１學習分析技術背景

在學習分析概念形成之前，相關方法、技術和工具都已經發展起來了。學習分析從一系列研究領域汲取技術，如數據統計、商業智能、網頁分析、運籌學、人工智能（ＡＩ）、教育數據挖掘（ＥＤＭ）、社會網絡分析、信息可視化等。數據統計歷來作為一個行之有效的手段用來解決假設檢驗問題。商業智能以數據倉庫、聯機分析處理、數據挖掘等技術為基礎，從不同的數據源中提取數據，將之轉換成有用的信息，它與學習分析有相似之處，但它歷來被定位于通過可能的數據訪問和績效指標總結使生產更高效。網頁分析工具通過網頁訪問量，與互聯網網站、品牌等的關聯做出報告，這些技術可以用來分析學生的學習資源（課程，材料等）以追蹤學生的學習軌跡。運籌學通過設計優化數學模型和統計方法使目標最優化。人工智能和數據挖掘中的機器學習技術建立在數據挖掘和人工智能方法上，它能夠檢測數據中的模式。在學習分析中的類似技術可用于智能教學系統，以更加動態的方式對學生進行分類而不是簡單地進行人口統計分類，可以通過協同過濾技術對特定的資源建立模型。

社會網絡分析可以分析出隱含的人與人（如在論壇上的互動）和外顯的人與人（如朋友或者關注對象）之間的關系，在學習分析中可用于探索網絡集群、影響力網絡、參與及不參與狀況。信息可視化是很多分析的重要一步（包括上面列出的那些分析方法），它可以用來對所提供的數據進行意義建構，《探索性數據分析》一書中給我們介紹了如何更好地利用信息可視化，Ｔｕｋｅｙ強調使用可視化的價值在于幫助在形成正式的假設之前做檢驗。以上這些學習分析技術都可以對大量數據進行分析和處理，形成分析報告為教育提供幫助。學習分析技術的特點在于能夠為網絡教育平臺提供實時數據，通過利用這些實時數據，可以為教師、學生和教育管理人員提供幫助：①為個人學習者提供成績反饋及與他人溝通的行為模式；②為預測學習者提供支持與關注；③為教師和助理人員提供支持個人與集體的干涉計劃；④為如課程小組這樣的組織改善現有課程或開發新的課程提供幫助；（５）為機構管理者在營銷、招聘和效率等方面做決定時提供有效措施。

２學習分析方法

發展中的學習分析技術吸納了許多其它領域的關鍵技術，以實現對學習過程的研究，下面介紹一些常用方法。

２．１社會網絡分析法

社會網絡分析法可用于測繪和測量人、團體、組織、計算機、網址以及其它相互關聯的信息知識試題之間的關系。網絡中的節點是人和團體，它們之間的鏈接則顯示了節點之間的關系或者流量。社會網絡分析為人類關系提供可視化的數學分析。網絡教育平臺管理者可以用它來分析學習者之間的聯系、關系、角色以及關系網絡形成的過程與特點，從而幫助學習者建立自己的關系網絡以支持自己的學習。ＳＮＡＰＰ軟件就可以通過論壇內的回復和跟帖狀況分析學習者交互情況，并得到可視化的圖標。

２．２影響力與消極性測量法

影響力與消極性測量法通過測量傳遞、引用或者轉發的次數，評估人和信息的影響力。網絡教育平臺可以對學習者個體的影響力進行測量，分析了解為什么某些個體能夠獲得高影響力，低影響力學習者應該如何改進。

２．３性格分析法性格分析法旨在獲得學生性格與他們學習情況的數據，以及兩者之間的關系。好奇的學生可能更傾向于提問，學習分析可以對獲得的這些數據進行分析。

２．４行為信任分析法

行為信任分析法使用人們談吐和交流中的信息（在人交流和使用信息的過程中將產生新的信息）作為信任關系的一個指標。網絡教育平臺可用來對人際關系進行分析。

２．５內容分析法

內容分析法可以對學習者的學習過程數據進行定量分析，尋找學習者的行為模式；還可以進行定性分析，運用已積累的數據經驗來預測當前的學習行為。網絡教育平臺可以對學習者的學習行為分析，找到優生和差生學習行為的差別，教師結合自己的教學經驗有針對性地干涉。由于網絡教育平臺數據的實時性，可以根據學習者的學習行為實時進行干涉，當然干涉的準確性需要數據庫的進一步積累，從而產生由量變到質變的效果。ＬＯＣＯ－Ａｎａｌｙｓｔ軟件就可以對網絡教育平臺的內容進行分析。

２．６話語分析法

話語分析法的目的在于獲得有意義的數據（不像社會網絡分析），旨在探討所使用語言的屬性，而不只是網絡上的互動，或者論壇帖子數量的統計。網絡教育平臺可用以探究知識構建的過程，從而使教師和教學研究者對學習發生的過程有更清晰的認識。

２．７社會學習分析法

社會學習分析法的目的在于探索在學習過程中社會交互所扮演的角色，以及學習網絡的重要性，話語如何用來意義建構。網絡教育平臺管理者可以用來構建一個更好的學習者網絡，通過學習者之間的交互，達到相互幫助學習的目的，相互幫助實現知識結構構建。

２．８信息可視化方法

信息可視化可以避免我們在一堆枯燥的數據中尋找規律，數據可視化之后，我們可以更好地進行意義建構。ＢＥＥＳＴＡＲＩｎｓｉｇｈｔ可以自動收集學生實時的參與數據，從而為教師、學生和管理者提供分析圖改善學習。網絡教育平臺上的學習是學生、教師和管理者之間的共同交互過程，應運用不同的方法對這一復雜過程進行研究，才能得到滿意的結果，學習分析技術將在此過程中展現它的作用。

３學習分析技術促進網絡教育平臺發展

筆者將從數據面板、預測性分析和自適應學習分析分別舉例說明學習分析技術為網絡教育平臺帶來哪些幫助。

３．１學習管理系統分析面板

大多數網絡學習平臺上都開始使用學習分析數據面板。實際上，到目前為止，大部分的非專業人員都還不能對記錄數據進行解讀，但是通過一系列的圖像、表格和其它的可視化工具生成的報告，學生、教師和管理人員都可以讀懂。美國一些大學采用了更先進的綜合數據系統，當然這些功能強大的系統也更難以學懂，這些系統能夠探索不同變量之間的關系，使用戶不僅止于掌握預先的報告。學習者在測驗分數、論壇貢獻、參與情況方面，可以得到一些基本分析報告。ＥＤＵＣＡＵＳＥ匯集了一系列有用的高等教育案例，例如亞利桑那州立大學的研究表明，在學術和學習分析上進行投資能夠收到顯著的回報，該大學做了一個“Ｓｔｕｄｅｎｔ３６０”項目，通過該項目學校可以了解該校每一名學生的狀況。

３．２預測性分析

這是學習分析的一種高級應用。通過對學習者的統計數據或者過去的成績之類的靜態數據，和在線登陸方式、討論發帖量之類的動態數據進行分析，追蹤分析學習者的類型。把學習者進行分類，例如該學習者屬于“高成就”，或者該生目前比較“危險”，或者是“社會型學習者”。然后根據學習者的類型進行實時的干預，對“高成就”類型提供一些更具挑戰性的學習任務，而對處于“危險”狀況的學生，教師則需要特別關注，給予一些學習上的幫助，而對于“社會型”的學生，則可能需要給予社交上的支持。目前對于期末考試成績最可靠的預測，是在學習開始的時候做一個小的學習能力測驗。如果想設計更復雜的數據驅動預測模型，必須在此基礎上進行改進，而這需要進一步的數據分析，以確定哪些變量能夠預測“成功”。Ｐｕｒｄｕｅ大學的ＣｏｕｒｓｅＳｉｇｎａｌｓｏｆｔｗａｒｅ非常知名，已經部分實現了這一技術。Ｓｉｇｎａｌｓ在學生的學習過程提供了紅色、黃色、綠色等信號，以幫助教師和學生了解目前的學習狀況。最近的評估報告表明，參與ＣｏｕｒｓｅＳｉｇｎａｌ項目的學生獲得了更高的平均分，能夠更快速地尋找幫助資源。來自密歇根大學的報告顯示，自適應干預技術能夠幫助參與Ｅ２Ｃｏａｃｈｉｎｆｒａｓｔｒｕｃｔｕｒｅ項目的物理系學生學習健康信息，給他們提供定制的反饋，并鼓勵學生改變他們的學習策略。

３．３自適應學習分析

自適應學習平臺建立了一個學習某個主題（如代數；光合作用）的模型，并在標準化測試背景下建立了課程測試的模型。這種平臺能夠提供更細致的反饋（例如你已經掌握了哪些概念并掌握到何種程度），據此自動呈現以后的學習內容（例如不呈現基于學習者所未掌握概念的材料）。當然，建立學習者認知的動態模型，和準備自適應學習內容的引擎比設計和實現傳統的學習平臺需要更多的資源。大量的研究證據表明，采用這種方法將使個性化學習成為可能。在智能教學系統和自適應平臺上大量的研究和資金投入，將會為網絡教育平臺帶來更好的用戶體驗。卡內基－梅隆大學的ＯｐｅｎＬｅａｒｎｉｎｇＩｎｉｔｉａｔｉｖｅ課程是免費的，大家可以去體驗一下，而Ｇｒｏｃｋｉｔ與Ｋｎｅｗｔｏｎ公司的商業平臺也做得很好。

４結語

國外的大量實踐表明，學習分析技術越來越顯示出它的重要性。基于學習分析技術巨大的發展潛力，也希望更多的公司和機構投入到這個領域，畢竟學習分析技術還處于發展應用的初期階段。而學習分析技術支持下的網絡教育平臺，將為我國遠程教育發展帶來新的機遇。

作者：胥果 單位：西華師范大學教育學院