張雪燕

摘 要：運用學習分析技術并使用先進的分析工具對在線學習平臺數據進行分析與處理，通過分析學生以往的學習狀況，預測學生未來時刻的學習狀況，從而分析并預判學生在學習過程中可能遇到的問題，有針對性地幫助學生解決學習上的問題，實現(xiàn)個性化學習服務?；趯W習分析的學習服務系統(tǒng)利用可視化數據分析報表，為教師、教輔人員及教育管理者及其他相關人員提供全面的學生學習狀況的第一手數據，準確及時了解學生學習狀況，把握學生學習特點，制定合理的教學計劃及教學進度，提高學習服務水平。在研究學習分析技術的基礎上，根據開放教育的特點，研究和設計基于開放教育平臺的學習服務系統(tǒng)，并進一步通過實驗方案設計和運行，驗證開放教育學習服務系統(tǒng)的有效性。

關鍵詞：學習分析；學習服務系統(tǒng)；開放教育；教育大數據；風險學生

中圖分類號：G434 文獻標志碼：A 文章編號：1673-8454（2016）01-0089-05

引言

至2010年以后E-learning的發(fā)展進入了相對成熟期，形成了基本的學習邏輯與框架。Khan Academy獲得巨大成功，Moocs的快速發(fā)展及廣泛推廣應用，[1]全球性學習平臺的出現(xiàn)，智能終端在教育領域的應用，教育信息可視化，尤其是開放教育平臺信息化已經進入了融合發(fā)展和創(chuàng)新階段。[2]隨著教育信息可視化的普及與逐漸深入，各類數字化學習系統(tǒng)產生了大量教育信息，即教育大數據分析和運用已成為研究熱點。[3-15]

2005年戈爾茨坦[8]等首次把成熟的數據分析技術應用到教育領域。隨后，不斷有國際學者在理論和實踐上對此進行了研究和分析。CLOW D 研究了學習分析的內容及步驟；[9]SIMENS G關注學習分析，研究了學習分析的內容、實現(xiàn)的技術及平臺，提出通用的學習分析平臺及模型。[10，14，15]國內學者郁曉華等試圖從學習活動流角度來探討學習分析的行為模型，側重考慮了學習來源的多元化及學習活動的持續(xù)性問題；[6]馬曉玲等學者在其他學者研究的基礎上，嘗試給出學習分析系統(tǒng)中對象及數據的時空及交互演化。[7]

本文通過研究學習分析，尤其在深入分析和研究普渡大學Course Signals系統(tǒng)[7]、北亞利桑那大學的Grade Performance Status系統(tǒng)[8]的基礎上，將學習分析的成果應用到開放教育中，用于指導開放教育的過程，使“風險學生”通過學習服務系統(tǒng)順利完成學習。本文介紹了學習分析技術，并在此基礎上設計了學習服務系統(tǒng)，最后結合實驗案例探討基于學習分析的開放教育學習服務系統(tǒng)的科學意義及應用價值。

一、學習分析技術

1.學習分析概念解析

學習分析（Learning Analytics）是“大數據”在教育領域中的應用，是指利用工具測量、收集學生在線學習的數據，建立適當的模型加以分析，評價教與學，預測學生未來的學習表現(xiàn)，為學生提供個性化學習方案，以優(yōu)化學習和學習環(huán)境。[5，10，12]在開放教育領域，學習分析通過分析學生學習中潛在的問題，預測學生的學習表現(xiàn)，以新的方式提高學生的學習參與度和在校率，以及為學生提供高品質和個性化的學習體驗。

學習分析不同于學術分析，學術分析旨在運用數據分析為教育系統(tǒng)的各級決策提供參考，它側重于行政管理服務；而學習分析則關注教師和學習，著重于改善教學，學生是最大的受益者，側重于為學生提供個性化學習服務。表1概括了學習分析要素的基本要求點。

2.學習分析模型

綜合國內外研究人員所提出的分析模型，學習分析過程均包括數據收集及預處理、數據分析及結果輸出（預測）。

Siemens的學習分析模型包含個性化調整/適應，[6]將數據來源分成學習背景數據和在線學習的學習狀態(tài)數據，前者是隱性數據，后者是顯性數據。而胡藝齡等提出的在線學習行為分析模型分為數據、機制及結果三部分。[5]在結果中加入了干預和自適應引擎，干預主要是指教師、家長、教育管理者從預測結果中判斷學生的未來學習情況，對其中學習有困難的“風險學生”進行干預，比如教師調整教學進度及教學內容，導師與學生進行深入談話、一對一的指導學習，教育管理者可用來判斷當前教育決策是否合適，進而確定是否需要進行調整。在線學習行為分析模型主要包括數據、機制和結果三部分。

根據學習分析模型，可以把學習分析分為數據采集和處理、數據的應用以及反饋三個過程，這是不斷循環(huán)的過程。本文主要關注結果模塊中的干預部分，結合學習分析，設計符合開放教育特點的干預系統(tǒng)，為學生提供個性化的學習，提高學生的學習積極性和學習能力，從而提高開放教育學生在校率，幫助開放教育學生順利完成學業(yè)甚至提高學生畢業(yè)率。

二、基于學習分析的開放教育學習服務系統(tǒng)設計

1.學習服務系統(tǒng)設計目標

學習服務系統(tǒng)針對開放學生的特點，運用學習分析理論，實現(xiàn)對在線學習平臺的學生學習數據可視化，預測學生的未來學習情況，對有學習困難的學生及時進行學習干預，并幫助學生解決遇到的學習問題，為學生提供個性化學習服務。這里有學習困難的學生并不一定指無法通過考核的風險學生，也可以包括暫時碰到學習困難的學生。因此將學習服務系統(tǒng)設計目標分為三部分。

（1）及時發(fā)現(xiàn)“風險學生”，采取恰當的措施幫助其通過考核。

（2）及時發(fā)現(xiàn)有臨時學習困難的學生，幫助解決問題。

（3）鼓勵上進學生，營造更好的學習氛圍。

不同地區(qū)、不同學?；蚪逃龣C構，甚至對同一個組織單位來說在不同時期，這三個目標的側重點會有所不同。相關各方可利用在線學習服務系統(tǒng)更好地實現(xiàn)目標。

2.學習服務系統(tǒng)基本組成

學習服務系統(tǒng)的組成主要包括人員、學習分析結果可視化呈現(xiàn)、服務干預機制等，如圖3所示。其中人員包括教師、教輔人員、教育管理者及家長，以及受益的主體對象——學生。由于此處是開放教育的學習服務系統(tǒng)，因此“家長”角色可被弱化。學習分析結果及可視化呈現(xiàn)主要利用NODEXL來處理。干預機制是學習服務系統(tǒng)的核心，主要是學習服務系統(tǒng)根據學生的學習狀態(tài)，對學生進行鼓勵或警示，并把重要的信息發(fā)送給相關的教育管理者或教師，由他們做出進一步更具個性化的服務措施。

如圖1所示，學習服務系統(tǒng)中，教師、教輔人員及教育管理者的服務干預并不是孤立的，這三者之間的干預應該是相互協(xié)作共同作用于學生的。而學生對于干預機制也并非被動的接受，會對干預機制產生影響，從而改進干預機制，使干預機制更有效，更為學生所接受，從而有利于促進開放教育的發(fā)展。從實驗驗證的結果來看，在初期系統(tǒng)應用實施時，系統(tǒng)的干預是非常有效的；在成熟應用期，后三者的作用將會有所提升。后三者的干預可以通過學習系統(tǒng)產生作用，也可以是線下直接干預，比如電話或面談。

3.總體設計思路及步驟

根據學習分析系統(tǒng)和開放教學特點，將學習服務系統(tǒng)的具體設計思路及步驟分為四部分：

（1）從在線學習平臺導出在線學習數據，運用學習分析工具進行分析，獲得學生學習狀態(tài)的全局可視化數據。

（2）教師、教輔人員及教育管理人員，根據相應權限獲取可視化數據，利用系統(tǒng)可進行直接或間接的干預。

（3）學生在受到相關人員的干預及獲得可視化的學習數據后，做出反饋（也可能置之不理）。系統(tǒng)或相關人員針對這些反饋，改進自己的工作方式，設計更為合理的干預機制。

（4）學習服務系統(tǒng)的評價及改進。好的學習服務系統(tǒng)至少滿足三個條件：①有效；②學生樂于接受；③教師、教輔人員等可實施。

三、開放教育學習服務系統(tǒng)個案設計

以某學院的專業(yè)為例，雖然總體學生個數不超過500，學生地域分布廣，學生數量少，學生的情況較以前更復雜。但由于計算機技術及網絡技術的發(fā)展，各種智能終端設備廣泛應用，使學生的學習途徑更為多樣，真正能實現(xiàn)隨時隨地學習，為學生提供個性化學習被提上日程。而個性化學習離不開良好的學習服務，好的技術體系加上先進的管理體系更能促進個性化學習。

1.提取學生學習數據，利用NodeXL進行分析

以公共基礎課程《計算機應用基礎》課程為例，本學年選修的學生大約為80人。圖2（a）是從moodle系統(tǒng)中導出的學生在線學習數據。

選擇三次作業(yè)，兩次網上學習討論，四個重要的學習資源，作為分析依據。所有的學習評價為五分制，五分表示滿分，三分合格，如圖2（a）所示。為方便NodeXL進行處理，將其轉換成圖2（b）所示的節(jié)點模式。此處暫時忽略了學生的學習得分，只看學生是否進行學習。NodeXL的分析結果如圖3所示：

圖3是NodeXL利用圖2的數據做出的學習分析結果，采用Harel-Koren Fast Multiscale布局方式。圖中，小黑點是學生，藍色的正方形是作業(yè)，紅色的菱形是課程資源，黃色的三角形是學習討論。越靠近中心的學生參與學習的情況越好，而越外圍的，則完成學習任務的情況越差。三個游離的點表示這三個學生沒有任何在線學習行為，即沒有參加學習討論，沒有完成作業(yè)，沒有在線學習記錄。圖3（b）中標記了部分“風險學生”的學號，以方便相關人員進行查看。

2.干預服務及反饋

在學習服務系統(tǒng)中，系統(tǒng)會根據學生的學習狀態(tài)，給出初步的處理結果。主要是：

（1）激勵好學生與要求上進學生，如給予明星學生等榮譽稱號，并給予若干學習幣。

（2）鼓勵團隊學習。對于學習領袖人物或學習系統(tǒng)中的活躍人物，在評估其帶動其他同學學習或對系統(tǒng)做出貢獻的前提下，給予學習幣。

其中學習幣可換取資源或某種權限，也可以換成小禮品。在學習服務系統(tǒng)運行初期，這種干預機制獲得了巨大的成功。

管理人員可根據需要來設置警示等級。在教師及教學管理人員端，也可設置接收何種類型或等級的消息。另外，教師及教輔人員可以根據各自需要，對數據進行進一步的過濾或標記。他們可根據不同的情況區(qū)別對待：

（1）表揚優(yōu)秀學生，邀請他們擔任學習小組的組長。

（2）不忽略普通學生，給予適當關注和鼓勵。在系統(tǒng)中教學相關人員可在系統(tǒng)中編輯并發(fā)送個性化消息，或發(fā)送即時短信息等。

（3）主要處理的是風險學生，如圖3（b）所標記的學生。對于風險學生的處理步驟如下：

①查看學習分析結果的可視化面板，發(fā)現(xiàn)其中在未來的學習中存在學習風險的學生。

②查看這些學生的較為詳細的學習記錄資料，進一步進行分析。

③分類匯總風險學生的不同情況，做出適當的處理。表2是匯總的調研結果及處理方法。

④根據學生的反饋，改進干預與服務機制，提供個性化的幫助，使其順利完成學業(yè)。從表2中可以看出，學生對于干預與服務機制的反應是積極配合的，愿意接受有利于他們完成學業(yè)的干預與服務機制。

圖4是某學院學生一學年的學習數據，隨機選取2013-2014年度選修計算機應用技術的80名學生，其中第一學期基本無學習干預與個性化服務，第二學期初啟動學習服務系統(tǒng)。縱坐標為考核分數，橫坐標為學號，藍色菱形標記為期中檢查數據，綠色三角形為總評數據。啟動學習服務系統(tǒng)后，學生的總評成績普遍比期中檢查成績略高，特別是不合格學生的人數顯著下降，合格率提高。

另外，學習服務系統(tǒng)中在線學習活躍程度、學習任務的完成率以及課程考核的通過率都顯著提高。以2014年以某學院專業(yè)為例，在線作業(yè)的完成率從原先的45.7%提高到67.9%，瓶頸課程考核通過由原來的平均46.7%提高到71.3%。

四、結論

雖然開放教育教學中一直存在學習服務，但之前并未能充分利用及全面、準確地獲得學生的學習狀態(tài)，因此這種服務無法真正實現(xiàn)個性化、長期性、系統(tǒng)性和延續(xù)性。應用學習分析工具對在線學習平臺記錄的學習數據進行個性化分析，全面、快速并準確地獲得第一手的學生學習情況的數據，使教師、教輔人員及其他管理人員從收集學生學習數據中解放出來，真正實現(xiàn)個性化服務。本系統(tǒng)有以下作用：

（1）從學習服務系統(tǒng)能獲得全局的、詳細的學生學習狀態(tài)數據，有利于全局把握學生的學習狀態(tài)，將教師、教輔人員及其他相關教育工作者從收集學生學習數據的簡單、繁瑣的重復性工作中解放出來，更有利于教學及管理的創(chuàng)新，提高服務水平與服務質量。

（2）學生能從系統(tǒng)中查看自己的學習狀態(tài)，以及自己在所有學習者中所處的學習水平。從某種程度上這有利于學生更好把握自己的學習，激發(fā)學習熱情，引發(fā)學習興趣。

（3）學生是此系統(tǒng)的最大受益者，他們通過學習分析系統(tǒng)及學習服務系統(tǒng)，獲得了個性化的學習服務?？傮w來說，基于學習分析的學習服務系統(tǒng)是有效的，但該系統(tǒng)必須隨著學生的特點、教育方針策略的改變而改變，不能恒定不變。

參考文獻：

[1]顧小清，胡藝齡，蔡慧英.MOOCs 的本土化訴求及其應對[J].遠程教育雜志，2013（5）.

[2]吳戰(zhàn)杰.大數據時代E-Learning融合式學習框架——學習的規(guī)模效益與個性化的實現(xiàn)途徑[J].開放教育研究，2013（4）：53-59.

[3]徐鵬，王以寧，劉艷華，張海.大數據視角分析學習變革——美國《通過教育數據挖掘和學習分析促進教與學》報告解讀及啟示[J].遠程教育雜志，2013（6）：11-15.

[4]顧小清，張進良，蔡慧英.學習分析：正在浮現(xiàn)中的數據技術[J].遠程教育雜志，2012（1）：18-25.

[5]胡藝齡，顧小清，趙春.在線學習行為分析建模及挖掘[J].開放教育研究， 2014（2）：102-110.

[6]郁曉華，顧小清.學習活動流： 一個學習分析的行為模型[J].遠程教育雜志， 2013（4）：20-28.

[7]馬曉玲，邢萬里，馮翔，吳永和.學習分析系統(tǒng)構建研究[J].華東師范大學學報 （自然科學版），2014（2）.

[8]Campbell J P， DeBlois P B， Oblinger D G. Academic analytics： A new tool for a new era[J]. Educause Review， 2007，42（4）： 40.

[9]Clow D. The learning analytics cycle： closing the loop effectively[C].Proceedings of the 2nd International Conference on Learning Analytics and Knowledge，ACM2012： 134-138.

[10]Goldstein， P.J.and Katz， R.N. Academic analytics： The uses of management information and technology in higher Education[DB/OL][2005-12-01].http：//net.educause.edu/ir/library/pdf/ECM/ECM0508.pdf，2005.

[11]Johnson L， Adams S， Cummins M， et al. The NMC horizon report： 2012 higher education edition， Austin[J]. TX http：//www. nmc. org/publications/2013-horizon-report-higher-ed， 2013.

[12]Johnson L， Adams S， Cummins M， et al. The NMC horizon report： 2013 higher education edition[J].2013.

[13]Ritsos P D， Roberts J C. Towards more Visual Analytics in Learning Analytics [J].

[14]Siemens G. What are learning analytics[J]. Retrieved March， 10： 2011.

[15]Siemens G， Gasevic D， Haythornthwaite C， et al. Open Learning Analytics： an integrated & modularized platform[J]. Proposal to design， implement and evaluate an open platform to integrate heterogeneous learning analytics techniques， 2011.

（編輯：王天鵬）