基于大数据的在线学习预警模型设计*——“教育大数据研究与实践专栏”之学习预警篇

王林丽 叶 洋 杨现民



基于大数据的在线学习预警模型设计*——“教育大数据研究与实践专栏”之学习预警篇

王林丽 叶 洋 杨现民[通讯作者]

（江苏师范大学智慧教育学院，江苏徐州 221116）

学习预警是提升在线学习质量的重要途径。如何基于大数据成功地实现在线学习预警，是在线教育发展过程中亟需解决的重要问题。文章从预警的实现形式、内容与方式、采用的技术算法和工具、成效及不足等方面比较分析了国外五个典型学习预警系统，在此基础上提出了学习预警系统的通用设计框架，并构建了学习预警系统的功能模型和过程模型，最后就在线学习预警系统的设计开发和预警研究提出了建议，以期能为我国在线学习预警系统的建设与发展提供借鉴。

大数据；教育大数据；在线学习；学习预警；模型设计

引言

随着互联网技术的应用和发展，在线学习日渐流行，并成为信息时代的一种重要学习方式，也由此引起了政府、学校、企业等的广泛关注。当前，虽然在线学习在全球的发展势头迅猛，但也存在诸多问题，如学习质量和效率低下、教师的个性化及适应性教学能力差、在线学习的监控管理和评价不及时等。其中，学习质量难以保证的问题尤为突出，导致很多学习者无法顺利完成在线课程的学习。为此，有研究者提出要通过学习预警来解决上述问题。

学习预警可以通过挖掘、分析在线学习过程中产生的大量数据，了解学习者学习情况并及时发现学习中存在的问题，以此对学习者发出提示或警告，从而督促、引导学习者顺利完成在线学业。从整体来看，国内外在线学习预警的研究与实践正处于起步阶段，如美国普渡大学开发了课程警示系统[1]、澳大利亚Wollongong大学开发了社会网络可视化工具[2]、我国电子科技大学教育大数据研究所研发了高校预测预警应用系统等。

与传统教育数据相比，教育大数据的采集具有更强的实时性、连贯性、全面性和自然性，分析处理也更加复杂、多样，应用更加多元、深入[3]。如何基于大数据成功地实现在线学习预警，是在线教育发展过程中亟需解决的重要问题。为了更好地理解在线学习预警系统的框架及其过程原理，本研究在分析国外五个典型学习预警系统案例的基础上，提出了学习预警系统的通用框架，并对其功能模型和过程模型进行了设计。

一 国外五个典型学习预警系统案例

美国在大数据方面是领跑者。美国的一些学校和机构根据自己的需求率先开发了不同的学习预警系统，这些学习预警系统已在相关应用尤其是预防辍学应用中取得了一定的成效，积累了宝贵的经验。

根据预警功能的实现形式，现有的学习预警系统可划分为四类：①为了实现在线学习预警的相关功能而独立开发，这又分为两种情况，一是由学校自主开发，如普渡大学开发的课程信号系统；二是由企业机构开发，如Desire2Learn机构开发的学生成功系统。②通过学习管理系统与可视化工具相结合来实现预警功能，如可汗学院的学习仪表盘。③通过在学习系统中嵌入个性化工具来实现预警功能，如电子顾问。④学习预警系统作为在线学习平台中的一个模块而存在，如海星预警系统。这五个典型学习预警系统在实现形式、预警内容与方式、采用的技术算法和工具、成效及不足等方面存在异同，如表1所示。

表1 国外五个典型学习预警系统比较

1 课程信号系统

课程信号系统（Course Signals）是由美国普渡大学开发的一款在线学习预警系统，用于监测学生的学习状态。该系统尝试采用一种新的算法（Student Success Algorithm，SSA）来判断处于学业危险中的学生，并对其进行预警——这种预警类似于交通信号灯，即针对教师和学生的不同状态而设定不同的“警示信号”。根据“警示信号”，教师通过电子邮件、短信、在线消息等方式对学习者进行干预，从而促进学生的健康成长。

2 学生成功系统

由美国Desire2Learn机构开发的学生成功系统（Student Success System，S3），可以向用户提供一系列服务，如查看学生的学习情况、预测学业危险、提供干预和产生学习分析报告等。此外，该系统也可以通过分析影响学生学习的因素如学生的出席率、课程完成情况、参与度和社会学习等，形成多样化的预测模型，从而准确地预测有哪些学生处于学业危险的状态，并向其提供适当的干预措施[4]。

3 可汗学院的学习仪表盘

学习仪表盘由可汗学院于2013年9月推出，它最初应用于可汗学院的数学课程中。学习仪表盘以信息跟踪技术和镜像（Mirroring）技术为基础，对学习者的在线学习行为进行精密追踪，记录、整合大量学习者的学习信息，并按照使用者的需求进行数据分析，最终以数字、图表等可视化形式呈现出来，从而为在线教育中的学习者、教师、研究者和教育管理者提供学习分析[5]。

4 电子顾问

电子顾问（eAdvisor™）由美国亚利桑那州立大学开发。通过玩图像游戏Me3，可以探索出学习者的职业兴趣，eAdvisor™便可以据此为其制定相应的学习路径，它规定了学习者每学期需要完成的课程及应拿到的学分[6]。在整个学习过程中，eAdvisor™会为学习者提供个性化的点播工具，也会为学习者的学习过程提供引导和支持，并实现对学习者的预警。

5 海星预警系统

海星预警系统（Starfish Early Alert System）是海星企业成功平台（Starfish Enterprise Success Platform）中的一个模块，致力于帮助学生完成学业。海星预警系统以大数据、学习分析、分布式计算等为基础，通过分析学习者的努力程度，以尽早地了解学生，进而降低辍学率[7]。

二 学习预警系统框架

学习预警系统涉及四个核心问题，即为什么预警、预警什么、怎么预警、预警的结果是什么。从这四个核心问题出发，本研究构建了学习预警系统的通用框架，如图1所示。

图1 学习预警系统框架

1 目的层

预警目的大致有四种：降低辍学率、促进学业成功、提高学习效果和提升就业率。预警目的的确定为预警系统的建立与运行指明了方向，将直接影响着数据的收集与获取，并对内容层、方式层和结果层产生影响，是整个预警过程的根本。

2 内容层

预警内容包括预警辍学、学业成功、知识掌握、就业情况、学习路径、学习效果等，具体内容会根据预警目的的不同而有所不同。当预警的内容不同时，所采用的预警方式也会不同。

3 方式层

预警方式主要包括数据采集和数据分析——数据采集需要明确使用什么采集技术，以及采集哪些数据；数据分析则需要根据采集的数据，判断将要采用哪种数据分析技术及预警算法。在大数据时代采集的是学习者的全方位数据，当目的不同时会筛选不同的数据进行分析处理。

4 结果层

预警结果主要包括预警信息的呈现及干预策略，即根据目的层、内容层和方式层确定预警信息的呈现形式及提供的干预策略。预警信息的呈现形式是学习预警系统的直观表现，而干预策略主要是为学习者提供个性化的建议或反馈。

三 学习预警系统模型

1 学习预警功能模型

学习预警功能模型如图2所示，呈现了学习预警系统的工作流程。具体来说，学习预警功能的实现，分为数据收集、数据分析、预警信息呈现和提供干预四个阶段。本研究从学习者的知识掌握情况、行为数据和学业情绪三个方面出发，参考教育大数据的技术体系框架[8]，构建了在线学习预警功能模型，从知、行、情三方面对在线学习者进行全方位预警。

图2 学习预警功能模型

（1）数据收集

在线学习中收集的数据包括学习者相关数据、教师相关数据和课程相关数据。其中，学习者相关数据主要包括学习者的基本数据（学习风格、态度）、行为数据（访问次数、在线时长、下载次数、最后访问）、交互数据（与在线资源或同学间的互动情况、讨论内容、发帖数、互动次数）、表现数据（学业成绩、排名、进步）、情感数据等。数据收集需要借助一定的平台和技术工具，如Sakai、Blackboard、Moodle、学习元平台和社会网络可视化工具等。

（2）数据分析

收集到的海量数据经过存储整合即可实现分类，具体来说可以分为知识、行为、情绪三类。目前比较成熟的知识和行为分析技术主要有内容分析法、话语分析法、社会网络分析法[9]、语境分析法和性格分析法等；而主要的情感识别技术有面部表情识别和语音情感识别，此外还可以通过内容挖掘和智能分析来识别学习者的语音、文本、绘图中所蕴含的情绪信息。近年来，基于脑电波的情感识别采集技术已成为情感数据采集和情感识别的重要渠道。上述分析技术使得数据分析能够顺利实行，从而推测出学习者在知识、行为、情绪方面是否存在异常。

（3）预警信息呈现

预警信息呈现是指从知识、行为、情绪三方面对学习者所处的状态进行直观呈现——知识即学习者对知识点的掌握情况，要适应社会发展，就必须不断接受新知识，持续不断地提升素养和能力[10]，可以通过成绩、内容分析法等来判断知识的掌握情况；行为即学习者在线学习时的各种行为，包括登录、浏览、交互等，学习者的行为从一定程度上反映了学习者的态度，能在很大程度上影响学习效果；情绪即学习者在线学习时的情绪，是影响线上线下学习效果的重要变量。也就是说，预警信息呈现是通过对海量数据进行分析，准确判断出学习者的学习情况及所处状态，并通过采用红绿灯、小红旗、磁条、背景颜色、文本等方式将其直观地呈现出来。

（4）提供干预

提供干预是指对获得预警的学习者提供相应的改进策略，进行积极干预。预警系统内置一套完善的学习干预策略库，库中存放着应对各种问题的具体策略，教师或系统可以据此向学习者提供个性化干预。所谓个性化，是指当起点不同的学习者取得相同的成绩时，获得的干预是不同的；并且，当学习者及预警内容不同时，采用的干预方式也会有所不同。

2 学习预警过程模型

学习预警过程模型如图3所示，主要用来描述在线学习预警的具体过程。

图3 学习预警过程模型

一般而言，在线学习预警的具体过程共分为七步：

（1）确定预警目的，明确预警什么。预警目的不同，后续步骤就会有所不同。

（2）数据采集。根据预警目的，确定需要采集哪些数据以及需要用到哪些数据采集技术。

（3）数据分析。将采集到的数据输送到分析引擎进行分析，根据适当的分析技术及预警算法对采集的数据进行分析，判断学习者是否需要预警。

（4）预警信息或学习情况的呈现。根据第三步的判断，如果需要预警则呈现出相应的预警信息，如果不需要预警则呈现出学习者目前的学习情况。

（5）预警信息推送。预警信息的推送对象包括三类：一是推送给教师和管理者（可以查看所有学生的预警信息）；二是推送给系统；三是直接推送给学生（考虑到有些信息可能会伤害学生的自尊心，所以推送给学生的预警信息只是所有预警信息中的一部分）。

（6）个性化建议的提出及个性化资源的推荐。教师和管理者根据推送的预警信息，人工进行干预，提出适合学习者的个性化建议，并推荐适合学习者的个性化资源；系统根据推送的预警信息结合自适应引擎，可以自动生成适合学生的个性化建议和个性化资源。

（7）将个性化建议和个性化资源推送给相应的学习者。

四 总结与建议

《2015年国务院政府工作报告》和《中共中央关于制定国民经济和社会发展第十三个五年规划的建议》分别提出了“互联网+”行动计划和实施国家大数据战略，这将对教育的变革与创新产生实质性的影响。同时，国家力推在线教育的政策也相继出台，在线学习将成为今后重要的学习方式。此外，目前很多学习系统和平台提供商也正在考虑引入基于大数据的预警机制和技术，以进一步提升系统的服务能力，改善在线学习的质量。以说在线学习预警已成为在线教育研究与实践领域的热点。基于此，为推动我国在线预警学习系统的建设与发展，本研究从实践和研究两个方面提出如下建议：

1 实践方面

在线学习预警系统的设计与开发应着重考虑以下四点：①从知识、行为、情绪三个方面开展综合预警；②采用云服务或者标准化插件代理的方式提供预警服务，以便与现有系统集成；③预测算法应具备较强的灵活性，能够根据不同的预警目的选择不同的预警算法；④建立和选择一组能正确反映系统状态的敏感性指标，实时跟踪预警效果。

2 研究方面

总的来说，我国在线学习预警研究尚处于起步阶段，应进一步加强学习预警的理论、技术与应用研究——理论方面，深入探讨学习预警的认知基础、运作机制等基础性问题；技术方面，积极运用学习分析、教育数据挖掘等技术，进一步提升在线学习预警的效率和效果；应用方面，认真开展在线学习预警的实践研究，归纳预警应用模式，评估预警的实际应用效果。

参考文献：

[1]Purdue Informztion Technology. Course signals[OL].

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

[3]杨现民,王榴卉,唐斯斯.教育大数据的应用模式与政策建议[J].电化教育研究,2015,(9):54-61、69.

[4]Essa A, Ayad H. Improving student success using predictive models and data visualisations[J]. Research in Learning Technology, 2012,(20):58-70.

[5]张振虹,刘文,韩智.学习仪表盘:大数据时代的新型学习支持工具[J].现代远程教育研究,2014,(3):100-107.

[6]Arizona State University. How does eAdvisor™ benefit me?[OL].

[7]Plunkett J. Starfish supports University of Nebraska-Lincoln’s efforts to improve campus coordination, early identification of at-risk students, and enhanced student planning[OL].

[8]杨现民,唐斯斯,李冀红.教育大数据的技术体系框架与发展趋势——“教育大数据研究与实践专栏”之整体框架篇[J].现代教育技术,2016,(1):5-12.

[9]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.

[10]陈琳,陈耀华.以信息化带动教育现代化路径探析[J].教育研究,2013,(11):114-118.

编辑：小米

Design of Online Learning Early-warning Model based on Big Data——The Learning Early-warning of “Research and Practice Column about Big Data in Education”

WANG Lin-li YE Yang YANG Xian-min[Corresponding Author]

Learning early-warning is an important approach to improve the quality of online learning. How to successfully implement early-warning which based on big data is an urgent problem to be solved in the development of online education. From the aspects of realization form, warning content and method, technical algorithm and tool, effectiveness and deficiency, this paper comparatively analyzed five typical abroad learning early-warning systems. On the basis of this analysis, the general design framework of the learing early-warning system was put forward, the function model and process model of learning early-warning system were also established. Some suggestions for the design development and research of online learning early-warning system were proposed, expecting to explore some idea for the construction and development of domestic online learning early-warning system.

big data; big data in education; online learning; learning early warning; model design

G40-057

A

1009—8097（2016）07—0005—07

10.3969/j.issn.1009-8097.2016.07.001

本文为江苏省普通高校学术学位研究生创新计划项目“基于行为数据的在线学习预警机制设计”（项目编号：KYZZ15_0381）、江苏高校优势学科建设工程资助项目“江苏师范大学教育学省优势学科建设”(项目编号：苏政办发〔2014〕37号)、江苏省科技基础设施建设计划项目“江苏省教育信息化工程技术研究中心”（项目编号：BM2013224）的阶段性研究成果。

王林丽，在读硕士，研究方向为教育信息化与智慧教育，邮箱为wanglinli0606@163.com。

2016年3月20日