基于内容分析法的学习分析国内研究综述

李婷 孙春艳

摘 要：随着教育大数据的快速发展，利用学习分析技术挖掘其潜在价值受到越来越多学者的关注。以CNKI数据库中核心期刊为数据来源，基于内容分析法，对107篇相关文献进行分析，从学习分析研究领域高频关键词以及研究主题两方面探究目前国内学习分析领域研究现状。从深化学习分析数据可视化研究、自适应学习分析系统设计与应用研究、完善基于学习分析的综合测评模型、关注伦理道德与安全问题等方面提出未来发展趋势。

关键词：学习分析;内容分析法;研究综述;教育信息化;教育大数据

DOI：10. 11907/rjdk. 181945

中图分类号：G434文献标识码：A文章编号：1672-7800（2019）002-0208-04

Abstract：With the rapid development of big data on education， the use of learning analytics technology to tap its potential value has attracted more and more attention of scholars. Based on the core journals in the CNKI database as the data source， the article analyzes 107 related articles based on the content analysis method， and explores the current research status in the field of domestic learning analysis from the two major aspects of high-frequency keywords in the field of learning analysis and research topics. Finally， by deepening the study of learning analysis data visualization and adaptive learning analysis system design and application research， we improve the comprehensive evaluation model based on learning analysis and pay attention to ethical and security issues and other aspects to put forward the future development trends.

Key Words：the content analysis method; learning analysis; research overview; education in formatization; big data on education

0 引言

隨着大数据时代到来，大量学习者行为数据产生，需要利用学习分析技术分析海量学习数据背后的意义，使得学习分析成为教育领域的热点问题。

学习分析自2011年在地平线报告中被提出后，就受到了国内学者密切关注。顾小清等[1]将学习分析定义为：运用不同分析方法和数据模型，解释与学习者信息有关的数据，进而探究学习者的学习过程与规律; 或根据数据阐释学习者的学习表现，为其提供相应反馈从而促进更加有效的学习。学习分析通过对学习者在学习过程中产生的数据进行分析，并以可视化形式呈现分析结果，教师或管理者参照预测模型对学习者的学习行为进行预测，便于识别风险学习者，实施干预，并可提供个性化学习资源推送以及学习路径等个性化学习服务，是实现因材施教的技术支撑。本文旨在通过对国内学习分析文献进行内容分析，了解目前学习分析研究现状，提出未来发展趋势。

1 分析过程

1.1 搜索词确定

将搜索主题词确定为“学习分析”，时间检索设置为“2013-2017年”，为了得到较权威的文献，以“核心期刊”为检索条件。

1.2 文献搜索数据库确定

以CNKI为数据库，如表1所示，共检索到期刊文献194篇。

1.3 相关度较低文献去除

将194篇文献导入EndNote软件中，结合文献标识关键词以及对文献摘要的详细阅读，删除相关度较低文献87篇，将剩余107篇相关文献作为研究样本。

1.4 关键词分析

对每篇文献标识关键词进行汇总，利用EndNote软件将109篇文献的关键词输出，导入Excel中进行频次统计，得到高频关键词列表（见表2）。

1.5 内容分析

采用内容分析法，对107篇学习分析期刊论文进行内容分析，根据研究主题不同进行梳理，了解目前国内学习分析领域研究现状。

2 分析结果

2.1 高频关键词

通过对高频关键词分析，可以初步了解目前国内学习分析领域的研究热点。从表2可以看出，目前国内学习分析领域主要聚焦于促进个性化学习、在线学习、可视化、教育数据挖掘、社会网络分析等方面。此外，大数据、教育大数据以及MOOCs是与学习分析密切相关的研究领域。

2.2 内容

结合高频关键词，对107篇相关文献进行内容分析后，将目前国内学习分析领域的研究重点按照研究主题划分为基于学习分析的理论研究、基于学习分析的应用研究、基于学习分析实现个性化学习研究、学习分析关键技术、自适应学习分析系统设计与应用、基于学习分析的综合评价参考模型研究六大类（见图1）。

2.2.1 基于学习分析的理论研究

该类研究主要是国内学者对目前国内外学习分析领域的研究现状、未来发展趋势、在教学中运用学习分析技术的发展与出路、面临挑战等方面进行剖析，为学习分析技术的应用提供理论指导。郭炯等[2]基于文献分析法对国内外学习分析领域的研究现状进行分析，将研究重点划分为理论框架、模型研究、学习分析技术基础、学习分析工具、应用研究和面临挑战六大类;郑旭东等[3]通过文献综述，分析了学习分析在高等教育领域应用的进展、挑战以及出路。

2.2.2 基于学习分析的应用研究

根据学习分析在应用过程中分析对象不同进行整理，将研究对象主要划分为学习者、教师、在线学习过程、协作学习过程。从研究对象、数据类型、数据来源以及应用目的4个维度对目前学习分析技术应用的特点进行整理（见表3）。

2.2.3 基于学习分析实现个性化学习研究

（1）构建自适应学习分析模型，提供个性化学习服务。该方面研究主要是构建自适应学习分析模型，对学习者学习行为数据进行分析，参照模型，对不同学习者提供个性化学习资源及合适的学习路径，并可以帮助学习者了解知识掌握程度，及时调整学习进度，进而达到优化学习者学习过程、提高学习质量的目的，让教师为学习者提供个性化指导与干预等。姜强等[4]从数据与环境（What）、关益者（Who）、方法（How）和目标（Why）等4个维度构建个性化自适应在线学习分析模型。岳俊芳等[5]从个人信息、学习风格、学习兴趣和知识模型4方面构建远程学习者模型，该模型可以实现个性化资源推送、个性化学习路径和远程督导服务。武法提等[6]以内容个性化、学习活动个性化、学习方式个性化和学习评价个性化为分析维度构建了基于电子书包大数据的学生个性化分析模型。

（2）构建预测/干预模型，提供个性化干预措施。该方面研究主要是为了避免课程学习失败，参照构建的干预模型，通过分析及时识别出存在风险的学习者，及时发出预警信号并针对性地实施干预措施，真正实现因材施教以帮助学习者提高学习效率。李彤彤等[7]构建了以干预引擎為核心的“状态识别—策略匹配—干预实施—成效分析”4环节循环结构干预模型。赵慧琼等[8]利用多元回归分析法判定影响学生学习绩效的预警因素，在此基础上构建了干预模型;金义富等[9]提出了一种基于离群数据挖掘与分析的课程、课堂、课外“三位一体”预警信息发现与生成模型 （Model of Learning Alert Based on Outlier Mining and Analysis，LAOMA），建立了学业预警两类六级信号系统及反馈机制。

2.2.4 学习分析关键技术

学习分析技术完成数据的分析、处理以及呈现过程，是学习分析的核心存在。孟玲玲等[10]对学习分析工具进行了梳理，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、学习行为分析工具及其它综合分析工具。本文基于文献阅读，对国内学者使用频率较高的学习分析方法进行了梳理。

（1）教育数据挖掘技术。聚类分析、决策树分析等数据挖掘技术可以分析与解释学习行为数据，例如完成对学习者分类、预测学习者课程表现、发现风险学习者、对影响学习者学习因素相关性进行分析等。孙洪涛等[11]对252门MOOCs的在线交互状况进行了聚类分析;舒忠梅等[12]采用逐步回归和决策树分析等教育数据挖掘技术对大学生满意度数据进行了分析。

（2）社会网络分析法。该方法用于分析组成网络的学习者之间的关系，在学习分析中多被用于分析在线学习中学习者交互现象，发现潜在规律。通过对交互数据处理，呈现可视化结果，社会网络分析法可以帮助教师了解学习者交互情况。戴心来等[13]通过基于Moodle平台的一门大学网络课程，以学习分析工具（分析工具 SNAPP 和 UCINET）和社会网络分析法对网络论坛讨论区中的交互数据进行分析，确定了核心参与者、积极参与者、消极参与者和边缘者等4种学习者类型，据此进行教学干预，从而更好地促进虚拟学习社区发展。

（3）滞后序列分析法。滞后序列分析法（Lag Sequential Analysis，LSA）主要用于检验人们发生一种行为之后另外一种行为出现的概率及其是否存在统计意义上的显著性。杨现民等[14]提出了国内外对LSA在学习行为分析中的应用主要集中在3个方面：通过LSA分析整个在线活动中的行为模式;利用LSA对比在线学习活动中不同阶段行为模式的差异;应用LSA探究高低成就组在学习活动中行为模式的异同。

2.2.5 自适应学习分析系统设计与应用

该方面研究主要是实现基于学习分析系统的设计与应用，对学习者学习过程中的行为数据进行记录、分析以及可视化，及时反馈学习效果，帮助学习者更好地了解学习情况，为其提供个性化学习服务;帮助教师与管理者优化教学决策。邓莉琼等[15]利用大数据学习分析技术构建了一个计算机网络自适应学习系统，达到因材施教和培养学生自主学习能力的效果;朱珂等[16]提出了一个应用学习分析技术的自适应学习系统框架，通过对sakai学习平台二次开发，基于学习分析技术构建了一个包含6个组成部分的自适应学习系统;吴洪艳[17]构建了能分析学习者学习行为和知识状态，按需推送合适学习资源，并提供适时学习干预的个性化在线学习系统。

2.2.6 基于学习分析的综合评价参考模型研究

目前国内学者基于学习分析从教师、课程、学生以及机构等不同角度对在线教育进行评价，构建相应评价参考模型。

（1）教师综合评价参考模型。评价教师提供的学习支持服务效果，帮助教师提升自己的教学质量。陈耀华等[18]基于学习分析构建了教师综合评价参考理论模型（T-SERI 模型），包括促进度、投入度、联通度、认可度和调控度5个方面（见图2）。

（2）学习者综合评价参考模型。学习者评价可以使学习者学习过程不断完善，通过利用学习分析技术处理与分析学习者数据，建立评价模型，可以提供评价标准，为学习者预测与干预提供支撑。郑勤华等[19]构建了以投入度、完成度、调控度、联通度和主动性为核心的五维度学习者综合评价参考理论模型（见图3）。

（3）课程综合评价参考模型。课程作为在线学习的载体，对其进行评价是对在线教育评价的组成部分之一。课程评价模型的构建为利用学习分析技术完成对课程评价提供了理论指导，有利于完善课程建设与实施。孙洪涛等[20]构建了课程评价模型（C-SERI 模型），从媒体技术、学习资源、学习活动、学习支持和联通度5个维度对在线学习课程进行评价（见图4）。

（4）机构在线教学过程评价指标体系。该评价指标体系的建立，为在线教育机构教学质量评价提供了依据，为提升在线教学质量评价提供参考。魏顺平等[21]以远程教育机构在线教学过程为评价对象，构建了“基于数据驱动的教育机构在线教学过程评价指标体系”。该体系可以精确呈现机构之间的差距，并对于改进大规模在线教育机构工作效率、提升教学质量有重要意义。

3 学习分析研究领域发展趋势

3.1 学习分析数据可视化研究

学习行为数据可视化是学习分析过程中的重要环节，是提供反馈的基础，其在为学习者提供个别化指导方面起着重要作用。通过对抽象数据的分析，将数据背后的意义以直观形式呈现给学习者及教师，让学习者及时了解自己对课程的掌握程度、易错点、学习进度等学习情况，让教师实时监控学习者的学习过程，及时发现风险学生，实施干预。因此，为不同对象提供个性化可视化结果仍然需要国内学者持续关注。

3.2 自适应学习分析系统设计与应用研究

就学习者而言，自适应学习分析系统在对其产生的行为数据进行分析后，可以提供个性化学习资源，让学习者自定步调进行课程学习;就教师与管理者而言，可以更精准了解学习者的学习情况，及时提供预警信号，提供干预措施，完善教学设计与教育决策。但是，目前国内对该系统的技术与理论方面研究较少，还处于初步阶段，因此仍需要国内广大学者不断完善。

3.3 基于学习分析的综合测评模型

目前国内基于学习分析从教师、学习者、机构以及课程层面构建了综合测评模型，并进行了实际应用，但是技术不断发展，方法不断更新，新发展要求对评价框架作出新调整。因此，要根据实际情况不断调整评价框架。郑勤华等[19]构建的学习者综合评价参考模型并不适合所有课程，且没有考虑实践技能等方面的习得。在今后研究中，要加强模型的适应性与稳定性。

3.4 伦理道德与安全问题

要进行学习分析，就需要获取分析者数据，因此伦理道德是一个不可避免的问题。国内有学者也关注到该问题，顾小清等[22]指出了学习分析技术存在明显的伦理问题，有可能因收集分析学习者数据而侵犯个人隐私。但是，目前国内与学习分析相关的法律法规尚未完善。因此，在今后的学习分析研究中，需关注伦理道德与安全问题。

4 结语

大数据时代下，利用学习分析手段对教育数据进行可视化，对提高教师的教学效果、优化学生学习过程等意义重大。但是，其在发展过程中也面临数据安全与伦理道德问题，需加强模型适应性，完善学习分析工具设计等，需要广大学者深入研究。

参考文献：

[1] 胡艺龄，顾小清，罗九同，等. 教育效益的追问：从学习分析技术的视角[J]. 现代远程教育研究，2014（6）：41-48.

[2] 郭炯，郑晓俊. 基于大数据的学习分析研究综述[J]. 中国电化教育，2017（1）：121-130.

[3] 郑旭东，杨九民. 学习分析在高等教育领域内的创新应用：进展、挑战与出路[J]. 中国电化教育，2016（2）：2-7.

[4] 姜强，赵蔚，王朋娇，等. 基于大数据的个性化自适应在线学习分析模型及实现[J]. 中国电化教育，2015 （1）：85-92.

[5] 岳俊芳，陈逸. 基于大数据分析的远程学习者建模与个性化学习应用[J]. 中国远程教育，2017（7）：34-39.

[6] 武法提，牟智佳. 基于學习者个性行为分析的学习结果预测框架设计研究[J]. 中国电化教育，2016（1）：41-48.

[7] 李彤彤，黄洛颖，邹蕊，等. 基于教育大数据的学习干预模型构建[J]. 中国电化教育，2016（6）：16-20.

[8] 赵慧琼，姜强，赵蔚，等. 基于大数据学习分析的在线学习绩效预警因素及干预对策的实证研究[J]. 电化教育研究，2017，38（1）：62-69.

[9] 金义富，吴涛，张子石，等. 大数据环境下学业预警系统设计与分析[J]. 中国电化教育，2016（2）：69-73.

[10] 孟玲玲，顾小清，李泽. 学习分析工具比较研究[J]. 开放教育研究，2014，20（4）：66-75.

[11] 孙洪涛，李秋劼，郑勤华. MOOCs交互模式聚类研究[J]. 中国远程教育，2016（3）：33-38+44.

[12] 舒忠梅，徐晓东. 学习分析视域下的大学生满意度教育数据挖掘及分析[J]. 电化教育研究，2014，35（5）：39-44.

[13] 戴心来，王丽红，崔春阳，等. 基于学习分析的虚拟学习社区社会性交互研究[J]. 电化教育研究，2015，36（12）：59-64.

[14] 杨现民，王怀波，李冀红. 滞后序列分析法在学习行为分析中的应用[J]. 中国电化教育，2016（2）：17-23+32.

[15] 邓莉琼，肖秋根，李中宁，等. 基于大数据分析的计算机网络课程自适应学习系统构建[J]. 计算机工程与科学，2016（S1）：276-280.

[16] 朱珂，刘清堂. 基于“学习分析”技术的学习平台开发与应用研究[J]. 中国电化教育，2013（9）：127-132.

[17] 吴洪艳. 智慧学习视角下个性化在线学习系统设计与应用[J]. 中国电化教育，2015（6）：127-131.

[18] 陈耀华，郑勤华，孙洪涛，等. 基于学习分析的在线学习测评建模与应用——教师综合评价参考模型研究[J].  电化教育研究，2016，37（10）：35-41.

[19] 郑勤华，陈耀华，孙洪涛，等. 基于学习分析的在线学习测评建模与应用——学习者综合评价参考模型研究[J]. 电化教育研究，2016，37（9）：33-40.

[20] 孙洪涛，郑勤华，陈耀华，等. 基于学习分析的在线学习测评建模与应用——课程综合评价参考模型研究[J]. 电化教育研究，2016，37（11）：25-31.

[21] 魏顺平，程罡. 数据驱动的教育机构在线教学过程评价指标体系构建与应用[J]. 开放教育研究，2017，23（3）：113-120.

[22] 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，2012，30（1）：18-25.

（责任编辑：何 丽）