我國學習分析的十年發展現狀及未來路向*

李香勇 王艷

(1 桂林航天工業學院 傳媒與藝術設計學院,廣西 桂林 541004;2 桂林航天工業學院 黨委組織部,廣西 桂林 541004)

教育數字化轉型推動著我國教育改革的全面深化,如何構建以學習者為中心的智慧學習環境,實現數據驅動的智能化學習服務和個性化學習指導,推動教育決策由經驗驅動走向數據驅動[1],學習分析作為賦能教育數字化的關鍵力量,能夠在其中發揮重要的作用。2011年學習分析(Learning Analytics)的概念提出,并被第一屆學習分析與知識國際會議定義為 “通過測量、收集、分析和報告有關學習者及其所處環境的數據,從而了解、優化學習過程和學習環境”[2]。國內學者敏感地察覺到學習分析的廣闊應用前景,于2012年開始介紹和研究學習分析,直到2021年經過了十年的發展,這十年間學習分析為人們客觀理解學習過程細節、把握學習狀態特征、預測學習發展趨勢、實現針對性教學干預提供了有效的支持。為促進學習分析的理解與發展,提升學習分析賦能教育數字化的作用,本研究嘗試通過對我國學習分析十年來的研究文獻進行梳理,明晰我國學習分析十年發展的研究熱點、具體應用、問題瓶頸及未來路向,為學習分析的相關研究提供參考。

1 研究方法與總體分析

1.1 研究方法

研究以中國知網數據庫作為文獻來源,設置檢索條件為關鍵詞包含“學習分析”或者“學習分析技術”、篇名包含“學習分析”或者“學習分析技術”,設置文獻發表時間為2012年1月至2021年12月(檢索時間為2022年10月16日),由于中文核心期刊(北京大學《中文核心期刊要目總覽》)及CSSCI期刊(中文社會科學引文索引)屬于國內的權威刊物,學術水平較高,能夠代表該領域的研究水準及方向。因而,將文獻來源類別設置為“核心期刊及CSSCI”,篩選掉重復文獻后共檢索獲得452篇文獻,剔除海報、書評、廣告等無關內容,共獲得有效文獻392篇作為研究樣本。

研究選用陳超美教授開發的軟件CiteSpace6.1.R2對我國學習分析的作者、機構合作網絡及關鍵詞聚類進行計量分析,該軟件能夠通過共引分析理論和尋徑網絡算法繪制科學知識圖譜,在軟件中設置Time Slicing(時間分區)為2012至2021,Year Per Slice (時間切片)為 1,即每年一個分區,其他基本參數值采用默認值,直觀呈現十年來我國學習分析的作者、機構合作關系以及研究熱點,結合可視化圖譜和文獻的深入閱讀對合作網絡及研究主題進行梳理與分析。此外,還通過微軟EXECL對相關數據進行統計分析。

1.2 總體分析

1.2.1 2012-2021年載文量分析

運用EXECL分析十年來我國學習分析發文數,其中,總發文數392篇,平均年發文數39.2篇。

從圖1可以看出2012-2016年發表論文篇數快速增長,屬于快速增長期,人們對學習分析的認識不斷深入;2016-2019年屬于調整期,這一時間所發表的論文數雖有起伏但差距不大,可以看出學習分析的熱度有所趨緩;2019年發表論文數達到頂峰值67篇;2020-2021年受疫情影響,論文發表篇數呈下降趨勢;2021年的篇數大約僅有2019年的一半,與2015年持平,可以看到學習分析在我國的研究熱度正在減小。

1.2.2 2012-2021年載文量前十的期刊分析

通過對我國學習分析392篇核心期刊文獻進行統計,得出載文量前十的期刊信息,如表1所示。

圖1 2012-2021年我國學習分析發文數

表1 2012-2021年我國學習分析載文量前十的期刊

通過分析發現, 我國學習分析392篇核心文獻共發表在54本不同的期刊中,其中和教育技術密切相關的八本期刊(CNKI復合影響因子均大于3.5)正好占據了發文量排名的前八名,共計發表文獻302篇,占所有文獻的81.9%,據此也可以看出學習分析是教育技術的重要研究領域,也是教育技術期刊的重點關注內容,研究者對學習分析開展了廣泛而深入的研究,為學習分析的推廣和應用提供了有效的支持。

1.2.3 2012-2021年引用量排名前十的文章分析

將所查詢樣本文獻依據引用數進行排序,獲得排名前十的論文及作者信息,如表2所示。從表2可以看出學習分析在我國的發展雖然僅有十年,但是受到了廣泛的關注,引用數和下載量較高,最大下載量甚至達到了42 821,排名前十的論文中有7篇文章是2012年和2013年這兩年間所發表的。

表2 2012-2021年我國學習分析引用數排名前十的論文信息

《大數據視角分析學習變革》(徐鵬 等,2013)一文解讀了美國《通過教育數據挖掘和學習分析促進教與學》報告,辨析了教育數據挖掘和學習分析在研究目的、對象和方法上的異同,分析了自適應學習系統的組成及運轉步驟,闡述了教育數據挖掘和學習分析面臨的技術挑戰、組織體制挑戰以及隱私與倫理道德限制等,對我國學習分析宏觀層面(技術支撐、管理體制支撐和法律制度支撐)和微觀層面(虛擬學習社區構建、學習資源推送機制、學習路徑優化)等內容進行了思考和展望[3]。

作為目前我國學習分析相關文獻里下載量最高的一篇文章,《教育人工智能(EAI)的內涵、關鍵技術與應用趨勢》(閆志明 等,2017)從介紹美國白宮科技政策辦公室發布的兩份人工智能報告(《為人工智能的未來做好準備》和《國家人工智能研發戰略規劃》)入手,思考了教育人工智能的內涵、關鍵技術、應用及發展趨勢,以及政府、學校等組織在培養教育人工智能人才中的角色定位,提出了教育人工智能未來發展需要思考的問題[4]。

在線學習提供了具有“大價值”的數據,為學習分析提供了重要的研究基礎?！痘诖髷祿膫€性化自適應在線學習分析模型及實現》(姜強 等,2015)一文在解釋大數據的內涵基礎上構建了包括四個重要維度(數據與環境、關益者、方法與目標)的個性化自適應學習分析模型,并通過實證研究表明該模型能夠實現學習路徑與學習資源的精準推送以及學習效果的準確反饋[5]。

此外,還有學者對不同用戶如何應用學習分析技術(魏順平,2013)[6],學習分析的內涵、發展及關鍵技術的梳理(顧小清 等,2012)[7],學習分析在MOOC本土化進程中的應用(顧小清 等,2013)[8],學習分析的典型數據分析及應用服務(李艷燕 等,2012)[9],學習分析技術研究與應用的現狀(李青 等,2012)[10],在線學習行為投入分析框架與測量指標構建(李爽 等,2016)[11]以及學習分析的定義、緣起、設計框架和模型的闡述(祝智庭等,2013)[12]等方面進行了研究。

2 作者、機構合作網絡分析及研究熱點聚類

2.1 作者合作網絡

通過CiteSpace軟件進行分析,并設置Threshold值為3,即發文量兩篇以上,得到作者合作網絡圖譜,如圖2所示。其中,節點代表作者,連線表示作者之間的合作,圖中出現點和線而不出現作者姓名代表發文數小于3。

圖譜中共有261個節點,240條連線,中心性基本為0,網絡密度為0.007 1?？梢钥闯鲎髡吆献骶W絡非常松散。按作者合作發文量的降序排序,如表3所示。其中,研究方向以作者最新發表文獻中的說明進行標識。發文量在8篇以上的作者共9人,總發文量共占所有發文量的29.7%,9位作者基本都在師范院校從事教育技術學專業的教學,主要原因是學習分析側重于對教學與學習的支持,是師范院校的職業需求和重要的研究方向。

圖2 2012-2021年我國學習分析作者合作網絡圖譜

表3 2012-2021年我國學習分析作者合作發文量8篇以上的作者信息

發文量排名第一的作者是顧小清,其撰寫的《學習分析:正在浮現中的數據技術》(顧小清 等,2012)是我國最早介紹學習分析的文章,該文介紹了學習分析技術產生的緣起,解讀了學習分析技術的定義、要素、過程和特征,描述了學習分析技術的發展軌跡和主要的關鍵技術(網絡分析法、內容分析法、話語分析法),從教師、學生、教育研究者的角度展望了學習分析技術的發展前景,提出了學習分析技術的發展還存在隱私、準確性、兼容性、責任分擔和數據版權等方面的問題與挑戰,為理解和應用學習分析技術提供了有效的幫助[7]。

2.2 機構合作網絡

運用CiteSpace軟件對機構合作進行分析,如圖3所示。所有機構標注到二級單位的以一級單位進行合并,同一作者標注兩個單位的,以第一單位進行統計,獲得合作頻次排名前十的機構合作信息如表4所示。

圖3 2012-2021年我國學習分析機構合作網絡圖譜

通過分析發現,圖譜中共有194個節點,201條連線,網絡密度為0.010 7。節點之間連接線較少,可以發現機構間交流不足、合作網絡稀疏,圖譜中的機構文字大小代表了發文量的高低,圖中文字較大的、合作頻次在20次以上的基本是師范院校(如表4所示)。其中,發文量最多的是北京師范大學,該機構包括了教育技術學院、學習設計與學習分析重點實驗室、未來教育高精尖創新中心、智慧學習研究院等多個子機構,對學生個性化分析模型(武法提 等,2014)[13]、學習行為的投入度框架(李爽 等,2016)[11]以及學習分析的內涵、實踐需求與研究領域(何克抗,2016)[14]等主題進行了分析與闡述。

表4 2012-2021年我國學習分析機構合作按頻次排名的前十位信息

2.3 研究熱點聚類

關鍵詞能夠突顯研究文獻的核心內容,為了解我國學習分析的研究熱點,研究通過CiteSpace軟件對2012-2021年學習分析文獻進行關鍵詞聚類,并依據時間線形式進行呈現,如圖4所示。所獲聚類圖譜中共有318個節點,826條連線,網絡密度為0.016 4,Q值(聚類模塊值)為0.518 6,Q值越大代表聚類效果越好,通常Q>0.3表明聚類結構是顯著的,S值(聚類平均輪廓值)為0.893 3,大于0.7,表明聚類合理并且是令人信服的。聚類所獲得的10個類別分別是(見圖3):學習行為、慕課、學習情境、人工智能、大數據、學習評價、在線學習、學習風格、學習科學和學業成就。

從聚類的結果看,我國的學習分析以學習者為主體,以學習科學為基礎,通過在線學習和慕課中的學習行為數據尤其是大數據的研究,了解學習者的學習狀態、學習風格和學業成就,從而實現客觀的學習評價和學習預測,也為后續的學習情境優化和學習干預提供幫助,人工智能的助力能夠為學習分析的自動化分析和實時動態呈現提供幫助。

圖4 2012-2021年我國學習分析文獻關鍵詞聚類時間線圖譜

3 我國學習分析的研究熱點

從以上的可視化圖譜中可以看到學習分析十年來的研究熱點,同時,結合一些重要和熱點文獻的閱讀梳理,發現十年來我國學習分析的研究主要涵蓋了理論與模型、方法與工具、政策與隱私、現實應用以及技術探索等方面。

3.1 開展理論研討,構建分析模型

3.1.1 學習分析的理論探討

學習分析這一概念進入我國后,引發了研究者們的熱烈討論。學習分析究竟歸屬于技術、學科還是領域,研究者們有不同的認識。顧小清(2012)等用學習分析指代學習分析技術,更偏向學習分析的技術指向,她認為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[7]。何克抗(2016)認為,目前學習分析主要是當作手段、方法來運用,而不是作為學習科學領域的特定概念來研究,稱之為學習分析技術更為恰當[14]。祝智庭(2012)等認為學習分析是以教育技術為基礎的遠程在線學習領域內的研究熱點[15],是指對學習者產生的大范圍數據的解釋,這些數據用于評估學術過程、預測未來表現和發現潛在問題。他將Learning Analytics譯為 “學習分析學”,似乎有看好學習分析的發展前景,可能成為一門獨立分支學科之意[12]。除此之外,更多的學者贊同學習分析作為研究領域的觀點(吳永和 等,2013;劉三女牙 等,2016;牟智佳 等,2016)[16-18],這與2012年學習分析與知識國際會議解釋相同,該會議認為“學習分析領域是一個快速擴展的研究和實踐領域”[19],這一領域匯集了一系列的方法、工具和技術,能夠為解析學習過程和優化學習效果提供有效的幫助。

與此同時,學習分析的研究也逐漸向學習發生的機制等本源問題進行探索,學習科學能夠為學習分析的理解提供有效的支持。學習科學的主旨是探尋“人是如何學習以及如何促進人的有效學習”,其對認知科學、腦科學、信息科學等知識的吸納為學習分析的開展提供了研究基礎,為學習機制的深層探究、學習分析促進的教學創新變革提供幫助。尚俊杰(2020)等對我國近五年來的學習科學實證研究文獻進行了梳理,概述了學習基礎機制、學習環境設計、學習分析技術方面取得的研究成果,提出了加強學習科學研究深度、廣度等方面的建議[20]。馮曉英(2020)等分析了“2019學習設計、技術與學習科學國際研討會”的文獻,對學習設計模式、工具、方法、技術等進行了綜述,認為學習設計已成為一個新的、重要的研究領域,詳述了它的發展離不開學習科學的理論支撐、學習分析的數據支撐等方面的內容[21]。

3.1.2 學習分析的模式構建

學習分析建模能夠簡化、抽象復雜的學習過程,將各類數據進行關聯規則挖掘,清晰描述學習中的核心要素與具體流程,為理解和開展學習分析提供有效的幫助。我國學習分析研究中既有從學習分析的功能出發構建的學習評價模型(毛剛,2016;鄭勤華, 2016)[22-23]、學習干預模型(李彤彤,2016; 張家華,2017)[24-25]、學習預警模型(舒瑩,2019;楊豐玉2021)[26-27],也有分析學習者特定方面的學習者認知水平模型(馮曉英, 2016)[28]、學習投入分析模型(舒忠梅,2015;李艷燕,2020)[29-30]、在線協作學習分析模型(鄭婭峰,2017;鄭蘭琴,2020)[31-32];還有面向學習者個體而構建的自適應分析模型(姜強,2015;李鳳英,2020)[5,33]和個性化分析模型(武法提,2014;韓建華,2016)[13,34],以及學習者模型(岳俊芳,2017;徐鵬飛,2018)[35-36]和學習分析綜合模型(郁曉華,2013;魏順平,2016;韓錫斌,2018)[37-39]等。例如,郁曉華等(2013)聚合若干學習活動情境中的注意元數據形成學習活動流,以此構建了一個學習分析的學習活動流模型,進而介紹了其在信息感知和資源推送方面的具體應用[37]。

3.2 應用方法工具,助力教學進程

學習過程產生的海量、多源、異構數據給學習分析造成了一定的困難,如何應用數據洞見教學價值,需要充分發揮學習分析方法與工具的價值。方法與工具的應用能夠提升學習分析的效率,為應用多源數據的關聯融合、全面反映學習狀態提供了可能。

3.2.1 學習分析方法的研究

學習分析的方法包括了滯后序列分析法、經驗取樣法和隨機森林算法等,方法的采納為學習分析在教學實踐中的創新運用提供了幫助。楊現民(2016)等從滯后序列分析法的內涵分析和軟件應用出發,詳細闡述了其分析流程以及學習行為分析的應用案例,進而提出了該方法的應用策略[40]。萬力勇(2019)等將經驗取樣法引入到教育研究中,分析了其在學習體驗研究中的四個領域的適用性與優勢,并對其數據采集和分析如何優化提出建議,進而提出了整合學習分析技術的數據分析框架,彌補學習分析主觀行為數據采集與分析的不足[41]。為解決MOOC學習中出現的用戶流失問題,魏玲(2020)等構建了用戶學習行為與流失預測的RFLP指標體系,以及基于GMDH算法的用戶流失預測模型,通過實證研究表明,GMDH算法相比決策樹與SVM算法準確率更高、應用更簡單[42]。但是,學習分析方法與技術應用不能脫離教學場景,馬紅亮(2014)等提出要反省分析技術在學習分析領域的應用,要理性看待其作用、謹慎推進應用,應將學習分析置身于教學理論場域中思考,才能使分析技術回歸教學本質[43]。

3.2.2 學習分析工具的研究

我國學者對學習分析工具的研究包括了對工具的梳理和分類,同時,也積極開展結合教育實踐的工具開發。學習分析工具紛繁多樣,如何應用工具提高學習分析效率是值得思考的問題。孟玲玲等(2014)將學習分析工具分成了“學習網絡分析工具、學習內容分析工具、學習能力分析工具、學習行為分析工具以及綜合性分析工具”等五個類別,并對每一類型中的常用工具從分析對象、數據支持格式以及優勢與不足等方面進行了比較分析[44]。為使學習分析工具更加符合實際的教學需求,牟智佳等(2017)在梳理國內外學習分析工具功能的基礎上,通過調查了解教師和學生對學習分析工具的具體需求,設計了面向精準教學和現實需求的學習分析工具[45]。為更好地了解協作學習狀態,指導協作學習的開展,包昊罡等(2019)在分析了國外典型學習儀表盤的基礎上,提出了學習儀表盤的設計原則,設計了基于協作學習的學習儀表盤并開展實踐應用,通過分析表明教師樂于接受學習儀表盤,能夠用它更好地支持教學的開展[46]。

3.3 梳理政策框架,探討隱私倫理

政策能夠引導、規范、推進學習分析的發展,開展本土化的政策研究成為學習分析又一熱點。學習分析的過程涉及個人隱私數據以及人工智能等技術,如何規避數據與技術帶來的倫理風險,發揮其正向作用成為人們思考的問題。

3.3.1 學習分析的政策框架

政府層面的支持對學習分析的發展路向起到了決定性的作用,研究者們從國外學習分析政策的梳理以及從中所展開的思考,為我國建立相應的學習分析政策提供了有益的幫助。茍江鳳等(2019)通過分析發現制度與管理能力是阻礙我國學習分析發展的重要因素,從“支持高等教育整合學習分析”項目(SHEILA)政策框架的分析出發,基于歐洲高校實踐應用案例的對比分析,提出了我國學習分析政策的建議[47]。高飛(2020)通過分析發現,美國和歐洲高校學習分析仍處于初級應用層次,但是出臺了相關政策以推動其發展,對SHEILA框架進行了分析,選取了全面開展、準備開展、尚未開展三個層次的高校實踐,通過重點行動、主要挑戰和政策建議三個方面闡述了該政策框架的具體應用[48]。目前,我國學習分析的相關政策研究還較為缺乏,推進學習分析本土化政策的制定是亟待解決的問題。

3.3.2 學習分析的隱私倫理

學習分析的應用離不開技術的支持,科學技術的發展無可避免會帶來一些倫理問題。數據的公開、使用范圍所涉及隱私權、知情權等問題都是人們關注的重點。學習分析面臨的隱私、安全與倫理問題干擾它的發展, 趙慧瓊等(2016)從數據收集、分析和解釋三個維度構建了學習分析的安全與隱私保護框架,并提出了相關的應用策略,以期促進學習分析的發展[49]。王楠等(2019)基于隱私倫理的視角,以國外高校和機構的學習分析政策為樣本,從政策所涉隱私倫理部分的目的、內容、對象和具體應用等方面進行了比較分析,為我國學習分析建立相關的政策以保護隱私倫理提出了“區分利益相關者責任權利”等相關建議[50]。積極探索隱私倫理的保護問題,規避其產生的風險,才能促進學習分析的創新發展。

3.4 面向學習主體,關注現實應用

學習分析是基于數據驅動的,學習者的在線學習行為能夠被有效地記錄成為數據流,實時反映學習者的學習狀態變化,從而為學習分析提供了必要的基礎條件。學習分析關注的內容面向學習者,既有小范圍的在線學習數據,也有基于MOOC研究的大數據;既有對學習行為、風格和成就的分析,也有對學習評價、干預和預測的研究。

3.4.1 學習行為、風格與成就

學習行為分析是學習分析的主要內容,通過學習行為數據分析能夠表征個體的學習狀態,為教學評價和干預提供依據。孫洪濤等(2016)認為聚類分析能夠探索相似的學習者行為特征并進行歸類,在介紹了聚類的一般流程基礎上,對我國252門慕課的交互水平進行聚類分析,發現大部分慕課交互水平低,教師參與不活躍等問題[51]。元認知是對認知的認知,是思維的高級階段,但是可以具象化為學習行為,目前還難以實時測量。李士平等(2017)通過聚類、回歸分析等方法對在線學習行為數據進行解析,發現查看作品和自身學習情況以及參與交互等三類行為數據與元認知水平顯著相關,從而為學習平臺跟蹤學習行為數據準確表征元認知水平提供了參考[52]。

個性化教學的實現需要考慮個體的學習風格,通過學習分析的視角解析的學習風格能夠對個性化教學形成有效的支持。學習風格是學習者畫像的重要表征,為實現學習者的精準畫像,孫發勤等(2020)重點討論了學習風格的建模過程,他們將在線學習行為指標依據不同學習風格量表的維度進行分類,從而明確學習風格的具體觀測指標[53]。李馨(2015)認為個性化學習的開展體現在適應個體的學習風格上,她們依據Felder-Silverman學習風格模型設計并實現了適應性教育游戲,并通過實踐證明了該教育游戲能夠顯著提高學習效率[54]。

學業成就的高低是衡量教學質量的重要標準,通過學業分析來理解和預測學業成就成為研究者們聚焦的話題。學習分析如何有效預測學業成就與風險,范逸洲等(2018)從綜述他人研究成果中發現預測指標的局限性,依據預測指標的適用情境和任務類型,概括出傾向性、人機交互和人際交互三類預測指標,并對四種典型學習分析系統進行了剖析,總結了預測研究的特點、趨勢、問題及方向[55]。孫發勤等(2019)基于已有文獻歸納出影響在線學習學業成就的七個維度,進而通過神經網絡、決策樹等算法開展分析,研究發現學習態度、學習及時水平和投入水平是影響在線學業成就的主要因素[56]。

3.4.2 學習評價、預測與干預

學習評價、預測與干預是學習分析的基本功能,傳統的教學只能通過瞬時測驗數據或者教師個人判斷來了解學習情況,存在較大的不確定性,而通過學習分析對學習行為數據流的分析,能夠實時了解學習過程細節,為數據循證的學習評價、預測與干預提供支持。

基于學習分析的學習評價能夠為全面、客觀地評價學習者提供有效關聯證據,為教學決策提供可信依據。魏順平(2014)基于在線開放課程構建了在線學習自動評價模式,并且構建了基于在線行為數據的評價指標體系,并運用層次分析法確定指標的相應權重,通過實踐證明了該模式的有效性[57]。張治等(2017)將學習分析融入高中綜合素質評價過程中,構建了多源多維綜合素質評價模型,對學習者開展多維度的個體和全體畫像,并對模型實施的技術路徑進行了分析[58]。

學習預測能夠為教師了解學習趨勢、解決學習問題提早做出預判和改進的準備。武法提等(2019)構建了包括“生生交互”等4個維度、 “社交質量、拖延程度”等8個特征變量的學習結果預測框架,并通過不同的機器學習算法進行實踐,發現隨機森林算法對學習結果預測具有較高的準確率[59]。張琪等(2019)通過“大五人格”分類和多元線性回歸,構建預測模型對學習行為指標進行分析,結果發現不同人格特質群體的預測變量存在差異,隨機森林算法能夠達到較高精度等結果[60]。

學習干預的實施是改進學習問題、提高學習績效的有效介入方式,學習分析為動態和個性化的循證干預提供支持。唐麗(2016)在梳理了教學干預研究現狀的基礎上,探討了基于學習分析的干預內涵及特點,明確了干預的基本方式和詳細的干預流程,為個性化的學習干預研究提供幫助[61]。樊敏生等(2020)基于結構功能主義構建了動態學習干預設計框架、系統模型及實踐體系,為學習干預的實踐提供有效的指導[62]。

3.5 技術趨向智能,數據走向多模

我國的研究者們積極把握科學技術的潮流,將5G、大數據、人工智能等多種技術與學習分析相融合,運用腦電波、皮膚電反應以及視線跟蹤等多模態數據更全面地分析學習情感、學習投入等深層次的心理反應,從簡單的鼠標點擊等單一在線數據向多元多模態數據轉變,嘗試解決學習分析所遇到的問題與瓶頸,從而使學習分析與技術的融合走向深入。

3.5.1 人工智能賦能教學

人工智能賦能教學已經成為教育改革的重要推動力。人工智能介入的學習分析能夠深入挖掘數據的內在機理,讓學習分析產生更加智能的分析、更加有效的反饋和更加便捷的應用。

鮑日勤(2018)探討了人工智能融入高校的創新發展以促進開放大學的轉型升級的必要性,闡述了開放大學的時代場域及其新內涵與特征,構建了基于人工智能的開放大學教學框架,并對其基層設計、技術支持、人才支撐、應用路徑進行了詳細設計[63]。袁莉等(2021)認為應用人工智能對學習過程的海量數據進行分析,能夠為學習者提供自動反饋和評估,提高評估的效率與有效性,其研究從分析作文自動評分系統(AES)和計算機化自適應測驗(CAT)入手,探討了結合人工智能在總結性評估中的優勢以及學習分析在形成性評估中的作用[64]。人工智能應用于教育領域開創了教育研究的廣闊前景,為未來的教學帶來了無盡的想象。但是,人工智能的復雜性決定了其在教育領域的應用是一個漫長的過程,它在促進教育發展的同時,也涉及了倫理道德等社會問題,如何發揮作用規避風險需要更加深入的研究。

3.5.2 大數據驅動教學改進

2022年《地平線報告(教學版)》將在線學習列為當前的社會趨勢之一。在線學習、MOOC等使得學習數據從數字沙漠變成了數字海洋,大數據正深入到教育的各方面,并將對這個世界的學習產生深遠的影響[65]。大數據重塑教育生態已經成為不變的事實,與大數據同行的過程中,學習分析應該發揮什么樣的作用值得深入探索。

慕課的持續發展離不開學習分析所提供的支持服務。顧小清等(2013)分析了慕課在我國的發展態勢及現實需求,探討了慕課本土化的可能路徑,提出了慕課需應用學習分析技術打造個性化學習平臺[8]。慕課所產生的大數據為學習分析帶來了更多的可能。石磊等(2017)對國家開放大學MPOC課程5000多萬條學習行為數據進行分析,發現多數學生只關心作業和測試,會突擊完成學習任務,教學支持服務較好的課程能夠正向影響學生的學習活躍度,能夠促進完成測驗、提交作業等行為的發生[66]。

大數據能夠驅動教育發展和教學變革,如何應用并用好大數據是研究者們關注的焦點。胡水星(2015)認為教育大數據的應用有賴于教育數據挖掘與學習分析技術,并詳細分析了這兩類技術在教學領域中的應用案例[67]。李馨(2016)解讀了教育大數據內涵及其與學習分析的聯系,從描述性、預測性和規定性分析中闡明了教育大數據實施中存在的機遇,以及數據存儲、隱私安全等挑戰[68]。涂濤等(2019)認為教育大數據研究存在重視量化收集而忽視質性分析、強化相關關系而忽視因果關系的偏向,強調研究中也要挖掘厚數據的價值[69]。在眾多學者追求大數據、研究大數據的潮流下,方柏林(2016)認為小數據也有大應用,通過分析小數據在預警失學風險、深化教師評估等方面改善教學的案例,為學習者警惕大數據風險、應用小數據提升學習效果提出了相關建議[70]?？傊?大數據給予人們更全面、更精細的視角來了解學習過程,如何正確認識大數據在教學中的作用,實現對大數據的解構、透視數據背后的教學意蘊才是大數據應用的關鍵。

但是,僅有在線行為的數據,對學習過程的了解還不夠全面。言語、肢體動作、表情等多模態數據的介入,為掌握學習者的全維數據以開展細粒度的分析,挖掘學習情感、學習態度等深層次內容提供了新的思路。陳凱泉等(2019)通過身體運動軌跡跟蹤、自然語言處理等方式,分析了學習者的好奇心、批判性思維等五種類型多模態學習分析的應用案例[71]。張琪等(2020)構建了多模態學習分析的數據映射“冰山”模型,分層解析了數據映射關系及處理機制,并提出多模態數據學習分析的未來發展路徑[72]。穆肅等(2021)總結出多模態學習分析的數據類型、學習指標以及數據與指標的對應關系等,為多模態數據的整合以支持學習分析的開展提供幫助[73]。目前,多模態數據的應用仍處于探索階段,如何在開放的學習情境和學習者無感的狀態下,實現嵌入的、實時的、連續的多模態數據的收集、分析與反饋,使多模態數據能客觀、準確、全面地反應真實的學習樣態,拓展學習分析的適用性,還需要深入地研究。

4 學習分析的未來路向思考

學習分析在我國的十年發展能夠緊扣時代熱點、擴展研究范圍,既開展理論探討也關注實踐應用,既有方法工具的使用也有政策倫理的探索,還有新技術、新方法與學習分析的融合研究。學習分析體現了多元主體參與、多類學科交叉、多樣技術融合和多面現實應用的發展態勢,在未來提升學習績效、支持教學決策和促進個體的自我管理等實踐應用方面具有廣闊的前景。另外,結合文獻的梳理與研讀,發現了學習分析目前存在的不足,主要體現在:機構、作者之間的合作松散,協同作用無法彰顯;存在技術偏向,沒有結合教學設計來開展應用;研究深度不足,應用實踐無法滿足現實需求;沒有完善的政策引領,也缺少相應的倫理規范。針對以上學習分析發展過程中的不足,擬從以下四個方面提出改進建議,從而有助于為學習分析的創新發展提供借鑒。

4.1 強化合作交流,促進協同創新

近十年來,我國學習分析的研究論文數量在快速增長、涉及面也在不斷擴大。但是,從上述的知識圖譜中可以看出,作者合作和機構合作的網絡結構松散、缺乏合作交流。學習分析不僅需要作者之間以及機構之間的合作,還需要突破機構壁壘和學科界限束縛,建立跨學科的研究團隊,促進各學科的交叉協同和跨界融合,從而,有更多的主體參與和更多的學科融合。通過視角和方法的多樣性與豐富性拓展學習分析的全局視野、激發創新動力,通過頂層設計、科學布局打造整合的學習分析交流合作平臺,凝聚個人協同、機構協同以及學科協同的力量促進學習分析的多元開放和創新發展。

4.2 避免技術偏向,回歸教學本質

技術作為教學改革創新的內生力量,支撐并引領著學習分析的發展。人工智能、元宇宙、5G等技術的發展,為教育教學帶來了新的機遇。但是,我們需要在技術的狂歡中冷靜下來,度量其對教育實踐所產生的真正影響。這些技術真的改變教學了嗎?能夠在多大程度上提升教學效果?能否推廣應用?針對目前學習分析的技術偏向,理應回歸教學本質,實現從技術思維向教學思維的轉變,傾聽一線教師的心聲,討論技術之于教學的作用意義,實現學習分析技術對教與學需求的有效供給。正如,佩爾西科(Persico,2019)等學者呼吁學習分析與學習設計需要建立更緊密的、有價值的聯系[21]。一方面,學習分析能為循證教學提供依據,成為其優化教學設計的有效支撐;另一方面,學習設計能夠給予學習分析明確的教學目標指向,使得學習分析的技術應用更具情境化。因而,既要肯定技術的能供性,又要使學習分析技術的研究回歸學習理論與學習科學,實現教學設計和學習分析的有效聯結、相輔相成直至達成共融,從而改善、優化教學情境,更好地支持教與學。

4.3 聚焦研究深度,注重實踐引領

《地平線報告》把學習分析當作當前和今后對教育教學起到重要作用的手段。但是,學習分析在我國的研究與應用中還存在著一些不足。第一,我國學習分析目前的研究多側重于對國外學習分析方法、技術和工具等方面的介紹和簡單應用,還處于淺層的理解階段,對學習分析的機理及教育內涵的探討不夠深入。第二,學習分析方法、技術和工具的應用較為零散,缺乏本土化的開發與應用,也缺乏學習分析典型應用的通用框架,使學習分析能夠易于理解、便于使用、適于推廣。第三,學習分析技術使用復雜、應用門檻高,如何實現學習分析的自動化、動態化和智能化,降低使用門檻,使教師不需要掌握高水平的專業知識即可方便使用,從而真正優化教學。這是后續學習分析需要解決的問題。正如德里格斯 (Dringus,2012)所說,對教師而言學習分析應該是靈活和易獲得的[74]。學習分析在擴展研究廣度的同時要加強研究的深度,尤其是要和教育教學的實踐相融合,切實解決教學中的具體問題,才能把學習分析的應用實踐推向深入,實現學習分析領域科學研究和實踐應用的同頻共振。

4.4 關注政策隱私,支持全面發展

學習分析既需要政策的規范與引領,又需要謹慎規避隱私及倫理道德問題,學習分析的全面發展離不開強化這兩方面的理解與研究。學習分析的開展需要政策的支持,政策的制定為學習分析的開展提供了標準和規范,能夠促進學習分析的普及、推廣與發展。政策研究的不足是整個教育技術領域的通病[75],也是學習分析的弱項。歐洲及美國等國家和地區意識到了學習分析的重要作用,出臺了相關的政策以推動學習分析的發展,例如,美國的《通過教育數據挖掘和學習分析促進教與學》報告[76]、歐洲的SHEILA框架[77]等。我國的學習分析目前仍處于探索階段,目前還沒有學習分析的針對性指導政策與文件。因而,學習分析需要加強政策研究,既要廣泛學習國外經驗,又要立足我國教育的現實需求,結合教育數字化轉型的契機,開展前瞻性布局,構建學習分析的政策框架,從政府層面規范和促進學習分析的開展。

另外,對于學習分析如何應用數據、在什么范圍內使用、使用的目的是為何等涉及隱私及倫理的問題在一定程度上阻礙了學習分析的發展。國外出臺了相應的政策框架,例如,《亞太經合組織隱私框架》[78]、印度的《數字個人數據保護法》[79]等,國內也有《中華人民共和國個人信息保護法》[80]、北京師范大學發布的《在線學習中的個人數據和隱私保護》手冊[81]等。目前,還沒有完善的規避學習分析涉及隱私問題的倫理保護指導框架。學習分析的開展既要遵守國家的法律法規又要遵守相應的倫理規范,所涉及的數據采集、分析、共享等過程需要構建透切的數據應用框架,開展學習分析過程的隱私影響評估、完善數據監測機制,使學習分析的過程公開、透明,做到可解釋、可追溯、可審計。

5 結語

教育的數字化轉型時代,基于機器學習和數據挖掘等技術,學習分析能夠從隱喻、模糊的教育大數據中洞見其內涵邏輯,從而驅動教學設計及教學決策,為精準教學和個性化教學的發展提供有效幫助。學習分析在我國已歷經十年的發展,在促進教與學的發展中起到了重要的作用,同時,也面臨著諸多的困難與挑戰。未來已來,唯變不變,下一個十年,學習分析應由外延式向內涵式發展轉變,通過不斷強化合作交流、深入教學實踐、堅持創新發展,才能彰顯支撐教與學的作用,才能為教育教學的變革提供更加有力的支持。