智能環境下以學習者為中心的學習分析：潛力和挑戰

袁莉

與傳統的教育數據挖掘（Data Mining）和學術分析（Academic Analytics）不同，學習分析（Learning Analytics）將教育數據的分析應用，從教育管理決策和學術評估轉向教學過程中對學生學習的反饋和干預，即為教師改進課程、教學設計以及學生改善學習策略、路徑提供可視化、可操作的分析和建議。近年來，以學習者為中心的教育理念要求學校和教師從新視角、新模式出發，以激發學生的學習興趣、學習投入和學習收獲為目標，建立一個有利于學生未來發展的教育教學評價體系。而學習分析作為可以通過記錄、分析學生的學習環境和學習軌跡，來發現學習規律，預測學習結果，進而了解學生學習策略和促進有效學習的技術和方法，受到前所未有的關注和重視。

不同教學模式決定學習分析技術和方法的應用也有所不同，其目的是通過自動反饋提高學習者在教學活動中的表現，為學習者提供更多的學習機會。例如，學習者可以根據學習分析的反饋，即時調整、改進自主學習的進度和策略;還可以記錄合作學習過程中小組成員互動的情況，解決個體參與度與集體成果的關系等合作學習評價中的“黑箱”問題。

教育研究發現，在所有的教學場景下，學習策略和方法的采用與學生的個性一致，學習策略也與學生的學習成績息息相關。因此，在學習分析過程中強調學生的個體差異是關鍵。在學習過程的早期，學習分析基于跟蹤數據的預測模型，收集到的學生初始能力信息往往非常有限，很難為個別學生生成準確的預測和個性化的反饋。此外，在沒有適當考慮學生學習策略和個性特征的情況下，從軌跡追蹤和行為數據生成的反饋，可能會對反饋和干預的有效性和精確度有很大的影響。所以，我們的注意力和關注點應該是如何提高教師運用學習分析進行教學反饋和開展發展性評價的素養。

學習分析的根本是以解決教學中的問題為導向，而非單純的數據驅動。設計以教師和學生為中心的學習分析工具，需要強調學習設計和學習科學的結合。在學習分析工具的研發和應用中，不但要考慮技術應用的多樣化，還要關注教學場景的復雜性，這樣才能避免評估和處理學習分析中的誤差和偏見。許多前期的研究證明，學習分析的數據面板如果僅僅展示那些容易被可視化的數據分析，不僅無法促進學習，還可能產生反作用。因此，應該放棄先入為主的設計決策，以真正的教育問題和難點為導向，對數據進行收集和分析，提供可供參考和實踐的方案。另外，為使學習分析能夠有效地支持教學活動，在其設計、數據收集和分析的過程中，需要考慮一系列人為因素，特別是教師與學生的內在特性和驅動力，包括為什么收集這些數據以及如何通過分析進行反饋等。我們需要不斷提高教師和學生參與學習分析的設計、解釋及應用等各個環節的機會。

人工智能為我們解決教育中的許多相關問題帶來了希望，也為學習分析提供了前所未有的機會和潛力。例如，人工智能提供了新的收集和分析數據的方法，可以多模態、多維度地對學生及其所在學習環境的數據進行收集和分析。此外，為更好地解釋學習過程和機制，評價有效的學習設計和學習者學習的具體畫像時，也可以有效地運用人工智能提升反饋質量和自動檢測反饋屬性。但是，目前學習分析中對深度機器學習價值的利用還非常有限;同時，在學習分析中也需要加強人工智能在教育場景中運用的可解釋性。智能技術環境下，傳感器和可穿戴跟蹤器等數據收集和分析方法正在迅速發展，以前所未有的規模實時收集和處理各種數據。一方面，使用傳感器可以捕獲學習過程的可觀察事件，如學習者的行為和學習環境，采用人工智能進行自動分析和反饋，檢驗對學習策略、時間管理和自我調節的影響，并衡量其反饋的效果。然而，學習過程也包含潛在的屬性，如學習者的認知或情感等內在屬性是傳感器無法觀察到的，需要人的參與，從而做出更全面的分析，并得出合理的解釋。另一方面，人工智能并不能解決數據質量問題，因此需要好的教學設計。將先進的教學理論、學習分析方法和人工智能有機結合，才是實現以學習者為中心教育目標的關鍵。

本期專欄文章《人工智能與面向未來的學習分析》（Artificial Intelligence and Learning Analytics for the Future）中，澳大利亞莫納什大學的德拉甘·加塞維奇（Dragan Ga?evi['][c]）教授回顧了近幾年國際學習分析研究及應用方面所面臨的挑戰和主要成就，探討在未來學習分析的發展中，應該如何從人工智能等相關技術和領域的研究中受益。該文剖析了學習分析框架中數據收集、模型建立及實踐應用中的關鍵問題，并運用大量實證研究案例展示學習分析在促進自主學習、合作學習，以及外語教學中的應用潛力和面臨的挑戰。