网络开放课程之学习分析模式探微

如何对网络开放课程中的海量学习数据进行采集、存储、分析与表示，并利用分析结果做出决策、优化学习、提高绩效，日益成为亟待解决的问题。NMC地平线报告中介绍的学习分析技术有助于这一问题的解决。根据我国开放课程的现状与学习分析法的特征，开放课程环境下学习分析的研究对象与服务对象具有一定的特殊性。学习分析模式包括采集、存储、分析、表示与应用五个层级；建模时需充分考虑数据与利益相关者的特殊性。未来，学习分析模式的应用在理论基础、数据标准、算法模型、隐私与安全性等方面面临着挑战。

开放课程；学习分析；大数据

近年来，随着通信技术与移动技术的发展，网络信息“实时化、碎片化与海量化”［1］的特征日益凸显。对我们来说，大数据时代悄然来临。在此背景下，美国新媒体联盟（New Media Consortium，简称NMC）发布的地平线报告认为学生的在线学习活动中亦生产了海量的数据，从中可挖掘出有价值的内容来为教育服务。高等教育领域MOOC越发受到人们的推崇而迅速发展。在MOOCs的国际化影响下，我国的开放课程建设于2011年起步，这标志着我国以大学生为主体、社会大众广泛参与的大规模在线学习时代的到来。在这种学习环境中，如何监视学生的学习过程，实施有效的过程评价，帮助学生形成自我评价意识，促进个性化学习，评价教师的教学效果，为教学管理与决策提供依据，成为了目前不容回避的问题。而解决这些问题的共同基点在于对课程中生成的海量的、零散的学生信息（如知识基础、智力水平）与学习数据（如学习内容、怎样学习、努力程度、测验成绩）进行分析。为此，将学习分析技术嵌套到开放课程中是十分重要的。

本文试图通过对2011年至2014年地平线报告中学习分析概念、案例与特征进行梳理，结合目前我国开放课程中的问题探讨国内开放课程的学习分析模式，旨在解决三个问题：第一，大数据学习分析方法与国内开放课程的结合点在哪里？第二，如何构建开放课程背景下的学习分析模式？第三，应用学习分析模式面临哪些问题？

一、开放课程建设面临的问题分析

本文所提到的开放课程着重是指目前仍在建设并日益受到重视的国家精品开放课程。如今，国家精品开放课程已对提高我国高等教育质量起到了一定的推动作用，但不可否认，其中亦存在一些问题，研究认为至少包括以下三点。

1.缺乏一流的教师队伍

有关研究表明，“近年来很多高校为了追求科研的数量和质量，忽略了教学质量，出现了很多研究能力强的教授与学者，但学生却不买账，原因是这些学者缺乏教学能力，不能很好地将智慧和知识外显出来。”［2］这在一定程度上表明了目前我国开放课程教师的整体教学水平并不高，教学效果不尽如人意。国家精品开放课程的教学对象不仅包括大学生，而且还面向社会大众，旨在向整个社会提供优质的高等教育资源，传播优秀的人类文明成果。这就要求主讲教师不仅要有渊博的知识与精深的科研水平，而且要能将自己的知识与智慧显性化且易于向大众推广并被接受。为此，目前亟需对高校教师的教学能力进行评估，建设“科研能力强，教学水平高，学识渊博，风格多样”的教学型师资队伍。

2.缺乏长期有效的评价机制

目前的国内开放课程在评价层面存在三方面缺失，分别体现在评价主体、评价方法与评价意识上。

（1）评价主体单一化。有关研究表明大多数课程“教学缺乏互动，学习者之间缺乏协作”［3］，这在一定程度上表明，目前国内网络开放课程中教学过程缺乏学习者之间的协作与互评，评价主体单一。

（2）评价方法静态化与失真化。在线课程的教学中，采用的评价方法较多，包括课后作业、论文、测验、出勤情况等，但多为总结性评价，且较为静态单一，尚未找到有效的手段对学习过程进行实时监测与动态的反馈，以便测量学习者的认真程度与参与程度，欠缺真实性。例如，很难判断出“学习者是认真参与学习还是开着视频浏览其他网页或是开着视频人却离开，或者很难保证非实时的课后测验与作业是否独立完成”［3］。这样一来，既不能实时把握学习者真实的学习情况，亦无法给学习者适切的评价与帮助，不利于个体的学习与发展。

（3）缺乏建立自我评价意识的长效机制。教学评价包括自评与他评。通过自我评价，学习者可对自己的学习效果有一个客观而明晰的认识，有益于其制定下一步的学习计划。为此，对于网络学习者而言，除了协作中的互评之外，建立良好的自评意识是十分必要的。但目前的开放课程中尚欠缺能够帮助学习者建立自我评价意识并实施自评的长效机制。

3.尚未满足学习者个性化的学习需求

有关学者通过抽样统计和问卷调查了解到，目前大多数在线课程没有利用信息技术的优势。将数据挖掘、信息可视化等智能技术引入教育领域，构建个性化的、自适应的学习系统，能为学习者提供灵活而准确的学习支持服务系统可谓是凤毛麟角。［4］由此可见，我国现有的开放课程系统缺乏对学习者学习过程的监测与学习路径的跟踪，很难确定学生个体的学习方式、认知习惯和学习兴趣，难以针对学习者的需求给予个性化的学习建议；教学管理部门与教师尚未能利用学生学习过程中的数据做出有效的预测与决策。造成这种情况的原因主要有两个：“一是学习者的学习过程很难跟踪，学习者的学习数据零碎而分散，零散的数据使生成的用户模型局部、单一，因而现有的个性化和适应性系统不能给学习者带来满意的使用体验；二是已有的数据未得到充分挖掘和利用，由于分析方法的单一和局限，即便拥有丰富的学习过程数据，也没能最大程度地挖掘其价值，得出有效的结论用以指导教学干预。”［5］

综上，研究认为上述问题的共同基点在于缺乏有效的过程评价手段，用以监测师生的在线活动，挖掘有价值的数据，分析数据，为指导个性化学习、评估课程质量、制定教育决策提供依据。

二、学习分析的概念、应用案例与特征概述

作为全球高等教育信息化发展的风向标，NMC地平线报告认为个性化的学习体验与绩效评估是未来高等教育发展的关键趋势，实现的途径在于对在线学习活动中学习者生成的大量数据进行深度挖掘，学习分析是有望解决这一问题的良好手段，是未来对高等教育具有重要影响的技术。

1.学习分析的概念界定

关于学习分析的概念，2011-2014年的地平线报告进行了不同的论述。2011年地平线报告将学习分析定义为：“通过使用数据挖掘、推断和建模等先进技术以促进对教与学的理解，以便更有效地开展个性化的教育。”［6］2012年地平线报告指出，“学习分析是指对大量的学生数据进行分析，以评估学生的学术进展，预测学生未来的表现，发现潜在的问题。”［7］该报告的2013版认为，“学习分析旨在利用数据分析为教育系统的各级决策提供参考信息。”［8］2014年地平线报告中认为学习分析的目的是“为教育系统的各个层面提供参考依据，指明需要改进的领域，提出资源配置方案，对办学项目乃至整个学校体系的有效性进行评估”［9］。从中可以看出这些定义的共同之处：学习分析是将大规模的学习数据作为分析对象，为教师、学生与教学管理者服务，以评估、预测和干预教学为最终目的的一种方法。

2.学习分析的典型案例

基于四年的地平线报告中的相关案例，研究认为学习分析的目的可分为绩效评估、行为预测与过程干预。下面从这三个视角，对其中典型的案例进行归纳与分析。

（1）绩效评估视角——CourseSmart Analytics。2012年底，数字教科书供应商Course Smart与其合作伙伴，开发了智能课程分析包（CourseSmart Analytics），旨在预测学生行为，提高学生的记忆力，节省教学成本，改善学习效果。该软件使用自带的统计程序从学习与课程管理系统（LCMS）中获得学生数据，密切跟踪与评价在线文本的长度、浏览的页数以及学生与在线文本的交互活动（如突出显示特定文本、添加注释），并对学生与特定学习资料的交互行为进行有意义的测量与评分，为课程教师分析和解释这些数据，帮助他们评价个别学生的努力程度或整体的参与情况，及时发现处于“危险层次”的学生，有针对地对他们进行指导，同时选择有效的、有吸引力的教学内容，评价自己的教学策略；教学管理人员与课程设计者亦可通过该分析工具评价教学绩效，以保证教学投入的有效性。［10］

（2）学习行为预测视角——SNAPP。澳大利亚卧龙岗大学开发了一个叫做“社会网络适应教学实践”的工具 （Social Networks Adapting Pedagogical Practice，简称SNAPP），旨在收集学习管理系统（LMS）里的信息，描述和分析学生在线交互的全过程，根据这些信息了解学生获取的学习材料及其与材料发生交互的频率和时间，并将分析的结果以可视化的方式展示出来。SNAPP可为用户提供6种信息：（1）找到脱离学习社区（即处于“风险层次”）的学生；（2）鉴别班级中关键信息的提供者，理清学习社区的交互关系；（3）识别出班级中潜在的表现优秀的和表现略差的学生，以便教师实施更有效的学习干预；（4）预测班级学习社区的范围与发展方向；（5）建议电子教学档案袋，描述教学干预前后的交互情况，以反映教学实践的有效性；（6）提供实时的个人表现与测量报告，使学生了解自己在班级中的位次［11］。

（3）学习过程干预视角的若干案例。美国北亚利桑那州大学使用了课程向导系统，目的是提高学生的学术成绩与在校比例。该系统“通过对学生学习过程的监测，对学生的出勤、成绩、学术表现与反馈进行测量，并将分析的结果反馈给学生，为学生提供可供选择的学习方案与学习资源，以促进学习绩效的提高”［6］。明尼苏达大学“利用课程管理系统的数据分析结果，决定是否使用在线等级证书帮助成绩差的学生更准确地估计他们的最终成绩，目的是为学生提供更丰富的信息，引导他们准备期末考试、论文和项目”［7］。“为提高写作课程的效率，美国北卡罗莱纳州大学采用了莫比乌斯社会学习信息平台，在学生提交一篇文章后，该系统会自动将其分配给随机选择的其他对等的学生群体，之后通过一套算法将其他学生的反馈计入统计资料和业绩报告中，以便同级学生相互进行匿名反馈与评分。”［8］“斯坦福大学正建立一个用于数据分析的仪表盘，帮助教师追踪学生的参与程度，还在一门人机交互的MOOC中基于学生互评的作业，对学生互评进行分析。”［9］

3.学习分析法的关键特征

基于对学习分析的定义与典型案例的论述，研究认为该技术至少具有以下关键特征：

（1）学习分析的研究对象——大规模数据源。这些数据不仅数量巨大，而且具有多样化与碎片化的特征。这些信息来源于多个数据库，包括学生的基本信息、学习行为与课程信息。其中，学生信息包括性别、年龄、民族、教育背景与起点能力等要素；学习行为包括学生的登录与退出时间、学习频率与进度、学习路径与方法、作业与测验成绩、交互内容、发贴速率等要素；课程信息主要是指课程的目标、性质、主讲人与教学模式等。

（2）学习分析的服务对象——学生、教师与教学管理者。结合学生的个人信息与学习过程，评估学生在线学习的种种表现与学习态度，提供学习建议、教学方案与激励策略，帮助他们进行自评，为学生提高学习质量与通过率、教师提高职业技能与教学质量、教学管理者制定决策提供依据。

（3）学习分析的手段——数据分析与可视化呈现。使用数据挖掘、统计分析与机器学习对学生生成的海量数据进行采集、存储、分析与表示。这些操作包括自动化的数据分析与可视化的数据呈现，以便用户根据需求实时提取。具体分析工具有语义分析、内容分析、社会网络分析以及系统建模等。

（4）学习分析的目的——绩效评估、行为预测与过程干预。诊断教学实践中的问题，评估课程质量与学生的学业表现；构建学生学习行为模型，研究各种变量之间的关系，预测学习者未来的学习路径与成长趋势；帮助教师与教学管理人员为具有不同需要与能力的学生提供教育干预，促进个性化学习与深度学习，提高课程质量。

三、开放课程中学习分析模式探微

1.学习分析与开放课程的结合点探微

虽然学习分析法面向大规模数据，但在特定的学习环境下，学习分析的研究对象与服务对象应具有特殊性。这在开放课程中体现为学习数据与利益相关者的特殊性。

（1）开放课程环境下学生数据的特殊性。一般情况下，学习分析是对结构化数据和非结构化数据的综合处理。其中，“结构化数据往往指量化数据，包括作业成绩、测验成绩、标准化考试成绩、学习时间与学习频次等数据；非结构化数据一般指量化后的质性数据，包括讨论帖的内容，作业内容、小组报告的撰写过程与内容等。”［12］这些数据代表了诸如文本内容挖掘等教育测量的新方向。无论是精品视频公开课，还是资源共享课，都包含多种媒体数据，除文本外，还包括视频、图表、动画等。相对应的学习活动，除小组讨论、浏览文本之外，还包括观看视频、远程实验等。为此，开放课程背景下的学习分析数据不仅基于文本，还包括其他多媒体数据，如学生与视频的交互时间、观看视频的认真程度等。

（2）开放课程环境下学习分析的利益相关者。祝智庭将学习分析的利益相关者分为直接利益相关者与间接利益相关者（图1）。直接利益相关者包括学习者、教学者与管理者，其中，管理者所占比重略低于教学者和学习者，原因在于“学习分析着重关注的是对个体层面学习的分析，机构层面的关注所占比重不如学术分析”［13］。此外，家长、投资者与企业属于间接利益相关者。本研究中提到的开放课程环境下学习分析的利益相关者指的是直接利益相关者。

在参考图1的基础上，我们构建了开放课程中的利益相关者（图2）。学习者的主体仍是学生。由于实际的课程建设中，课程设计常常作为课程开发的前期工作，二者联系过于紧密，难以明确区分，所以这里的开发人员包括设计者。开放课程是指在教育部的主持下，国内一流的研究型大学共同参与的项目，为此，它的管理者应包括教育部、高校教学管理人员与远程教育管理人员。

图1 学习分析的利益相关者

图2 开放课程背景下的学习分析利益相关者

2.开放课程背景下学习分析模式设计

针对目前我国开放课程建设中存在的问题、学习分析的案例以及学习分析与开放课程的结合点，笔者研究构建了开放课程环境下的学习分析模式（图3）。

图3 开放课程背景下的学习分析模式

根据学习分析典型案例的梳理，发现学习分析的一般步骤可被归纳为数据采集、数据存储、数据分析、数据表示与数据应用五个方面，这构成了学习分析的数据流向。据此，开放课程学习分析的活动层级分为采集层、存储层、分析层、表示层与应用层。

（1）采集层。学习者对课程的教学内容、视频与各种交互形式进行学习和体验，在此过程中，系统会自动跟踪和测量学习者的表现，并生成大量数据。这些数据除学习者的基本信息外，还有学习行为信息，包括结构化数据、非结构化数据与多媒体数据等。

（2）存储层。由于所采集信息的多样化，学习分析系统需要多个子系统来存放不同类型的数据，如学生信息系统（SIS）、学习管理系统（LMS）与课程管理系统（CMS）等。系统采集到信息后，系统会根据一定的标准对数据挖掘的结果进行分类，并将不同类别的信息以一定的格式存储到相应的子系统中，例如新登录的学习者基本信息需储存到SIS中，学习者的测验成绩应存放到LMS中，班级整体的表现情况可存放到CMS中。

（3）分析层。在数据分析阶段，需要把握好两个原则。首先，需要面向用户的需求挖掘数据，进行分析；其次，需要对所筛选的数据进行综合分析，不能只考虑某一方面的数据。关于分析内容，本文认为可从学习者特征、时间差异与粒度三方面进行分析。

首先，可从个人、班级与整体三个维度分析学习者特征。对于个人学习情况的分析至少要涵盖学习目标、学习内容、学习方法、学习态度、学习效果、交互关系、学习工具的运用等维度；对于班级，要考虑到某一班级的整体学习状况，包括整体的学习态度，对教学团队的满意度等；对全体学习者的分析可从尽可能广泛的视角获得学习者的普遍特征与学习效果，如学习工具的有效性、课程的整体满意度与通过率等。

关于时间差异，是指以某个时间段（如学期、学年）为单位分析学习者学习状况的变化，比较不同时期学习者学业表现的差异，分析变化与差异的原因。

关于粒度的分析，指分析一门或多门课程学习者的学习状况，旨在了解不同课程之间学习者的差别、课程性质的差别、对教师满意度的差别等。

（4）表示层。这一环节，需要综合运用各种可视化工具，对繁琐的数据模型加以解释，并将分析结论以一种人工可以理解的方式呈现，使信息转化为支持教学决策与学习进程的相关依据。

（5）应用层。构建自适应学习系统，根据分析结果对学习者的特征（成绩与问题）进行归类，并使用预测模型预测学习者的行为特征与发展趋势，自动提出下一步的教学方案、激励策略与学习计划。另外，教学者与教学管理者需基于分析的结果，修改方案或采取新方案对学习者的下一步学习提出建议，如对处于“风险层次”的学习者给予警告或激励。可以说，数据应用阶段需要自适应学习系统与人工干预系统共同作用，以实现绩效评估、行为预测与过程干预。

3.面临的问题与挑战

尽管学习分析技术在未来开放课程建设中有较好的前景，但是运用该模式仍面临较多问题与挑战。首先，学习分析以教育学、心理学、信息学与统计学为基础，在该模式的应用中，不能仅依靠技术，更需要专业的教育理论与信息理论作为支撑。其次，开放课程的学习分析需要对规模巨大、不同种类、不同格式的数据进行综合的解释，为此，需要制定一系列的数据标准，实现多种数据的共享、转换、关联与处理。再次，开放环境下具有不同种类与性质的课程，不同层次的用户，需要根据不同的教学目标、课程需求与用户需求，构建特定的算法或分析模型。最后，模式的应用需考虑学习者个人隐私的保护、数据的安全性与信息产权的问题。

［1］孙洪涛.学习分析视角下的远程教学交互分析案例研究［J］.中国电化教育，2012（11）：40-46.

［2］胡颢琛，郭清顺.国家精品开放课程建设现状及问题分析［J］.武汉大学学报，2012（10）：111-114.

［3］徐苑苑，张际平.基于云架构的网络教学平台设计与实现［J］.远程教育杂志，2013（3）：71-78.

［4］王建华.国家精品课程学习支持服务系统的现状调查与对策研究［D］.南京：南京邮电大学，2013：55.

［5］李艳燕，韶茜，黄荣怀.学习分析技术：服务学习过程设计和优化［J］.开放教育研究，2012（10）：18-24.

［6］Johnson，L.，Smith，R.，Willis，H.，Levine，A.，and Haywood，K..The 2011 Horizon Report（2011）.Austin，Texas：The New Media Consortium［EB／OL］.http：∥ www.nmc.org／publications／horizon-report-2011-higher-ed-edition，2011-11-20.

［7］Johnson，L.，Adams，S.，and Cummins，M..NMC Horizon Report（2012）：2012 Higher Education Edition.Austin，Texas：The New Media Consortium［EB／OL］.http：∥www.nmc.org／publications／horizon-report-2012-higher-ed-edition，2012-9-16.

［8］Johnson，L.，Adams Becker，S.，Cummins，M.，Estrada，V.，Freeman，A.，Ludgate，H..NMC Horizon Report：2013 Higher Education Edition（2013）.Austin，Texas：The New Media Consortium［EB／OL］.http：∥www.nmc.org／publications／2013-horizon-report-higher-ed.

［9］Johnson，L.，Adams Becker，S.，Estrada，V.，Freeman，A..NMC Horizon Report（2014）：2014 Higher Education Edition.Austin，Texas：The New Media Consortium［EB／OL］.http：∥www.nmc.org／pdf／2014-nmc-horizon-report-he-EN.pdf.

［10］Reynol Junco，Candrianna Clem.Evaluating How the CourseSmart Engagement IndexTM Predicts Student Course Outcomes［EB／OL］.http：∥blog.reyjunco.com／wp-content／uploads／2010／03／FINAL-CourseSmart_Analytics_White_Paper.pdf.

［11］Bakharia，A.，Heathcote，E.＆Dawson，S（2009）.Social networks adapting pedagogical practice：SNAPP［EB／OL］.http：∥ascilite.org.au／conferences／auckland09／procs／bakharia-poster.pdf.

［12］张羽，李越.基于MOOCs大数据的学习分析和教育测量介绍［J］.清华大学教育研究，2013（8）：22-26.

［13］吴永和，陈丹，马晓玲，等.学习分析：教育信息化的新浪潮［J］.远程教育杂志，2013（4）：11-19.

责任编辑 冯丽樱

网络开放课程之学习分析模式探微

赵 磊，朱 泓

On Learning Analytics Model of Open Online Courses

ZHAO Lei，ZHU Hong／Dalian University of Technology

It has been an urgent issue that how to collect，save，analyze and present the massive data in open online courses，and make decision based on the analyses in order to optimize learning strategy and improve performance.The technology of learning analytics in NMC horizon reports has contributed to solving this problem.Base on the situation of open courses in our country and the features of learning analysis，there are some particularities in research object and service object of learning analysis in open courses.The learning analysis mode consists of five levels of collecting，saving，analysis，presenting and application.The particularities of data and stakeholders should be fully taken into consideration in the course of modeling.The application of this model will face challenges in theoretical basis，data standards，algorithm models，privacy and security.

Open Courses；learning analysis；big data

G740-057

A

2095-6576（2014）04-0038-06

2014-04-27

赵磊，大连理工大学高等教育研究中心博士研究生，主要从事高等教育教学管理、高等教育质量评估与高等教育信息化研究。（zhaoleizhl1984＠126.com）