生成式人工智能賦能學習分析：價值內涵、實踐框架及發展路向

[摘" "要] 生成式人工智能正在教育領域嶄露頭角，其在數據處理、分析和生成方面的出色表現，為解決學習分析面臨的利益相關者素養不足、技術可信性不強等問題提供了重要機遇，對深化教育評價改革意義深遠。然而，關于生成式人工智能賦能學習分析的價值內涵、實踐框架及發展路向尚不清晰。因此，研究首先從“術用”與“器用”的雙重角度剖析生成式人工智能賦能學習分析的價值內涵。其次，從確立目標、數據采集、數據處理與分析、智慧應用四個主要方面構建并闡釋了生成式人工智能賦能學習分析的實踐框架，以為學習分析實踐提供參考。最后，立足于生成式人工智能賦能學習分析的現狀，研究認為未來應該關注智能素養培育，以轉向人智協同的學習分析范式；注重多種技術兼容，以促進分析變革培養的創新發展；重視分析倫理規范，以推動可信學習分析生態的構建。

[關鍵詞] 生成式人工智能； 學習分析； 價值內涵； 實踐框架； 發展路向

[中圖分類號] G434" " " " " " [文獻標志碼] A

[作者簡介] 葉俊民（1965—），男，湖北武漢人。教授， 博士， 主要從事軟件工程、學習分析與挖掘技術研究。E-mail：jmye@mail.ccnu.edu.cn。

一、引" "言

學習分析（Learning Analytics， LA）作為感知教育情況、提升教育質量和優化教育決策的關鍵手段，通過深度挖掘和精準分析教育數據，成為推動教育數字化轉型的核心動力[1]。然而，傳統的學習分析技術往往面臨著高成本、低效率的挑戰。盡管基于人工智能的學習分析技術在一定程度上緩解了這些問題，但受限于使用人員的能力和人工智能技術的可解釋性，它仍難以全面支持對復雜學習過程和結果的深入理解[2]。生成式人工智能（Generative Artificial Intelligence，GenAI）作為一種以生產和創新為主的人工智能新技術，具有數據處理、分析和生成方面的優勢，為學習分析領域提供了新視角[3]。如何利用GenAI對多元教育環境產生的數據進行分析和評價，成為當前教育研究者關注的熱點問題。例如，學習分析與知識國際會議（Learning Analytics and Knowledge Conference， LAK）作為該領域頗具有影響力的會議，其在2024年的會議主題為“人工智能時代的學習分析”，并且會議重點關注了GenAI推進學習分析中的數據分析和應用等方面的最新研究進展[4-11]。然而，目前關于GenAI賦能學習分析的價值內涵仍然缺乏深入探索，并且如何有效利用GenAI開展學習分析也未形成成熟的實踐框架，關于其發展路向也尚不清晰。基于此，本文從GenAI的教育價值和當前學習分析面臨的主要問題出發，從“術用”與“器用”的角度深入分析GenAI賦能學習分析的價值內涵，構建GenAI賦能學習分析的實踐框架，并探討其發展路向，以期為學習分析實踐提供參考和借鑒，共同推進GenAI促進學習分析領域的研究發展。

二、學習分析實踐的現實挑戰

學習分析是對學習者及其環境的數據進行測量、收集、分析與報告，旨在理解和優化學習及其環境[12]。隨著技術的日趨成熟，學習分析從描述分析逐步發展到診斷分析、預測分析乃至決策分析，并始終堅持 “以人為本”的核心理念[13]。然而，學習分析實踐仍面臨著挑戰。一方面，利益相關者的數據素養問題日益凸顯。數據素養涉及捕獲、處理、索引、存儲、分析及可視化數據的能力，以及基于數據作出合理教學決策的能力[14]。教育環境復雜化和數據量激增，要求利益相關者需要具備扎實的數據分析技能和教育教學理論知識，以應對不同學習活動和過程產生的數據[15]。同時，深度學習等人工智能技術的引入，提高了學習分析工具和方法的技術門檻和成本，對非數據科學背景人士構成嚴峻挑戰[11]。此外，許多利益相關者缺乏解釋分析結果的能力，難以作出合理決策，可能濫用或曲解數據以符合個人利益或偏見，甚至導致錯誤的分析結論[16]。另一方面，學習分析技術的可信性問題普遍存在。學習分析技術可信性是其穩健可靠的關鍵，但實踐中受多種因素影響[1]。第一，數據收集過程中數據量不足和潛在誤差問題可能導致分析結果普適性和準確性低[17]。第二，分析方法或模型透明度低、解釋性差，使利益相關者難以信任模型決策，導致學習干預設計不足、分析結果反饋不落地[18]。第三，大部分學習分析模型在評估高階思維能力方面仍顯得捉襟見肘，進一步加劇技術可信性問題[19]。

三、生成式人工智能賦能學習分析的價值內涵

在GenAI賦能教育教學和學習分析發展的雙向需求驅動下，為了深入剖析GenAI賦能學習分析的價值內涵，本文借鑒 “術”與“器”的中國傳統哲學思想，將機器智能與人類智慧進行有機融合。其中，“術”是指形式、方式、技術層面的操作方法，“器”是指有形的物質或工具[20]。在這一哲學觀照之下，本文深入分析GenAI作為學習分析“器”的特性和優勢及其在學習分析過程中作為“術”的應用價值，從而更精準地把握其對學習分析的賦能作用。

（一）“術用”及其價值：促進利益相關者的智慧增長

GenAI賦能學習分析的“術用”價值，體現為它能幫助利益相關者優化學習分析思路、輔助學習分析過程、提升學習分析素養。GenAI擁有出色的深層次語言理解和生成能力，能夠精準地把握利益相關者的需求和意圖，可以根據利益相關者的訴求生成或優化分析指標、思路、步驟及方案，并以易于理解的方式呈現給利益相關者，這使得學習分析變得更加清晰、高效，不再受限于利益相關者的素養水平[21]。此外，在學習分析過程中，利益相關者可以全天候地與GenAI進行多元交互、有機協同，利用它們解答學習分析過程中的難題，養成智能時代的學習分析習慣和思維模式。更為重要的是，利益相關者可以通過GenAI進行持續學習，以促進學習分析技能和復雜問題解決能力的增長，并提升智能時代的學習分析素養[22]。

（二）“器用”及其價值：提高學習分析技術的可信性

GenAI賦能學習分析的“器用”價值，著重體現為其作為高效的學習分析工具能夠改進數據預處理工作、自動化數據分析任務、增強分析結果解釋性，極大地提高了學習分析技術的可信性。首先，憑借豐富的參數和訓練數據，GenAI能捕捉數據復雜模式，靈活進行數據清洗、轉錄及增強等任務，為解決學習分析數據不足、難以利用等問題提供新思路。其次，友好的用戶交互界面和提示模型輸出，使利益相關者能通過自然語言輕松驅動自動化分析任務，并通過人類反饋強化學習機制不斷優化分析結果[23]。再次，GenAI的解釋力幫助利益相關者理解分析結果的深層意義和價值，有望打開學習過程的“黑箱”，使分析結果更加可信。最后，GenAI的數據洞察能力有利于破除高階思維能力評價的難點[24]。

四、生成式人工智能賦能學習分析的實踐框架

學習分析包含分析目標、數據類型、分析方法及利益相關者等核心要素[25]，主要涉及數據收集、信息處理、知識應用三個關鍵環節[26]。基于此，本文在“以人為本”的思想引領下，結合GenAI賦能學習分析的“術用”與“器用”價值，構建了包含確立目標、數據采集、數據分析與處理、智慧應用四個主要環節的實踐框架，如圖1所示。

（一）確立目標

確立目標是根據不同利益相關者具體的學習分析需求，明確其所需的數據及生成式人工智能的應用方式，是學習分析的起點。具體而言，學習者的目標在于感知自身和同伴的當前學習進度、知識點掌握情況以及存在的學習問題。GenAI需要幫助他們直接分析和解析學習數據（如測試內容等），并反饋學習情況、推薦學習內容，從而及時幫助他們調整學習策略，提高學習效率。教師作為教學引導者，目標在于掌握學習動態、預測教學效果[27]。他們需要借助GenAI深度分析和解析教學數據（如知識測試、自我報告、交互文本等），從而調整教學策略、實施教學干預。管理者的目標在于評估教學效果、監測教學質量，他們需要利用GenAI和高級的數據分析方法分析教育教學狀況數據（如知識測試、課程評價、資源使用情況等），以全面監測教學狀況，制定改進策略與政策，推動教育教學工作的持續改進[28]。研究者則致力于發現和解決教育問題，揭示教育現象背后的規律和本質[29]。他們具有較高的數據科學素養，能夠結合GenAI和不同的分析方法綜合分析多維教育數據，促進教育理論的創新發展。

（二）數據采集

數據采集是指收集、整合和記錄各種數據來源的過程，是支持后續數據處理、分析、應用的基礎工作。在多元教育環境中，學習數據的來源廣泛，類型多樣，特別是隨著多模態學習分析技術的發展，能夠采集大量反映學習者真實學習狀態、學習過程的數據。根據《學習分析手冊》[30]及現有研究的梳理[31]，學習分析的數據通常涉及文本數據、調查數據、行為數據、生理數據。其中，文本數據可以通過收集會話內容、人工制品、訪談、錄音等方式采集；調查數據可以通過量表、文件、學習檔案袋等方式收集，如知識測試、自我報告等；行為數據可以通過行為日志、視頻錄制、出聲思維等方式采集；生理數據可以通過攝像機、傳感器、手環、腦電儀等設備采集。GenAI不僅可以為利益相關者采集數據提供指導和建議，還與他們共同成為多元學習環境中的數據生產者。按照不同的功能和應用范圍，GenAI可以分為通用模型（如ChatGPT、文心一言）、領域模型（如EduChat）和集成應用（如BingChat）。在嵌入GenAI的教育環境中，學習者與GenAI的交互過程數據也是探索生成式人工智能作用機制、理解學習過程的主要依據，包括交互行為、頻率、內容、時間等數據[32]。

（三）數據處理與分析

數據采集與分析是對上一階段采集到的數據進行一系列的處理和分析，以提取有效信息，發現學習模式和教育規律。在實踐框架中，“術用”模塊側重于GenAI幫助利益相關者進行數據分析的技術應用和策略選擇，而“器用”模塊則更強調利益相關者將GenAI作為數據分析工具。這兩個模塊相互關聯、協同配合，共同支撐起數據處理、數據分析和評估解釋。

1. 數據處理階段

在處理視頻、腦電等特殊的數據類型時，GenAI可以作為“術用”，提供精準的指導和建議，彌補利益相關者專業知識欠妥的問題。憑借強大的意圖理解能力和內容生成能力，它能夠準確把握利益相關者的需求，進而在數據預處理、數據轉錄、數據表征等關鍵環節中提供細致入微的指引，甚至可以直接幫助利益相關者編寫執行特定數據處理任務的代碼，提升數據處理效率。在處理文本數據、調查數據等GenAI擅長的數據時，它可以作為“器用”展現自動化處理優勢，能夠高效完成數據轉錄、清洗、增強、表征等任務。在數據轉錄方面，憑借其多模態分析能力，它能夠處理、理解和生成圖像、語音、文本等多種數據，豐富學習分析數據源。在數據清洗方面，它能夠自動處理異常值、缺失值，轉化非結構化數據，提取關鍵特征，提升數據質量和分析準確性。此外，它還可以增強、合成數據，或者模擬教育情境產生數據，能夠有效解決教育領域數據集少、獲取困難的問題，并降低倫理和隱私風險[6]。在數據表征方面，它能夠完成數據規模較大、人工處理無法實現的數據標注、信息捕捉等工作[10]。

2. 數據分析階段

在需要運用特定的分析工具深度分析數據時，GenAI可以發揮“術用”價值。它可以根據數據特性和利益相關者需求，推薦恰當的分析方法和工具，并提供這些方法和工具的基本原理、使用步驟及應用場景的深入講解，覆蓋統計分析（如描述性統計、相關性分析、回歸分析）、數據挖掘（如預測、聚類、分類、系列挖掘）及其他方法（如社會網絡分析、認知網絡分析、多模態學習分析等）。通過與GenAI交互學習，利益相關者的數據分析能力將得到顯著提升[33]。而作為“器用”，GenAI支持動態交互式分析，允許利益相關者實時自定義分析指標并優化，它能夠快速響應并提供分析結果，避免了煩瑣、高成本的分析過程。然而，由于GenAI通常基于公共數據集訓練而來，其在學習分析領域的準確率可能不足。為此，利益相關者可采用微調和提示學習方法，使模型更好地適應學習分析需求，如圖2所示。微調通過特定數據集訓練調整模型參數和權重，而提示學習則優化輸入提示引導模型產生期望結果，包括Zero-shot和Few-shot模式，前者依賴模型直接根據輸入生成輸出，后者則通過提供少量示例指導模型[11]，這在Garg等的研究[11]中得到驗證。

3. 評估解釋階段

首先，作為“術用”，GenAI為利益相關者提供可視化呈現建議，助力直觀理解數據分析結果的信息與價值[34]。其次，它還能幫助利益相關者解讀相關數據分析結果的評價指標，以易懂方式展示其含義和重要性。再次，它還有利于相關者拓寬結果解釋視角，引導他們利用教育學、心理學的相關理論對分析結果進行更全面的解釋。在“器用”方面，GenAI能夠自動生成學習分析報告，直觀展示分析結果和詳細解釋，支持對復雜數據的意義表達，促進利益相關者思考和評估。最后，它還能夠根據分析結果生成具體決策建議和方案，如Hutt等使用ChatGPT分析同伴反饋質量并生成解釋，并討論了其提供學習反饋的潛力[7]。然而，由于領域特定分析可能存在偏差或不確定性，利益相關者需對分析結果、解釋及決策質量進行適當監督和驗證。

（四）智慧應用

智慧應用旨在通過GenAI賦能學習分析的“術”與“器”，共同作用于不同目標導向下的教育實踐，推動學習、教學、管理及理論發展的持續優化。在優化學習方面，利用GenAI的“器用”，根據學習分析結果自動地為學習者提供個性化的學習報告、反饋、資源及學習路徑推薦，幫助學習者感知學習狀態、提升學習效率[5]。同時，通過“術用”提供如學習分析儀表盤、群體感知工具、學習成績預警等干預方式的實施建議，彌補GenAI進行學習反饋的不足。優化教學方面，“術”與“器”的結合助力教師精準施策。教師利用GenAI分析學習數據，洞察學習者狀態，并自動地實施教學干預[8]。憑借GenAI在教學設計和教學評估上的建議，教師可以更科學、靈活地調整教學策略和學習活動。例如，Pishtari等發現人工智能驅動的反饋對教學設計質量的積極影響[9]。此外，教師可以通過GenAI“術”的支撐，提升教學評價設計、實施方面的能力。在優化管理上，GenAI賦能的學習分析可以促進教育管理和決策更加科學。在“器用”層面，教育管理人員可以集成GenAI到數據分析平臺以綜合分析各地區、學校、學科等海量數據，精準識別教育需求，完善教學內容和課程結構，輔助教育決策，提高教育管理效率。在“術用”層面，它不僅提供了高效的數據處理與分析方法，幫助教育管理人員提升數據洞察和教育決策能力，還可以從多維視角為管理人員決策提供科學的建議。在優化理論上，教育研究者可以“術用”GenAI產生學習分析方案，以驗證基于理論設計的不同教學策略、教學活動及教學方法的有效性，“器用”GenAI對學習分析結果進行剖析以驗證理論觀點或假設，進而拓展和豐富教學、學習理論。

五、生成式人工智能賦能學習分析的實踐案例

當前GenAI賦能的學習分析特別是其“術用”價值，仍處于探索階段，但其“器用”價值已經逐漸清晰。例如，Hou等的研究提供了一個實踐案例，展示了如何利用GPT的提示工程和微調方法對學習者的協作閱讀注釋和評論進行深度分析，如圖3所示。其分析過程基本吻合生成式人工智能賦能學習分析的實踐框架中的內容，充分考慮了GenAI賦能學習分析的“器用”價值，證明了GenAI提供即時性學習分析和反饋的能力。

六、生成式人工智能賦能學習分析的發展路向

（一）關注智能素養培育，邁向人智協同的學習分析范式

GenAI降低了學習分析技術的門檻，掌握其應用已成為未來必備技能，不善于利用者將難以有效輸入提示、判斷結果，更無法融入學習分析任務。更為嚴重的是，若無法驗證GenAI生成的分析結果，可能導致決策失誤，對教學質量和學習效果產生負面影響。因此，未來學習分析需更關注利益相關者的人工智能素養培育，包括批判性評估、有效溝通協作及工具應用能力。無論將GenAI作為學習分析的“術用”，還是作為“器用”，人都應該始終發揮主導作用，只有提升人工智能素養，才能促進人智協同的學習分析范式形成，提升教育評估質量。

（二）注重多種技術兼容，促進分析變革培養的創新發展

GenAI在數據生成和信息解析上具有優勢，但目前主要應用于文本數據分析，難以全面支持復雜學習活動、過程及學習者內部學習機理的深入分析。相比之下，一些傳統學習分析方法如機器學習、社會網絡分析等能分析學習者的社會或認知過程。因此，未來應兼容并蓄，結合生成式人工智能與傳統方法，全面建模學習過程與結果，為個性化、適應性學習提供基礎，實現學習分析技術變革能力培養。同時，多模態分析技術的新進展可與GenAI共同揭示更復雜的學習過程和規律，破除增值評價的實踐障礙，實現全方位、全過程的學習評價。

（三）重視分析倫理規范，推動可信的學習分析生態構建

GenAI賦能學習分析在推動教育創新的同時，也帶來倫理和公平問題。如數據不正當使用或泄露威脅隱私安全，算法不完善或訓練數據不良導致不公平結果，產生偏見和歧視，并且模型內部運作機制不透明[4]。因此，未來研究在解決技術倫理問題上刻不容緩。首先，開發人員需要重點提升GenAI模型透明度，增強公信力。其次，管理部門還應建立健全的倫理規范監督機制，確保其符合倫理規范。最后，還應該提高利益相關者的倫理素養，維護教育主體隱私權，共同推動構建可信的學習分析生態，促進GenAI與學習分析的健康發展。

[參考文獻]

[1] 郭婉瑢，馮曉英，宋佳欣． 學習分析能夠支持學習設計決策嗎？——設計分析視角下的學習分析系統性文獻綜述[J]． 電化教育研究，2023，44（8）：63-70．

[2] 吳林靜，涂鳳嬌，馬鑫倩，等． 人工智能視域下的在線協作會話分析：概念模型及應用[J]． 電化教育研究，2023，44（1）：70-76，99．

[3] RATTEN V， JONES P． Generative artificial intelligence （ChatGPT）： implications for management educators[J]． The international journal of management education，2023，21（3）：100857．

[4] YAN L X， MARTINEZ-MALDONADO R， GASEVIC D． Generative artificial intelligence in learning analytics： contextualising opportunities and challenges through the learning analytics cycle[C]//Proceedings of the 14th Learning Analytics and Knowledge Conference． Kyoto， Japan： ACM，2024：101-111．

[5] PHUNG T， P？魤DUREAN V A， SINGH A， et al． Automating human tutor-style programming feedback： leveraging GPT-4 tutor model for hint generation and GPT-3.5 student model for hint validation[C]//Proceedings of the 14th Learning Analytics and Knowledge Conference． Kyoto， Japan： ACM， 2024：12-23．

[6] SONKAR S， CHEN X H， LE M， et al． Code soliloquies for accurate calculations in large language models[C]//Proceedings of the 14th Learning Analytics and Knowledge Conference． Kyoto， Japan： ACM，2024：828-835．

[7] HUTT S， DEPIRO A， WANG J， et al． Feedback on feedback： comparing classic natural language processing and generative AI to evaluate peer feedback[C]//Proceedings of the 14th Learning Analytics and Knowledge Conference． Kyoto， Japan： ACM，2024：55-65．

[8] SURAWORACHET W， SEON J， CUKUROVA M． Predicting challenge moments from students' discourse： a comparison of GPT-4 to two traditional natural language processing approaches[C]//Proceedings of the 14th Learning Analytics and Knowledge Conference．Kyoto， Japan：ACM，2024：473-485．

[9] PISHTARI G， SARMIENTO-M？譧RQUEZ E， RODR？魱GUEZ-TRIANA M J， et al． Mirror mirror on the wall， what is missing in my pedagogical goals？ The Impact of an AI-Driven Feedback System on the Quality of Teacher-Created Learning Designs[C]//Proceedings of the 14th Learning Analytics and Knowledge Conference． Kyoto， Japan： ACM，2024：145-156．

[10] HOU C Y， ZHU G X， ZHENG J， et al． Prompt-based and fine-tuned GPT models for context-dependent and-independent deductive coding in social annotation[C]//Proceedings of the 14th Learning Analytics and Knowledge Conference． Kyoto， Japan：ACM，2024：518-528．

[11] GARG R， HAN J， CHENG Y X， et al． Automated discourse analysis via generative artificial intelligence[C]//Proceedings of the 14th Learning Analytics and Knowledge Conference． Kyoto， Japan： ACM，2024：814-820．

[12] SIEMENS G， BAKER R S J D． Learning analytics and educational data mining： towards communication and collaboration[C]//Proceedings of the 2nd International Conference on Learning Analytics and Knowledge． Vancouver， Canada： ACM，2012：252-254．

[13] 陳雅云，郭勝男，馬曉玲，等． 數智融合時代學習分析技術的演進、貢獻與展望——2021學習分析與知識國際會議（LAK）評述[J]． 遠程教育雜志，2021，39（4）：3-15．

[14] 李海峰，王煒． 學習分析研究：基本框架和核心問題——2022版《學習分析手冊》的要點與思考[J]． 開放教育研究，2022，28（6）：60-71．

[15] MICHOS K， SCHMITZ M L， PETKO D． Teachers' data literacy for learning analytics： a central predictor for digital data use in upper secondary schools[J]． Education and information technologies，2023，28（11）：14453-14471．

[16] POZDNIAKOV S， MARTINEZ-MALDONADO R， TSAI Y S， et al． How do teachers use dashboards enhanced with data storytelling elements according to their data visualisation literacy skills？[C]//13th International Learning Analytics and Knowledge Conference．Arlington， USA： ACM，2023：89-99．

[17] WHANG S E， ROH Y， SONG H， et al． Data collection and quality challenges in deep learning：a data-centric AI perspective[J]．The VLDB journal，2023，32（4）：791-813．

[18] 李艷，朱雨萌，翟雪松． 疫情影響下技術賦能高等教育變革的趨勢及啟示——基于2020—2022年《地平線報告》的比較研究[J]．現代教育技術，2022，32（8）：14-25．

[19] MAO J， CHEN B， LIU J C. Generative artificial intelligence in education and its implications for assessment[J]. TechTrends， 2024， 68（1）：58-66.

[20] 徐曄． 高等職業教育智能生態系統：內涵、結構與實踐路徑[J]． 中國遠程教育，2021（7）：18-24．

[21] 白雪梅，郭日發． 生成式人工智能何以賦能學習、能力與評價？[J]． 現代教育技術，2024，34（1）：55-63．

[22] 王一巖，劉淇，鄭永和． 人機協同學習：實踐邏輯與典型模式[J]． 開放教育研究，2024，30（1）：65-72．

[23] 褚樂陽，王浩，陳向東． 面向大語言模型的青少年人工智能教育[J]． 中國電化教育，2024（4）：32-44．

[24] HADAS E， HERSHKOVITZ A． Using large language models to evaluate alternative uses task flexibility score[J]． Thinking skills and creativity，2024，52：101549．

[25] GRELLER W， DRACHSLER H. Translating learning into numbers： a generic framework for learning analytics[J]． Journal of educational technology amp; society，2012，15（3）：42-57．

[26] KHALIL M， EBNER M. Learning analytics： principles and constraints[C]// Edmedia： World Conference on Educational Media and Technology. Montreal， Canada： Association for the Advancement of Computing in Education（AACE），2015：1789-1799.

[27] 周進，葉俊民，李超． 多模態學習情感計算：動因、框架與建議[J]． 電化教育研究，2021，42（7）：26-32，46．

[28] 張學波，李王偉，張思文，等． 數據使能教學決策的發展——從數據教育應用到多模態學習分析支持教學決策[J]． 電化教育研究，2023，44（3）：63-70．

[29] 何偉光，李均． ChatGPT何以變革教育研究范式[J]． 深圳大學學報（人文社會科學版），2023，40（5）：15-25．

[30] GRAY G， BERGNER Y． A practitioner's guide to measurement in learning analytics： decisions， opportunities， and challenges[M]//The Handbook of Learning Analytics． Vancouver， Canada：SOLAR，2022：20-28．

[31] 張家華，胡惠芝，黃昌勤． 多模態學習分析技術支持的學習評價研究[J]． 現代教育技術，2022，32（9）：38-45．

[32] 孫丹，朱城聰，許作棟，等． 基于生成式人工智能的大學生編程學習行為分析研究[J]． 電化教育研究，2024，45（3）：113-120．

[33] XING Y X． Exploring the use of ChatGPT in learning and instructing statistics and data analytics[J]． Teaching statistics，2024，46（2）：95-104．

[34] 肖君，白慶春，陳沫，等． 生成式人工智能賦能在線學習場景與實施路徑[J]． 電化教育研究，2023，44（9）：57-63，99．

Generative Artificial Intelligence Empowering Learning Analytics： Value Implications， Practical Framework and Developmental Direction

YE Junmin1，" YIN Xinghan2，" YU Shuang2，" LIU Qingtang2，" LUO Sheng1

（1.School of Computer， Central China Normal University， Wuhan Hubei 430079;

2.Faculty of Artificial Intelligence in Education， Central China Normal University， Wuhan Hubei 430079）

[Abstract] Generative AI is emerging in the field of education， and its outstanding performance in data processing， analysis and generation provides an important opportunity to solve the problems of insufficient stakeholder literacy and weak technical credibility faced by learning analytics， which is of far-reaching significance for deepening the reform of education evaluation. However， the value connotation， practical framework and development direction of generative AI-enabled learning analytics are still unclear. Therefore， the study first analyses the value connotation of generative AI-enabled learning analytics from the dual perspectives of \"technological application\" and \"instrumental use\". Secondly， it constructs and explains the practical framework of generative AI-enabled learning analytics from four aspects of establishing goals， data collection， data processing and analysis， and intelligent application， so as to provide reference for the practice of learning analytics. Finally， based on the current situation of generative AI-enabled learning analytics， the study concludes that in the future， it is necessary to pay attention to the cultivation of intelligent literacy for moving to the learning analytics paradigm of human-intelligence synergy， focus on the compatibility of multiple technologies in order to promote the innovative development of analytical transformation cultivation and emphasize the analytical ethical norms in order to promote the construction of a credible learning analytics ecosystem.

[Keywords]" Generative Artificial Intelligence; Learning Analytics; Value Connotations; Practical Framework; Development Direction