肖巍 倪傳斌 李銳

【摘 要】

數(shù)據(jù)挖掘，又稱“數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn)”，可通過一定的算法從大量數(shù)據(jù)中發(fā)現(xiàn)隱藏的模式與知識(shí)。在大數(shù)據(jù)時(shí)代，數(shù)據(jù)挖掘技術(shù)為學(xué)習(xí)預(yù)警研究提供了新的視角與方法。結(jié)合文獻(xiàn)計(jì)量法和內(nèi)容分析法，從相關(guān)文獻(xiàn)的年度分布、學(xué)科分布、數(shù)據(jù)挖掘技術(shù)使用分布、研究熱點(diǎn)等方面對(duì)國(guó)外基于數(shù)據(jù)挖掘的學(xué)習(xí)預(yù)警研究進(jìn)行了系統(tǒng)性梳理，得出如下發(fā)現(xiàn)：研究數(shù)量持續(xù)上升；研究話題得到來自不同學(xué)科學(xué)者的廣泛關(guān)注；挖掘技術(shù)以使用基本技術(shù)為主；研究熱點(diǎn)集中在預(yù)警指標(biāo)甄選、預(yù)警起始時(shí)間探測(cè)和預(yù)警模型效果評(píng)估三個(gè)方面。今后，研究者需要重視學(xué)習(xí)預(yù)警認(rèn)知基礎(chǔ)和運(yùn)作機(jī)制的探討，關(guān)注學(xué)習(xí)過程動(dòng)態(tài)指標(biāo)，形成學(xué)科特異的研究范式，并進(jìn)一步推廣、發(fā)揮學(xué)習(xí)預(yù)警研究的應(yīng)用價(jià)值。通過回顧與展望，以期進(jìn)一步推動(dòng)國(guó)內(nèi)學(xué)習(xí)預(yù)警研究走向縱深，并促進(jìn)數(shù)據(jù)挖掘技術(shù)在教育技術(shù)領(lǐng)域的發(fā)展。

【關(guān)鍵詞】 數(shù)據(jù)挖掘；學(xué)習(xí)分析；學(xué)習(xí)預(yù)警；預(yù)測(cè)；分類；文獻(xiàn)計(jì)量；回顧；教育技術(shù)

【中圖分類號(hào)】 G420 【文獻(xiàn)標(biāo)識(shí)碼】 A 【文章編號(hào)】 1009-458x（2018）2-0070-9

一、選題緣起

學(xué)習(xí)預(yù)警（early-warning for learning）指按照一定的標(biāo)準(zhǔn)綜合評(píng)估學(xué)生的背景信息、學(xué)習(xí)行為、考試成績(jī)等因素，按照評(píng)估結(jié)果向?qū)W生、教師等發(fā)出提示信號(hào)，并及時(shí)提供有效且針對(duì)性強(qiáng)的干預(yù)建議（Macfadyen & Dawson， 2010）。構(gòu)建學(xué)習(xí)預(yù)警機(jī)制，既可為教學(xué)管理提供決策參考，又可為學(xué)生提供幫助和指導(dǎo)；既是教學(xué)實(shí)踐的實(shí)際需求，又是教學(xué)研究中的一大熱點(diǎn)（Beck & Davison， 2001）。早期的學(xué)習(xí)預(yù)警研究大多基于思辨或依據(jù)期末成績(jī)等指標(biāo)進(jìn)行，存在指標(biāo)主觀單一、時(shí)間滯后等不足。近年來興起的數(shù)據(jù)挖掘技術(shù)則為學(xué)習(xí)預(yù)警研究提供了方法上新的切入點(diǎn)，有力地推動(dòng)了學(xué)習(xí)預(yù)警研究的進(jìn)展。

數(shù)據(jù)挖掘，又稱“數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn)”，可通過一定的算法從大量數(shù)據(jù)中發(fā)現(xiàn)隱藏的模式與知識(shí)（Baker & Yacef， 2009）。數(shù)據(jù)挖掘的核心工作是建立模型。建立模型的常用方法有預(yù)測(cè)、聚類、關(guān)聯(lián)分析、時(shí)間序列分析等。相比描述統(tǒng)計(jì)、推斷統(tǒng)計(jì)等傳統(tǒng)的統(tǒng)計(jì)分析方法，數(shù)據(jù)挖掘在從大量的復(fù)雜數(shù)據(jù)中發(fā)現(xiàn)新模式與新知識(shí)時(shí)更有優(yōu)勢(shì)。

從20世紀(jì)80年代起，數(shù)據(jù)挖掘技術(shù)開始應(yīng)用到教育教學(xué)領(lǐng)域，但相關(guān)成果不多。直到進(jìn)入21世紀(jì)，在教育信息化的推動(dòng)下，數(shù)據(jù)挖掘技術(shù)才開始在教育教學(xué)領(lǐng)域大量推廣（Romero & Ventura， 2007； Pena-Ayala， 2014）。2012年美國(guó)教育部發(fā)布藍(lán)皮書《通過教育數(shù)據(jù)挖掘和學(xué)習(xí)分析促進(jìn)教與學(xué)》，2015年我國(guó)國(guó)務(wù)院發(fā)布的《促進(jìn)大數(shù)據(jù)發(fā)展行動(dòng)綱要》明確提出要建設(shè)教育文化大數(shù)據(jù)，成立了“教育大數(shù)據(jù)應(yīng)用技術(shù)國(guó)家工程實(shí)驗(yàn)室”，標(biāo)志著教育數(shù)據(jù)挖掘在中美兩個(gè)大國(guó)都提高到了國(guó)家層面教育教學(xué)與人才培養(yǎng)的戰(zhàn)略高度。

在“大數(shù)據(jù)時(shí)代”和“國(guó)家大數(shù)據(jù)”戰(zhàn)略背景下，亟待運(yùn)用數(shù)據(jù)挖掘技術(shù)豐富教育教學(xué)的研究手段并解決其中的實(shí)際問題。隨著數(shù)據(jù)挖掘技術(shù)在教育教學(xué)領(lǐng)域的推廣，該技術(shù)也開始應(yīng)用到學(xué)習(xí)預(yù)警研究當(dāng)中，并取得了大量成績(jī)。然而，在國(guó)內(nèi)，學(xué)習(xí)預(yù)警研究尚處于起步階段，對(duì)學(xué)習(xí)預(yù)警研究的引介較多，實(shí)證研究較少。這些有限的實(shí)證研究大多在近幾年才出現(xiàn)，研究主題也欠豐富（陳益均， 等， 2013； 孫力， 等， 2015， 2016； 施佺， 等， 2016； 賀超凱， 等， 2016； 尤佳鑫， 等， 2016； 胡祖輝， 等， 2017）。相比國(guó)外研究，國(guó)內(nèi)研究無論在廣度上還是深度上都需要加強(qiáng)。因此，本文通過對(duì)國(guó)外學(xué)習(xí)預(yù)警數(shù)據(jù)挖掘研究進(jìn)行回顧與展望，進(jìn)一步推動(dòng)國(guó)內(nèi)的學(xué)習(xí)預(yù)警研究走向縱深，并促進(jìn)數(shù)據(jù)挖掘技術(shù)在教育技術(shù)領(lǐng)域的發(fā)展。

二、數(shù)據(jù)來源與方法

選取Web of Science索引庫(kù)為文獻(xiàn)來源，以“educational data mining”“l(fā)earning analytics”“early warning”“academic performance prediction”“student retention”等為關(guān)鍵檢索詞，對(duì)過去十年（2007年-2017年3月）的相關(guān)文獻(xiàn)進(jìn)行檢索。由于會(huì)議論文（conference paper）一般篇幅較短，本研究不予考慮，只將期刊論文納入分析。剔除無關(guān)文獻(xiàn)，并從有效文獻(xiàn)的參考文獻(xiàn)中繼續(xù)查找，最終得到有效文獻(xiàn)32篇。從數(shù)量看，學(xué)習(xí)預(yù)警數(shù)據(jù)挖掘研究尚未形成規(guī)模效應(yīng)，其價(jià)值有待進(jìn)一步挖掘；從文獻(xiàn)質(zhì)量看，這些研究總體上較為嚴(yán)謹(jǐn)，整體質(zhì)量較高，能夠反映學(xué)習(xí)預(yù)警數(shù)據(jù)挖掘研究的開展情況。

對(duì)于這些文獻(xiàn)，擬采用“先總后分”的方式進(jìn)行論述。具體地，首先采用文獻(xiàn)計(jì)量的方式對(duì)文獻(xiàn)的年度分布、學(xué)科分布、數(shù)據(jù)挖掘技術(shù)使用分布等方面的整體特點(diǎn)進(jìn)行梳理，然后采用內(nèi)容分析的方式對(duì)文獻(xiàn)的具體內(nèi)容進(jìn)行分析，歸納出研究熱點(diǎn)。

三、結(jié)果分析與回顧

（一）文獻(xiàn)分布特點(diǎn)

1. 年度分布

文獻(xiàn)的年度分布表明了研究的走勢(shì)。由圖1可見，基于數(shù)據(jù)挖掘的學(xué)習(xí)預(yù)警研究在第一個(gè)五年（2007-2011年）成果較少，偶有研究發(fā)表。但是在第二個(gè)五年（2012-2016年），相關(guān)研究的數(shù)量總體呈增長(zhǎng)趨勢(shì)，在2015年和2016年兩年達(dá)到峰值，分別有8篇和7篇論文（由于2017年還未結(jié)束，這一年的3篇文獻(xiàn)未予顯示）。不難看出，論文數(shù)量的持續(xù)增長(zhǎng)，表明數(shù)據(jù)挖掘技術(shù)在學(xué)習(xí)預(yù)警乃至教育領(lǐng)域不斷受到關(guān)注和重視。隨著大數(shù)據(jù)時(shí)代和“互聯(lián)網(wǎng)+”的到來，數(shù)據(jù)挖掘?qū)τ趶V大學(xué)者已經(jīng)不再是個(gè)陌生的名詞，而是不斷滲透到各個(gè)交叉學(xué)科領(lǐng)域。由于數(shù)據(jù)挖掘技術(shù)善于從大量的復(fù)雜數(shù)據(jù)中發(fā)現(xiàn)新模式與新知識(shí)，故而特別適合研究復(fù)雜的教育教學(xué)現(xiàn)象。構(gòu)建學(xué)習(xí)預(yù)警機(jī)制正是數(shù)據(jù)挖掘技術(shù)在教育領(lǐng)域的具體應(yīng)用之一。今后，隨著數(shù)據(jù)挖掘技術(shù)的不斷普及，基于數(shù)據(jù)挖掘的學(xué)習(xí)預(yù)警研究有望持續(xù)走向縱深。

2. 學(xué)科分布

文獻(xiàn)發(fā)表期刊的學(xué)科分布表明了不同學(xué)科對(duì)學(xué)習(xí)預(yù)警這一研究問題的關(guān)注情況。對(duì)文獻(xiàn)所發(fā)表的期刊進(jìn)行歸納整理發(fā)現(xiàn)（見圖2）：32篇論文發(fā)表在19種期刊，其中教育技術(shù)類8種，計(jì)算機(jī)類8種，教育類3種。這三類期刊分別發(fā)表了19篇、10篇和3篇論文。這表明，作為一個(gè)交叉研究領(lǐng)域，基于數(shù)據(jù)挖掘的學(xué)習(xí)預(yù)警研究受到了教育學(xué)、教育技術(shù)學(xué)、計(jì)算機(jī)科學(xué)等不同學(xué)科的廣泛關(guān)注。文獻(xiàn)作者的學(xué)科背景也能反映出學(xué)界對(duì)學(xué)習(xí)預(yù)警的關(guān)注情況。通過整理歸納通訊作者/第一作者所在的院系發(fā)現(xiàn)（見圖3）：38%的作者為教育學(xué)背景，22%的作者為計(jì)算機(jī)背景，來自這兩個(gè)學(xué)科的作者占了一半以上。其余作者則來自管理學(xué)、經(jīng)濟(jì)學(xué)、信息科學(xué)、數(shù)學(xué)、心理學(xué)和工業(yè)工程等相近學(xué)科。這進(jìn)一步表明基于數(shù)據(jù)挖掘的學(xué)習(xí)預(yù)警研究受到了學(xué)界的廣泛關(guān)注。

不同學(xué)科背景的學(xué)者在哪些期刊上發(fā)表研究則能反映不同學(xué)科之間的跨界與融合情況。期刊學(xué)科分布和作者學(xué)科分布的交叉列聯(lián)表（見表1）顯示：教育學(xué)和計(jì)算機(jī)背景的學(xué)者主要在教育技術(shù)類期刊發(fā)表論文，其他學(xué)科背景的學(xué)者在教育技術(shù)類期刊和計(jì)算機(jī)類期刊發(fā)表論文數(shù)量較為平均。由于教育數(shù)據(jù)挖掘是一個(gè)交叉領(lǐng)域，所以教育技術(shù)類期刊天然地成為相關(guān)研究發(fā)表的學(xué)術(shù)陣地。然而，應(yīng)當(dāng)看到，教育學(xué)背景的學(xué)者很少在計(jì)算機(jī)類期刊發(fā)文，計(jì)算機(jī)背景的學(xué)者也沒有在純教育類期刊發(fā)文。雖然學(xué)科之間的界限逐漸模糊，但距離深度的學(xué)科跨界與融合還有很長(zhǎng)的路要走。

3. 數(shù)據(jù)挖掘技術(shù)使用分布

數(shù)據(jù)挖掘的常用方法有預(yù)測(cè)/分類、聚類、關(guān)聯(lián)分析、時(shí)間序列分析等。預(yù)測(cè)/分類是根據(jù)輸入數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練建立模型，并對(duì)新數(shù)據(jù)進(jìn)行映射，預(yù)測(cè)它的取值（對(duì)于連續(xù)變量而言）或者所屬類別（對(duì)于離散變量而言）。聚類是通過捕獲數(shù)據(jù)的自然結(jié)構(gòu)將數(shù)據(jù)劃分成有意義或有用的群組或類別。關(guān)聯(lián)分析是通過頻繁項(xiàng)集的形式發(fā)現(xiàn)大型數(shù)據(jù)集中隱藏的有意義聯(lián)系。時(shí)間序列分析是對(duì)一系列時(shí)間點(diǎn)上的采樣數(shù)據(jù)進(jìn)行分析以發(fā)現(xiàn)其長(zhǎng)期趨勢(shì)和周期性變化特征。不同方法有各自不同的特點(diǎn)和使用范圍，需要根據(jù)具體研究加以采用。我們對(duì)文獻(xiàn)中使用到的數(shù)據(jù)挖掘方法進(jìn)行了統(tǒng)計(jì)。根據(jù)研究需要，很多研究者會(huì)采用不止一種方法，因此統(tǒng)計(jì)出的方法數(shù)量會(huì)超出文獻(xiàn)的數(shù)量。統(tǒng)計(jì)結(jié)果如圖4所示?？梢钥吹?，預(yù)測(cè)/分類是學(xué)習(xí)預(yù)警數(shù)據(jù)挖掘研究中最常見的方法。這是學(xué)習(xí)預(yù)警研究的特點(diǎn)所決定的，因?yàn)閷W(xué)習(xí)預(yù)警的主要工作是預(yù)測(cè)某一課程最終的分?jǐn)?shù)，或者根據(jù)某一課程是否能及格對(duì)學(xué)生進(jìn)行分類。此外，也有研究結(jié)合聚類、關(guān)聯(lián)分析、時(shí)間序列等多種方法解決學(xué)習(xí)預(yù)警問題。例如，先根據(jù)某些特征對(duì)學(xué)生進(jìn)行聚類，再對(duì)不同類別的學(xué)生能否及格進(jìn)行分類。

由于預(yù)測(cè)/分類方法最為常見，使用最多，我們對(duì)文獻(xiàn)中使用的預(yù)測(cè)/分類技術(shù)進(jìn)行了統(tǒng)計(jì)（見圖5）。結(jié)果發(fā)現(xiàn)：線性回歸和邏輯回歸的使用頻率最高，神經(jīng)網(wǎng)絡(luò)、決策樹和支持向量機(jī)的使用頻率次之，此外還有少量其他技術(shù)偶見使用。線性回歸和邏輯回歸是較為經(jīng)典和成熟的數(shù)據(jù)挖掘技術(shù)，前者用于連續(xù)變量的預(yù)測(cè)，后者用于離散變量的分類。神經(jīng)網(wǎng)絡(luò)是一種類似于大腦神經(jīng)突觸連接結(jié)構(gòu)的數(shù)學(xué)模型，具有并行分布式信息處理的能力，一般能達(dá)到較好的預(yù)測(cè)效果，具有較強(qiáng)的容錯(cuò)能力，但屬于內(nèi)部機(jī)制不透明的黑盒模型，其解釋性較弱。決策樹屬于白盒模型，通過從自變量中尋找最佳分割變量和最佳分割點(diǎn)將數(shù)據(jù)劃分為兩組，針對(duì)分組后的數(shù)據(jù)不斷重復(fù)上述步驟，直到滿足停止條件，并將探測(cè)過程以樹形結(jié)構(gòu)的形式呈現(xiàn)出來，其結(jié)果易于理解和解釋，但對(duì)缺失數(shù)據(jù)敏感。支持向量機(jī)以統(tǒng)計(jì)學(xué)中的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理為基礎(chǔ)，在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折中，其結(jié)構(gòu)簡(jiǎn)單，技術(shù)性能好，但同樣對(duì)缺失數(shù)據(jù)敏感。由于不同的技術(shù)有著各自的優(yōu)缺點(diǎn)，研究者會(huì)根據(jù)研究需要選擇最為合適的技術(shù)，通過多種技術(shù)構(gòu)建多個(gè)模型進(jìn)行評(píng)估，從中選出最優(yōu)模型。

結(jié)合圖4和圖5可以發(fā)現(xiàn)，盡管數(shù)據(jù)挖掘技術(shù)的使用分布較為廣泛，但所用的技術(shù)多為數(shù)據(jù)挖掘領(lǐng)域最基本的技術(shù)。對(duì)于目前數(shù)據(jù)挖掘領(lǐng)域的前沿技術(shù)，如深度學(xué)習(xí)（deep learning）等，在學(xué)習(xí)預(yù)警領(lǐng)域尚未見應(yīng)用。此外，現(xiàn)在使用的技術(shù)也并非用于學(xué)習(xí)預(yù)警的專用技術(shù)，不利于學(xué)習(xí)預(yù)警研究的深入和學(xué)科特異研究范式的構(gòu)建。今后，研究者應(yīng)當(dāng)嘗試使用新的前沿技術(shù)，并開發(fā)適合學(xué)習(xí)預(yù)警的專用技術(shù)。

（二）文獻(xiàn)研究熱點(diǎn)

我們對(duì)文獻(xiàn)關(guān)鍵詞進(jìn)行了統(tǒng)計(jì)。由于有的關(guān)鍵詞意思相近，只是表述有細(xì)微差異，我們將這些相近的關(guān)鍵詞視作同一詞（如blended course和blended learning，data mining和data-mining）進(jìn)行合并整理，并制作出詞云圖（見圖6）。前十大關(guān)鍵詞分別為數(shù)據(jù)挖掘、預(yù)測(cè)、學(xué)習(xí)分析、在線學(xué)習(xí)、學(xué)業(yè)成就、學(xué)習(xí)管理系統(tǒng)、分類、留級(jí)、混合課堂和高等教育（見表2）。這十大關(guān)鍵詞從研究視角、研究?jī)?nèi)容、研究方法、數(shù)據(jù)來源、教學(xué)環(huán)境等不同方面勾勒出學(xué)習(xí)預(yù)警數(shù)據(jù)挖掘研究的全貌。研究視角方面，現(xiàn)有研究持有教育數(shù)據(jù)挖掘和學(xué)習(xí)分析兩種視角。這兩種視角互為補(bǔ)充，前者偏重?cái)?shù)據(jù)驅(qū)動(dòng)，后者強(qiáng)調(diào)學(xué)習(xí)預(yù)警的現(xiàn)實(shí)解釋力度。研究?jī)?nèi)容方面，現(xiàn)有研究多關(guān)注學(xué)習(xí)成績(jī)和學(xué)生留級(jí)，前者是通過對(duì)具體成績(jī)的預(yù)測(cè)實(shí)現(xiàn)預(yù)警，后者是通過對(duì)學(xué)生分類對(duì)劃入留級(jí)一類的學(xué)生進(jìn)行預(yù)警。研究方法方面，為了預(yù)測(cè)學(xué)習(xí)成績(jī)和成功劃分出留級(jí)的學(xué)生，現(xiàn)有研究多使用預(yù)測(cè)和分類兩種方法，前者適用于連續(xù)變量（如預(yù)測(cè)學(xué)習(xí)成績(jī)），后者適用于離散變量（如及格/不及格、留級(jí)/不留級(jí)）。數(shù)據(jù)來源方面，現(xiàn)有研究多從學(xué)習(xí)管理系統(tǒng)（Learning Management System， LMS）獲取學(xué)生數(shù)據(jù)（如性別、專業(yè)、課程成績(jī)、績(jī)點(diǎn)等），表明現(xiàn)有的教育大數(shù)據(jù)得到了一定程度的挖掘，但更多數(shù)據(jù)來源（如學(xué)生社交平臺(tái)數(shù)據(jù)、學(xué)生上網(wǎng)數(shù)據(jù)）并沒有進(jìn)入研究者的視野或得到充分利用。教學(xué)環(huán)境方面，多關(guān)注高等教育、在線學(xué)習(xí)和混合課堂，說明對(duì)信息化程度較高的大學(xué)教育以及獲取數(shù)據(jù)較為便利的網(wǎng)絡(luò)教學(xué)環(huán)境關(guān)注較多，而對(duì)中小學(xué)教育和傳統(tǒng)教學(xué)環(huán)境的關(guān)注可能不夠。

結(jié)合文獻(xiàn)內(nèi)容進(jìn)行深度分析發(fā)現(xiàn)：國(guó)際上基于數(shù)據(jù)挖掘的學(xué)習(xí)預(yù)警研究熱點(diǎn)可以歸結(jié)到橫截面、縱貫面和技術(shù)層面三個(gè)方面。這三個(gè)方面的研究呈遞進(jìn)關(guān)系，前者是后者的基礎(chǔ)，后者是前者的深入。下面詳細(xì)討論。

1. 橫截面：有效預(yù)警指標(biāo)的甄選

在不考慮時(shí)間因素的橫截面（cross-sectional）上，研究熱點(diǎn)為有效預(yù)警指標(biāo)的甄選。由于學(xué)習(xí)預(yù)警的基本方法是通過一系列指標(biāo)對(duì)學(xué)生成績(jī)或?qū)W生是否及格/留級(jí)進(jìn)行預(yù)測(cè)，因此，選擇有效的預(yù)警指標(biāo)是學(xué)習(xí)預(yù)警研究最為核心、最為基礎(chǔ)的研究問題之一。目前，研究者運(yùn)用決策樹、神經(jīng)網(wǎng)絡(luò)、邏輯回歸等預(yù)測(cè)和分類技術(shù)對(duì)采集到的數(shù)據(jù)進(jìn)行挖掘，業(yè)已探明一系列有效預(yù)警指標(biāo)。這些指標(biāo)可歸納為三類：第一類為人口統(tǒng)計(jì)學(xué)信息，如性別、專業(yè)、家庭經(jīng)濟(jì)狀況、父母文化程度、兄弟姐妹數(shù)量等；第二類為過去的學(xué)習(xí)成績(jī)，如入學(xué)成績(jī)、績(jī)點(diǎn)等；第三類為當(dāng)前課程的學(xué)習(xí)過程，如教材學(xué)習(xí)情況、練習(xí)完成情況、網(wǎng)絡(luò)課堂登錄次數(shù)、發(fā)帖數(shù)、回帖數(shù)等。其中，人口統(tǒng)計(jì)學(xué)和過往學(xué)習(xí)成績(jī)兩類指標(biāo)為靜態(tài)指標(biāo)，并非對(duì)學(xué)習(xí)過程的直接測(cè)量，只能通過一系列中介變量間接預(yù)測(cè)成績(jī)；學(xué)習(xí)過程為動(dòng)態(tài)指標(biāo)，通過評(píng)估學(xué)習(xí)過程中的實(shí)時(shí)動(dòng)態(tài)數(shù)據(jù)對(duì)學(xué)習(xí)結(jié)果進(jìn)行預(yù)警，可構(gòu)建“過程→結(jié)果”的因果鏈，具有較強(qiáng)的可解釋性。

在實(shí)際研究當(dāng)中，研究者往往結(jié)合多類指標(biāo)共同預(yù)警，以達(dá)到比單一指標(biāo)更好的預(yù)警效果。這一點(diǎn)是由學(xué)習(xí)預(yù)警的理論基礎(chǔ)和方法基礎(chǔ)共同決定的。理論上，無論是學(xué)習(xí)者的背景信息、過去的學(xué)習(xí)成績(jī)，還是當(dāng)前課程的學(xué)習(xí)過程，都會(huì)對(duì)學(xué)生最終的學(xué)習(xí)結(jié)果產(chǎn)生影響。只有從多個(gè)維度入手確定需要測(cè)量的指標(biāo)，才能更加有效地預(yù)警。方法上，數(shù)據(jù)挖掘是一種數(shù)據(jù)驅(qū)動(dòng)的研究方法，要求盡可能利用現(xiàn)有數(shù)據(jù)，挖掘出其中蘊(yùn)含的模式，而不一定局限于特定類別的數(shù)據(jù)。例如，Sen、Ucar和Delen（2012）對(duì)土耳其 5，000名中學(xué)生的人口統(tǒng)計(jì)學(xué)信息和過去的學(xué)習(xí)成績(jī)等數(shù)據(jù)進(jìn)行了挖掘，發(fā)現(xiàn)過去的考試經(jīng)驗(yàn)、是否獲得獎(jiǎng)學(xué)金、兄弟姐妹數(shù)量和上一年的平均績(jī)點(diǎn)分等指標(biāo)可以共同預(yù)警。Hachey、Wladis和Conway（2014）對(duì)某社區(qū)大學(xué)962名參加了在線課程學(xué)習(xí)的學(xué)生數(shù)據(jù)進(jìn)行挖掘，發(fā)現(xiàn)先前在線學(xué)習(xí)經(jīng)驗(yàn)比平均績(jī)點(diǎn)分的預(yù)測(cè)效果更好。

同時(shí)，應(yīng)該看到數(shù)據(jù)挖掘研究的特點(diǎn)是利用現(xiàn)有數(shù)據(jù)，而不是根據(jù)一定的研究假設(shè)去專門采集數(shù)據(jù)。因此，如果現(xiàn)有數(shù)據(jù)有限，研究者通常只對(duì)該數(shù)據(jù)進(jìn)行挖掘。例如，Macfadyen和Dawson（2010）對(duì)學(xué)生在線行為數(shù)據(jù)進(jìn)行了挖掘，發(fā)現(xiàn)討論信息發(fā)布數(shù)量、郵件發(fā)送數(shù)量和完成的測(cè)驗(yàn)數(shù)量等指標(biāo)能有效預(yù)測(cè)期末成績(jī)。Romero、Lopez、Luna和Ventura（2013）研究了114名計(jì)算機(jī)專業(yè)的大一學(xué)生在線論壇的學(xué)習(xí)行為，發(fā)現(xiàn)發(fā)送消息的數(shù)量、單詞數(shù)、學(xué)生活躍中心度等指標(biāo)可以有效預(yù)測(cè)學(xué)生期末成績(jī)。這兩例研究都是從Moodle等在線學(xué)習(xí)平臺(tái)抓取學(xué)生的在線學(xué)習(xí)行為記錄，沒有專門采集學(xué)生的人口統(tǒng)計(jì)學(xué)信息等數(shù)據(jù)，故只利用了學(xué)習(xí)過程數(shù)據(jù)進(jìn)行挖掘。

2. 縱貫面：有效預(yù)警起始時(shí)間的探測(cè)

在考慮時(shí)間因素的縱貫面（longitudinal）上，研究熱點(diǎn)為有效預(yù)警時(shí)間的探測(cè)。既然是預(yù)警，就需要及時(shí)發(fā)出預(yù)警信號(hào)，在保證預(yù)警效果的前提下預(yù)警時(shí)間越早越好。在人口統(tǒng)計(jì)學(xué)信息、過去的學(xué)習(xí)成績(jī)、學(xué)習(xí)過程三類預(yù)警指標(biāo)中，學(xué)習(xí)過程數(shù)據(jù)具有動(dòng)態(tài)特性，若能跟蹤記錄學(xué)習(xí)過程數(shù)據(jù)，就可以在學(xué)習(xí)過程中盡早預(yù)警。

學(xué)者運(yùn)用縱貫研究設(shè)計(jì)和時(shí)間序列分析等技術(shù)發(fā)現(xiàn)，在開課一段時(shí)間后即可進(jìn)行預(yù)警并干預(yù)，無須等到結(jié)課后再補(bǔ)救。但是，對(duì)于最早從何時(shí)起可以獲得準(zhǔn)確有效的預(yù)警效果，學(xué)界的研究并不一致，從學(xué)期初到期中不等。例如，Lee、Sbeglia、Ha、Finch和Nehm（2015）跟蹤采集了287名美國(guó)大學(xué)本科生的課程形成性評(píng)估數(shù)據(jù)，發(fā)現(xiàn)前兩周的課堂測(cè)驗(yàn)成績(jī)與期末成績(jī)相關(guān)性不高，但第三周的相關(guān)系數(shù)陡增，達(dá)到0.53，此后一直趨于穩(wěn)定。Marquez-Vera 等（2016）調(diào)查了419名墨西哥高一學(xué)生在一學(xué)期各個(gè)階段的數(shù)據(jù)，發(fā)現(xiàn)在第二和第三階段（學(xué)期第4-6周）便已達(dá)到較好的預(yù)測(cè)效果。Huang 和Fang（2013）調(diào)查了323名本科生的績(jī)點(diǎn)、微積分、大學(xué)物理、動(dòng)力學(xué)期中考試成績(jī)等數(shù)據(jù)，用以預(yù)測(cè)他們的工程動(dòng)力學(xué)課程成績(jī)。結(jié)果發(fā)現(xiàn)，將期中考試成績(jī)加入預(yù)測(cè)模型可以達(dá)到更好的預(yù)測(cè)效果。由于該研究的學(xué)習(xí)過程數(shù)據(jù)僅有期中考試成績(jī)一項(xiàng)，無法進(jìn)一步探究準(zhǔn)確的預(yù)警起始時(shí)間，但至少說明前半學(xué)期的表現(xiàn)可以有效預(yù)測(cè)期末成績(jī)。

探測(cè)有效預(yù)警的起始時(shí)間對(duì)于教學(xué)有著重要的現(xiàn)實(shí)意義。比如，教學(xué)管理部門可以依據(jù)預(yù)警起始時(shí)間對(duì)選課系統(tǒng)進(jìn)行改進(jìn)，為確定補(bǔ)退選截止日期提供更加科學(xué)合理的依據(jù)。選課系統(tǒng)可以根據(jù)學(xué)生形成性評(píng)估的表現(xiàn)，提供即時(shí)排名，由學(xué)生決定是否繼續(xù)學(xué)習(xí)該課程。學(xué)生也可以通過預(yù)警系統(tǒng)提供的數(shù)據(jù)知曉自己在期末可能取得什么樣的成績(jī)，從而采取相應(yīng)干預(yù)措施，如通知家長(zhǎng)、成立教師支持團(tuán)隊(duì)、提供個(gè)性化解決方案和學(xué)業(yè)警告等。

3. 技術(shù)層面：預(yù)警模型效果評(píng)估

若在技術(shù)層面對(duì)預(yù)警模型進(jìn)行對(duì)比和改進(jìn)，就涉及到了模型效果評(píng)估的問題。模型對(duì)比，即結(jié)合多種技術(shù)進(jìn)行模型訓(xùn)練、測(cè)試與評(píng)估，綜合考慮準(zhǔn)確率（accuracy）、召回率（recall）、精度（precision）等多個(gè)評(píng)估指標(biāo)，以及效率（efficiency）、可解釋性（interpretability）、可行性（deployability）等實(shí)際使用時(shí)需考慮的因素，對(duì)多個(gè)模型進(jìn)行對(duì)比，從中選出最優(yōu)模型（Romero， et al.， 2013）。例如，Huang 等（2013）使用多元線性回歸、多層傳感網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)和支持向量機(jī)四種數(shù)學(xué)模型進(jìn)行期末成績(jī)預(yù)測(cè)，發(fā)現(xiàn)四種模型的效果差異不大。Kotsiantis（2012）利用M5樹模型、M5規(guī)則樹模型、神經(jīng)網(wǎng)絡(luò)、線性回歸、局部加權(quán)線性回歸和支持向量機(jī)六種技術(shù)進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)M5規(guī)則樹模型準(zhǔn)確率最高，且可理解性最好。Sen 等（2012）對(duì)比了神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、決策樹和邏輯回歸以及四種預(yù)測(cè)/分類模型，發(fā)現(xiàn)決策樹模型的敏感度最高?？傮w上，相比單一模型，模型對(duì)比可以發(fā)現(xiàn)潛在的更好的模型，獲得更好的預(yù)警效果。

獲得更好效果的方法除了模型對(duì)比，還有模型改進(jìn)，即通過算法優(yōu)化或利用現(xiàn)有模型組建新模型。Romero 等（2013）分別使用多種分類、聚類和關(guān)聯(lián)規(guī)則算法進(jìn)行挖掘，發(fā)現(xiàn)聚類與關(guān)聯(lián)規(guī)則相結(jié)合的算法比傳統(tǒng)的分類算法更具解釋力。Marbouti、Diefes-Dux和Madhavan（2016）調(diào)查了120名美國(guó)本科生的學(xué)習(xí)過程數(shù)據(jù)，包括課堂測(cè)驗(yàn)、小組活動(dòng)、家庭作業(yè)、項(xiàng)目設(shè)計(jì)、書面考試等，使用邏輯回歸、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、k鄰近、決策樹和樸素貝葉斯六種模型進(jìn)行預(yù)測(cè)，并結(jié)合兩種假負(fù)例最少（樸素貝葉斯、支持向量機(jī)）和假正例最少（k鄰近）的模型構(gòu)建了一個(gè)組合模型，從而得到了最優(yōu)預(yù)測(cè)效果。Tsai、Tsai、Hung和Hwang（2011）使用三種聚類分析（k-均值聚類、自組織映射、二階聚類）根據(jù)性別、出生地、院系等數(shù)據(jù)對(duì)學(xué)生進(jìn)行聚類，再通過決策樹提取出有用的規(guī)則，對(duì)學(xué)生在一項(xiàng)計(jì)算機(jī)考試中不及格的概率進(jìn)行預(yù)測(cè)，達(dá)到了較好的預(yù)警效果。Taylan和Karagozoglu（2009）利用模糊規(guī)則、神經(jīng)網(wǎng)絡(luò)、遺傳算法等技術(shù)構(gòu)建了一個(gè)預(yù)測(cè)學(xué)生學(xué)業(yè)表現(xiàn)的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型，發(fā)現(xiàn)該模型的穩(wěn)健性和傳統(tǒng)統(tǒng)計(jì)模型相比無顯著差異，但對(duì)學(xué)業(yè)表現(xiàn)提供了一種更加自然的解釋途徑?？傮w上，相比模型對(duì)比，模型改進(jìn)的預(yù)警效果往往更好，但其技術(shù)門檻往往也更高。

相比指標(biāo)甄選和起始時(shí)間預(yù)測(cè)，模型效果評(píng)估是學(xué)習(xí)預(yù)警研究中更加深入的問題。如果說預(yù)警指標(biāo)甄選和起始時(shí)間探測(cè)是學(xué)習(xí)預(yù)警的初步探索，那么模型效果評(píng)估就是在對(duì)這些初步探索進(jìn)行梳理和取舍的高級(jí)決策。如果可行，一項(xiàng)學(xué)習(xí)預(yù)警研究應(yīng)當(dāng)完整地包括這三個(gè)方面。例如：Hu、Lo和Shih（2014）首先通過數(shù)據(jù)預(yù)處理得到13個(gè)預(yù)警指標(biāo)，包括4個(gè)時(shí)間相關(guān)指標(biāo)和9個(gè)時(shí)間無關(guān)指標(biāo)。然后，分別基于前4周、前8周和前13周的數(shù)據(jù)生成三個(gè)數(shù)據(jù)集，并分別使用C4.5、CART和邏輯回歸三種技術(shù)對(duì)這三個(gè)數(shù)據(jù)集進(jìn)行建模，得到9個(gè)模型。對(duì)這9個(gè)模型進(jìn)行基于I、II類錯(cuò)誤和準(zhǔn)確率的評(píng)估，淘汰邏輯回歸模型，保留C4.5和CART建立的6個(gè)模型。之后，對(duì)這6個(gè)模型分別用全部數(shù)據(jù)和不含時(shí)間相關(guān)指標(biāo)的數(shù)據(jù)進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)加入時(shí)間相關(guān)指標(biāo)的模型效果更好。最后，通過模型改進(jìn)，發(fā)現(xiàn)集成了自適應(yīng)增強(qiáng)技術(shù)（AdaBoost）的CART模型效果最好。這一研究當(dāng)屬學(xué)習(xí)預(yù)警研究的典范。然而，現(xiàn)階段要求所有研究都如此完備不太現(xiàn)實(shí)。一方面，起始時(shí)間的預(yù)測(cè)往往需要縱貫設(shè)計(jì)和時(shí)間序列采樣，對(duì)研究投入要求較高，有的研究者可能難以承受；另一方面，模型評(píng)估的技術(shù)門檻較高，需要一定的數(shù)學(xué)和計(jì)算機(jī)基礎(chǔ)，成為有些研究者的技術(shù)瓶頸。將來，隨著學(xué)習(xí)預(yù)警研究走向縱深，研究投入越來越大，跨學(xué)科人才和跨學(xué)科合作不斷增多，完備的學(xué)習(xí)預(yù)警研究必將不斷出現(xiàn)。

四、研究不足與未來展望

將新興的數(shù)據(jù)挖掘技術(shù)引入學(xué)習(xí)預(yù)警研究，使得學(xué)習(xí)預(yù)警這一古老的話題煥發(fā)出新的生命力，有望成為一個(gè)理論基礎(chǔ)寬厚、研究?jī)?nèi)容豐富、方法體系多樣、應(yīng)用前景廣闊的前沿交叉領(lǐng)域。然而，從現(xiàn)有文獻(xiàn)來看，學(xué)習(xí)預(yù)警研究在理論、內(nèi)容、方法和應(yīng)用方面均存在一些問題和不足。對(duì)這些問題和不足進(jìn)行分析和梳理，有利于更加精準(zhǔn)地把握該領(lǐng)域的研究現(xiàn)狀和展望其未來研究動(dòng)向，更加科學(xué)地利用數(shù)據(jù)挖掘技術(shù)進(jìn)行學(xué)習(xí)預(yù)警研究。

（一）理論上，學(xué)習(xí)預(yù)警的認(rèn)知基礎(chǔ)和運(yùn)作機(jī)制尚待厘清

理論研究是一個(gè)領(lǐng)域的基石，對(duì)該領(lǐng)域的研究發(fā)展有著引領(lǐng)作用。當(dāng)前，學(xué)習(xí)預(yù)警理論研究中亟待突破的一個(gè)關(guān)鍵點(diǎn)是厘清學(xué)習(xí)預(yù)警的認(rèn)知基礎(chǔ)和運(yùn)作機(jī)制：在內(nèi)部，從生理、心理、社會(huì)文化層面精準(zhǔn)把握學(xué)生的認(rèn)知活動(dòng)；在外部，將認(rèn)知活動(dòng)放到學(xué)習(xí)預(yù)警的大環(huán)境中進(jìn)行討論，對(duì)學(xué)習(xí)預(yù)警的各個(gè)環(huán)節(jié)和組塊進(jìn)行構(gòu)建和優(yōu)化。將認(rèn)知視角與社會(huì)視角相結(jié)合，無疑會(huì)為學(xué)習(xí)預(yù)警研究奠定堅(jiān)實(shí)的理論基礎(chǔ)。然而，目前尚未見到學(xué)習(xí)預(yù)警的理論研究文獻(xiàn)。誠(chéng)然，部分學(xué)者在實(shí)證研究中進(jìn)行了理論探討，如Agudo-Peregrina等（2014）為了研究虛擬現(xiàn)實(shí)環(huán)境和在線學(xué)習(xí)環(huán)境下交互性（interaction）的預(yù)警效果，對(duì)交互性的定義和內(nèi)涵進(jìn)行了系統(tǒng)梳理和深入探討。但總體而言，學(xué)習(xí)預(yù)警理論研究并未取得實(shí)質(zhì)性突破。

理論研究薄弱還與實(shí)證和方法上的欠缺有關(guān)。實(shí)證方面，雖然現(xiàn)有研究數(shù)量持續(xù)上升，但絕對(duì)數(shù)量仍然不多，未能對(duì)各種課堂環(huán)境和學(xué)科開展具化研究，無法給學(xué)習(xí)預(yù)警理論構(gòu)建提供堅(jiān)實(shí)的實(shí)證基礎(chǔ)。方法方面，現(xiàn)有研究多側(cè)重于純數(shù)據(jù)驅(qū)動(dòng)，脫離教學(xué)環(huán)境和理論闡釋，在研究框架構(gòu)擬、數(shù)據(jù)采集和數(shù)據(jù)解釋等方面缺乏理論支撐。有的研究建立內(nèi)部不透明的黑盒模型，只能給出最終運(yùn)行結(jié)果，無法觀察內(nèi)部運(yùn)行過程。有的研究雖然采用內(nèi)部透明的白盒模型，但并未在教學(xué)理論的指導(dǎo)下系統(tǒng)地采集數(shù)據(jù)，只是利用現(xiàn)有的零散數(shù)據(jù)進(jìn)行挖掘分析，導(dǎo)致對(duì)預(yù)警結(jié)果的闡釋牽強(qiáng)。缺乏理論指導(dǎo)的實(shí)證研究容易陷入“各自為戰(zhàn)”的局面，難以提供匯流式的證據(jù)支撐。

厘清學(xué)習(xí)預(yù)警的認(rèn)知基礎(chǔ)和運(yùn)作機(jī)制，需從以下三個(gè)方面著手：理論方面，學(xué)習(xí)預(yù)警研究者應(yīng)當(dāng)積極借鑒教育心理學(xué)、社會(huì)心理學(xué)、學(xué)習(xí)科學(xué)等不同學(xué)科的理論和模型（如活動(dòng)理論、交互理論、形成性評(píng)估理論等），夯實(shí)學(xué)習(xí)預(yù)警研究的理論基礎(chǔ)；實(shí)證方面，重視預(yù)警機(jī)制的教學(xué)環(huán)境差異，對(duì)不同課堂環(huán)境（網(wǎng)絡(luò)課堂、傳統(tǒng)課堂、混合課堂）和學(xué)科（生物、數(shù)學(xué)、計(jì)算機(jī)等）開展更加微觀、具化的研究，尤其要關(guān)注數(shù)據(jù)采集不便的主流教學(xué)環(huán)境——傳統(tǒng)課堂，以及技術(shù)手段偏弱的傳統(tǒng)文科課堂，在大量實(shí)證研究的基礎(chǔ)上進(jìn)行理論構(gòu)建；方法方面，選取內(nèi)部透明的白盒模型，結(jié)合具體理論或模型進(jìn)行挖掘，對(duì)挖掘結(jié)果進(jìn)行基于理論的闡釋，以增強(qiáng)結(jié)果的可解釋性。

（二）實(shí)證上，學(xué)習(xí)預(yù)警指標(biāo)的甄選對(duì)動(dòng)態(tài)數(shù)據(jù)關(guān)注不夠

現(xiàn)有研究對(duì)人口統(tǒng)計(jì)學(xué)信息和過去學(xué)習(xí)成績(jī)等靜態(tài)指標(biāo)關(guān)注較多，而對(duì)學(xué)習(xí)過程動(dòng)態(tài)指標(biāo)關(guān)注不夠。誠(chéng)然，靜態(tài)數(shù)據(jù)便于采集，也有一定的預(yù)測(cè)效力，但具有一定局限性。首先，靜態(tài)指標(biāo)已無法通過教學(xué)活動(dòng)和學(xué)生主觀努力加以改變。若過分依賴靜態(tài)指標(biāo)，容易導(dǎo)致學(xué)生認(rèn)為自己的學(xué)習(xí)結(jié)果早已被這些無法改變的因素所決定，從而喪失學(xué)習(xí)積極性。例如，Hendel（2007）發(fā)現(xiàn)本科生的高中學(xué)校排名和學(xué)生所在族裔能顯著影響學(xué)生大一結(jié)束時(shí)的退學(xué)率。此類發(fā)現(xiàn)雖然具有統(tǒng)計(jì)學(xué)意義，卻難以對(duì)學(xué)習(xí)預(yù)警提供具有教學(xué)指導(dǎo)意義的反饋，因?yàn)閷W(xué)生無法通過改變自身高中學(xué)校或者族裔來降低退學(xué)的可能性。為了通過學(xué)習(xí)預(yù)警充分激發(fā)和調(diào)動(dòng)學(xué)生的學(xué)習(xí)積極性，在甄選指標(biāo)時(shí)應(yīng)當(dāng)更加關(guān)注學(xué)生在學(xué)習(xí)過程中可以通過自身努力加以改變的動(dòng)態(tài)指標(biāo)。其次，關(guān)注動(dòng)態(tài)指標(biāo)與學(xué)習(xí)的特點(diǎn)和評(píng)估機(jī)制相契合。從學(xué)習(xí)的特點(diǎn)看，學(xué)習(xí)不是簡(jiǎn)單的輸入-輸出線性過程，而是充滿倒退、停滯甚至跳躍式前進(jìn)的動(dòng)態(tài)系統(tǒng)行為（Larsen-Freeman， 1997）。因此，單純依靠靜態(tài)指標(biāo)無法監(jiān)測(cè)學(xué)習(xí)的動(dòng)態(tài)發(fā)展過程。從學(xué)習(xí)的評(píng)估機(jī)制看，對(duì)學(xué)習(xí)的評(píng)估必須通過觀察學(xué)生的學(xué)習(xí)行為表現(xiàn)來診斷其學(xué)習(xí)狀況，得出評(píng)估結(jié)果并加以解釋和使用，從而激發(fā)和調(diào)動(dòng)學(xué)生的學(xué)習(xí)意識(shí)和學(xué)習(xí)積極性（Lynch， 2016）。評(píng)估的目的不僅僅是為了測(cè)量，而是為了以評(píng)促學(xué)（Rea-Dickins， 2001）。因此，單純的靜態(tài)指標(biāo)無法滿足形成性評(píng)估的需求。綜上所述，只有對(duì)學(xué)習(xí)過程進(jìn)行動(dòng)態(tài)監(jiān)測(cè)與評(píng)估，才能更好地進(jìn)行學(xué)習(xí)預(yù)警。

（三）方法上，學(xué)習(xí)預(yù)警尚未形成學(xué)科特異的數(shù)據(jù)挖掘研究范式

學(xué)習(xí)預(yù)警研究領(lǐng)域的數(shù)據(jù)具有如下特點(diǎn)：一是來源廣泛，可能來自網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)、教學(xué)管理系統(tǒng)、調(diào)查問卷、課堂測(cè)驗(yàn)等線上線下多種渠道；二是結(jié)構(gòu)各異，有結(jié)構(gòu)化數(shù)據(jù)（如問卷中的李克特量表），也有半結(jié)構(gòu)化（如問卷中的主觀性問題）甚至非結(jié)構(gòu)化的數(shù)據(jù)（如網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)中的圖片、視頻信息）；三是缺失程度不同，有的數(shù)據(jù)可能較為完整（如教學(xué)管理系統(tǒng)中的學(xué)生個(gè)人信息），有的可能存在缺失（如測(cè)驗(yàn)中的空白題）；四是樣本量可能相對(duì)較小，不能簡(jiǎn)單照搬金融、管理等領(lǐng)域基于大樣本的技術(shù)；五是正、負(fù)例失衡且正例過少（一般情況下，能夠通過課程考試、無須預(yù)警的學(xué)生居多，而考試不及格、需要預(yù)警的學(xué)生占少數(shù)），容易導(dǎo)致模型擬合不足，加大了對(duì)需要預(yù)警的學(xué)生的識(shí)別難度。這些特點(diǎn)對(duì)數(shù)據(jù)挖掘技術(shù)提出了新的要求。進(jìn)行學(xué)習(xí)預(yù)警數(shù)據(jù)挖掘時(shí)，既要遵循數(shù)據(jù)挖掘的一般工作流程和研究范式，又要結(jié)合學(xué)習(xí)預(yù)警的特點(diǎn)進(jìn)行改進(jìn)，充分利用和整合各種渠道的數(shù)據(jù)開發(fā)專用數(shù)據(jù)挖掘技術(shù)，逐漸形成學(xué)習(xí)預(yù)警乃至教育技術(shù)領(lǐng)域?qū)W科特異的數(shù)據(jù)挖掘研究范式。

（四）應(yīng)用上，學(xué)習(xí)預(yù)警系統(tǒng)有待進(jìn)一步推廣，為學(xué)生精準(zhǔn)預(yù)警提供個(gè)性化服務(wù)

基于學(xué)習(xí)預(yù)警研究成果，可以開發(fā)學(xué)習(xí)預(yù)警系統(tǒng)，為教育政策制定、教學(xué)資源規(guī)劃和教學(xué)方法實(shí)施提供決策支撐，并為學(xué)生發(fā)現(xiàn)學(xué)習(xí)困難、改善學(xué)習(xí)狀態(tài)、提升學(xué)習(xí)效果提供幫助和指導(dǎo)。目前，國(guó)外已開發(fā)了一些學(xué)習(xí)預(yù)警系統(tǒng)，如美國(guó)普渡大學(xué)的課程信號(hào)系統(tǒng)、亞利桑那州立大學(xué)的電子顧問、可汗學(xué)院的學(xué)習(xí)儀表盤等（王林麗， 等， 2016）。這些系統(tǒng)在教學(xué)實(shí)踐中的應(yīng)用又可以回饋、促進(jìn)學(xué)習(xí)預(yù)警研究的發(fā)展（Krume， et al.， 2014）。然而，現(xiàn)有的學(xué)習(xí)預(yù)警系統(tǒng)在技術(shù)和應(yīng)用層面均存在不足。在技術(shù)層面，現(xiàn)有學(xué)習(xí)預(yù)警系統(tǒng)雖然較為豐富，但其底層技術(shù)并非學(xué)習(xí)預(yù)警專用技術(shù)，仍以數(shù)據(jù)挖掘領(lǐng)域最基本的技術(shù)為主。在應(yīng)用層面，現(xiàn)有系統(tǒng)多為宏觀的通用平臺(tái)，尚未做到針對(duì)每一門具體課程進(jìn)行專門預(yù)警。誠(chéng)然，為避免重復(fù)建設(shè)，最理想的狀態(tài)是設(shè)計(jì)一套通用的預(yù)警模型和方法（Kotsiantis， 2012； 劉三女牙， 等， 2016）。然而，在現(xiàn)階段，學(xué)界對(duì)不同學(xué)科、不同課堂的微觀研究還未深入。只有當(dāng)特異化的微觀研究已經(jīng)很充分之后，才可能在此基礎(chǔ)上構(gòu)建一個(gè)統(tǒng)一的宏觀平臺(tái)。因此，在相當(dāng)長(zhǎng)的時(shí)期內(nèi)還應(yīng)以特異化的微觀研究為主，未來應(yīng)當(dāng)針對(duì)不同課堂和學(xué)科的特點(diǎn)開發(fā)個(gè)性化的學(xué)習(xí)預(yù)警系統(tǒng)，為學(xué)生精準(zhǔn)預(yù)警提供個(gè)性化服務(wù)，進(jìn)一步應(yīng)用學(xué)習(xí)預(yù)警研究的成果。

五、結(jié)語(yǔ)

本文通過對(duì)國(guó)外基于數(shù)據(jù)挖掘的學(xué)習(xí)預(yù)警研究文獻(xiàn)進(jìn)行了系統(tǒng)性梳理發(fā)現(xiàn)：研究數(shù)量持續(xù)上升；研究話題得到來自不同學(xué)科學(xué)者的廣泛關(guān)注；挖掘技術(shù)以使用基本技術(shù)為主，尚未開發(fā)用于學(xué)習(xí)預(yù)警的專用技術(shù)；研究熱點(diǎn)集中在預(yù)警指標(biāo)甄選、預(yù)警起始時(shí)間探測(cè)和預(yù)警模型效果評(píng)估三個(gè)方面。今后，研究者需要重視學(xué)習(xí)預(yù)警認(rèn)知基礎(chǔ)和運(yùn)作機(jī)制的探討，關(guān)注學(xué)習(xí)過程動(dòng)態(tài)指標(biāo)，形成學(xué)科特異的研究范式，并進(jìn)一步推廣、發(fā)揮學(xué)習(xí)預(yù)警研究的應(yīng)用價(jià)值。

我國(guó)是一個(gè)教育大國(guó)。在大數(shù)據(jù)時(shí)代，如何利用教育大數(shù)據(jù)改進(jìn)我們的教育教學(xué)？基于數(shù)據(jù)挖掘的學(xué)習(xí)預(yù)警研究無疑是一個(gè)值得關(guān)注的話題。國(guó)內(nèi)的學(xué)習(xí)預(yù)警研究近年來雖然有所發(fā)展，但總體上起步較晚，研究數(shù)量不多；研究主題欠豐富，主要集中在預(yù)警指標(biāo)甄選，對(duì)于預(yù)警起始時(shí)間探測(cè)和模型效果評(píng)估尚未涉及。相比國(guó)外研究，國(guó)內(nèi)研究無論在研究廣度還是深度上都需要極大加強(qiáng)。本文通過對(duì)國(guó)外基于數(shù)據(jù)挖掘的學(xué)習(xí)預(yù)警研究進(jìn)行回顧與展望，希冀進(jìn)一步推動(dòng)國(guó)內(nèi)的學(xué)習(xí)預(yù)警研究走向縱深，并促進(jìn)數(shù)據(jù)挖掘技術(shù)在教育技術(shù)領(lǐng)域的發(fā)展。

[參考文獻(xiàn)]

陳益均，殷莉. 2013. 基于數(shù)據(jù)挖掘的學(xué)生成績(jī)影響模型的研究[J]. 現(xiàn)代教育技術(shù)，23（1）：94-96.

賀超凱，吳蒙. 2016. edX平臺(tái)教育大數(shù)據(jù)的學(xué)習(xí)行為分析與預(yù)測(cè)[J]. 中國(guó)遠(yuǎn)程教育（6）：54-59.

胡祖輝，施佺. 2017. 高校學(xué)生上網(wǎng)行為分析與數(shù)據(jù)挖掘研究[J]. 中國(guó)遠(yuǎn)程教育（2）：26-32.

劉三女牙，彭晛，劉智，等. 2016. 基于文本挖掘的學(xué)習(xí)分析應(yīng)用研究[J]. 電化教育研究（2）：23-30.

施佺，錢源，孫玲. 2016. 基于教育數(shù)據(jù)挖掘的網(wǎng)絡(luò)學(xué)習(xí)過程監(jiān)管研究[J]. 現(xiàn)代教育技術(shù)，26（6）：87-93.

孫力，程玉霞. 2015. 大數(shù)據(jù)時(shí)代網(wǎng)絡(luò)教育學(xué)習(xí)成績(jī)預(yù)測(cè)的研究與實(shí)現(xiàn)[J]. 開放教育研究，21（3）：74-80.

孫力，張凱，丁波. 2016. 基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)教育學(xué)習(xí)成績(jī)細(xì)分預(yù)測(cè)的研究與實(shí)現(xiàn)[J]. 中國(guó)遠(yuǎn)程教育（12）：22-29.

王林麗，葉洋，楊現(xiàn)民. 2016. 基于大數(shù)據(jù)的在線學(xué)習(xí)預(yù)警模型設(shè)計(jì)——“教育大數(shù)據(jù)研究與實(shí)踐專欄”之學(xué)習(xí)預(yù)警篇[J]. 現(xiàn)代教育技術(shù)，26（7）：5-11.

尤佳鑫，孫眾. 2016. 云學(xué)習(xí)平臺(tái)大學(xué)生學(xué)業(yè)成績(jī)預(yù)測(cè)與干預(yù)研究[J]. 中國(guó)遠(yuǎn)程教育（9）：14-20.

Agudo-Peregrina， A. F.， Iglesias-Pradas， S.， Conde-Gonzalez， M. A. & Hernandez-Garcia， A. （2014）. Can we predict success from log data in VLEs？ Classification of interactions for learning analytics and their relation with performance in VLE-supported F2F and online learning. Computers in Human Behavior， 31， 542-550.

Baker， R. S. & Yacef， K. （2009）. The state of educational data mining in 2009： A review and future visions. Journal of Educational Data Mining，1（1）， 3-17.

Beck， H. P. & Davidson， W. D. （2001）. Establishing an early warning system： Predicting low grades In college students from survey of academic orientations scores. Research in Higher Education， 42（6）， 709-723.

Hachey， A. C.， Wladis， C. W. & Conway， K. M. （2014）. Do prior online course outcomes provide more information than G.P.A. alone in predicting subsequent online course grades and retention？ An observational study at an urban community college. Computers & Education 72， 59-67.

Hendel， D. D. （2007）. Efficacy of Participating in a First-Year Seminar on Student Satisfaction and Retention. Journal of College Student Retention， 8（4）， 413 - 423.

Hu， Y.-H.， Lo， C.-L. & Shih， S.-P. （2014）. Developing early warning systems to predict students online learning performance. Computers in Human Behavior 36， 469-478.

Huang， S. & Fang， N. （2013）. Predicting student academic performance in an engineering dynamics course： A comparison of four types of predictive mathematical models. Computers & Education， 61， 133-145.

Kotsiantis， S. B. （2012）. Use of machine learning techniques for educational proposes： a decision support system for forecasting students grades. Artificial Intelligence Review， 37（4）， 331-344.

Krumm， A. E.， Waddington， R. J.， Teasley， S. D. & Lonn， S. （2014）. A learning management system-based early warning system for academic advising in undergraduate engineering. In J. A. Larusson & B. White （Eds.）， Learning analytics： From theory to practice （pp. 103-119）. New York： Springer.

Larsen-Freeman， D. （1997）. Chaos/complexity science and second language acquisition. Applied Linguistics， 18， 141-165.

Lee， U. J.， Sbeglia， G. C.， Ha， M.， Finch， S. J. & Nehm， R. H. （2015）. Clicker score trajectories and concept inventory scores as predictors for early warning systems for large STEM classes. Journal of Science Education and Technology， 24（6）， 848-860.

Lynch， B. K. （2016）. Language assessment and programme evaluation. Shanghai： Shanghai Foreign Language Education Press.

Macfadyen， L. P. & Dawson， S. （2010）. Mining LMS data to develop an “early warning system” for educators： A proof of concept. Computers & Education， 54（2）， 588-599.

Marbouti， F.， Diefes-Dux， H. A. & Madhavan， K. （2016）. Models for early prediction of at-risk students in a course using standards-based grading. Computers & Education， 103， 1-15.

Marquez-Vera， C.， Cano， A.， Romero， C.， Noaman， A. Y. M.， Fardoun， H. M. & Ventura， S. （2016）. Early dropout prediction using data mining： a case study with high school students. Expert Systems， 33（1）， 107-124.

Pena-Ayala， A. （2014）. Educational data mining： A survey and a data mining-based analysis of recent works. Expert Systems with Applications， 41（4）， 1432-1462.

Rea-Dickins， P. （2001）. Mirror， mirror on the wall： identifying processes of classroom assessment. Language testing， 18（4）， 429-462.

Romero， C. & Ventura， S. （2007）. Educational data mining： A survey from 1995 to 2005. Expert Systems with Applications， 33（1）， 135-146.

Romero， C. & Ventura， S. （2013）. Data mining in education. Wiley Interdisciplinary Reviews： Data Mining and Knowledge Discovery， 3（1）， 12-27.

Romero， C.， Lopez， M. I.， Luna， J. M. & Ventura， S. （2013）. Predicting students' final performance from participation in on-line discussion forums. Computers & Education， 68， 458-472.

Sen， B.， Ucar， E. & Delen， D. （2012）. Predicting and analyzing secondary education placement-test scores： A data mining approach. Expert Systems with Applications， 39（10）， 9468-9476.

Tsai， C.-F.， Tsai， C.-T.， Hung， C.-S. & Hwang， P.-S. （2011）. Data mining techniques for identifying students at risk of filing a computer proficiency test required for graduation. Australasian Journal of Educational Technology， 27（3）， 481-498.

收稿日期：2017-06-24

定稿日期：2017-09-19

作者簡(jiǎn)介：肖巍，博士，副教授，碩士生導(dǎo)師，重慶大學(xué)外國(guó)語(yǔ)學(xué)院（401331）

倪傳斌，博士，教授，博士生導(dǎo)師，副院長(zhǎng)，南京師范大學(xué)外國(guó)語(yǔ)學(xué)院（210097）。

李銳，博士后，華中科技大學(xué)外國(guó)語(yǔ)學(xué)院（430074）。

責(zé)任編輯 韓世梅