基于学习行为大数据的深度学习分析模型及实现

陈星 马燕

摘 要：近年来，随着互联网和通信技术的快速发展，利用技术工具辅助深度学习研究、提高深度学习效果，成为深度学习研究的新重点。文章以深度学习理论为依据，以诊断深度学习结果、干预深度学习过程、预测最终表现为目标导向，通过比较研究法对现有学习分析模型的共性与差异性的探究，构建深度学习分析模型，以期为探究学习行為与深度学习提供新的思路。

关键词：深度学习;比较研究法;学习分析模型;学习行为

中图分类号：G434 文献标志码：A 文章编号：2096-0069（2019）02-0019-05

收稿日期：2018-10-16

基金项目：教育部2018年度人文社科规划基金项目“‘双一流’视野下教师教育学科群及评价体系研究”（18YJA880061）;重庆市研究生科研创新项目“大数据背景下基于SEM的研究生科研绩效评价研究——以重庆市高校理工科硕士研究生为例”（CYS18299）;重庆师范大学研究生科研创新项目“基于学习行为大数据的深度学习分析模型及实现”（YKC18029）

作者简介：陈星（1995— ），男，重庆人，硕士研究生，研究方向为教育大数据、计算机教育; 马燕（1960— ），男，重庆人，博士生导师，教授，研究方向为教育评价、研究生教育。

一、引言

互联网的发展从不同的角度改变了人类思考问题与解决问题的方式，推动人类迈向学习型社会，这一时代背景要求学习者在提高自身素质与改进思维方式的同时，更加深入了解学习者的学习行为，认识学习的特征与规律。在该背景下的学习方式也发生了较大的改变，深度学习作为一种新的学习方式，其核心要素在于学习者能够在深度理解的基础上，主动地、批判性地整合新知识于原有的认知结构中，并与旧知识产生联系，从而去解决问题。教育大数据是整个教育活动中产生的数据集合，它是根据教育需要采集到的，将用于教育发展并可创造巨大潜在价值[1]。学习行为大数据是教育大数据的一支，教师通过分析学习者在深度学习的过程中所产生的学习行为大数据可以较好地判断学习者深度学习后所到达的层次，还可以根据学习行为数据分析后的结果来判断学生学习行为是否异常，并针对学生各自的数据分析结果来制订个性化的学习计划，从而使每一位学生的深度学习都能够深度化和有益化;学生可以通过分析自身的学习行为数据来调整自己的学习行为。这使得学习行为数据和学生之间产生了一种相互作用的关系，学生既是分析结果的受益者，也是下一阶段行为数据的产生者，数据不断迭代更新，从而使得深度学习的效率能够进一步提高。

二、现状分析与研究方法

通过研读中国知网、维普等重要学术文库上大数据背景下学习分析模型构建的相关文献，发现国内相关文章目前仅有20余篇，这些文章主要是研究与设计其他学习方式下的分析模型，对深度学习过程与评估的关注较少，并且少有基于大数据的深度学习分析模型的文章，因此缺乏有代表性的实证研究成果。国外学习分析模型的研究来源于计算机科学、教育学、心理学等多个领域，其中不乏关于深度学习跨领域的研究，有关深度学习研究虽以实践应用和科学实证为主，但大多数研究侧重于深度学习分析模型对深度学习的促进、评估、影响，鲜有研究是关于深度学习分析模型构建的。

本文在已有研究基础上，通过文献资料法对学习分析模型相关文献进行阅读、分析、总结，发现“学习分析过程模型”“持续改进环模型”“学习分析要素模型”“学习分析概念模型”这四大模型在不同的研究中认可度较高、应用次数较多，具有一定的参考价值，进而运用比较研究法对这四种不同的模型进行相关探究，从而为构建深度学习分析模型提供依据。

三、学习分析模型的比较分析

（一）学习分析过程模型

学习分析过程模型是西蒙斯根据关联主义理论，在TEKL模型的基础上提出的[2]，如图1所示。该模型中，数据主要来源于学习者数据和智能数据。学习者数据是指学习者在移动终端、社会性软件及其他学习交互环境中所产生的有关行为的数据，智能数据是指学习者在课程学习过程中所产生的具体的数据，相较于学习者数据而言更加结构化。数据收集后经过自我或其他方式的处理与分析后，便可根据数据分析结果进一步地去干预，进而促进学生的个性化或适应性学习。

（二）持续改进环模型

如图2所示的持续改进环模型，是伊莱亚斯在对学习分析技术进行了界定后提出的。该模型将整个学习分析过程总结为七个步骤：获取、选择、聚合、预测、优化、使用和分享，即数据收集、数据处理和知识应用三个循环阶段[3]。该模型将数据获取与数据选择划分为数据收集阶段，将数据聚合与结果预测划分为数据处理阶段，将优化与使用划分为知识应用阶段，再将知识应用阶段所产生的数据分享给最初的数据收集阶段，以此实现循环的优化模型。值得注意的是，循环过程中使用到了计算机、理论、人力、组织机构等相关资源。

（三）学习分析要素模型

学习分析要素模型是沃尔夫冈和亨德里克使用里奇的一般形态分析法，对学习分析研究社区里讨论的话题进行归纳总结后提出的[4]，如图3所示。该模型中把影响学习分析技术的要素划分为内部约束、外部约束、利益相关者、方法、目标、数据六个维度，再根据六个维度划分不同的要素，这些要素相互联系、相互影响，共同作用于学习分析的结果，一旦某个要素发生变化，其他要素也会做出相应改变，学习分析的结果自然而然也会发生改变。

（四）学习分析概念模型

学习分析概念模型是我国学者李艳燕等在学习分析过程模型和持续改进环模型基础上提出来的[5]，如图4所示。该模型的基本组成要素为：三个数据源（学习过程、学习环境、教育环境）、三个受众（学习者、教师、教育管理者）、五个数据分析的核心环节（数据采集、数据存储、数据分析、数据表示、数据应用），其中，数据应用体现在预测、评估、干预三个方面。上层要素所产生的数据经过五个数据分析的核心环节后，根据所产生的数据结果可进一步对上层的要素进行干预与反馈，从而形成不断优化的循环，值得注意的是，五个核心环节实现了大规模数据处理及应用服务。

（五）学习分析模型的比较研究

比较研究法是参照相关标准，通过对两个及以上具有相关性的事物的比较，发现其异同，从而寻求普遍规律与特殊规律的方法[6]。为了更好地把握学习分析模型的步骤和要素，以及各模型的创新与不足，并据此能在之后构建相对完善的深度分析模型，研究根据上述学习分析模型的各自特征，分別从设计特点、重点环节、呈现形式、特性四方面来进行比较分析，如表1所示。

四种学习分析模型有各自的侧重点，学习分析过程模型是从学习分析理论角度出发，以线状图的方式呈现数据采集、数据分析、结果应用的学习分析过程;持续改进环模型从学习分析技术角度出发，以循环优化的方式描述了学习分析的技术流程;学习分析要素模型从影响学习分析技术的要素出发，以模块化的方式较为全面地描述了影响学习分析结果的要素;学习分析概念模型则从学习分析理论和技术角度出发，以循环优化的方式描述了学习分析的基本要素和核心流程。根据表1的分析情况，可得出结论，学习分析模型的重点环节（数据采集、数据分析、结果应用）是必不可少的。在数据分析环节中，要对要素条件加以掌控，如：在数据采集中，数据的来源是什么，是否可靠;数据处理中，处理工具是什么，是否准确;结果应用中，应用的对象是什么，是否合理。

据此，可以得出结论，一个较为完善的学习分析模型应该包含以下五个要素：

（1）数据采集：模型的最底层由大量的数据组成，根据数据来源不同，可以将数据分为两大类。第一类为在不同的学习环境中所产生的具有明显特征的结构化数据，如成绩、等级、数量;第二类为在与不同的学习环境交互中所产生的难以量化的半结构化和非结构化数据，如课堂互动、在线作业、网络搜索。

（2）数据处理：该模块的任务在于对大量的、杂乱无章的、难以理解的各式数据进行初步处理，按照结构化、非结构化及半结构化的数据格式将数据进行分别存储，并需要对数据进行过滤与筛选，以确保收集到与学习高度相关的数据。

（3）数据分析：该模块的任务在于根据不同的分析目标，提供各种方式、方法与策略，从经过处理的、相关联的数据中抽取并推导出有价值、有意义的数据进行分析。

（4）结果应用：该模块是学习分析结果的呈现，并最终反馈给学生、教师、家长等利益相关者，从而对学习过程产生积极的干预、调整，进而影响学习结果。值得注意的是，分析结果也应当作为新的数据被采集，从而形成良性循环，不断地优化学习的过程，最终达到学习效果的不断提升。

（5）要素条件：设计一个理想的学习分析技术系统时，必须综合考虑所有的影响因素，以能够应对每一个因素变化造成的影响[7]。在数据采集、数据处理、数据分析、结果应用模块添加适当的要素条件进行干预是保证学习分析模型完善性的必要保障，这些要素相互联系、相互影响，共同作用于学习分析的结果。

四、深度学习分析模型的实现

深度学习是一种学习者在深度理解的基础上，积极主动地、批判性地去接受新知识，并通过所建立的新旧知识间的联系去解决复杂问题和创新的高级学习方式[8]。深度学习分析模型的总体思路与学习分析的一般模型相似，只是它以深度学习结果评估为基础，而非一般的学业成绩[9]。因此本文根据所总结的学习分析模型五要素，并与学习行为大数据的数据特点相结合，构建了基于学习行为大数据的深度学习分析模型，如图5所示。该模型包含数据采集、数据处理、数据分析、结果呈现与应用，以及流程中的要素条件。

（1）深度学习分析模型的第一步就是对学生大量的学习行为数据的采集，学生学习行为数据包含了学生在线上平台所产生的一切有关学习的交互数据，也包括线下日常学习中通过物联感知技术所产生的一切有关学习的数据等。对于采集到的行为数据要根据不同的数据类型与特征进行相应的存储与清理。

（2）深度学习分析模型的第二步是数据处理，即通过相应的数据存储与清理方式实现对结构化、半结构化、非结构化的数据的统一管理，以及根据要求整合数据格式，剔除无关的数据。

（3）深度学习分析模型的第三步是数据分析阶段，该阶段是根据不同的分析方法（诊断分析、预测分析、评价分析）对处理后的数据进行分析，从而评估学生深度学习的结果。

（4）深度学习分析模型的最后一步是结果呈现与应用，根据受众的不同，将数据分析的结果以不同的可视化方式呈现出来，教师与管理者可根据分析结果对学生的学习行为进行干预与引导，促进学生达到深度学习的结果，学生也可根据分析结果直接调整和优化自身的学习行为，从而达到深度学习的结果。

该模型为循环优化模型，数据分析的结果在应用于优化学生深度学习过程的同时，也将作为新的数据被收集，进而经过处理与分析，进一步优化深度学习过程，形成良性循环，这符合深度学习的意义，能够极好地促进学生深度学习，在该模型的整个流程中，计算机、人力、理论、环境将共同成为影响深度学习分析结果的因素。

五、结语

本文运用比较研究法，通过对四种不同的学习分析模型进行比较分析，得出学习分析模型所必需的五要素，并据此利用学习行为大数据的特点，构建了深度学习分析模型。构建深度学习分析模型的核心目标在于通过对学生学习过程中大量行为数据的采集与分析，诊断学生所达到的深度学习中存在的问题，并预测与评价深度学习的表现。该分析模型既具备学习分析模型的基本要素及流程，又符合深度学习方式的特点，能够全面地采集学生深度学习中所产生的行为数据并进行有效的处理，在经过不同要求的分析后，学生、家长、管理者根据数据分析结果的呈现，能够对深度学习的结果与表现有较为全面的了解，并据此做出积极的干预与调整，分析结果也将作为新的数据被采集，形成良性循环，不断优化深度学习的结果。该分析模型虽符合构建深度学习的核心目的，但仍有不足，它并未充分地把握影响深度学习分析结果的因素，只添加了计算机、人力、理论、环境四大因素，因此还需持续探究，不断完善该模型，为探究学习行为与深度学习结果提供新的思路。

参考文献

[1]杨现明，田雪松.中国基础教育大数据[M].北京：电子工业出版社，2016：29-31.

[2]郑晓薇，刘静.学习分析模型的分类与对比研究[J].现代教育技术，2016，（8）：35-41.

[3]顾云峰，吴钟鸣，管兆昶，等.基于教育大数据的学习分析研究综述[J].中国教育信息化，2018，（7）：1-5.

[4]GRELLER W，DRACHSLER H.Translating Learming into Numbers：A Generic Framework for Learming Analytics[J].Educational Technology & Society（S1436-4522）， 2012，15（3）：42-57.

[5]李艳燕，马韶茜，黄荣怀.学习分析技术：服务过程设计和优化[J].开放教育研究，2012，18（5）：18-24.

[6]百度百科.“比较研究法”词条[EB/OL].（2016-3-13）[2018-9-20].http：//baike.baidu.com，2018.

[7]张玮，王楠.学习分析模型比较研究[J].现代教育技术，2015，（9）：19-24.

[8]刘哲雨，王志军.行为投入影响深度学习的实证探究：以虚拟现实（VR）环境下的视频学习为例[J].远程教育杂志，2017，（1）：72-81.

[9]楊现明，田雪松.中国基础教育大数据[M].北京：电子工业出版社，2016：122-126.

（责任编辑 杜丹丹）

Abstract： In recent years，with the rapid development of the Internet and communication technologies， the use of technological tools to assist deep learning research and improve the effect of deep learning has become a new focus in the research of deep learning.This paper is based on deep learning theory，and it takes the diagnosis of deep learning results，the interference of deep learning process and the prediction of the final performance as its goal orientation.By using comparative research methodology，we explore the similarities and differences of the existing learning analytics model，and construct a deep learning analytics model in the hope of offering new ideas to explore learning behavior as well as deep learning.

Key words： deep learning;comparative research;learning analytics model;learning behavior