行為大數據的數據特點相結合，構建了基于學習行為大數據的深度學習分析模型，如圖5所示。該模型包含數據采集、數據處理、數據分析、結果呈現與應用，以及流程中的要素條件。

（1）深度學習分析模型的第一步就是對學生大量的學習行為數據的采集，學生學習行為數據包含了學生在線上平臺所產生的一切有關學習的交互數據，也包括線下日常學習中通過物聯感知技術所產生的一切有關學習的數據等。對于采集到的行為數據要根據不同的數據類型與特征進行相應的存儲與清理。

（2）深度學習分析模型的第二步是數據處理，即通過相應的數據存儲與清理方式實現對結構化、半結構化、非結構化的數據的統一管理，以及根據要求整合數據格式，剔除無關的數據。

（3）深度學習分析模型的第三步是數據分析階段，該階段是根據不同的分析方法（診斷分析、預測分析、評價分析）對處理后的數據進行分析，從而評估學生深度學習的結果。

（4）深度學習分析模型的最后一步是結果呈現與應用，根據受眾的不同，將數據分析的結果以不同的可視化方式呈現出來，教師與管理者可根據分析結果對學生的學習行為進行干預與引導，促進學生達到深度學習的結果，學生也可根據分析結果直接調整和優化自身的學習行為，從而達到深度學習的結果。

該模型為循環優化模型，數據分析的結果在應用于優化學生深度學習過程的同時，也將作為新的數據被收集，進而經過處理與分析，進一步優化深度學習過程，形成良性循環，這符合深度學習的意義，能夠極好地促進學生深度學習，在該模型的整個流程中，計算機、人力、理論、環境將共同成為影響深度學習分析結果的因素。

五、結語

本文運用比較研究法，通過對四種不同的學習分析模型進行比較分析，得出學習分析模型所必需的五要素，并據此利用學習行為大數據的特點，構建了深度學習分析模型。構建深度學習分析模型的核心目標在于通過對學生學習過程中大量行為數據的采集與分析，診斷學生所達到的深度學習中存在的問題，并預測與評價深度學習的表現。該分析模型既具備學習分析模型的基本要素及流程，又符合深度學習方式的特點，能夠全面地采集學生深度學習中所產生的行為數據并進行有效的處理，在經過不同要求的分析后，學生、家長、管理者根據數據分析結果的呈現，能夠對深度學習的結果與表現有較為全面的了解，并據此做出積極的干預與調整，分析結果也將作為新的數據被采集，形成良性循環，不斷優化深度學習的結果。該分析模型雖符合構建深度學習的核心目的，但仍有不足，它并未充分地把握影響深度學習分析結果的因素，只添加了計算機、人力、理論、環境四大因素，因此還需持續探究，不斷完善該模型，為探究學習行為與深度學習結果提供新的思路。

參考文獻

[1]楊現明，田雪松.中國基礎教育大數據[M].北京：電子工業出版社，2016：29-31.

[2]鄭曉薇，劉靜.學習分析模型的分類與對比研究[J].現代教育技術，2016，（8）：35-41.

[3]顧云峰，吳鐘鳴，管兆昶，等.基于教育大數據的學習分析研究綜述[J].中國教育信息化，2018，（7）：1-5.

[4]GRELLER W，DRACHSLER H.Translating Learming into Numbers：A Generic Framework for Learming Analytics[J].Educational Technology & Society（S1436-4522）， 2012，15（3）：42-57.

[5]李艷燕，馬韶茜，黃榮懷.學習分析技術：服務過程設計和優化[J].開放教育研究，2012，18（5）：18-24.

[6]百度百科.“比較研究法”詞條[EB/OL].（2016-3-13）[2018-9-20].http：//baike.baidu.com，2018.

[7]張瑋，王楠.學習分析模型比較研究[J].現代教育技術，2015，（9）：19-24.

[8]劉哲雨，王志軍.行為投入影響深度學習的實證探究：以虛擬現實（VR）環境下的視頻學習為例[J].遠程教育雜志，2017，（1）：72-81.

[9]楊現明，田雪松.中國基礎教育大數據[M].北京：電子工業出版社，2016：122-126.

（責任編輯 杜丹丹）

Abstract： In recent years，with the rapid development of the Internet and communication technologies， the use of technological tools to assist deep learning research and improve the effect of deep learning has become a new focus in the research of deep learning.This paper is based on deep learning theory，and it takes the diagnosis of deep learning results，the interference of deep learning process and the prediction of the final performance as its goal orientation.By using comparative research methodology，we explore the similarities and differences of the existing learning analytics model，and construct a deep learning analytics model in the hope of offering new ideas to explore learning behavior as well as deep learning.

Key words： deep learning;comparative research;learning analytics model;learning behavior