國外高校學(xué)習(xí)分析應(yīng)用案例探析

張彤彤

摘要：學(xué)習(xí)分析可以幫助教師更加全面地了解學(xué)生，挖掘深層問題，同時可視化的反饋也可以使學(xué)生自我診斷并及時修正。本文從西蒙斯過程模型入手，解讀了四個關(guān)鍵環(huán)節(jié)：數(shù)據(jù)類型、分析過程、追蹤預(yù)測、個性化或適應(yīng)。筆者使用模型框架對國外三所高校實際案例的具體環(huán)節(jié)進(jìn)行概述性分析，對比了學(xué)習(xí)分析在應(yīng)用過程中的差異及其可能產(chǎn)生的原因，并提出相關(guān)建議。

關(guān)鍵詞：學(xué)習(xí)分析；過程模型；案例比較

中圖分類號：G434 文獻(xiàn)標(biāo)識碼：A 論文編號：1674-2117（2016）13/14-0142-04

● 引言

近年來，隨著高等教育信息化的深入研究與技術(shù)的普及，越來越多的國內(nèi)外專家學(xué)者開始重視學(xué)習(xí)分析技術(shù)的理論與實踐研究，2010—2013年連續(xù)四年，新媒體聯(lián)盟和美國高校教育信息化協(xié)會提出了學(xué)習(xí)分析技術(shù)，并預(yù)測其將成為教育技術(shù)領(lǐng)域的主流技術(shù)。[1]這一技術(shù)的提出使得傳統(tǒng)教學(xué)中無差別化的大班教育模式的弊病逐漸得到改善，教師一味灌輸、學(xué)生單純接受的學(xué)習(xí)方式逐漸變成以學(xué)生為中心，尊重個體差異化，“因材施教”變成了可能。

國內(nèi)已有的研究大多以模型對比分析或基于概念框架的案例分析為主，從構(gòu)成要素、分析方法、分析工具等多維度入手對案例進(jìn)行解讀。但很少有研究從學(xué)習(xí)分析的各個環(huán)節(jié)對案例進(jìn)行剖析，因此筆者借助西蒙斯學(xué)習(xí)分析過程模型對案例展開對比分析，從數(shù)據(jù)類型、分析過程、追蹤預(yù)測、個性化或適應(yīng)四個環(huán)節(jié)對三所國外高校的具體應(yīng)用案例進(jìn)行對比分析，尋求不同項目之間的差異及其原因，為建立更為普適性的模型奠定基礎(chǔ)，同時為國內(nèi)相關(guān)案例的開展提供借鑒。

● 國外案例分析框架

1.概述

模型是科學(xué)研究的重要工具，本文使用西蒙斯學(xué)習(xí)分析過程模型對來自英屬哥倫比亞大學(xué)“自我導(dǎo)向?qū)W習(xí)”、美國普渡大學(xué)“課程信號”、馬里蘭大學(xué)“自我檢查活動”進(jìn)行四個關(guān)鍵環(huán)節(jié)的對比分析，得到不同案例之間的共通性與差異性。

2.案例分析框架

（1）學(xué)習(xí)分析過程框架

在西蒙斯的學(xué)習(xí)分析過程模型中[2]（如右圖），數(shù)據(jù)來源主要分為兩類，一類是由學(xué)習(xí)管理系統(tǒng)、課程管理系統(tǒng)產(chǎn)生的數(shù)據(jù)，或來自移動設(shè)備、社交媒體的交互數(shù)據(jù)，這類數(shù)據(jù)用于分析學(xué)習(xí)者特征以及所處情境并生成學(xué)習(xí)者檔案；另一類是來自課程、作業(yè)、測驗成績等具體學(xué)習(xí)數(shù)據(jù)，通過使用語義分析以及連接技術(shù)得到有關(guān)課程知識習(xí)得情況的智能數(shù)據(jù)。經(jīng)過兩類學(xué)習(xí)數(shù)據(jù)以及實時數(shù)據(jù)追蹤進(jìn)行分析計算，并合理建模預(yù)測，系統(tǒng)根據(jù)預(yù)測結(jié)果推送個性化學(xué)習(xí)資源、工具等。學(xué)生進(jìn)行自我診斷并自適應(yīng)，教師進(jìn)行及時干預(yù)、警告和協(xié)助。

（2）具體環(huán)節(jié)

①數(shù)據(jù)類型主要分為學(xué)習(xí)者數(shù)據(jù)以及智能數(shù)據(jù)兩類，在學(xué)習(xí)者數(shù)據(jù)中學(xué)習(xí)行為類型可分為活動參與度（登錄平臺次數(shù)、平臺在線時長、課程訪問數(shù)量）、積極性（新消息查看時間、新任務(wù)查看時間、作業(yè)提交時間）、態(tài)度（教學(xué)材料的點擊次數(shù)、課程資源瀏覽時長）、自我診斷（根據(jù)教師反饋修改次數(shù)、修改及時性、修改時長）四個方面，智能數(shù)據(jù)可分為同伴協(xié)作（討論區(qū)提問次數(shù)、解答回復(fù)次數(shù)、回復(fù)內(nèi)容被贊頻率）、學(xué)習(xí)效果（作業(yè)測驗完成百分比、測試成績、作業(yè)評定）兩個方面。

②分析過程指通過社會網(wǎng)絡(luò)分析法、語義分析法、內(nèi)容分析法、統(tǒng)計法、數(shù)據(jù)挖掘[4]等學(xué)習(xí)分析技術(shù)對搜集到的數(shù)據(jù)結(jié)合情境因素進(jìn)行深入分析闡釋，了解學(xué)習(xí)者的學(xué)習(xí)過程、學(xué)習(xí)需求，形成學(xué)習(xí)者風(fēng)格，分析復(fù)雜的交互過程，建構(gòu)預(yù)測模型。

③追蹤預(yù)測環(huán)節(jié)通過對學(xué)習(xí)者的數(shù)據(jù)進(jìn)行實時追蹤，使用已有的預(yù)測模型，對學(xué)習(xí)者的學(xué)習(xí)結(jié)果進(jìn)行預(yù)測，對高危學(xué)生提出預(yù)警，并根據(jù)實時數(shù)據(jù)對預(yù)測結(jié)果不斷修正。

④個性化或適應(yīng)[3]作為學(xué)習(xí)分析的最終目標(biāo)，一方面指系統(tǒng)個性化向?qū)W習(xí)者推薦學(xué)習(xí)資源、同伴、工具、路徑等，根據(jù)不同學(xué)習(xí)者的特征以及學(xué)習(xí)進(jìn)度進(jìn)行推送。同時教師根據(jù)可視化分析給予學(xué)生相應(yīng)的幫助，選取不同的教學(xué)策略有針對性地對學(xué)生進(jìn)行指導(dǎo)。另一方面，學(xué)生自我診斷，實現(xiàn)學(xué)習(xí)者對資源的自主建構(gòu)，提高主觀能動性。

3.案例描述與分析

（1）英屬哥倫比亞大學(xué)“自我導(dǎo)向?qū)W習(xí)”

【項目目標(biāo)】為了對學(xué)生學(xué)習(xí)成績預(yù)測的各項指標(biāo)進(jìn)行合理建模，以便為學(xué)習(xí)者的自我導(dǎo)向提供支持，英屬哥倫比亞大學(xué)對學(xué)生三個學(xué)期基于Blackboard的在線生物課程數(shù)據(jù)進(jìn)行回歸分析并建模，使得學(xué)習(xí)者可以進(jìn)行自我監(jiān)控，在掌握學(xué)習(xí)數(shù)據(jù)的同時與同伴進(jìn)行比較，以了解自己的優(yōu)勢與不足。

【項目流程】通過對課程內(nèi)容的訪問、論壇、聊天室、測驗、自主交流工具等方面的分析，將與學(xué)習(xí)者學(xué)業(yè)成績呈顯著相關(guān)的變量歸納為3個關(guān)鍵變量，為了得到有效的LMS追蹤數(shù)據(jù)，只保留完成所有課程的學(xué)生數(shù)據(jù)，最終選取了118名學(xué)生作為樣本。[5]

其中，使用編寫工具、搜索功能、訪問成績、查看資料等操作記錄作為交互過程被搜集為學(xué)習(xí)者數(shù)據(jù)，通過這些數(shù)據(jù)可得出學(xué)習(xí)者的簡要介紹，同時為之后的分析提供數(shù)據(jù)支持。學(xué)生的作業(yè)完成情況、聊天室、討論區(qū)信息的發(fā)送數(shù)目等作為智能數(shù)據(jù)與學(xué)習(xí)者數(shù)據(jù)一起用于分析。[6]為了實現(xiàn)實時數(shù)據(jù)分析，本案例使用SNAPP社會網(wǎng)絡(luò)分析工具與LMS無縫對接，提取學(xué)習(xí)者在線學(xué)習(xí)產(chǎn)生的數(shù)據(jù)，形成交互視覺圖，以更直觀地顯示學(xué)習(xí)者的學(xué)習(xí)動態(tài)。當(dāng)LMS中有成員在論壇中發(fā)布消息時，網(wǎng)絡(luò)結(jié)構(gòu)圖會實時更新。實驗結(jié)果表明：該模型以81%的準(zhǔn)確率預(yù)測了該門課程將會不及格的同學(xué)，從理論層面證明了基于LMS數(shù)據(jù)挖掘開發(fā)“早期預(yù)警系統(tǒng)”的可能性，教師可以根據(jù)預(yù)警系統(tǒng)快速識別處于“危險”中的學(xué)生，從而及時給予干預(yù)。

【總結(jié)】通過本案例我們看到了學(xué)習(xí)分析的廣闊前景，較高的預(yù)測準(zhǔn)確率使得自我導(dǎo)向預(yù)測模型的可靠性有了提高，從理論層面上實現(xiàn)了對“早期預(yù)警系統(tǒng)”開發(fā)的可行性，同時在數(shù)據(jù)處理時形成完整的步驟，為今后的研究提供了很好的參考依據(jù)。但是用作科學(xué)預(yù)測的指標(biāo)還需進(jìn)一步完善，尋找是否還有其他指標(biāo)對成績有預(yù)測作用。[7]對用于指標(biāo)的探索性因子分析應(yīng)在更多的教學(xué)情境中檢驗和修正。

（2）美國普渡大學(xué)“課程信號”

【項目目標(biāo)】隨著班級規(guī)模的持續(xù)擴(kuò)大，在高等教育教學(xué)的過程中，尤其是在線學(xué)習(xí)中學(xué)生缺席、未充分參與課堂、學(xué)習(xí)滯后等現(xiàn)象頻繁出現(xiàn)，但作為教師很難快速識別高危學(xué)生并及時調(diào)整課程。為了緩解持續(xù)下降的新生保有率以及持續(xù)增長的畢業(yè)周期等問題，使學(xué)生盡快跟上教學(xué)節(jié)奏、避免掉隊，美國普渡大學(xué)啟動了“課程信號”項目幫助學(xué)生優(yōu)化學(xué)習(xí)過程。

【項目流程】“課程信號”項目于2007年實施。基于Blackboard平臺，課程信號系統(tǒng)對學(xué)生數(shù)據(jù)進(jìn)行搜集。數(shù)據(jù)來源主要有兩類：一類是包括學(xué)習(xí)者地區(qū)、種族、性別、獎懲、前期學(xué)業(yè)歷史、與系統(tǒng)交互次數(shù)、課程努力程度等一系列學(xué)習(xí)者特征的數(shù)據(jù)，此類學(xué)習(xí)者信息幫助生成學(xué)習(xí)者檔案；另一類是來自課堂表現(xiàn)，即學(xué)生所獲學(xué)分百分比的數(shù)據(jù)。系統(tǒng)結(jié)合兩類數(shù)據(jù)，并根據(jù)SSA算法分析計算得出每位學(xué)生的數(shù)據(jù)，由所得數(shù)據(jù)在學(xué)生和教師端顯示紅、黃、綠三色信號燈預(yù)警。系統(tǒng)進(jìn)行有效干預(yù)[8]，推送合適的學(xué)習(xí)資源幫助學(xué)生完善學(xué)習(xí)過程；學(xué)生也可以及時自我修正，有效避免了畢業(yè)周期延長的現(xiàn)象；同時教師也能及時發(fā)現(xiàn)學(xué)生的各類問題。對比數(shù)據(jù)發(fā)現(xiàn)[9]，使用課程信號系統(tǒng)后，成績?yōu)锳、B的學(xué)生增加了10.37%，學(xué)生的整體學(xué)習(xí)成績有了明顯提升。

通過對比各項數(shù)據(jù)與成績的相關(guān)性，并經(jīng)過多次的完善與調(diào)整，該系統(tǒng)建立了較為科學(xué)的SSA算法進(jìn)行預(yù)測，并對學(xué)生數(shù)據(jù)采取實時追蹤，更加精確、及時地為學(xué)生的學(xué)習(xí)提供分析。

【總結(jié)】作為學(xué)習(xí)分析領(lǐng)域的經(jīng)典項目，經(jīng)過不斷優(yōu)化完善，“信號課程”項目積累了大量的學(xué)習(xí)數(shù)據(jù)可供參考分析，其項目流程以及該系統(tǒng)在美國應(yīng)用廣泛。

（3）美國馬里蘭大學(xué)“自我檢查活動”

【項目目標(biāo)】為實現(xiàn)學(xué)生的自我診斷與評估，以直觀的數(shù)據(jù)形式幫助學(xué)生了解自己的學(xué)習(xí)進(jìn)程并與匿名同學(xué)之間進(jìn)行比較學(xué)習(xí)，這樣既保護(hù)了學(xué)生的隱私，同時也增強(qiáng)了他們的主觀能動性。學(xué)生在充分了解自己的優(yōu)勢和不足后，通過自我組織學(xué)習(xí)過程，制訂學(xué)習(xí)計劃、學(xué)習(xí)策略等方法，從各角度進(jìn)行自我修正與提升。

【項目流程】美國馬里蘭大學(xué)（UMBC）在2007年開設(shè)了“自我檢查活動”（CMA）[10]，這個學(xué)生自我檢測評估工具利用數(shù)據(jù)倉庫集合從學(xué)生管理系統(tǒng)中獲取的背景資料、等級等學(xué)習(xí)者檔案信息數(shù)據(jù)，以及從Blackboard平臺中收集的課程訪問次數(shù)、時間、點擊次數(shù)等學(xué)習(xí)者與系統(tǒng)的交互數(shù)據(jù)，作業(yè)成績等智能數(shù)據(jù)。該系統(tǒng)在集成兩類數(shù)據(jù)后通過Google Analytics對學(xué)生數(shù)據(jù)進(jìn)行提取分析，形成可視化分析報告提供給師生，學(xué)生根據(jù)分析報告中的可視化描述，可清晰地了解自己的學(xué)習(xí)情況以及學(xué)習(xí)活動的參與度，同時該系統(tǒng)支持同學(xué)之間匿名進(jìn)行比較，使他們能快速了解自己在班級中的活躍度及所處位置等。學(xué)生通過實時更新的個人化反饋，及時修正自己的行為；對于使用的教學(xué)材料，教師也可以進(jìn)行相關(guān)干預(yù)。

CMA項目的實施對學(xué)生的學(xué)習(xí)起到積極的推動作用，在為期兩年超過110門課程的跟蹤調(diào)查中，有39%的學(xué)生等級有較為明顯的提升。

【總結(jié)】在學(xué)習(xí)分析過程中，基于Blackboard平臺的數(shù)據(jù)大多關(guān)注用戶的文檔管理、電子郵件的發(fā)送、聊天室討論區(qū)的互動；而CMA項目則通過對數(shù)據(jù)的分析對學(xué)生進(jìn)行合理評估，同時學(xué)生通過與其他同學(xué)的比較找到差距，提升了學(xué)習(xí)的主觀能動性，并增強(qiáng)了對學(xué)習(xí)的責(zé)任感。

（4）案例分析總結(jié)

通過對國外三所高校的學(xué)習(xí)分析案例比較后，筆者就數(shù)據(jù)類型、分析過程、追蹤預(yù)測、個性化或適應(yīng)進(jìn)行比較分析（如上頁表）。

通過比較分析可得出：

①所獲取的數(shù)據(jù)維度越廣，需要的分析方法越多。

三個項目的分析過程中，學(xué)習(xí)者參與度、態(tài)度、學(xué)習(xí)效果數(shù)據(jù)均被搜集但有一定的局限性，數(shù)據(jù)來源應(yīng)更加多樣化，英屬哥倫比亞大學(xué)搜集到同伴協(xié)作的智能數(shù)據(jù)，并使用社會網(wǎng)絡(luò)分析法對學(xué)習(xí)者學(xué)習(xí)網(wǎng)絡(luò)的構(gòu)建情況進(jìn)行解讀，涉及學(xué)習(xí)情境因素對學(xué)習(xí)者的影響。相比而言，美國普渡大學(xué)及美國馬里蘭大學(xué)的數(shù)據(jù)來源范圍較窄。

②項目目標(biāo)不同使用的分析方法也不同，精準(zhǔn)預(yù)測需要建模。

為了對學(xué)習(xí)者的學(xué)習(xí)行為進(jìn)行預(yù)測，英屬哥倫比亞大學(xué)及美國普渡大學(xué)需要建立相關(guān)算法模型，而美國馬里蘭大學(xué)只需進(jìn)行數(shù)據(jù)挖掘，即可分析形成可視化描述。

● 總結(jié)與展望

通過差異化對比，筆者認(rèn)為多樣化的數(shù)據(jù)來源更利于建立科學(xué)合理的模型，學(xué)習(xí)過程復(fù)雜多變，除了關(guān)注學(xué)習(xí)者數(shù)據(jù)之外，還應(yīng)增加對學(xué)習(xí)者所處學(xué)習(xí)環(huán)境因素的分析。為使預(yù)測結(jié)果更準(zhǔn)確，設(shè)計者可以通過實際結(jié)果與預(yù)測結(jié)果進(jìn)行對比，及時修正完善各指標(biāo)的投入結(jié)構(gòu)，未來應(yīng)尋找更廣泛的學(xué)習(xí)成績影響因素。另外，隨著學(xué)習(xí)數(shù)據(jù)的指數(shù)增長，對數(shù)據(jù)的充分利用以及保護(hù)顯得尤為重要。

參考文獻(xiàn)：

[1]Educause，The New Media Consortium.Learning Analytics[J/OL].[2016-04-28].The Horizon Report 2015 edition. http：//wiki.secondlife.com/wiki/Case_Study：_The_New_Media_Consortium_（NMC）.

[2]Siemens，G.What are Learning Analytics？ [EB/OL]. http：//www.elearnspace.org/blog.

[3]姜強(qiáng)，趙蔚，王朋嬌，王麗萍.基于大數(shù)據(jù)的個性化自適應(yīng)在線學(xué)習(xí)分析模型及實現(xiàn)[J].中國電化教育，2015.

[4]顧小清，張進(jìn)良，蔡慧英.學(xué)習(xí)分析：正在浮現(xiàn)中的數(shù)據(jù)技術(shù)[J].遠(yuǎn)程教育雜志，2012（30）：18-25.

[5]馬杰，趙蔚，張潔，趙艷.基于學(xué)習(xí)分析技術(shù)的預(yù)測模型構(gòu)建與實證研究[J].現(xiàn)代教育技術(shù)，2014（24）：30-38.

[6]Macfadyen，L.P.&Dawson，S.Mining LMS data to develop an “early warning system”for educators：A proof of concept[J].Computers & Education，2010（2）：588-599.

[7]李爽，王增賢，喻忱，宗陽.在線學(xué)習(xí)行為投入分析框架與測量指標(biāo)研究——基于LMS數(shù)據(jù)的學(xué)習(xí)分析[J].開放教育研究，2016（22）：77-88.

[8]劉艷華，徐鵬.大數(shù)據(jù)教育應(yīng)用研究綜述及其典型案例解析——以美國普渡大學(xué)課程信號項目為例[J].軟件導(dǎo)刊（教育技術(shù)），2014（13）：47-51.

[9]ARNOLD，K.E，PISTILLI，M.D.Course signals at purdue；using learning analytics to increase student success[C].New York：ACM Press，2012.

[10]UMBC.“Check My Activity”Reports for Students Now Available Inside Blackboard[EB/OL].[2013-05-14].http：//www.umbc. edu/blogs/oit-news/reports/.