李香勇 王 艷,2

(1.桂林航天工業(yè)學院 廣西 桂林 541004; 2.西北師范大學 甘肅 蘭州 730070)

數字化轉型時代的到來,使數據在教育中的應用越來越廣泛。2011年,第一屆“學習分析與知識國際會議"(International Conference on Learning Analytics and Knowledge,LAK)首次公開提出了學習分析(Learning Analytics)的概念,并將其定義為通過測量、收集、分析和報告有關學習者及其所處環(huán)境的數據,從而了解、 優(yōu)化學習過程和學習環(huán)境[1]。至今,LAK已舉辦了12屆,詳見表1。學習分析的產生與發(fā)展為透徹了解學習過程、客觀評價學習質量以及預測學習發(fā)展趨勢等發(fā)揮了重要作用,世界各國也將學習分析技術視為教學中的重要應用。2012年,美國國家教育部發(fā)布《通過教育數據挖掘和學習分析促進教與學》報告[2],將學習分析的應用上升為國家戰(zhàn)略。2016年,歐盟委員會資助的“支持高等教育整合學習分析"項目(Supporting Higher Education to Integrate Learning Analytics)正式啟動,引導高校有效使用學習分析、改善教學質量[3]。

表1 2011—2022年 LAK舉辦信息

學習分析在教育政策制定、教學資源配置、課堂教學設計以及學習者自我管理等方面起到了重要的促進作用。LAK作為學習分析領域唯一的頂級國際性學術會議,開展了最新的學術前沿探索,也匯集了最新的實踐研究成果,為學習分析的創(chuàng)新推廣及其在教學中的實踐應用起到了舉足輕重的作用。因而,對LAK會議論文的梳理有助于了解學習分析研究的合作網絡、主題以及演進趨勢,也能發(fā)現目前研究中存在的問題,為后續(xù)的問題解決及研究發(fā)展提供幫助。

一、資料來源與研究方法

(一)資料來源

為了解學習分析的研究現狀并為后續(xù)研究提供有益借鑒,本研究以2011—2022年舉辦的12屆LAK收錄論文為研究對象,以“Learning Analytics And Knowledge"在ACM Digital Library進行檢索,獲得收錄的LAK相關文獻845篇,剔除會議海報等內容,篩選獲得研究性論文共計644篇,其中長論文349篇、短論文295篇,查閱時間為2022年6月16日。由于長論文對研究主題的表述更加深入、周密和詳細,因而選擇349篇長論文為研究樣本,并對其作者、關鍵詞、參考文獻等數據進行格式轉換和編碼。

(二)研究方法

科學知識圖譜能夠以可視化的形式展現學科領域的知識以及相關信息的發(fā)展及脈絡,為透徹了解研究熱點以及預測其發(fā)展趨勢提供幫助。本研究運用美國雷德賽爾大學陳超美博士開發(fā)的CiteSpace軟件(5.8.R3版本)對文獻開展合作網絡分析、共被引分析以及關鍵詞聚類分析等,并對生成的相關圖譜進行闡釋與說明。

二、LAK會議論文整體情況

(一)LAK會議論文的收錄情況

對2011—2022年LAK收錄的論文總數及長論文數進行統(tǒng)計(如圖1所示),發(fā)現LAK收錄論文數量總體上呈現快速增長態(tài)勢,表明LAK影響力在不斷擴大,受到越來越多研究者的關注。2011—2014年收錄的長論文數較少,這一階段主要是人們對學習分析的認識階段;2014—2016年是一個快速增長期,收錄長論文量從13篇增長到36篇,表明人們對學習分析的關注度越來越高;2016—2019年是一個平穩(wěn)期,收錄論文數基本持平;2020年收錄的論文最多(80篇),其中,長論文數達到峰值50篇,是第一屆會議收錄長論文數量的8倍以上。2020年是“學習分析”啟動的十周年,研究者表達了對學習分析發(fā)展十年取得成就的肯定,以及對下一個十年發(fā)展的展望;2021和2022年受新冠疫情影響,會議收錄論文有所下降。

圖1 2011—2022年LAK收錄論文篇數

(二)LAK會議長論文引文量前十位的文獻

論文的引用量表明該論文的觀點得到了引用者的認可。通過ACM Digital Library數據庫搜索所得數據,將LAK會議長論文按引用數進行降序排列,得到排名前十的文獻信息,見表2。

表2 2011—2022年LAK引用數排名前十的長論文

《解構脫離:分析大規(guī)模開放在線課程中的學習者亞群體》一文引用數排名第一,作者提出了一種簡單、可擴展的分類方法,用于識別學習者在慕課(MOOC)中的參與軌跡,通過學習參與度聚類將學習者分成完成型、旁聽型、脫離型、體驗型四種類型,為研究者能夠深入了解MOOC學習的投入度、針對性地提出干預措施以及更細粒度地劃分學習狀態(tài)提供了有效幫助[4]?！墩堊⒁?學習分析用于可視化和學習推薦》一文引用數排名第二,作者提出注意力是學習的核心問題,依賴注意力元數據可視化呈現的學習儀表盤能夠為學習者的個性化學習及推薦提供有效幫助[5]?！渡鐣W習分析的五種方法》一文引用數排名第三,作者認為社會學習分析是學習分析方法的一個子集,為促進學習者在二語學習中的知識構建提出了可以通過網絡分析、話語分析、內容分析、傾向分析和上下文分析五種社會學習分析方法,幫助學習者開展分析并提供相關建議[6]。排名第四至第十的文章分別關注了在開放式學習環(huán)境中運用自動化技術進行評估的應用[7]、學習分析在應用過程中應該遵循的“DELICATE"倫理規(guī)范清單[8]、MOOC的參與度及學習表現[9]、學習儀表盤在學習評價中的應用[10]、引文網絡分析的現狀及未來發(fā)展[11]、數據驅動的學習推薦系統(tǒng)改進研究[12]以及設計教學干預措施以支持學生使用學習分析[13]等內容。

三、LAK作者、機構和國家合作網絡分析

運用CiteSpace對文獻進行合作網絡分析,設置分析的時間跨度為2011—2022年,時間分區(qū)為1年,切片閾值Top為50,運用軟件進行分析并獲得相關圖譜,圖譜中節(jié)點和字體大小、粗細代表頻次的高低,節(jié)點之間的連接線粗細代表共現強度。

(一)作者合作網絡分析

依據已有數據繪制作者合作網絡圖譜,呈現作者合作情況,如圖2所示。

表3 2011—2022年LAK合作發(fā)文量排名前十的作者

(二)機構合作網絡分析

依據已有數據繪制機構合作網絡圖譜,如圖3所示。

圖3中共有222個節(jié)點、375條連線,合作發(fā)文量排名前十的機構共計發(fā)文187篇,網絡密度為0.0153,可以看出機構合作不夠緊密。最早開始合作的是美國卡內基梅隆大學(Carnegie Mellon University)、英國開放大學(The Open University)、荷蘭開放大學(Open University of the Netherlands),開始合作時間為2011年。合作發(fā)文量排名前十的機構見表4。

圖3 2011—2022年LAK機構合作網絡圖譜

表4 2011—2022年LAK合作發(fā)文量排名前十的機構

合作發(fā)文排名第一的莫納什大學與其他機構合作完成的論文當中,引用率最高的論文是《通過學習分析了解學生的自我反思》(Understandstudents'self-reflectionsthroughlearninganalytics),引用數29、下載量825。有研究者認為,反思性寫作雖然被廣泛認為是培養(yǎng)學生反思和批判性思維的最有效活動之一,但是應用普通的文本分析方法費時費力,因而使用LIWC和Coh-Metrix工具提供的語言指標開發(fā)了一個隨機森林分類系統(tǒng),還制定了代表不同類型學生反思性寫作水平的特定指標,用以對學習者的反思水平進行分類,分類精度達到了89%[15]。

可以看出,合作開展學習分析研究排名前十的機構均為大學,表明學習分析雖然被普遍關注,但是仍然屬于前沿領域,需要更多的技術和理論支撐才能夠開展研究;大學具備相應硬件、軟件以及人力資源,而K12教育對該領域方面的應用研究不足。

(三)國家合作網絡分析

依據已有數據繪制國家合作網絡圖譜,如圖4所示。

圖4中共有48個節(jié)點、120條連線,合作發(fā)文量排名前十的國家共計合作發(fā)文408篇(見表5),網絡密度為0.1064,其網絡密度比作者合作網和機構合作要稍大一些,相比之下國家合作較為緊密。其中,美國開展的國家合作最廣泛(發(fā)文量160、中心性0.49)。中國在LAK發(fā)文量排名第十,居亞洲第一,但總體發(fā)文量較少、中心性較低;并且開展國際合作的機構主要是清華大學和香港科技大學?？梢?中國在學習分析領域還需要不斷提升國際合作,擴大國際影響。

表5 2011—2022年LAK合作發(fā)文量排名前十的國家

最早開始學習分析方面的合作研究及發(fā)文量最大的國家都是美國,其開展合作的論文中引用率最高的文章是《分布式學習的多層分析統(tǒng)一框架》(Aunifiedframeworkformulti-levelanalysisofdistributedlearning),引用數34、下載量518。研究者認為,多層次分析能夠更好地理解計算機支持的協作學習和在線學習環(huán)境中的小組互動,為此開發(fā)了分布式活動的分析工具包:可以將日志文件抽象為有向圖,解釋學習之間的交互和影響;有向圖進一步抽象為定向圖,記錄學習者交互的順序模式;這些圖的關聯形成社交圖,最后運用層次分析法和網絡分析技術對其進行解析[16]。

四、LAK文獻、作者和期刊的共被引分析

共被引是指一篇論文被不同作者聯合引用。通過共被引能夠繪制學術知識網絡,更好地反映研究方向和學術的交叉發(fā)展。

(一)文獻共被引分析

運用CiteSpace進行文獻共被引分析,獲得共被引頻次前十位的文章信息,見表6。文獻共被引前十名的文章中LAK的論文占50%。因篇幅限制僅簡要介紹排名前三的文獻主要內容。

表6 2011—2022年LAK文獻共被引頻次前10的文獻

《我們不要忘記:學習分析是關于學習的》一文,介紹了學習分析領域并概述了研究文獻中著名案例研究的經驗教訓,闡述了學習分析需要立即關注的關鍵主題,以及對學習和教學的研究與實踐產生的影響,明確了有可能阻礙學習分析未來發(fā)展的問題。學習分析的計算方面必須融入現有的教育研究中,從而保持學習分析發(fā)展的初衷——為促進學習服務[17]。

《學習分析不應提倡一刀切:教學條件對預測學業(yè)成功的影響》一文,考察了混合學習模式下9門本科課程的教學條件對學業(yè)成功預測的影響程度,發(fā)現了特定課程模型和廣義預測模型在預測能力和顯著預測因子方面的差異。結果表明,學習分析研究必須考慮到技術在特定課程環(huán)境中的不同應用方式,從而能夠更加準確地預測學生的學業(yè)成功[18]。

《學習分析儀表盤應用》一文認為,學習分析儀表盤讓學習軌跡可視化,能夠促進學習者和教師的應用,作者提出了一個包括意識、反思、意義建構和影響4個階段的學習分析過程模型及概念框架,以期闡釋學習分析應用程序的工作原理,并將其與15個使用學習儀表盤的應用程序進行比較,以完善學習分析過程模型,并提出需要加強學習儀表盤在促進行為改變等方面的效應評估等建議[19]。

(二)作者共被引分析

運用CiteSpace進行作者共被引分析并繪制作者共被引圖譜,如圖5所示。

圖5 2011—2022年LAK作者共被引圖譜

圖5反映了對學習分析的研究和發(fā)展起到較大影響的作者,其中共被引排名前十的作者信息見表7。

表7 2011—2022年LAK共被引排名前十的作者

因篇幅限制僅簡要介紹排名前三的作者概況。加塞維奇是澳大利亞莫納什大學數據科學與人工智能系的教授、學習分析中心主任,曾供職于愛丁堡大學和阿薩巴斯卡大學,擔任加拿大語義和學習技術研究主席。他是學習分析協會(SoLAR)聯合創(chuàng)始人,是《學習分析雜志》(Journal of Learning Analysis,JLA)的創(chuàng)始編輯,也是眾多學習分析研究論文和書籍的(共同)作者。他的研究方向包括學習分析中的計算技術和方法,促進對信息尋求、意義建構、自我調節(jié)和社會學習的理解;也包括制訂隱私保護框架和守則來規(guī)范高校教學過程中對學習技術的使用,以更好地推動學習分析的應用。

喬治·西蒙斯(George Siemens)是學習分析領域的開拓者和奠基人、LAK的發(fā)起者,也是《學習分析雜志》和SoLAR的創(chuàng)辦者。從他2011年提出“學習分析”的概念以來,學習分析作為一個領域已經逐漸被大眾所認知、熟識,其技術也被廣泛運用于教學之中。2005年,他在Connectivism：Alearningtheoryforthedigitalage一文中提出聯通主義學習理論[20]。該理論認為學習是一個發(fā)生在核心要素不斷變化的模糊環(huán)境中的過程——并非完全由個人控制,它專注于連接專門的信息集,這些連接使學習者能夠習得更多,這比他們當前的知識狀態(tài)更重要。該理論的提出為學習分析的發(fā)展提供了理論指引。

瑞貝卡·弗格森(Rebecca Ferguson)是英國開放大學教育技術學院教授、博士,歐洲學習分析交流社區(qū)(European Learning Analytics Community Exchange)和歐洲教育政策學習分析(Learning Analytics For European Educational Policy)首席研究員,《學習分析雜志》的主編,也是國際學習分析界的主要成員。她長期致力于社會學習分析的相關研究,傾向于從學習者在MOOC和LACE(Learning Analytics Community Exchange)的探索性對話中,去尋找定量的數據來驗證學習分析的研究成果。

(三)期刊共被引分析

運用CiteSpace進行期刊共被引分析并繪制期刊共被引圖譜,如圖6所示。

圖6 2011—2022年LAK期刊共被引圖譜

按共被引數由高到低排序前十的期刊信息見表8,可以發(fā)現,共被引量排名前十的期刊中有3個是會議論文集,分別是LAK、EDM和AIED,可以看出學習分析相關會議輻射范圍在不斷擴大。

表8 2011—2022年LAK共被引排名前十的期刊

LAK論文集排名第一,會議收錄了大量優(yōu)秀論文,其引文數遙遙領先,LAK已成為學者交流學習分析思想、技術、應用等方面的主要平臺。排名第二的《計算機和教育》是英國主辦的SSCI期刊,影響因子為8.538,2021年Web of Science的引證指標為11.182,在國外教育研究類期刊中目前排名第三。該雜志的辦刊宗旨主要探討數字技術如何加強教育的知識和理解。共被引排名第三的《學習分析雜志》是學習分析研究學會的官方出版物,是學習分析研究領域的主要期刊,2021年Web of Science引證指標為1.88。該雜志旨在致力于研究收集、分析和報告數據所面臨的挑戰(zhàn)以改善學習,其中也收錄了很多LAK的優(yōu)秀論文。

五、LAK關鍵詞聚類分析

對關鍵詞聚類能夠了解該領域的關注熱點及發(fā)展趨勢[21]。對2011—2022年LAK長論文開展關鍵詞聚類,共獲得節(jié)點數343、連接數623、網絡密度0.0106。Q值為0.6194,Q值取值范圍為區(qū)間[0,1],若Q值大于0.3,表明社團結構顯著;S值為0.9234,S值大于0.5表明聚類結構合理[22]。通過聚類操作后發(fā)現,圖譜共分為9個聚類(圖7),按關鍵詞數量由高到低進行排序分別為:學習分析、慕課、智能導師系統(tǒng)、內容分析、在線學習、高等教育、教育評估、社會網絡分析和數據挖掘。

圖7 關鍵詞聚類圖譜

(一)學習分析的研究是LAK的關鍵議題

學習分析是LAK的主要探討主題,幫助人們從獨特的視角深入解析學習過程,形成有效反饋以支持教師決策及學習者自我管理。其研究涵蓋面較廣,既有對學習分析模型與方法的探討,如學習預測模型[23]、形成性評估方法[24]等,為人們開展學習分析提供方向與借鑒;也有學習分析技術與工具的研究,如自然語言處理[25]、視覺追蹤[26]以及學習儀表盤[27]等,以滿足實際的分析需求,簡化開展學習分析的進程;還有開展學習分析方法、技術、工具在教學實踐中的具體應用[28-30],觀察其在提高學習績效、促進學業(yè)成功的應用效果;與此同時,研究者在保護隱私、規(guī)避法律和倫理道德問題等方面也開展了積極探討[8,31]。總之,學習分析的研究已經涉及學習的各個方面,為教師、學習者及其他利益相關者有效應用學習分析提供了支持和幫助。

(二)應用慕課數據分析,有效劃分學習者類型

從2012年產生至今,MOOC已經成為人們普遍接受的教學方式,它把大量的、免費的在線課程推向大眾,通過生動的視頻、系列的學習任務來督促個體完成學業(yè),使學習者能夠通過移動設備隨時、隨地開展碎片化學習。MOOC為記錄、分析個體學習行為數據提供了豐富的來源,也為學習分析研究的開展提供了必要基礎?；贛OOC的學習者特征分析、學習投入度分析、學習結果預測等內容都是學習分析關注的對象。

有研究者探討了同一門MOOC在十次迭代應用中的論壇活動情況,結果表明:隨著時間的推移,MOOC論壇的總體參與度有所下降;忠實的論壇用戶群體在規(guī)模上開始接近于正式的在線課程;盡管較小的學習者群體更容易建立聯系,但是會使MOOC論壇演變?yōu)楦〉娜蝿諉柎?Q&A)空間而不是利用社交學習的機會,從而無法提高社會活動質量[32]。由于MOOC學習是基于網絡的在線學習,缺少課堂學習中面對面的交流與監(jiān)控,因此如何提升MOOC學習完成率,成為教育者關注的問題。有研究者通過調查數據的解析對MOOC學習者進行聚類,依據參與模式的不同將其細分為7種類型,即短暫參與者、前期熱度者、返回者、中途輟學者、接近完成者、較晚完成者和熱衷完成者。這一分類有助于對MOOC學習者采取針對性的干預和改進策略提供幫助[33]。

(三)開展智能導師應用,促進教學提質增效

人工智能的發(fā)展為教育變革帶來了更多可能性[34]。智能導師系統(tǒng)(ITS)是人工智能在教育教學中的具體應用,它是模擬教師角色、個性化指導學習者并與其產生交互的自適應系統(tǒng),它具有情境感知和自我學習等能力,能夠追蹤學習者的知識掌握程度及情感變化狀態(tài)。ITS既能有效支持個體自主學習,又能減輕教師工作量,是學習分析又一重點關注內容。

有研究者通過對K12混合教室中教師的半結構化訪談,了解教師對ITS實時學習分析的需求,例如,發(fā)現學生困惑的地方、預測分析學習較慢的學生等,從而更好地設計ITS的功能,以實現對教師教學的實時支持。學習分析能夠在學生有可能達不到學業(yè)目標時向教師發(fā)出預警,尤其是為K12的學校指導顧問提供幫助[35]。有研究者使用為ASSISTments學習系統(tǒng)創(chuàng)建的大學入學模型,了解學生上大學的可能性、參與度和學習策略,能夠輔助學校的指導顧問幫助學生制定長期的學業(yè)和職業(yè)目標,為提升學生學習績效提供幫助[36]。

智能導師系統(tǒng)在完全幫助個體開展自主學習方面還較為有限,更多承擔的是教學輔助工具。后續(xù)如何加強人工智能技術的融入,使學習更具臨場感,如何依據學習者的水平真正實現個性化的指導是構建智能導師系統(tǒng)需要思考的問題。

(四)通過內容分析,了解學習協作

在線分享與討論能夠促進學習者之間的交互與協作。為了解學習者的認知水平和學習狀態(tài),需要通過內容分析對學習者在線討論的文本數據進行解讀和有效推斷,從而為學情分析提供有效助力。

有研究者探討了學生在線討論記錄的自動內容分析問題,使用Coh-Metrix和LIWC等工具,開發(fā)了隨機森林分類系統(tǒng),用于對學生討論記錄進行編碼,從而預測認知存在的不同階段,結果表明該系統(tǒng)能夠達到70.3%的分類精度[37]。有研究者基于傳統(tǒng)文本挖掘特征,使用已建立的語言框架提取的字數組合,提出了一種根據在線討論消息內容的自動標記對社交表現進行分類的方法,進而對該認知網絡分析自動分類方法的結構效度進行驗證,發(fā)現自動編碼的認知網絡和手動生成的認知網絡產生的結果幾乎相同,分類器具有較高的準確度(0.95)[38]。

內容分析借助于話語分析方法,通過LIWC和Coh-Metrix等工具的應用,對在線討論的數據進行解讀,能夠有效地分析出學習者的認知與情感,也能為學習評價提供有效證明。

(五)分析在線學習,提升自我管理

從互聯網在教育領域的應用開始,人們就開始探索在線學習,經過多年的發(fā)展它已成為與面授教學同等重要的教學方式。近年來,在線學習成為研究者熱議的話題,主要因為新冠疫情在世界范圍內蔓延,使在線教學成為保護身體健康的安全學習方式,這種特殊社會情境對學習方式的沖擊,使更多人致力于這方面的研究。如何監(jiān)控在線學習過程、提升在線學習成效、引導學習者開展自我管理,一直是在線學習研究的內容。例如,有研究者認為在數字學習環(huán)境中,提供比較反饋雖然能夠有效支持學習者的自我調節(jié)學習,但是只會幫助具有較高自我調節(jié)學習技能的學習者,反而可能加劇教育不平等。他試圖通過重新評估基于社會規(guī)范理論的反饋系統(tǒng)來克服這些缺陷?；谇捌谘芯康囊延薪Y論——嵌入混合學習課程學習平臺的社會比較組件能夠極大地促進在線學習,他將這一組件嵌入不同大學課程中,通過實驗驗證該組件的應用可以讓自我調節(jié)能力較差的學習者將反饋信息整合到他們的學習行為中,相對簡單的反饋比結合各種學習者指標的反饋設計對學生更有益處[39]。還有研究者通過在線學習課程中學生互動數據的分析,研究新冠疫情引發(fā)的校園關閉對大學生自我調節(jié)學習行為的影響。通過分析6種學習行為趨勢發(fā)現:校園關閉雖然改變了學生完成作業(yè)的計劃和目標設定策略,但是對結果或完成時間沒有明顯影響;沒有改變學生的自我反思行為;大多數學生仍能按時完成作業(yè),而在線學習模塊的設計可能為他們提供了靈活性和支持[40]。

(六)聚焦高等教育,開展前沿探討

高等教育成為學習分析的研究熱點主要有三個方面的原因:第一,高等教育是社會發(fā)展變革的主要力量源泉,為社會的可持續(xù)發(fā)展提供高素質專業(yè)人才,在知識創(chuàng)新運用、文化融合傳播等方面發(fā)揮了積極作用;第二,國外開展學習分析前沿研究的基本上是各高校的專家,高校擁有良好的實驗條件和實驗對象,方便開展實驗研究、獲得研究數據;第三,大學生心智都已成熟,相比中小學生的學業(yè)壓力和心智發(fā)展來說,大學生更愿意配合開展自主學習、個性化學習等實驗研究。高等教育的學習分析研究主要包括學習分析框架與政策、個體的自我調節(jié)學習策略、學習隱私保護、學習成就預測等內容。

有研究者認為,學習分析應用實踐的最大挑戰(zhàn)之一是缺乏專門制定的制度政策,通過分析8項高等教育的學習分析政策,探討這些政策在支持學習分析具體應用中的不足,為學習分析政策和戰(zhàn)略規(guī)劃的制定提供幫助。其研究提出了以下措施:要更多地考慮在利益相關者之間建立溝通渠道;采用基于教學法的學習分析方法;在終端用戶中提升數據素養(yǎng);加強對評估學習分析的進展和影響等方面的指導;建立正式的指導方針,監(jiān)測學習分析的合理性、有效性和合法性等[41]。有研究者認為,學習分析雖然能夠有效支持高等教育中的適應性學習,但是學習的效果受到隱私保護問題的阻礙。為了解學生對學習分析隱私保護的看法及現狀,對一所高等教育機構開展調查,結果發(fā)現:目的、通道和匿名性是道德和隱私完整性的關鍵基準,透明度和溝通是采用學習分析的關鍵杠桿,信息不對稱會阻礙學生積極參與學習分析[42]。

(七)進行教育評估,優(yōu)化學習設計

學習分析提供了全新的視角進行數據解釋和價值判斷,它能夠通過細粒度、自動化分析為教育評估提供有效幫助,從而改進教學實踐。有研究者認為,認識論(知識的本質)、教學論(學習和教學的本質)和評估之間的緊密聯系已經被眾多文獻廣泛證明,學習分析技術作為一種新的評估技術,也應融入其中。他通過測量認知信念的學習分析方法,基于語用、社會文化理論進行探索分析,了解學生在信息處理過程中做出的日常知識判斷中認知信念的作用,為提升教育質量提供一定的幫助[43]。有研究者認為計算機支持的協作學習(Computer Supported Collaborative Learning,CSCL)目前的評估耗時并且缺乏可靠性和有效性,并提出一種自動評估參與多模式數學對話環(huán)境的策略,基于活動理論的視角并應用整體參與聚類算法,自動分析同步在線學習環(huán)境中學生的個人軌跡和類別,并將結果可視化呈現給教師和學生,為他們提供一個新穎、高效和可靠的參與式學習評估工具[44]。

(八)運用社交網絡分析,了解學習交互影響

社交網絡分析(Social Network Analysis,SNA)已成為學習分析方法的重要部分,它通過對在線學習者交互網絡的結構、中心度、密度和關系等內容進行分析,從而了解這些要素對學習成績的影響?，F有研究發(fā)現,學習者的社交網絡指標能夠有效預測學習者的學習成績[45]。

有研究者認為,社交網絡分析能夠對網絡環(huán)境下的學習進行更細致、更突出的語境推斷,并基于社會互動理論結合描述性和統(tǒng)計方法,探討構成學生互動因素的差異如何影響3個社交網絡中心性度量(深度、親密度和中心性)與學業(yè)成績之間的關聯。結果表明,以“超強"聯系為特征的網絡中的社會中心性并不一定意味著獲得好的學習成效;在互惠關系網絡中,雖然所有參與者都具有相似的受歡迎程度,但是沒有“超強"關系的顯著影響,其社交網絡結構中心性與課程結束時獲得證書的可能性呈正相關[46]。有研究者認為網絡分析方法應該考慮MOOC論壇的性質,并根據教學目的劃分社交網絡,還考察了基于內容的網絡劃分的影響、社交網絡結構的關系定義以及對MOOC論壇的理解。使用基于先前開發(fā)的自然語言模型的動態(tài)相關帖子和帖子分類,討論帖子的內容與課程內容的學習是否相關,從而識別學習社交網絡有影響力的學習者、斷開連接或邊緣化用戶、只參與非內容網絡的學習者等,對這些學習者給予不同的學習支持[47]。

(九)借鑒數據挖掘方法,拓展學習分析手段

數據挖掘是計算機領域的一項重要技術,廣泛應用于醫(yī)療、經濟和教育等領域,它將大量數據潛在的、有價值的信息解析出來,為應用決策提供有效支持。學習分析注重多學科融合,借助于數據挖掘方法能夠更加深入地了解學習過程細節(jié),厘定影響學習績效的行為指標,解析學習數據背后包含的教育意蘊,為針對性和個性化教學提供有效支持。

有研究者認為學習分析能夠通過分析跟蹤數據來檢測和解釋學習策略,并通過反饋來傳達結果;探討學習策略的順序和時間特征與反饋干預和學習成績之間的關系,并以3年的翻轉課堂在線課課前活動中的跟蹤數據為基礎,通過聚類、序列挖掘和過程挖掘來檢測和解釋學習策略,使用推斷統(tǒng)計檢驗發(fā)現個性化反饋與有效策略之間存在正相關[48]。有研究者認為學習分析能夠深入了解學習者的行為、學習體驗的設計等;研究序列模式提取這一特定的數據挖掘方法,并通過案例研究展示了應用有效的關聯開放數據執(zhí)行此解釋任務的方法,并且證明了這種方法在學習分析過程中的優(yōu)勢[49]。

學習分析應用數據挖掘對面部表情識別、心電圖等多模態(tài)生理數據進行融合分析,能夠更加清晰地了解學習者的知識水平和情感狀態(tài),為更加全面和具體地分析學習者提供了可能。

六、結論與思考

學習分析是一個理論研究和實踐應用共同發(fā)展的領域,經過十多年的發(fā)展已取得長足進步,在制定教育政策、變革管理方式、改變教學認知、改善教學應用、促進教學研究等方面做出了貢獻。通過CiteSpace對2011—2022年LAK會議長論文的可視化分析發(fā)現,LAK發(fā)文量和長論文數總體上呈上升趨勢,表明學習分析領域得到了廣泛關注,會議影響力在不斷擴大。然而也發(fā)現了一些問題:學習分析的研究中雖然作者、機構以及國家合作與交流逐漸增加,但是合作結構比較松散;學習分析在高校研究廣泛,卻較少關注K12教育,并且在教育實踐中的應用不夠深入;學習分析研究主題更加多元并貼合研究熱點與現實發(fā)展,然而與新技術發(fā)展融合度不足,對新技術的應用較為滯后。為此,從以下方面進行思考或許能厘清學習分析研究的未來發(fā)展路向。

(一)打破研究邊界,實現學科間深度融合

學習分析研究的迅速擴張呈現多元發(fā)展樣態(tài),與心理學、統(tǒng)計學等學科和領域的合作也更加廣泛,然而分析LAK論文發(fā)現,學習分析研究領域的學者、機構、國家等不同主體之間的交流與合作較為松散,中國僅有清華大學、香港中文大學、香港大學等少數高校學者在LAK上發(fā)表論文。研究主體中國家之間的合作較為缺乏,研究者也意識到了這一問題,因此第2、第6、第7屆LAK的會議主題強調要加強學科之間的交流、加強學術團隊的聚合效應。

學習分析體現的學科融合需要解決兩大問題。其一,學習分析研究如何明確自己的學術邊界,體現與教育數據挖掘等研究領域的不同,以彰顯其特色。其二,學習分析這一領域本身是由多學科交叉形成的,如何借鑒、應用心理學、統(tǒng)計學等其他學科的已有研究成果,通過學科融合的視角和研究范式的優(yōu)勢組合審視和解決復雜問題,突破單一的研究邊界,實現跨學科、跨范式的融合與發(fā)展,未來如何更好地促進學習分析的跨學科研究成為把控分析質量的關鍵[50]。

(二)深化現實應用,關注用戶的切實需求

學習分析在產生之初就被賦予較高期望,希望通過它來擺脫現實教學面臨的困境。學習分析也在關注現實應用,卻出現了兩個主要問題。其一,在高校的應用研究較為普遍,而對K12教育的關注仍顯不足。高校擁有良好的支持政策、前沿的研究學者、充足的研究時間、完善的實驗條件以及配合的研究對象等,為學習分析的研究和發(fā)展提供了良好條件。即使如此,學習分析的研究與實踐還是有些偏離真實的教育問題[51],在促進微觀層面教與學方面尚缺乏嚴謹、可復制、可推廣應用的實證研究成果[52],在高校中的應用大部分仍停留在初級層次[53]。如何深化學習分析的現實應用,如何使這些應用能夠深入K12教育中,解決教學中的現實問題,學習分析還有較長的路要走。其二,學習分析如何關注用戶的切實需求,提供簡易可用的分析方法或者工具。普通教師、學習者、管理者尤其是K12的教學人員并非學習分析專家,無法掌握數據挖掘、模型建構等方法。因而,需要建立統(tǒng)一的學習分析工具包,工具包里的每一個工具都能發(fā)揮特定的分析作用,依據教學場景與分析需求將學習分析工具進行組合應用或者稍加修改,就能夠進行分析進而直觀呈現并闡釋學習分析結果,從而簡化學習分析的具體應用,方便教師的教學設計和學習者自我管理。如何將高校學習分析中已有的研究成果遷移至K12階段,實現學習分析支持學習者成長的全過程;如何深化學習分析的應用并回歸教育主體,將教育理念、教學設計融入學習儀表盤等諸多工具的具體設計中,簡化學習分析的操作程序,體現學習分析結果闡釋的教育意蘊,完善學習分析干預的設計;如何增強用戶應用學習分析工具的意愿和興趣,帶給個體最快速的應用反饋,使其在學習分析的協助下實現個體成長。只有思考并解決這些問題,才能使學習分析支持的教與學落到實處,實現學習分析和現實應用從相符、契合、深化到融合的轉變。

(三)結合新興技術,優(yōu)化教育教學過程

技術與教育密不可分。教育發(fā)展推動技術進步,每一次技術進步都在促進教育范式改變、教育研究轉型、教育生態(tài)重構,技術與教育雙向賦能推進未來教育快速發(fā)展。新技術的到來為學習分析提供了更為廣闊的用武之地,為學習過程多模態(tài)數據的收集與分析提供了基礎。融合腦電反饋、運動傳感、眼動跟蹤、手勢感應等多模態(tài)的數據收集與分析,能夠全方位、實時性追蹤學習者的認知與情感,細致刻畫學習者的真實學習樣態(tài),洞悉學習過程細節(jié),助推循證教育體系。

人們既要努力暢想未來教育圖景,更要腳踏實地地解決現實教學中的尋常問題。要回答喬布斯之問中“IT為何對教育影響如此之小”的問題,要從學習的系統(tǒng)復雜性出發(fā),將科學技術深化融入尋常教育教學過程中去。其中,學習分析需要考慮:如何發(fā)展更加敏銳的“嗅覺”,捕捉新興技術在教育中的應用前景,深入探尋技術應用的學習機理;如何縮短5G、AI、XR等新技術在教育場域中的適應期,盡快融入并深化在學習分析實踐中的應用,實現現實和虛擬數據的融合分析,使教育元宇宙的到來不再成為空中樓閣,而是遍布各個教學場景的泛在應用,成為學習分析深入融合在教學中的真實憑證;如何解決新技術應用于學習分析過程中帶來的隱私、安全及倫理道德問題,保障學習者的個人權益。

總之,學習分析為數據驅動的教育教學變革帶來了更多可能,是一個充滿前景、令人興奮的研究領域,其在教育中的未來圖景廣袤而深邃。未來已來,如何掃清學習分析目前的發(fā)展障礙,促進多學科的協同以保持其健康、持續(xù)發(fā)展,如何深化研究提升其教育能供性,緊密結合新技術以支持未來學習,需要研究者和應用者更加努力。