学习分析学：智慧教育的科学力量(2)

　　认为，LA涉及的理论非常广泛，包括与分析学相关的知识以及其他领域的知识。前者如推荐理论基础协同过滤算法（CollaborativeFilteringAlgorithm)、贝叶斯神经网络（BayesianNetwork)、基于知识的推荐（Knowledge-BasedRecommendation)等；后者则包括学习科学、教学法、学习动机学、学习共同体（Community)、学生毕业率（Retention)等。然而这方面的文献很少，相关人士很难确认哪些变量对教学有参考意义。也就是说，很难分辨哪些测量学生网上活动的变量真正影响到他们的学习和成绩。[36]3.人员虽然现代技术的应用使得电脑软件和硬件可以取代人的努力，但是在很多方面人类的知识、技能和能力是保证结果有效性的重要因素。虽然教师可以通过使用资讯可视化技术、回归等来反思自己的教学设计和教学活动的有效性，评估是否达到教学目的，如学习共同体的建立。然而有效的后续干预很大程度上取决于教师本身解决问题以及决策方面的认知思考能力，而不是完全依赖LA技术以及统计软件。
　　机构认为，LA过程中的社会资本(SocialCapital)或者社会性最容易被忽略掉。然而LA本身不能回避这方面的问题，例如：谁参与了LA项目，他们的决策是如何被支持的，项目成员之间如何沟通和互动。同时，无论LA项目如何成功，要使得其研究成果在现实中付诸实施，则需要教育机构，如大学的领导层采取措施，支持以LA结果为基础的文化和教学模式方面的改革，从而达到LA提高学生学习成绩和改善教学效果的目的。因此，机构资源显示了LA的社会性。
　　在讨论LA技术资源的基础上，Elias提出了LA的模型，其核心是电脑（软件硬件技术）、理论（统计、算法、教学法、学习科学等）、人员（相关人员如教师等）、机构（社会资本属性等）等四种科技资源。这四种资源参与并推动三个环节（收集数据、信息加工、结果应用），使之形成一个循环发展的过程，从而推动学习和教学的持续性提高（如图3所示）。
　　图3LA资源过程模型
　　二）LA的垔妄坏节
　　在2012年召开的ELI(EDUCAUSELearningInitiative)两次学术会议（ELI2012SpringFocusSession和LAK12)基础上，总结讨论了LA研究中出现的主题：数据指标的选取、资讯可视化技术，以及干预和反馈方式。[37]这些也可以看作是在实际研究中应该考虑的LA的重要环节。
　　他首先指出，LA定义的一个重要特点是对以下两方面的区分：一是实现LA的技术，另一方面是的目的。也就是说，所有LA项目都要包括这两方面，一方面要具备获取并分析数据的技术，另一方面要根据分析结果制订有效计划进行决策。
　　数据分析方面，Brown强调在LA中，指标数据的选取直接影响到预测结果的准确性和数据分析的有效性。他提出，在LA研究中经常涉及两类数据指标：个性特点指标(DispositionalIndicators)和行为表现指标(ActivityandPerformanceIndicators)。其中个性特点指标一般为事实性变量，可以量化，如年龄、性别、种族、平均分、学习经验等；行为表现指标主要反映学生在网络学习环境中的数字行为痕迹，如他们登录LMS的次数、在学习网站上的时间、发帖的次数、测验分数等。凤凰城大学使用这两种指标预测学生是否能通过某一课程。比较有趣的是，他们发现有些指标不具备预测作用，如选修课程数量、性别、种族等。另外，密歇根大学的前期预测LA系统只选用了行为指标。Brown认为，大部分LA项目都采用了混合指标来提高预测准确度。也有些学者认为分析学生作品（如作文、视频作品等）可以作为LA的指标，但这种方法不太常见。
　　资讯可视化被视为LA的重要组成部分，一般以两种方式出现：一是呈现数据分析结果（图表等），二是仪表盘。可视化面板也有不同的呈现方式，一种是多个小窗口并列，而各种数据结果呈现在小的窗口中；另外一种是只呈现一个数据窗口，用户可以通过下拉菜单等获取更详细的数据。Borwn强调了可视化技术和用户界面设计在数据呈现中的重要性。
　　终极目的是提高学习和教学成效，因此根据数据分析结果进行有效干预显得非常重要。Brown发现两种干预方式：一是系统自动反应，不需要或较少需要教师参与，例如普渡大学的Signals[38]系统给学生简单明了的红、黄、绿信号；另一种是半自动反应，LA发现学习模式（不喜欢某些学习活动）或者症状(学生缺乏学习动机等），需要教师专家分析之后作出决策，进行干预。
　　五、LA过程维度模型
　　模型注重于LA的纬度，强调了在设计LA系统时应该考虑到的各方面的因素，如从关益者到数据等，但没有突出设计LA的过程。Elisa的LA模型突出了认知性、技术性和社会性（理论、电脑技术、人员和机构），同时强调LA过程的循环性和改进性，但是过程过于简化，例如信息加工涵盖了所有的数据处理分析过程以及数据结果呈现，没有具体纬度。这两个模型倾向于理论化，但对具体开发LA的指导性不强。Brown则着重强调了LA在实际应用中应该注重的两个方面：LA技术本身以及其目的。同时他根据实际应用中的LA系统，总结出LA研究中的具体环节和因素，如不同的数据指标的选择和应用、数据可视化技术以及干预的方式。
　　结合以上的两个模型和Brown的见解，笔者认为LA设计模型应该明确其过程环节，每个环节涉及的纬度要素可能重合。LA设计过程应该包括三个环节：首先是LA目标的确立；其次是LA本身的开发，主要是针对数据的操作、分析、呈现等；最后是干预。将目标作为一个重要环节的主要原因是，在设计开发LA系统之前，必须要有明确的方向：是提高学生动机、提高学生参加学习活动的频率，还是评估该教学活动是否适合所有学生等。有了主导方向，才能根据学习理论和相关研究等确定数据指标、预测模型等，明确数据来源（LMS或者其他数据库）获取数据；同时根据学习理论教学法等，确立统计分析方法，如描述性统计数据、相关性分析、回归预测模型等。数据分析的结果同样可以检测理论基础是否合理，如发现有些数据指标为非显性因子，因此可以进一步简化提炼理论基础。数据结果一般用可视化技术呈现，如可视化面板等。干预措施则建立在整个数据分析结果之上。为确认采取的干预措施是否有效，可以与LA目标对照。而目的本身也将影响干预措施的选择和实施。图4中LA过程模型呈现了我们对智慧教育中LA的过程、相关因子及其相互之间关系的理解。
　　以下我们基于Greller&Drachsler的六个纬度来说明LA设计开发中每一环节涉及的重要纬度(见表3)。
　　然而，尽管LA工具已经在世界各地一些大学被开发和应用，学者们认为，LA在教学应用方面的研究和相应的LA技术研发和系统开发尚处于初始阶段[40][41]。Simens等认为教师缺乏可以用来评估多方面学生成绩以及对学生进行对比分析的LA工具，学生也难以追踪与自己的网上活动和成绩方面的信息。[42]因此他们提出了开放性学习分析平台项目，目的是开发集成的可扩展的LA工具集，以供教师和教育机构对学生的活动进行评估，并以此为基础决定干预措施，从而提高学习效果。同时，学生也可以查看个人的学习进展。该平台预期将开发四种工具和资源：（1)LA引擎；（2)自适应内容引擎；（3)干预引擎，包括干预措施推荐和系统自动支持；（4)仪表盘、报告以及资讯可视化工具。
　　现有的已经开发出的LA系统大多是针对具体课程，目的是根据学生的表现、活动成绩等实施干预措施，以提高学生成绩，改善学习体验等。类似LA系统如普渡大学的CourseSignals、密歇根大学的M-ReportsDashboard、马里兰大学-巴尔的摩县（UMBC，UniversityofMaryland-BaltimoreCounty)的CheckMyActivity，以及亚琢工业大学（RWTHAachen)的eLAT(ExploratoryLearningAnalyticsToolkit)等。
　　尽管有很多系统已经在使用中或者正在开发，但是LA的开发和研究同样面临着诸多挑战。我们以Signals[43]和eLAT[44]为例，来说明这个问题。
　　与很多大学相类似，普渡大学开设了很多入门课程，这些课程往往有很多学生经常对他们的学习状况不是很了解。为了能够及时提醒和通知学生在某一特定课程中的表现和成绩，普渡大学开发了Signals系统。该系统通过数据挖掘和统计预测模型，根据多个变量（表现指标包括：现有平均分和努力程度，如学生LMS的交互频率；个性特点指标包括学术准备，如高中平均分和各项标准考试成绩，以及学生特点，如是否为美国居民、年龄和选修学分）来预测学生是否能够完成/通过该课程。Signals在课程进行的过程中，以交通信号指示灯的方式，让学生了解自己的学习状况：课业良好（绿色）、课业中度危急（黄色），或者课业严重危急（红色）。同时教师可以给学生提供有效的反馈信息，引导学生使用合适的资源等来提高成绩。[45]Signals的使用取得了很多正面效果，如在使用Signals的班级，成绩为A和B的学生比没有使用班级的学生多，而成绩为C和D的学生则少于对照班级。另外，研究还发现，参加至少一门使用Signals的课程的学生比没有使用Signals的课程的学生的四年毕业率高四个百分点。
　　在RWTHAachen大学，Dyckhoff等[48]开发了eLAT，帮助教师在使用L2P、网上教学学习系统时，更好地反思他们的教学方法和成效。通过eLAT，教师可以根据个人兴趣探究内容使用，用户特征、用户行为、测评结果等是否相关以及相关程度等。他们强调LA工具应该具有动态性和灵活性，这样教师可以根据自己的兴趣查看相关信息，确认教学方法是否有效，以及不同特点的学生对同一教学内容是否有不同反映等。eLAT的主要目的是帮助教师自我评价他们的课程以及支持他们做相关研究，因此更多关注的是学生作为一个群体的表现、活动、成绩等，而不是个体学生的信息。即便如此，该系统的设计非常注重保护学生个人隐私，以Hash函数（注：一种用杂凑函数产生随机数的算法）取代学生姓名。此外，他们认为LA工具呈现的数据应该简单易读，因此资讯可视化非常重要。eLAT使用四类指标：文档使用指标、成绩测评指标、用户活动指标和互动交流指标。每类指标包括多种具体指标，如最频繁使用的10个文档属于文档使用指标，教师可以根据指标信息发现学生最喜欢使用的文档，如学生可能喜欢一个具体例子超过课堂讲稿。另外，根据用户活动，他们用不同颜色表示三组用户类型：非常活跃用户（蓝色）、活跃用户（红色）以及非活跃用户（黄色）。如果学生大部分都不够活跃，那么教师可能需要发现原因，考虑如何改进教学内容及方法等。
　　成功是显而易见的，然而研发人员也提出了他们遇到的问题和困难。首先是数据。除了LMS数据容易获取，Signals的预测模型需要的学生个性特点数据是分散的，由不同的相关学校部门分别持有。在开始阶段，聚合汇编数据花了一年多的时间。其次是Signals的使用方面。研究证明早期干预和频繁干预对学生成绩的影响最为正面，然而大部分教师工作负荷很重，多次干预会加重他们的工作负担。最后，研发人员发现，他们很难向学生解释如何得到他们的学习状况危险指数。为此他们专门作了视频，解释了他们的算法和公式。
　　在挑战和困难方面，eLAT研发人员提到了数据指标的选择。他们选择了用户活动指标等，然而很难确认哪些对改进教学有指导意义，也很难确认它们是否包含了所有影响学生成功或失败的指标，因此需要更多的实证研究来验证。此外，研发人员认为数据指标过于简单，只传达一般信息和容易理解的信息，然而，加入一些教师们不熟悉的指标等，可能会给他们解读数据带来困难。
　　因此LA在实际的开发过程中，技术的、伦理的、人员有关的以及实际情况的限制等各方面的问题都可能出现。
　　七、LA与智慧教育
　　随着技术的发展，人类社会进入数据化时代，计划决策等无不以数据为依据。教育也将逐渐成为智慧教育模式，即以学习者为中心，进行个性化学习，为学习者提供各方面支持，将教和学的效果提升到一个新的层次。学习技术如电子课本和移动学习等正处于发展上升期，预计一到两年之内会有广泛应用[49]。这意味着更多的数据可以纳入LA研究的范围。LA以学习科学、教学理论、课程设计理论和已有研究结果为基础，选择学习者特点、网上交互活动频率等变量，分析并监测学生学习情况，评估教学活动教学质量，及时发现学习中存在的问题，从而保证智慧教育的实施。因此，学习分析学应该成为我国教育技术研究者特别关注的新领域。

　　论文榜（www.zglwb.com），是一个专门从事期刊推广、投稿辅导的网站。
本站提供如何投稿辅导，寻求投稿辅导代理，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。


期刊鉴别	论文检测	免费论文	特惠期刊	学术答疑	发表流程

搜索

学习分析学：智慧教育的科学力量(2)