德拉甘·加塞維奇 吳志超 盧思旭 孫波 何珺

摘 ? 要：學(xué)習(xí)分析是指在教學(xué)活動中分析教和學(xué)活動的過程，是面向未來智能教育跨學(xué)科培養(yǎng)人才的關(guān)鍵技術(shù)。當(dāng)前，如何通過對學(xué)習(xí)環(huán)境和學(xué)習(xí)活動數(shù)據(jù)的收集和分析，為學(xué)生提供新的學(xué)習(xí)機(jī)會，引起教育界前所未有的關(guān)注。而人工智能的迅速發(fā)展和在教育中的廣泛運用，為以學(xué)習(xí)者為中心的數(shù)據(jù)分析提供了新的機(jī)會和挑戰(zhàn)，也為解決教育教學(xué)中的許多棘手問題提供了新的可能。文章回顧了近幾年國際上學(xué)習(xí)分析研究和應(yīng)用方面所面臨的挑戰(zhàn)和主要成就;探討未來學(xué)習(xí)分析發(fā)展中，如何從人工智能等相關(guān)技術(shù)和領(lǐng)域的研究中受益;剖析學(xué)習(xí)分析框架中數(shù)據(jù)收集、模型建立及實踐應(yīng)用中的關(guān)鍵問題;并運用大量的實證研究案例，展示學(xué)習(xí)分析在自主學(xué)習(xí)、發(fā)展學(xué)習(xí)策略、解決個人和小組合作學(xué)習(xí)評價問題中的應(yīng)用潛力。在此基礎(chǔ)上，文章從數(shù)據(jù)使用和獲取、模型優(yōu)化和實施、模型可解釋性、學(xué)術(shù)研究四個層面，提出未來學(xué)習(xí)分析的研究建議。

關(guān)鍵詞：智能教育;學(xué)習(xí)分析;機(jī)器學(xué)習(xí);自主學(xué)習(xí);教育評價

中圖分類號：G434 ? ? ? ? 文獻(xiàn)標(biāo)志碼：A ? ? ? ? 文章編號：1673-8454（2022）03-0005-08

一、引言

學(xué)習(xí)分析是一個智能計算、大數(shù)據(jù)與教育教學(xué)交叉的研究方向，通過分析與學(xué)生學(xué)習(xí)相關(guān)的海量數(shù)據(jù)，評估學(xué)習(xí)進(jìn)程，發(fā)現(xiàn)潛在問題，進(jìn)而了解和優(yōu)化學(xué)習(xí)過程及其發(fā)生環(huán)境。目前，國際學(xué)習(xí)分析研究主要結(jié)合文本分析、過程性數(shù)據(jù)挖掘、網(wǎng)絡(luò)社會分析等方法，然而，這些方法大都基于傳統(tǒng)數(shù)據(jù)分析和機(jī)器學(xué)習(xí)方法，并不能很好地適用于當(dāng)前復(fù)合型人才培養(yǎng)的學(xué)習(xí)分析場景。近年來，中國研究者在關(guān)注學(xué)習(xí)分析理論、大數(shù)據(jù)在教學(xué)管理中應(yīng)用的同時，也開始將目光轉(zhuǎn)向?qū)W習(xí)者。例如，華中師范大學(xué)構(gòu)建了以學(xué)習(xí)分析為中心，學(xué)習(xí)目標(biāo)、學(xué)習(xí)過程、自我評價、同伴評價和反思改進(jìn)為主體的網(wǎng)絡(luò)學(xué)習(xí)評價模型，并應(yīng)用于研究生新生數(shù)字文獻(xiàn)閱讀，提供學(xué)生閱讀評價和反思[1];東北師范大學(xué)構(gòu)建了基于大數(shù)據(jù)的個性化學(xué)習(xí)體系框架，并就大數(shù)據(jù)學(xué)習(xí)分析技術(shù)對個性化學(xué)習(xí)的意義進(jìn)行了辯證分析和反思[2]。

隨著人工智能技術(shù)的急速發(fā)展，基于人工智能的教學(xué)活動實踐不斷增多。人工智能與教育的融合發(fā)展正改變著教育服務(wù)模式和資源配置方式，推動教育系統(tǒng)變革[3]?；谌斯ぶ悄艿膶W(xué)習(xí)分析研究，為課堂教學(xué)、以學(xué)習(xí)者為中心的培養(yǎng)方式和綜合型人才培養(yǎng)方式的改革提供了更多依據(jù)和途徑。本文從學(xué)習(xí)分析的發(fā)展路徑出發(fā)，重點介紹現(xiàn)有學(xué)習(xí)分析框架和學(xué)習(xí)分析在課堂應(yīng)用領(lǐng)域的發(fā)展，并進(jìn)一步提出面向?qū)W習(xí)分析的智能化方案，為未來教育提供啟示。

二、學(xué)習(xí)分析的發(fā)展

學(xué)習(xí)分析被《2013地平線報告（高等教育版）》確定為技術(shù)增強(qiáng)型學(xué)習(xí)和教學(xué)中最重要的趨勢之一，受到越來越多研究人員的關(guān)注[4]。埃利亞斯（Elias）認(rèn)為，學(xué)習(xí)分析是通過測量、收集、分析和報告有關(guān)學(xué)習(xí)的數(shù)據(jù)，了解和分析學(xué)習(xí)過程并優(yōu)化學(xué)習(xí)環(huán)境的過程[5]。西門子（Siemens）認(rèn)為，利用學(xué)習(xí)分析方法，通過對學(xué)習(xí)產(chǎn)生的數(shù)據(jù)建模，可以發(fā)現(xiàn)信息之間的聯(lián)系，從而對學(xué)習(xí)過程進(jìn)行預(yù)測和建議[6]。隨著信息化的發(fā)展，學(xué)習(xí)分析與數(shù)字教學(xué)的聯(lián)系越來越緊密。約翰遜（Johnson）等認(rèn)為，學(xué)習(xí)分析已經(jīng)發(fā)展成為融合教學(xué)研究、計算機(jī)科學(xué)和統(tǒng)計學(xué)的跨學(xué)科研究領(lǐng)域[4]?？傮w來說，學(xué)習(xí)分析是一個收集學(xué)生的學(xué)習(xí)數(shù)據(jù)，利用數(shù)據(jù)分析學(xué)習(xí)過程，再根據(jù)分析結(jié)果采取適當(dāng)措施改善學(xué)生的學(xué)習(xí)體驗，并為優(yōu)化學(xué)習(xí)環(huán)境提供方案的過程。

學(xué)習(xí)分析的發(fā)展分為以數(shù)據(jù)驅(qū)動為中心和以學(xué)習(xí)者為中心兩個階段。在大數(shù)據(jù)出現(xiàn)之前，教育機(jī)構(gòu)就已經(jīng)開始研究和評估學(xué)生的行為。1979年，英國開放大學(xué)調(diào)查研究部跟蹤上萬名遠(yuǎn)程學(xué)生的學(xué)習(xí)狀態(tài)，以分析學(xué)生的學(xué)習(xí)過程，耗時將近十年[7]。隨著技術(shù)的進(jìn)步，智能輔導(dǎo)平臺（Intelligent Tutoring System）和在線學(xué)習(xí)平臺（Online Learning Platform）可以在短期內(nèi)收集大量數(shù)據(jù)供研究分析，教育數(shù)據(jù)挖掘的研究隨即逐漸興起。教育數(shù)據(jù)挖掘利用決策樹、規(guī)則歸納、基于實例的學(xué)習(xí)、貝葉斯學(xué)習(xí)、邏輯編程和統(tǒng)計算法等，發(fā)現(xiàn)并顯示未知但可能有用的數(shù)據(jù)模式，從而更好地了解學(xué)習(xí)者的學(xué)習(xí)狀態(tài)及其學(xué)習(xí)環(huán)境。帕爾默（Palmer）、羅梅羅（Romero）等通過對學(xué)習(xí)者的反饋、建議、需求進(jìn)行適應(yīng)性響應(yīng)，來提高其學(xué)習(xí)成績[8-10]。為了幫助教師了解學(xué)生的學(xué)習(xí)過程、反思教學(xué)方法和進(jìn)行學(xué)習(xí)評價，研究人員設(shè)計了不同問題，用于采集學(xué)生學(xué)習(xí)數(shù)據(jù)，利用數(shù)據(jù)挖掘技術(shù)評估不同環(huán)境下的學(xué)習(xí)效果。近幾年，學(xué)習(xí)分析在同伴學(xué)習(xí)、合作學(xué)習(xí)和自主學(xué)習(xí)等方面的研究和應(yīng)用發(fā)展迅速，特別是在強(qiáng)調(diào)以學(xué)習(xí)者為中心的合作學(xué)習(xí)中，任務(wù)或問題以小組形式分配給學(xué)生共同完成。這種合作方式能提高學(xué)生的學(xué)業(yè)成績、培養(yǎng)學(xué)生的批判性思維、激發(fā)學(xué)生的創(chuàng)新性思維等。有效收集合作學(xué)習(xí)過程中的各種數(shù)據(jù)并進(jìn)行分析和反饋，不但能夠及時掌握和改善學(xué)生合作學(xué)習(xí)中出現(xiàn)的問題，也能夠更準(zhǔn)確地評價學(xué)生個體在合作學(xué)習(xí)中的參與情況、群體合作學(xué)習(xí)的效果，等等。

三、學(xué)習(xí)分析的應(yīng)用與挑戰(zhàn)

基于傳統(tǒng)方法的學(xué)習(xí)分析表現(xiàn)越來越乏力，人工智能等新技術(shù)的出現(xiàn)給學(xué)習(xí)分析注入了新的活力。利用人工智能評價21世紀(jì)技能、智適應(yīng)學(xué)習(xí)、大規(guī)模個性化反饋等應(yīng)用不斷涌現(xiàn)。然而，人工智能在教育教學(xué)中不可避免地面臨著監(jiān)管、倫理和隱私等問題。

傳統(tǒng)教學(xué)評價中，除考試外，過程性評價主要依賴教師或?qū)＜业挠^察，不僅耗費時間，還帶有強(qiáng)烈的主觀性，從而影響評價的效度。人工智能時代的到來，為21世紀(jì)技能評價提供了新的解決方案。基于人工智能的評價類型不再局限于當(dāng)前的總結(jié)性評價，而是拓展到診斷性評價、過程性評價和形成性評價。通過多元化、多功能的評價，及時、精準(zhǔn)、全面地發(fā)現(xiàn)教育教學(xué)活動中存在的問題，促使教育形成超強(qiáng)的自我糾錯和矯正功能。雖然基于21世紀(jì)技能的評價還處于初步階段，但目前已經(jīng)可以看到人工智能在21世紀(jì)技能評價中的巨大潛力。

智適應(yīng)學(xué)習(xí)運用人工智能技術(shù)，通過搜集和處理學(xué)生的學(xué)習(xí)行為數(shù)據(jù)，全面了解學(xué)生的學(xué)習(xí)能力，預(yù)測學(xué)生的學(xué)習(xí)趨勢，并為學(xué)生制定最優(yōu)的學(xué)習(xí)路徑，進(jìn)而滿足學(xué)生個性化學(xué)習(xí)的需求，緩解傳統(tǒng)教育模式下難以實現(xiàn)個性化教學(xué)和效率低下的困難。在實際應(yīng)用中，智適應(yīng)學(xué)習(xí)系統(tǒng)通過分析學(xué)生在線學(xué)習(xí)數(shù)據(jù)，對學(xué)生的學(xué)習(xí)過程和狀態(tài)進(jìn)行識別，為學(xué)習(xí)者創(chuàng)造更加個性化的學(xué)習(xí)環(huán)境。皮爾遜（Pearson）指出，利用基于人工智能的工具可以重現(xiàn)學(xué)習(xí)者的認(rèn)知和情感狀態(tài)，讓學(xué)生參與到積極討論的學(xué)習(xí)體驗中，促進(jìn)反思，甚至可以為每個學(xué)生創(chuàng)建能夠?qū)崿F(xiàn)知識和技能互補(bǔ)的學(xué)習(xí)小組[11]。同時，使用機(jī)器學(xué)習(xí)方法對小組討論的過程及結(jié)論進(jìn)行分析和總結(jié)，可以幫助教師及時了解學(xué)生是否偏離話題或是否合作失敗等。

需要注意的是，隱私作為最基礎(chǔ)的倫理，意味著對人的精神和人格的尊重[12]。單純基于學(xué)習(xí)過程數(shù)據(jù)的分析結(jié)果，很容易給學(xué)生貼上固化標(biāo)簽，而忽視學(xué)生的綜合發(fā)展及其心理、生理上的變化，存在很大的潛在風(fēng)險，從而陷入倫理困擾。因此，基于人工智能的學(xué)習(xí)分析尤其要謹(jǐn)慎，確保數(shù)據(jù)挖掘的科學(xué)性和規(guī)范性。

四、人工智能在學(xué)習(xí)分析中的潛力

在過去的十幾年里，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的廣泛運用，展示了大數(shù)據(jù)在學(xué)習(xí)分析中的巨大潛力，同時也帶來了新的機(jī)會和挑戰(zhàn)。本文基于莫納什大學(xué)信息技術(shù)學(xué)院學(xué)習(xí)分析研究團(tuán)隊（以下簡稱“研究團(tuán)隊”）的成果，從學(xué)習(xí)分析框架的數(shù)據(jù)、模型和應(yīng)用三個方面進(jìn)行分析。該框架不僅可以用于各種教育教學(xué)組織機(jī)構(gòu)，加強(qiáng)參與學(xué)習(xí)分析各方人員之間的溝通，還能幫助領(lǐng)導(dǎo)者掌握決策制定中相關(guān)依據(jù)和關(guān)鍵信息的分析方法。

（一）數(shù)據(jù)質(zhì)量

學(xué)習(xí)分析中，數(shù)據(jù)是教學(xué)活動中教和學(xué)過程客觀事件的記錄。獲取數(shù)據(jù)的目的是了解教學(xué)過程中發(fā)生了什么，從而為干預(yù)行動提供足夠的依據(jù)?，F(xiàn)有的數(shù)據(jù)分析技術(shù)能在數(shù)據(jù)驅(qū)動下給出更加“人性化”“智能化”的結(jié)果，但這種情況大多還停留在理想的“學(xué)術(shù)研究”層面，實際應(yīng)用中更依賴于數(shù)據(jù)的質(zhì)量。

教育領(lǐng)域中，有效的學(xué)習(xí)設(shè)計對獲取高質(zhì)量的數(shù)據(jù)至關(guān)重要[13]。適當(dāng)?shù)膶W(xué)習(xí)設(shè)計可以獲得學(xué)生描述或解釋某些類型技能的過程數(shù)據(jù)。利用如圖1所示的工具，可以收集和整合學(xué)生在真實學(xué)習(xí)環(huán)境中，關(guān)于自我認(rèn)知和自我效能感的學(xué)習(xí)報告與感知數(shù)據(jù)[14]，通過適當(dāng)?shù)膶W(xué)習(xí)設(shè)計、選擇合適的學(xué)習(xí)活動評價指標(biāo)和學(xué)習(xí)數(shù)據(jù)的測量指標(biāo)，輔以眼動儀、網(wǎng)絡(luò)攝像頭等傳感設(shè)備，可以在獲得傳統(tǒng)日志數(shù)據(jù)、學(xué)生點擊流等信息的同時，獲取學(xué)生的行為數(shù)據(jù)、有效學(xué)習(xí)行為狀態(tài)，最終得到高質(zhì)量的多模態(tài)學(xué)習(xí)過程數(shù)據(jù)[15]。

（二）問題驅(qū)動的模型和算法

學(xué)習(xí)分析關(guān)注學(xué)生的學(xué)習(xí)過程，模型和算法應(yīng)該被教育中的真實問題驅(qū)動而不是簡單的學(xué)生數(shù)據(jù)，需要教育理論的支撐。同時，模型參數(shù)、形式和應(yīng)用方式的選擇也必須考慮教學(xué)環(huán)境，才能獲得預(yù)期效果，幫助學(xué)生提升學(xué)業(yè)成績。

1.模型需要以教育理論作支撐

學(xué)習(xí)分析要通過教育研究和實踐產(chǎn)生結(jié)果[16]。缺乏理論指導(dǎo)的學(xué)習(xí)分析是失敗的，沒有充分考慮背景因素的分析結(jié)果也是不可行的[17]，教學(xué)工具的開發(fā)需要多學(xué)科人員共同參與。有扎實理論基礎(chǔ)的教育實踐研究者與技術(shù)人員攜手，才能開發(fā)出有實踐應(yīng)用價值的學(xué)習(xí)分析模型。為此，技術(shù)研究者需要同時關(guān)注模型的教育學(xué)意義，有必要依據(jù)教育學(xué)理論進(jìn)行詳盡的學(xué)習(xí)設(shè)計，獲得必需的學(xué)生學(xué)習(xí)數(shù)據(jù)，進(jìn)而在得到有效的學(xué)習(xí)分析模型后，對學(xué)習(xí)過程進(jìn)行評價，幫助教師了解課堂上每個學(xué)生的學(xué)習(xí)狀態(tài)[13]。

2.教學(xué)環(huán)境影響模型的性能

教學(xué)環(huán)境是影響學(xué)習(xí)分析模型設(shè)計的又一重要因素，其中兩個重要環(huán)節(jié)是教學(xué)設(shè)計和學(xué)習(xí)模式。研究團(tuán)隊通過教學(xué)設(shè)計，促使大學(xué)一年級9門課程的學(xué)生不同程度地使用了學(xué)習(xí)管理系統(tǒng)（Learning Management System， LMS），并對連續(xù)5年的教學(xué)數(shù)據(jù)進(jìn)行了分析[18]。研究發(fā)現(xiàn)：數(shù)據(jù)差異不僅可以反映學(xué)科和課程要求的不同，還體現(xiàn)出不同教學(xué)環(huán)境中，教學(xué)設(shè)計意圖和學(xué)習(xí)模式的差異;同時，使用LMS能在一定程度上幫助學(xué)生提高成績。研究人員在實驗中采用了兩個邏輯回歸模型對結(jié)果進(jìn)行預(yù)測：僅包含學(xué)生特征的廣義預(yù)測模型（模型一）和增加了課程相關(guān)溯源特征的課程預(yù)測模型。雖然機(jī)器學(xué)習(xí)模型已經(jīng)可以很好地表達(dá)數(shù)據(jù)、分析數(shù)據(jù)的內(nèi)在聯(lián)系，但上述兩個模型在學(xué)生學(xué)業(yè)水平預(yù)測能力上仍存在差異，加入課程特征模型取得了更好的預(yù)測效果?？梢姡趯嶋H應(yīng)用中，必須考慮技術(shù)模型在特定教學(xué)環(huán)境中的不同應(yīng)用方式，缺乏對教學(xué)環(huán)境的關(guān)注和評估，會降低模型預(yù)測值的精度和有效性。因此，在沒有開發(fā)出通用人工智能模型之前，利用某特定教學(xué)環(huán)境開發(fā)的模型不能直接遷移到其他教學(xué)環(huán)境，而需要重新進(jìn)行模型訓(xùn)練以適應(yīng)新的教學(xué)環(huán)境。

3.模型評估學(xué)習(xí)策略

教學(xué)設(shè)計包含不同的學(xué)習(xí)活動，會引發(fā)學(xué)生多樣化的學(xué)習(xí)策略，而學(xué)生的個性化反饋有利于其學(xué)習(xí)策略的優(yōu)化。學(xué)習(xí)策略與學(xué)生學(xué)業(yè)成績密切相關(guān)，是學(xué)習(xí)設(shè)計和學(xué)習(xí)分析中的關(guān)鍵環(huán)節(jié)，也是人工智能模型在學(xué)習(xí)分析領(lǐng)域應(yīng)用的一個重要方向。

學(xué)習(xí)策略取決于學(xué)習(xí)場景、學(xué)習(xí)內(nèi)容和學(xué)生直覺，可以理解為學(xué)習(xí)方法，分為表層、深層和戰(zhàn)略性學(xué)習(xí)方法三類[19]。采用表層學(xué)習(xí)方法的學(xué)生通常具有高選擇性和低參與度，他們更加重視評估而缺少對內(nèi)容的理解，更傾向于走捷徑來減少學(xué)習(xí)時間;深層學(xué)習(xí)方法被認(rèn)為是最可取的學(xué)習(xí)方法，采用這種方法的學(xué)習(xí)者具有高參與性，并通常有使用多樣化學(xué)習(xí)策略的趨勢;戰(zhàn)略性學(xué)習(xí)方法結(jié)合了表層和深層學(xué)習(xí)方法，采用該方法的學(xué)生通常具有高參與性和高選擇性，他們更加注重效率和時間管理。

為了使學(xué)習(xí)策略研究更深入，研究團(tuán)隊對一系列課程開展比較實驗，設(shè)計多樣不同的學(xué)習(xí)活動。一組研究人員分別收集了澳大利亞和智利兩所大學(xué)一年級學(xué)生在“計算機(jī)工程”“生物學(xué)概論”“Python語言”課堂上的數(shù)據(jù);利用帶時間戳的過程挖掘模型，結(jié)合學(xué)習(xí)事件間的聯(lián)系，檢測學(xué)習(xí)策略的內(nèi)容和使用次數(shù)，然后用EM聚類算法對學(xué)習(xí)序列聚類，以保留有效的學(xué)習(xí)策略。分析發(fā)現(xiàn)：當(dāng)不同課程提供不同形式的學(xué)習(xí)機(jī)會時，學(xué)生的學(xué)習(xí)策略、關(guān)注重點和投入時間都有所不同[20]。例如，在“生物學(xué)概論”課堂中，學(xué)生更多采用閱讀導(dǎo)向、實驗導(dǎo)向的學(xué)習(xí)策略，學(xué)習(xí)時間較短;而在“Python語言”和“計算機(jī)工程”課堂上，學(xué)生則更多選擇練習(xí)、講座導(dǎo)向的學(xué)習(xí)策略，并投入更多的練習(xí)時間。

為了解學(xué)習(xí)設(shè)計在學(xué)習(xí)分析和教育中的重要作用，研究團(tuán)隊提出一種綜合聚類分析、過程挖掘分析和認(rèn)知網(wǎng)絡(luò)分析的學(xué)習(xí)分析方法[21]，并應(yīng)用到中國慕課網(wǎng)上為職前和在職教師提供的課程中。課程包括教學(xué)經(jīng)驗分享、視頻觀看、文章閱讀、測驗和作業(yè)單元，以及最后的課程評估單元等。研究人員分析了學(xué)習(xí)策略、學(xué)習(xí)單元和學(xué)習(xí)評估方法之間的關(guān)系，結(jié)果表明：針對不同的學(xué)習(xí)單元，學(xué)習(xí)者傾向于采用不同的學(xué)習(xí)策略。

（三）應(yīng)用機(jī)制

模型分析數(shù)據(jù)結(jié)果如何更好地應(yīng)用于實踐，一直困擾著研究人員。常見的實踐應(yīng)用是創(chuàng)建學(xué)習(xí)分析工具，如學(xué)習(xí)分析數(shù)據(jù)面板（Learning Analytics Dashboards， LAD）、自動反饋（Automatic Feedback）等，幫助使用者利用分析結(jié)果，優(yōu)化學(xué)生的學(xué)習(xí)策略和教師的課程設(shè)計，并改善教學(xué)的學(xué)習(xí)環(huán)境。此外，政策因素也極大地影響模型的應(yīng)用。

1.分析工具影響應(yīng)用的發(fā)展

（1）數(shù)據(jù)面板對教育模型應(yīng)用的影響

當(dāng)前，高等教育機(jī)構(gòu)對學(xué)習(xí)分析數(shù)據(jù)面板工具表現(xiàn)出了極大的興趣，這些數(shù)據(jù)面板通常是由學(xué)習(xí)系統(tǒng)管理供應(yīng)商或教育機(jī)構(gòu)開發(fā)，為學(xué)生提供相關(guān)的評級和反思，并為學(xué)生的學(xué)習(xí)體驗和質(zhì)量提供干預(yù)措施。2017年，斯坦福大學(xué)將學(xué)習(xí)分析的結(jié)果以數(shù)據(jù)面板形式呈現(xiàn)[22]。數(shù)據(jù)面板的內(nèi)容包括學(xué)生每門課程的成績分布，學(xué)生自我報告的學(xué)習(xí)策略和學(xué)習(xí)時間等，如圖2所示?；谠撁姘咫S機(jī)設(shè)置對照試驗，將學(xué)生分為兩組。對于第一組學(xué)生，研究人員告知其可以隨時訪問數(shù)據(jù)面板，了解自己的學(xué)習(xí)狀態(tài);另一組學(xué)生則只是被告知數(shù)據(jù)面板的存在，并不提供訪問功能。最后對學(xué)生的課程平均學(xué)分績點（Grade Point Average， GPA）進(jìn)行統(tǒng)計。結(jié)果顯示：在研究人員告知下使用數(shù)據(jù)面板對學(xué)生的成績產(chǎn)生了負(fù)面影響。

顯然，實驗結(jié)果對分析工具如何應(yīng)用于教育場景提出了挑戰(zhàn)。通過對以學(xué)習(xí)分析數(shù)據(jù)面板作為工具的學(xué)習(xí)過程進(jìn)行研究發(fā)現(xiàn)，以用戶為中心的工具設(shè)計是解決上述負(fù)面影響的方法之一[23]。研究設(shè)計了在虛擬城市規(guī)劃公司扮演實習(xí)生的案例，驗證了以用戶為中心的學(xué)習(xí)分析系統(tǒng)，作為工具在教師識別學(xué)生對城市規(guī)劃認(rèn)知框架上有促進(jìn)作用。該案例的實習(xí)生主要來自5所高中的12組學(xué)生，允許教師使用數(shù)據(jù)面板（過程選項卡）來監(jiān)測學(xué)生群組聊天討論。過程選項卡（如圖3所示）以模擬實習(xí)生的群組聊天討論日志數(shù)據(jù)為基礎(chǔ)，利用自然語言處理（Natural Language Processing， NLP）技術(shù)搭建，最后以數(shù)據(jù)面板的形式展示城市規(guī)劃知識節(jié)點的網(wǎng)絡(luò)結(jié)構(gòu)。圖3中虛線表示認(rèn)知上的強(qiáng)聯(lián)系。

（2）反饋在教育模型應(yīng)用中的潛力

反饋是幫助學(xué)生發(fā)現(xiàn)差距和評估學(xué)習(xí)進(jìn)展的關(guān)鍵因素。在線課程中，反饋變得更加重要，因為它是教師與學(xué)生直接互動的資源之一。通過反饋，學(xué)生可以及時知道自己知識和技能不充足的部分。當(dāng)前，自動反饋機(jī)制有如下特點[24]：①自動反饋可以提高學(xué)生在許多不同類型活動中的表現(xiàn)。②沒有證據(jù)表明自動反饋可以減輕教師的工作量。③沒有證據(jù)表明人工反饋比自動反饋更有效。④自動反饋提供的主要方法依賴于與程序預(yù)設(shè)的目標(biāo)進(jìn)行比較。

可以發(fā)現(xiàn)：第一，當(dāng)前研究的不足之處在于理論和應(yīng)用斷層，自動反饋并未被很好地應(yīng)用于實際系統(tǒng)，且片面關(guān)注學(xué)生，忽視了教師在反饋實踐中的作用。由此，研究提出應(yīng)該為教師開發(fā)一些實用工具，要求教師參與到對學(xué)生反饋的改進(jìn)中來。第二，當(dāng)前的許多研究都旨在提供自動反饋，很少有研究分析反饋質(zhì)量，可以考慮借助機(jī)器學(xué)習(xí)強(qiáng)大的推理能力來解決這一問題。第三，當(dāng)前還沒有普遍適用的反饋機(jī)制，借助自然語言生成（Natural Language Generation， NLG）技術(shù)來產(chǎn)生自動反饋有望提供更有針對性的反饋意見。

2.政策因素影響應(yīng)用的實施

此外，政策因素也同樣影響著模型的應(yīng)用過程，需要制定學(xué)習(xí)分析的規(guī)范和策略[13]。在世界各地的高等教育機(jī)構(gòu)中，學(xué)習(xí)分析呈現(xiàn)出不斷增長的發(fā)展趨勢。SHEILA 準(zhǔn)則[25]是制定學(xué)習(xí)分析規(guī)范和策略的通用方法，其需要綜合考慮6個方面的問題：隱私和透明度、角色和責(zé)任（利益相關(guān)者）、學(xué)習(xí)分析的目標(biāo)（學(xué)習(xí)者和教師的支持）、風(fēng)險和挑戰(zhàn)、數(shù)據(jù)管理和研究成果、數(shù)據(jù)分析。該準(zhǔn)則考慮了環(huán)境因素和利益相關(guān)者參與的重要性，并建立了有效的領(lǐng)導(dǎo)機(jī)制推動模型。學(xué)習(xí)分析系統(tǒng)付諸實踐必須解決技術(shù)到應(yīng)用的過渡問題。例如，當(dāng)系統(tǒng)在實際應(yīng)用中出現(xiàn)爭議時，領(lǐng)導(dǎo)人員要進(jìn)行斡旋協(xié)調(diào)，并設(shè)立權(quán)威機(jī)構(gòu)，制定可行的解決方案。如前文所述，學(xué)習(xí)分析模型的基礎(chǔ)是可靠且安全的數(shù)據(jù)。因此，技術(shù)付諸實踐應(yīng)用之前，相關(guān)機(jī)構(gòu)首先要定義數(shù)據(jù)的嚴(yán)格隱私保護(hù)和分析使用規(guī)則，解決與隱私和道德相關(guān)的問題，從而開發(fā)符合應(yīng)用需求的學(xué)習(xí)分析工具。獲得更全面的學(xué)生學(xué)習(xí)狀態(tài)反饋，優(yōu)化學(xué)習(xí)內(nèi)容和學(xué)習(xí)環(huán)境，提供個性化教學(xué)，有助于形成教和學(xué)的正向循環(huán)。同時，以數(shù)據(jù)為依據(jù)的教育機(jī)構(gòu)在制定決策過程中還須認(rèn)識到數(shù)據(jù)和智能分析的局限性，做到揚長避短。

五、面向未來的學(xué)習(xí)分析

回顧學(xué)習(xí)分析近40年的發(fā)展軌跡，盡管其最早用于解決高等教育遇到的困難[7]，但隨著大數(shù)據(jù)和人工智能的發(fā)展，學(xué)習(xí)分析已經(jīng)發(fā)展成一個相對寬泛、跨學(xué)科的復(fù)雜領(lǐng)域。事實上，學(xué)習(xí)分析在各個學(xué)科領(lǐng)域的應(yīng)用和潛能正在蓬勃呈現(xiàn)，并隨著技術(shù)的不斷成熟，對于教學(xué)質(zhì)量和學(xué)生成績的提升作用更加顯著，并有望不斷穩(wěn)步推進(jìn)教育改革的進(jìn)步。結(jié)合學(xué)習(xí)分析領(lǐng)域的研究現(xiàn)狀，本文提出面向未來學(xué)習(xí)分析的幾個研究方向。

第一，數(shù)據(jù)使用和獲取層面。制定嚴(yán)格的隱私保護(hù)規(guī)范和學(xué)習(xí)分析數(shù)據(jù)使用行為準(zhǔn)則，并在實施中嚴(yán)格遵守。進(jìn)一步地，如何在學(xué)習(xí)分析中采用人工智能技術(shù)將成為技術(shù)研究的重點和熱點。值得注意的是，作為人工智能技術(shù)的基礎(chǔ)，數(shù)據(jù)質(zhì)量將很大程度影響技術(shù)的可靠性和效能。因此，如何綜合教育學(xué)理論和人工智能技術(shù)，提高數(shù)據(jù)質(zhì)量，利用數(shù)據(jù)幫助我們理解和優(yōu)化人類學(xué)習(xí)行為也是一個值得研究的問題。

第二，模型優(yōu)化和實施層面。技術(shù)人員和教育工作者需要攜手提高學(xué)習(xí)分析模型質(zhì)量，在實際應(yīng)用系統(tǒng)中發(fā)揮各自作用。教師需要設(shè)計高質(zhì)量的課程來獲取教學(xué)數(shù)據(jù);技術(shù)人員則根據(jù)高質(zhì)量數(shù)據(jù)和先進(jìn)模型不斷優(yōu)化系統(tǒng)。另外，模型和系統(tǒng)的部署和實施過程要落實到具體單位和人員，需要包括技術(shù)、教育實踐多方人士的共同參與。其中，教育實踐人員不僅包括教師、學(xué)生、記錄代表、安全和實踐保護(hù)員，更需要機(jī)構(gòu)道德審查委員會以及決策層的深度參與。

第三，模型可解釋性層面。人工智能模型和學(xué)習(xí)分析的研究及應(yīng)用取得了很多進(jìn)展，但目前對人工智能模型作用原理的分析和解釋十分有限，而一個可以從教育學(xué)和應(yīng)用層面予以分析和解釋的算法或模型，對教師或?qū)W校將更具實用價值。因此，開發(fā)出基于教育的可解釋模型算法是該領(lǐng)域最前沿的研究方向之一。

第四，學(xué)術(shù)研究層面。鑒于人工智能方法的研究大都基于單一任務(wù)，得到的學(xué)習(xí)分析模型對教學(xué)環(huán)境變化尤其敏感，因此，研究通用的人工智能學(xué)習(xí)分析模型對學(xué)術(shù)研究人員仍然是一項很有挑戰(zhàn)性的任務(wù)。

參考文獻(xiàn)：

[1]毛剛，劉清堂.融入學(xué)習(xí)分析的網(wǎng)絡(luò)學(xué)習(xí)評價模型與應(yīng)用研究[J].遠(yuǎn)程教育雜志，2016，34（6）：20-27.

[2]楊雪，姜強(qiáng)，趙蔚.大數(shù)據(jù)學(xué)習(xí)分析支持個性化學(xué)習(xí)研究——技術(shù)回歸教育本質(zhì)[J].現(xiàn)代遠(yuǎn)距離教育，2016（4）：71-78.

[3]張海生.人工智能與教育深度融合發(fā)展：邏輯、困境與策略[J].當(dāng)代教育論壇，2021（2）：57-65.

[4]JOHNSON L， ADAMS S. Technology outlook for Australian tertiary education 2013-2018： an NMC horizon project regional analysis[R]. New Media Consortium， 2013.

[5]ELIAS T. Learning Analytics： definitions， processes and potential[EB/OL].（2011-01-20）[2022-03-01]. http：// citeseerx.ist.psu.edu/viewdoc/download;jsessionid=C017BEEF 67F6E53675F526 D5FB09F29E？doi=10.1.1.456.7092&rep=rep1 &type=pdf.

[6]SIEMENS G. What are learning analytics[EB/OL]. （2016-02-10）[2022-03-01]. http：//www.elearnspace.org/blog/ 2010/08/25/what- are-learning-analytics/.

[7]MCLNTOSH N E. Barriers to implementing research in higher education[J]. Studies in Higher Education， 1979，4（1）：77-86.

[8]ROMERO C， VENTURA S. Educational data mining： a survey from 1995 to 2005[J]. Expert Systems with Applications， 2007，33（1）：135-146.

[9]PALMER S. Modelling engineering student academic performance using academic analytics[J]. International Journal of Engineering Education， 2013，29（1）：132-138.

[10]ROMERO C， VENTURA S. Data mining in education[J]. Wiley Interdisciplinary Reviews： Data Mining and Knowledge Discovery， 2013，3（1）：12-27.

[11]PEARSON. Decoding adaptive report[EB/OL].（2016- 10-23）[2022-03-01]. https：//www.pearson.com/content/dam/one --dot-com/one-dot-com/uk/documents/educator/primary/ Pearson-Decoding-Adaptive-Report.pdf.

[12]劉珊.大數(shù)據(jù)時代下隱私問題的倫理思考[J].牡丹江教育學(xué)院學(xué)報，2014（7）：115-116.

[13]GASEVIC D， TSAI Y S， Dawson S， et al. How do we start？ an approach to learning analytics adoption in higher education[J]. International Journal of Information and Learning Technology， 2019，36（4）：342-353.

[14]JOVANOVIC J， GAEVIC D， Pardo A， et al. Introducing meaning to clicks： towards traced-measures of self-efficacy and cognitive load[C]// the 9th International Conference， 2019：511-520.

[15]AZEVEDO R， GASEVIC D. Analyzing multimodal multichannel data about self-regulated learning with advanced learning technologies： lssues and challenges[J]. Computers in Human Behavior， 2019，96（7）：207-210.

[16]BROOKS C， THOMPSON C. Predictive modelling in teaching and learning[M]. Beaumont： Handbook of Learning Analytics， Society for Learning Analytics Research， 2017：61-68.

[17]BEHESHITHA S S， HATALA M， GASEVIC D. et al. The role of achievement goal orientations when studying effect of learning analytics visualizations[C]// Proceedings of the Sixth International Conference on Learning Analytics & Knowledge， 2016：54-63.

[18]GASEVIC D， DAWSON S， ROGERS T， et al. Learning analytics should not promote one size fits all： the effects of instructional conditions in predicting academic success[J]. The Internet and Higher Education， 2016（28）：68-84.

[19]BIGGS J B. Student approaches to learning and studying. Study process questionnaire manual： study process questionaire manual： catalogue No 500fk[J]. Australian Council Educational Research， 1987（6）：11-23.

[20]MATCHA W， GASEVIC D， UZIR N A， et al. Analytics of learning strategies： role of course design and delivery modality[J]. Journal of Learning Analytics， 2020，7（2）：45-71.

[21]FAN Y， SAINT J， SINGH S， et al. A learning analytic approach to unveiling self-regulatory processes in learning tactics[C]// LAK21： 11th International learning analytics and knowledge conference， 2021：184-195.

[22]CHATURAPRUEK S， DEE T， JOHARI R， et al. How a data-driven course planning tool affects college students’ GPA： evidence from two field experiments[J]. Social Science Electronic Publishing， 2018（4）：1-10.

[23]MARTINEZ-MALDONADO R， GASEVIC D， ECHEVERRIA V， et al. What do you mean by collaboration analytics？ a conceptual model[J]. Journal of Learning Analytics， 2021，8（1）：126-153.

[24]CAVALCANTI A P， DIEGO A， MELLO R F， et al. How good is my feedback？ a content analysis of written feedback[C]// In Proceedings of the Tenth International Conference on Learning Analytics & Knowledge， 2020：428-437.

[25]TSAI Y S， SCHEFFEL M， GASEVIC D. SHEILA policy framework supporting higher education to integrate learning analytics[C]// The 8th International Learning Analytics and Knowledge （LAK） Conference， 2017：28-36.

作者簡介：

德拉甘·加塞維奇（Dragan Ga?evi[c][']），澳大利亞莫納什大學(xué)信息技術(shù)學(xué)院學(xué)習(xí)分析學(xué)教授、學(xué)習(xí)分析中心主任;

吳志超，北京師范大學(xué)人工智能學(xué)院博士研究生，共同第一作者、同等貢獻(xiàn)者;

盧思旭，北京師范大學(xué)人工智能學(xué)院;

孫波，北京師范大學(xué)珠海校區(qū)副教務(wù)長、未來教育學(xué)院副院長、人工智能與未來網(wǎng)絡(luò)研究院教授;

何珺，北京師范大學(xué)人工智能學(xué)院副教授，通訊作者，郵箱：hejun@bnu.edu.cn。

Artificial Intelligence and Learning Analytics for the Future

Dragan Ga?evi[c][']1，2?， Zhichao WU1?， Sixu LU1， Bo SUN1，3， Jun HE1，3*

（1.School of Artificial Intelligence， Beijing Normal University， Beijing 100088;

2.Faculty of Information Technology， Monash University， Melbourne VIC 3145， AUS;

3.College of Education for the Future， Beijing Normal University， Zhuhai Guangdong 519087）

Abstract： Learning analytics is the process of analyzing teaching and learning activities. It is a key technology of interdisciplinary talent training for future intelligent education. Recently， data collection， analysis of learning environments and learning activities have attracted enormous attention in the educational field. The rapid development of artificial intelligence technology and its wide application in the educational field have provided opportunities for learning-centered data analysis， and it provides a new way to solve many thorny problems in education. This paper reviews the challenges and achievements of learning analytics in recent years; also it discusses how the future development of learning analytics can benefit from artificial intelligence; analyzing the key issues of the learning analytics framework in data collection， modeling and transformation. Finally， a number of empirical cases are used to demonstrate the application and potential of learning analytics in self-regulated learning， learning strategies， solving learning problems between individual and cooperative. Furthermore， the paper suggests four areas of research for future learning analytics， namely： data use and acquisition， model optimization and implementation， model explainability， and academic research.

Keywords： Intelligent education; Learning analytics; Machine learning; Self-regulated learning; Educational evaluation

編輯：王曉明 ? 校對：李曉萍

基金項目：2022年國家自然基金面上項目“基于弱監(jiān)督和圖網(wǎng)絡(luò)的課堂交互結(jié)構(gòu)化建模與視頻描述方法研究”（編號：62177006）;2021年國家自然基金面上項目“基于時空深度神經(jīng)網(wǎng)絡(luò)的課堂師生交互情感識別與視頻描述方法研究”（編號：62077009）;2022年廣東省自然科學(xué)基金面上項目“基于多模態(tài)融合深度神經(jīng)網(wǎng)絡(luò)的啟發(fā)式教學(xué)自動評價方法研究”（編號：2214050002868）;2021年珠?？萍加媱濏椖俊叭斯ぶ悄芙逃P(guān)鍵技術(shù)研究與示范”（編號：ZH22036201210161PWC）;2021年國家外專項目“人工智能和未來教育前沿問題研究與教學(xué)改革探索”（編號：G2021111027L）。