【摘 要】
　　学习分析作为一个从数据中建构意义的研究领域，在过去几年的发展中备受学界关注。学习分析领域的核心问题之一是如何利用数据预测学习者的学业成功或者失败？围绕这一问题，国内外学者开展了大量实证研究，取得了丰富的研究成果。但是，预测指标研究的相关综述却存在一定局限性，如忽视指标适用的学习场所和情境、模糊指标匹配的学习任务类型和参与主体，或是有些综述缺失了领域内的代表性学者、研究和应用。因此，本文通过系统的文献检索和综述，从预测指标适用的学习场所和任务类型出发，梳理了倾向性指标、人机交互指标和人际交互指标三种类型的常用预测指标。本文详细地介绍了过往学业表现、初始知识、学习驱动力、正面或负面学习行为、学习者情感状态、知识表征事件、人际交互频次、社群意识等一系列得到广泛验证的关键预测指标，并将按照“学校场所和工作场所”和“个体学习和群体学习”两个维度划分的四个象限，在每个象限中选取一个典型的学习分析系统进行剖析，这些典型系统是Signals系统、SNAPP系统、Learn-B系统和Cohere系统。本文最后总结了预测分析相关研究的特点和趋势，并指明了未来研究与实践的注意事项和潜在的研究方向。
　　【关键词】 教育大数据；学习分析；预测分析；预测指标；学业成就；学业风险
　　【中图分类号】 G420 【文献标识码】 B 【文章编号】 1009-458x（2018）1-005-12
　　一、综述的背景与聚焦
　　大数据（Big Data）发展的核心动力来源于人类测量、记录和分析世界的渴望（迈尔-舍恩伯格， 库克耶， 2013），教育大数据也正在深刻地影响和改变着教育。但我们冷静地意识到：相较于信息产业、医疗领域等，教育领域对于大数据的测量、收集、分析和汇总仍然处于不甚理想的境况。麦肯锡《大数据》报告在综述了各大社会研究与应用领域后指出：在大数据飞速发展的今天，教育领域是在大数据中受益最少的领域之一，缺乏“数据驱动的思维（Data-driven mind-set）”是教育领域当今面临的主要障碍（Manyika， et al.， 2011），而学习分析领域的快速发展则有望扭转这一悲哀的局面。
　　第一届国际学习分析与知识学术会议将学习分析定义为：为了理解和优化学习过程以及学习环境，对于学习者及其所在情境的数据进行的测量、收集、分析和汇总工作（Siemens