大数据视角下的学习分析综述

王良周 于卫红

【摘 要】

学习分析作为教育信息化的新浪潮，是教育大数据的主要应用领域。泛在网络下的学习大数据高速增长，线上线下的学习形式不断革新，关于学习分析的研究也随着大数据理念的发展而不断变化。本文通过文献分析法，着重从大数据的视角，对国内外学习分析的研究现状进行综述。首先介绍学习分析及相关概念的发展，从大数据视角探讨学习分析发展的驱动力；然后对比国内外在大数据和云计算技术驱动下形成的学习分析框架、应用领域和关键技术，介绍了整合的学习分析系统平台；最后分析大数据创新给学习分析带来的机遇和挑战。

【关键词】 学习分析； 教育大数据； 数据挖掘 ；智慧学习

【中图分类号】 G434 【文献标识码】 A 【文章编号】 1009—458x（2015）03—0031—07

一、引言

信息时代，大数据的出现正给各个领域的发展带来深刻的影响。在商业领域，大数据研究已经初具规模，其成果正改变着商务活动的营销和运营模式。同样，在教育和科研领域，教育大数据和教育云时代已经到来。

学习分析和教育数据挖掘，是教育大数据的两个主要应用领域。美国新媒体联盟（NMC）在地平线报告中连续四年把学习分析作为影响教育发展的趋势和关键技术[1][2][3]。2011年以来，为了促进学习分析的发展和学者之间的学术交流，每年都会举行一届学习分析与知识国际会议（International Conference on Learning Analytics and Knowledge，LAK）。2013年夏，美国学习分析研究会SOLAR、IEDMS等在斯坦福大学建立了斯坦福学习分析夏季学院，为学习分析研究和应用培训提供支持。目前，分析技术在大学教与学中的应用进展非常迅速，学习分析已经成为教育信息化的一个新浪潮。在2014年美国高等教育信息化协会（EDUCAUSE）发布的“高等教育信息化十大战略技术”研究报告中，对学习分析的使用情况作了统计：35%的学校建立了课程层面的分析架构；35%的学校建立了业务绩效的分析架构；32%的学校建立了学位指导的分析架构；47%的学校建立了业务情报报告仪表盘[4]。随着教育大数据和教育云计算的发展，学习分析成为了教育信息化与教学互动的“深度融合”[5]。

目前，国际上关于学习分析的研究方向主要集中在学习分析服务框架、分析方法、工具与可视化工具领域；国内主要集中于综述和应用分析[6]。国内的顾小清[7]、李青[8]、马晓玲[9]、韩顺平[10]、吴永和[11]、祝智庭[12]、张羽[13]等学者从不同角度对学习分析的研究和发展做了综述。本文着重从大数据创新的角度，介绍大数据背景下学习分析的概念、驱动力，对比学习分析框架和应用，分析大数据创新给学习分析带来的趋势和挑战。

二、学习分析与相关概念

（一）学习分析的定义与发展

学习分析的定义源于美国高等教育信息化协会的“下一代的挑战”，其将学习分析定义为：使用数据和模型预测学生收获和行为具备处理这些信息的能 力[14]。2011年，首届学习分析与知识国际会议将学习分析定义为：测量、收集、分析和报告关于学习者及其学习情景的数据，以期了解和优化学习和学习发生的情境[15]。新媒体联盟也有相似的定义：利用松散耦合的数据收集工具和分析技术，研究分析学习者学习参与、学习表现和学习过程的相关数据，进而对课程教学和评价进行实时修正[16]。可以说，学习分析在许多方面指的是应用于教育领域的“大数据”分 析[17]。从这些定义可以看出，学习分析的研究对象是学生及其学习情境，研究的基础是教育活动中产生的海量学习数据和学习分析过程中产生的中间数据，研究的目标是评估和预测学生活动，发现潜在问题，为教育活动相关者提供决策支持，以优化和设计学习过程和学习情境。

美国学习分析研究会、学习分析与知识国际会议、美国高等教育信息化协会、英国开放大学知识化研究所（KMI）等学术机构和会议推动了学习分析的发展[18]。学习分析与知识国际会议召开的时间、地点和主题见表1。从会议的主题变化可以看出，学习分析已经由概念发展到应用，由理论研究发展到实践研究。学习分析是在大数据背景下发展的分析技术，第五届学习分析与知识国际会议已经明确将大数据作为主要议题。

表1 LAK历年召开时间、地点和会议主题

[LAK＼&时间＼&地点＼&主题＼&LAK11＼&2011年2月27日至3月1日＼&加拿大阿尔伯达省班芙市＼&学习分析技术、社会和教学等维度的整合＼&LAK12＼&2012年4月29日至5月2日＼&加拿大温哥华市＼&学习分析技术、知识建模和表征、知识工作和分析等领域的现状及发展策略＼&LAK13＼&2013年4月8日至4月12日＼&比利时勒芬市＼&学习分析辩证法＼&LAK14＼&2014年3月24日至3月28日＼&美国印第安纳波利斯市＼&学习分析研究、理论与实践整合＼&LAK15＼&2015年3月16日至3月25日＼&美国纽约波基普西市＼&缩放：大数据，大影响＼&]

（二）学习分析与相关概念

相比商业、物理、生物、气候等领域，分析技术应用于学习领域较晚。学习分析、学术分析、教育数据挖掘、行为分析都是分析方法在教育领域的特定应用。Angela等比较了分析、商业分析、学术分析、学习分析、预测分析和行为分析的定义和关注维度，认为教育数据挖掘、学习分析、学术分析是教育大数据分析中最接近的概念[19]。Ferguson（2012）通过三个问题回答了教育数据挖掘、学习分析、学术分析的区别[20]。教育数据挖掘主要关注的是“如何从学习大数据集中提取有用信息”这一技术挑战，学习分析则主要关注“如何优化在线学习机会”这一教育挑战，而学术分析则关注“如何在国家或国际层面上最大程度地改进学习机会和教育结果”这一政治经济挑战[21][22]。 G.Siemens和Long对学习分析与学术分析进行了界定[23]。学术分析侧重智能分析在教育领域的应用，强调的是机构、区域、国际层面上的分析，直接受益者是管理机构、投资者、政府部门和教育机构。而学习分析主要关注的是课程和部门的分析，直接受益者是学习者、导师和部门管理者。相比学术分析和教育数据挖掘，学习分析更加强调对学习过程和学习情境的实时优化[24]。

G.Siemens、Baker详细分析了学习分析与教育数据挖掘的联系和区别[25][26]，认为这两个概念都是数据驱动下的教育领域的分析技术，其在研究内容和研究者方面有重叠，目标都是通过数据分析指导和促进教与学[27]。Bienkowski在通过学习分析与教育数据挖掘促进教与学的报告中对以上学者的观点做了详尽的说明[28]。下面通过表2比较教育数据挖掘与学习分析[29][30]。可以看出，学习分析与教育数据挖掘在侧重点、起源和分析方法上都有不同。教育数据挖掘实际上强调自动发现，因此，它侧重于模型和发现模式，关注各个组成部分以及他们之间的关系。学习分析尽管也强调自动发现，但更关注情境和特定干预，注重个性化和自适应[31]。教育数据挖掘重点依赖聚类技术，同时也很依赖智能辅导系统，更加重视建立模型。而学习分析更加强调社会干预，如普遍应用社会网络分析以及话语分析[32]。

（三）从大数据视角看学习分析的驱动力

Ferguson认为大数据技术、教育、政治和经济因素是驱动学习分析发展的主要动力[33]。G.Siemens、RyanS.J.d.Bake等从技术发展角度分析了促进学习分析发展的主要因素，概括为：教育数据量剧增、数据格式多样化、计算能力加强、分析工具发 展[34][35]。从大数据视角，可以将学习分析的驱动力概括为三类：数据驱动、技术驱动、需求和利益驱动。

1. 数据驱动

智能手机、平板电脑、传感器等电子设备在学习情境中的应用已经相当普遍，基于泛在网络的学习数据剧增是驱动学习分析的重要因素。我们处在普适计算时代，移动互联网、物联网等泛在网络改变了学习方式，也为学习分析提供了丰富的数据来源。学习管理系统LMS中存储着大量学生学习数据，学生在线学习保留有大量学习轨迹信息，社交网络中的学习行为更是呈现出急剧增长的数据流趋势[36]。这些数据来源广泛，数量巨大，而且数据格式多种多样。目前常用的学习分析数据主要来自于数据仓库中的基本信息数据，来自于网络服务器的用户浏览日志，以及来自于学习网站和系统挖掘的其他文本数据，例如博客、评论、搜索词等。需要强调的是，数据驱动下的学习分析技术，也带来了学习分析的数据挑战。

2. 技术驱动

大数据关键技术和社会分析技术是学习分析的支撑技术，是驱动学习分析的关键因素。学习分析过程中面临海量数据的采集、存储、分析问题，需要根据社会分析方法，在人的干预下优化学习情境，这些问题离不开强有力的技术支持。云计算技术、物联网技术、语义web技术、移动互联网技术、数字媒体技术都是大数据基础平台与支撑技术。在教育云平台和在线学习环境下，利用物联网和云存储技术采集和存储海量相关数据，利用语义web技术（关联数据技术）管理和利用相关数据。移动互联网设备已经进入学习环境，利用移动互联网技术可以方便地实现在线记笔记、资源分享。还可以通过增强现实技术虚拟学习环境。在云计算方面，云文件系统（GFS，HDFS等）、NoSQL 数据库、Mapreduce计算模式、apache hadoop等开源工具都是大数据下学习分析需要利用的技术工具[37]。这些先进技术，使得基于大样本的、个性化定制的学习分析成为可能。

3. 需求与利益驱动

个性化、多样化的学习需求带来直接的经济、社会利益，需求与利益是驱动学习分析的核心因素。从个人角度看，个性化学习方案的制定需要参考学习分析系统对个人的分析建议；从企业角度看，基于智能分析决策的学习系统和产品更有市场竞争力；从教育机构角度看，学习分析结果可以作为决策的依据。这些利益需求驱动了学习分析的发展。

三、学习分析的框架、技术、应用

（一）学习分析整体框架

很多学者从不同角度为学习分析设计了整体框架。大多数框架关注的是学习分析可用的数据、利益相关者、分析流程、分析工具、制约与限制等方面。Brown and Malcolm认为，学习分析的核心在于收集和分析学习数据，主要包括数据收集、分析、学生学习、受益方和干预五个要素[38]。G.Siemens提出了一个工作流引擎驱动的学习框架。框架由数据采集、分析、预测、调整四个工作流组成。其中数据包括学习者发布的数据，智能语义和关联数据，个人资 料[39]。通过总结Baker和Dron，Anderson等人的知识管理模型，Tanya Elians提出了一个由四个技术资源和三个循环阶段组成的改进的学习分析框架[40]。四个技术资源指计算机、人、理论、组织机构。三个循环阶段包括六个活动：数据收集（选择与采集）、数据处理（整合与预测）、知识应用（使用和优化）。

M.A. Chatti等认为学习分析的主要步骤是数据采集与预处理、数据分析与行动、后续处理。他们提出了一个由四个维度组成的学习分析参考模型（见图1）。该模型将学习分析分成数据与环境、技术、利益相关者、目标四个维度，并从各个维度分析了学习分析面临的机遇和挑战。与之相似，Greller and Drachsler提出了一个由利益相关者、目标、数据、工具、内部限制和外部约束六个关键维度组成的学习分析框架（见图2）[41]。他们认为，学习分析的利益相关者包括数据主体（学习者）和数据客体（教师、导师、教育管理者），学习分析的数据来自于被保护和公开的学习活动及学习环境数据，学习分析的目的在于预测学习结果和帮助学习者反思，采用的分析工具包括教学理论、机器学习技术和可视化工具，学习分析的实施过程应考虑个人隐私和伦理道德[42]。

图1 Chatti等的学习分析参考模型

图2 Greller等的学习分析框架

Dirk Ifenthaler[43]等着重考虑了学生、学习、课程之间的关系，设计了一个融合多源信息的分析框架（见图3）。该框架整合了在线学习环境中的分析数据（包括个人特征、社会网络、物理数据、课程数据、反馈数据），引进了学习分析引擎、个性化和自适应引擎、报告引擎三个处理阶段。该框架强调了学习环境中数据的异构性和多源性，将数据、分析工具、环境连接为一个具有反馈环节的闭合系统。可以说，它是一种面向服务的架构。

学习分析的整体框架多种多样，这些框架为学习分析应用和实现提供了重要指导。但是，每个框架都有局限性，经过实践验证的框架仍然很稀少[44]。

（二）整合的学习分析系统

目前企业和研究团体已经开发出多种多样的学习分析系统和平台。有些是单独的学习分析系统，更多的是嵌入到学习管理系统LMS和MOOCs平台中的分析工具。一般来说，学习分析工具不能单独存在，常作为“插件”嵌入其他在线学习环境中。美国学习分析研究会的学者提出一个整合的学习分析系统（见图4）[45]，主要包括四部分：分析引擎；适应内容和个性化引擎；干预引擎；仪表盘，报告和可视化工具。

图4 SOLAR整合的学习分析系统

1. 分析引擎

分析引擎是学习分析系统的核心部分。它整合了多个数据处理和分析模块，是学习分析系统的神经中枢。分析引擎包括数据处理、数据分析等核心功能，集成诸如预测、聚类、模式发现、趋势分析等应用模块。分析引擎处理来自学习管理系统、社会网络、物理世界中的学习轨迹数据，数据仓库中的学生基本信息和外部用户指令数据，通过社会网络分析、话语分析、模式发现、机器学习等学习分析技术，形成分析结果，以报告、可视化等技术提供给用户。用户根据这些分析结果做出判断和干预[46][47]。

2. 适应内容和个性化引擎

适应内容和个性化指的是系统能够根据学习分析的反馈和个人习惯偏好优化学习过程、教学设计和学习内容的能力。例如，系统根据学生爱好给学生的选课建议，系统根据用户习惯改善学生的学习体验，系统根据用户偏好推荐合适的内容，等等。适应内容和个性化引擎将分析引擎、系统开发者、学习资料提供者联系起来，在出版商等开发者的参与下，对学习内容进行适应性和个性化定制与推送。

3. 干预引擎

干预引擎使用分析引擎产生的预测模型，追踪学习者的学习轨迹，提供自动的人为的教育干预。干预引擎通过链接给学习者提供学习内容、社交伙伴、导师等资源；通过社交工具，教师可以与学生互动交流；通过预测分析，对问题学生提前引导，对“特别”学生特殊培养。

4. 仪表盘，报告和可视化工具

学习仪表盘呈现可视化的分析数据和报告，方便个人对教学和学习作出决策。学习仪表盘包括四个用户视图：学习者视图、教育者视图、研究者视图和机构视图。不同视图视角不同，但相互关联。根据不同利益相关者的需求，提供不同的数据展示。

参考SOLAR学习分析系统，吴永和等人从学习分析系统输入输出角度，将整个系统分为数据层、分析层、报告层、干预与适应层[48]。数据层主要获取学习者相关学习数据，然后送入系统分析层由分析引擎进行数据分析，之后在仪表盘上按学习者、教学者、管理者三大利益相关者需求产生可视化报告， 并在此基础上对学习者进行干预，完成自适应过程[49]。另外他们还认为，学习分析系统的技术特征应该包括功能模块化、报告可视化、数据多源化，这种观点具有很好的参考价值。

（三）学习分析的关键技术与应用领域

学习分析是教育理论、技术、可视化展示相互协同完成的结果。整体的框架和系统中已经包含了这些要素，下面详细介绍学习分析的应用领域和关键技术。

Marie Bienkowski[50]等人认为学习分析应用领域包括：用户模型（知识、行为、体验），用户建档，领域关键概念模型和领域知识内容模型，趋势分析模型，适应性和个性化模型。不同的应用模型需要不同的分析数据和分析方法。通过情境模拟和参考相关文献，可看到学习分析主要应用领域包括：① 用户模型；② 学习者行为与情感分析； ③ 预测与评估；④ 结构发现与关系挖掘；⑤ 趋势分析与活动干预；⑥ 适应性和个性化；⑦ 监督与控制[51][52]（见表3）。

表3 学习分析应用领域

[应用模型＼&目的＼&所需数据＼&主要方法＼&用户模型＼&构建基础数据仓库＼&学生与课程基本信息、问卷等基础数据（例如姓名、成绩、兴趣、专业等）＼&数据采集与存储、

数据仓库、云存储、

可视化技术等＼&学习者行为与情感分析

＼&学生知识管理、学生行为描述与分类＼&在线用户的学习行为数据（学习偏好，浏览路径，学习痕迹等交互数据）＼&数据仓库技术，话语分析、情绪分析等社会化分析法，学习分析仪表盘等可视化工具＼&预测与评估＼&预测和估计未知参数＼&可以获得的与估测变量相关的样本数据＼&分类、回归、潜在知识发现等有监督的机器学习和统计方法＼&结构发现与关系挖掘＼&识别用户模式、优化系统和学习过程＼&大量样本数据，数据仓库、网络采集的各种用户、行为数据＼&聚类、因子分析、社会网络分析、领域结构发现等无监督算法，关联规则挖掘、序列模式挖掘、模型发现＼&趋势分析与活动干预＼&研究者感兴趣的趋势预测＼&取决于研究者感兴趣的问题，需要时间序列数据＼&时间序列分析、随机过程分析、话语分析、情绪分析等社会化分析法，人为干预、简化人类判断等＼&适应性和个性化＼&提高系统适应性、改善系统、提供个性化建议和服务＼&历史数据和学生基本信息，学习行为等数据＼&内容导航、推荐系统、web挖掘、机器学习算法＼&监督与控制＼&监督、控制、优化、反思学习过程和情境＼&分析后的数据、可视化结果＼&人类判断、可视化工具等＼&]

四、大数据背景下学习分析的机遇与挑战

大数据背景下，学习分析的概念、框架和应用都会随着大数据的创新而发展。同时，大数据思维方式和技术革新也给学习分析带来了机遇和挑战。

（一）大数据创新带来的学习分析机遇

1. 直接的价值利益

大数据创新公司分为三类：基于数据的公司、基于技术的公司、基于思维的公司。大数据背景下学习分析的价值链创新也包括这三个层次的创新[53]。其一，学习管理系统和在线平台上采集的学习者相关数据本身具有很大的价值。基于数据本身的数据公司， 它们没有能力或者侧重点不在分析数据上，它们可以直接出售数据给第三方。其二，处理大数据的云计算、物联网等先进技术掌握在少量高科技公司手中。它们掌握了技术但缺乏数据，主要通过专业的分析技术获得利益。其三，学习分析是一种社会化分析，自适应、个性化的学习需求是推动学习分析的真正动力。基于思维创新的公司通过学习分析创造新的需求和服务模式，从模式创新中获得利益。

2. 学习与教育方式的革新

数字媒体和分析技术的发展，使学习和教育方式日趋多元化和立体化。学习分析也逐渐融合到在线学习、混合式学习、协同学习、虚拟化学习中。学习分析强调基于上下文情境和人为干预，重视适应性和个性化服务，要求环境与用户、教与学良好互动，是智能教学的最佳实践。例如，大规模开放课程平台中，利用学习分析技术挖掘用户信息，根据用户兴趣推荐课程和资料；翻转课堂和游戏化学习过程中，学习分析仪表盘上的结果使学习者能够根据目标和学习习惯主动学习。

3. 对其他学习科学的影响

学习分析对其他学习科学的研究具有积极影响。学术分析、教育数据挖掘与学习分析交叉融合，它们的方法和思想很多时候可以互相借鉴。学习分析融入MOOCs学习环境、学习管理系统、智能导师系统，使这些系统更加智能化。游戏和游戏化学习、翻转课堂、多模态学习、量化自我等学习科学领域的新技术同样受学习分析技术的影响。

（二）大数据时代学习分析面临的挑战

大数据时代的学习分析数据多源异构、分布广泛、动态增长[54]；大数据背景下的学习分析需要强大的数据存储与分析能力；大数据视角下的学习分析关注用户需求，以服务为中心；大数据管理思维下的法律和制度尚待完善。正是这些问题，使大数据时代的学习分析面临挑战。

1. 数据与技术挑战

海量的、非结构化的学习轨迹数据，难以被典型数据库软件工具捕捉、储存、管理和分析，大数据技术创新才能解决学习分析中的基础问题。数据与技术挑战，就是指选取什么数据，建立什么模型，如何处理数据的问题。首先，虽然大数据关注的是数据的关系而非因果，但因为系统的复杂性，混沌世界发现的规律常常出现“蝴蝶效应”，如果不加选择地利用不合理的数据，让数据主宰人类决策，必将导致荒谬。其次，被广泛接受和检验的整体框架仍然有待完善，针对特定情境、特定问题、特定用户的学习分析模型和实现较为稀缺。怎样定义问题，如何选择模型，选择哪种算法更有效，这些都是开放的问题。最后，云计算等大数据关键技术尚不成熟，在大数据存储、计算方面还存在很多问题，这些问题也是学习分析的主要技术挑战。

2. 制度和管理能力限制

学习分析不是纯粹的技术问题，还涉及人的干预和优化。制度和管理技能方面的缺陷，直接制约学习分析的应用。其一，学习分析需要花费大量的人力、物力，高额的成本对于一般教育机构来说难以接受。其二，学习分析需要聪明的消费者来使用数据，传统的教师和管理者可能不具备分析和使用数据的能力，甚至抵触学习分析工具的使用。其三，学习和教育是一个社会化过程，研究和发展适应性和个性化的分析方案是学习分析的永恒话题。

3. 道德与安全挑战

大数据背景下的学习分析，面临道德与安全的挑战。学习分析的道德与安全挑战分为三类：数据位置和数据解释问题；许可、隐私管理和匿名化问题；数据分类和管理问题[55]。学习分析需要获取用户信息，管理用户数据，不可避免会涉及用户隐私。另外，和学习分析相关的法律制度、道德引导、安全技术尚未明晰。例如，google曾因为使用 Apps for Education套件扫描了数以百万计的学生的电子邮件信息，并将之用于创建“隐蔽”的广告配置文件而遭起诉。

五、总结与展望

大数据的管理思维变革给学习分析带来了机遇和挑战。随着云教育平台、MOOCs等的应用，学习分析的形式和应用将更加广泛。学习分析是教育信息化的新浪潮，在应用中存在各种挑战。面对这些挑战，需要将信息化技术与教学过程结合起来，制定明晰的使用规范和管理制度，注重数据安全与隐私保 护[56][57]。传统教与学方式的转变需要一个过程，学习分析技术的大规模应用需要利益相关者的共同努力。

[参考文献]

[1][16] JOHNSON L， ADAMS BECKER S， WITCHEY H， et al. The NMC Horizon Report： 2011 Museum Edition [J]. Austin， Texas： The New Media Consortium， 2011.

[2][17] JOHNSON L， ADAMS S， CUMMINS M， et al. The NMC horizon report： 2013 higher education edition [J]. 2013.

[3] JOHNSON L， ADAMS S， CUMMINS M， et al. The NMC horizon report： 2012 higher education edition， Austin [J].http：//www.nmc org/publications/2013-horizon-report-higher-ed， 2013.

[4] 刘永贵，郑旭东. 美国高等教育信息化的进展与趋势——EDUCASUE 年度高等教育信息化十大战略议题解读 [J]. 开放教育研究，2009，14（6）：122-126.

[5][26][29][34] SIEMENS G， D BAKER R S. Learning analytics and educational data mining： towards communication and collaboration； proceedings of the Proceedings of the 2nd international conference on learning analytics and knowledge， F， 2012 [C]. ACM.

[6][11][14][18][30][36][48][49] 吴永和，陈丹，马晓玲，et al. 学习分析：教育信息化的新浪潮 [J]. 远程教育杂志，2013，31（4）：11-19.

[7] 顾小清，张进良，蔡慧英. 学习分析： 正在浮现中的数据技术[J]. 远程教育杂志，2012（1）：18-25.

[8] 李青，王涛. 学习分析技术研究与应用现状述评 [J]. 中国电化教育，2012（8）：129-133.

[9] 马晓玲，邢万里，冯翔. 学习分析系统构建研究 [J]. 华东师范大学学报（自然科学版），2014.

[10][46] 魏顺平. 学习分析技术，挖掘大数据时代下教育数据的价 值[J]. 现代教育技术，2013，（2）：5-11.

[12] 祝智庭，沈德梅. 学习分析学智慧教育的科学力量[J]. 电化教育研究，2013，5（03）.

[13][51] 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，（4）：22-26.

[15][25] SIEMENS G， LONG P. Penetrating the fog： Analytics in learning and education [J]. Educause Review， 2011， 46（5）： 30-32.

[19] VAN BARNEVELD A， ARNOLD K E， CAMPBELL J P. Analytics in higher education： Establishing a common language [J]. EDUCAUSE Learning Initiative， 2012.

[20][22][33][56] FERGUSON R. The state of learning analytics in 2012： A review and future challenges [J]. Knowledge Media Institute， Technical Report KMI-2012， 2012， 1（2012.

[27][35] BAKER R， SIEMENS G. Educational data mining and learning analytics [J]. Cambridge Handbook of the Learning Sciences：， 2014.

[28] BEHREND T S， WIEBE E N， LONDON J E， et al. Cloud computing adoption and usage in community colleges [J]. Behaviour & Information Technology， 2011， 30（2）： 231-40.

[31][32] 魏雪峰，宋灵青. 学习分析：更好地理解学生个性化学习过程——访谈学习分析研究专家 George Siemens 教授 [J]. 中国电化教育，2013，（9）：1-4.

[37][54] 孟小峰，慈祥. 大数据管理：概念，技术与挑战 [J]. 计算机研究与发展，2013，50（1）：146-169.

[38] BROWN M. Learning analytics： the coming third wave [J]. EDUCAUSE Learning Initiative Brief， 2011， 1-4.

[39] SIEMENS G. What are learning analytics [J]. Retrieved March， 10（2011）.

[40] ELIAS T. Learning analytics： Definitions， processes and potential [J]. Learning， 2011， 23（134-148）.

[41] GRELLER W， DRACHSLER H. Translating learning into numbers： A generic framework for learning analytics [J]. 2012.

[43] IFENTHALER D， WIDANAPATHIRANA C. Development and Validation of a Learning Analytics Framework： Two Case Studies Using Support Vector Machines [J]. Technology， Knowledge and Learning， 1-20.

[45][47] SIEMENS G， GASEVIC D， HAYTHORNTHWAITE C， et al. Open Learning Analytics： an integrated & modularized platform [J]. Proposal to design， implement and evaluate an open platform to integrate heterogeneous learning analytics techniques， 2011.

[52][57] BIENKOWSKI M， FENG M， MEANS B. Enhancing teaching and learning through educational data mining and learning analytics： An issue brief [J]. US Department of Education， Office of Educational Technology， 2012， 1-57.

[53] 维克托，迈尔，肯尼思，et al. 大数据时代——生活，工作与思维的大变革 [M]. 杭州：浙江人民出版社，2013.

[55] SLADE S， PRINSLOO P. Learning Analytics Ethical Issues and Dilemmas [J]. American Behavioral Scientist， 2013， 57（10）： 1510-1529.

收稿日期：2014-11-15

作者简介：王良周，研究生；于卫红，副教授，博士。大连海事大学交通运输管理学院（116026）。

责任编辑 石 子

责任校对 石 子