學習分析技術研究現狀綜述

王莎莎 王梅

摘 要 首先通過內容分析法，從學習分析的概念及內涵著手，對學習分析技術的國內外研究現狀進行綜述;其次分析學習分析在教育實踐中的具體應用，以國外的成功案例為借鑒，總結影響學習者學業狀況的指標;最后對學習分析技術的未來發展抱以期待，它必將為優化學習發揮重要作用。

關鍵詞 學習分析技術;機器學習;在線學習;教育大數據;Moodle;MOOC;課程信號系統

中圖分類號：G642 文獻標識碼：B

文章編號：1671-489X（2019）08-0007-05

Overview of Research Status of Learning Analytics Technology//WANG Shasha， WANG Mei

Abstract Firstly， this paper begins with the content analysis method， from the concept and connotation of learning analysis， summarizes the research status of learning analytics technology at home and abroad， and then analyzes the specific application of learning analy-tics in educational practice， taking foreign successful cases as a refe-

rence. It summarizes the indicators that affect the learners academic status， and finally looks forward to the future development of lear-ning analytics technology， which will play an important role in opti-mizing learning.

Key words learning analytics technology; academic status; machine learning; online learning; big data on education; Moodle; MOOC; course signals system

1 背景

自MOOC開始繁榮發展以來，在線學習網絡學習平臺飛速發展，學習者在線學習產生的數據不斷增加，教育大數據日漸豐富。在當今信息化時代，數據價值不言而喻，各個行業都對大數據有極高的價值期待，其中教育領域的專家學者希望借鑒商業智能的成功經驗，從數據出發，利用學習分析連接技術與教育，為今后的學習、教學及教學管理提供評價、反饋及建議。

學習分析作為一個可以連接技術與教育的研究領域，既可以使教育數據發揮更重要的作用，也有利于教育信息化的發展。因此，學習分析在教育大數據應用領域研究中占據重要地位。2011年，新媒體聯盟和美國高校聯盟在其發布的《地平線報告——高等教育版》中首次將學習分析作為未來影響教育發展的六大技術之一[1]，并且在之后的連續六年間，地平線報告中對學習分析均有所提及。這無疑證實了學習分析在教育領域所具有的潛在影響，以及在整個教學、學習及教學管理過程中的應用地位。

2 概念及內涵

學習分析，即Learning Analytics。2010年，學習分析專家喬治·西蒙斯認為，學習分析是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[2]。西蒙斯對學習分析的定義重視分析模型的作用，關注學習分析的具體應用，以此幫助研究者更方便認識和理解數據中的信息。

在2011年第一屆學習分析與知識國際會議中，參會的專家認為，學習分析是“測量、采集、分析和匯報有關學習者及其學習情境的數據集，用以理解和優化學習及學習情境”[3]。該定義重視對數據在學習分析中的作用，以此認為學習分析的功能在于對學習及學習情境的優化，但對學習分析過程不甚重視。

2014年，胡藝齡教授等人為學習分析所下的定義是：學習分析技術是教育領域從海量數據中提取隱含的、未知的及有潛在應用價值信息或模式的工具，也是一種決策輔助工具[4]。該定義則是將學習分析技術當作工具，重視應用與技術，用來發現數據潛在信息和輔助決策。

何克抗教授于2016年發表的論文中，在整合國內外一些定義的基礎上，對學習分析的定義表述為：學習分析技術是指利用各種數據收集和數據分析工具，從教育領域的海量數據中，通過收集、測量、分析和報告等方式，提取出隱含的、有潛在應用價值的、涉及“教與學”或“教學管理”的過程及行為的各種信息、知識與模式，從而為教師的“教”、學生的“學”以及教學管理提供智能性的輔助決策的技術[5]。該定義對學習分析的描述較為全面，既提到了對數據的收集和分析，也未忽視對教學過程的分析，并且提到學習分析的作用是為了“教”“學”及教學管理提供智能性的輔助決策。

通過對各位專家學者給學習分析的定義的解讀，可以看出雖未有明確統一的定義，但已有共識。學習分析即通過各種工具對教學過程中各種數據進行收集、管理、分析，并將分析結果反饋于教學中，用于優化學習。本文將學習分析和學習分析技術分開來說，學習分析作為一個將學習分析技術包含在內的大的研究領域，而學習分析技術是學習分析應用過程中有關的工具、方法、使用技術的研究。

3 學習分析技術的研究現狀

學習分析技術的國內研究現狀 關于學習分析技術的研究，本文主要將學習分析技術研究內容按時間順序進行梳理，以明確學習分析技術的研究現狀。國內最早關于學習分析技術的文獻是李菁等人[6]于2012年發表的《學習分析技術研究與應用現狀述評》，該研究從辨析學習分析的概念出發，就學習分析組成要素和應用模型進行討論，還對學習分析技術的分析工具、分析方法和技術來源進行了研究分析，最后就學習分析應用案例的一般和特殊情況進行深入剖析。

李逢慶等人[7]的研究從學習分析興起的原因著手，即學習分析可以根據學習平臺中的數據去更好地支持教與學，從而進一步提升教與學的質量與效能。該研究通過梳理之前學習分析的發展脈絡，對其過程、工具及方法進行解讀，并闡述學習分析對促進大學教學信息化深入發展的價值。

曹曉明等人[8]做了基于學習分析技術支持的學習者個性化學習平臺的研究。該研究以智慧學習為背景，嘗試基于學習分析中的動態采集、精確分析、可視化反饋等技術，以構建符合因材施教理念的個性化學習平臺。研究通過分析不同學習情境下如何讓學習分析發揮其作用和優勢，實現對學習者學習的個性化指導。

胡藝齡等人[4]從當前教育效益未獲得預期的高產出這一問題出發，提出學習分析可以從海量數據中發現潛在價值，改善教學，從而提升教育的內外部效益。

華中師大曾東薇[9]以Moodle平臺中開設的一門課程為例，通過收集學習者的學習行為數據，使用定性與定量相結合的分析方法對學習者的學習過程進行分析，最后還對學習分析技術的應用效果進行分析和反思。

魏順平等人[10]做了對學習過程數據挖掘與分析應用于在線教學反思的研究。該研究借鑒Moodle平臺課程，從輔導教師的角度出發，將學習分析技術應用于在線教學反思。

陳耀華、孫洪濤和鄭勤華等人[11-13]從模型構建出發，利用學習分析技術，分別構建在線學習測評的綜合建模、課程評價的模型和教師綜合評價的參考理論模型，并在實際教學應用中驗證這些模型是否可用。

高琪等人[14]將學習分析技術與智慧教育環境構建結合起來，從學習分析的一般過程出發，結合對智慧教育的特征分析，論述學習分析在智慧教育環境構建及發展過程中將會發揮極大的作用。

學習分析應用于具體的教育實踐中已經取得一些研究成果。各個專家學者根據學習情境和研究目的的不同，所使用的具體方法并不相同，例如：社會網絡分析法是一種根據學習者的群體社會交互行為來定量分析的方法;機器學習算法則更關注學習數據的深入挖掘，通過對機器的訓練以實現對個體學習行為的下一步預測;會話分析法是從研究人類語言互動交際入手，以研究會話情境的意義的一種方法;內容分析法是一種對傳播內容進行客觀和系統描述的研究方法。通過對各種方法的分析，可以看出學習分析并不拘泥于某一種特定的方法，又因為學習系統的復雜性、多樣性，針對不同的學習情境，應該采取不同的方法，也可以多種方法結合起來使用，但這些方法的應用其最終目的都是優化學習及學習過程。

機器學習在教育領域應用的研究現狀 機器學習（Ma-chine Learning，ML）是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科，專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能[15]。簡單來說，就是使機器能夠像人類一樣思考，通過經驗的學習去改進自身處理信息的能力，智能化地處理信息。

機器學習作為人工智能研究領域的重要部分，可以應用于對數據的聚類、預測和關系挖掘等。目前，機器學習算法在教育領域的應用也取得一些研究成果。

Cetintas等人[16]利用機器學習技術識別智能輔導系統中的離題行為。該研究通過自動檢測學習者的行為，利用時間特征和鼠標移動特征來比較不同學習者的行為類型，以此預測學習者的學習狀態，以及學習者是否處于“離題”狀態。

Wang等人[17]描述了一種適用于第二語言學習，并且考慮各種學生特點的電子學習系統。研究者利用神經網絡算法根據學習者在第二語言的在線課程學習記錄和個人信息數據建立預測模型，從而預測學習者的學習表現，通過實驗驗證該電子學習系統能夠使學習者的學習表現更好。

Alkhuraiji等人[18]在在線學習平臺中應用貝葉斯網絡（Bayesian Network）構建模型，模型以學習者的學習風格為基礎，學習平臺的演示風格根據每個學生的首選學習風格進行個性化設置，以此為學習者提供適應性的個性化學習內容。

Lauría等人[19]描述了可用于對開源課程管理的系統數據和學習者學習記錄數據進行推理分析的模型，并介紹了使用多種數據挖掘算法對模型進行設計的初步開發結果。他們使用支持向量機（SVM）、C4.5決策樹和邏輯回歸等機器學習方法分析各種數據，得到關于分類績效的分析結果，用于實際環境中以預測學習成績并對危險學生進行早期檢測。

Kotsiantis[20]將機器學習應用于教育數據挖掘，并介紹使用機器學習進行教育數據挖掘的文章，由此提出一個預測學習者成績的案例研究方案。為了預測學生的表現，降低輟學率和預測課程成功率，通過使用機器學習技術進行學習者學習數據的分析，根據分析結果識別出那些學習動機不足的學習者，并根據學習者不同學習狀況，分別給予相應的指導和干預措施。

Aher等人[21]采用數據挖掘技術從學習管理系統（LMS）中收集Moodle平臺中的學習數據，并由此進行聚類和分析，然后向學習者推薦合適的課程。課程推薦可以幫助建立一個智能推薦系統，可以給MOOC等環境中的課程學習者使用。

San Pedro等人[22]使用新英格蘭的ASSISTment系統，將3747名學生的數據應用于學生知識、情緒和行為的細粒度模型，并利用邏輯回歸方法建立預測模型，用于預測大學入學率。該研究發現，學生投入對學生成功的預測很有幫助。

Thammasir等人[23]使用過采樣、欠采樣和少數群體過采樣的平衡技術，以及邏輯回歸、決策樹、神經網絡和支持向量機四種分類方法，在此基礎上對大量學生學習數據進行分析，驗證了這三種平衡技術和四種分類方法對少數類預測精度的提高，并且確定了準確預測學生自然減員最重要的變量，由此有可能準確預測存在風險的學生，并有助于降低學生輟學率。

[J].Expert Systems with Applications，2014，41（2）：321-330.

[24]Hachey A， Wladis C， Conway K. Do prior online course outcomes provide more information than G.P.A.alone in predicting subsequent online course gradesand retention？ An observational study at an urbancommunity college[J].Computers&Education，2014（72）：59-67.

[25]Park Y， Yu J H， Jo I H. Clustering blended lear-ning courses by online behavior data： A case study ina Korean higher education institute[J].Internet & Higher Education，2015（29）：1-11.

[26]Shimada A， Okubo F， Yin C， et al. Informal lear-ning behavior analysis using action logs and slidefeatures in e-textbooks[C]//The IEEE InternationalConference on Advanced Learning Technologies.2015：116-117.

[27]范逸洲，汪瓊.學業成就與學業風險的預測：基于學習分析領域中預測指標的文獻綜述[J].中國遠程教育，2018（1）：5-15，44，79.

[28]劉艷華，徐鵬.大數據教育應用研究綜述及其典型案例解析：以美國普渡大學課程信號項目為例[J].軟件導刊：教育技術，2014（12）：47-51.

[29]楊旸，胡珊珊，邢宏根，等.借鑒與反思：學習分析在國外高等教育領域的應用[J].現代教育技術，2018（2）：107-112.

項目來源：東北石油大學研究生教育創新工程項目“新工科視角下計算機類研究生創新和實踐能力培養研究與實踐”;黑龍江省教育科學“十三五”規劃2018年度重點課題“工程教育認證背景下智能云教學過程化教學評價平臺構建的研究”（項目編號：GBB1318021）;黑龍江省教育科學“十三五”規劃2017年度備案課題“信息技術類大學生創新創業教育支撐平臺研究”（項目編號：GBC1317027）。

作者：王莎莎，東北石油大學計算機與信息技術學院在讀碩士研究生，研究方向為知識工程、學習分析技術;王梅，通訊作者，東北石油大學計算機與信息技術學院，教授，研究方向為機器學習、模型選擇和核方法支持向量機（163318）。