论文部分内容阅读
大数据，作为当今热词，已催生了许多行业的转型与变革。在教育领域中，同样蕴藏着具有应用价值的海量数据。如何有效地利用这些数据，使之转变成有价值的信息与知识，从而更好地理解学习发生机理、监测学习过程、改进学习设计、优化学习效果、提供学习服务、辅助教育决策，已引起社会广泛关注。学习分析技术应运而生。
伴随着教育信息化的逐渐深入，教育系统中积累了大量有关学生复杂学习行为的数据，这些数据背后的本质可能正是破解“学习如何发生”这一问题的答案。深度挖掘和分析这些复杂行为数据，能够为推进信息技术与教育教学的深度融合，为运用大数据技术推动教育教学创新提供先决条件。如何有效地利用这些数据推动教育变革，实现通过教育大数据改进学习实践，提供更好的教学与学习服务，是教育教学改革推动过程中亟待解决的问题。学界将通过收集和分析学习者在学习过程中表现的学习行为数据，实现学生全学段学习状况的预判、监控及评测的技术称为“学习分析技术”，并视之为干预教育教学决策、优化教师教学过程、支持学生以自我为导向开展个性化学习及自我评估的有效技术手段。
教育大数据推动学习分析
学习分析技术是运用多类分析方法和数据模型，基于学习者的行为数据及学习轨迹，对学习生成的海量数据进行解释，进而发现学习规律、预测学习结果。随着大数据技术的不断发展，学习分析技术在教育领域的应用日渐广泛与深入。在学习方面，学习分析技术旨在以学生为主体，从已发生的学习数据中诊断问题和不足，以便为学习者制定基于个性化需求的学习服务;在教学方面，学习分析技术可以用于评估和优化课程，为教育干预和教学改进提供依据。学习分析技术作为从海量数据中提取隐含信息的工具，能够通过学习行为大数据对学习过程产生更全面、深刻的认识，从而为学习者提供更具针对性的个性化教学辅助。
大数据被认为是由于信息技术的突飞猛进而引发的数据规模爆炸式增长的产物。大数据不仅具备海量的数据规模，同时它的数据流转速度快，数据类型丰富多样，但存在价值密度低的缺陷，需要加以挖掘才能体现其潜在价值。对大数据的挖掘已经在很多领域体现出价值，因此教育大数据的挖掘也被寄予了厚望。2012年9月，美国布鲁金斯学会在《教育大数据：数据挖掘、数据分析和网络仪表盘》一文中提出，依托数据挖掘、分析和可视化等技术，可以实现学习过程信息的深层挖掘，学习表现的深入了解，学习过程的极大优化。最终实现由传统教学到教育信息化的转变，突破固有依赖定期测试和教师主观性评价的局限。
无论是学生在课堂中的具体表现还是在线学习终端记录的行为数据，都将成为教育大数据的来源。“大”数据不仅意味着庞大的数据量，还意味着数据获取的高频度以及数据结构的多元化。因此，怎样获取教育大数据，如何挖掘学习过程数据隐含的教育价值，是基于教育大数据进行学习分析的研究方向。目前，在教育教学过程中应用学习分析技术越来越重要。随着数据来源和数据数量的日益递增，智能技术的日益成熟以及可视化数据分析表征日益细化，教育大数据为学习分析的深入探索提供了数据基础及多方面的研究可能性。
数据是学习分析的核心
从挖掘数据潜力，到凝练出学习分析的研究方向，笔者所在团队在数据驱动的学习分析研究领域不断探索，逐渐形成以数据为核心的学习分析研究闭环（见下图）。
从上图可以看到，学习分析技术，是以数据为核心，形成的“收集—分析—应用”的完整技术闭环。在这一技术内核上，我们更多是从技术角度探讨如何获取和汇聚多样化的数据，如移动设备捕捉、智能语义转化等多源异构数据的采集技术;探讨如何处理和分析多源异构的数据，如采用网络分析法、话语分析法、内容分析法以及机器学习与深度学习相关的模型算法等分析技术;探讨如何以面向应用的视图报告数据处理结果，如提供学习者画像与进行可视化呈现。众多数据技术实现了对多源数据的有效整合，为指导实践提供了坚实的技术支撑。
学习分析的外层，则是从其功能的视角呈现学习分析技术的价值目标，也就是通过技术内核的数据闭环所产生的结果能够为教、学、研所提供的功能价值：理解学习机理、监控学习过程、改进学习设计、优化学习效果、提供学习服务、辅助教育决策。如通过學习者的访问日志洞悉可能产生的认知困难和影响学习过程的情境因素，从而理解学习发生的机理。通过探究学习者的交流话语，更清晰地认识和监控学习者的学习过程。经由分析在线学习过程中的关系、角色分布，为改进个体学习提供证据支持，并最终在实践之中优化教学效果。立足于技术闭环的数据挖掘和呈现，结合已有经验预判和评测当前的学习者行为，从而为学习者提供个性化学习服务。此外，经由实践检验的学习分析结果源于对数据的真实挖掘和推演，能够更有效地辅助决策者制定相应的教育决策。
围绕上述学习分析闭环，我们也形成了系列研究。
第一，在理解学习发生机理方面，我们围绕“认知—非认知—社会性”的学生学习发展主线，积极寻找“学习如何发生”的观测新视角和答案。团队中多项课题试图通过捕获学生的“问题解决”与“概念转变”过程，刻画学生问题解决的行为模式、破解认知结构的变化规律;以“学习持续力”“技术使用”为重点，找寻学生学习持续力的作用机制和教师技术采纳的关键诱因;专注于“协作”的发生与发展，致力于勾勒协作学习能力的多维评估与发展框架。
第二，在监测学习过程方面，过去的若干年中，我们致力于如何有效地捕获学习全过程数据，以便跟踪动态学习进程。比如，团队先后设计并开发了诸如“问题解决测评系统”“游戏化协作学习平台”等工具，捕获学生在问题解决过程及协作过程中的行为，判断学生问题解决的所处阶段、协作的即时进程。
第三，在改进学习设计方面，我们与中小学展开合作。比如，围绕“数学课堂高阶思维”主题，运用学习分析技术对课堂中的师生对话进行捕获和挖掘，经由行为序列分析，在多轮迭代之中不断调整数学“单元活动”的设计，最终提升学生的高阶思维能力。研究成果形成了聚焦于“批判性思维”“知识迁移”能力的学习设计改进方案，并开展迭代研究。 第四，在优化学习效果方面，我们一直在努力寻找这样的契机——通过发挥学习分析结果的作用，为优化学习效果创造更多的可能性。比如，依托学习分析技术，从“基本属性—行为属性—结果属性”等多个维度建立学习者画像，并根据画像分析结果生成学习反馈、学习预警、学习干预以及个性化学习推荐等典型策略。实践表明，学习者画像在一定程度上能有效地提高学习体验、促进学习参与和改善学业成绩。我们认为，想要学习分析发挥优化学习效果的作用，关键在于能否借助学习分析技术对学生进行全方位分析，并提供精准化的干预，如此方能彰显优化效果。
第五，在提供学习服务层面，我们启动了自适应测试的专题研究，目的是基于前沿理论和学习者建模技术，根据数据分析结果为不同的个体或群体提供差异化的服务，以实现学习的自适应。当前，我们正在研制面向中小学和高校学生的自适应学习系统，从而为师生提供面向每个人、适合每个人的学习服务支持，以帮助他们更有针对性地开展相关知识的学习与能力发展。伴随着智能技术的发展，未来的学习服务将更多地体现个性化的特点，以发展每个个体的潜能。
最后，在辅助教育决策层面，我们先后与一些区域合作，并尝试为这些地区的教育大数据发展提供咨询服务。在充分调研的基础上，结合数据分析技术，诊断合作区域内的教育质量提升瓶颈和发展滞缓根源，帮助其制定科学的教育发展决策。对于制定教育决策，我们一直坚持，经验判断应以数据挖掘作为依据及决策辅助。科学的决策制定要从大数据中找寻更多支持。
數据驱动决策，分析变革教育
传统教学模式中的教师往往根据自身的经验和主观判断，选择教学策略和设计课堂活动。大数据背景下的学习分析技术帮助教师突破经验的局限，更有针对性、更细致地进行教学改进。此外，学习分析技术能够帮助学生完成自我监控、评估并实现自我导向的个性化学习。学习者根据可视化的学习行为与结果分析可以清楚地了解自身的学习表现，认识到自身的不足和问题，进行自我评价并判断个人的学习需求。通过追踪个人学习行为轨迹，分析学习过程中的行为数据，充分意识到自身的学习习惯和学习特征，并了解与其他学习者的学习差距，有针对性地调整学习计划并做出改变，实现以自我为导向的个性化学习。
在“数据驱动决策，分析变革教育”的时代，教育大数据纷繁复杂，亟待使用分析技术对其进行量化分析。学习分析技术通过“数据收集—分析—应用”的周期性循环有助于深度挖掘学习过程数据的内涵价值，使数据呈现出可视化结果，预测学生的学习结果，了解学生的学习动机和学习现状，为教育决策干预和教学过程优化提供重要依据。从整体上看，学习分析技术能够帮助教师和学生深入理解不同情境下的学习数据，实现了数据价值的高效应用，为教育教学改革提供数据支持和科学依据。
（作者单位：华东师范大学）
责任编辑：王梦茜
伴随着教育信息化的逐渐深入，教育系统中积累了大量有关学生复杂学习行为的数据，这些数据背后的本质可能正是破解“学习如何发生”这一问题的答案。深度挖掘和分析这些复杂行为数据，能够为推进信息技术与教育教学的深度融合，为运用大数据技术推动教育教学创新提供先决条件。如何有效地利用这些数据推动教育变革，实现通过教育大数据改进学习实践，提供更好的教学与学习服务，是教育教学改革推动过程中亟待解决的问题。学界将通过收集和分析学习者在学习过程中表现的学习行为数据，实现学生全学段学习状况的预判、监控及评测的技术称为“学习分析技术”，并视之为干预教育教学决策、优化教师教学过程、支持学生以自我为导向开展个性化学习及自我评估的有效技术手段。
教育大数据推动学习分析
学习分析技术是运用多类分析方法和数据模型，基于学习者的行为数据及学习轨迹，对学习生成的海量数据进行解释，进而发现学习规律、预测学习结果。随着大数据技术的不断发展，学习分析技术在教育领域的应用日渐广泛与深入。在学习方面，学习分析技术旨在以学生为主体，从已发生的学习数据中诊断问题和不足，以便为学习者制定基于个性化需求的学习服务;在教学方面，学习分析技术可以用于评估和优化课程，为教育干预和教学改进提供依据。学习分析技术作为从海量数据中提取隐含信息的工具，能够通过学习行为大数据对学习过程产生更全面、深刻的认识，从而为学习者提供更具针对性的个性化教学辅助。
大数据被认为是由于信息技术的突飞猛进而引发的数据规模爆炸式增长的产物。大数据不仅具备海量的数据规模，同时它的数据流转速度快，数据类型丰富多样，但存在价值密度低的缺陷，需要加以挖掘才能体现其潜在价值。对大数据的挖掘已经在很多领域体现出价值，因此教育大数据的挖掘也被寄予了厚望。2012年9月，美国布鲁金斯学会在《教育大数据：数据挖掘、数据分析和网络仪表盘》一文中提出，依托数据挖掘、分析和可视化等技术，可以实现学习过程信息的深层挖掘，学习表现的深入了解，学习过程的极大优化。最终实现由传统教学到教育信息化的转变，突破固有依赖定期测试和教师主观性评价的局限。
无论是学生在课堂中的具体表现还是在线学习终端记录的行为数据，都将成为教育大数据的来源。“大”数据不仅意味着庞大的数据量，还意味着数据获取的高频度以及数据结构的多元化。因此，怎样获取教育大数据，如何挖掘学习过程数据隐含的教育价值，是基于教育大数据进行学习分析的研究方向。目前，在教育教学过程中应用学习分析技术越来越重要。随着数据来源和数据数量的日益递增，智能技术的日益成熟以及可视化数据分析表征日益细化，教育大数据为学习分析的深入探索提供了数据基础及多方面的研究可能性。
数据是学习分析的核心
从挖掘数据潜力，到凝练出学习分析的研究方向，笔者所在团队在数据驱动的学习分析研究领域不断探索，逐渐形成以数据为核心的学习分析研究闭环（见下图）。
从上图可以看到，学习分析技术，是以数据为核心，形成的“收集—分析—应用”的完整技术闭环。在这一技术内核上，我们更多是从技术角度探讨如何获取和汇聚多样化的数据，如移动设备捕捉、智能语义转化等多源异构数据的采集技术;探讨如何处理和分析多源异构的数据，如采用网络分析法、话语分析法、内容分析法以及机器学习与深度学习相关的模型算法等分析技术;探讨如何以面向应用的视图报告数据处理结果，如提供学习者画像与进行可视化呈现。众多数据技术实现了对多源数据的有效整合，为指导实践提供了坚实的技术支撑。
学习分析的外层，则是从其功能的视角呈现学习分析技术的价值目标，也就是通过技术内核的数据闭环所产生的结果能够为教、学、研所提供的功能价值：理解学习机理、监控学习过程、改进学习设计、优化学习效果、提供学习服务、辅助教育决策。如通过學习者的访问日志洞悉可能产生的认知困难和影响学习过程的情境因素，从而理解学习发生的机理。通过探究学习者的交流话语，更清晰地认识和监控学习者的学习过程。经由分析在线学习过程中的关系、角色分布，为改进个体学习提供证据支持，并最终在实践之中优化教学效果。立足于技术闭环的数据挖掘和呈现，结合已有经验预判和评测当前的学习者行为，从而为学习者提供个性化学习服务。此外，经由实践检验的学习分析结果源于对数据的真实挖掘和推演，能够更有效地辅助决策者制定相应的教育决策。
围绕上述学习分析闭环，我们也形成了系列研究。
第一，在理解学习发生机理方面，我们围绕“认知—非认知—社会性”的学生学习发展主线，积极寻找“学习如何发生”的观测新视角和答案。团队中多项课题试图通过捕获学生的“问题解决”与“概念转变”过程，刻画学生问题解决的行为模式、破解认知结构的变化规律;以“学习持续力”“技术使用”为重点，找寻学生学习持续力的作用机制和教师技术采纳的关键诱因;专注于“协作”的发生与发展，致力于勾勒协作学习能力的多维评估与发展框架。
第二，在监测学习过程方面，过去的若干年中，我们致力于如何有效地捕获学习全过程数据，以便跟踪动态学习进程。比如，团队先后设计并开发了诸如“问题解决测评系统”“游戏化协作学习平台”等工具，捕获学生在问题解决过程及协作过程中的行为，判断学生问题解决的所处阶段、协作的即时进程。
第三，在改进学习设计方面，我们与中小学展开合作。比如，围绕“数学课堂高阶思维”主题，运用学习分析技术对课堂中的师生对话进行捕获和挖掘，经由行为序列分析，在多轮迭代之中不断调整数学“单元活动”的设计，最终提升学生的高阶思维能力。研究成果形成了聚焦于“批判性思维”“知识迁移”能力的学习设计改进方案，并开展迭代研究。 第四，在优化学习效果方面，我们一直在努力寻找这样的契机——通过发挥学习分析结果的作用，为优化学习效果创造更多的可能性。比如，依托学习分析技术，从“基本属性—行为属性—结果属性”等多个维度建立学习者画像，并根据画像分析结果生成学习反馈、学习预警、学习干预以及个性化学习推荐等典型策略。实践表明，学习者画像在一定程度上能有效地提高学习体验、促进学习参与和改善学业成绩。我们认为，想要学习分析发挥优化学习效果的作用，关键在于能否借助学习分析技术对学生进行全方位分析，并提供精准化的干预，如此方能彰显优化效果。
第五，在提供学习服务层面，我们启动了自适应测试的专题研究，目的是基于前沿理论和学习者建模技术，根据数据分析结果为不同的个体或群体提供差异化的服务，以实现学习的自适应。当前，我们正在研制面向中小学和高校学生的自适应学习系统，从而为师生提供面向每个人、适合每个人的学习服务支持，以帮助他们更有针对性地开展相关知识的学习与能力发展。伴随着智能技术的发展，未来的学习服务将更多地体现个性化的特点，以发展每个个体的潜能。
最后，在辅助教育决策层面，我们先后与一些区域合作，并尝试为这些地区的教育大数据发展提供咨询服务。在充分调研的基础上，结合数据分析技术，诊断合作区域内的教育质量提升瓶颈和发展滞缓根源，帮助其制定科学的教育发展决策。对于制定教育决策，我们一直坚持，经验判断应以数据挖掘作为依据及决策辅助。科学的决策制定要从大数据中找寻更多支持。
數据驱动决策，分析变革教育
传统教学模式中的教师往往根据自身的经验和主观判断，选择教学策略和设计课堂活动。大数据背景下的学习分析技术帮助教师突破经验的局限，更有针对性、更细致地进行教学改进。此外，学习分析技术能够帮助学生完成自我监控、评估并实现自我导向的个性化学习。学习者根据可视化的学习行为与结果分析可以清楚地了解自身的学习表现，认识到自身的不足和问题，进行自我评价并判断个人的学习需求。通过追踪个人学习行为轨迹，分析学习过程中的行为数据，充分意识到自身的学习习惯和学习特征，并了解与其他学习者的学习差距，有针对性地调整学习计划并做出改变，实现以自我为导向的个性化学习。
在“数据驱动决策，分析变革教育”的时代，教育大数据纷繁复杂，亟待使用分析技术对其进行量化分析。学习分析技术通过“数据收集—分析—应用”的周期性循环有助于深度挖掘学习过程数据的内涵价值，使数据呈现出可视化结果，预测学生的学习结果，了解学生的学习动机和学习现状，为教育决策干预和教学过程优化提供重要依据。从整体上看，学习分析技术能够帮助教师和学生深入理解不同情境下的学习数据，实现了数据价值的高效应用，为教育教学改革提供数据支持和科学依据。
（作者单位：华东师范大学）
责任编辑：王梦茜