学习分析技术研究现状综述

王莎莎 王梅

摘 要 首先通过内容分析法，从学习分析的概念及内涵着手，对学习分析技术的国内外研究现状进行综述;其次分析学习分析在教育实践中的具体应用，以国外的成功案例为借鉴，总结影响学习者学业状况的指标;最后对学习分析技术的未来发展抱以期待，它必将为优化学习发挥重要作用。

关键词 学习分析技术;机器学习;在线学习;教育大数据;Moodle;MOOC;课程信号系统

中图分类号：G642 文献标识码：B

文章编号：1671-489X（2019）08-0007-05

Overview of Research Status of Learning Analytics Technology//WANG Shasha， WANG Mei

Abstract Firstly， this paper begins with the content analysis method， from the concept and connotation of learning analysis， summarizes the research status of learning analytics technology at home and abroad， and then analyzes the specific application of learning analy-tics in educational practice， taking foreign successful cases as a refe-

rence. It summarizes the indicators that affect the learners academic status， and finally looks forward to the future development of lear-ning analytics technology， which will play an important role in opti-mizing learning.

Key words learning analytics technology; academic status; machine learning; online learning; big data on education; Moodle; MOOC; course signals system

1 背景

自MOOC开始繁荣发展以来，在线学习网络学习平台飞速发展，学习者在线学习产生的数据不断增加，教育大数据日渐丰富。在当今信息化时代，数据价值不言而喻，各个行业都对大数据有极高的价值期待，其中教育领域的专家学者希望借鉴商业智能的成功经验，从数据出发，利用学习分析连接技术与教育，为今后的学习、教学及教学管理提供评价、反馈及建议。

学习分析作为一个可以连接技术与教育的研究领域，既可以使教育数据发挥更重要的作用，也有利于教育信息化的发展。因此，学习分析在教育大数据应用领域研究中占据重要地位。2011年，新媒体联盟和美国高校联盟在其发布的《地平线报告——高等教育版》中首次将学习分析作为未来影响教育发展的六大技术之一[1]，并且在之后的连续六年间，地平线报告中对学习分析均有所提及。这无疑证实了学习分析在教育领域所具有的潜在影响，以及在整个教学、学习及教学管理过程中的应用地位。

2 概念及内涵

学习分析，即Learning Analytics。2010年，学习分析专家乔治·西蒙斯认为，学习分析是通过应用智能化数据、学习者数据与分析模型，实现对信息与社会性连接的发掘，并为学习提供预测与建议[2]。西蒙斯对学习分析的定义重视分析模型的作用，关注学习分析的具体应用，以此帮助研究者更方便认识和理解数据中的信息。

在2011年第一届学习分析与知识国际会议中，参会的专家认为，学习分析是“测量、采集、分析和汇报有关学习者及其学习情境的数据集，用以理解和优化学习及学习情境”[3]。该定义重视对数据在学习分析中的作用，以此认为学习分析的功能在于对学习及学习情境的优化，但对学习分析过程不甚重视。

2014年，胡艺龄教授等人为学习分析所下的定义是：学习分析技术是教育领域从海量数据中提取隐含的、未知的及有潜在应用价值信息或模式的工具，也是一种决策辅助工具[4]。该定义则是将学习分析技术当作工具，重视应用与技术，用来发现数据潜在信息和辅助决策。

何克抗教授于2016年发表的论文中，在整合国内外一些定义的基础上，对学习分析的定义表述为：学习分析技术是指利用各种数据收集和数据分析工具，从教育领域的海量数据中，通过收集、测量、分析和报告等方式，提取出隐含的、有潜在应用价值的、涉及“教与学”或“教学管理”的过程及行为的各种信息、知识与模式，从而为教师的“教”、学生的“学”以及教学管理提供智能性的辅助决策的技术[5]。该定义对学习分析的描述较为全面，既提到了对数据的收集和分析，也未忽视对教学过程的分析，并且提到学习分析的作用是为了“教”“学”及教学管理提供智能性的辅助决策。

通过对各位专家学者给学习分析的定义的解读，可以看出虽未有明确统一的定义，但已有共识。学习分析即通过各种工具对教学过程中各种数据进行收集、管理、分析，并将分析结果反馈于教学中，用于优化学习。本文将学习分析和学习分析技术分开来说，学习分析作为一个将学习分析技术包含在内的大的研究领域，而学习分析技术是学习分析应用过程中有关的工具、方法、使用技术的研究。

3 学习分析技术的研究现状

学习分析技术的国内研究现状 关于学习分析技术的研究，本文主要将学习分析技术研究内容按时间顺序进行梳理，以明确学习分析技术的研究现状。国內最早关于学习分析技术的文献是李菁等人[6]于2012年发表的《学习分析技术研究与应用现状述评》，该研究从辨析学习分析的概念出发，就学习分析组成要素和应用模型进行讨论，还对学习分析技术的分析工具、分析方法和技术来源进行了研究分析，最后就学习分析应用案例的一般和特殊情况进行深入剖析。

李逢庆等人[7]的研究从学习分析兴起的原因着手，即学习分析可以根据学习平台中的数据去更好地支持教与学，从而进一步提升教与学的质量与效能。该研究通过梳理之前学习分析的发展脉络，对其过程、工具及方法进行解读，并阐述学习分析对促进大学教学信息化深入发展的价值。

曹晓明等人[8]做了基于学习分析技术支持的学习者个性化学习平台的研究。该研究以智慧学习为背景，尝试基于学习分析中的动态采集、精确分析、可视化反馈等技术，以构建符合因材施教理念的个性化学习平台。研究通过分析不同学习情境下如何让学习分析发挥其作用和优势，实现对学习者学习的個性化指导。

胡艺龄等人[4]从当前教育效益未获得预期的高产出这一问题出发，提出学习分析可以从海量数据中发现潜在价值，改善教学，从而提升教育的内外部效益。

华中师大曾东薇[9]以Moodle平台中开设的一门课程为例，通过收集学习者的学习行为数据，使用定性与定量相结合的分析方法对学习者的学习过程进行分析，最后还对学习分析技术的应用效果进行分析和反思。

魏顺平等人[10]做了对学习过程数据挖掘与分析应用于在线教学反思的研究。该研究借鉴Moodle平台课程，从辅导教师的角度出发，将学习分析技术应用于在线教学反思。

陈耀华、孙洪涛和郑勤华等人[11-13]从模型构建出发，利用学习分析技术，分别构建在线学习测评的综合建模、课程评价的模型和教师综合评价的参考理论模型，并在实际教学应用中验证这些模型是否可用。

高琪等人[14]将学习分析技术与智慧教育环境构建结合起来，从学习分析的一般过程出发，结合对智慧教育的特征分析，论述学习分析在智慧教育环境构建及发展过程中将会发挥极大的作用。

学习分析应用于具体的教育实践中已经取得一些研究成果。各个专家学者根据学习情境和研究目的的不同，所使用的具体方法并不相同，例如：社会网络分析法是一种根据学习者的群体社会交互行为来定量分析的方法;机器学习算法则更关注学习数据的深入挖掘，通过对机器的训练以实现对个体学习行为的下一步预测;会话分析法是从研究人类语言互动交际入手，以研究会话情境的意义的一种方法;内容分析法是一种对传播内容进行客观和系统描述的研究方法。通过对各种方法的分析，可以看出学习分析并不拘泥于某一种特定的方法，又因为学习系统的复杂性、多样性，针对不同的学习情境，应该采取不同的方法，也可以多种方法结合起来使用，但这些方法的应用其最终目的都是优化学习及学习过程。

机器学习在教育领域应用的研究现状 机器学习（Ma-chine Learning，ML）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能[15]。简单来说，就是使机器能够像人类一样思考，通过经验的学习去改进自身处理信息的能力，智能化地处理信息。

机器学习作为人工智能研究领域的重要部分，可以应用于对数据的聚类、预测和关系挖掘等。目前，机器学习算法在教育领域的应用也取得一些研究成果。

Cetintas等人[16]利用机器学习技术识别智能辅导系统中的离题行为。该研究通过自动检测学习者的行为，利用时间特征和鼠标移动特征来比较不同学习者的行为类型，以此预测学习者的学习状态，以及学习者是否处于“离题”状态。

Wang等人[17]描述了一种适用于第二语言学习，并且考虑各种学生特点的电子学习系统。研究者利用神经网络算法根据学习者在第二语言的在线课程学习记录和个人信息数据建立预测模型，从而预测学习者的学习表现，通过实验验证该电子学习系统能够使学习者的学习表现更好。

Alkhuraiji等人[18]在在线学习平台中应用贝叶斯网络（Bayesian Network）构建模型，模型以学习者的学习风格为基础，学习平台的演示风格根据每个学生的首选学习风格进行个性化设置，以此为学习者提供适应性的个性化学习内容。

Lauría等人[19]描述了可用于对开源课程管理的系统数据和学习者学习记录数据进行推理分析的模型，并介绍了使用多种数据挖掘算法对模型进行设计的初步开发结果。他们使用支持向量机（SVM）、C4.5决策树和逻辑回归等机器学习方法分析各种数据，得到关于分类绩效的分析结果，用于实际环境中以预测学习成绩并对危险学生进行早期检测。

Kotsiantis[20]将机器学习应用于教育数据挖掘，并介绍使用机器学习进行教育数据挖掘的文章，由此提出一个预测学习者成绩的案例研究方案。为了预测学生的表现，降低辍学率和预测课程成功率，通过使用机器学习技术进行学习者学习数据的分析，根据分析结果识别出那些学习动机不足的学习者，并根据学习者不同学习状况，分别给予相应的指导和干预措施。

Aher等人[21]采用数据挖掘技术从学习管理系统（LMS）中收集Moodle平台中的学习数据，并由此进行聚类和分析，然后向学习者推荐合适的课程。课程推荐可以帮助建立一个智能推荐系统，可以给MOOC等环境中的课程学习者使用。

San Pedro等人[22]使用新英格兰的ASSISTment系统，将3747名学生的数据应用于学生知识、情绪和行为的细粒度模型，并利用逻辑回归方法建立预测模型，用于预测大学入学率。该研究发现，学生投入对学生成功的预测很有帮助。

Thammasir等人[23]使用过采样、欠采样和少数群体过采样的平衡技术，以及逻辑回归、决策树、神经网络和支持向量机四种分类方法，在此基础上对大量学生学习数据进行分析，验证了这三种平衡技术和四种分类方法对少数类预测精度的提高，并且确定了准确预测学生自然减员最重要的变量，由此有可能准确预测存在风险的学生，并有助于降低学生辍学率。

[J].Expert Systems with Applications，2014，41（2）：321-330.

[24]Hachey A， Wladis C， Conway K. Do prior online course outcomes provide more information than G.P.A.alone in predicting subsequent online course gradesand retention？ An observational study at an urbancommunity college[J].Computers&Education，2014（72）：59-67.

[25]Park Y， Yu J H， Jo I H. Clustering blended lear-ning courses by online behavior data： A case study ina Korean higher education institute[J].Internet & Higher Education，2015（29）：1-11.

[26]Shimada A， Okubo F， Yin C， et al. Informal lear-ning behavior analysis using action logs and slidefeatures in e-textbooks[C]//The IEEE InternationalConference on Advanced Learning Technologies.2015：116-117.

[27]范逸洲，汪瓊.学业成就与学业风险的预测：基于学习分析领域中预测指标的文献综述[J].中国远程教育，2018（1）：5-15，44，79.

[28]刘艳华，徐鹏.大数据教育应用研究综述及其典型案例解析：以美国普渡大学课程信号项目为例[J].软件导刊：教育技术，2014（12）：47-51.

[29]杨旸，胡珊珊，邢宏根，等.借鉴与反思：学习分析在国外高等教育领域的应用[J].现代教育技术，2018（2）：107-112.

项目来源：东北石油大学研究生教育创新工程项目“新工科视角下计算机类研究生创新和实践能力培养研究与实践”;黑龙江省教育科学“十三五”规划2018年度重点课题“工程教育认证背景下智能云教学过程化教学评价平台构建的研究”（项目编号：GBB1318021）;黑龙江省教育科学“十三五”规划2017年度备案课题“信息技术类大学生创新创业教育支撑平台研究”（项目编号：GBC1317027）。

作者：王莎莎，东北石油大学计算机与信息技术学院在读硕士研究生，研究方向为知识工程、学习分析技术;王梅，通讯作者，东北石油大学计算机与信息技术学院，教授，研究方向为机器学习、模型选择和核方法支持向量机（163318）。