国外高校学习分析应用案例探析
中图分类号：G434 文献标识码：A 论文编号：1674-2117（2016）13/14-0142-04
● 引言
近年来，随着高等教育信息化的深入研究与技术的普及，越来越多的国内外专家学者开始重视学习分析技术的理论与实践研究，2010―2013年连续四年，新媒体联盟和美国高校教育信息化协会提出了学习分析技术，并预测其将成为教育技术领域的主流技术。[1]这一技术的提出使得传统教学中无差别化的大班教育模式的弊病逐渐得到改善，教师一味灌输、学生单纯接受的学习方式逐渐变成以学生为中心，尊重个体差异化，“因材施教”变成了可能。
国内已有的研究大多以模型对比分析或基于概念框架的案例分析为主，从构成要素、分析方法、分析工具等多维度入手对案例进行解读。但很少有研究从学习分析的各个环节对案例进行剖析，因此笔者借助西蒙斯学习分析过程模型对案例展开对比分析，从数据类型、分析过程、追踪预测、个性化或适应四个环节对三所国外高校的具体应用案例进行对比分析，寻求不同项目之间的差异及其原因，为建立更为普适性的模型奠定基础，同时为国内相关案例的开展提供借鉴。
● 国外案例分析框架
1.概述
模型是科学研究的重要工具，本文使用西蒙斯学习分析过程模型对来自英属哥伦比亚大学“自我导向学习”、美国普渡大学“课程信号”、马里兰大学“自我检查活动”进行四个关键环节的对比分析，得到不同案例之间的共通性与差异性。
2.案例分析框架
（1）学习分析过程框架
在西蒙斯的学习分析过程模型中[2]（如右图），数据来源主要分为两类，一类是由学习管理系统、课程管理系统产生的数据，或来自移动设备、社交媒体的交互数据，这类数据用于分析学习者特征以及所处情境并生成学习者档案；另一类是来自课程、作业、测验成绩等具体学习数据，通过使用语义分析以及连接技术得到有关课程知识习得情况的智能数据。经过两类学习数据以及实时数据追踪进行分析计算，并合理建模预测，系统根据预测结果推送个性化学习资源、工具等。学生进行自我诊断并自适应，教师进行及时干预、警告和协助。
（2）具体环节
①数据类型主要分为学习者数据以及智能数据两类，在学习者数据中学习行为类型可分为活动参与度（登录平台次数、平台在线时长、课程访问数量）、积极性（新消息查看时间、新任务查看时间、作业提交时间）、态度（教学材料的点击次数、课程资源浏览时长）、自我诊断（根据教师反馈修改次数、修改及时性、修改时长）四个方面，智能数据可分为同伴协作（讨论区提问次数、解答回复次数、回复内容被赞频率）、学习效果（作业测验完成百分比、测试成绩、作业评定）两个方面。
②分析过程指通过社会网络分析法、语义分析法、内容分析法、统计法、数据挖掘[4]等学习分析技术对搜集到的数据结合情境因素进行深入分析阐释，了解学习者的学习过程、学习需求，形成学习者风格，分析复杂的交互过程，建构预测模型。
③追踪预测环节通过对学习者的数据进行实时追踪，使用已有的预测模型，对学习者的学习结果进行预测，对高危学生提出预警，并根据实时数据对预测结果不断修正。
④个性化或适应[3]作为学习分析的最终目标，一方面指系统个性化向学习者推荐学习资源、同伴、工具、路径等，根据不同学习者的特征以及学习进度进行推送。同时教师根据可视化分析给予学生相应的帮助，选取不同的教学策略有针对性地对学生进行指导。另一方面，学生自我诊断，实现学习者对资源的自主建构，提高主观能动性。
3.案例描述与分析
（1）英属哥伦比亚大学“自我导向学习”
【项目目标】为了对学生学习成绩预测的各项指标进行合理建模，以便为学习者的自我导向提供支持，英属哥伦比亚大学对学生三个学期基于Blackboard的在线生物课程数据进行回归分析并建模，使得学习者可以进行自我监控，在掌握学习数据的同时与同伴进行比较，以了解自己的优势与不足。
【项目流程】通过对课程内容的访问、论坛、聊天室、测验、自主交流工具等方面的分析，将与学习者学业成绩呈显著相关的变量归纳为3个关键变量，为了得到有效的LMS追踪数据，只保留完成所有课程的学生数据，最终选取了118名学生作为样本。[5]
其中，使用编写工具、搜索功能、访问成绩、查看资料等操作记录作为交互过程被搜集为学习者数据，通过这些数据可得出学习者的简要介绍，同时为之后的分析提供数据支持。学生的作业完成情况、聊天室、讨论区信息的发送数目等作为智能数据与学习者数据一起用于分析。[6]为了实现实时数据分析，本案例使用SNAPP社会网络分析工具与LMS无缝对接，提取学习者在线学习产生的数据，形成交互视觉图，以更直观地显示学习者的学习动态。当LMS中有成员在论坛中发布消息时，网络结构图会实时更新。实验结果表明：该模型以81%的准确率预测了该门课程将会不及格的同学，从理论层面证明了基于LMS数据挖掘开发“早期预警系统”的可能性，教师可以根据预警系统快速识别处于“危险”中的学生，从而及时给予干预。
【总结】通过本案例我们看到了学习分析的广阔前景，较高的预测准确率使得自我导向预测模型的可靠性有了提高，从理论层面上实现了对“早期预警系统”开发的可行性，同时在数据处理时形成完整的步骤，为今后的研究提供了很好的参考依据。但是用作科学预测的指标还需进一步完善，寻找是否还有其他指标对成绩有预测作用。[7]对用于指标的探索性因子分析应在更多的教学情境中检验和修正。 （2）美国普渡大学“课程信号”
【项目目标】随着班级规模的持续扩大，在高等教育教学的过程中，尤其是在线学习中学生缺席、未充分参与课堂、学习滞后等现象频繁出现，但作为教师很难快速识别高危学生并及时调整课程。为了缓解持续下降的新生保有率以及持续增长的毕业周期等问题，使学生尽快跟上教学节奏、避免掉队，美国普渡大学启动了“课程信号”项目帮助学生优化学习过程。
【项目流程】“课程信号”项目于2007年实施。基于Blackboard平台，课程信号系统对学生数据进行搜集。数据来源主要有两类：一类是包括学习者地区、种族、性别、奖惩、前期学业历史、与系统交互次数、课程努力程度等一系列学习者特征的数据，此类学习者信息帮助生成学习者档案；另一类是来自课堂表现，即学生所获学分百分比的数据。系统结合两类数据，并根据SSA算法分析计算得出每位学生的数据，由所得数据在学生和教师端显示红、黄、绿三色信号灯预警。系统进行有效干预[8]，推送合适的学习资源帮助学生完善学习过程；学生也可以及时自我修正，有效避免了毕业周期延长的现象；同时教师也能及时发现学生的各类问题。对比数据发现[9]，使用课程信号系统后，成绩为A、B的学生增加了10.37%，学生的整体学习成绩有了明显提升。
通过对比各项数据与成绩的相关性，并经过多次的完善与调整，该系统建立了较为科学的SSA算法进行预测，并对学生数据采取实时追踪，更加精确、及时地为学生的学习提供分析。
【总结】作为学习分析领域的经典项目，经过不断优化完善，“信号课程”项目积累了大量的学习数据可供参考分析，其项目流程以及该系统在美国应用广泛。
（3）美国马里兰大学“自我检查活动”
【项目目标】为实现学生的自我诊断与评估，以直观的数据形式帮助学生了解自己的学习进程并与匿名同学之间进行比较学习，这样既保护了学生的隐私，同时也增强了他们的主观能动性。学生在充分了解自己的优势和不足后，通过自我组织学习过程，制订学习计划、学习策略等方法，从各角度进行自我修正与提升。
【项目流程】美国马里兰大学（UMBC）在2007年开设了“自我检查活动”（CMA）[10]，这个学生自我检测评估工具利用数据仓库集合从学生管理系统中获取的背景资料、等级等学习者档案信息数据，以及从Blackboard平台中收集的课程访问次数、时间、点击次数等学习者与系统的交互数据，作业成绩等智能数据。该系统在集成两类数据后通过Google Analytics对学生数据进行提取分析，形成可视化分析报告提供给师生，学生根据分析报告中的可视化描述，可清晰地了解自己的学习情况以及学习活动的参与度，同时该系统支持同学之间匿名进行比较，使他们能快速了解自己在班级中的活跃度及所处位置等。学生通过实时更新的个人化反馈，及时修正自己的行为；对于使用的教学材料，教师也可以进行相关干预。
CMA项目的实施对学生的学习起到积极的推动作用，在为期两年超过110门课程的跟踪调查中，有39%的学生等级有较为明显的提升。
【总结】在学习分析过程中，基于Blackboard平台的数据大多关注用户的文档管理、电子邮件的发送、聊天室讨论区的互动；而CMA项目则通过对数据的分析对学生进行合理评估，同时学生通过与其他同学的比较找到差距，提升了学习的主观能动性，并增强了对学习的责任感。
（4）案例分析总结
通过对国外三所高校的学习分析案例比较后，笔者就数据类型、分析过程、追踪预测、个性化或适应进行比较分析（如上页表）。
通过比较分析可得出：
①所获取的数据维度越广，需要的分析方法越多。
三个项目的分析过程中，学习者参与度、态度、学习效果数据均被搜集但有一定的局限性，数据来源应更加多样化，英属哥伦比亚大学搜集到同伴协作的智能数据，并使用社会网络分析法对学习者学习网络的构建情况进行解读，涉及学习情境因素对学习者的影响。相比而言，美国普渡大学及美国马里兰大学的数据来源范围较窄。
②项目目标不同使用的分析方法也不同，精准预测需要建模。
为了对学习者的学习行为进行预测，英属哥伦比亚大学及美国普渡大学需要建立相关算法模型，而美国马里兰大学只需进行数据挖掘，即可分析形成可视化描述。
● 总结与展望
通过差异化对比，笔者认为多样化的数据来源更利于建立科学合理的模型，学习过程复杂多变，除了关注学习者数据之外，还应增加对学习者所处学习环境因素的分析。为使预测结果更准确，设计者可以通过实际结果与预测结果进行对比，及时修正完善各指标的投入结构，未来应寻找更广泛的学习成绩影响因素。另外，随着学习数据的指数增长，对数据的充分利用以及保护显得尤为重要。
