基于隐私伦理视角的国外学习分析政策分析

王楠 苟江凤

[摘   要] 随着学习分析技术应用日益普遍，与其相关的隐私伦理问题也受到重视。由于社会发展、隐私意识等原因，我国基于隐私伦理视角的学习分析政策研究和实践较为滞后。研究从隐私伦理视角出发，基于多项已有研究提出学习分析政策的隐私伦理分析框架，采用比较研究方法，选取国外近年典型学习分析政策作为样本，开展基于隐私伦理视角的政策分析研究。研究发现：隐私伦理是学习分析政策制定的主要目的之一;数据主体、数据客体、合作伙伴等利益相关者针对隐私伦理问题的责任上有着差异化的体现;在数据应用层面，政策普遍关注数据透明度、数据匿名化、知情同意、隐私泄露、访问权限等方面;同时，最小化不利影响和数据有效性是学习分析可持续发展的重要因素。研究认为，积极制定学习分析政策、区分利益相关者责任权利、建立系统化数据应用隐私伦理保障以及避免过度干预和数据偏见等能够支持学习分析可持续发展。

[关键词] 隐私伦理;学习分析政策;学习分析;比较研究

[中图分类号] G434            [文献标志码] A

[作者简介] 王楠（1978—），男，吉林省吉林市人。副教授，博士，主要从事远程教育、STEM 教育及场馆学习研究。E-mail：etwangnan@126.com。

[Abstract] With the increasing popularity of learning analytics， the privacy ethics related to learning analytics has also been paid attention to. Due to the social development and privacy awareness， the research and practice of learning analysis policies based on privacy ethics in China lag behind. From the perspective of privacy ethics， this study proposes a framework for privacy ethics analysis of learning analysis policies based on a number of existing studies. Then， by adopting the comparative research method， this study selects typical foreign learning analysis policies in recent years as samples to carry out policy analysis from the perspective of privacy ethics. The research finds that privacy ethics is one of the main purposes of the policy-making of learning analytics ; the stakeholders such as data subjects， data objects and partners have different responsibilities in privacy ethics issues. In terms of data application， policies generally focus on data transparency， data anonymity， informed consent， privacy disclosure， access rights and so on. Meanwhile， the minimization of adverse effects and data validity are important factors for the sustainable development of learning analytics.The study believes that the sustainable development of learning analysis can be supported by actively formulating learning analysis policies， distinguishing the responsibilities and rights of stakeholders， establishing a systematic guarantee of data application privacy ethics and avoiding excessive intervention and data bias can support.

[Keywords] Privacy Ethics; Learning Analysis Policy; Learning Analytics; Comparative Study

一、引   言

毋庸置疑，學习分析技术对当今教育的影响已经被教育领域广泛认可，仅就新媒体联盟（NMC）《地平线报告》中连续四年将其作为影响教育发展的趋势和关键技术[1]，就可见一斑。而学习分析发展过程中所引发的一系列数据安全与隐私问题的挑战，也不容忽视。伦理学界对于隐私有两种观点，一是将隐私看作一种天赋给人的基本权利[2]，另一种则将隐私视为由人的基本权利而衍生的权利，具有工具价值[3]。正如美国伦理学者理查德·A·斯皮内洛所说：“社会和道德方面通常很难跟上技术革命的迅猛发展”“信息已经成为一种商品，……这些变化可能对隐私构成了侵害”[4]。可见，隐私伦理问题是信息化社会不可回避的重要话题之一。就学习分析发展历程而言，国外对于学习分析技术的安全与隐私问题的关注较早。以美国《家庭教育权利和隐私法案》和英国开放大学制定学习分析的伦理政策研究实践为代表，较早就注意到了隐私伦理问题对于学习分析的重要性。2014 年，相关学者在阿西洛马（Asilomar）会议上制定了关于学习数据和技术应用框架，明确了尊重学习者权利、善行、公正、公开、人性化学习以及持续关怀等六项核心原则[5];Jones、Kay、Willis等人基于各自研究，也提出了伦理框架以应对学习分析的伦理道德困境。国内相关研究中，学者已经注意到学习分析技术的隐私伦理问题，提出如寻找学生隐私与学习分析技术之间的平衡点[6]和学习分析过程中数据收集和分析应遵守的相关行为规范[7]，加快制定《教育大数据安全管理办法》等相关法律法规制度和政策来确保隐私数据不外泄[8];也有研究从数据收集、数据分析和数据解释方面构建了数据安全与隐私保护框架，提出了数据安全与隐私保护策略[9]。然而，上述研究分析都缺乏针对国外学习分析政策的分析研究。

学习分析政策研究首次出现在第七届学习分析与知识国际会议上（International Conference on Learning Analytics and Knowledge，简称LAK）。Yi-Shan Tsai和Dragan Gasevic在高等教育学习分析的挑战和政策研究中，对已有8个高等教育学习分析政策进行了回顾，并针对学习分析领域中存在的六大挑战梳理已有的解决措施[10]，在2018年，Yi-Shan Tsai和Dragan Gasevic使用ROMA映射方法开发出了学习分析政策的框架——SHEILA（Supporting Higher Education to Integrate Learning Analytics），为高等教育学习分析政策的制定提供了新的理论指导[11]，使得学习分析政策的研究引起了学习分析领域的进一步关注。

本研究通过搜集查阅文献，在已有的国外研究中发现，已制定的学习分析政策多为某学习分析机构或者高等院校制定的本土化学习分析政策。如：JISC①的“Code of Practice”[12]， LACE②的“DELICATE Checklist”[13]，LEAs Box③的“Privacy and Data Protection Policy” [14]，英国全国学生联合会（NUS）④的“Learning Analytics： A Guide for Students' Unions” [15]以及英国开放大学的“Policy on Ethical Use of Student Data for Learning Analytics”[16]等。高等教育机构被认为是复杂的适应性系统，受政治、社会、文化和技术规范等因素影响，具备一定的稳定性[17];基于此，高等教育在采用学习分析过程中，需要基于已有学习分析研究开展政策制定方面的积极探索，因此，本研究具有一定的可借鉴性。

二、研究目的和研究设计

（一）研究目的

本研究从隐私伦理视角出发，对国外近年典型学习分析政策进行多维度对比分析：首先基于文献研究，提出学习分析政策隐私伦理分析框架，在此基础上，选取国外11项具有代表性的学习分析政策作为分析样本对象，基于所提出的分析框架对上述学习分析政策进行深入比較;最后，提出我国机构层面制定学习分析政策的策略建议。

（二）研究方法

学习分析政策作为教育政策，其制定过程相对复杂，需要综合考虑诸多因素。比较研究法能够有效地从已有学习分析政策中发掘分析出政策关注点及趋势走向，从而建立针对学习分析更为全面的认识，使得相关政策制定符合教育规律和实际情况。基于此，本研究采用比较研究方法，通过建立基于隐私伦理视角的学习分析政策分析框架，对所选取的典型学习分析政策进行横向比较，为我国制定学习分析政策提供支撑。

（三）研究工具：基于隐私伦理视角的学习分析政策框架

文献调研发现，当前国际范围内学习分析政策的研究和实践主要集中在高等教育领域。不同高等教育机构根据其自身实际情况，制订了包含不同维度的学习分析政策。Wolfgang Greller和Hendrik Drachsler从“软”和“硬”两个角度构建了学习分析6个关键维度，即利益相关者、目标、数据、工具、内部约束和外部约束，其中利益相关者包括院校、教师、学生和其他利益相关者;目标包括反思与预测;数据包括开放数据集和受保护的数据集;工具包括学习分析的技术、算法、理论等;外部约束包括惯例与规范等;内部约束包括能力与接受度。[18]本研究基于隐私伦理视角，在Wolfgang Greller和Hendrik Drachsler的研究基础上，结合当前隐私伦理问题在学习分析领域的发展情况，以及前期调研所梳理的学习分析政策框架，将其分为制定目的、利益相关者、数据应用和可持续发展四个方面。政策制定目的是隐私伦理问题的源点，其关注于每个教育机构学习分析政策或制度的制定宗旨;利益相关者是鉴定隐私伦理问题的依据，是针对学习分析中的利益相关者角色及其履行的隐私伦理问题责任;数据应用是隐私伦理问题的具体体现，是分析相关政策在数据收集、分析、解释过程中，如何确保数据隐私合理和规范应用;可持续发展是学习分析的终极目标，着重分析保证学习分析持续性发展所采取的隐私保护政策。采用该框架能够建立学习分析针对隐私伦理问题从目标、依据、方法、发展四个方面的系统化分析途径。

三、学习分析政策样本选择

本文以国外教育研究和实践机构学习分析政策为研究样本，通过收集学习分析相关数据库和期刊，文献研究来源确定为ACM和IEEE数据库， Journal of Learning Analytics、Journal of Computer Assisted Learning、Journal of Eduational Technology & Society、American Behavioural Scientists、Computer & Education和The Information Society期刊，以及The LAK Conference会议集，以关键词“learning analytics”and “policy or policies”进行检索，共检索到15篇文献。研究过程中，进一步对以上15篇文献仔细研读，选择与本文学习分析政策相关的文献，对其参考文献中引用的文献进行雪球式检索，获取公开制定并颁布的学习分析政策文本6项;同时，用Google学术使用关键词“Learning Analystics & Policies”搜集相关的学习分析政策，首先梳理出有效政策样本19 份，其中机构层面学习分析政策样本为4项，高等院校15项。

为确保政策的信息内容契合主题，保证文本的准确性和代表性，笔者根据以下标准进行了整理和遴选：在阅读相关学习分析政策文本时，使用主题：道德和隐私、政策、制度策略、机构、高等院校、学习分析和出版物类型：研究报告、会议集、期刊文章、书章节、政策文件作为标准再次进行筛选，过滤掉相关度较低的政策文本，最终确定了JISC、全国学生联合会（NUS）、开放大学（OU）等提出的11项学习分析政策作为样本分析材料。

四、研究结果及分析

（一）样本政策概述

1. 政策样本来源分析

经检索选定的典型学习分析政策，相关信息见表1。其中，前4项政策为相关科研机构所发布的学习分析政策，后7项政策为境外高等教育院校所发布的相关政策;所有样本中，来自于英国的政策样本为6项，包括JISC、全国学生联合会（NUS）、开放大学（OU）、诺丁汉特伦特大学（NTU）、西伦敦大学（UWL）和爱丁堡大学（UOE）;澳大利亚政策样本为3项，包括查尔斯特大学（CSU）、悉尼大学（USyd）和卧龙岗大学（UOW）。其余分别来自欧盟资助的LACE项目[13]和LEAs Box项目[14];同时，政策制定年份都较近，集中在2014年到2017年，如在2015年英国的JISC、全国学生联合会（NUS）、诺丁汉特伦特大学（NTU）和澳大利亚查尔斯特大学（CSU）制定了学习分析政策。

2. 政策样本的数据管理

在已有学习分析政策的数据管理方面，各机构都表明其学习分析应符合现有管理机构的政策，并基于此对学习分析所使用和生成的数据进行管理：西伦敦大学（UWL）学习分析的使用必须遵守外部立法，如数据保护法和平等與多样性法案;悉尼大学（USyd）持有的学生信息将根据1998年“国家记录法”①和大学要求予以保留和处理;而欧盟资助的LEAs Box项目全面地阐述了数据管理之外的数据保护，需要通过使用定期更改的密码来访问数据库和API，以及加密敏感信息和备份数据来保护数据;卧龙岗大学（UOW）使用学习分析数据必须得到学术副校长的批准。

（二）制定目的

目标的设定是政策制定的前提，学习分析政策的制定也不例外，正如FRA文件②所阐述的，在开始处理之前，应该清楚地定义学习分析的目的和边界，并申明“为未定义和（或）无限制的目的处理个人数据是非法的[25]”。研究发现，样本政策都对学习分析政策制定目的进行了说明，通过分析已有11项政策，将其制定目的总结如下，具体见表2。

在国外高等院校和机构学习分析的政策制定目的上，发现学习分析政策的制定多数在相对应国家隐私保护和伦理道德政策的基础上，制定本机构针对性的学习分析政策，最终目标为解决数据使用和处理问题。分析发现，各学习分析政策制定目的存在三种视角，即隐私伦理视角、学习提升视角和综合视角。

基于隐私伦理视角的学习分析政策制定，如欧盟资助的LACE项目旨在帮助教育机构处理学习分析的伦理和隐私问题;LEAs Box项目旨在平衡学习分析研究和个人隐私之间的关系。悉尼大学（USyd）的学习分析政策目的是保护学生的数据隐私。基于学习提升视角的学习分析政策制定，如查尔斯特大学（CSU）相关政策中提出，提供一个大学范围的框架以指导在其院校使用学习分析，并提高对该院校学习和教学模式的理解;诺丁汉特伦特大学（NTU）的政策通过仪表盘的使用，提高学生的参与度和投入程度;西伦敦大学（UWL）的政策，其首要目的是帮助学生取得成功并实现他们的学习目标;爱丁堡大学（UOE）旨在改善学生的体验，表现在质量、公平、个性化反馈、处理规模、学生体验、技能和效率等方面。基于综合视角的学习分析政策，是上述两种视角的综合，既注重隐私伦理问题，也关注学习者的学习提升。如开放大学（OU）的学习分析政策明确指出，其旨在阐明大学将如何以伦理的方式使用学生数据，以塑造学生的支持。

通过以上三种视角的归纳总结发现：科研机构政策制定的目标是从国家层面出发，来保护学生的隐私和伦理问题;而大多数国外高校学习分析政策的制定是为了有助于学习分析技术更好地在机构实践，加强学校的教与学以及教学质量的提升。

（三）利益相关者及责任

1. 角色

针对样本学习分析政策的比较研究发现，其中的利益相关者包括数据主体、数据客体和合作伙伴。数据主体，也就是数据提供者，即学习者，通过数据主体的浏览和互动行为产生各类数据;数据客体，其作为学习分析的受益者并且有权对结果采取行动，具体表现为教师和教育机构;同时，研究人员、服务提供商或政府机构等合作伙伴，也是学习分析政策中的利益相关团体[18]。

2. 角色责任

不同的利益相关者所扮演的角色不同，其也承担着不同责任，正是由于学习分析技术的实施过程中，如何保护数据主体的隐私是政策关注的核心内容之一，因此，利益相关者从角色和责任与合作伙伴进行比较。学习分析技术实施过程中，遵守特定的角色责任，是每个利益相关者最重要的工作。通过比较分析发现，对于角色责任，上述政策主要制定了两方面内容，即积极干预和遵守隐私。西伦敦大学（UWL）、开放大学（OU）、爱丁堡大学（UOE）和JISC在其学习分析政策中都特别强调，利益相关者的首要责任是积极干预学生的学习过程，在可行的情况下应对其学习行为进行积极干预，提取对学生有意义的数据并进行分析，进而使学生受益。

遵守隐私作为学习分析政策伦理方面的具体表现，同样在角色责任中予以了明确。JISC提出，各个角色应对生成的数据进行管理，尤其处理个人信息时，遵守隐私政策;卧龙岗大学（UOW）更详细地从员工、学生、行政人员、教师、信息管理人员、学习分析治理委员会以及数据咨询组的道德使用，来说明不同角色下学习分析使用过程应履行的隐私责任。

对于合作伙伴而言，并不是所有政策都涉及这一群体，其相关要求也不尽相同。西伦敦大学（UWL）对合作伙伴的理解是，所有的利益相关者的代表应该适时地参与涉及、开发、审查以及治理;全国学生联合会（NUS）对合作伙伴秉承透明的道德实践，在合作伙伴的关系中，使用学生的数据支持合作同伴应是透明的，以便在学生和教育工作中发挥最佳水平。欧盟资助的LACE从另一个角度规定在合作伙伴关系中要履行国家和组织规则，并且签订数据安全的合同，表明数据只能用于服务的目的而不能用于其他目的。可见，针对利益相关者的隐私伦理责任仍有待进一步明确。

（四）数据应用

如上所述，政策的制定目的是隐私伦理问题的起点，角色责任和合作伙伴是鉴定隐私伦理问题的依据。研究发现，在数据应用过程中，学习分析政策的隐私伦理主要关注数据透明度、数据匿名化、知情同意、隐私泄露、访问权限等五个方面。

1. 数据透明度

有研究者提出，透明度是基于隐私伦理角度研究学习分析技术的最核心问题[26]。数据透明度体现在告知学习者和教师收集、记录了哪些类型的数据、数据的使用目的、在何种条件下谁将获得这些数据以及个人的身份，将采取什么样的措施保持透明;同时，透明度还意味着信息是否传输到机构外部。因此，用户不仅应该了解他们的数据如何在外部使用，还应该了解在机构内部的使用[27]。此外，还应使数据主体了解数据应用的可能结果和采取的数据保护具体措施 [28]。

在已有的11个学习分析政策中，7个政策文件中明确提到数据透明度，并一致认为学习分析需要保持数据透明度，包括了JISC、开放大学（OU）、西伦敦大学（UWL）、卧龙岗大学（UOW）、欧盟资助的LACE项目和LEAs Box以及查尔斯特大学（CSU）。其中，JISC、西伦敦大学（UWL）和臥龙岗大学（UOW）都表示学习分析的使用对所有的利益相关者需要保持数据透明度，具体包括了数据使用过程中的数据来源、分析目的、使用指标、使用边界以及如何解释数据，这些内容都需要向数据主体和客体解释清楚;其中，JISC更全面地要求学习分析涉及的过程和算法也需要给学生和员工加以描述。

在数据的收集、分析和解释过程中，数据的透明度、公开性以及解释是紧密联系在一起的。对学习分析政策的制定来说，这是不可忽视的一部分，如何取得数据主体的信任，需要在数据的使用上对利益相关者保持透明，同时，也需要对利益相关者解释数据的使用和处理过程，建立双方信任的关系。

2. 匿名化

几乎所有机构的学习分析政策都特别声明，任何用于学习分析的数据，在其收集、分析和解释过程中，都必须保持匿名化。这一匿名过程包括数据在多个数据源和聚合系统之间传递的过程;在涵盖涉及第三方（即合作伙伴）时，尤其需要特别注意数据匿名性。任何数据共享都需要符合当前国际、国家以及机构多层面对于隐私政策的要求。尽管悉尼大学（USyd）相关政策中没有明确提及数据匿名性，但也指出，大学将采取适当的保护措施以保护学生信息的安全性和完整性。

3. 知情同意

向用户告知数据收集，并问询用户是否同意，是学习分析的基本伦理原则和程序[18]。已有的政策都规定在对学生收集数据之前，必须获得学生的知情同意;同时，如数据有改变和更新，也需要获取学生新的同意。例如，欧盟资助的LEAs Box对于在学习分析过程中使用Cookie功能的特定部分，要征得用户的同意;JISC实践守则中教师对学生的积极干预也需要学生的同意。

在学习分析过程中，为避免利益发生冲突，政策制定者应找到“信任学习分析”和“避免潜在威胁”这两者之间平衡的必要途径，可以转化成对学生数据的潜在用途范围提供一个宽泛定义来保护用户[27]。如西伦敦大学（UWL）的学习分析政策中，就设置了相应选项，使得学生可以选择不向外部机构提供某些特定数据，也对部分数据没有进行共享，主要是由于数据不切实际或可能对学生的学业进步产生有害影响;开放大学（OU）的学习分析相关政策比较有特色，其除了表明在数据收集和使用方面是透明的，更要为学生定期提供协议，以获得学生同意使用其数据的机会。

同时，研究发现，知情同意也是保障机构学习分析能够顺利进行的方法，如西伦敦大学（UWL）和卧龙岗大学（UOW）的相关政策的描述中，规定了学生不能退出整个学习分析过程，由此来看，知情同意也是对参与学习分析的所有利益相关者的保障手段。

4. 隐私泄露

隐私问题一直得到学习分析领域的关注，也是用户最关心的问题之一。所有机构的学习分析政策都特别注意学生隐私的保护，以确保其不会被无理侵入或破坏。不同机构采取了相应的预防措施，如LEAs Box的学习分析政策中规定了通过加密、密码保护、数据匿名化技术等方式实现隐私保护;JISC在其隐私的规定上采取从元数据中识别个人和通过聚合多个数据源重新识别个人方式，以防止学生隐私泄露;卧龙岗大学（UOW）对学生数据和分析的访问限于具有查看数据的合法需求的人员使用;爱丁堡大学（UOE）只有经过特别授权，否则学习分析生成的数据不会用于监控其学习成绩。

由于用户因隐私受到威胁会表现出抵抗力，拒绝学习分析服务[18]。因此，需要通过立法或其他保护隐私的政策以确保数据收集和分析方面的数据保护[29]。为了消除数据主体的忧虑，需要制定保护数据隐私的政策和指导方针，以确保其数据以可接受和合规方式使用。同时，当隐私泄露后，应准许采取相应法律进行追责，如悉尼大学（USyd）相关政策中就提出，学生如发现个人隐私泄露时有权提出正式投诉。

5. 访问权限

欧盟资助的LEAs Box项目、诺丁汉特伦特大学（NTU）和西伦敦大学（UWL）在数据访问权限上，普遍提出了不同的用户拥有不同的权限，即在访问分析过程的结果之前，应对用户进行身份验证（即确定其身份）。具体体现在欧盟资助的LEAs Box认为教师可以访问学生的数据，学生可互看同伴的数据;诺丁汉特伦特大学（NTU）对用户学生、学术学员、管理人员、开发人员使用仪表盘的访问权限作了相应规定;西伦敦大学（UWL）数据的访问权限仅允许合理需要的人员;欧盟LACE项目规定在员工访问的同时，将对其进行监控。同时，在几乎所有的高等教育机构中，用户始终有权限检查和更新他们相关的信息和个人数据，执行其权利，比如数据主体在必要的时候有机会纠正、访问和控制数据，也需要通过技术上访问权限的设置，更新不正确的数据及验证信息[18]。

（五）可持续发展

在一个快速发展的领域，确保其持续性发展，要进行持续性考虑，尽管各机构政策的制定中多数没有显式地说明学习分析的可持续发展，但是制定学习分析政策的最终目的是为了学习分析可以更好地持续性发展。

1. 最小化不利影响

学习分析技术可以帮助学生在适当的情况下作出决策，同时，最小化其不利影响，是学习分析技术可持续发展的重要因素。在所有机构中，使不利影响最小化，采取措施确保学习分析的输出不会使利益相关者的看法和行为发生较大改变，即最大限度地减少向学生和员工提供有关学生表现或成功可能性的信息的不利影响。这需要各利益相关者对法律、道德行为进行必要了解，甚至JISC政策中提出，最大限度地减少学习分析系统给学生带来任何好处的机会，积极努力识别并尽量减少任何潜在的负面影响。

2. 数据有效性

数据有效性也是学习分析中至关重要的一部分，所有机构直接或间接地肯定数据和分析必须是有效的，以确保有利于学生的利益。悉尼大学（USyd）更在其政策中单独列出数据有效性。以JISC为例，其在数据分析有效性的整体保证措施上，提出理解并最小化数据中的不准确性、了解不完整数据集的含义、选择最佳数据源范围和避免伪相关。尤其值得关注的是，西伦敦大学（UWL）认为所有利益相关方都有责任保持准确和最新记录，同时，数据分析和分析模型应该是合理的，没有偏见。由偏见认识所引发的数据无效，将会制约学习分析技术的可持续发展。

五、对我国学习分析政策制定的建议

当前我国的学习分析领域已经取得了突飞猛进的发展，这得益于三个方面：首先是我国信息化在政策制定、技术投入、产品研发、应用服务等多方面的发展，社会信息化发展水平的不断提升;其次，是我国教育信息化在各个教育层次的充分探索，高校、研究所甚至社会化教育服务机构等，都在教育信息化领域取得了规模化的研究成果，这为学习分析提供了必要的技术储备;最终，师生个体的教学行为正在由传统的线下教学，向线上线下混合式教学转变，为学习分析提供了数据上的可能性。然而随着飞速发展，当前我国学习分析领域也暴露出较为严峻的信息数据隐私伦理问题。这一问题突出体现在两个方面，一是从意识上，相关管理机构、研究人员以及利益相关者，对于学习分析所涉及的信息数据隐私伦理问题，未能形成较为统一的、科学的认识，诸如“数据隐私伦理问题由谁负责”“学习分析过程中如何保护隐私”等问题仍存在模糊认识;其二，严重缺乏相关政策从隐私伦理角度规范和指导学习分析技术的发展。政策是各个利益相关者开展学习分析研究和实践的根本依据，缺乏政策层面的支持，必将从长远上制约学习分析政策发展。我国学习分析研究和实践，必须要从加强隐私保护意识和制定科学有效政策这两个层面，做足功夫，保障学习分析领域的持续发展。本研究在对国外近年典型学习分析政策进行比较研究的基础上，提出如下四项我国学习分析政策制定的建议：

（一）积极制定学习分析政策，促进学习分析发展

我国学习分析相关政策的研究和实践，正得到教育界的日益重视。然而相比较国外相关领域，我国基于隐私伦理视角的学习分析政策研究和实践都较为滞后，这可能与我国社会发展和隐私意识有着一定关系。随着学习分析技术的普遍应用，积极制定学习政策，在关注学习提升的同时，保護隐私伦理，是促进和保障学习分析良性发展的关键。国外已有学习分析政策虽然是根据具体地区、具体学习分析实施情况制定的，对我国本土化的学习分析政策具有一定的指导意义。在我国学习分析政策初步发展阶段，针对相同的挑战在政策的制定上可以借鉴其内容。

如何在学习分析过程中保护学生的隐私以及合理运用数据，应该是我国制定本土化学习分析政策的首要任务。《中华人民共和国网络安全法》已于2017年6月1日施行，其制定的目的是“为了保障网络安全，维护网络空间主权和国家安全、社会公共利益，保护公民、法人和其他组织的合法权益，促进经济社会信息化健康发展”。这一法律是我国相关机构制定学习分析政策中有关隐私伦理问题的根本依据和支撑。

（二）区分利益相关者在隐私伦理问题的责任权利

通过对已有学习分析政策的比较分析，本研究发现，不同于传统学习过程，学习分析应用过程中会有多方利益相关者的介入，尤其在数据主体、客体基础上，合作机构所提供的产品和服务，是学习分析过程中不可避免的。因此，需要缜密区分多方利益相关者在隐私伦理问题方面所负有的责任、权利和义务。如前文所述，不同角色承担不同的责任。同时，通过分析我们也发现，区分多方利益相关者在隐私伦理问题的责、权、利，这即是对数据主体的保护，也是对各方利益相关者利益的整体保障。

（三）建立数据收集、分析和解释过程中的系统化隐私伦理保障政策

由于学习分析技术的特殊性，其在数据的收集、分析和解释的各个过程中，都会涉及隐私伦理问题。因此，需要在学习分析政策制定过程中，建立数据收集、分析和解释过程中的系统化隐私伦理保障方法。如本研究所归纳，数据透明度、数据匿名化、知情同意、隐私泄露、访问权限等五项内容，是当前国际学习分析政策研究和实践中普遍关注的核心内容。

（四）避免过度干预和由数据所带来的偏见

数字鸿沟已经被普遍认可，而由人工智能技术的飞速发展所产生的“人工智能鸿沟”正在割裂世界。学习分析作为人工智能技术在教育领域内的典型应用，其也有着进一步加剧不同个体、群体间教育鸿沟的可能性。不同于数字鸿沟所产生的经济和技术发展原因，由于学习分析应用所形成的鸿沟，其原因更多归因于偏见，可能体现于对特定学习群体的学习者模型建立的不公正，或者由于过度干预所引起的学习者的抗拒。我国相关机构的学习分析政策制定过程中，要保持数据有效性，特别是构建无偏见的数据分析模型，同时，最小化不利影响，从而实现学习分析的可持续发展。

我國学习分析的发展缺乏指导学习分析实践的机构层面政策，已经成为学习分析领域最大的挑战。在由学习分析所带来的教育变革中，个人和组织都需要在潜在风险和教育创新之间找到隐私伦理的平衡点，规避学习分析隐私伦理问题，才能使学习分析健康发展。除此之外，学习分析需要广泛接受整个组织机构的价值观和利益，以此才能实现学习分析的可持续发展，这也正是开放大学（OU）学习分析政策中所特别强调的。

[参考文献]

[1] JOHNSON L， ADAMS S， WITCHEY H， et al. The NMC horizon report： 2011 museum edition[R]. Austin， Texas： The New Media Consortium， 2011.

[2] 阿丽塔.L.艾伦，理查德.C.托克音顿.美国隐私法：学说、判例与立法[M].冯建妹，等译.北京：中国民主法制出版社，2004.

[3] VOLKMAN R. Privacy as life， liberty， property[J].Ethics and information technology， 2003（5）：199-210.

[4] 理查德·A·斯皮内洛.世纪道德：信息技术的伦理方面[M].刘钢，译.北京：中央编译出版社，1999.

[5] NMC 地平线项目.新媒体联盟2015 地平线报告高等教育版[J].现代远程教育研究，2015（2）：3-22.

[6] 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.

[7] 张文青，穆晓静，傅钢善.伦理视域下的学习分析研究[J].中国教育信息化，2015（9）：3-5.

[8] 杨现民，唐斯斯，李冀红.发展教育大数据：内涵、价值和挑战[J].现代远程教育研究，2016（1）：50-61.

[9] 赵慧琼，姜强，赵蔚.大数据学习分析的安全与隐私保护研究[J].现代教育技术，2016，26（3）：5-11.

[10] TSAI Y S， GASEVIC D. Learning analytics in higher education—challenges and policies： a review of eight learning analytics policies[C]// Proceedings of the Seventh International Learning Analytics & Knowledge Conference ，Vancouver， Canada， March 13-17， 2017. Canada： Simon Fraser University，2017.

[11] TSAI Y S， MORENO-MARCOS P M， TAMMETS K， KOLLOM K， & GASEVIC D. SHEILA policy framework： informing institutional strategies and policy processes of learning analytics[C]// Proceedings of the 8th International Conference on Learning Analytics and Knowledge， Sydney， Australia， March 5-9， 2018. AUS： The University of Sydney， 2018.

[12] Joint Information Systems Committee .Code of practice for learning analytics[R]. United Kingdom： JISC， 2015.

[13] DRACHSLER H，GRELLER W. Privacy and analytics： its a DELICATE issue a checklist for trusted learning analytics[C]//  Proceedings of the Sixth International Conference on Learning Analytics & Knowledge， Edinburgh， United Kingdom， April 25-29， 2016.

[14] STEINER C M， MASCI D， JOHNSON M， TURKER A， DRNEK M， KICKMEIER-RUST M. Privacy and data protection policy[R]. EU： Deliverable D2.3. LEAs Box， 2014.

[15] National Union of Students. Learning analytics： a guide for students unions[R].United Kingdom： NUS， 2015.

[16] The Open University. Policy on ethical use of student data for learning analytics[R].United Kingdom： The Open University， 2014.

[17] MACFADYEN L P， DAWSON S， PARDO A ，GASEVICE D. Embracing big data in complex educational systems： the learning analytics imperative and the policy challenge [J]. Research & practice in assessment， 2014（9）：17-28.

[18] GRELLER W，DRACHSLER H. Translating learning into numbers： a generic framework for learning analytics[J]. Educational technology & society， 2012（15）： 42-57.

[19] Nottingham Trent University.Use of learning analytics to support student success policy[R].United Kingdom：Nottingham Trent University， 2015.

[20] University of West London. Learning analytics policy[R].United Kingdom： University of West London， 2016.

[21] The University of Edinburgh. Learning analytics principles and purposes[R]. United Kingdom： The University of Edinburgh， 2017.

[22] Charles Sturt University. CSU learning analytics code of practice[R]. Australia： Charles Sturt University， 2015.

[23] SEG Education Committee. Principles for the use of university-held student personal information for learning analytics at the university of sydney[R].Australia： The University of Sydney， 2016.

[24] University of Wollongong Australia. Learning analytics data use policy[R]. Australia： University of Wollongong Australia， 2017.

[25] European Union Agency for Fundamental Rights. Handbook on european data protection law[R]. Europe： FRA， 2014.

[26] PARDO A， SIEMENS G. Ethical and privacy principles for learning analytics[J]. British journal of educational technology， 2013（45）：438-450.

[27] SLADE S ， PRINSLOO P. Learning analytics： ethical issues and dilemmas[J]. American behavioral scientist， 2013（57）：1509-1528.

[28] WILLIS J ，PISTILLI M D. Ethical discourse： guiding the future of learning analytics[EB/OL]. [2014-04-07].https：//er.educause.edu/articles/2014/4/ethical-discourse-guiding-the-future-of-learning-analytics.

[29] CAMPBELL J P， DEBLOIS P B， OBLINGER D G. Academic analytics[J]. Educause review， 2007（42）：1-24.