智能环境下以学习者为中心的学习分析：潜力和挑战

袁莉

与传统的教育数据挖掘（Data Mining）和学术分析（Academic Analytics）不同，学习分析（Learning Analytics）将教育数据的分析应用，从教育管理决策和学术评估转向教学过程中对学生学习的反馈和干预，即为教师改进课程、教学设计以及学生改善学习策略、路径提供可视化、可操作的分析和建议。近年来，以学习者为中心的教育理念要求学校和教师从新视角、新模式出发，以激发学生的学习兴趣、学习投入和学习收获为目标，建立一个有利于学生未来发展的教育教学评价体系。而学习分析作为可以通过记录、分析学生的学习环境和学习轨迹，来发现学习规律，预测学习结果，进而了解学生学习策略和促进有效学习的技术和方法，受到前所未有的关注和重视。

不同教学模式决定学习分析技术和方法的应用也有所不同，其目的是通过自动反馈提高学习者在教学活动中的表现，为学习者提供更多的学习机会。例如，学习者可以根据学习分析的反馈，即时调整、改进自主学习的进度和策略;还可以记录合作学习过程中小组成员互动的情况，解决个体参与度与集体成果的关系等合作学习评价中的“黑箱”问题。

教育研究发现，在所有的教学场景下，学习策略和方法的采用与学生的个性一致，学习策略也与学生的学习成绩息息相关。因此，在学习分析过程中强调学生的个体差异是关键。在学习过程的早期，学习分析基于跟踪数据的预测模型，收集到的学生初始能力信息往往非常有限，很难为个别学生生成准确的预测和个性化的反馈。此外，在没有适当考虑学生学习策略和个性特征的情况下，从轨迹追踪和行为数据生成的反馈，可能会对反馈和干预的有效性和精确度有很大的影响。所以，我们的注意力和关注点应该是如何提高教师运用学习分析进行教学反馈和开展发展性评价的素养。

学习分析的根本是以解决教学中的问题为导向，而非单纯的数据驱动。设计以教师和学生为中心的学习分析工具，需要强调学习设计和学习科学的结合。在学习分析工具的研发和应用中，不但要考虑技术应用的多样化，还要关注教学场景的复杂性，这样才能避免评估和处理学习分析中的误差和偏见。许多前期的研究证明，学习分析的数据面板如果仅仅展示那些容易被可视化的数据分析，不仅无法促进学习，还可能产生反作用。因此，应该放弃先入为主的设计决策，以真正的教育问题和难点为导向，对数据进行收集和分析，提供可供参考和实践的方案。另外，为使学习分析能够有效地支持教学活动，在其设计、数据收集和分析的过程中，需要考虑一系列人为因素，特别是教师与学生的内在特性和驱动力，包括为什么收集这些数据以及如何通过分析进行反馈等。我们需要不断提高教师和学生参与学习分析的设计、解释及应用等各个环节的机会。

人工智能为我们解决教育中的许多相关问题带来了希望，也为学习分析提供了前所未有的机会和潜力。例如，人工智能提供了新的收集和分析数据的方法，可以多模态、多维度地对学生及其所在学习环境的数据进行收集和分析。此外，为更好地解释学习过程和机制，评价有效的学习设计和学习者学习的具体画像时，也可以有效地运用人工智能提升反馈质量和自动检测反馈属性。但是，目前学习分析中对深度机器学习价值的利用还非常有限;同时，在学习分析中也需要加强人工智能在教育场景中运用的可解释性。智能技术环境下，传感器和可穿戴跟踪器等数据收集和分析方法正在迅速发展，以前所未有的规模实时收集和处理各种数据。一方面，使用传感器可以捕获学习过程的可观察事件，如学习者的行为和学习环境，采用人工智能进行自动分析和反馈，检验对学习策略、时间管理和自我调节的影响，并衡量其反馈的效果。然而，学习过程也包含潜在的属性，如学习者的认知或情感等内在属性是传感器无法观察到的，需要人的参与，从而做出更全面的分析，并得出合理的解釋。另一方面，人工智能并不能解决数据质量问题，因此需要好的教学设计。将先进的教学理论、学习分析方法和人工智能有机结合，才是实现以学习者为中心教育目标的关键。

本期专栏文章《人工智能与面向未来的学习分析》（Artificial Intelligence and Learning Analytics for the Future）中，澳大利亚莫纳什大学的德拉甘·加塞维奇（Dragan Gaševi['][c]）教授回顾了近几年国际学习分析研究及应用方面所面临的挑战和主要成就，探讨在未来学习分析的发展中，应该如何从人工智能等相关技术和领域的研究中受益。该文剖析了学习分析框架中数据收集、模型建立及实践应用中的关键问题，并运用大量实证研究案例展示学习分析在促进自主学习、合作学习，以及外语教学中的应用潜力和面临的挑战。