智能時代學習分析再認識及其發展路徑

周進 葉俊民

摘 要：面向智能教育，學習分析呈現出“三個新拓展”：拓展學習分析的目標理念、拓展學習分析的數據范圍、拓展學習分析的技術方法。融合人工智能技術，學習分析在推動計算教育學發展、培育數據驅動思維、構建終身學習服務體系、提升教育治理水平等方面具有極大潛能。為促進智能技術與學習分析的融合應用，未來研究要積極探索與尋求核心理論支撐，建立多方協同合作機制，構筑智能教育大平臺，建立以智能教育為核心的跨學科陣營以及管控人工智能算法風險，進而助力智能教育中學習分析的創新發展。

關鍵詞：人工智能;學習分析;智能教育;計算教育學

中圖分類號：G434文獻標志碼：A文章編號：2096-0069（2021）03-0009-06

收稿日期：2020-12-30

基金項目：2020年國家社科基金后期資助項目“基于短文本的學習分析理論與實踐”（20FTQB020）

作者簡介：周進（1993— ），男，湖北鄂州人，博士研究生，研究方向為學習分析;葉俊民（1965— ），男，湖北武漢人，博士、教授、博士生導師，研究方向為學習分析與教育大數據，本文通信作者。

引言

隨著人工智能在教育領域的縱深推進，人工智能已經深刻影響著教育系統的各個方面，而學習分析也不例外。從本質上講，學習分析的發展與人工智能密不可分，大數據是兩者發展的基石，而人工智能為學習分析的創新變革提供了技術支持，兩者共同為構建智能學習環境和揭示學習發生機制提供了全新方向與思路。當前在智能教育背景下，學習分析發展擁有廣闊前景，包括分析目標、數據基礎、技術方法等層面的轉型升級，旨在賦能全新的智能教育應用生態。基于此，本研究結合人工智能時代背景，探討學習分析呈現出的新發展態勢，闡述其在智能教育中的價值取向與創新發展路徑，以期為相關研究提供借鑒與啟示。

一、智能時代學習分析再認識

隨著人工智能、邊緣計算、大數據等新理論和新技術的逐步成熟，以教育機器人[1]、智適應系統、教育智能體為代表的人工智能在教育領域的應用，開啟了智能教育發展的新紀元。在教育智能化時代，學習分析在目標理念、數據范圍、技術方法上呈現出新的發展態勢。

（一）學習分析的目標理念新拓展

提到學習分析，最先浮現在腦海中的可能是對學習結果的評估、預測、干預等，或者是依據行為數據進行學習者建模。然而，隨著深度學習、自然語言處理、機器視覺等技術在教育領域的廣泛應用，以及傳感設備、智能終端等工具的快速發展，學習分析將實現從學習結果評估到關注學習過程的轉變。學習分析技術通過多種傳感器和外接終端，對學習者的全過程學習數據進行即時采集，并借助人工智能相關算法和技術，實現對學習者的知識結構、情感態度和認知行為的自動監測，為構建學習者綜合特征模型與智慧學習環境奠定基礎[2]。此外，學習過程分析也從割裂的行為單元走向整體的活動過程分析與挖掘，借助描述行為序列、診斷關鍵事件和預測行為結果三個維度進行整體性分析，以幫助管理者、研究者和教師從全局角度對學習者的學習行為進行深度理解。

眾所周知，學習分析的發展離不開大數據，而數據也是學習分析的起點。通過量化學習者的各類學習數據，來理解和優化學習過程與學習環境，已成為現有研究的普遍共識。實際上，在教育人工智能的推動下，以學習分析為核心的大規模個性化學習代表了智能教育的發展趨勢。在以前，個性化學習和規模化教育之間的矛盾難以調和，而在智能教育時代，以大數據、人工智能等技術支持的學習分析為解決這一矛盾提供了可能[3]。通過對多場景、多系統、多終端的海量學習數據進行細粒度融合，能夠實現對大規模學習者的行為、認知、心理、情感以及社會交互的精準分析[4]，在此基礎上個性化推薦學習資源與規劃學習路徑，進而實現“因材施教”的美好愿景。

（二）學習分析的數據范圍新拓展

限于技術和設備的束縛，學習分析的數據常借助人工采集、平臺上傳等方式對結構化數據進行采集，導致數據維度單一、信息孤島等問題日益突出。在人工智能背景下，學習分析的數據范圍逐步從單一維度數據挖掘轉向多模態數據融合，并利用物聯網、人臉識別、手寫識別等新技術實現自動化采集。通常情況下，多模態數據包括行為層數據、心理層數據、生理層數據和基本信息數據四類，這些數據來源不同，存在形式不同，共同構成多模態學習分析的樣本數據集[5]。通過建立多模態數據融合機制，結合不同教育場景和機器學習方法，實現學習狀態、學習參與度、學習興趣、教學決策等多模態分析，進一步挖掘智能教育時代學習分析的應用潛能與核心價值。

此外，學習分析的數據范圍也從線上學習平臺拓展到線下學習活動，從虛擬學習空間拓展到物理學習環境，逐步形成圍繞“場景”進行學習分析的新形態。在智能教育中，線上、線下學習數據的整合成為學界關注的重點。現有研究大多是對線上數據的采集與分析，線下數據的計算與挖掘將是未來研究的重要方向。如通過構造課程學習模型，采用問卷調查、課堂錄像等方法采集上機實驗、作業、自修等線下學習數據，實現與課程學習相關的線下數據的量化分析[6]。類似地，物理學習環境的數據采集也將進一步拓展學習分析的數據范圍，借助傳感器技術、智能可穿戴設備等，實現對學習者全方位、多時空的數據追蹤和挖掘。在此基礎上，根據學習者動態多變的學習場景，為其提供高精準的個性化學習服務[7]。

（三）學習分析的技術方法新拓展

早期學習分析方法主要以數據統計和單一數據挖掘為主，如SPSS統計分析、行為序列分析等，無法滿足教育人工智能發展的迫切需求。國務院《新一代人工智能發展規劃》中提到要大力發展與應用大數據智能、群體智能、高級機器學習等關鍵技術。因此，為推動智能教育的快速發展和廣泛應用，未來學習分析應依據實際需求采用大數據智能方法和綜合分析方法，實現對教學過程的自動分析與評測。如在課堂環境下，綜合采用自然語言處理、語音自動識別和機器學習方法，充分發揮大數據智能方法的優勢，實現對課堂教學行為的自動評估，提高課堂觀察的客觀性與智能性[8]。在數據采集上，融合人工智能技術的學習分析系統將利用無感式、伴隨性的數據采集方法，最大限度減少數據采集對學生學習過程的干擾，提高所采集數據的自然性和準確性。在數據清洗上，采用替換和補充的策略，加強對錯誤數據處理和修復方法的探索[9]。

近年來，研究者逐步意識到學習者的情感對學習過程的重要影響，情感/情緒研究也代表了智能教育時代學習分析的發展方向[10]。換句話說，學習分析技術不僅要實現對行為數據的測量，也要重視探索情感數據的挖掘方法。在真實學習情境下，生理數據（如面部、皮膚電、腦電等）的分析方法成為亟待探索的關鍵問題。雖然樸素貝葉斯（NB）、卷積神經網絡（CNN）等方法可能在情感挖掘中具有較高的準確度，但機器學習本身存在“黑箱”問題，算法的不透明很大程度上影響了分析結果的可解釋性。因此，研發可解釋的算法模型是人工智能時代學習分析的重要任務。在建模方法上，應采用時間同步化和歸一化策略，實現學生情感、認知、行為等方面的綜合建模，進一步提升智能教育中數據分析的全面性和綜合性。

二、智能時代學習分析價值取向

作為教育技術發展浪潮中的核心力量，學習分析在人工智能時代煥發新的生機與活力。本研究從學習分析影響教育變革及其利益相關者（教師、學習者、管理者）的角度，闡述智能時代學習分析的價值取向。

（一）推動計算教育學發展

人工智能和學習分析的發展均得益于大數據的推動。從這個意義上來講，智能時代的學習分析將推動教育研究實現轉型升級，并作為核心引擎來驅動計算教育學與學習科學的縱深推進。具體而言，智能技術賦能學習分析研究更側重綜合跨學科研究方法，依托人工智能技術和數據科學方法自動采集學生全過程學習數據，進行智能處理與挖掘，并結合行為科學和認知科學進行學習者綜合建模，從教育學層面展開分析與干預;與此同時，作為核心引擎推動計算教育學研究的交叉和融合，從認知計算、行為計算、情感計算和環境計算四個方面，對海量教育數據進行深入挖掘，建立“因果+關聯”的新思維模式;通過多方法、多通道和多維度視角，探究學習者學習過程與認知規律[11]，從數據層面客觀與準確把握人類學習的內在機理，進而推動學習科學的縱深發展。

人工智能在變革社會科學研究方法中具有重要影響[12]，對于教育學科而言，人工智能賦能學習分析將推動教育研究進一步走向科學化。人工智能賦能學習分析將為教育研究帶來新契機，一方面建立數據分析引擎，對全樣本數據進行融合分析，構建教育系統模型;另一方面利用計算機仿真系統，通過學習教育實踐中生成的數據，來發現教育系統演化規律與發展態勢。由此，學習分析促進教育研究轉型升級與科學發展，為計算教育學發展提供了動力。

（二）培育數據驅動思維

學習分析與大數據的發展推動教育教學從“經驗主義”走向“數據主義”。教師是課堂教學轉型的關鍵力量，培育教師數據驅動教學的思維能力迫在眉睫。受建構主義理論的深刻影響，教師常鼓勵學生進行自主探究，弱化了對教學內容的加工處理，導致教學結構相對松散，學生學得多而所知甚少[13]。鑒于此，通過學習分析幫助教師科學洞察學生學習過程，輔助教師及時調整教學結構，以提高課堂教學質量和提升學習效果，這一過程無形中培育了教師的數據驅動思維。

作為教師數據素養中的核心要素之一，數據驅動思維是指教師能依據教育場域中各種數據進行教育決策、管理及評價，以驅動教育創新與師生共同成長的思維模式[14]。進一步講，教師要轉變以經驗主導的教學觀念，擁抱以數據驅動的教學范式，發現學習分析的內在價值;要嘗試去處理和分析數據，對學習分析結果做出合理解釋，以提升自身“理解”數據的能力;在此基礎上，要結合自身教學經驗，分析數據反映的潛在問題，并據此采用合理的教學改進策略。在教研過程中，教師要充分利用教育數據，結合數據分析結果與實際情況，創新應用數據以改進教學模式，助推數據驅動教學范式實踐應用。

（三）構建終身學習服務體系

為推進學習型社會建設，構建終身學習服務體系迫在眉睫。《北京共識——人工智能與教育》強調要融合人工智能平臺和學習分析等關鍵技術來構建終身學習服務體系，逐步形成人人皆學、處處能學、時時可學的學習型社會[15]。在人工智能時代，終身學習在學習目的、學習內容和學習方式上都有了新發展[16]，這也彰顯了學習者對個性化學習和終身學習能力的迫切需求。就這一層面而言，學習分析在構建終身學習服務體系中具有潛在價值。

具體來說，以終身學習為核心，積極轉變基于數據的學習分析理念，實現對學習行為理解到學習服務的轉型升級，突出學習者的中心地位。與此同時，超越傳統以知識為核心特征的學習者模型，推進構建面向終身學習的個人用戶模型，從個人特質（如基本信息、性格、興趣、偏好等）、學習數據（如學習態度、情感狀態、學習動機等）和日常行為（如體育活動、食物攝入、作息規律等）三個方面記錄學習者的全過程用戶數據;通過融合區塊鏈等新興技術，構建學習者全過程成長檔案袋，增強學習數據的安全性、透明性及分布性，進而提升學分轉換與認證的可信度，為構建終身學習服務體系提供堅實保障。

（四）提升教育治理水平

大數據的發展極大地推動了教育管理走向教育治理的轉型升級。對于智能教育而言，利用人工智能技術助推人才培養方式的變革，必然也為教育治理提供了適切的技術手段[17]，進一步推動教育治理主體（政府、企業、市場等）多元協同，教育治理要素（教育資源、教學應用、學習環境等）智能轉型，教育治理層級（國家、區域、學校等）多方聯動。可以說，在人工智能背景下，教育治理將充分融合學習分析與智能技術，實現教育評估自動化、教育決策智能化、教育監管科學化。

進一步講，通過對多主體與多時空數據的采集與記錄，結合智能分析技術即時評估區域、學校、班級教學大數據，并自動生成教學質量實時圖，可以實現精確挖掘教與學過程中現存問題與潛在問題。同時，依托智能教育分析系統，對教學質量實況進行精準分析，結合教育治理的現實需求，智能推薦教學決策內容與方案，教育管理者可以結合實際經驗不斷調整教育決策方案，最終提升管理層的教育治理能力與水平。在此基礎上，教育相關部門依托層層數據的自動評估與智能決策，對區域教育質量與教育動態展開實時監管，可以減輕教師與管理者繁重復雜的數據分析與處理任務，進一步增強教育監管的科學性。教育治理水平的提升還需要不同層級間開放教育數據，也離不開網絡（5G傳輸）、環境（物理環境、虛擬環境、社會環境）與工具（智能分析系統、可視化系統）的支持。

三、智能時代學習分析發展路徑

人工智能時代下，學習分析已成為驅動教育智能化發展的重要力量。本研究從理論基礎、實踐應用、技術保障、推進機制與發展建議五個維度探討學習分析創新路徑，以期驅動智能教育的變革與發展。

（一）探索與尋求核心理論支撐

研究顯示，在教育技術研究中理論缺乏或理論應用模糊的現象較為突出[18]。學習分析研究也存在此現象，即重視對行為數據的統計與分析，忽視了其理論基礎，形成了重分析輕理論的現實局面。為促進學習分析更好地服務于智能教育，未來研究要積極探索與尋求核心理論支撐。一方面，要探索教育研究與數據分析的核心理論，比如可以應用控制—價值理論來指導學習情緒挖掘的相關研究;另一方面，要以教育實踐中生成的數據為基礎，建立以真實問題為導向的科學探索，依據問題—理論—分析的策略，解決智能教育場域中的關鍵科學問題，挖掘學習行為與認知規律，嘗試發展或形成相關理論。更進一步講，人工智能與學習分析的發展雖然離不開數據驅動，但加強核心理論研究也是當前學習分析創新教育發展面臨的重要問題。

（二）建立多方協同合作機制

面向智能教育，學習分析的實踐應用涉及多個方面（硬件、系統、平臺等），需要進行系統性改造升級和優化。學校通過與信息科技企業對接，建立學習分析應用聯盟，從實際需求和現實問題出發，實行“一校一策”，推動學習分析的智能轉型。包括：（1）學校成立由骨干教師組成的合作小組，根據一線教師需求起草建設與改造方案，并聘請高校專家進行指導;（2）為保障智能教育系統的順利轉型，學校與信息科技企業對接，協調推進方案修改與實踐進展，重點關注學習分析所涉及的系統和平臺建設;（3）針對學習分析實踐應用中可能出現的問題，企業應加強教師相關技能的培訓，提升教師應用相關系統和平臺的體驗感;（4）企業成立技術服務團隊，與一線教師保持溝通與聯系，積極應對可能出現的棘手問題和現實需求，為學習分析的深入應用提供保障。

（三）構筑智能教育大平臺

構筑智能教育大平臺是人工智能時代教育發展的必然要求。當然，搭建智能教育大平臺不是建造空中樓閣，而是在原有基礎（如“互聯網+教育”大平臺）上充分利用智能技術，在教育的“學、教、管、評、測、治”等方面發揮積極作用。就核心要素而言，智能教育大平臺應秉承學習工程化理念，建立統一標準的數據倉庫，打通各業務間的數據流，整合各智能教育系統（如智能評測系統、學情分析系統、智能題庫系統、教學管理系統等），加速推進人工智能與教育的深度融合。就核心功能而言，智能教育大平臺需具備教學干預個性化、資源推薦智能化、學習評測自動化、教學管理科學化等基本功能。更進一步講，智能教育大平臺是基于人工智能和學習分析技術的融合，實現對教學過程全時空、多維數據的自動采集，依據學習者綜合特征模型，對學習者的知識水平、認知能力、情感態度、交互信息等方面進行實時監測，在此基礎上實現教學過程的智能化分析、干預及管理。

（四）建立以智能教育為核心的跨學科陣營

智能化時代的學習分析研究已從行為與認知的分析，拓展到對學習者心理和情感的挖掘[19]。因此，亟須建立以智能教育為核心的跨學科研究陣營，推動從跨學科視角探索人類學習規律與認知機制。眾所周知，人類學習是一個極為復雜的過程，涉及腦認知、心理、行為等多個方面，教育神經科學、腦科學、學習科學、信息科學等多學科交叉融合代表了智能教育研究的發展趨勢。在智能教育中，學習分析技術結合教育神經科學等其他方法，架起了大腦（Brain）、心智（Mind）、行為（Behavior）之間的橋梁[20]，為研究者從綜合視角理解學習行為過程提供了支持。更為重要的是，在學科交叉融合過程中應以智能教育為核心，從生理與身體等多個層面挖掘學習者的行為特征。這意味著數據清洗環節不是技術層面的“提純”過程，而是研究設計中的重要關注點，這樣才能獲取行為、認知、情感等方面的綜合特征，方可真正挖掘教育智能化時代的學習新規律。

（五）管控人工智能算法風險

以機器學習為核心的相關算法將是智能教育背景下學習分析常用技術方法。然而，人工智能算法本身存在“黑箱”、偏見、不透明性等安全問題，必然為智能教育大規模發展帶來潛在風險。因此，要積極管控人工智能算法風險，具體包括：（1）設計與開發可透明訪問的算法，讓研究者既可檢視算法內部，也能方便地對其進行編輯，實現算法“黑箱”向“灰箱”轉變;（2）建立可解釋的學習者模型，以模塊化和構件的方式，提高算法分析結果的可解釋性與可操作性;（3）加強人工智能教育應用的算法風險評估，在教育領域中應用相關算法或模型前，對其可能帶來的風險進行評估、審查與監管，及早規避可能帶來的負面影響;（4）出臺人工智能教育應用相關條例，從法律層面預防人工智能算法可能帶來的潛在隱患，并進一步提高研究者的實踐倫理與道德意識。

四、總結與展望

人工智能技術的迅猛發展將人類社會帶入了一個全新的智能時代，未來教育發展具有無限的可能性。在智能教育背景下，學習分析的目標理念、數據范圍與技術方法將依托人工智能實現全新拓展，呈現“理論與應用并重、數據與算法并舉”的態勢，共同推動教育研究的科學化與跨學科發展，進而助推教育的智能化轉型。

人工智能技術為學習分析的創新發展提供了新的契機，也進一步凸顯了學習分析在智能教育中的潛在價值，但也面臨一些突出問題亟待解決：（1）推進學習分析在人機協同環境下的分析模式與技術，努力適應智能時代的發展需求;（2）加快構建智能教育新生態，使數據在學習分析各環節間的流轉更加暢通;（3）探索認知計算、行為計算、情感計算及環境計算等層面的方法，加速推動計算教育學的發展;（4）規范面向機器智能的實踐倫理，進一步保障智能教育中學習分析的實踐應用，助力智能化與個性化教育的實現。

[1]周進，葉俊民.推進機器人教育：背景、定位及可能路徑[J].數字教育，2019，5（3）：15-20.

[2]黃榮懷，陳麗，田陽，等.互聯網教育智能技術的發展方向與研發路徑[J].電化教育研究，2020， 41（1）：10-18.

[3]黃榮懷，周偉，杜靜，等.面向智能教育的三個基本計算問題[J].開放教育研究， 2019， 25（5）：11-22.

[4]田陽，陳鵬，黃榮懷，等.面向混合學習的多模態交互分析機制及優化策略[J].電化教育研究， 2019， 40（9）：67-74.

[5]鐘薇，李若晨，馬曉玲，等.學習分析技術發展趨向：多模態數據環境下的研究與探索[J].中國遠程教育，2018（11）：41-49.

[6]葉俊民，陳曙，郭思培，等.線下學習數據的分析方法研究[J].電化教育研究，2016，37（12）：52-59.

[7]武法提，黃石華，殷寶媛.基于場景感知的學習者建模研究[J].電化教育研究，2019，40（3）：68-74.

[8]KELLY S，OLNEY A M，DONNELLY P，et al.Automatically Measuring? ? Question Authenticity in Real-world Classrooms [J].Educational Re-? ? searcher，2018，47（7）：451-464.

[9]葉俊民，徐松，羅達雄，等.一種中文真詞錯誤檢測與修復方法[J].計算機工程， 2019，45（8）：178-183.

[10]葉俊民，周進，李超.情感計算教育應用的多維透視[J].開放教育研究，2020， 26（6）：77-88.

[11]LUCKIN R，CUKUROVA M.Designing Educational Technologies in the Age of AI：A Learning Sciences-driven Approach [J].British Journal of Educational Technology，2019，50（6）：2824-2838.

[12]劉進.人工智能如何使教育研究走向科學[J].高等工程教育研究，2020（1）：106-117.

[13]劉曉琳，張立國.技術增強型學習環境中的“離心效應”：現象、成因及破解[J].電化教育研究， 2019， 40（12）：44-50.

[14]李新，楊現民.教育數據思維的內涵、構成與培養路徑[J].現代遠程教育研究，2019，31（6）：61-67.

[15]聯合國教科文組織.北京共識：人工智能與教育[EB/OL].（2019-05-18）[2020-12-05].https：//unesdoc.unesco.org/ark：/48223/pf0000368303.

[16]崔銘香，張德彭.論人工智能時代的終身學習意蘊[J].現代遠距離教育，2019（5）：26-33.

[17]侯浩翔，鐘婉娟.人工智能視閾下教育治理的技術功用與困境突破[J].電化教育研究，2019，40（4）：37-43，58.

[18]HEW K F，LAN M，TANG Y，et al.Where Is the“Theory”within the Field of Educational Technology Research？ [J].British Journal of Educa-? ? ?tional Technology，2019，50（3）：956-971.

[19]周進，葉俊民，王志峰，等. 國外情感分析教育應用的進展與啟示[J].現代教育技術，2020，30（12）：5-11.

[20]HOWARD-JONES P，OTT M，LEEUWEN T V，et al.The Potential Relevance of Cognitive Neuroscience for the Development and Use of Technology-enhanced Learning [J].Learning，Media and Technology， 2015，40（2）：131-151.

（責任編輯 孫震華 孫興麗）