面向数智化决策的学习分析研究要旨与动向*——基于2011—2021年LAK会议论文的质性元分析

□ 赵 帅 王 炜 江 毅 刘 艳

一、引言

学习分析与知识国际会议（International Conference on Learning Analytics&Knowledge，LAK）作为学习分析领域的顶级学术会议，汇聚和展示了学习分析领域最具权威的学术观点，是学习分析领域前沿与动态的方向标。有学者在不同时期总结了该领域的研究进展。吴永和教授团队分别对第四届、第七届、第十届和第十一届的LAK进行研究，以横向视角重点呈现当年学习分析的研究热点（吴永和,等,2014,2017,2020;陈雅云,等,2021）。牟智佳等（2016）、曹帅等（2016）则纵向梳理了2011—2015年LAK会议，探寻5年前学习分析研究热点的演进。如今LAK已走过十一年的历程，学习分析的发展与研究在不断地深化与迭代。对LAK十一年的重新回眸，有利于追踪国际学习分析领域的最新研究进展，厘清学习分析研究的主题架构与热点脉络，展望学习分析研究的未来动向，对我国学习分析领域研究的开展具有重要的参考价值。

二、研究设计

（一）样本选取与特征值编码

本研究采用质性元分析的方法，选定学习分析与知识国际会议自创办以来至今收录的全部论文为分析对象。剔除会务介绍等无效样本后，共获得769篇文献。

本研究对纳入质性元分析的样本从宏观到微观，按照作者、区域、研究主题和重要文献标识四个维度进行编码（Tang,Chang,&Hwang,2021）。作者与区域信息采用原值编码，研究主题采用文献关键词编码，编码过程中对关键词字母大小写、同义词和单复数等情况进行同义修改或转换。重要文献标识采用当前数据集中的总被引频次（Total Local Citation Score，TLCS）作为指标，重点关注典型的前沿性学习分析实证研究。编码工作由两位研究者独立完成，针对存在的分歧进行讨论并达成一致。编码信度系数为0.889，符合一致性要求。

（二）编码分析工具与框架

对编码结果数据进行分析的工具有Excel、Ucinet 6.0、NetDraw和SPSS 22.0。其中，Excel用于完成关键词共现矩阵和TLCS排序；Ucinet 6.0与NetDraw用于呈现作者和区域分布、可视化关键词共现网络结构、计算节点中心性以及K核主题聚类；SPSS 22.0用于关键词多维尺度分析。

分析框架如图1所示。

三、研究过程

（一）作者和区域分布分析

NetDraw的制图结果显示，作者和区域分布的网络结构图谱呈现出聚集交错的特征。从研究的区域分布来看，文献来自42个国家和地区，美国聚集于网络中心且节点最大，表明美国在LAK中研究成果产量位于榜首，共计312篇。澳大利亚、英国、加拿大聚集于次中心，并彼此连线交错，表明美国、澳大利亚、英国、加拿大在LAK的研究最为活跃且存在相互合作。此外，网络结构图中的国家和地区主要分布在欧美等相对发达区域，全球发展并不均衡。从作者情况来看，文献产出量最多的作者是英国开放大学的丽贝卡·弗格森（Rebecca Ferguson），该学者关注网络环境下学习者的交互协作行为分析，以9篇的文献总量列居榜首。荷兰开放大学的亨德里克·德雷克斯勒（Hendrik Drachsler）关注学习分析中的伦理道德问题，以8篇研究成果位于第二名。美国学者艾丽莎·怀斯（Alyssa Wise）聚焦学习分析中教学干预与学习者参与度，以7篇成果位于其后。此外，英国的道格·克劳（Doug Clow）的被引率最高，TLCS/N值为57，他关于学习分析技术在慕课中应用的研究得到国际研究者的持续关注和引用，是最具认可度的国际知名专家之一。以多模态教育数据挖掘见长的阿贝拉多·帕尔多（Abelardo Pardo）和以数字化学习环境为主要研究方向的罗伯托·马丁内斯-马尔多纳多（Roberto Martinez-Maldonado）的TLCS/N值分别为15.5和12.3，均来自澳大利亚，二者也作为高频作者高显于图谱中。

（二）关键词主题聚类分析

1.关键词共现网络分析

图2为2011—2021年学习分析领域高频关键词共现网络结构图，图中节点为高频关键词。学习分析处于网络中心位置为研究核心内容，体现LAK的办会宗旨。环绕呈现出慕课、教育数据挖掘、高等教育、预测分析和反馈等主题，表示学习分析与慕课、高等教育的关联态势显著密切，意味着慕课和高等教育是学习分析领域研究的重点主题，暗示了学习分析的重要应用载体为高校和慕课。同时，数据挖掘技术、机器学习、预测技术、伦理道德等话题也在网络中占据重要地位，可见数据与信息技术在一定程度上延展学习分析的内涵，推动学习分析的发展。

图2 高频关键词共现网络结构图

2.凝聚子群分析

对关键词之间的凝聚关系进行K核分析，依据高频关键词节点的核心度将关键词归为不同的凝聚子群。表1列出每个关键词节点的核心度和分区情况。由于网络数据局限，SNA的K核聚类效果不显著，为在低维空间呈现LAK会议论文关键词的相互关系，本研究对高频关键词的距离矩阵进行多维尺度分析。多维尺度分析能将各个关键词以点的形式呈现，而关联性较强、相似程度较高的关键词会向心聚集进而形成不同的关键词类团。

表1 关键词节点的核心度和分区情况

3.多维尺度分析

运用SPSS 22.0软件基于欧式（Euclidean）距离对高频关键词的距离矩阵进行多维尺度分析。在较低维度空间中直观判断出LAK的研究主题类型及其分布。如图3所示，其信度和效度的估计值（Stress=0.4224，RSQ=0.2893）在置信区间内。

图3 关键词多维尺度分析结果图

多维尺度分析结果大致可分为6个类团，分别是类#1（学理研究）、类#2（数据挖掘）、类#3（学业预测）、类#4（监控与反馈）、类#5（干预与决策）和类#6（安全与伦理）。表2整理了关键词聚类分析结果。其中类团2（数据挖掘）处于多维尺度分析图的中间位置，表明其与其他主题研究关系密切，是学习分析领域的中心研究主题。

表2 关键词聚类分析结果整理

表2展示了每个聚类所辖的关键词。聚类1主要由慕课、高等教育、混合式学习、框架以及理论等关键词组成，偏重学习分析的学理性研究。聚类2主要围绕教育数据挖掘与分析展开，包括学习者的学伴间交互与认知过程等数据挖掘类型，涵盖了认知网络分析与内容分析等数据分析方法。在聚类3中出现了主要用于预测学习者学业表现的多种程序算法与学习者建模，足见提高学习者学业表现预测准确度是学习分析的研究热点之一。聚类4聚焦学习分析的监控与反馈方式，主要包括学习分析仪表盘、学习路径等可视化呈现方式。聚类5指向学习分析中的教学干预与智能决策，包括学业早期预警、教学干预、教学设计等人工介入方式，也包括智能教学系统、教育推荐系统等智能自动决策形态。聚类6关注数据安全与学习分析中的伦理道德问题，包括用户数据隐私、道德标准、政策保障等关键词。六个聚类分别代表学习分析的六大研究主题：理论研究、数据挖掘、学业预测、监控与反馈、干预与决策以及数据安全与伦理道德。

（三）关键词阶段演进分析

本部分研究侧重分析不同时期学习分析领域研究高频关键词的演变趋势。基于历届LAK主题的变化，本研究将LAK发展历程划分为2011—2012年、2013—2015年、2016—2018年和2019—2021年四个阶段，这与吴永和等（2020）总结的四个阶段划分较为一致。利用Netdraw分别绘制了四个阶段学习分析领域高频关键词共现网络结构图（如图4-图7所示）。

图4 2011—2012年高频关键词网络结构图

图5 2013—2015年高频关键词网络结构图

图6 2016—2018年高频关键词网络结构图

图7 2019—2021年高频关键词网络结构图

2011—2012年较核心的关键词包括“社会学习”“社会网络”“大学教育”等，可见这个阶段的学习分析研究偏向于学习分析技术与社会、学校教学等实践应用层面的整合；2013—2015年较核心的关键词是“慕课”“文本挖掘”“过程挖掘”“协作学习”“设计研究”“数据可视化”等，该阶段学习分析研究聚焦数据挖掘技术，注重与学习科学的深度融合，并在理论、实践和技术三个维度逐步形成体系架构；2016—2018年新显现的关键词包括“留存率”“伦理”“参与”“反馈”“学习设计”等，可见该阶段学习分析更加体现以用户为中心，更加注重学生的学习体验，特别是从2016年开始“机器学习”“多模态”等关键词中心性逐渐上升，从一定程度上表明学习分析的研究取向进入一个新的阶段，开始多样化发展，尝试向其他学科跨领域迈进；2019—2021年出现了“自主学习”“知识训练”“深度学习”“神经网络”等关键词，表明这个阶段学习分析开始偏向于关注学生学习的主动性和自适应性，人工智能技术与学习分析的融合十分明显，可见当前阶段LAK的研究正向着多层次、宽领域来拓展学习分析研究的深度和广度。

（四）代表性前沿研究遴选

从表3可得，“学习分析”“慕课”“教育数据挖掘”等关键词在高频关键词共现网络中有较高的度数中心性，处于较重要的地位，为学习分析领域的发展提供了较多的知识溢出；“高等教育”“慕课”“混合式学习”“反馈与评价”等关键词在高频关键词共现网络中有较大的中间中心度，这些中间中心性数值较大的关键词更有可能在网络中扮演“枢纽”与“过渡”的角色；“在线教育”“数据挖掘”“学习者建模”“自我调节学习”“智能学习系统”“伦理”等在高频关键词共现网络中有较小的接近中心性，表示在网络中有较佳的视野，后续发展的前景广阔，这些关键词更有可能成为学习分析的发展前沿。

本研究对近三年较小接近中心性关键词所在文献按TLCS值降序排列后，遴选出典型的实证研究，用以析出学习分析发展前沿。如穆伦纳尔等（Molenaar,et al.,2020）提出实时合并学习阶段数据学习路径图，以了解学生对自我调节学习支持的需求，及时介入支持；基于斯里瓦斯塔瓦（Srivastava,2021）的研究可知，挖掘生理数据的传感设备应用可以多通道地追踪学习者的注意力变化，进而促进学习者在学习过程中的情绪监控与调节；埃尔坎（Erkan,2021）基于语义分析的协作同伴反馈理论，将同伴反馈作为提升同伴协作活动的支架，证实能够有效提升学习者互动水平。所遴选的代表性前沿研究主要涵盖学习分析理论模型发展、感知设备等新兴技术在学习分析在的运用、多模态数据挖掘与整合、学习分析技术与脑智能科学、人工智能融合等前沿话题。

表3 中心性度数值

四、研究发现

（一）活跃的研究学者与地区

在区域分布上，学习分析领域形成了以英国、美国、澳大利亚和加拿大等为首的具有重要影响力区域，出现了英国开放大学、美国斯坦福大学和荷兰开放大学等具有重要影响力的研究机构。涌现了丽贝卡·弗格森、亨德里克·德雷克斯勒、艾莉莎·怀斯（Alyssa Wise）、陈伯东（Bodong Chen）、道格·克劳等活跃的参会学者。丽贝卡·弗格森等（Ferguson&Shum,2012）关于社会学习分析的五种方法等得到了学界的广泛肯定。亨德里克·德雷克斯勒等（Drachsler&Greller,2012）的《学习分析利益相关者的理解和期望》一文也具有较高的影响力。道格·克劳（Clow,2012）提出的学习分析周期有效的闭环持续得到国际研究者的关注和引用。

（二）学习分析六大研究主题

基于关键词主题聚类分析结果，研究构建出学习分析研究主题结构，如图8所示。其中数据挖掘、学业预测、监督与反馈、干预与决策四个研究主题共筑学习分析的数据运转的闭环。学理研究和安全伦理两个研究主题作为学习分析理论建立与实践应用、技术开发共同构成学习分析的研究维度。

图8 研究主题结构图示

1.学理研究

加拿大学者乔治·西蒙斯等（Siemens&Baker,2012）指出学习分析的跨学科特点及其与众多外围研究领域存在着密切的联系。西蒙斯（Siemens,2012）认为学习分析作为一个完整的循环系统应统整学习分析中的各研究流派，共同开发为促进用户学习优化的方法、模型与工具，并推进学习分析成为一个新的理论与实践结合的独立学科，增强学习分析在教育中的突出地位，深度吸纳外围支持性学科的理论，扩展学习分析的跨领域实践。谢恩·道森等（Dawson,Joksimovic,&Poquet,2019）认为学习分析研究多以探索数据技术为主线，学习分析在重点和复杂的数据分析领域取得一定成果，但对教育教学的理论和实践层面的影响依然有限。由于网络学习者规模庞大且时空分离，教学管理者准确把握学习者学习行为特征与规律的难度远比现实课堂要大，学习分析须挖掘和处理用户的学习行为数据，锁定用户学习过程的关键节点，总结行为规律，从而帮助教育者设计更有效的教学支持模型（Coffrin,Corrin,de Barba,&Kennedy,2014），以实现教学的差异化和学习的个性化。

2.数据挖掘

有研究表明，学习者的参与动机、学习习惯、情感状态等是影响网络学习者学业持续的诱因之一（Chen,Fan,Zhang,&Wang,2017）。早先对于学习者学习行为挖掘主要依靠收集学习者访问学习系统的频次、学伴间互动的频次和发帖数量等。然而仅对频次单一维度的数据分析不足以深度反映学习者的真实全貌。随着学习分析与计算机科学、心理学等周边学科的不断交叉融合，多模态的数据挖掘越来越多地受到了研究者的关注。例如，对学生的发帖讨论内容的文本分析可以反映出学习者在学习过程中遇到的困难及其内心思维的境脉（Samson,2014）；眼动和脑电波的应用可以了解学习者在学习过程中的生理变化，帮助确定影响学习态度意向的内在因素（Zhu&Feng,2015;Mills,Fridman,Soussou,Waghray,Olney,&D’Mello,2017）；在现实学习环境中采用视频和移动定位分析，可以获取学生注意力和小组协作情况的变化，为教学策略的设计提供依据（Healion,Russel,Cukurova,&Spikol,2017）。美国学者阿诺德与皮斯蒂利（Arnold&Pistilli,2012）探讨了一个名为Course Signals的学习分析系统，该系统对学生学业的预测，不仅依据学生的考试成绩，更综合考量学生的学习基础、互动频次、努力程度和情感状态。通过教师邮件和亮红灯的手段来对学生进行实时提醒，并实证了此系统对提升学业成功率的有效性。学习分析数据挖掘正朝着多模态趋势发展，这与牟智佳等人（2021）在多模态学习分析研究综述所得结论相互佐证。

3.学业预测

学习者学业表现预测是学习分析研究中最多产的话题之一。构建与优化预测模型是预测学习者学业表现的重要任务（Wolff,Zdrahal,Nikolov,&Pantucek,2013）。回归算法是学习分析研究中实现预测模型的最常用的方法（Elbadrawy,Studham,&Karypis,2015）。由于多模态数据挖掘的开展，数据容量激增，这不仅存在数据隐私泄露的可能，同时也增加了预测模型的运算负担。目前越来越多的学者建议运用最少的数据量开发其他相对先进的算法，如集成方法、深度学习算法以及使用经验贝叶斯的方法，在体现出良好的预测能力的同时也能够实现数据简约性（Elbadrawy,et al.,2015;Lu&Hsiao,2019;Xing&Goggins,2015）。这与田浩和武法提（2020）在学习分析视域下学习预测研究发展图景的观点相呼应。

4.监控与反馈

在监控与反馈层面，杜瓦尔（Duval,2011）呈现了一款学习进度的可视化工具，即学习分析仪表盘，该工具将用户学习过程数据可视化，以更加直观地展示信息，不仅监控用户学习进度，还为用户的决策提供依据。吉维特等（Jivet,Scheffel,Specht,&Drachsler,2018）指出学习仪表盘作为学习分析中的可视化干预工具，在辅助决策制定方面有着重要的实践意义，但对其理论的深探仍有空间。他认为学习分析是学习科学和数据科学的交叉领域，基于这两个领域的专业知识和理论模型，该研究提出了学习分析仪表盘的教育概念，针对学习分析仪表盘的设计提出建议。恩塞尔（Öncel,2021）证实对学生学业进行实时的过程性的反馈，能够激发学生的自我调节学习能力，对学生学业产生积极作用。

5.干预与决策

干预与决策作为学习分析的最后阶段，指的是以学习过程的教育大数据的分析为基础，针对每位学习者的具体学习状态而实施的预警与指导。怀斯（Wise,2014）提出了学习分析干预设计的四大原则，使教师和课程开发人员可以更有效地使用学习分析支持学生学习。在学习分析中教学干预与决策主要存在自动化、人工介入和混合型三种模式。邱创凯等（Chiu&Tseng,2021）提出了一种智能课堂学习状态管理系统，通过传感器技术和视图识别技术检测和收集数据，使用贝叶斯分类网络来推断学生的学习状态。该系统包括一个反馈机制，不仅向教师提供实时学习状态分析结果，还通知在课堂上被检测到注意力不集中的学生。江维杰等（Jiang,Pardos,&Wei,2019）研究开发了一种新的基于递归神经网络的智能学习系统，该系统能够自动帮助学生准备个性化的目标课程，推荐学习资源，实现最近发展区，帮助学习者克服学习困难，顺利完成学习。但卡斯特罗谢兹等（Castro-Schez,Glez-Morcillo,Albusac,&Vallejo,2021）则表示过度干预会对学生学习造成负面影响，如智能依赖、分散注意力等。

6.安全与伦理

学习分析系统将所收集与存储的学习者个人信息与行为数据生成电子学档，系学生个人隐私。数据的无序流通与共享，或可导致隐私保护和数据安全方面的重大风险，学习分析系统有必要增强面向用户的透明度，如包含数据的采集范围和目的等（Slade,Prinsloo,&Khalil,2019）。德雷克斯勒等（Drachsler&Greller,2016）分析了由于用户隐私泄露带来的伦理道德问题是致使学习分析和教育数据挖掘的研究停滞不前的原因。他提出了符合伦理、能被用户信任又可用于学习分析数据收集的八项数据清单。这八项数据可由研究人员、政策制定者和教育管理人员应用。此外，防范人工智能算法歧视与保障低收入国家妇女儿童享有公平的信息化教育机会成为联合国教科文组织所重点关注的议题之一（Lepri,Oliver,&Pentland,2021）。学习分析技术的发展须对数据安全与人工智能算法歧视问题加以限制和规范，倡导开放、包容的学习分析技术在教育中的全球化实现。

（三）三维四阶段的研究演进

1.阶段一：2011—2012年

2012年LAK正式提出学习分析的概念，是以理解和优化学习和学习发生之环境为目的所进行的有关学习者及其环境的数据之测量、采集、分析和报告，并在理论层面析出了学习分析“收集、分析、预测、干预”的闭环模型，在完整的循环系统中不应割裂系统中的元素，应以整体性视角促进学习分析理论框架的建立（Clow,2012;Siemens,et al.,2012）。实践层面侧重关注计算机支持的协作学习和在线教学中学习分析的应用效果研究，研究结论主要呈现学习分析技术的功能与优势。技术层面以数据可视化、统计描述和文本对话分析等分析为主，属于学习分析的技术奠基阶段。

2.阶段二：2013—2015年

在理论层面，学习分析与计算机科学、心理学、教育学等学科充分融合，学习分析的跨学科特点进一步增强，并且学习分析与协作知识建构、混合式学习等教学模式深度融合，构建了以数据为驱动的新型教学模型。在实践层面，受全球慕课兴起的影响，研究者着力探索学习分析在慕课中的作用效果，研究结论多呈现高等教育中在线学习者的学习行为特点与规律，以及对慕课开发与设计的启示（Coffrin,et al.,2014）。在技术层面，教育数据挖掘是该阶段会议论文的主要研究方向。从这一阶段开始大量融入一些新型数据挖掘手段，如用户的基本信息、视频访问情况、论坛互动频次以及学习体验报告的文本等。数据挖掘手段的更迭进一步提高了学习分析系统对学习者学业诊断和预测的准确率（Nwanganga,Aguiar,Ambrose,Goodrich,&Chawla,2015）。

3.阶段三：2016—2018年

在理论层面，学习分析理论进一步深化，衍生出关于学习分析作为学习科学和数据科学的交叉领域的专业知识和理论模型（Jivet,et al.,2018），并涌现出如“学业参与度”“学业满意度”等新的研究视角。在实践层面，伴随对学习者行为数据的挖掘和积累，研究开始关注大数据环境下的数据安全问题。在技术层面，伴随智能技术与算法的不断优化，提出点击流数据与自然语言处理指数结合的方式可以提高学习分析系统对学生慕课完成情况预测的准确率。这一阶段的学习分析技术呈现叠加应用的态势，为用户提供动态的、多模的、个性化的支持（Ochoa,Domínguez,Guamán,Maya,Falcones,&Castells,2018;Crossley,Mcnamara,Paquette,Baker,&Dascalu,2016）。

4.阶段四：2019—2021年

在理论层面，学习分析体系日趋成熟，理论上构建了以大数据为核心的联动师生、家校、政府的多级社会教育体系，提出学习分析应从基于数据科学的探索性研究转为整合教育科学的更全面更系统的理论研究（Dawson,et al.,2019）。在实践层面更加推崇自我调节学习，探寻了影响自我调节学习成效的因素，主要研究结论为学习系统对学生自我调节行为的理解和识别是支持其自我调节学习的关键。在技术层面，不断开发新兴的算法，智能化水平也进一步提高，该阶段的技术发展使得学习分析在描述、诊断、预测和指导学习方面都进一步实现了向自动化、智慧化的迈进（Kia,Teasley,Hatala,Karabenick,&Kay,2020;Lu&Hsiao,2019;Karumbaiah,Lan,Nagpal,Baker,Botelho,&Heffernan,2021）。

从四个阶段高频关键词的演变趋势来看，学习分析形成了三大主要维度：理论研究、实践研究与技术研究。在理论层面，作为具有学科交叉属性的学习分析，在充分吸纳外围学科领域的理论与观点的基础上，由外向内地逐渐丰富自身的理论框架，形成了较为系统的领域体系。在实践层面，学习分析通过在教育教学中的实际应用，在检验与修正理论假设的同时积极延展学习分析的应用场域，寻求领域多样化拓展，由内向外地扩大其在相关领域的影响。在技术层面，学习分析发展与大数据技术发展存在密切关系，学习分析伴随大数据技术的发展，实现了用户的多模态学习数据挖掘、处理与运算，完成了从描述性、预测性的学习支持向支持个性化学习干预的转变，未来将致力于指导性决策等更深层次的智慧应用，精准地提高教与学的质量。

五、研究启示

（一）关注学习发生机理与学习分析学理框架的建构

未来学习分析技术在教育应用的场景将伴随着信息科技的不断发展而延展推进。学习分析也正逐步从正式学习走向非正式学习，从现实走向虚拟。当前学习分析的学理框架主要由数据科学体系架构而来。赵富征等（Zhao,Hwang,&Yin,2021）提出基于结果确认的学习行为分析（ReCoLBA）框架，该框架添加学习行为追因环节，通过挖掘行为背后的教育归因，使ReCoLBA框架更加切合学习发生的机理，帮助学生取得更好的结果。奥尔加·维伯格等（2020）提出学习分析领域研究的分析框架，从本体论范式、实体论范式、存在论范式和本质论范式四个维度分析了学习分析领域如何在方法上受到教育数据挖掘、量化民族志、大规模学习等领域的影响。未来学习分析研究应从基于数据科学的探索性研究，转向整合学习发生机理、面向多维场景的创新性、跨范式研究，不断完备学习分析学理框架的建构，使学习分析在新兴学习场景中发挥其对学习的理解和优化学习的潜力。

（二）关注感知技术支持下多模态学习数据的挖掘

学习分析技术所纳入的数据维度越加复杂，对未来教育的可预见性也越高。学习分析的数据输入变量从人口统计数据、学业成绩、教育记录逐渐扩大到在线讨论内容、登录频率与访问持续时间，甚至包括脑电波、面部表情、移动点轨迹等数据。未来学习分析的数据收集伴随感知技术的融入正向着多模态化迈进。智能腕带、可穿戴设备以及人类活动识别传感器等微小型、嵌入式的感知设备运用将为学习分析提供准确研判的依据。蔡明锋等（Tsai&Huang,2021）在物联网系统中使用深度学习技术分析感知设备记录的姿势信息和声音信号，结果表明该方法将准确率提高了70%。此外，普洛茨（PlÖtz,2021）提供了一套自动化传感器数据分析技术实用指南，指导教师利用微型传感设施客观感知学习场景中的学习行为，实现学习分析自动化动态预测。学习分析研究应致力于为学习者提供最佳学习体验，挖掘教育大数据背后潜在的价值，攻克多通道数据模态的异质性和虚实融合学习场景等复杂问题，寻找并完善支持学习者学习的最优决策。

（三）关注脑认知科学和学习科学与学习分析的融合

学习科学汇集和整合关于脑科学的最新研究。华东师范大学心理与认知科学院的胡谊教授及其团队，采用近红外光谱成像的大脑超扫描技术，对学习资源和呈现方式所引发的学生偏好、师生间的大脑同步进行了深入研究（Pan,Novembre Song,Zhu,&Hu,2021）。梁瑞铭等（Liang,Jiang,Jian,&Zhao,2021）基于全脑模式对在线学习行为路径进行了分析，并对在线学习平台的设计提供建议。脑认知科学在学习分析中融合主要体现在学业预测层面与自我调节学习活动设计层面。卡内基·梅隆大学的自适应学习环境主要依托自适应机器学习方法，根据人脑的学习机理模拟人脑的学习过程，使得机器学习拥有像人脑一样的元学习能力，进而增进学习分析技术在预测和指导学习方面的能力。未来，学习分析需融合学习科学的理论，汇集脑科学的最新研究成果，开发出智能学习环境中基于人脑认知原理的高级自我调节学习模型，纳入动机、认知、元认知、自我效能、目标设定、寻求帮助、时间管理和批判性反思等组成控件，使学习分析向支持自我调节学习的方向迈进，利用学习分析技术促进学习的创新变革。

（四）关注人工智能等新兴技术在学习分析领域的运用

人工智能在数字化学习中的应用主要侧重智能辅导系统的开发和应用，以及应用人工智能技术在数字化学习环境中的评价。学习者学习数据挖掘剖析和学习资源适应是未来“人工智能+教育”的研究方向（Tang,et al.,2021）。陈谢玲等（Chen,Zou,Cheng,&Xie,2021）探究了人工智能辅助个性化语言学习，提出智能辅导系统、自然语言处理和人工神经网络在促进语言学习中的个性化诊断、学习路径规划、学习资源推荐方面的积极作用。未来随着6G网络技术、扩展现实、全息投影、数字孪生、区块链技术的更加可及，学习科学将迎来全新的教育场景。“元宇宙+教育”将成为教育大数据未来发展与应用的重要场域，其虚实相通共生的特性，将引发学习方式变革，使得学习空间从物理走向虚拟，从现实走向混合，从局域走向互联。学习分析技术应以与学习场景的创新同频共振，充分发挥人工智能等新兴技术的赋能作用，成为教育变革与学习创新的保障。