基于开放教育平台的个性化学习服务系统研究

张雪燕

摘 要：运用学习分析技术并使用先进的分析工具对在线学习平台数据进行分析与处理，通过分析学生以往的学习状况，预测学生未来时刻的学习状况，从而分析并预判学生在学习过程中可能遇到的问题，有针对性地帮助学生解决学习上的问题，实现个性化学习服务。基于学习分析的学习服务系统利用可视化数据分析报表，为教师、教辅人员及教育管理者及其他相关人员提供全面的学生学习状况的第一手数据，准确及时了解学生学习状况，把握学生学习特点，制定合理的教学计划及教学进度，提高学习服务水平。在研究学习分析技术的基础上，根据开放教育的特点，研究和设计基于开放教育平台的学习服务系统，并进一步通过实验方案设计和运行，验证开放教育学习服务系统的有效性。

关键词：学习分析；学习服务系统；开放教育；教育大数据；风险学生

中图分类号：G434 文献标志码：A 文章编号：1673-8454（2016）01-0089-05

引言

至2010年以后E-learning的发展进入了相对成熟期，形成了基本的学习逻辑与框架。Khan Academy获得巨大成功，Moocs的快速发展及广泛推广应用，[1]全球性学习平台的出现，智能终端在教育领域的应用，教育信息可视化，尤其是开放教育平台信息化已经进入了融合发展和创新阶段。[2]随着教育信息可视化的普及与逐渐深入，各类数字化学习系统产生了大量教育信息，即教育大数据分析和运用已成为研究热点。[3-15]

2005年戈尔茨坦[8]等首次把成熟的数据分析技术应用到教育领域。随后，不断有国际学者在理论和实践上对此进行了研究和分析。CLOW D 研究了学习分析的内容及步骤；[9]SIMENS G关注学习分析，研究了学习分析的内容、实现的技术及平台，提出通用的学习分析平台及模型。[10，14，15]国内学者郁晓华等试图从学习活动流角度来探讨学习分析的行为模型，侧重考虑了学习来源的多元化及学习活动的持续性问题；[6]马晓玲等学者在其他学者研究的基础上，尝试给出学习分析系统中对象及数据的时空及交互演化。[7]

本文通过研究学习分析，尤其在深入分析和研究普渡大学Course Signals系统[7]、北亚利桑那大学的Grade Performance Status系统[8]的基础上，将学习分析的成果应用到开放教育中，用于指导开放教育的过程，使“风险学生”通过学习服务系统顺利完成学习。本文介绍了学习分析技术，并在此基础上设计了学习服务系统，最后结合实验案例探讨基于学习分析的开放教育学习服务系统的科学意义及应用价值。

一、学习分析技术

1.学习分析概念解析

学习分析（Learning Analytics）是“大数据”在教育领域中的应用，是指利用工具测量、收集学生在线学习的数据，建立适当的模型加以分析，评价教与学，预测学生未来的学习表现，为学生提供个性化学习方案，以优化学习和学习环境。[5，10，12]在开放教育领域，学习分析通过分析学生学习中潜在的问题，预测学生的学习表现，以新的方式提高学生的学习参与度和在校率，以及为学生提供高品质和个性化的学习体验。

学习分析不同于学术分析，学术分析旨在运用数据分析为教育系统的各级决策提供参考，它侧重于行政管理服务；而学习分析则关注教师和学习，着重于改善教学，学生是最大的受益者，侧重于为学生提供个性化学习服务。表1概括了学习分析要素的基本要求点。

2.学习分析模型

综合国内外研究人员所提出的分析模型，学习分析过程均包括数据收集及预处理、数据分析及结果输出（预测）。

Siemens的学习分析模型包含个性化调整/适应，[6]将数据来源分成学习背景数据和在线学习的学习状态数据，前者是隐性数据，后者是显性数据。而胡艺龄等提出的在线学习行为分析模型分为数据、机制及结果三部分。[5]在结果中加入了干预和自适应引擎，干预主要是指教师、家长、教育管理者从预测结果中判断学生的未来学习情况，对其中学习有困难的“风险学生”进行干预，比如教师调整教学进度及教学内容，导师与学生进行深入谈话、一对一的指导学习，教育管理者可用来判断当前教育决策是否合适，进而确定是否需要进行调整。在线学习行为分析模型主要包括数据、机制和结果三部分。

根据学习分析模型，可以把学习分析分为数据采集和处理、数据的应用以及反馈三个过程，这是不断循环的过程。本文主要关注结果模块中的干预部分，结合学习分析，设计符合开放教育特点的干预系统，为学生提供个性化的学习，提高学生的学习积极性和学习能力，从而提高开放教育学生在校率，帮助开放教育学生顺利完成学业甚至提高学生毕业率。

二、基于学习分析的开放教育学习服务系统设计

1.学习服务系统设计目标

学习服务系统针对开放学生的特点，运用学习分析理论，实现对在线学习平台的学生学习数据可视化，预测学生的未来学习情况，对有学习困难的学生及时进行学习干预，并帮助学生解决遇到的学习问题，为学生提供个性化学习服务。这里有学习困难的学生并不一定指无法通过考核的风险学生，也可以包括暂时碰到学习困难的学生。因此将学习服务系统设计目标分为三部分。

（1）及时发现“风险学生”，采取恰当的措施帮助其通过考核。

（2）及时发现有临时学习困难的学生，帮助解决问题。

（3）鼓励上进学生，营造更好的学习氛围。

不同地区、不同学校或教育机构，甚至对同一个组织单位来说在不同时期，这三个目标的侧重点会有所不同。相关各方可利用在线学习服务系统更好地实现目标。

2.学习服务系统基本组成

学习服务系统的组成主要包括人员、学习分析结果可视化呈现、服务干预机制等，如图3所示。其中人员包括教师、教辅人员、教育管理者及家长，以及受益的主体对象——学生。由于此处是开放教育的学习服务系统，因此“家长”角色可被弱化。学习分析结果及可视化呈现主要利用NODEXL来处理。干预机制是学习服务系统的核心，主要是学习服务系统根据学生的学习状态，对学生进行鼓励或警示，并把重要的信息发送给相关的教育管理者或教师，由他们做出进一步更具个性化的服务措施。

如图1所示，学习服务系统中，教师、教辅人员及教育管理者的服务干预并不是孤立的，这三者之间的干预应该是相互协作共同作用于学生的。而学生对于干预机制也并非被动的接受，会对干预机制产生影响，从而改进干预机制，使干预机制更有效，更为学生所接受，从而有利于促进开放教育的发展。从实验验证的结果来看，在初期系统应用实施时，系统的干预是非常有效的；在成熟应用期，后三者的作用将会有所提升。后三者的干预可以通过学习系统产生作用，也可以是线下直接干预，比如电话或面谈。

3.总体设计思路及步骤

根据学习分析系统和开放教学特点，将学习服务系统的具体设计思路及步骤分为四部分：

（1）从在线学习平台导出在线学习数据，运用学习分析工具进行分析，获得学生学习状态的全局可视化数据。

（2）教师、教辅人员及教育管理人员，根据相应权限获取可视化数据，利用系统可进行直接或间接的干预。

（3）学生在受到相关人员的干预及获得可视化的学习数据后，做出反馈（也可能置之不理）。系统或相关人员针对这些反馈，改进自己的工作方式，设计更为合理的干预机制。

（4）学习服务系统的评价及改进。好的学习服务系统至少满足三个条件：①有效；②学生乐于接受；③教师、教辅人员等可实施。

三、开放教育学习服务系统个案设计

以某学院的专业为例，虽然总体学生个数不超过500，学生地域分布广，学生数量少，学生的情况较以前更复杂。但由于计算机技术及网络技术的发展，各种智能终端设备广泛应用，使学生的学习途径更为多样，真正能实现随时随地学习，为学生提供个性化学习被提上日程。而个性化学习离不开良好的学习服务，好的技术体系加上先进的管理体系更能促进个性化学习。

1.提取学生学习数据，利用NodeXL进行分析

以公共基础课程《计算机应用基础》课程为例，本学年选修的学生大约为80人。图2（a）是从moodle系统中导出的学生在线学习数据。

选择三次作业，两次网上学习讨论，四个重要的学习资源，作为分析依据。所有的学习评价为五分制，五分表示满分，三分合格，如图2（a）所示。为方便NodeXL进行处理，将其转换成图2（b）所示的节点模式。此处暂时忽略了学生的学习得分，只看学生是否进行学习。NodeXL的分析结果如图3所示：

图3是NodeXL利用图2的数据做出的学习分析结果，采用Harel-Koren Fast Multiscale布局方式。图中，小黑点是学生，蓝色的正方形是作业，红色的菱形是课程资源，黄色的三角形是学习讨论。越靠近中心的学生参与学习的情况越好，而越外围的，则完成学习任务的情况越差。三个游离的点表示这三个学生没有任何在线学习行为，即没有参加学习讨论，没有完成作业，没有在线学习记录。图3（b）中标记了部分“风险学生”的学号，以方便相关人员进行查看。

2.干预服务及反馈

在学习服务系统中，系统会根据学生的学习状态，给出初步的处理结果。主要是：

（1）激励好学生与要求上进学生，如给予明星学生等荣誉称号，并给予若干学习币。

（2）鼓励团队学习。对于学习领袖人物或学习系统中的活跃人物，在评估其带动其他同学学习或对系统做出贡献的前提下，给予学习币。

其中学习币可换取资源或某种权限，也可以换成小礼品。在学习服务系统运行初期，这种干预机制获得了巨大的成功。

管理人员可根据需要来设置警示等级。在教师及教学管理人员端，也可设置接收何种类型或等级的消息。另外，教师及教辅人员可以根据各自需要，对数据进行进一步的过滤或标记。他们可根据不同的情况区别对待：

（1）表扬优秀学生，邀请他们担任学习小组的组长。

（2）不忽略普通学生，给予适当关注和鼓励。在系统中教学相关人员可在系统中编辑并发送个性化消息，或发送即时短信息等。

（3）主要处理的是风险学生，如图3（b）所标记的学生。对于风险学生的处理步骤如下：

①查看学习分析结果的可视化面板，发现其中在未来的学习中存在学习风险的学生。

②查看这些学生的较为详细的学习记录资料，进一步进行分析。

③分类汇总风险学生的不同情况，做出适当的处理。表2是汇总的调研结果及处理方法。

④根据学生的反馈，改进干预与服务机制，提供个性化的帮助，使其顺利完成学业。从表2中可以看出，学生对于干预与服务机制的反应是积极配合的，愿意接受有利于他们完成学业的干预与服务机制。

图4是某学院学生一学年的学习数据，随机选取2013-2014年度选修计算机应用技术的80名学生，其中第一学期基本无学习干预与个性化服务，第二学期初启动学习服务系统。纵坐标为考核分数，横坐标为学号，蓝色菱形标记为期中检查数据，绿色三角形为总评数据。启动学习服务系统后，学生的总评成绩普遍比期中检查成绩略高，特别是不合格学生的人数显著下降，合格率提高。

另外，学习服务系统中在线学习活跃程度、学习任务的完成率以及课程考核的通过率都显著提高。以2014年以某学院专业为例，在线作业的完成率从原先的45.7%提高到67.9%，瓶颈课程考核通过由原来的平均46.7%提高到71.3%。

四、结论

虽然开放教育教学中一直存在学习服务，但之前并未能充分利用及全面、准确地获得学生的学习状态，因此这种服务无法真正实现个性化、长期性、系统性和延续性。应用学习分析工具对在线学习平台记录的学习数据进行个性化分析，全面、快速并准确地获得第一手的学生学习情况的数据，使教师、教辅人员及其他管理人员从收集学生学习数据中解放出来，真正实现个性化服务。本系统有以下作用：

（1）从学习服务系统能获得全局的、详细的学生学习状态数据，有利于全局把握学生的学习状态，将教师、教辅人员及其他相关教育工作者从收集学生学习数据的简单、繁琐的重复性工作中解放出来，更有利于教学及管理的创新，提高服务水平与服务质量。

（2）学生能从系统中查看自己的学习状态，以及自己在所有学习者中所处的学习水平。从某种程度上这有利于学生更好把握自己的学习，激发学习热情，引发学习兴趣。

（3）学生是此系统的最大受益者，他们通过学习分析系统及学习服务系统，获得了个性化的学习服务。总体来说，基于学习分析的学习服务系统是有效的，但该系统必须随着学生的特点、教育方针策略的改变而改变，不能恒定不变。

参考文献：

[1]顾小清，胡艺龄，蔡慧英.MOOCs 的本土化诉求及其应对[J].远程教育杂志，2013（5）.

[2]吴战杰.大数据时代E-Learning融合式学习框架——学习的规模效益与个性化的实现途径[J].开放教育研究，2013（4）：53-59.

[3]徐鹏，王以宁，刘艳华，张海.大数据视角分析学习变革——美国《通过教育数据挖掘和学习分析促进教与学》报告解读及启示[J].远程教育杂志，2013（6）：11-15.

[4]顾小清，张进良，蔡慧英.学习分析：正在浮现中的数据技术[J].远程教育杂志，2012（1）：18-25.

[5]胡艺龄，顾小清，赵春.在线学习行为分析建模及挖掘[J].开放教育研究， 2014（2）：102-110.

[6]郁晓华，顾小清.学习活动流： 一个学习分析的行为模型[J].远程教育杂志， 2013（4）：20-28.

[7]马晓玲，邢万里，冯翔，吴永和.学习分析系统构建研究[J].华东师范大学学报 （自然科学版），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.

（编辑：王天鹏）