学习分析技术发展趋向

钟薇 李若晨 马晓玲 吴永和

【摘 要】 作为数字时代的产物，学习分析以教育领域数据为研究对象，通过挖掘其背后隐含的信息实现对教育的促进。当前学习分析研究主要集中在在线学习领域，但是学习本身发生在多样的环境中，学习过程更是涉及学习者的行为、心理、生理等多个层面，而当前的技术发展正为采集并分析学习者学习过程中多种模态的数据提供基础。基于此，本文从技术的视角讨论多模态数据环境下学习分析的发展趋向，梳理多模态学习分析的技术支撑，指出未来的学习分析应该利用脑电感应、眼动追踪等多模态生物识别技术收集个人层面的学习数据，结合教学技术工具中的系统日志、全方位课堂音视频录像等方式追踪学习者的学习和社交轨迹，全面剖析学习者的行为层、心理层和生理层数据，以期为进一步实现精准化的教与学提供有效支撑，并推进国家自然基金对学习分析与评估基础性研究的探索。

【关键词】 多模态；多模态数据；多模态学习分析；学习分析；教育数据

【中图分类号】 G434 【文献标识码】 A 【文章编号】 1009-458x（2018）11-0041-09

一、引言

“信息技术对教育发展具有革命性影响，必须予以高度重视”。自《国家中长期教育改革和发展规划纲要（2010—2020年）》发布以来，我国在教育信息基础设施建设和优质数字资源共建共享方面取得了较大进展。随着“三通两平台”的逐步实现，与教育相关的数据成为关注重点。2017年，《国家教育事业发展“十三五”规划》指出要积极发展“互联网+教育”，并强调利用云计算、大数据等技术记录和分析学生的学习过程，以支持课程、教材、教学方法、教学评价等的完善与创新。《国家自然科学基金委信息学部2018申请指南》中增设“教育信息科学与技术”二级指标，下设“教育大数据分析与应用”“学习分析与评测”“自适应个性化辅助学习”三级指标。

在教育信息化时代知识的呈现形式开始多样化，从“单媒体”到“多媒体”，从“单向传播”到“双向反馈”，推动了学习方式的革新：线上学习全面推广，混合式学习普及应用，个性化、智能化学习高速发展（图1）。在给教学带来便利和效益的同时，学习方式多样化带来了多模态教育数据环境，给采集和存储教育数据、追踪与解读教学过程带来了新的挑战，也对学习分析提出了新的要求。

教育信息化发展为学习分析奠定了多模态数据环境基础。一方面，数字化学习普及，超大规模开放式在线课程（MOOCs）中的学习者行为分析是学习分析研究的热点（Bote-Lorenzo & Gómez-Sánchez， 2017），在线学习平台、学习管理系统、信息化教育服务平台等的普及为学习分析提供了丰富的线上学习活动数据。另一方面，在智能化学习时代技术的支撑提供了多模态研究基础，学习分析领域有了新的发展，智能录播系统、可穿戴设备、眼动仪和脑电仪等技术应用扩展了学习分析数据源，让传统面对面教学中教育大数据的采集和处理成为可能。这些记录学习者身体活动和生理反应的数据源构建了多模态数据环境。Aguerrebere等人（2017）以乌拉圭国家教育信息化政策计划为例，指出包括社会人口特征、访问变量、使用变量、自适应平台、学习管理系统、学习指标等多模态数据的360°学习者数据库对技术支持下的教学平台建设的重要意义。

学习分析具有“源息性”问题，即收集哪些数据以及如何分析才能保证学习分析源数据能准确、全面地体现出学习者的全部特性（吴永和等， 2013）。《学习分析研究的现状与未来发展——2017年学习分析与知识国际会议（LAK17）评析》回顾学习分析发展历程、梳理会议报告和论文集，认为“多模态数据”将成为学习分析研究的新态势，也是发挥学习分析研究跨学科优势的必由之路（吴永和等， 2017）。在LAK17会议中，J?rvel?和Sidney两位主题报告人均将“多模态”作为报告主题。2017年3月，笔者在华东师范大学举办的“教育大数据应用技术”国际学术研讨会上做了题为“教育大数据中多模态学习分析技术研究”的报告。研究者们综合运用系统日志采集、视音频识别、空间感知、眼动追踪和脑电感应等多模态方法追踪学习者的活动参与、知识建构和情感体验，以期更全面地理解学习，为自适应学习奠定了基础。如叶新东（2014）依据被观察者学习不同可视化呈现方式的教学内容的眼动和脑波变化分析在教学内容可视化呈现设计中关键要素的作用；Ez-zaouia等人（2017）通過学生学习的音频、视频、自我报告、交互的轨迹四个方面获取数据，建立以教师为导向的多模态和联系上下文的情感仪表板等。眼动、脑电图、事件相关电位、皮肤电反应、肌电信号、心电图等在学习分析中逐渐展开应用（张琪等， 2016）。

学习分析从关注线上数据，逐步发展成为同时关注线上和线下多模态数据的一体化、全流程、全方位的分析。本文从技术视角深入探究多模态数据的采集、处理和分析过程，从而拓宽学习分析的研究广度，推动多模态学习分析的新发展，为实现对学习者全面、系统、精准的评价提供支持。

二、概念解读

（一）多模态数据

随着各种信息技术的发展及其在教育领域的应用，对于同一现象或系统我们可以通过不同类型的工具、测量技术、实验设备等来获得其信息。由于自然过程与环境的多样性，我们很少能够通过单一的获取方式来达到对一种现象、过程或环境的完整理解，每一种获取方式我们称之为“模态”，一种获取方式获得的数据形式称之为“单模态数据”（Lahat， Adali， & Jutten， 2015）。“多模态数据”是指对于同一现象、过程或环境采用两种或两种以上方式获取的相关数据。如对于同一学习过程的平台追踪数据、视频摄录数据、音频数据、眼动数据、脑电数据等，这些数据来源不同，以不同形式存在，共同构成多模态数据环境。

互补性是多模态数据很重要的一个性质，任何一种模态的数据都能提供关于某一现象或过程的部分解释，而这些信息从其他模态的数据中是无法获得的（Lahat et al.， 2015）。因此，多模态数据的结合能够提供关于对象多方面的信息，实现对对象更为全面、系统的剖析与理解。

（二）多模态学习分析

多模态数据扩大了当前学习分析的研究范围，使其不再仅仅是对在线学习平台追踪数据的分析，转而同时关注物理或物理/虚拟世界中的学习过程数据，表现为通过多种方式采集、处理和分析更为自然的信息数据，如录像、语音、面部表情、手势、工具使用等（Worsley， M， 2012），实现学习分析跨越物理和数字化空间，进而达到对学习者及其学习过程较为全面的把握，并且希望通过分析相关信息和模式以发现一些新的学习现象，建立关于学习行为的更好的收集与分析指标，方便自然教室和移动学习情境中对行为进行不被人察觉、持续且自动的分析（Scherer， Worsley， & Morency， 2012）。如Mitri等人（2017）通过运用腕带、平台记录、自我报告等方式获得的多模态数据来建立自主学习环境下心跳、步数、天气状况和学习活动等因素与学习成绩的线性混合效应模型，以检验这些指标对学习成绩的预测。

在多模态交互研究领域，早在2012年就提出要将视频、语言、文字、手势、面部表情等多模态数据的分析技术与学习科学相结合，并于2012年在多模态交互国际会议（ICMI）中建立多模态学习分析（Multimodal Learning Analytics）工作坊；基于ICMI会议的成功经验，学习分析与知识国际会议也于2016年（LAK 16）增加了多模态学习分析数据挑战（Multimodal Learning Analytics Data Challenges）工作坊以及Cross-LAK：跨越物理与数字空间的学习分析工作坊，力图召集跨学科的人才，运用多模态数据更加精准、全面、真实地解析学习过程，为学习者在物理或数字空间提供持续性的学习支持。

三、多模态学习分析数据

学习分析是对学习者学习过程的洞察，其有效开展依赖于有效、高质量的数据。因此，捕捉到能够真实、全面反映学习者学习过程和状态的数据并进行分析尤为重要。

（一）多模态学习分析数据的来源

根据数据中所携带信息的特性，可将多模态学习分析数据分为生理层数据、心理层数据、行为层数据和基本信息数据四类（图2）。

生理层数据处于最底层，是人体内部身体结构在接受刺激时所发生的变化，是学习者心理和行为的反映；心理层数据则是学习者自身的心理活动数据，如认知、注意以及紧张、兴奋等情感数据；行为层数据是学习者外在表现的动作数据；基本信息数据是学习分析中的基础数据，主体信息为人口统计学数据，包括学习者的年级、年龄、性别、课程动态等，它是任何学习分析实践中必备的数据集，必须与其他层面的数据结合分析才具有实际意义。随着教育本身以及人工智能技术的不断发展，如科大讯飞的语音识别技术、微软的情感识别技术等，学习分析实践中所涉及的数据将逐步走向底层。

（二）多模态学习分析数据的特性

与传统基于观察法的人工记录相比，多模态学习数据从多个维度更为全面、精准地采集、记录和存储了真实教学情境，涵盖数字、文本、音视频、生理指标等多种数据类型，映射了学习者的行为、心理和生理特征，具有情境性、时序性和层级性（Romero & Ventura， 2013）等特点。

1. 情境性。情境性指多模态数据来源于线上和线下真实教学情境，能准确反映教学情境，并对揭示教学内涵、探究教学规律有所帮助。情境对于行为的理解具有重要意义，能够使所建立模型的使用效果达到最大化，缺少对情境的考虑会使学习分析的结果和相关解释的有效性大打折扣。Gasevic等人（2016）表明学习者在学习管理系统中的追踪数据与学业成绩之间的关系受教学条件的调节，如果没有对教师选择教学工具和教学活动的目的有一个深刻的理解，研究者们所提出的预测模型能够提供给教师的反馈是很有限的，而且在不同的环境与学科背景下，所得出的行为与学习结果之间的预测模型也是不一样的（Gasevic， Dawson， & Siemens， 2015）。情境是一个多维空间，包含多个方面，具体可分为个人情境、任务情境、社会情境、时空情境和环境情境等。

2. 时序性。时序性指教学是依据时序进行的具备一定因果关系的动态过程，教师和学习者的行为、学习资源的属性随着时间的变化而变化。

3. 層级性。层级性有两个层面，一是教学是人的活动，涉及人的情感和能力变化，人的情感系统、能力系统均具有复杂且严密的层级性，基于人的情感和能力发展规律，教学也由浅入深、逐步推进；二是数据本身也具有层级性，既关注群体交互，也关注个体发展，如小组、班级、年级。

学习是一个复杂的过程，洞悉学习者的学习过程一直是教育、脑科学等领域探索的一个重要主题。而学习过程中通过对学习者行为层、心理层、生理层等多模态学习数据的采集、处理和分析，并在此过程中注重数据的情境性、时序性和层级性，能进一步从广度和深度上加深对学习者学习过程的洞悉，为教师的“教”和学生的“学”以及教学管理提供智能性的辅助决策（何克抗， 2016），优化学习过程，而这也是学习分析应用的目的。

四、多模态学习分析的技术支撑

学习分析追踪学习、理解学习、改进学习，其本质是挖掘数据背后的信息并加以应用，这需要数据采集、数据处理、数据分析与呈现一系列的技术支持。

（一）多模态学习数据采集技术

邢蓓蓓等（2016）指出教育数据采集的技术体系包括4大类（平台采集技术、物联感知技术、视频录制技术、图像识别技术）、13种常见的数据采集技术。此外，多模态学习数据采集技术还有语音识别技术、生物数据采集技术（眼动仪、脑电波等）和自我报告，共16种。结合上述对多模态学习数据的解读进行分类，如表1所示。

通过上述多种技术的综合运用，利用脑电感应、眼动追踪等多模态生物识别技术收集个人生理层面的学习数据，结合教学技术工具中的系统日志、全方位课堂音视频录像等方式追踪学习者的行为和心理数据，进而获取学习和社交轨迹，实现对学习的全面追踪。

（二）多模态学习数据处理

数据处理是一项重要且复杂的工作，甚至有时候会花费整个问题解决过程一半以上的时间（Bienkowski， Feng， & Means， 2012）。其中，数据预处理技术在不影响数据语义的前提下将所收集的数据进行聚合、清洗去噪、删繁就简，同时发现并纠正或去除错误数据与缺失值，进而形成能直接进行深入分析的数据集。数据存储与管理技术包括数据库和文件系统、分布式文件系统、分布式数据库以及访问接口和查询语言。云计算的发展为这一系列的技术要求提供了支持。

数据模型是数据处理的基础。基于Activity Streams、xAPI（顾小清， 等， 2014）、IMS Caliper Analytics三种规范，本文提出多模态学习分析数据流格式：〈学习者，动作，对象，结果，时间，地点，工具，课程内容〉（如果后期研究同时涉及行为发生时的生理和心理指标，可在数据流格式后面加入生理和心理相关项，如情绪）。具体对比情况如表2所示。

（三）多模态学习数据分析与呈现关键技术和方法

学习分析中用于数据分析的技术与方法受到多个相关领域的影响，并且随着大数据的价值在学习生活中日益凸显，各种专业的工具也随之出现。根据分析工具所侧重的分析对象与类型以及分析目的的不同，可将其分为学习网络分析工具、学习内容分析工具、学习能力分析工具、学习行为分析工具和其他综合分析工具（孟玲玲， 等， 2014）。其中，运用较多的分析技术与方法包括分类与聚类、文本挖掘、关系挖掘、社会网络分析、模型发现、可视化技术、统计分析等（Papamitsiou & Economides， 2014）。与此同时，随着人工智能时代的到来，机器学习和深度学习等方法也正逐步应用于教育领域（见表3）。

基于所采集的多模态数据，进行相关处理后运用上述分析技术，结合学习者的基本信息对学习者的行为层、心理层、生理层数据进行分析，精确地从多方面获取学习者的情况，并挖掘其中存在的相关性与因果性，以进一步精准洞悉学习过程。

（四）多模态学习数据分析流程

根据上述对多模态学习分析各环节的支撑技术的分析，构建如图3所示的多模态学习数据分析流程图，以进一步实现对学习者学习情况全面且精准的把握。

1. 从各种线上平台与线下教学环境中获取学习者、教师、资源、工具等的基本信息数据，以及学习者学习过程中的行为数据、心理数据和生理数据。

2. 通过多种技术从不同教学环境中采集的数据需要进行筛选与汇聚，学习者、教师、资源、工具等基本信息作为背景数据而存在，因此数据预处理阶段主要针对上述所采集的数据通过计算机处理、人工等方式整理成为所定义的多模态学习数据流格式，并进行存储。

3. 在一定教学理论或已有教学研究的基础上，运用统计、关系挖掘、分类与聚类、可视化等分析方法与技术对多模态学习数据流库中的学习数据进行分析和呈现。

4. 根据上述对个体、群体或者整个区域学习者学习数据的分析结果，基于一定的解读能力，学习者可以对自己的情况有个清晰且全面的了解，知道自己在群体中的所处位置；教师可以知道班集体的学习效果并识别出有风险的学习者，预测其学习成绩，及时采取干预措施；教育管理者可以根据区域的情况制定基于数据的决策等。

5. 把數据结果的应用反馈回来进一步指导教学过程和教学环境的改善，同时为下一次的数据采集和分析提供基础与建议。

采用多种技术与方法，实现对学习者学习过程中多种模态数据的采集、处理与分析，将为我们呈现一幅全面、精准的学习者学习过程画像。

五、案例

案例基于某大学教育技术学专业面向大一新生开设的“教育技术学专业导航”课程，研究对象为学生在课程中基于平台的线上学习过程和基于传统面对面课堂的线下学习过程，从技术层面展现对学习者学习过程中行为层面、心理层面等数据的采集、处理和分析，进而更全面地分析学习者的学习过程，探讨多模态学习分析应用。

该课程以学校在Blackboard平台基础上进行改善的“大夏学堂”平台作为支撑，进行了18周线上、线下相结合的混合式教学。实践人数为42名学生，其中男生13人，女生29人。为充分调动学生的积极性，将42名学生随机分成两个班级进行隔周教学，每周两课时连上，即每班上课总共为9周，18个课时。具体教学过程如图4所示。

（一）数据采集

由于技术的可获得性问题，本研究侧重利用多种技术收集行为层和心理层多模态数据，实现学习者线上、线下学习过程的整体处理与分析（表4）。案例所在混合式学习环境中，行为层数据主要来自于多媒体课堂（视频录制）和在线学习平台，心理层数据主要来源于在线讨论话语分析和问卷调查中学习者的自我反馈。问卷内容主要包括教学目标达成、线下学习行为（小组协作汇报、课上发言）、线上学习行为（发帖、回帖）三个方面。

（二）数据处理

首先，将上述所采集到的数据进行筛选、转化等数据处理，使其存储为学习行为数据流格式。具体包括：

1. 视频录制数据（线下学习行为）处理主要通过编码分析实现，以“行为驱动”为原则，以行为转换为节点，记录学生活跃时期的行为数据流（图5）。

2. 在线学习与管理平台技术获得的行为数据（线上学习行为）：对于行为过程数据，本门课程所采用的“大夏学堂”平台会在数据采集之后自动生成各时间段、各模块的相应行为频次统计报表，以便于统计。

3. 在线学习平台中的学生交流讨论数据（线上学习话语）的处理主要通过编码分析实现，编码主要参考Henri所提的认知水平分析框架。

4. 问卷调查数据（学习者自我反馈）：清理无效答卷后整合、编码、表格化答卷。

（三）数据分析

本案例中主要利用IBM SPSS 22.0和Excel软件对行为过程数据和问卷调查数据进行统计分析和相关分析，并对交流讨论所产生的文字运用NVivo11进行内容分析。研究倾向于利用学习者的行为层数据和自我反馈数据共同解释如下问题：

1. 行为层：学习者的行为表现如何？

2. 心理层：学习者的整体认知水平如何？不同性别、地域的学习者在认知水平上是否有差异？

3. 学习者的行为表现与认知水平之间是否具有相关性？

（四）结论

本案例通过对多模态方式获取的学习者行为层和心理层数据进行分析，结论如下：

1. 线上和线下学习者行为表现

学生学习具有明显的考核指向性，线下课堂活跃度较低，教师讲解仍占据主体。由学生行为数据分析可知，主帖数、回帖数、课堂汇报等学生行为平均频次接近考核要求，无明确要求的学生行为（课堂问答、资源浏览等）频次较低。在调查问卷中，对于问题“在课堂上，我会积极主动地发言（回答老师的问题、提问、发表观点等）”，52.63%的学生表示不会，对于这一部分学生，对其原因进行调查，有80%的学生表示“我不知道要说什么”，30%的学生表示“害怕自己说错”，20%的学生表示自己“不喜欢在大家面前表达自己”，还有学生表示自己“就只想听老师讲，习惯了这种做法”。

2. 在线讨论中的学习者认知水平

（1）学生不能很好地发现问题、对事物或观点进行较高层次的判断并提供相应的策略。学生线上交流讨论时，23.24%的帖子属于浅层加工，76.76%的帖子达到了深层加工。浅层加工部分，大部分帖子陈述某人/前人分享的观点，没有进一步的分析和自己的观点，主要体现为认知水平中基本说明阶段“重申之前的假设”和深入说明阶段“回顾与修订之前的陈述”。深层加工部分，帖子主要集中于“连接事实、概念和观点，以进一步解释、推论和判断”和“通过推论或假设，根据已有信息生成新的信息或者提出自己的观点”，较少涉及深入分析（IP25、28）、提供证据的判断（IP26、27）和提出创新性的解决方法（IP22、24、29）（表5）。

（2）同来自东部、中部地区的学习者相比，西部边远地区的学习者行为表现较差，认知水平较低。不同性别的学习者在认知水平方面的判断CK4阶段存在显著差异（Sig=.004， <0.05），女生所发帖子中CK4所占比例明显高于男生；不同性别学习者在信息加工水平各阶段则没有显著差异（表6）。

3. 学习行为和认知水平的相关性

线上的发帖行为（包括主帖与回帖）和线下的答问与汇报行为对学习者达到高阶的认知水平起着促进作用。对学习行为与信息加工水平做相关性分析，分析结果显示：“回帖数”与浅层加工水平存在正相关（0.388）；“阅读通知材料”“阅读教学资源”“主帖数”“回帖数”“被回帖数”“课堂答问”6种行为与深层加工水平存在显著的正相关（依次为0.334、0.535、0.563、0.811、0.391、0.401）。对学习行为与认知水平各阶段做相关性分析，分析结果表明：“阅读教学资源”“主帖数”“回帖数”等线上学习行为与“推论”存在着非常显著的正相关（分别为0.393、0.314、0.623）；“主帖数”“回帖数”等在线协作互动行为与第四阶段“判断”有着非常显著的正相关（分别为0.465、0.478）；“回帖数”“被回帖数”“课堂答问”“课堂汇报”四种行为与第五阶段“策略的发展”有著正相关（分别为0.314、0.330、0.383、0.338）。

六、总结

信息技术的发展促进了教与学模式的改变。当前，在在线学习平台、智慧教室等各类新兴技术的支持下，教学方式呈现多样化，实现对学习者综合学习表现的分析是对学习者进行全面、精准评价的必要措施，也是为改善信息化时代教与学提供数据支撑的基础，并进一步成为支持学习分析研究走向长远的关键环节。本文从技术的视角，讨论多模态学习分析新发展，指出未来的学习分析应该利用脑电感应、眼动追踪等多模态生物识别技术收集个人层面的学习数据，结合教学技术工具中的系统日志、全方位课堂音视频录像等方式追踪学习者学习和社交轨迹，全面剖析学习者的行为层、心理层和生理层数据。

[参考文献]

顾小清，郑隆威，简菁. 2014. 获取教育大数据：基于xAPI规范对学习经历数据的获取与共享[J]. 现代远程教育研究（5）：13-23.

国家中长期教育改革和发展规划纲要（2010—2020年）[EB/OL].[2010-07]. http：//www.gov.cn/jrzg/2010-07/29/content_1667143.htm

国务院关于印发促进大数据发展行动纲要的通知[EB/OL]. [2015-09].http：//www.gov.cn/zhengce/content/2015-09/05/content_10137.htm

国务院关于印发国家教育事业发展“十三五”规划的通知[EB/OL]. [2017-1]. http：//www.gov.cn/zhengce/content/2017-01/19/content_5161341.htm

何克抗. 2016. “学习分析技术”在我国的新发展[J]. 电化教育研究（7）：6.

教育部关于印发《教育信息化“十三五”规划》的通知[EB/OL]. [2016-06]. http：//www.moe.edu.cn/srcsite/A16/s3342/201606/t20160622_269367.html

孟玲玲，顾小清，李泽. 2014. 学习分析工具比较研究[J]. 开放教育研究（4）：66-75.

吴永和，陈丹，马晓玲，等. 2013. 学习分析：教育信息化的新浪潮[J]. 远程教育杂志（4）：11-19.

吴永和，李若晨，王浩楠. 2017. 学习分析研究的现状与未来发展——2017年学习分析与知识国际会议评析. 开放教育研究，23（5）.

邢蓓蓓，楊现民，李勤生. 2016. 教育大数据的来源与采集技术[J]. 现代教育技术，26（08）：14-21.

叶新东. 2014. 未来课堂环境下的可视化教学研究[D]. 华东师范大学.

张琪，武法提. 2016. 学习分析中的生物数据表征——眼动与多模态技术应用前瞻[J]. 电化教育研究（9）：76-81.

Aguerrebere， C.， Cobo， C.， Gomez， M.， & Mateu， M. （2017） Strategies for data and learning analytics informed national education policies： The case of Uruguay[A]. Proceedings of the Seventh International Learning Analytics & Knowledge Conference[C]. Vancouver， British Columbia， Canada， ACM：449-453.

Andrade， A. （2017） Understanding student learning trajectories using multimodal learning analytics within an embodied-interaction learning environment[A]. Proceedings of the Seventh International Learning Analytics & Knowledge Conference[C]. Vancouver， British Columbia， Canada， ACM：70-79.

Baker， R. S.， & Inventado， P. S. （2014） Educational data mining and learning analytics[M]. Learning analytics. Springer New York， 61-75.

Bienkowski， M.， Feng， M.， & Means， B. （2012）. Enhancing teaching and learning through educational data mining and learning analytics： an issue brief. Washington， D. C. ：Office of Educational Technology， U. S. Department of Education； 1-57.

Boroujeni， M. S.， Hecking， T.， Hoppe， H. U.， & Dillenbourg， P. （2017） Dynamics of MOOC discussion forums[A]. Proceedings of the Seventh International Learning Analytics & Knowledge Conference[C]. Vancouver， British Columbia， Canada， ACM：128-137.

Bote-Lorenzo， M. L.， & Gómez-Sánchez， E. （2017） Predicting the decrease of engagement indicators in a MOOC[A]. Proceedings of the Seventh International Learning Analytics & Knowledge Conference[C]. Vancouver， British Columbia， Canada， ACM：143-147.

Ez-zaouia， M.， & Lavoué， E. （2017） EMODA： A tutor oriented multimodal and contextual emotional dashboard[A]. Proceedings of the Seventh International Learning Analytics & Knowledge Conference[C]. Vancouver， British Columbia， Canada， ACM：429-438.

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

Gasevic， D.， Dawson， S.， & Siemens， G. （2015） Lets not forget： Learning analytics are about learning[J]. TechTrends， 59（1）： 64-71.

Holstein， K.， Mclaren， B. M.， & Aleven， V. （2017） SPACLE： Investigating learning across virtual and physical spaces using spatial replays[A]. Proceedings of the Seventh International Learning Analytics & Knowledge Conference[C]. Vancouver， British Columbia， Canada， ACM：358-367.