学习分析技术支持的在线深度学习的模型构建

2021-05-10王晶晶

中国信息技术教育 2021年8期

摘要：本文将深度学习与学习分析相结合，从评价学习层次、教师深度教学能力、反思且主动地学习、学习内容的适切性四个方面阐释了学习分析对在线深度学习的影响，并在分析在线学习行为和学习分析过程的基础上，构建了学习分析技术支持的在线深度学习的模型，试图促进学习分析与在线学习融合模式的深入讨论。

关键词：学习分析;在线学习;深度学习;模型构建

中图分类号：G434 文獻标识码：A 论文编号：1674-2117（2021）08-0084-04

由于形式过于单一、缺乏有针对性的指导、学习的交互性和探究性不足等问题的出现，大部分在线学习始终无法达到深度学习层次。但在线学习产生的大量学习数据经过处理和分析后，能够呈现学生学习特点和预测学生学习层次，使学习中潜在的问题得以显现，便于后续学习安排的优化。在信息技术与教育教学亟待深度融合的时代背景下，探索学习分析与在线学习的融合模式，发挥学习分析的作用以提高在线学习效果，将是在线学习未来发展道路上的重要内容。

本文以学习分析支持在线深度学习实现为核心，在分析深度学习特点和要求的前提下，探讨了学习分析能够从哪些维度助推在线深度学习，而后通过梳理学习分析和在线学习的一般过程，以其之间的联系形成可融合点，构建了学习分析技术支持的在线深度学习的模型，以说明学习分析支持在线深度学习的过程机理。

● 概念界定

深度学习是指在理解的基础上，学生能够批判地学习新思想和事实，将它们融入原有的认知结构中，并能够将众多思想进行联系，将已有的知识迁移到新的情境中，做出决策和解决问题的学习。[1]据此，本研究认为深度学习的过程可概括为“一基二性三能力”，即以深度理解为学习的基础要求，以主动性和批判性为学习的特征，以反思能力、知识迁移能力和问题解决能力为学习的目标。

学习分析作为一种针对学习行为数据的分析手段，为在线学习中学习情况难以把握的问题提供了解决路径。目前，随着数据获取技术以及数据分析技术的发展，学习分析日益成熟，能够通过在线学习行为的多模态数据全面感知学生在线学习的动态发展，已经成为支持在线学习研究与发展的重要方法与手段。

● 学习分析助推在线深度学习的实现

1.评价学习层次

将评价贯穿于整个学习过程，可对整个学习活动进行监控调节和诊断总结，以保证深度学习的实现和发展。[2]深度学习是一个复杂的思维过程，深度学习的发生、发展既与学生的认知结构有关，也与学生的思维方式有关，深度学习的发生总是需要一定的情境支持，以引导学生对某个具体问题进行纵向和横向的思考。[3]因此，评估深度学习程度，可从学生的认知情况和思维状态进行测量分析，最有效的方式就是将学生的思维过程外化为文本，再对文本进行语义分析，以探寻学生当时的学习层次。

随着网络技术、信息技术的发展，集数据收集与数据分析为一体的学习分析应运而生，使得思维外化过程变得更加简便，大大提高了深度学习评价的质量和效率。在利用学习分析评价学习层次方面，在线学习具有绝对优势，大量的在线学习数据能够支持对学习层次进行多维度、全过程、立体式的考查。

2.教师深度教学能力

深度学习要求以启发式的学习情境、以问题解决为导向的学习任务，来促进学生对知识进行意义建构与综合运用，这就对教师的教学能力提出了更高的要求。在在线学习环境下，以诊断、预测和建议为宗旨的学习分析，通过可视化的即时反馈能够激发教师的反思意识，促使教师教学反思日常化，还可帮助教师发现与诊断教学过程中的深层问题，并根据学生的学习状态和学习情况来对教学的进度与深度进行调整，使在线学习突破符号化知识学习的局限，使学生的在线学习层次向更高处发展。

3.反思且主动地学习

在线学习的主要特点是在时间和空间上不受拘束。在线学习的时空自由性，决定了在线学习中主动学习行为的重要性。要增强在线学习的主动性，可通过促进学生的反思性学习来强化学生的学习动机，指引学生对自身学习行为的自我调整与优化，使学生的学习表现不断趋于完善。反思性学习是深度学习思想的一个分支，也是促进深度学习实现的一条路径，它是指学生在一定的学习情境下，主动对自身学习过程及其所涉及的相关因素进行批判性审视，理性认识学习过程中的问题并进行改进，对将要开展的学习活动进行积极的准备和有效的调控，使其逐步形成完善的学习方式。[4]

在影响深度学习的因素中，学生个体因素主要包括自我调节、学习动机、学习方法以及学习投入度。[5]研究表明，为学生提供持续的学习分析结果反馈，能够有效地激发其元认知反思意识，增加其反思性学习的频率，进而能促进其对自身学习的调控、加强学习动机、改进学习方法、提高学习投入。[6]由此可见，将学习分析嵌入在线学习中能够以学生个体为切入点，通过持续、即时、精细的反馈加强学生学习的主动性和反思性，对在线深度学习产生积极的影响。

4.学习内容的适切性

在线学习内容过于同质化，不能契合学生的学习需要，导致学生失去学习兴趣，学习动机也被弱化，这是影响学生在线学习持续性的重要缘由。[7]在线学习要增强学生与学习内容的贴合度，充分体现学习内容的适切性，以提高学生对在线课程的认可度，同时提升学生的自我效能感，保证在线学习顺利进入深度学习层次。[8]

利用学习分析技术可精准预测学生的学习需要和学习兴趣偏向，通过资源智能推送技术可以向学生推荐与之相关的学习内容，能做到为每位学生提供个性化自适应的在线学习情境。学习分析技术与资源智能推送技术的结合，不仅可以从环境因素上增强学生与学习平台的交互性，还可以从个体因素上增强学生的学习主动性，以此助推学生在线深度学习。

● 学习分析技术支持的在线深度学习的模型构想

学习分析技术支持的在线深度学习的模型是将学习分析融入在线学习模式，将其作为促进在线学习效果深层化的一种途径。模型构建的总体思路为：既要体现在线学习模式的一般规律，又要包含学习分析的一般过程，且始终以学生的在线深度学习为目标。

1.模型构建的可行性

在过程与步骤行为上使学习分析与在线深度学习紧密融合是构建该模型的重要条件。在线深度学习过程应包含学习准备、深度理解知识、知识迁移应用与创造三个阶段。[9]其中，学习准备阶段对应的学习行为是教师在线备课行为和学生学习准备行为;深度理解知识阶段主要有学生自主学习行为和学习交互行为;知识应用阶段包括学生问题解决行为以及学习交互行为。一个较为完善的学习分析过程应包含收集处理数据、分析解读数据、结果反馈应用三个部分。[10]以学习分析的一般过程为主线，可从以下三点来论述构建学习分析技术支持的在线深度学习模型的可行性。

（1）在线深度学习数据的收集与处理

在在线学习模式下，学习分析所收集的数据主要来源于在线学习平台。在线深度学习中的学生自主学习、学习交互、学习问题解决的行为数据是学习分析的主要数据来源。学生自主学习行为数据主要包括观看教学视频的时长、暂停的部分、快进的部分以及重复观看的部分。学习交互行为数据包括学生参与互动与讨论的情况数据。例如，学生参与互动讨论的频次、学生参与互动与讨论时倾向的问题内容以及学生的发言内容。学生问题解决行为数据主要包括学生完成学习任务或项目时所提交的作业、作品等。

（2）契合在线深度学习的分析方法

学习风格、学习动机和学习投入是影响在线深度学习个体方面的主要因素，学习层次是判断在线深度学习实现程度的指标。因此，学习分析方法主要采用社会网络分析、语义分析、内容分析，以全面掌握学生的学习特征，评估学生的学习层次。运用社会网络分析法，能够了解学生如何在学习过程中建立并维持关系、如何使自己获得在线学习支持以及学生是否产生认知困难、哪些情境因素对学生的学习过程产生了影响等。[11]以文本为对象的语义分析，可以揭示语言背后的深层意义，剖析学生的思维过程，研究学生知识体系的建构过程。内容分析不仅能对在线学习中学生产生的数据进行定量化分析，探寻学生的学习特征，还能对其进行定性分析，以预判学生当前的学习状态。

（3）作用于教师和学生的分析结果

学习分析的结果不仅可作为教师教学决策和干预措施的关键依据，还能帮助学生客观认识自我学习画像。利用图文性的软件平台，对结果进行多终端的可视化呈现，教师和学生可以直观地了解学生特征以及在线深度学习程度。教师可据此优化在线备课行为，学生也可依此优化学习准备行为。只有教师和学生都紧紧围绕自己的所属步骤积极地开展工作与学习，才能发挥学习分析对在线深度学习的显著促进作用，在线深度学习方能顺利进行。[12]

2.模型构建过程

根据以上阐述，笔者构建出了学习分析技术支持的在线深度学习的模型，如下图所示。学习分析过程和在线深度学习过程作为整个模型的主体部分，是学习分析支持在线深度学习过程的骨架，教师、学生和学习平台作为模型的对象部分，承担着产生数据和内化分析结果、促进在线深度学习实现的重要责任。

该模型的构建过程分为以下三个阶段。

第一阶段：教师设计并组织一轮在线学习，生成可收集的学习数据。按照在线深度學习过程，第一轮在线学习应包含三个步骤：①学习准备。教师进行第一轮在线备课，学生做好第一轮学习准备。②深度理解知识的学习。学生进行自主学习，其间穿插进行学习交互，以加深学生对学习内容的理解。③知识的迁移应用与创造。这部分通常采取提问或者布置学习任务的形式，让学生在问题解决中实现对知识体系的建构与更新。

第二阶段：随着第一阶段的完成，学习分析过程得以开始。先要收集和处理第一阶段产生的在线学习数据，随后根据数据类型的不同和分析目的的不同，运用对应的分析方法对数据进行分析，同时结合学生的身份背景和学习内容的学科背景对分析结果进行解读，从而有效地呈现学生的学习动机、学习风格、学习方式、学习投入、学习层次等。最后，利用计算机图形学和图像处理技术将分析结果整理为可视化报告。

第三阶段：将图文结合的可视化分析报告，通过各种终端设备呈现给教师和学生，同时可通过在线学习平台为学生智能推送学习资源。从理论上看，学习分析结果的反馈能够帮助在线深度学习的评价，提高教师的在线深度教学能力，促进学生反思且主动地学习，增强学习内容的适切性;从实际操作上看，它对后续教师的在线备课、学生的学习准备和平台的资源智能推送有着重要的指导意义。因此，这一阶段是学习分析技术对在线深度学习发挥支持作用的重要阶段。

● 结束语

本文首先以学习评价、教师能力、学生学习、内容资源为着力点，探讨了学习分析技术支持在线深度学习的四个方向，继而构建了学习分析技术支持的在线深度学习的模型，清晰阐释了学习分析技术促进在线深度学习的三个具体阶段，从因果剖析到实施步骤，表述了学习分析技术给在线深度学习带来的机会和可能。科学技术的快速发展应当为破解社会教育难题、打破低效教育模式瓶颈提供强有力的技术支持，以充分发挥其教育效用。以学习分析技术为钥匙，解开在线学习数据背后的复杂隐秘，帮助在线学习摆脱质量不佳、层次不高的困境，是赋予在线学习持久生命力的有效途径。

参考文献：

[1]何玲，黎加厚.促进学生深度学习[J].现代教学，2005（05）：29-30.

[2][4]吴秀娟，张浩，倪厂清.基于反思的深度学习：内涵与过程[J].电化教育研究，2014，35（12）：23-28+33.

[3]殷常鸿，张义兵，高伟，等.“皮亚杰-比格斯”深度学习评价模型构建[J].电化教育研究，2019，40（07）：13-20.

[5]吴亚婕.影响学习者在线深度学习的因素及其测量研究[J].电化教育研究，2017，38（09）：57-63.

[6]毛刚.学习分析作为元认知反思支架的效能研究[J].电化教育研究，2018，39（09）：22-27.

[7]李洪修，丁玉萍.深度学习视域下在线教学的审视与思考[J].课程·教材·教法，2020，40（05）：64-70.

[8]钱瑛.在线学习用户持续使用行为的影响因素研究——基于社会化网络环境和学情定位视角[J].现代情报，2015，35（03）：50-56.

[9]颜磊，祁冰.基于学习分析的大学生深度学习数据挖掘与分析[J].现代教育技术，2017，27（12）：18-24.

[10]陈星，马燕.基于学习行为大数据的深度学习分析模型及实现[J].数字教育，2019，5（02）：19-23.

[11]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（01）：85-92.

[12]李勇，程结晶.学习测量有效促进深度学习的模型构建研究[J].教育现代化，2017，49 （04）：174-177.