人工智能與面向未來的學習分析

德拉甘·加塞維奇 吳志超 盧思旭 孫波 何珺

摘 ? 要：學習分析是指在教學活動中分析教和學活動的過程，是面向未來智能教育跨學科培養人才的關鍵技術。當前，如何通過對學習環境和學習活動數據的收集和分析，為學生提供新的學習機會，引起教育界前所未有的關注。而人工智能的迅速發展和在教育中的廣泛運用，為以學習者為中心的數據分析提供了新的機會和挑戰，也為解決教育教學中的許多棘手問題提供了新的可能。文章回顧了近幾年國際上學習分析研究和應用方面所面臨的挑戰和主要成就;探討未來學習分析發展中，如何從人工智能等相關技術和領域的研究中受益;剖析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;并運用大量的實證研究案例，展示學習分析在自主學習、發展學習策略、解決個人和小組合作學習評價問題中的應用潛力。在此基礎上，文章從數據使用和獲取、模型優化和實施、模型可解釋性、學術研究四個層面，提出未來學習分析的研究建議。

關鍵詞：智能教育;學習分析;機器學習;自主學習;教育評價

中圖分類號：G434 ? ? ? ? 文獻標志碼：A ? ? ? ? 文章編號：1673-8454（2022）03-0005-08

一、引言

學習分析是一個智能計算、大數據與教育教學交叉的研究方向，通過分析與學生學習相關的海量數據，評估學習進程，發現潛在問題，進而了解和優化學習過程及其發生環境。目前，國際學習分析研究主要結合文本分析、過程性數據挖掘、網絡社會分析等方法，然而，這些方法大都基于傳統數據分析和機器學習方法，并不能很好地適用于當前復合型人才培養的學習分析場景。近年來，中國研究者在關注學習分析理論、大數據在教學管理中應用的同時，也開始將目光轉向學習者。例如，華中師范大學構建了以學習分析為中心，學習目標、學習過程、自我評價、同伴評價和反思改進為主體的網絡學習評價模型，并應用于研究生新生數字文獻閱讀，提供學生閱讀評價和反思[1];東北師范大學構建了基于大數據的個性化學習體系框架，并就大數據學習分析技術對個性化學習的意義進行了辯證分析和反思[2]。

隨著人工智能技術的急速發展，基于人工智能的教學活動實踐不斷增多。人工智能與教育的融合發展正改變著教育服務模式和資源配置方式，推動教育系統變革[3]。基于人工智能的學習分析研究，為課堂教學、以學習者為中心的培養方式和綜合型人才培養方式的改革提供了更多依據和途徑。本文從學習分析的發展路徑出發，重點介紹現有學習分析框架和學習分析在課堂應用領域的發展，并進一步提出面向學習分析的智能化方案，為未來教育提供啟示。

二、學習分析的發展

學習分析被《2013地平線報告（高等教育版）》確定為技術增強型學習和教學中最重要的趨勢之一，受到越來越多研究人員的關注[4]。埃利亞斯（Elias）認為，學習分析是通過測量、收集、分析和報告有關學習的數據，了解和分析學習過程并優化學習環境的過程[5]。西門子（Siemens）認為，利用學習分析方法，通過對學習產生的數據建模，可以發現信息之間的聯系，從而對學習過程進行預測和建議[6]。隨著信息化的發展，學習分析與數字教學的聯系越來越緊密。約翰遜（Johnson）等認為，學習分析已經發展成為融合教學研究、計算機科學和統計學的跨學科研究領域[4]。總體來說，學習分析是一個收集學生的學習數據，利用數據分析學習過程，再根據分析結果采取適當措施改善學生的學習體驗，并為優化學習環境提供方案的過程。

學習分析的發展分為以數據驅動為中心和以學習者為中心兩個階段。在大數據出現之前，教育機構就已經開始研究和評估學生的行為。1979年，英國開放大學調查研究部跟蹤上萬名遠程學生的學習狀態，以分析學生的學習過程，耗時將近十年[7]。隨著技術的進步，智能輔導平臺（Intelligent Tutoring System）和在線學習平臺（Online Learning Platform）可以在短期內收集大量數據供研究分析，教育數據挖掘的研究隨即逐漸興起。教育數據挖掘利用決策樹、規則歸納、基于實例的學習、貝葉斯學習、邏輯編程和統計算法等，發現并顯示未知但可能有用的數據模式，從而更好地了解學習者的學習狀態及其學習環境。帕爾默（Palmer）、羅梅羅（Romero）等通過對學習者的反饋、建議、需求進行適應性響應，來提高其學習成績[8-10]。為了幫助教師了解學生的學習過程、反思教學方法和進行學習評價，研究人員設計了不同問題，用于采集學生學習數據，利用數據挖掘技術評估不同環境下的學習效果。近幾年，學習分析在同伴學習、合作學習和自主學習等方面的研究和應用發展迅速，特別是在強調以學習者為中心的合作學習中，任務或問題以小組形式分配給學生共同完成。這種合作方式能提高學生的學業成績、培養學生的批判性思維、激發學生的創新性思維等。有效收集合作學習過程中的各種數據并進行分析和反饋，不但能夠及時掌握和改善學生合作學習中出現的問題，也能夠更準確地評價學生個體在合作學習中的參與情況、群體合作學習的效果，等等。

三、學習分析的應用與挑戰

基于傳統方法的學習分析表現越來越乏力，人工智能等新技術的出現給學習分析注入了新的活力。利用人工智能評價21世紀技能、智適應學習、大規模個性化反饋等應用不斷涌現。然而，人工智能在教育教學中不可避免地面臨著監管、倫理和隱私等問題。

傳統教學評價中，除考試外，過程性評價主要依賴教師或專家的觀察，不僅耗費時間，還帶有強烈的主觀性，從而影響評價的效度。人工智能時代的到來，為21世紀技能評價提供了新的解決方案。基于人工智能的評價類型不再局限于當前的總結性評價，而是拓展到診斷性評價、過程性評價和形成性評價。通過多元化、多功能的評價，及時、精準、全面地發現教育教學活動中存在的問題，促使教育形成超強的自我糾錯和矯正功能。雖然基于21世紀技能的評價還處于初步階段，但目前已經可以看到人工智能在21世紀技能評價中的巨大潛力。

智適應學習運用人工智能技術，通過搜集和處理學生的學習行為數據，全面了解學生的學習能力，預測學生的學習趨勢，并為學生制定最優的學習路徑，進而滿足學生個性化學習的需求，緩解傳統教育模式下難以實現個性化教學和效率低下的困難。在實際應用中，智適應學習系統通過分析學生在線學習數據，對學生的學習過程和狀態進行識別，為學習者創造更加個性化的學習環境。皮爾遜（Pearson）指出，利用基于人工智能的工具可以重現學習者的認知和情感狀態，讓學生參與到積極討論的學習體驗中，促進反思，甚至可以為每個學生創建能夠實現知識和技能互補的學習小組[11]。同時，使用機器學習方法對小組討論的過程及結論進行分析和總結，可以幫助教師及時了解學生是否偏離話題或是否合作失敗等。

需要注意的是，隱私作為最基礎的倫理，意味著對人的精神和人格的尊重[12]。單純基于學習過程數據的分析結果，很容易給學生貼上固化標簽，而忽視學生的綜合發展及其心理、生理上的變化，存在很大的潛在風險，從而陷入倫理困擾。因此，基于人工智能的學習分析尤其要謹慎，確保數據挖掘的科學性和規范性。

四、人工智能在學習分析中的潛力

在過去的十幾年里，機器學習和深度學習的廣泛運用，展示了大數據在學習分析中的巨大潛力，同時也帶來了新的機會和挑戰。本文基于莫納什大學信息技術學院學習分析研究團隊（以下簡稱“研究團隊”）的成果，從學習分析框架的數據、模型和應用三個方面進行分析。該框架不僅可以用于各種教育教學組織機構，加強參與學習分析各方人員之間的溝通，還能幫助領導者掌握決策制定中相關依據和關鍵信息的分析方法。

（一）數據質量

學習分析中，數據是教學活動中教和學過程客觀事件的記錄。獲取數據的目的是了解教學過程中發生了什么，從而為干預行動提供足夠的依據。現有的數據分析技術能在數據驅動下給出更加“人性化”“智能化”的結果，但這種情況大多還停留在理想的“學術研究”層面，實際應用中更依賴于數據的質量。

教育領域中，有效的學習設計對獲取高質量的數據至關重要[13]。適當的學習設計可以獲得學生描述或解釋某些類型技能的過程數據。利用如圖1所示的工具，可以收集和整合學生在真實學習環境中，關于自我認知和自我效能感的學習報告與感知數據[14]，通過適當的學習設計、選擇合適的學習活動評價指標和學習數據的測量指標，輔以眼動儀、網絡攝像頭等傳感設備，可以在獲得傳統日志數據、學生點擊流等信息的同時，獲取學生的行為數據、有效學習行為狀態，最終得到高質量的多模態學習過程數據[15]。

（二）問題驅動的模型和算法

學習分析關注學生的學習過程，模型和算法應該被教育中的真實問題驅動而不是簡單的學生數據，需要教育理論的支撐。同時，模型參數、形式和應用方式的選擇也必須考慮教學環境，才能獲得預期效果，幫助學生提升學業成績。

1.模型需要以教育理論作支撐

學習分析要通過教育研究和實踐產生結果[16]。缺乏理論指導的學習分析是失敗的，沒有充分考慮背景因素的分析結果也是不可行的[17]，教學工具的開發需要多學科人員共同參與。有扎實理論基礎的教育實踐研究者與技術人員攜手，才能開發出有實踐應用價值的學習分析模型。為此，技術研究者需要同時關注模型的教育學意義，有必要依據教育學理論進行詳盡的學習設計，獲得必需的學生學習數據，進而在得到有效的學習分析模型后，對學習過程進行評價，幫助教師了解課堂上每個學生的學習狀態[13]。

2.教學環境影響模型的性能

教學環境是影響學習分析模型設計的又一重要因素，其中兩個重要環節是教學設計和學習模式。研究團隊通過教學設計，促使大學一年級9門課程的學生不同程度地使用了學習管理系統（Learning Management System， LMS），并對連續5年的教學數據進行了分析[18]。研究發現：數據差異不僅可以反映學科和課程要求的不同，還體現出不同教學環境中，教學設計意圖和學習模式的差異;同時，使用LMS能在一定程度上幫助學生提高成績。研究人員在實驗中采用了兩個邏輯回歸模型對結果進行預測：僅包含學生特征的廣義預測模型（模型一）和增加了課程相關溯源特征的課程預測模型。雖然機器學習模型已經可以很好地表達數據、分析數據的內在聯系，但上述兩個模型在學生學業水平預測能力上仍存在差異，加入課程特征模型取得了更好的預測效果。可見，在實際應用中，必須考慮技術模型在特定教學環境中的不同應用方式，缺乏對教學環境的關注和評估，會降低模型預測值的精度和有效性。因此，在沒有開發出通用人工智能模型之前，利用某特定教學環境開發的模型不能直接遷移到其他教學環境，而需要重新進行模型訓練以適應新的教學環境。

3.模型評估學習策略

教學設計包含不同的學習活動，會引發學生多樣化的學習策略，而學生的個性化反饋有利于其學習策略的優化。學習策略與學生學業成績密切相關，是學習設計和學習分析中的關鍵環節，也是人工智能模型在學習分析領域應用的一個重要方向。

學習策略取決于學習場景、學習內容和學生直覺，可以理解為學習方法，分為表層、深層和戰略性學習方法三類[19]。采用表層學習方法的學生通常具有高選擇性和低參與度，他們更加重視評估而缺少對內容的理解，更傾向于走捷徑來減少學習時間;深層學習方法被認為是最可取的學習方法，采用這種方法的學習者具有高參與性，并通常有使用多樣化學習策略的趨勢;戰略性學習方法結合了表層和深層學習方法，采用該方法的學生通常具有高參與性和高選擇性，他們更加注重效率和時間管理。

為了使學習策略研究更深入，研究團隊對一系列課程開展比較實驗，設計多樣不同的學習活動。一組研究人員分別收集了澳大利亞和智利兩所大學一年級學生在“計算機工程”“生物學概論”“Python語言”課堂上的數據;利用帶時間戳的過程挖掘模型，結合學習事件間的聯系，檢測學習策略的內容和使用次數，然后用EM聚類算法對學習序列聚類，以保留有效的學習策略。分析發現：當不同課程提供不同形式的學習機會時，學生的學習策略、關注重點和投入時間都有所不同[20]。例如，在“生物學概論”課堂中，學生更多采用閱讀導向、實驗導向的學習策略，學習時間較短;而在“Python語言”和“計算機工程”課堂上，學生則更多選擇練習、講座導向的學習策略，并投入更多的練習時間。

為了解學習設計在學習分析和教育中的重要作用，研究團隊提出一種綜合聚類分析、過程挖掘分析和認知網絡分析的學習分析方法[21]，并應用到中國慕課網上為職前和在職教師提供的課程中。課程包括教學經驗分享、視頻觀看、文章閱讀、測驗和作業單元，以及最后的課程評估單元等。研究人員分析了學習策略、學習單元和學習評估方法之間的關系，結果表明：針對不同的學習單元，學習者傾向于采用不同的學習策略。

（三）應用機制

模型分析數據結果如何更好地應用于實踐，一直困擾著研究人員。常見的實踐應用是創建學習分析工具，如學習分析數據面板（Learning Analytics Dashboards， LAD）、自動反饋（Automatic Feedback）等，幫助使用者利用分析結果，優化學生的學習策略和教師的課程設計，并改善教學的學習環境。此外，政策因素也極大地影響模型的應用。

1.分析工具影響應用的發展

（1）數據面板對教育模型應用的影響

當前，高等教育機構對學習分析數據面板工具表現出了極大的興趣，這些數據面板通常是由學習系統管理供應商或教育機構開發，為學生提供相關的評級和反思，并為學生的學習體驗和質量提供干預措施。2017年，斯坦福大學將學習分析的結果以數據面板形式呈現[22]。數據面板的內容包括學生每門課程的成績分布，學生自我報告的學習策略和學習時間等，如圖2所示。基于該面板隨機設置對照試驗，將學生分為兩組。對于第一組學生，研究人員告知其可以隨時訪問數據面板，了解自己的學習狀態;另一組學生則只是被告知數據面板的存在，并不提供訪問功能。最后對學生的課程平均學分績點（Grade Point Average， GPA）進行統計。結果顯示：在研究人員告知下使用數據面板對學生的成績產生了負面影響。

顯然，實驗結果對分析工具如何應用于教育場景提出了挑戰。通過對以學習分析數據面板作為工具的學習過程進行研究發現，以用戶為中心的工具設計是解決上述負面影響的方法之一[23]。研究設計了在虛擬城市規劃公司扮演實習生的案例，驗證了以用戶為中心的學習分析系統，作為工具在教師識別學生對城市規劃認知框架上有促進作用。該案例的實習生主要來自5所高中的12組學生，允許教師使用數據面板（過程選項卡）來監測學生群組聊天討論。過程選項卡（如圖3所示）以模擬實習生的群組聊天討論日志數據為基礎，利用自然語言處理（Natural Language Processing， NLP）技術搭建，最后以數據面板的形式展示城市規劃知識節點的網絡結構。圖3中虛線表示認知上的強聯系。

（2）反饋在教育模型應用中的潛力

反饋是幫助學生發現差距和評估學習進展的關鍵因素。在線課程中，反饋變得更加重要，因為它是教師與學生直接互動的資源之一。通過反饋，學生可以及時知道自己知識和技能不充足的部分。當前，自動反饋機制有如下特點[24]：①自動反饋可以提高學生在許多不同類型活動中的表現。②沒有證據表明自動反饋可以減輕教師的工作量。③沒有證據表明人工反饋比自動反饋更有效。④自動反饋提供的主要方法依賴于與程序預設的目標進行比較。

可以發現：第一，當前研究的不足之處在于理論和應用斷層，自動反饋并未被很好地應用于實際系統，且片面關注學生，忽視了教師在反饋實踐中的作用。由此，研究提出應該為教師開發一些實用工具，要求教師參與到對學生反饋的改進中來。第二，當前的許多研究都旨在提供自動反饋，很少有研究分析反饋質量，可以考慮借助機器學習強大的推理能力來解決這一問題。第三，當前還沒有普遍適用的反饋機制，借助自然語言生成（Natural Language Generation， NLG）技術來產生自動反饋有望提供更有針對性的反饋意見。

2.政策因素影響應用的實施

此外，政策因素也同樣影響著模型的應用過程，需要制定學習分析的規范和策略[13]。在世界各地的高等教育機構中，學習分析呈現出不斷增長的發展趨勢。SHEILA 準則[25]是制定學習分析規范和策略的通用方法，其需要綜合考慮6個方面的問題：隱私和透明度、角色和責任（利益相關者）、學習分析的目標（學習者和教師的支持）、風險和挑戰、數據管理和研究成果、數據分析。該準則考慮了環境因素和利益相關者參與的重要性，并建立了有效的領導機制推動模型。學習分析系統付諸實踐必須解決技術到應用的過渡問題。例如，當系統在實際應用中出現爭議時，領導人員要進行斡旋協調，并設立權威機構，制定可行的解決方案。如前文所述，學習分析模型的基礎是可靠且安全的數據。因此，技術付諸實踐應用之前，相關機構首先要定義數據的嚴格隱私保護和分析使用規則，解決與隱私和道德相關的問題，從而開發符合應用需求的學習分析工具。獲得更全面的學生學習狀態反饋，優化學習內容和學習環境，提供個性化教學，有助于形成教和學的正向循環。同時，以數據為依據的教育機構在制定決策過程中還須認識到數據和智能分析的局限性，做到揚長避短。

五、面向未來的學習分析

回顧學習分析近40年的發展軌跡，盡管其最早用于解決高等教育遇到的困難[7]，但隨著大數據和人工智能的發展，學習分析已經發展成一個相對寬泛、跨學科的復雜領域。事實上，學習分析在各個學科領域的應用和潛能正在蓬勃呈現，并隨著技術的不斷成熟，對于教學質量和學生成績的提升作用更加顯著，并有望不斷穩步推進教育改革的進步。結合學習分析領域的研究現狀，本文提出面向未來學習分析的幾個研究方向。

第一，數據使用和獲取層面。制定嚴格的隱私保護規范和學習分析數據使用行為準則，并在實施中嚴格遵守。進一步地，如何在學習分析中采用人工智能技術將成為技術研究的重點和熱點。值得注意的是，作為人工智能技術的基礎，數據質量將很大程度影響技術的可靠性和效能。因此，如何綜合教育學理論和人工智能技術，提高數據質量，利用數據幫助我們理解和優化人類學習行為也是一個值得研究的問題。

第二，模型優化和實施層面。技術人員和教育工作者需要攜手提高學習分析模型質量，在實際應用系統中發揮各自作用。教師需要設計高質量的課程來獲取教學數據;技術人員則根據高質量數據和先進模型不斷優化系統。另外，模型和系統的部署和實施過程要落實到具體單位和人員，需要包括技術、教育實踐多方人士的共同參與。其中，教育實踐人員不僅包括教師、學生、記錄代表、安全和實踐保護員，更需要機構道德審查委員會以及決策層的深度參與。

第三，模型可解釋性層面。人工智能模型和學習分析的研究及應用取得了很多進展，但目前對人工智能模型作用原理的分析和解釋十分有限，而一個可以從教育學和應用層面予以分析和解釋的算法或模型，對教師或學校將更具實用價值。因此，開發出基于教育的可解釋模型算法是該領域最前沿的研究方向之一。

第四，學術研究層面。鑒于人工智能方法的研究大都基于單一任務，得到的學習分析模型對教學環境變化尤其敏感，因此，研究通用的人工智能學習分析模型對學術研究人員仍然是一項很有挑戰性的任務。

參考文獻：

[1]毛剛，劉清堂.融入學習分析的網絡學習評價模型與應用研究[J].遠程教育雜志，2016，34（6）：20-27.

[2]楊雪，姜強，趙蔚.大數據學習分析支持個性化學習研究——技術回歸教育本質[J].現代遠距離教育，2016（4）：71-78.

[3]張海生.人工智能與教育深度融合發展：邏輯、困境與策略[J].當代教育論壇，2021（2）：57-65.

[4]JOHNSON L， ADAMS S. Technology outlook for Australian tertiary education 2013-2018： an NMC horizon project regional analysis[R]. New Media Consortium， 2013.

[5]ELIAS T. Learning Analytics： definitions， processes and potential[EB/OL].（2011-01-20）[2022-03-01]. http：// citeseerx.ist.psu.edu/viewdoc/download;jsessionid=C017BEEF 67F6E53675F526 D5FB09F29E？doi=10.1.1.456.7092&rep=rep1 &type=pdf.

[6]SIEMENS G. What are learning analytics[EB/OL]. （2016-02-10）[2022-03-01]. http：//www.elearnspace.org/blog/ 2010/08/25/what- are-learning-analytics/.

[7]MCLNTOSH N E. Barriers to implementing research in higher education[J]. Studies in Higher Education， 1979，4（1）：77-86.

[8]ROMERO C， VENTURA S. Educational data mining： a survey from 1995 to 2005[J]. Expert Systems with Applications， 2007，33（1）：135-146.

[9]PALMER S. Modelling engineering student academic performance using academic analytics[J]. International Journal of Engineering Education， 2013，29（1）：132-138.

[10]ROMERO C， VENTURA S. Data mining in education[J]. Wiley Interdisciplinary Reviews： Data Mining and Knowledge Discovery， 2013，3（1）：12-27.

[11]PEARSON. Decoding adaptive report[EB/OL].（2016- 10-23）[2022-03-01]. https：//www.pearson.com/content/dam/one --dot-com/one-dot-com/uk/documents/educator/primary/ Pearson-Decoding-Adaptive-Report.pdf.

[12]劉珊.大數據時代下隱私問題的倫理思考[J].牡丹江教育學院學報，2014（7）：115-116.

[13]GASEVIC D， TSAI Y S， Dawson S， et al. How do we start？ an approach to learning analytics adoption in higher education[J]. International Journal of Information and Learning Technology， 2019，36（4）：342-353.

[14]JOVANOVIC J， GAEVIC D， Pardo A， et al. Introducing meaning to clicks： towards traced-measures of self-efficacy and cognitive load[C]// the 9th International Conference， 2019：511-520.

[15]AZEVEDO R， GASEVIC D. Analyzing multimodal multichannel data about self-regulated learning with advanced learning technologies： lssues and challenges[J]. Computers in Human Behavior， 2019，96（7）：207-210.

[16]BROOKS C， THOMPSON C. Predictive modelling in teaching and learning[M]. Beaumont： Handbook of Learning Analytics， Society for Learning Analytics Research， 2017：61-68.

[17]BEHESHITHA S S， HATALA M， GASEVIC D. et al. The role of achievement goal orientations when studying effect of learning analytics visualizations[C]// Proceedings of the Sixth International Conference on Learning Analytics & Knowledge， 2016：54-63.

[18]GASEVIC D， DAWSON S， ROGERS T， et al. Learning analytics should not promote one size fits all： the effects of instructional conditions in predicting academic success[J]. The Internet and Higher Education， 2016（28）：68-84.

[19]BIGGS J B. Student approaches to learning and studying. Study process questionnaire manual： study process questionaire manual： catalogue No 500fk[J]. Australian Council Educational Research， 1987（6）：11-23.

[20]MATCHA W， GASEVIC D， UZIR N A， et al. Analytics of learning strategies： role of course design and delivery modality[J]. Journal of Learning Analytics， 2020，7（2）：45-71.

[21]FAN Y， SAINT J， SINGH S， et al. A learning analytic approach to unveiling self-regulatory processes in learning tactics[C]// LAK21： 11th International learning analytics and knowledge conference， 2021：184-195.

[22]CHATURAPRUEK S， DEE T， JOHARI R， et al. How a data-driven course planning tool affects college students’ GPA： evidence from two field experiments[J]. Social Science Electronic Publishing， 2018（4）：1-10.

[23]MARTINEZ-MALDONADO R， GASEVIC D， ECHEVERRIA V， et al. What do you mean by collaboration analytics？ a conceptual model[J]. Journal of Learning Analytics， 2021，8（1）：126-153.

[24]CAVALCANTI A P， DIEGO A， MELLO R F， et al. How good is my feedback？ a content analysis of written feedback[C]// In Proceedings of the Tenth International Conference on Learning Analytics & Knowledge， 2020：428-437.

[25]TSAI Y S， SCHEFFEL M， GASEVIC D. SHEILA policy framework supporting higher education to integrate learning analytics[C]// The 8th International Learning Analytics and Knowledge （LAK） Conference， 2017：28-36.

作者簡介：

德拉甘·加塞維奇（Dragan Ga?evi[c][']），澳大利亞莫納什大學信息技術學院學習分析學教授、學習分析中心主任;

吳志超，北京師范大學人工智能學院博士研究生，共同第一作者、同等貢獻者;

盧思旭，北京師范大學人工智能學院;

孫波，北京師范大學珠海校區副教務長、未來教育學院副院長、人工智能與未來網絡研究院教授;

何珺，北京師范大學人工智能學院副教授，通訊作者，郵箱：hejun@bnu.edu.cn。

Artificial Intelligence and Learning Analytics for the Future

Dragan Ga?evi[c][']1，2?， Zhichao WU1?， Sixu LU1， Bo SUN1，3， Jun HE1，3*

（1.School of Artificial Intelligence， Beijing Normal University， Beijing 100088;

2.Faculty of Information Technology， Monash University， Melbourne VIC 3145， AUS;

3.College of Education for the Future， Beijing Normal University， Zhuhai Guangdong 519087）

Abstract： Learning analytics is the process of analyzing teaching and learning activities. It is a key technology of interdisciplinary talent training for future intelligent education. Recently， data collection， analysis of learning environments and learning activities have attracted enormous attention in the educational field. The rapid development of artificial intelligence technology and its wide application in the educational field have provided opportunities for learning-centered data analysis， and it provides a new way to solve many thorny problems in education. This paper reviews the challenges and achievements of learning analytics in recent years; also it discusses how the future development of learning analytics can benefit from artificial intelligence; analyzing the key issues of the learning analytics framework in data collection， modeling and transformation. Finally， a number of empirical cases are used to demonstrate the application and potential of learning analytics in self-regulated learning， learning strategies， solving learning problems between individual and cooperative. Furthermore， the paper suggests four areas of research for future learning analytics， namely： data use and acquisition， model optimization and implementation， model explainability， and academic research.

Keywords： Intelligent education; Learning analytics; Machine learning; Self-regulated learning; Educational evaluation

編輯：王曉明 ? 校對：李曉萍

基金項目：2022年國家自然基金面上項目“基于弱監督和圖網絡的課堂交互結構化建模與視頻描述方法研究”（編號：62177006）;2021年國家自然基金面上項目“基于時空深度神經網絡的課堂師生交互情感識別與視頻描述方法研究”（編號：62077009）;2022年廣東省自然科學基金面上項目“基于多模態融合深度神經網絡的啟發式教學自動評價方法研究”（編號：2214050002868）;2021年珠海科技計劃項目“人工智能教育關鍵技術研究與示范”（編號：ZH22036201210161PWC）;2021年國家外專項目“人工智能和未來教育前沿問題研究與教學改革探索”（編號：G2021111027L）。