2
0
1
2
年
第
1
期
總
第
2
0
8
期
學習分析：正在浮現中的數據技術*
顧小清1張進良2蔡慧英1
（1.華東師范大學教育信息技術學系
，
上海200062;
2.湖南科技大學教育學院
，
湖南湘潭411201）
［摘要］隨著教育信息化的普及與逐漸深入
，
學習管理系統已經獲取并存儲了大量的有關學生復雜學習行為的
數據
，
從這些數據中挖掘出改進教學系統
、
提升學習效果的信息
，
在教育信息化領域一直有著巨大的吸引力
。
因
此
，
有必要從分析數據以改進學習的角度
，
對日益受到關注的學習分析技術進行解讀
。
首先
，
學習分析技術是測
量
、
收集
、
分析和報告有關學生的學習行為以及學習環境的數據
，
用以理解和優化學習及其產生的環境的技術
。
接著
，
綜述學習分析技術的發展
，
指出其在教育中有著廣泛的應用前景和巨大的發展潛力:學習分析技術可作為
教師教學決策
、
優化教學的有效支持工具
，
也可為學生的自我導向學習
、
學習危機預警和自我評估提供有效數據
支持
，
還可為教育研究者的個性化學習設計和增進研究效益提供數據參考
。
最后
，
提出學習分析技術也存在隱
私
、
準確性和兼容性等諸多挑戰和問題
。
［關鍵詞］學習分析
；
學習行為
；
數據挖掘
；
教學決策
；
數據支持
［中圖分類號］
G434
［文獻標識碼］
A
[文章編號]
1672—0008（2012）01—0018—08
*基金項目
：
本文系國家發改委下一代互聯網業務試商用及設備產業化專項
“
教育科研基礎設施IPv6技術升級和應用示范
”
子項目
“
下一代互聯網教師教育創新
支持系統應用示范
”（
項目編號:CNGI2008-121）；
湖南省教育廳資助項目
“
高校教師信息化教學實踐智慧發展研究
”（
項目編號
：11C0537）
的研究成果之一
。
一、前言
改進學習實踐
、
增強學習效果是學習者和教育機構的共
同愿望
，
也是教育信息化所進行的學習技術系統設計希望實
現的目標
。
隨著教育信息化的發展
，
一方面
，
各種學習技術系
統中
（
包括學習管理系統
、
課程管理系統
）
已經獲取并儲存了
大量的學習者學習行為數據
，
而且這些學習行為的數據還在
迅速增加
，
甚至超出了學生和教育機構對信息的理解和利用
能力
。
另一方面
，
教育機構在提倡利用各種教育技術手段支
持學習的同時
，
也面臨著回答效益問題的挑戰
。
換言之
，
教育
信息化的巨大投入
，
是否能夠有效地提高學習的效果以及如
何提高了學習的效果
。
于是
，
如何分析
、
有效利用并挖掘和學
習相關的數據來促進學生學習
；
教師如何高效地跟蹤學生的
學習進程
；
如何使學生在學習管理系統
（LMS）
中的學習活動
與學習成效建立關聯
；
怎樣使LMS的分析能用于識別和促進
有效教學實踐
；
哪種類型的學習分析數據最有價值
、
由誰來
使用
？
諸如此類問題
，
引起了研究者的持續關注
。
2011年2月底
，
首屆學習分析技術與知識國際會議在加
拿大的阿爾伯達省班芙市舉行
，
主題為學習分析技術在技
術
、
社會和教學等維度的整合[1]。
第二屆學習分析和知識國際
會議將于2012年4月底在加拿大溫哥華舉行
，
會議將探索
學習分析技術
、
知識建模和表征
、
知識工作和分析等領域的
現狀及發展策略[2]。
另外
，
美國新媒體聯盟
（TheNewMedia
Consortium,NMC）
與美國高校教育信息化協會主動學習組織
（TheEDUCAUSELearningInitiative）
合作的
“
新媒體聯盟地平
線項目
（TheNewMediaConsortium’sHorizonProject）”
的
2010年度和2011年度報告中
，
預測基于數據的學習分析技
術將在未來的四到五年內成為主流
，
并對學習分析技術在教
學
、
學習
、
研究和知識生成等方面所具有的作用進行了分析
，
勾勒了其廣泛的應用前景[3]。
在筆者參與的
“
下一代互聯網教育創新支持系統
”
項目
中
，
初步嘗試采用學習分析技術對教師學習者的學習進行監
測與評價
，
以便實現基于數據的教育決策
，
為教師學習者終
身發展提供優質服務[4]。
基于此
，
本文將對學習分析技術加以
解讀
，
分析其由來和發展
，
展望其在教育和學習中可能的應
用以及可能存在的挑戰
。
二、學習分析技術的“前世今生”
教育工作者利用數據考核
、
分析和評估教學和學習已有
悠久歷史
，
隨著參與網絡學習的人數和支持網絡學習活動的
工具種類的劇增
，
有關學習行為數據的數量不斷增多并具多
樣性
。
這些數據需要通過分析
，
方可幫助評估學習并更有效
地支持學習[5]。
學習分析技術的核心概念已經在計算機支持
的管理
（CMI）、
計算機人機交互和網絡科學等領域存在了幾
十年[6][7]。
從其發展的時間維度來看
，
學習分析技術可以看做
是CMI和DDDM的繼承和發展
。
（
一
）CMI
CMI是最早與學習分析技術緊密相關的教育數據應用
系統
，
于20世紀60年代末應用于教育領域[8]。CMI是用來為
本期特稿學習分析：正在浮現中的數據技術
18
h
t
t
p
:
/
/
d
e
j.
zj
t
v
u
.
e
d
u
.
c
n
JOURNALOFDISTANCEEDUCATION
個別化教學程序提供支持的管理信息系統
，
其最顯著的功能
在于為個別化教學過程中所需要的決策提供支持
，
以確定學
習者需求并為之提供最適合的學習材料
。
在Brudner（1968）
的報告中
，
認為CMI系統中所存儲的數據共計六類
，
分別是
：
（1）
學生的學術記錄
、
考試成績集的個性記錄
；（2）
學生的學
習目標及學習程序
；（3）
教學目錄及學習指南
；（4）
測試答案
文檔及測試文檔
；（5）
學生每日的活動記錄
；（6）
有關的預測
及分析數據
。
應用CMI可以輔助課堂教學分析和信息處理
，
如
，CMI能幫助教師自動適時獲取課堂信息并及時處理和分
析信息
，
以幫助教師隨時調整教學計劃和教學方法
，
矯正學
生學習偏差
，
以便更好地進行下一輪教學
。
（
二
）DDDM
DDDM是利用計算機的數據運算能力來挖掘和分析數
據并為決策提供支持[9]。
基于數據的決策的功能主要有數據
的獲取
、
數據的處理以及數據的分析
。
根據Wayman（2005）
的
觀點
，
目前
，
在學校領域
，
提供數據的信息系統大致有三類
：
一是學生信息系統
，
記錄與提供日常出勤
，
日程等信息
；
二是
學習評估系統
，
提供經常性的學習評估與分析
；
三是數據倉
庫系統
，
為訪問各種類型的歷史數據提供接口[10]。
數據挖掘和
數據分析工具作為決策的思想引擎
，
能夠導出數據之間的關
系
，
超越數據本身的信息
，
讓數據為不同的決策者
（
如學生
、
教師
、
教育管理者
，
教育行政管理者等
）
的決策提供支持
。
所
以
，
基于計算機的數據挖掘
，
既可以為國家教育方針或教育
政策等宏觀層面的教育決策提供數據支持
，
也可以為學生
、
教師的學與教等微觀層面的決策提供有效的數據支持
。
（
三
）LA（LearningAnalytics）
1.學習分析技術的定義
在首屆學習分析和知識國際學術會議期間
，
參會者一致
認為:學習分析技術是
“
測量
、
收集
、
分析和報告有關學生及其
學習環境的數據
，
用以理解和優化學習及其產生的環境的技
術
”[11]。EDUCAUSE研究機構對學習分析技術的界定是
：
學習
分析技術就是利用數據和模型
，
預測學習者在學習中的進步
和表現
，
預測未來表現和發現潛在問題[12]。
可見
，
學習分析技術是圍繞與學習者學習信息相關的數
據
，
運用不同的分析方法和數據模型來解釋這些數據
，
根據
解釋的結果來探究學習者的學習過程與情境
，
發現學習規
律
；
或者根據數據闡釋學習者的學習表現
，
為其提供相應反
饋從而促進更加有效學習的技術
。
通過構建分析模型
、
顯示
和解釋數據以協助教師和教育管理者更好地工作
，
學習分析
技術使教師和學校根據每一個學生的需求和能力為其提供
適當學習機會這一教學愿景帶來了實現的可能性
。
2.學習分析技術的要素
學習分析的要素包括以下五部分[13]：（1）
數據收集
：
這需
要使用程序
、
腳本和其他方法來進行
，
數據來源于單一或者
多個學習技術系統
，
經過收集可以產生非常大的數據量
，
這
些數據被處理成結構化
（
如服務器日志
）
或非結構化
（
如討論
論壇帖子
）
的形式
。（2）
分析
：
非結構型數據在分析之前通常
被設定為某種格式
，
經過定量和定性相結合的分析
，
數據會
以可視化
、
表格
、
圖表和其他類型的形式呈現在分析報告中
。
（3）
學生學習
：
這是學習分析與其他類型分析的本質區別
，
學
習分析試圖告訴我們關于學習的以下事實
：
學習者正在做什
么
，
他們的時間主要花在什么地方
，
學生正在訪問什么內容
？
（4）
聽眾
：
學習分析返回的信息可用于告知學生
、
告知教師
、
告知管理者
，
一般情況下通過這三個方面的報告可產生適當
的干預
。（5）
干預
：
學習分析能在個體
、
課程
、
教學和管理層面
實施合適的干預
。
通過學習分析可以觀察學生在一門課的特
定階段和特定活動中的行為
，
為進行學習路徑的個性化定制
提供了可能
。
3.學習分析的過程
Siemens結合自己的實踐
，
將學習分析的過程總結為如
圖1所示的過程[14]：
圖1學習分析技術的過程
從這個過程可以看出
，
學習分析技術的數據來源有兩
類
：
一類是學生數據
（learnersoff-putdata），
即學生在學習過
程中由移動終端
、
社會性軟件和學習管理系統所記錄的數
據
；
另一類是智能化數據
（intelligentdata），
即可以通過語義分
析以及連接技術來處理的源自課程
、
學期考試和其他來源的
數據
，
這類數據與學習者的學習過程間接相關
。
這兩部分數
據被收集起來并等待進行某種分析
。
在以某種形式對學習者
數據
、
檔案信息和課外數據進行分析的基礎上
，
就能夠更有
針對性地施加某種學習干預
。
另一個角度
，
學習分析可看作是基于數據的分析持續改
進學習的過程[15]，
期間包含了數據的選擇
、
獲取
、
綜合與報告
、
預測
、
使用
、
完善和分享等活動
。
4.學習分析技術的特征
從上可知
，
學習分析技術是利用數據挖掘工具
，
測量
、
收
集和分析學生在正式和非正式學習過程中的有用信息和數
據
，
對這些信息和數據作深度分析
、
統計和運算
，
并以可視化
方式解讀數據結果
，
具有以下特征
：
（1）
復合化的數據采集
。
學習分析技術所采用的數據大
SpecialContribution
19
2
0
1
2
年
第
1
期
總
第
2
0
8
期
部分來自LMS（
學習管理系統
）、CMS（
課程管理系統
：
如網絡
課程
、
學習論壇等
）
和學生檔案系統等數據庫
；
來自于學生在
傳統環境下學習時留下的學習資料
、
作業
、
作品
；
也來自于學
生個人的非正式的知識管理系統
（
如個人主頁
、
博客
、
微博
等
）。
比如
，
僅就LMS系統而言
，
已經積累了大量的關于學生
學習行為的信息
（
學生網絡學習行為
、
同伴互動
、
與教學人員
交互以及訪問教學信息系統的有效數據
）。
不同來源的海量
數據為提供自動化的學習支持和針對性的學習服務提供了
可能性
，
同時其最大的挑戰是如何將不同來源的多樣性數據
加以整合
，
并將這些多來源的數據導入到同一個分析框架中
（
常需要采用第三方分析軟件
）
進行分析和運算
，
從而提供有
關于學生學習情況的可視化分析結果
。
（2）
多重角度的分析技術
。
學習網絡的動態變化
、
學習者
關系的變化以及學習內容的復雜多變
，
使得網絡學習的研究
過程變得非常復雜
。
所以
，
要進行有效的分析
，
必須使用多重
研究方法
、
技術與工具[16]。
學習分析技術則為實現這一有效分
析提供了技術支持
。
延續了CMI與DDDM的基于數據的決
策思路
，
學習分析技術將數據分析結果聚焦于學習過程
，
并
試圖為優化學習提供針對性服務
。
從多重角度
，
學習分析技
術不僅關注數據挖掘
、
數據聚合
、
數據分析等技術在教育領
域中的應用
，
也注重結合定量研究與定性研究方法
，
透過教
育數據對教育過程進行合理的解釋
，
并為學習提供支持
。
（3）
可視化的分析結果
。
學習分析技術的服務對象主要
是學生或教師
，
所用工具和技術必須降低技術門檻
，
分析結
果必須是可視化或者直觀化的數據
，
以便不具備統計和分析
知識的學生和教師能通過直觀的分析結果對自身的學習或
教學情況作出判斷
。
可視化的方式可以使師生很容易地解讀
學習的參與程度或者預測學習者的努力程度
。
如
，SNA（So-
cialnetworkanalysis）
可以分析學生個人
、
學習小組
、
教師和計
算機之間的信息交互關系
，
以提供對數據的直觀解讀
。
（4）
微觀化的服務層次
。
如果說DDDM相對來說涉及較
為宏觀的教育決策從而更多地直接服務于教育決策者
，
那么
學習分析則主要面向微觀層面的教師和學生
，
通過對學習過
程
、
學習行為
、
學習網絡的跟蹤和分析
，
為教師的教學干預提
供依據
，
為學習者的適應性學習提供建議
。
（5）
多元化的理論基礎
。
學習分析技術的理論基礎包括
分析理論和實踐知識兩部分
：
第一是協同過濾算法
、
貝葉斯
網絡
、
關聯規則挖掘
、
聚類
、
基于知識的建議和協同過濾算法
等理論的有效分析方法和技術
。
第二是與學習理論
、
良好的
教學實踐
、
知識共同體的構建
、
學生的學習動機
、
毅力和動機
等知識積累的相關領域[17]。
三、發展中的學習分析技術
學習分析技術是一個運用復雜的分析工具促進學習的
新興教育技術應用
。
在延續CMI與DDDM發展軌跡的基礎
上
，
學習分析技術關注對在線教育數據的深層次挖掘和理
解
。
從這一角度來看
，
學習分析技術與商業智能化
、
網絡分
析
、
學術分析
、
教育數據挖掘等領域的研究密切相關[18]。
隨著
數據挖掘技術以及網絡學習系統的不斷發展
，
學習分析技術
也正以自己獨特的方式不斷擴展著自身的發展軌跡
、
關鍵技
術以及應用領域
，
如表1所示
。
（
一
）
學習分析技術的發展軌跡
從縱向發展角度來看
，
學習分析技術是CMI與DDDM發
展的產物
，
而從橫向發展角度來看
，
學習分析技術又是網絡
分析技術
（webanalytics）
與學術分析技術
（academicanalytics）
綜合應用的結果
。
從商業應用領域發展起來的網絡分析技術
向教育領域的擴展催生了學術分析技術的誕生
，
而學術分析
技術在教育應用中的深度發展產生了學習分析技術
。
網絡分析最早出現在商務智能系統
（businessintelli-
gence）
中
，
是數據技術在企業中的典型應用
，
即運用多種服務
功能收集網絡用戶的行為數據并進行分析
，
為企業的決策提
供依據[19]。
網絡分析技術中所處理的用戶行為數據來源于網
絡服務登錄文件
、
瀏覽服務器的歷史數據
，
網站流量數據以
及網站之間的關聯交互數據等[20]。
除了生成簡單的報告之外
，
網絡分析還可以配合基本的數據挖掘技術和網絡應用挖掘
技術來描述用戶的行為細節[21]。
這些數據分析的結果
，
一方面
可以探究網站的運行效能
、
訪客的行為與網站訪問模式等
；
另一方面可用來改善網站的使用效果
。
例如
，
網站設計者可
以從內容的角度改善訪客的訪問體驗
，
或者從設計與實施的
角度提高訪客回訪概率
。
與網絡分析技術用于商業領域不同的是
，
學術分析技術
關注的是教育領域中的學習者行為
。2004年在高等教育中出
現的
“
智能導師系統
”
和
“
人工智能系統
”
掀起了
“
教育數據挖
掘
”
研究的熱潮[22]，
也促使學術分析技術這一關注學習者行為
的分析技術的誕生[22][23]。
更進一步的應用產生了學習分析技
術
，
最早由Retalis及同事在基于網絡的學習管理系統中予以
采用
，
也進一步開啟了利用網絡分析技術對學習者行為加以
分析的研究
。
記錄在網絡學習系統中的學習者行為數據
，
經過聚集
、
分類
、
可視化以及關聯分析等操作
，
生成實時的
數據報告
，
或者利用從行為數據中反映出的常模來生成預測
表1發展中的學習分析技術
概念
發展
技術發展
應用發展
（
學習
）
技術
系統
數據技術
網絡分
析技術
商務智能系統
數據挖掘技術
數據分析技術
分析算法或程序
為公司決策和培訓項
目服務
關注經濟效益
學術分
析技術
學習管理系統
課程管理系統
教育數據挖掘技術
教育數據分析技術
教育行為分析
在教育網絡系統中進
行數據分析
關注個體學習者學習
行為的研究
學習分
析技術
基于web2.0的
學習
管理系統
網絡軟件
個人學習環境
云計算
教育數據分析技術
（
網絡分析法
、
話語
分析法內容分析法
等
）
DDDM
探究學習過程的發生
機制
優化學習過程
：
從教
師
、
學生以及管理者角
度對學生的學習過程
進行客觀的預測
，
并提
供恰當的干預
評估網絡學習以及技
術應用于教育的效果
DDDMCMI
本期特稿學習分析：正在浮現中的數據技術
20
h
t
t
p
:
/
/
d
e
j.
zj
t
v
u
.
e
d
u
.
c
n
JOURNALOFDISTANCEEDUCATION
模型[24]。
（
二
）
學習分析技術中的關鍵技術
除了網絡分析以及學術分析中共有的數據分析技術外
，
發展中的學習分析技術正在吸納其他關鍵技術
，
實現對學習
過程的研究
。
目前
，
發展比較成熟的可用于學習分析的關鍵
技術主要包括網絡分析法
、
話語分析法和內容分析法
。
1.網絡分析法
運用社會網絡分析法
，
不僅可以用來探究網絡學習過程
中的聯系
（ties）、
關系
、
角色以及網絡形成的過程與特點
，
還可
以了解人們如何在網絡學習中建立并維持關系從而為自己
的學習提供支持[25]。
當以學習者個體為研究對象時
，
運用社會
網絡分析法
，
可以判斷哪些學習者個體從哪些同伴那里得到
了啟示
，
學習者個體在哪里產生了認知上的困難
，
哪些情境
因素影響了學習者個體的學習過程等
。
當以整個網絡為研究
對象
，
社會網絡分析法主要關注的是網絡學習中信息的分布
以及學習的進展情況
。
有諸多工具可用來對網絡學習過程進
行社會網絡分析
。
例如
，Mzinga工具可用來確定學習者在網
絡學習中的參與程度
；Gephi可用來對數據進行交互式可視
化處理
，SNAPP（SocialNetworksAdaptingPedagogicalPrac-
tice）
可用來對網絡討論進行圖表形式的分析與呈現[26]。
2.話語分析法
（discouranalysis）
話語分析法是對學習過程中的交流過程進行分析的方
法
。
其中
，
分析的對象包括面對面的對話內容
、
網絡課程與會
議中產生的文本內容
、
網上進行的異步交流內容等
。
運用話
語分析技術
，
可以了解網上學習交流中的話語的文本性含義
（textualdiscour），
能夠用來探究知識建構的過程
，
使研究者
對學習發生的過程有更加清晰的認識[27]。
目前
，
有諸多工具可用來進行話語分析
。
例如
，theDigi-
talRearchToolsWiki可對話語和文本進行分析[28]；Wordle
andTagCrowd可對文本分析內容進行可視化
；NVivo可對文
本內容進行定性研究
；WMatrix則可對文本內容進行定量研
究[29]；Cohereis可用來對網上交流的內容進行結構化[30]；Open
Mentor工具可用來對學習反饋信息的質量進行了分析
、
可視
化和比較[31]。
3.內容分析法
運用內容分析法
，
不僅可以對學習者的學習過程數據進
行定量分析
，
尋求學習者的行為模式
；
還可對其進行定性分
析
，
運用已有的積累經驗來預測當前的學習者行為
，
為學習
者提供個性化的學習資源服務[32]。
隨著技術與相關工具的發
展
，
內容分析法不僅關注文本內容
，
也開始對多媒體內容予
以分析
，
很多網站提供基于圖片的搜索功能就是一個多媒體
分析的例子
。Little,Ferguson和Rüger運用VisualSimilarity
工具
，
通過對內容的分析實現教育資源的多元搜索問題
，
例
如
，
能夠查找圖片出處
、
尋找視覺特征上的關鍵詞
、
提供理解
概念的新方法以及從給定的圖片或者電影片段中找到其他
與之相關的文章
、
演講以及電影片段等等[33]。Clow和
Makriyannis運用iSpot工具
，
對學習者學習過程中運用的文
本和多媒體信息進行標注
，
并對標注了的數據進行分析
，
從
而了解學習者之間的交互是如何發生的
，
還可以獲知支持學
習的資源的分布情況[34]。Jovanovic及其同事運用內容分析方
法對學習活動
、
學習對象
、
學習結果以及學習者本身之間的
相互作用進行探究
，
建立了學習制品的語義網絡
，
并運用特
定的算法對語義網絡之間的關系進行了分析
，
以獲知網絡教
學課程內容的質量[35]。
學習是學生與學習內容
、
學習環境
、
學習伙伴和教師之
間的復雜交互過程
。
要對這一過程進行探究
，
必須要選好切
入點以及適當的研究方法
、
工具和技術
。
另外
，
為了能使研究
結果具有說服力
，
還應該運用不同的研究方法
，
從不同的角
度研究學習過程
。
隨著分析技術
、
工具以及研究方法的發展
，
學習分析技術將會在學習過程研究領域展現出極大的發展
前景
。
四、學習分析技術的應用趨向及應用展望
（
一
）
應用趨向
當前
，
學習技術系統中已經收集和存儲了大量以學習者
行為為主的數據
，
通過數據統計分析
、
數據可視化
，
可提供學
習者的學習報告
，
揭示某種行為模式
、
趨勢或可能的意外情
況
。
學習分析技術不僅可以從學習者行為角度了解學習過程
的發生機制
，
還可以用來優化教學
，
以基于學習行為數據的
分析為學習者推薦學習軌跡
，
開展適應性學習
、
自我導向學
習[36]。
另外
，
學習分析技術可用來評估課程
、
程序和機構
，
以改
善現有的學校考核方式
，
提供更為深入的教學分析
，
以便教
師在數據分析基礎上為學生提供更有針對性的教學干預[37]。
目前
，
學習分析技術已在教學和學習領域中進行著應用
探索
，
其應用主要體現在以下幾個方面
：
1.教師角度
：
優化教學
利用學習分析技術及其相關分析工具
，
教師可獲得有關
學生的學習績效
、
學習過程以及學習環境的信息
，
這些信息
可以為教師從教學改進角度提供依據[38]。
從學習技術系統中
，
教師可以獲得的學習者行為數據
，
包括登錄系統的時間
、
訪
問的網頁
、
在課程學習所花的時間
，
完成課程任務的情況
，
在
課程網站中交互的痕跡等
。
通過這些數據的分析
，
教師能對
學生的學習需求
、
學習風格
、
學習進展獲得判斷
，
從而制定能
夠滿足學生學習需求的教學方案[39]。
例如
，
香港中文大學醫學院課程管理系統中的實習日志
管理模塊就記錄了學生在醫院的實習過程
、
見習日志
。
通過
這些記錄
，
課程管理系統可以清晰顯示學生實習項目的完成
情況
，
并以此提醒學生后續實習項目的時間和實習地點
。
最
重要的是
，
通過分析系統中記錄的數據
，
實習指導老師可以
更好地制定下一步的實習計劃和安排
。
另外
，
美國教育發展中
心
（EducationDevelopmentCenter）
和學生與技術中心
（Center
forChildrenandTechnology）
也對如何利用數據幫助美國紐約
市公立學校的教師進行教學決策開展了研究實踐
。
他們與某
一公司合作
，
對學生在數學學習過程中的數據進行了記錄與
分析
，
最后生成了可供教師分析的書面報告和網絡報告
。
書
面報告為教師提供了基于標準的全班學生學習情況的報告
，
能為教師根據學生的需求分組
、
關注學生個體的特點提供依
據
。
網絡報告為學校不同層次的用戶提供不同層次的信息和
SpecialContribution
21
2
0
1
2
年
第
1
期
總
第
2
0
8
期
重點
。
例如
，
教師通過關注不同技能水平的學生來確定適當
的教學需要
；
根據數據結果確定教學日程
、
每周安排以及個
別化學習計劃
；
通過學生的數據分析結果與家長就學生學習
問題進行交流等
。
另外
，
使用生成的報告
，
教師能考量自己的
教學實踐
，
通過審視自己的教學提升自身的專業實踐能力[40]。
參與該研究的幾位老師反應
，
分析
“
成長報告
”
和確定他所教
班級的強項和弱項
，
使得他們對自己的教學實踐進行了反
思
。
而且
，77%的接受調查的教師表示他們利用成長報告了解
了自己的教學效果
。
2.學生角度
：
自我評估
、
診斷與導向
（1）
作為學生自我評估工具
。
通過學習分析技術得到的
報告
，
更可用于學生的自我評價
，
幫助學生了解自己的優勢
和不足
，
認識自我
、
發展自我
、
規劃自我[41]。
將可視化的學習績
效結果反饋給學生
，
有望使學生成為利用數據發展自我的主
動學習者
。
例如
，
美國馬里蘭大學
（UMBC）
在Blackboard課程管理
系統中利用學習分析創建了一個名為
“
檢查我的活動
”
（CMA）
的學生反饋工具
，
幫助學生評估自己的學習過程
。
這
一工具可以分析從Blackboard課程管理系統中獲取原始數
據
，
并為學生和教師提供不同的數據分析報告
。
從分析報告
中
，
學生可以了解自己在系統中學習的所有課程的情況
，
包
括訪問的次數
，
在每一門課程中學習活動的平均水平
，
以及
在班級橫向比較中的學習程度
，
如作業中的得分情況
，
參與
學習活動的頻率等
。
如果學生對某門課程的參與程度不高
，
系統會將其在此課程中的成績以紅色標注
，
提醒該學生應該
采取行動
，
并提示任何人都愿意在本學期或者整個大學期間
為其提供幫助
，
直至其成功
。
此工具成功地提高了學生的學習
效果
：
在老師自愿使用CMA的131門課程中
，
有39%的原來
的D或F的學生成績已經上升到C級以上
。“
不能確認運用
Blackboard就能造就好的學生
，
但CMA是為學生量身定做的
另一個自己使用并自己制定適合行動的評價工具[42]。”
（2）
作為學生學習需求的分析工具
。
基于數據的決策應
用在診斷
（
學生學習的
）
差距
、
縮小差距等方面起到了關鍵
作用[43]。
因此
，
學習分析這一能從系統的角度以及課堂角度獲
得學生績效數據并加以分析的技術
，
可以用來診斷學生的學
習需求
。
例如
，
美國幾乎所有州都在公立學校建立了高技術支持
的學生數據系統
，
用來收集和分析以千兆計的學生數據
。
美
國加州大學評估
、
標準和學生測試研究中心開發了一款基于
網絡的決策支持工具
———QSP（theQualitySchoolPortfolio），
目的是輔助學校或地區通過分析學習者行為滿足學習者個
性化學習需求
。
利用QSP可以為每個學生建立一個單獨的縱
向成長記錄
，
創建個性化的學生進步報告
，
顯示學生在班級
內的表現情況及所取得的進步
，
從而可以分析了解每一個學
習者的學習需求并進而為其提供學習支持[44]。
另外
，
美國在線學習平臺Knewton可以通過分析學習者
在數學學習方面的需求
，
為一萬多名大學新生提供適應性的
在線數學課程
。Knewton所采用的學習分析技術中最大的優
勢是強大的自適應學習算法
，
這套算法不僅能用來判斷用戶
的實際水平
，
為用戶提供與其水平適應的課程指導
。Knewton
的做法是通過不斷的提問和測試
，
判斷學習者的真實水平
，
再為其提供與之水平相適合的課程輔導
。
從亞利桑那州立大
學的反饋來看
，Knewton確實起到了良好的作用
，
不少學生都
在原定計劃前完成了學習任務[45]。
（3）
作為學生自我導向學習的引導工具
。
學習分析技術
為學生打開了一個與學習內容
、
同伴和教師交互的窗口
，
提
供了促進自我導向的學習的機會
。
自我監控對學習者的自我
導向學習是很重要的
，
通過學習分析技術
，
學生可以分析自
己的學習過程數據
，
通過可視化結果回顧學習的時間
、
時長
和內容
，
并通過與同伴的比較了解自己的進度[46]。
例如
，
比利時魯汶大學計算機科學系Govaerts等人在
ROLE（
一個歐盟項目
）
的研究過程中
，
開發了一款內嵌在網
頁中的應用程序
，
能用來實時記錄學生在
《
計算機科學
》
課程
中的學習參與活動情況
。
所記錄的數據還能夠進行可視化分
析
，
以折線圖
、
平行坐標
、
柱狀圖等方式來顯示學生的學習情
況
。
最后
，
這一學習分析工具能從個人或小組的層面提供學
習反饋以及預測課程中的后續活動
，
為學生自主學習提供了
方便
。
另一個例子來自英屬哥倫比亞大學
。
研究者運用學習分
析技術在學習管理系統中為學習者的自我導向學習提供了
支持
。
這一研究中所收集的學生行為數據主要包括內容傳
遞
、
參與和討論以及本學期課程資料的使用頻率和次數
。
數
據分析階段
，
研究者列出檢測到的學生行為數據
，
與教師給
出的課程成績數據整合
，
并對整合數據進行量化分析
，
幫助
學生了解自己的學習情況
。
另外
，
在課程結束時
，
研究者利用
SNAPP對學習論壇中提取的數據進行對話分析
。
最后生成可
視化的學習網狀圖
，
顯示學習者在課程中學習行為的相對位
置[47]。
這一分析結果幫助學習者清晰了解自己的學習投入情
況和學習進展
，
為學習者的自我導向學習提供了支持
。
（4）
作為學生危機預警工具
。
目前
，
越來越多的學術機構
頻繁使用分析去評價和支持學生的學術表現
，
特別是對那些
處在危機之中的學生來說
，
如果外界不給以提示或者預警
，
他們自己很難清楚地認識到自己的學習狀態
。Romary認
為
，
對處在危險狀態的學生確認時間越早
，
他們在學習成績
方面取得的進步就越大[48]；
而且Long和Siemens也建議教師
可以使用學習分析得來的數據及早干預高危學生并為其提
供更好的幫助[49]。
美國普渡大學
（PurdueUniversity）
就利用
Blackboard和Signals系統
，
成功地對學生學習跟蹤
，
對存在
潛在危險的學生發出警告并實施干預[50]。
3.教育研究者
：
個性化學習設計以及效益
（1）
作為研究學生個性化學習的工具
。
利用學習分析技
術對與學習者學習過程相關的數據進行深入分析與闡釋
，
能
夠發現每個學習者學習數據背后的學習偏好和學習模式
。
Retalis及其同事認為
，
如果了解了學習者的學習模式以及學
習路徑的相關規律
，
教學工作者就可以根據學習者的個性化
表現
，
了解學習者的學習掌握程度
，
為學生提供適當的學習
資源
，
另外還可以知曉學習中的交互發生過程
。
因此
，Retalis
和他的同事將其設計的CoSyLMSAnalytics分析工具嵌入到
本期特稿學習分析：正在浮現中的數據技術
22
h
t
t
p
:
/
/
d
e
j.
zj
t
v
u
.
e
d
u
.
c
n
JOURNALOFDISTANCEEDUCATION
Moodle中
，
用來獲取學習者進入學習模式
（learners’access
patterns）
的相關信息
，
然后通過分析技術獲取這些數據中所
蘊含的學習路徑信息
。
在分析數據時
，
他們首先了解學習者登錄系統的一般情
況
，
例如統計出學習者訪問系統次數
、
學習活動的平均時間
間隔等應用數據
。
之后
，
運用兩步聚類算法
（TwoStepClus-
teringAlgorithm），
把學習者在完成學習活動時的不同表現進
行活動分類
。
在此基礎上
，
探究每一群體的學習者共同的學
習行為
，
從而總結出不同學習者進入學習的模式
（learners’
accesspatterns）。
最后
，
他們對獲取的數據進行了更加深入的
路徑分析
，
即通過設置復雜的問題
，
從學習者的學習路徑中
探索具有相關性的學習規律
。
他們的研究結果顯示
，
利用
CoSyLMSAnalytics分析工具所進行的學習分析
，
不僅可以分
析學習者個體并為其提供幫助
，
還可以了解群體學習特征及
交互規律
，
為差異化的學習資源設計與服務提供了依據[51]。
（2）
作為研究網絡學習過程和效用的工具
。
學習分析技
術為回答技術應用于教育的成效問題提供了可能性
。
長期以
來
，
我們一直無法判斷過去50年來投入到學習中的技術是
否實現了其支持學習的許諾[52]，
而學習分析技術則能夠通過
分析教育數據來判斷技術應用于教育的真實效用
。
（
二
）
應用展望
在NMC的地平線報告中
，“
學習分析技術
”
被預測為是
一種將在未來的4-5年被廣泛應用的技術
，
這在很大程度上
與學習技術系統在教育領域普及趨勢相關
。
與世界上其他地
區一樣
，
在線學習技術正逐漸走進我們的高等教育領域
；
數
字化的學習技術系統在基礎教育領域中的廣泛應用也正呈
飛速發展態勢
（
如電子書包
）。
對這些系統中學習行為數據的
挖掘與分析
，
有望用來評估
、
改進教育系統
，
以及評估與改進
學習行為
。
從評估與改進教育系統的角度
，
學習分析技術延續了
DDDM的支持教育決策的理念與方法
，
通過學習行為數據的
挖掘與分析
，
識別學習需求
、
分析學習模式
、
預測學習結
果
，
并通過以下應用為教育決策提供依據
：
提高行政決策
和組織的資源分配
；
識別高危學生并提供學習干預幫助學
生獲得成功
；
通過透明的數據和分析
，
創建共享成功與挑
戰的校園文化
；
創新和變革大學系統
、
學術模型和教學方
式
；
通過提供最新信息和允許快速回應挑戰來增加組織的工
作效率和效能[53]。
從評估與改進學習行為的角度
，
學習分析技術延續并綜
合了網絡行為分析技術與數據挖掘技術的理念與方法
，
將學
習技術系統及學習者所參與的其他在線系統中的行為數據
匯總到學習者
“
電子學檔
”，
對這些行為數據加以挖掘與分
析
，
有望為學習者的個性化學習需求提供更切實的服務
。
隨
著個人學習終端
（
如電子書包
）
的普及以及學習技術系統的
廣泛應用
，
這一應用的趨勢更為顯著
。
五、存在的問題與挑戰
當前
，
學習技術研究領域對學習分析技術寄予了厚望
，
研究者期望從學習者行為數據對學習發生過程及其發生情
境進行深入探究
，
并對技術在教育領域中的真正作用做出評
估[54]。
但同時我們需要注意到
，
學習分析技術目前還存在著缺
陷
，
也面臨著諸多挑戰
，
包括隱私問題
、
準確性
、
信息共享和
數據管理等方面[55]：
（
一
）
隱私問題
學習分析技術所存在的倫理問題是顯而易見的
，
有可能
帶來復雜的隱私問題
，
并可能被解釋為竊聽
。
因悄然審查學
習者的學習行為
，
學習分析技術有可能構成對個人隱私的侵
犯[56]。
用攝像機等工具監視和收集學生學習的過程和活動
，
不
僅會對學生的隱私有所影響
，
而且會讓原本處于自然學習狀
態中的學生感覺到不自然和被干擾
，
他們會時刻考慮
：“
我被
監視了嗎
，
我的行為信息被系統收集了嗎
”
等問題
。
為此
，
需
要找到隱私和學習分析技術之間的平衡點
，
合理整合學習分
析過程中的教學和倫理問題
。
（
二
）
準確性問題
學習分析技術是用基于計算機或網絡的工具獲取和分
析數據
，
利用機器來分析學生的學習行為
。
眾所周知
，
學習的
過程是復雜多變的
，
而且學習是內部心理和內隱思維過程
，
并不都能夠全部通過外顯行為表現出來
。
學習分析技術所能
夠獲取的是那些學生的外顯行為數據
，
由于內隱數據的缺
位
，
行為數據也許不能反映學生學習的全貌
。
如果只分析行
為數據
，
我們就有重返行為主義學習理論的危險[57]。
我們需要
盡可能全面地收集數據以及盡可能廣泛地解釋數據的意義
，
同時需要認識到
，
對于學習分析技術得來的數據的解釋方式
不同也會影響到學習分析結果的準確性
：
我們需要從完全依
靠軟件的自動分析方式
、
人工干預方式以及兩者結合的方式
中選擇適宜的數據解釋方式
。
即便如此
，
也不能保證是否掌
握了足夠的學生學習的信息和選擇了適宜的學生個體作為
樣本
，
利用這些數據對學生的學習所做出的預測不可能是十
全十美的
，
所預測的結果也有可能存在一定的誤差
，
畢竟模
型只預測結果
，
而不能指出直接的原因和效果
。
（
三
）
兼容性問題
雖然學習分析技術具有諸多優勢
，
但是其并非提升學生
學習效果的靈丹妙藥
，
并不能完全適宜于所有情境的學習和
教學
。
目前
，
學習分析技術主要借助網絡來獲取數據
、
分析數
據
，
進行學習分析所用的工具也幾乎都是基于在線課程的
。
不同學習分析工具或者數據采集工具得來的數據的格式或
形態能否相互兼容
，
也是技術層面需考慮的問題
。
此外
，
學習
者的在線活動常常會游離于網絡課程
，
在諸多社會網絡系統
中也留下他們的學習足跡
；
另外大量的學習也發生在傳統的
課堂上
。
如果要將網絡課程之外的學習者行為數據納入到分
析框架之中
，
涉及復雜的分析算法和分析權重問題
；
而如果
要將學習者的課堂行為納入進去
，
問題也變得更為復雜
，
比
如
，
需要通過特定技術讀取學生面部表情
、
肢體語言和語調
聲調
。
這些數據能夠增加學習行為數據的豐富性[58]，
但對數據
獲取和兼容計算帶來的挑戰是巨大的
。
（
四
）
責任分擔問題
如前文所述
，
諸多學習分析技術的應用實例都能預測學
生成功
，
或者對處于危機狀態的學生提出提醒和警告
。
客觀
SpecialContribution
23
2
0
1
2
年
第
1
期
總
第
2
0
8
期
地說
，
利用網絡分析
、
內容分析和話語分析的技術和工具預
測學生成功與失敗的可能性相對容易
，
但是分析結果的處理
或問責則是關鍵
。
對學習施加干預的責任是教師
、
學生
、
教學
機構獨立承擔還是共同分擔
；
其各自以怎樣的方式承擔責
任
；
何時以適當的方式施加教學干預引導自我反思和改善學
習
；
教學機構根據學習分析的結果如何按學生所需分配學習
資源等
，
都是需要解決的棘手問題
。
（
五
）
數據版權問題
隨著學習分析技術的發展和在學習和教育領域的逐漸
應用
，
會創建一個個記錄學生學習成功
、
失敗行為的案例和
檔案數據
。
從某種意義上來說
，
這些數據匯集起來
，
無論對于
教師還是學校來說具有極大的利用價值
。
這些數據的版權屬
于學生個人
、
學校還是數據挖掘和分析公司
，
這些數據如何
共享和繼續使用
，
都是不得不考慮的問題
。
總之
，
學習分析技術有積極的應用價值和巨大的發展潛
力
，
但同時
，
學習分析技術還處在應用的初期也面臨著諸多
的挑戰
。
客觀地說
，
學習分析技術要得到普遍的應用
，
實現其在
學習評估與學習改進方面的潛能
，
還有漫長的實踐探索之路
。
[參考文獻]
［1］［5］Siemens,G.1stInternationalConferenceonLearningAnalytics
andKnowledge2011［EB/OL］.［2010-07-22］.s-
/analytics/about.
［2］Dawson,S.'Seeing'thelearningcommunity:Anexplorationofthe
developmentofaresourceformonitoringonlinestudentnetworking
［J］.BritishJournalofEducationalTechnology,2010,41（5）:736-752.
［3］［12］［36］ngAnalytics［J/OL］.
TheHorizonReport2011edition,28-30.
［4］
顧小清.教師教育評價系統提供診斷服務
［J］.中國網絡教育
，
2011，（1）:33-35.
［6］［9］
顧小清
，
林仕麗等.教育數據30年:從CMI到DDDM［J］.電化
教育研究
，2010，（9）:55-63.
［7］［11］Siemens,ngandKnowledgeAnalytics-Knewton-the
futureofeducation?［EB/OL］.［2011-04-17］.ng-
/?p=126.
［8］Brudner,er-ManagedInstruction［J］.Science,1968,
162（3857）:970-976.
［10］Wayman,ingTeachersinData-BadDecision-Making:
UsingComputerDataSystemstoSupportTeacherInquiryandRe-
flection［J］.JournalofEducationforStudentsPlacedatRisk,2005,
10（3）:295–308.
［13］Brown,nganalytics:thecomingthirdwave［DB/OL］.
［2011-11-16］./ir/library/pdf/.
［14］Siemens,eLearningAnalytics?［EB/OL］.［2010-08-
25］./blog.
［15］［17］［18］Elias,ngAnalytics:Definitions,Processand
Potential［J/OL］.［2011-01-16］..
［16］Helene,F.,Rita,K.&Hanan,ueofLearningAnalytics
toNetworkedLearningonaPersonalLearningEnvironment［C］.
the1stInternationalConferenceonLearningAnalyticsandKnowl-
edge:/.
［19］Berk,forAmericanSoci-
etyforTraining&Development［EB/OL］.［2011-12-10］.http://
/jgkbLR.
［20］［26］Bakharia,A.&Dawson,:Abird’s-eyeviewof
temporalparticipantinteraction［C］.［2011-11-16］.the1stIn-
ternationalConferenceonLearningAnalyticsandKnowledge:http:
///.
［21］Retalis,S.,Papasalouros,A.,Psaromiligkos,Y.,Siscos,
Kargidis,snetworkedlearninganalytics–aconceptand
dingsofthe5thInternationalConferenceonNet-
workedLearning,Lancaster,UK［DB/OL］.［2011-12-10］.http://bit.
ly/jiPDwR.
［22］Baepler,P.&Murdoch,C.J.（2010）.AcademicAnalyticsand
ationalJournalforthe
ScholarshipofTeachingandLearning,4（2）.170-178.
［23］BuckinghamShum,:TowardsWeb2.0Argumentation
［C］.Paperprentedatthe2ndInternationalConferenceon
ComputationalModelsofArgument,Toulou,France.
［24］Castro,F.,Vellido,A.,Nebot,A.,&Mugica,ngdatamin-
ingtechniquestoe-learningproblems［J］.StudiesinComputation-
alIntelligence,2007（62）:183-221.
［25］Haythornthwaite,C.,&DeLaat,M.（2010）.Socialnetworksand
learningnetworks:usingsocialnetworkperspectivestounderstand
sociallearning［C］.Paperprentedatthe7thInternationalCon-
ferenceonNetworkedLearning,Aalborg,Denmark.
［27］Ferguson,structionofSharedKnowledgethroughAsyn-
chronousDialogue［J/OL］.［2011-11-22］.UnpublishedPhD,The
OpenUniversity,:///19908/.
［28］lRearchToolsWiki:TextAnalysisTools
［EB/OL］.［2011-05-17］./
w/page/17801708/Text-Analysis-Tools.
［29］［54］O'Halloran,igatingargumentatioinreadinggroups:
combiningmanualqualitativecodingandautomatedcorpusanalysis
tools［J］.AppliedLinguistics,2011,32（2）:172-196.
［30］BuckinghamShum,guson,LearningAnalytics.
Availableas:TechnicalReportKMI-11-01,KnowledgeMediaIn-
stitute,TheOpenUniversity,UK［EB/OL］./
publications/pdf/.
［31］Whitelock,D.,&Watt,S..OpenMentor:supportingtutorswith
theirfeedbacktostudents［C］.Paperprentedatthe11thCAA
InternationalComputerAssistedAsssmentConference,10/11July
2007.
［32］DeWever,B.,Schellens,T.,Vallcke,M.,&vanKeer,t
analysisschemestoanalyzetranscriptsofonlineasynchronousdis-
cussiongroups:areview［J］.Computers&Education,2006,46（1）,
6-28.
［33］Little,S.,Ferguson,R.,&Rüger,tinganddiscoveringe-
ducationalmaterialsthroughvisualsimilarityarch［C］.Paper
prentedattheWorldConferenceonEducationalMultimedia,Hy-
permediaandTelecommunications（EDMEDIA）,Lisbon,Portugal.
［34］Clow,D.,&Makriyannis,nalyd:ParticipatoryLearning
andReputation［C］.Paperprentedatthe1stLearningAnalytics
AndKnowledgeConference,Banff,Canada.
本期特稿學習分析：正在浮現中的數據技術
24
h
t
t
p
:
/
/
d
e
j.
zj
t
v
u
.
e
d
u
.
c
n
JOURNALOFDISTANCEEDUCATION
［35］Jovanovic,J.,Gaevic,D.,Brooks,C.,Devedic,V.,Hatala,M.,Eap,
T.,-Analyst:manticwebtechnologiesinlearning
contentusageanalysis［J］.InternationalJournalofContinuingEn-
gineeringEducationandLifeLongLearning,2008,18（1）,54-76.
［37］Chen.E.,Heritage,M.&Lee,fyingandMonitoringStu-
dents’LearningNeedsWithTechnology［J］.JournalofEducation
forStudentsPlacedatRisk,2010（3）:309–332.
［38］［39］［41］［43］
顧小清
，
黃景碧等.讓數據說話
：
決策支持系統在
教育中的應用
［J］.開放教育研究
，2010，（10）:99-105.
［40］Brunner,C.,Fasca,C.,Heinze,J.,Honey,M.,Light,D.,Mandi-
nach,ler,gDataandLearning:TheGrow
NetworkStudy［J］.JournalofEducationforStudentsPlacedat
Risk,2005,10（3）:241-267.
［42］UMBC."CheckMyActivity"ReportsforStudentsNowAvailable
InsideBlackboard［EB/OL］.［2009-10-09］./
blogs/oit-news/reports/.
［44］Chen.E.,Heritage,M.&Lee,fyingandMonitoringStu-
dents’LearningNeedsWithTechnology［J］.JournalofEducation
forStudentsPlacedatRisk,2010（3）:309–332.
［45］Kamenetz,n's"AdaptiveLearning"technologyspreadsto
tensofthousandsofstudentsatASU,PennState,SUNY,more［EB/
OL］.［2011-08-16］./knewtons-
adaptive-learning-technology-spreads.
［46］Govaerts,S.,Verbert,K.,Klerkx,al,izingAc-
tivitiesforSelf-reflectionandAwareness［J］.LectureNotesin
ComputerScience,2010,64（83）:91–100.
［47］Macfadyen,L.P.&Dawson,LMSdatatodevelopan
“earlywarningsystem”foreducators:-
ers&Education,2010,54（2）:588–599.
［48］［58］Romary（2011）.HowshouldIu“learninganalytics”?［EB/
OL］.［2011-09-26］./learning-analytics.
［49］［53］Long,mens,G.（2011）.PenetratingtheAnalytics
inLearningandEducation［J/OL］.EDUCAUSEreviewSEPTEM-
BER/OCTOBER.
［50］Iten,L.,Arnold,K.&Pistilli,Real-timeDatatoIm-
proveSdudentSuccessinaGatewayCour［EB/OL］.［2011-11-
12］./bootcamp/.
［51］Retalis,S.,Papasalouros,A.,Psaromiligkos,Y.,Siscos,
Kargidis,snetworkedlearninganalytics–aconceptand
atool［C］.Proceedingsofthe5thInternationalConferenceonNet-
workedLearning,Lancaster,vedfrom/
jiPDwR.
［52］Ochoa,Xavier.1stInternationalConferenceonLearningAnalytics
andKnowledge2011［EB/OL］.［2010-07-22］.s-
/analytics/about.
［55］［57］Campbell,J.P.,DeBlois,P.B.,&Oblinger,D.G.（2007）.
Academicanalytics:Anewtoolforanewera［J/OL］.Educau
Review,42（4）,40–42,44,46,48,50,52.
［56］Brown,M.（2011）.Learninanalytics:thecomingthirdwave［BB/
OL］.［2011-04-10］./ir/library/pdf/ELIB
.
［
作者簡介
］
顧小清
，
博士
，
華東師范大學教育信息技術學系教授
，
博士生導
師
，
主要研究方向為教學訓練系統設計
，
數字化學習環境及用戶行為
（xqgu@）；
張進良
，
碩士
，
湖南科技大學教育學院講師
，
主要研究方向為網絡學習行為
；
蔡慧英
，
在讀碩士
，
華東師范大學教
育信息技術學系
。
LearningAnalytics：Theemergingdatatechnology
GuXiaoqing1，ZhangJinliang2&CaiHuiying1
（mentofEducationalInformationTechnology,EastChinaNormalUniversity,Shanghai200062；
ofeducation,HunanUniversityofScienceandTechnology,HunanXiangtan411201）
【Abstract】
Withthepopularizationandpenetratingofeducationalinformatization,learningmanagementsystemhasacquired
andstorelysisoftheinformationwhichcanbeudto
improveinstructionalsystemandenhancelearningeffectfromthedatahasbeenagreatattractioninthefieldofeducationinformati-
paper,theconceptoflearninganalyticsisfirstlyintroducedasthemeasurement,collection,analysisandreportingof
dataaboutlearnersandtheircontexts,forpurposofunderstandingandoptimizinglearningandtheenvironmentsinwhichitoccurs.
Next,thedevelopmentoflearninganalyticsissummarized,anditswideapplicationandpotentialdevelopmentineducationareindi-
catedandprospected,suchas:learninganalyticscanbeudaffectivesupporttoolsforinstructiondecision-makingandoptimiza-
tioninstructionforteacher,itcanprovideeffectivedatasupportingforstudents'lf-directedlearning,lf-evaluation,learningearly
r,itcanalsoofferdatareferenceforpersonalizedlearningdesignandenhancerearchefficiencyforeducationre-
y,thechallengesandproblemsthatlearninganalyticsarefacingarepointedout,suchasprivacy,accuracyandcom-
patibility.
【Keywords】
Learninganalytics;Learningbehaviors;Datamining;Teachingdecisionmaking;Datasupport
收稿日期
：2011年12月15日
責任編輯
：
陶侃
SpecialContribution
25
本文發布于:2023-03-08 09:28:59，感謝您對本站的認可！
本文鏈接：http://m.newhan.cn/zhishi/a/167823893918177.html
版權聲明：本站內容均來自互聯網，僅供演示用，請勿用于商業和其他非法用途。如果侵犯了您的權益請與我們聯系，我們將在24小時內刪除。
本文word下載地址：浮現.doc
本文 PDF 下載地址：浮現.pdf
| 留言與評論（共有 0 條評論） |
