我国学习分析的十年发展现状及未来路向*

李香勇 王艳

(1 桂林航天工业学院 传媒与艺术设计学院,广西 桂林 541004;2 桂林航天工业学院 党委组织部,广西 桂林 541004)

教育数字化转型推动着我国教育改革的全面深化,如何构建以学习者为中心的智慧学习环境,实现数据驱动的智能化学习服务和个性化学习指导,推动教育决策由经验驱动走向数据驱动[1],学习分析作为赋能教育数字化的关键力量,能够在其中发挥重要的作用。2011年学习分析(Learning Analytics)的概念提出,并被第一届学习分析与知识国际会议定义为 “通过测量、收集、分析和报告有关学习者及其所处环境的数据,从而了解、优化学习过程和学习环境”[2]。国内学者敏感地察觉到学习分析的广阔应用前景,于2012年开始介绍和研究学习分析,直到2021年经过了十年的发展,这十年间学习分析为人们客观理解学习过程细节、把握学习状态特征、预测学习发展趋势、实现针对性教学干预提供了有效的支持。为促进学习分析的理解与发展,提升学习分析赋能教育数字化的作用,本研究尝试通过对我国学习分析十年来的研究文献进行梳理,明晰我国学习分析十年发展的研究热点、具体应用、问题瓶颈及未来路向,为学习分析的相关研究提供参考。

1 研究方法与总体分析

1.1 研究方法

研究以中国知网数据库作为文献来源,设置检索条件为关键词包含“学习分析”或者“学习分析技术”、篇名包含“学习分析”或者“学习分析技术”,设置文献发表时间为2012年1月至2021年12月(检索时间为2022年10月16日),由于中文核心期刊(北京大学《中文核心期刊要目总览》)及CSSCI期刊(中文社会科学引文索引)属于国内的权威刊物,学术水平较高,能够代表该领域的研究水准及方向。因而,将文献来源类别设置为“核心期刊及CSSCI”,筛选掉重复文献后共检索获得452篇文献,剔除海报、书评、广告等无关内容,共获得有效文献392篇作为研究样本。

研究选用陈超美教授开发的软件CiteSpace6.1.R2对我国学习分析的作者、机构合作网络及关键词聚类进行计量分析,该软件能够通过共引分析理论和寻径网络算法绘制科学知识图谱,在软件中设置Time Slicing(时间分区)为2012至2021,Year Per Slice (时间切片)为 1,即每年一个分区,其他基本参数值采用默认值,直观呈现十年来我国学习分析的作者、机构合作关系以及研究热点,结合可视化图谱和文献的深入阅读对合作网络及研究主题进行梳理与分析。此外,还通过微软EXECL对相关数据进行统计分析。

1.2 总体分析

1.2.1 2012-2021年载文量分析

运用EXECL分析十年来我国学习分析发文数,其中,总发文数392篇,平均年发文数39.2篇。

从图1可以看出2012-2016年发表论文篇数快速增长,属于快速增长期,人们对学习分析的认识不断深入;2016-2019年属于调整期,这一时间所发表的论文数虽有起伏但差距不大,可以看出学习分析的热度有所趋缓;2019年发表论文数达到顶峰值67篇;2020-2021年受疫情影响,论文发表篇数呈下降趋势;2021年的篇数大约仅有2019年的一半,与2015年持平,可以看到学习分析在我国的研究热度正在减小。

1.2.2 2012-2021年载文量前十的期刊分析

通过对我国学习分析392篇核心期刊文献进行统计,得出载文量前十的期刊信息,如表1所示。

图1 2012-2021年我国学习分析发文数

表1 2012-2021年我国学习分析载文量前十的期刊

通过分析发现, 我国学习分析392篇核心文献共发表在54本不同的期刊中,其中和教育技术密切相关的八本期刊(CNKI复合影响因子均大于3.5)正好占据了发文量排名的前八名,共计发表文献302篇,占所有文献的81.9%,据此也可以看出学习分析是教育技术的重要研究领域,也是教育技术期刊的重点关注内容,研究者对学习分析开展了广泛而深入的研究,为学习分析的推广和应用提供了有效的支持。

1.2.3 2012-2021年引用量排名前十的文章分析

将所查询样本文献依据引用数进行排序,获得排名前十的论文及作者信息,如表2所示。从表2可以看出学习分析在我国的发展虽然仅有十年,但是受到了广泛的关注,引用数和下载量较高,最大下载量甚至达到了42 821,排名前十的论文中有7篇文章是2012年和2013年这两年间所发表的。

表2 2012-2021年我国学习分析引用数排名前十的论文信息

《大数据视角分析学习变革》(徐鹏 等,2013)一文解读了美国《通过教育数据挖掘和学习分析促进教与学》报告,辨析了教育数据挖掘和学习分析在研究目的、对象和方法上的异同,分析了自适应学习系统的组成及运转步骤,阐述了教育数据挖掘和学习分析面临的技术挑战、组织体制挑战以及隐私与伦理道德限制等,对我国学习分析宏观层面(技术支撑、管理体制支撑和法律制度支撑)和微观层面(虚拟学习社区构建、学习资源推送机制、学习路径优化)等内容进行了思考和展望[3]。

作为目前我国学习分析相关文献里下载量最高的一篇文章,《教育人工智能(EAI)的内涵、关键技术与应用趋势》(闫志明 等,2017)从介绍美国白宫科技政策办公室发布的两份人工智能报告(《为人工智能的未来做好准备》和《国家人工智能研发战略规划》)入手,思考了教育人工智能的内涵、关键技术、应用及发展趋势,以及政府、学校等组织在培养教育人工智能人才中的角色定位,提出了教育人工智能未来发展需要思考的问题[4]。

在线学习提供了具有“大价值”的数据,为学习分析提供了重要的研究基础。《基于大数据的个性化自适应在线学习分析模型及实现》(姜强 等,2015)一文在解释大数据的内涵基础上构建了包括四个重要维度(数据与环境、关益者、方法与目标)的个性化自适应学习分析模型,并通过实证研究表明该模型能够实现学习路径与学习资源的精准推送以及学习效果的准确反馈[5]。

此外,还有学者对不同用户如何应用学习分析技术(魏顺平,2013)[6],学习分析的内涵、发展及关键技术的梳理(顾小清 等,2012)[7],学习分析在MOOC本土化进程中的应用(顾小清 等,2013)[8],学习分析的典型数据分析及应用服务(李艳燕 等,2012)[9],学习分析技术研究与应用的现状(李青 等,2012)[10],在线学习行为投入分析框架与测量指标构建(李爽 等,2016)[11]以及学习分析的定义、缘起、设计框架和模型的阐述(祝智庭等,2013)[12]等方面进行了研究。

2 作者、机构合作网络分析及研究热点聚类

2.1 作者合作网络

通过CiteSpace软件进行分析,并设置Threshold值为3,即发文量两篇以上,得到作者合作网络图谱,如图2所示。其中,节点代表作者,连线表示作者之间的合作,图中出现点和线而不出现作者姓名代表发文数小于3。

图谱中共有261个节点,240条连线,中心性基本为0,网络密度为0.007 1。可以看出作者合作网络非常松散。按作者合作发文量的降序排序,如表3所示。其中,研究方向以作者最新发表文献中的说明进行标识。发文量在8篇以上的作者共9人,总发文量共占所有发文量的29.7%,9位作者基本都在师范院校从事教育技术学专业的教学,主要原因是学习分析侧重于对教学与学习的支持,是师范院校的职业需求和重要的研究方向。

图2 2012-2021年我国学习分析作者合作网络图谱

表3 2012-2021年我国学习分析作者合作发文量8篇以上的作者信息

发文量排名第一的作者是顾小清,其撰写的《学习分析:正在浮现中的数据技术》(顾小清 等,2012)是我国最早介绍学习分析的文章,该文介绍了学习分析技术产生的缘起,解读了学习分析技术的定义、要素、过程和特征,描述了学习分析技术的发展轨迹和主要的关键技术(网络分析法、内容分析法、话语分析法),从教师、学生、教育研究者的角度展望了学习分析技术的发展前景,提出了学习分析技术的发展还存在隐私、准确性、兼容性、责任分担和数据版权等方面的问题与挑战,为理解和应用学习分析技术提供了有效的帮助[7]。

2.2 机构合作网络

运用CiteSpace软件对机构合作进行分析,如图3所示。所有机构标注到二级单位的以一级单位进行合并,同一作者标注两个单位的,以第一单位进行统计,获得合作频次排名前十的机构合作信息如表4所示。

图3 2012-2021年我国学习分析机构合作网络图谱

通过分析发现,图谱中共有194个节点,201条连线,网络密度为0.010 7。节点之间连接线较少,可以发现机构间交流不足、合作网络稀疏,图谱中的机构文字大小代表了发文量的高低,图中文字较大的、合作频次在20次以上的基本是师范院校(如表4所示)。其中,发文量最多的是北京师范大学,该机构包括了教育技术学院、学习设计与学习分析重点实验室、未来教育高精尖创新中心、智慧学习研究院等多个子机构,对学生个性化分析模型(武法提 等,2014)[13]、学习行为的投入度框架(李爽 等,2016)[11]以及学习分析的内涵、实践需求与研究领域(何克抗,2016)[14]等主题进行了分析与阐述。

表4 2012-2021年我国学习分析机构合作按频次排名的前十位信息

2.3 研究热点聚类

关键词能够突显研究文献的核心内容,为了解我国学习分析的研究热点,研究通过CiteSpace软件对2012-2021年学习分析文献进行关键词聚类,并依据时间线形式进行呈现,如图4所示。所获聚类图谱中共有318个节点,826条连线,网络密度为0.016 4,Q值(聚类模块值)为0.518 6,Q值越大代表聚类效果越好,通常Q>0.3表明聚类结构是显著的,S值(聚类平均轮廓值)为0.893 3,大于0.7,表明聚类合理并且是令人信服的。聚类所获得的10个类别分别是(见图3):学习行为、慕课、学习情境、人工智能、大数据、学习评价、在线学习、学习风格、学习科学和学业成就。

从聚类的结果看,我国的学习分析以学习者为主体,以学习科学为基础,通过在线学习和慕课中的学习行为数据尤其是大数据的研究,了解学习者的学习状态、学习风格和学业成就,从而实现客观的学习评价和学习预测,也为后续的学习情境优化和学习干预提供帮助,人工智能的助力能够为学习分析的自动化分析和实时动态呈现提供帮助。

图4 2012-2021年我国学习分析文献关键词聚类时间线图谱

3 我国学习分析的研究热点

从以上的可视化图谱中可以看到学习分析十年来的研究热点,同时,结合一些重要和热点文献的阅读梳理,发现十年来我国学习分析的研究主要涵盖了理论与模型、方法与工具、政策与隐私、现实应用以及技术探索等方面。

3.1 开展理论研讨,构建分析模型

3.1.1 学习分析的理论探讨

学习分析这一概念进入我国后,引发了研究者们的热烈讨论。学习分析究竟归属于技术、学科还是领域,研究者们有不同的认识。顾小清(2012)等用学习分析指代学习分析技术,更偏向学习分析的技术指向,她认为学习分析技术是围绕与学习者学习信息相关的数据,运用不同的分析方法和数据模型来解释这些数据,根据解释的结果来探究学习者的学习过程与情境,发现学习规律;或者根据数据阐释学习者的学习表现,为其提供相应反馈从而促进更加有效学习的技术[7]。何克抗(2016)认为,目前学习分析主要是当作手段、方法来运用,而不是作为学习科学领域的特定概念来研究,称之为学习分析技术更为恰当[14]。祝智庭(2012)等认为学习分析是以教育技术为基础的远程在线学习领域内的研究热点[15],是指对学习者产生的大范围数据的解释,这些数据用于评估学术过程、预测未来表现和发现潜在问题。他将Learning Analytics译为 “学习分析学”,似乎有看好学习分析的发展前景,可能成为一门独立分支学科之意[12]。除此之外,更多的学者赞同学习分析作为研究领域的观点(吴永和 等,2013;刘三女牙 等,2016;牟智佳 等,2016)[16-18],这与2012年学习分析与知识国际会议解释相同,该会议认为“学习分析领域是一个快速扩展的研究和实践领域”[19],这一领域汇集了一系列的方法、工具和技术,能够为解析学习过程和优化学习效果提供有效的帮助。

与此同时,学习分析的研究也逐渐向学习发生的机制等本源问题进行探索,学习科学能够为学习分析的理解提供有效的支持。学习科学的主旨是探寻“人是如何学习以及如何促进人的有效学习”,其对认知科学、脑科学、信息科学等知识的吸纳为学习分析的开展提供了研究基础,为学习机制的深层探究、学习分析促进的教学创新变革提供帮助。尚俊杰(2020)等对我国近五年来的学习科学实证研究文献进行了梳理,概述了学习基础机制、学习环境设计、学习分析技术方面取得的研究成果,提出了加强学习科学研究深度、广度等方面的建议[20]。冯晓英(2020)等分析了“2019学习设计、技术与学习科学国际研讨会”的文献,对学习设计模式、工具、方法、技术等进行了综述,认为学习设计已成为一个新的、重要的研究领域,详述了它的发展离不开学习科学的理论支撑、学习分析的数据支撑等方面的内容[21]。

3.1.2 学习分析的模式构建

学习分析建模能够简化、抽象复杂的学习过程,将各类数据进行关联规则挖掘,清晰描述学习中的核心要素与具体流程,为理解和开展学习分析提供有效的帮助。我国学习分析研究中既有从学习分析的功能出发构建的学习评价模型(毛刚,2016;郑勤华, 2016)[22-23]、学习干预模型(李彤彤,2016; 张家华,2017)[24-25]、学习预警模型(舒莹,2019;杨丰玉2021)[26-27],也有分析学习者特定方面的学习者认知水平模型(冯晓英, 2016)[28]、学习投入分析模型(舒忠梅,2015;李艳燕,2020)[29-30]、在线协作学习分析模型(郑娅峰,2017;郑兰琴,2020)[31-32];还有面向学习者个体而构建的自适应分析模型(姜强,2015;李凤英,2020)[5,33]和个性化分析模型(武法提,2014;韩建华,2016)[13,34],以及学习者模型(岳俊芳,2017;徐鹏飞,2018)[35-36]和学习分析综合模型(郁晓华,2013;魏顺平,2016;韩锡斌,2018)[37-39]等。例如,郁晓华等(2013)聚合若干学习活动情境中的注意元数据形成学习活动流,以此构建了一个学习分析的学习活动流模型,进而介绍了其在信息感知和资源推送方面的具体应用[37]。

3.2 应用方法工具,助力教学进程

学习过程产生的海量、多源、异构数据给学习分析造成了一定的困难,如何应用数据洞见教学价值,需要充分发挥学习分析方法与工具的价值。方法与工具的应用能够提升学习分析的效率,为应用多源数据的关联融合、全面反映学习状态提供了可能。

3.2.1 学习分析方法的研究

学习分析的方法包括了滞后序列分析法、经验取样法和随机森林算法等,方法的采纳为学习分析在教学实践中的创新运用提供了帮助。杨现民(2016)等从滞后序列分析法的内涵分析和软件应用出发,详细阐述了其分析流程以及学习行为分析的应用案例,进而提出了该方法的应用策略[40]。万力勇(2019)等将经验取样法引入到教育研究中,分析了其在学习体验研究中的四个领域的适用性与优势,并对其数据采集和分析如何优化提出建议,进而提出了整合学习分析技术的数据分析框架,弥补学习分析主观行为数据采集与分析的不足[41]。为解决MOOC学习中出现的用户流失问题,魏玲(2020)等构建了用户学习行为与流失预测的RFLP指标体系,以及基于GMDH算法的用户流失预测模型,通过实证研究表明,GMDH算法相比决策树与SVM算法准确率更高、应用更简单[42]。但是,学习分析方法与技术应用不能脱离教学场景,马红亮(2014)等提出要反省分析技术在学习分析领域的应用,要理性看待其作用、谨慎推进应用,应将学习分析置身于教学理论场域中思考,才能使分析技术回归教学本质[43]。

3.2.2 学习分析工具的研究

我国学者对学习分析工具的研究包括了对工具的梳理和分类,同时,也积极开展结合教育实践的工具开发。学习分析工具纷繁多样,如何应用工具提高学习分析效率是值得思考的问题。孟玲玲等(2014)将学习分析工具分成了“学习网络分析工具、学习内容分析工具、学习能力分析工具、学习行为分析工具以及综合性分析工具”等五个类别,并对每一类型中的常用工具从分析对象、数据支持格式以及优势与不足等方面进行了比较分析[44]。为使学习分析工具更加符合实际的教学需求,牟智佳等(2017)在梳理国内外学习分析工具功能的基础上,通过调查了解教师和学生对学习分析工具的具体需求,设计了面向精准教学和现实需求的学习分析工具[45]。为更好地了解协作学习状态,指导协作学习的开展,包昊罡等(2019)在分析了国外典型学习仪表盘的基础上,提出了学习仪表盘的设计原则,设计了基于协作学习的学习仪表盘并开展实践应用,通过分析表明教师乐于接受学习仪表盘,能够用它更好地支持教学的开展[46]。

3.3 梳理政策框架,探讨隐私伦理

政策能够引导、规范、推进学习分析的发展,开展本土化的政策研究成为学习分析又一热点。学习分析的过程涉及个人隐私数据以及人工智能等技术,如何规避数据与技术带来的伦理风险,发挥其正向作用成为人们思考的问题。

3.3.1 学习分析的政策框架

政府层面的支持对学习分析的发展路向起到了决定性的作用,研究者们从国外学习分析政策的梳理以及从中所展开的思考,为我国建立相应的学习分析政策提供了有益的帮助。苟江凤等(2019)通过分析发现制度与管理能力是阻碍我国学习分析发展的重要因素,从“支持高等教育整合学习分析”项目(SHEILA)政策框架的分析出发,基于欧洲高校实践应用案例的对比分析,提出了我国学习分析政策的建议[47]。高飞(2020)通过分析发现,美国和欧洲高校学习分析仍处于初级应用层次,但是出台了相关政策以推动其发展,对SHEILA框架进行了分析,选取了全面开展、准备开展、尚未开展三个层次的高校实践,通过重点行动、主要挑战和政策建议三个方面阐述了该政策框架的具体应用[48]。目前,我国学习分析的相关政策研究还较为缺乏,推进学习分析本土化政策的制定是亟待解决的问题。

3.3.2 学习分析的隐私伦理

学习分析的应用离不开技术的支持,科学技术的发展无可避免会带来一些伦理问题。数据的公开、使用范围所涉及隐私权、知情权等问题都是人们关注的重点。学习分析面临的隐私、安全与伦理问题干扰它的发展, 赵慧琼等(2016)从数据收集、分析和解释三个维度构建了学习分析的安全与隐私保护框架,并提出了相关的应用策略,以期促进学习分析的发展[49]。王楠等(2019)基于隐私伦理的视角,以国外高校和机构的学习分析政策为样本,从政策所涉隐私伦理部分的目的、内容、对象和具体应用等方面进行了比较分析,为我国学习分析建立相关的政策以保护隐私伦理提出了“区分利益相关者责任权利”等相关建议[50]。积极探索隐私伦理的保护问题,规避其产生的风险,才能促进学习分析的创新发展。

3.4 面向学习主体,关注现实应用

学习分析是基于数据驱动的,学习者的在线学习行为能够被有效地记录成为数据流,实时反映学习者的学习状态变化,从而为学习分析提供了必要的基础条件。学习分析关注的内容面向学习者,既有小范围的在线学习数据,也有基于MOOC研究的大数据;既有对学习行为、风格和成就的分析,也有对学习评价、干预和预测的研究。

3.4.1 学习行为、风格与成就

学习行为分析是学习分析的主要内容,通过学习行为数据分析能够表征个体的学习状态,为教学评价和干预提供依据。孙洪涛等(2016)认为聚类分析能够探索相似的学习者行为特征并进行归类,在介绍了聚类的一般流程基础上,对我国252门慕课的交互水平进行聚类分析,发现大部分慕课交互水平低,教师参与不活跃等问题[51]。元认知是对认知的认知,是思维的高级阶段,但是可以具象化为学习行为,目前还难以实时测量。李士平等(2017)通过聚类、回归分析等方法对在线学习行为数据进行解析,发现查看作品和自身学习情况以及参与交互等三类行为数据与元认知水平显著相关,从而为学习平台跟踪学习行为数据准确表征元认知水平提供了参考[52]。

个性化教学的实现需要考虑个体的学习风格,通过学习分析的视角解析的学习风格能够对个性化教学形成有效的支持。学习风格是学习者画像的重要表征,为实现学习者的精准画像,孙发勤等(2020)重点讨论了学习风格的建模过程,他们将在线学习行为指标依据不同学习风格量表的维度进行分类,从而明确学习风格的具体观测指标[53]。李馨(2015)认为个性化学习的开展体现在适应个体的学习风格上,她们依据Felder-Silverman学习风格模型设计并实现了适应性教育游戏,并通过实践证明了该教育游戏能够显著提高学习效率[54]。

学业成就的高低是衡量教学质量的重要标准,通过学业分析来理解和预测学业成就成为研究者们聚焦的话题。学习分析如何有效预测学业成就与风险,范逸洲等(2018)从综述他人研究成果中发现预测指标的局限性,依据预测指标的适用情境和任务类型,概括出倾向性、人机交互和人际交互三类预测指标,并对四种典型学习分析系统进行了剖析,总结了预测研究的特点、趋势、问题及方向[55]。孙发勤等(2019)基于已有文献归纳出影响在线学习学业成就的七个维度,进而通过神经网络、决策树等算法开展分析,研究发现学习态度、学习及时水平和投入水平是影响在线学业成就的主要因素[56]。

3.4.2 学习评价、预测与干预

学习评价、预测与干预是学习分析的基本功能,传统的教学只能通过瞬时测验数据或者教师个人判断来了解学习情况,存在较大的不确定性,而通过学习分析对学习行为数据流的分析,能够实时了解学习过程细节,为数据循证的学习评价、预测与干预提供支持。

基于学习分析的学习评价能够为全面、客观地评价学习者提供有效关联证据,为教学决策提供可信依据。魏顺平(2014)基于在线开放课程构建了在线学习自动评价模式,并且构建了基于在线行为数据的评价指标体系,并运用层次分析法确定指标的相应权重,通过实践证明了该模式的有效性[57]。张治等(2017)将学习分析融入高中综合素质评价过程中,构建了多源多维综合素质评价模型,对学习者开展多维度的个体和全体画像,并对模型实施的技术路径进行了分析[58]。

学习预测能够为教师了解学习趋势、解决学习问题提早做出预判和改进的准备。武法提等(2019)构建了包括“生生交互”等4个维度、 “社交质量、拖延程度”等8个特征变量的学习结果预测框架,并通过不同的机器学习算法进行实践,发现随机森林算法对学习结果预测具有较高的准确率[59]。张琪等(2019)通过“大五人格”分类和多元线性回归,构建预测模型对学习行为指标进行分析,结果发现不同人格特质群体的预测变量存在差异,随机森林算法能够达到较高精度等结果[60]。

学习干预的实施是改进学习问题、提高学习绩效的有效介入方式,学习分析为动态和个性化的循证干预提供支持。唐丽(2016)在梳理了教学干预研究现状的基础上,探讨了基于学习分析的干预内涵及特点,明确了干预的基本方式和详细的干预流程,为个性化的学习干预研究提供帮助[61]。樊敏生等(2020)基于结构功能主义构建了动态学习干预设计框架、系统模型及实践体系,为学习干预的实践提供有效的指导[62]。

3.5 技术趋向智能,数据走向多模

我国的研究者们积极把握科学技术的潮流,将5G、大数据、人工智能等多种技术与学习分析相融合,运用脑电波、皮肤电反应以及视线跟踪等多模态数据更全面地分析学习情感、学习投入等深层次的心理反应,从简单的鼠标点击等单一在线数据向多元多模态数据转变,尝试解决学习分析所遇到的问题与瓶颈,从而使学习分析与技术的融合走向深入。

3.5.1 人工智能赋能教学

人工智能赋能教学已经成为教育改革的重要推动力。人工智能介入的学习分析能够深入挖掘数据的内在机理,让学习分析产生更加智能的分析、更加有效的反馈和更加便捷的应用。

鲍日勤(2018)探讨了人工智能融入高校的创新发展以促进开放大学的转型升级的必要性,阐述了开放大学的时代场域及其新内涵与特征,构建了基于人工智能的开放大学教学框架,并对其基层设计、技术支持、人才支撑、应用路径进行了详细设计[63]。袁莉等(2021)认为应用人工智能对学习过程的海量数据进行分析,能够为学习者提供自动反馈和评估,提高评估的效率与有效性,其研究从分析作文自动评分系统(AES)和计算机化自适应测验(CAT)入手,探讨了结合人工智能在总结性评估中的优势以及学习分析在形成性评估中的作用[64]。人工智能应用于教育领域开创了教育研究的广阔前景,为未来的教学带来了无尽的想象。但是,人工智能的复杂性决定了其在教育领域的应用是一个漫长的过程,它在促进教育发展的同时,也涉及了伦理道德等社会问题,如何发挥作用规避风险需要更加深入的研究。

3.5.2 大数据驱动教学改进

2022年《地平线报告(教学版)》将在线学习列为当前的社会趋势之一。在线学习、MOOC等使得学习数据从数字沙漠变成了数字海洋,大数据正深入到教育的各方面,并将对这个世界的学习产生深远的影响[65]。大数据重塑教育生态已经成为不变的事实,与大数据同行的过程中,学习分析应该发挥什么样的作用值得深入探索。

慕课的持续发展离不开学习分析所提供的支持服务。顾小清等(2013)分析了慕课在我国的发展态势及现实需求,探讨了慕课本土化的可能路径,提出了慕课需应用学习分析技术打造个性化学习平台[8]。慕课所产生的大数据为学习分析带来了更多的可能。石磊等(2017)对国家开放大学MPOC课程5000多万条学习行为数据进行分析,发现多数学生只关心作业和测试,会突击完成学习任务,教学支持服务较好的课程能够正向影响学生的学习活跃度,能够促进完成测验、提交作业等行为的发生[66]。

大数据能够驱动教育发展和教学变革,如何应用并用好大数据是研究者们关注的焦点。胡水星(2015)认为教育大数据的应用有赖于教育数据挖掘与学习分析技术,并详细分析了这两类技术在教学领域中的应用案例[67]。李馨(2016)解读了教育大数据内涵及其与学习分析的联系,从描述性、预测性和规定性分析中阐明了教育大数据实施中存在的机遇,以及数据存储、隐私安全等挑战[68]。涂涛等(2019)认为教育大数据研究存在重视量化收集而忽视质性分析、强化相关关系而忽视因果关系的偏向,强调研究中也要挖掘厚数据的价值[69]。在众多学者追求大数据、研究大数据的潮流下,方柏林(2016)认为小数据也有大应用,通过分析小数据在预警失学风险、深化教师评估等方面改善教学的案例,为学习者警惕大数据风险、应用小数据提升学习效果提出了相关建议[70]。总之,大数据给予人们更全面、更精细的视角来了解学习过程,如何正确认识大数据在教学中的作用,实现对大数据的解构、透视数据背后的教学意蕴才是大数据应用的关键。

但是,仅有在线行为的数据,对学习过程的了解还不够全面。言语、肢体动作、表情等多模态数据的介入,为掌握学习者的全维数据以开展细粒度的分析,挖掘学习情感、学习态度等深层次内容提供了新的思路。陈凯泉等(2019)通过身体运动轨迹跟踪、自然语言处理等方式,分析了学习者的好奇心、批判性思维等五种类型多模态学习分析的应用案例[71]。张琪等(2020)构建了多模态学习分析的数据映射“冰山”模型,分层解析了数据映射关系及处理机制,并提出多模态数据学习分析的未来发展路径[72]。穆肃等(2021)总结出多模态学习分析的数据类型、学习指标以及数据与指标的对应关系等,为多模态数据的整合以支持学习分析的开展提供帮助[73]。目前,多模态数据的应用仍处于探索阶段,如何在开放的学习情境和学习者无感的状态下,实现嵌入的、实时的、连续的多模态数据的收集、分析与反馈,使多模态数据能客观、准确、全面地反应真实的学习样态,拓展学习分析的适用性,还需要深入地研究。

4 学习分析的未来路向思考

学习分析在我国的十年发展能够紧扣时代热点、扩展研究范围,既开展理论探讨也关注实践应用,既有方法工具的使用也有政策伦理的探索,还有新技术、新方法与学习分析的融合研究。学习分析体现了多元主体参与、多类学科交叉、多样技术融合和多面现实应用的发展态势,在未来提升学习绩效、支持教学决策和促进个体的自我管理等实践应用方面具有广阔的前景。另外,结合文献的梳理与研读,发现了学习分析目前存在的不足,主要体现在:机构、作者之间的合作松散,协同作用无法彰显;存在技术偏向,没有结合教学设计来开展应用;研究深度不足,应用实践无法满足现实需求;没有完善的政策引领,也缺少相应的伦理规范。针对以上学习分析发展过程中的不足,拟从以下四个方面提出改进建议,从而有助于为学习分析的创新发展提供借鉴。

4.1 强化合作交流,促进协同创新

近十年来,我国学习分析的研究论文数量在快速增长、涉及面也在不断扩大。但是,从上述的知识图谱中可以看出,作者合作和机构合作的网络结构松散、缺乏合作交流。学习分析不仅需要作者之间以及机构之间的合作,还需要突破机构壁垒和学科界限束缚,建立跨学科的研究团队,促进各学科的交叉协同和跨界融合,从而,有更多的主体参与和更多的学科融合。通过视角和方法的多样性与丰富性拓展学习分析的全局视野、激发创新动力,通过顶层设计、科学布局打造整合的学习分析交流合作平台,凝聚个人协同、机构协同以及学科协同的力量促进学习分析的多元开放和创新发展。

4.2 避免技术偏向,回归教学本质

技术作为教学改革创新的内生力量,支撑并引领着学习分析的发展。人工智能、元宇宙、5G等技术的发展,为教育教学带来了新的机遇。但是,我们需要在技术的狂欢中冷静下来,度量其对教育实践所产生的真正影响。这些技术真的改变教学了吗?能够在多大程度上提升教学效果?能否推广应用?针对目前学习分析的技术偏向,理应回归教学本质,实现从技术思维向教学思维的转变,倾听一线教师的心声,讨论技术之于教学的作用意义,实现学习分析技术对教与学需求的有效供给。正如,佩尔西科(Persico,2019)等学者呼吁学习分析与学习设计需要建立更紧密的、有价值的联系[21]。一方面,学习分析能为循证教学提供依据,成为其优化教学设计的有效支撑;另一方面,学习设计能够给予学习分析明确的教学目标指向,使得学习分析的技术应用更具情境化。因而,既要肯定技术的能供性,又要使学习分析技术的研究回归学习理论与学习科学,实现教学设计和学习分析的有效联结、相辅相成直至达成共融,从而改善、优化教学情境,更好地支持教与学。

4.3 聚焦研究深度,注重实践引领

《地平线报告》把学习分析当作当前和今后对教育教学起到重要作用的手段。但是,学习分析在我国的研究与应用中还存在着一些不足。第一,我国学习分析目前的研究多侧重于对国外学习分析方法、技术和工具等方面的介绍和简单应用,还处于浅层的理解阶段,对学习分析的机理及教育内涵的探讨不够深入。第二,学习分析方法、技术和工具的应用较为零散,缺乏本土化的开发与应用,也缺乏学习分析典型应用的通用框架,使学习分析能够易于理解、便于使用、适于推广。第三,学习分析技术使用复杂、应用门槛高,如何实现学习分析的自动化、动态化和智能化,降低使用门槛,使教师不需要掌握高水平的专业知识即可方便使用,从而真正优化教学。这是后续学习分析需要解决的问题。正如德里格斯 (Dringus,2012)所说,对教师而言学习分析应该是灵活和易获得的[74]。学习分析在扩展研究广度的同时要加强研究的深度,尤其是要和教育教学的实践相融合,切实解决教学中的具体问题,才能把学习分析的应用实践推向深入,实现学习分析领域科学研究和实践应用的同频共振。

4.4 关注政策隐私,支持全面发展

学习分析既需要政策的规范与引领,又需要谨慎规避隐私及伦理道德问题,学习分析的全面发展离不开强化这两方面的理解与研究。学习分析的开展需要政策的支持,政策的制定为学习分析的开展提供了标准和规范,能够促进学习分析的普及、推广与发展。政策研究的不足是整个教育技术领域的通病[75],也是学习分析的弱项。欧洲及美国等国家和地区意识到了学习分析的重要作用,出台了相关的政策以推动学习分析的发展,例如,美国的《通过教育数据挖掘和学习分析促进教与学》报告[76]、欧洲的SHEILA框架[77]等。我国的学习分析目前仍处于探索阶段,目前还没有学习分析的针对性指导政策与文件。因而,学习分析需要加强政策研究,既要广泛学习国外经验,又要立足我国教育的现实需求,结合教育数字化转型的契机,开展前瞻性布局,构建学习分析的政策框架,从政府层面规范和促进学习分析的开展。

另外,对于学习分析如何应用数据、在什么范围内使用、使用的目的是为何等涉及隐私及伦理的问题在一定程度上阻碍了学习分析的发展。国外出台了相应的政策框架,例如,《亚太经合组织隐私框架》[78]、印度的《数字个人数据保护法》[79]等,国内也有《中华人民共和国个人信息保护法》[80]、北京师范大学发布的《在线学习中的个人数据和隐私保护》手册[81]等。目前,还没有完善的规避学习分析涉及隐私问题的伦理保护指导框架。学习分析的开展既要遵守国家的法律法规又要遵守相应的伦理规范,所涉及的数据采集、分析、共享等过程需要构建透切的数据应用框架,开展学习分析过程的隐私影响评估、完善数据监测机制,使学习分析的过程公开、透明,做到可解释、可追溯、可审计。

5 结语

教育的数字化转型时代,基于机器学习和数据挖掘等技术,学习分析能够从隐喻、模糊的教育大数据中洞见其内涵逻辑,从而驱动教学设计及教学决策,为精准教学和个性化教学的发展提供有效帮助。学习分析在我国已历经十年的发展,在促进教与学的发展中起到了重要的作用,同时,也面临着诸多的困难与挑战。未来已来,唯变不变,下一个十年,学习分析应由外延式向内涵式发展转变,通过不断强化合作交流、深入教学实践、坚持创新发展,才能彰显支撑教与学的作用,才能为教育教学的变革提供更加有力的支持。