理解、设计和服务学习：学习分析技术的回顾与前瞻

顾小清 胡艺龄

(华东师范大学 教育信息技术学系，上海 200062)

一、学习分析研究十年

理解学习发生的机理一直是学习科学研究的核心议题。不同背景的研究者试图从不同角度、以不同的理论解释“学习是如何发生的”(Siemens & Long, 2011)，进而为重塑课程、教学方式或学习环境提供依据。学习分析技术正在诸多研究视角中逐渐显示其力量。它通过“测量、收集、分析和报告学生及其学习环境的数据，用以理解和优化学习及其产生的环境”(LAK, 2020)。这一视角的研究，如果以其学术共同体的成立及其举办的年度学术会议为标志，迄今已十年(SoLAR, 2019；顾小清等, 2012)。

作为一个跨学科领域，学习分析研究共同体主要包含了信息科学、学习技术、心理与统计等研究者，试图以“大数据”为研究工具，1)理解学习是怎样发生的，受哪些因素影响；2)为学习设计提供模型预测、过程反馈和结果评价；3)为个体及群体学习提供适应性的学习服务。理解学习、更好地设计与服务学习，是学习分析技术的核心研究目标，它得益于教育领域技术应用的普及以及由此带来的学习数据的丰富。

学习分析技术发展初期，常常与学术分析、教育数据挖掘相提并论。其中，对学校管理的大数据加以整理分析，提供校务决策基础的应用被称为学术分析。教育数据挖掘则是运用统计学的数据挖掘算法解答教育问题。在不需要依赖已知的理论架构或统计模型进行研究设计的前提下，它藉由多元统计技术，如决策树、规则归纳、人工神经网络、贝式学习过程、机器学习等，将淹没在信息瀚海的资料特质发掘出来。也正是主要采用知识挖掘方法，学习分析技术从数据中提取隐含的、未知的、潜在的、有用的信息(知识)(Siemens, 2011)，为理解、设计与服务学习提供依据。

二、教育场景的数据解读

学习分析研究，是从大数据的角度理解学习。大数据是其前提。因此，早年学习分析研究是伴随线上学习特别是MOOCs的发展而兴起的。例如，MOOCs环境下学习行为群体特征分析、在线学习投入分析、在线学习质量分析、学习结果预测、学习干预设计等。

随着信息技术在教育领域的普及，教育越发呈现混合模式，即混合了线上到线下，立足于资源的有机融合。线上学习终端悄然记录着学习行为数据，线下考试、课堂、课程与师生互动环节也渗透着大数据，这种混合式学习潜藏着海量的数据与关联性。混合学习环境留存的大数据，使教育研究既能粗线条观察宏观群体，亦能深入走向微观个体。

与大数据商用等领域不同，教育数据挖掘获得的抽象“知识发现”，离真正理解学习尚有巨大落差。其原因之一，是教育场景的复杂性与多样性，难以抽象出通用模式对数据作通用性解读。学习分析所做的数据挖掘，需要将数据结合具体教育场景进行解读。

例如，上述混合学习环境学习分析所获得的“人是怎样学习的”理解，需要将学习特征数据与场景信息相结合：1)有效融合线上学习与线下学习行为数据，通过提炼、整合场景信息，利用行为特征提取模型实现自下而上的特征表达提取，特征分类存储与索引，建立学习行为特征数据库；2)通过自上向下的任务分解(用户需求理解)，建立学习行为特征的提取与表达、任务相关性映射的特征计算模型，分析影响隐性学习行为的关联因素，建立表达学习行为模式分析的综合模型；3)通过对教育大数据的属性分层，应用数据挖掘技术，发掘学习者行为背后的学习准备、学习动机、归因和自我效能感的关联，洞察影响学习的诸多因素；4)对学习过程节点进行模式分类，实现对学生学习的过程性评估和学习轨迹呈现。

三、通过与学习设计的连接回归以人为中心的技术设计

学习分析旨在通过理解人是怎样学习的，实现对学习的适应性设计。因此，学习设计研究者是跨学科学习分析共同体的重要力量。除以学习分析为学习设计提供支撑外，研究者提出，学习设计也能够为学习分析提供解读数据所需的教育场景，从而为分析和解释数据、学习者行为以及成功或低效的学习模式提供框架。随着学习分析和学习设计领域的成熟，两者间的融合和协同正成为重要的研究领域。

学习设计是20世纪90年代末和21世纪初与技术增强学习(Technology Enhance Learning, 简称TEL)研究相关的领域。其作为支持学习体验的框架，是有效利用适当工具和资源的教育活动。具体来说，学习设计指的是对教学内容、时间、地点和方式的设计。洛克伊尔和达森(Lockyer & Dawson, 2012)认为，学习分析有潜力为教育者提供证明他们在学习设计上的创新是有效的证据。例如，一些大型数据研究证实，学习设计会显著影响学习者的参与度和学习成果(Rienties & Toetenel, 2015)；阮等人(Nguyen et al.，2017)使用多元回归模型研究英国开放大学151门课程的111256名学生的学习活动发现，学习设计选择有效预测了学生的虚拟学习环境行为和表现，特别是标有“交流”的学习活动，对38门课程每周参与度的后续细粒度分析发现，69%的学生参与度主要取决于教师如何设计他们的课程。

然而，过去的研究集中在探讨学习设计原则，没有评估设计过程后会发生什么。 也很少有人研究如何整合学习科学、教育研究、技术接受、人机交互等领域知识，建立统一的模型？学习分析如何影响学习设计决策的？学习设计如何影响学习分析的集成和使用？是否有框架或原则能够很好地阐明学习分析和学习设计之间的联系？当下，越来越多的研究试图对这一领域进行探索。有学者提出了连接学习分析和学习设计的框架(Rienties et al., 2017; Donald et al., 2016; Schmitz et al.，2017)。然而，科林等人(Corrin et al., 2018)认为，这些框架尽管强调了学习分析和学习设计之间潜在的有价值的联系，但它们处于理论描述水平，很难进行实践操作。可以看到，让学习分析技术回归“以人为本”，需要考虑包括用户界面、对工作实践的影响、用户权力和控制的转移，以及融入数据模型的价值观，这也是未来学习分析技术升级转型的发展方向。

四、未来发展

学习分析技术作为一门相对年轻的学科，在迅速扩张的同时也在实践中呈现出多元化的发展态势。不少研究者至今仍认为，许多教育元素不能通过数据处理完全捕捉和表达，因此如何开发指导学习分析建模的教育理论，是从教育学、社会人类学的经典理论迁移过来，还是产生跨学科的创新框架与理论，是当前学者们关注的，也是从根本上理解学习的第一步。

教育数据为学习分析提供了独特的机会，使研究者认识学习者的社会、认知和情感交互机制有了重大进展。借助于数据收集技术的进步，研究人员能够从小群体收集大量的过程数据——从点击流到眼球跟踪、自然语言处理、运动传感或生理数据等多模态传感器数据。这为理解学习，并为以严谨和数据驱动的方式设计学习打开了新的通道。未来，如何更好地促进学习分析的跨学科研究成为把控分析质量的关键，即能够在合理的学习理论指导下，基于教育场景建立数据模型，实现对教与学的分析与反馈，为连接学习设计提供证据。

作为一个跨学科的研究领域，学习分析的跨学科概念界定，多视角分析设计与融合，多模态、多层次数据建模，数据驱动的研究范式变革，协同创新的学习分析服务等研究方向，都是有待挖掘的。