学习分析技术的研究现状与未来趋势*——基于2011-2015年LAK会议论文的分析

曹 帅，王以宁，徐 鹏

(1.东北师范大学 计算机科学与信息技术学院，吉林 长春 130024；2.东北师范大学 传媒科学学院，吉林 长春 130024；3.东北师范大学 信息化管理与规划办公室，吉林 长春 130024)

学习分析技术的研究现状与未来趋势*
——基于2011-2015年LAK会议论文的分析

曹 帅1，王以宁2，徐 鹏3

(1.东北师范大学 计算机科学与信息技术学院，吉林 长春 130024；2.东北师范大学 传媒科学学院，吉林 长春 130024；3.东北师范大学 信息化管理与规划办公室，吉林 长春 130024)

“数据驱动决策，分析变革教育”的大数据时代推动了技术与教育的深度融合，教育大数据的出现为学习分析技术的发展提供了研究契机，学习分析技术可以有效地发挥教育大数据蕴藏的价值，使数据成为优化学习者学习活动的依据。美国新媒体联盟连续几年来预测学习分析将成为教育领域的研究主流，学习分析技术与知识国际会议连续五年的举办也为学习分析技术的精细化研究提供了组织保障，该文通过对2011-2015年“学习分析技术与知识”国际会议The International Conference on Learning Analytics and Knowledge，简称LAK的会议论文进行文本挖掘和内容分析，整合了大数据视角下学习分析技术的研究现状和发展趋势以及面对的挑战，以期能够梳理学习分析领域的研究脉络，启示未来的深入研究。

学习分析；LAK；数据挖掘；MOOC

一、学习分析与LAK会议综述

“大数据”一词最早由麦肯锡公司提出，作为“一种有价值的资产”现已渗透到各行各业的领域内，成为重要的生产因素。在教育领域中也有大量的数据产生，通过对教育大数据的获取、存储、管理和分析，我们可以构建学习者学习行为相关模型，分析学习者已有学习行为，并对学习者的未来学习趋势进行科学预测[1]。随着云计算的应用、智能终端的普及以及大数据分析技术的突破，基于教育大数据的学习分析技术有了长足的应用和发展。未来是一个数据驱动决策，分析变革教育的时代，学习分析技术可以有效地发挥这些教育数据的作用，使数据转变为信息和知识，为教学决策和学习优化提供服务，使数据成为审慎决策和优化过程的重要依据。

美国新媒体联盟NMC的地平线报告中连续几年都将学习分析技术预测为未来的研究主流，提出应该使学习者从消费者转变为创造者，应用数据分析来改进服务、提高学习者保持率并促进学习成功。报告认为学习分析是利用松散耦合的数据收集工具和分析技术，分析学习者学习参与、学习表现和学习过程的相关数据，进而对课程和教学进行实时评价[2]。我国研究学者认为，学习分析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，根据解释的结果探寻学习规律，根据阐释的数据反映学习表现，从而为更有效的学习提供反馈和策略[3]。未来的教育系统和学习形态必然基于人们的生活实态发生变革[4]，信息技术与课程的深度整合将成为重要的教育研究领域[5]，其中学习分析技术不仅可以满足学习者对自己学习情况的实时监控，而且可以为教师提供实时反馈的信息评量，以服务学习过程，优化学习设计。

学习分析研究协会SoLAR每年都会举办以“学习分析技术与知识”为主题的国际会议LAK，会议每年都吸引来自全球各个国家的学习分析相关领域专家参加，相关领域内容涵盖学习科学、数据科学、计算机科学等多个方向，SoLAR的成立对于学习分析技术这一新兴领域规模的迅速扩大也起到了极大的助推作用。从2011年到2015年，SoLAR举办的LAK会议已有五届，随着会议的规模和影响力越来越大，论文的投稿量和参会人员也呈现逐年增加的态势。学习分析技术从大数据的背景下产生并发展起来，现已获得越来越大的影响力。SoLAR每年都会紧跟时代进步的要求和研究重难点的发展，在世界各地举办LAK会议，2016的LAK将于4月在英国伦敦举行。从2011年以来，学习分析领域的研究已从从萌芽阶段渐渐取得初步的进展。本文以2011-2015年LAK的会议论文为研究的立足点和出发点，通过对五年的会议论文进行内容分析，梳理学习分析技术的研究现状和发展趋势，以期丰富该领域的深入研究，如表1所示。

表1 2011-2015年LAK会议概况

二、学习分析技术的研究现状

(一)基于LAK会议论文关键词的统计分析

1.关键词的基本情况

从2011年到2015年共出现1237个关键词，年均关键词247.40个，篇均关键词平均4.65个，如右表2所示。从2013年到2015年，篇均关键词逐年减少，说明研究者对于该领域的研究目的更加明确，对于研究内容的界定也更加科学精炼。经过对266篇论文的关键词进行聚类筛选，共有“学习分析”“数据挖掘”“大数据”“预测/干预”“可视化”“社会网络分析”“学习管理系统”“大规模开放课程资源MOOC”“评价”“高等教育”“话语分析”“个性化学习”“计算机支持的协作学习CSCL”“21世纪技能”14个高频关键词，“学习分析”为主题关键词。在对关键词的处理中，采用了编码和聚类的质性数据的统计方法。其中，学习分析、数据挖掘、大数据、预测/干预、可视化、学习管理系统、评价、高等教育这8个关键词稳定存在；社会网络分析和CSCL这2个关键词呈现前期存在，近两年出现频率不高的态势；MOOC、个性化学习、话语分析这3个关键词呈现前期出现不多，近两年大量出现的情况；21世纪技能这个关键词在这五年的会议论文中呈现间歇性出现的趋势。从高频关键词的频数和变化比例可知，对于学习分析技术这一领域来说已经经历了从分散到集中、从泛化到精细的研究过程。

表2 2011-2015年LAK会议论文关键词统计情况

2.高频关键词的统计情况

对高频关键词进行纵向、横向分析，如表3所示。纵向分析 “学习分析”“数据挖掘”和“大数据”每年都有所体现，为核心关键词；横向分析这3个高频关键词的变化情况基本一致，在前两年呈现增长的趋势，后两年所占比例有所减少，与该趋势相反的是“MOOC”的逐年增长。

表3 2011-2015年LAK会议论文高频关键词统计情况

通过对1237个关键词进行聚类分析和关联分析， “学习分析”的内容可以根据学习对象、学习环境、学习理论、学习评价、分析方法和分析工具6个方面进行深入地探索和解读。针对学习对象的内容有学习者性格、学习态度、行为模式、学习参与度及媒介素养等；针对学习环境的内容主要是计算机为载体的学习方式的变革，如构建学习管理系统、课程管理系统、个人学习环境、知识社区、智慧课堂、计算机支持的协作学习CSCL和MOOCs等；针对学习理论内容有生物系统理论、混合式学习、远距离学习、科学技术工程教学STEM、行动研究等；针对学习评价的内容有环境评价、同辈评价、自动评价、协作评价等；针对分析方法的内容有语篇分析、时序分析、文本分析、判别分析、引文分析和社会网络工作分析等；针对分析工具的内容有学习评价分析工具、学习网络分析工具、视频分析技术等新兴工具。

(二)基于会议论文的学习分析技术的研究现状

1.MOOCs视角下的学习分析技术

MOOCs是一种大规模、开放、在线的课程资源，是一种基于社会化网络的学习方式。其大规模的特点体现在用户和课程数量大，且产生巨大的数据量；其开放的特点体现在将教育资源共享，为世界各地学习者提供了一种联结[6]；其在线的特点满足了学习者不受时空的限制。MOOCs的出现推动了技术与教育的深度融合，改变了学习者的认知方式[7]，其蕴含的大量数据具有重要的教育研究价值，透过MOOCs的数据分析可以发现学习者的学习规律，优化学习者的学习过程，为学习者个性化学习的实现提供可能，也为促进教学方式的变革提供基础。在LAK的会议论文中，MOOCs与学习分析的相关研究越来越丰富。Srećko等人将自动内容分析和社会网络分析作为定量分析的内容，以不同社交媒体平台的帖子作为定性分析的内容，依靠自动化概念提取工具识别并分析帖子中的概念群体[8]，为学习者在MOOCs课程的话语内容提供了更为深入的探索，使得学习者在不同的社交媒体中更有助于 “弥合社会差距”，从而促使利益相关共同体的形成。

MOOCs是一种课程资源，而学习分析是支撑该资源的一种技术，MOOCs顺应了教育变革信息化的趋势，将“知识传授”和“知识内化”的过程颠倒过来，促进了学习者解决问题能力以及创新能力的提高[9]。在LAK的会议论文中，通过学习分析技术提高MOOCs学习者学习活动的研究也逐渐增多，Aysu等人通过汇集一种无监督的对话行为分类框架进行建模来理解MOOCs论坛的帖子结构，以此作为一种学习分析的方法，并通过实证研究讨论同步教程对话在MOOCs课程中的数据性能，以证明该模型的适用性。在未来，实时辅导可以通过这些无监督的建模技术促成MOOCs课程标准或智能支持系统，为学习者提供自适应和高效度的学习经验[10]。

2.教育背景下的数据挖掘与学习分析

大数据重塑学习的三个特征是“反馈”“个性化”“概率预测”[11]，学习分析技术也是一种数据分析技术，而这种数据分析泛指应用在教育领域的“大数据”， “大数据”在2014年Gartner新兴技术成熟度曲线图中已处于下落位置，在2015年已经落榜，这说明大数据已经脱离“新兴”转而“成熟”了。大数据最重要的价值即数据本身，Philip等人结合教育数据类别的定义，开发了一个概念性框架来组织新兴学习分析活动[12]。对于教育数据挖掘EDM和学习分析知识LAK的关系，Alejandro等人认为两者在教育、教学、学习分析中均有所体现，对于模型、方法、技术和影响都有做高质量的研究。数据挖掘技术和教育背景下的信息技术的结合产生出EDM这样一个新兴学科。EDM包括预测方法、关系挖掘、模型建构、教育过程挖掘EPM等几个方面。其中，EPM可以用来更好地理解基础教育过程，给学习者以建议，给教师及教学研究者以反馈，以便学习者及早地发现学习困难，促进对学习对象的管理能力，帮助对不同年龄学习者学习认知与后设认知有高度要求的学习环境，如超媒体或基于计算机的学习环境等[13]。Shady等人利用EDM对威斯康星大学本科生的学习成绩从第一周开始进行跟踪测量，开发了一套学习者成功系统S3来预测学习者的行为，提高学习者的学习成功率。该系统基于预测模型，利用机器学习算法对历史进程创建的数据进行挖掘分析，为学习者个性化课程的制定提供策略[14]。

3.学习分析技术与个性化学习的实现

个性化学习是一种具有自我导向性的学习分析，个性化学习以学习者的个体差异为根据，为学习者提供个性化的建议和服务，并实时记录学习日志和行为轨迹，评估过往学习过程、预测未来表现和发现潜在问题[15]。Hendrik等人认为学习分析领域的各种数据集的应用主要都是用在教育和学习上的，将数据集按照来源可以分为两类：来自不同学习环境的跟踪数据和来自不同网络链接的跟踪数据。Daniel等人植根于认知情境、关联视图及网上文化的学习观点，提出了一种个性化的学习方法，并通过学习分析精制理论，将其功能扩大到更加系统和自动化的“大的开放性的在线课程”中[16]。学习分析的个性化学习资源使得从外部学习机构到学习者个人成长都有了“开放性”的实现。学习科学与教学设计的有机结合，可以实现学习者的自身潜能；学习者和学习机构拥有访问工具和资源的权限，可以满足学习者的学习需要；教师提供良好的教学和学习环境，可以满足学生个性化的成长需求。这些在学习科学和工具开发之间建立的伙伴关系和合作关系，可以支持个性化学习[17]。

4.学习分析工具的开发和研究

学习分析工具有多种分类方式，按主流分法可分为学习网络分析工具、学习内容分析工具、学习行为分析工具、学习能力分析工具等，充分利用各类型工具的特点和优势有利于发挥其应用潜力[18]。Schneider等人通过学习网络分析工具发展交叉协作感知，应用网络可视化跟踪眼睛数据并解释图表属性。Scheffel等人针对学习分析内容提出了一种质量指标评价框架的连续发展过程，构建了一组基于多维缩放和分层聚类的概念映射的方法[19]。Paulo等人采用了一种自动化技术对学习者学习的编程课程进行评估、分析和可视化研究，以记录学习者代码快照的方式提取学习者的行为，从而对学习者的编程经验进行分类[20]。Abelardo等人创设了一个翻转的学习环境，用来支持学生的学习成果，以更好地促进学生的高阶认知策略[21]。Sanam等人认为能力是构成学习者个体差异的背景，学习能力分析工具的研发可以促进学习者监控自身的学习过程，方便制定符合自身条件的认知策略和战略行动[22]。在LAK的会议论文中，学习分析工具涉及越来越多的机器学习和情感计算的设计。随着机器学习的深入研究，协作式的自动评估方法也将成为分析工具的重要措施[23]。

5.学习管理系统中的学习分析

学习管理系统LMS可以生成大量的数据，可以对学习者的学习活动进行捕捉，记录并跟踪活动数据。Vitomir等人研究了LMS中不同任务时间对常用分析模型的影响，并提供了一个在教育探索领域的时间任务评估方法[24]。LMS中的早期预警系统EWS可以通过整合与课程相关的、实时的课程信息，来预测学习者的成功或失败。Richard等人提出了一种将学习者使用课程的LMS应用到EWS的研究，解释了使用课程资源和学习者成绩的关系，通过多元逻辑回归模型来评估课程资源使用的可能性[25]。LMS的一个最显著的特点是其自适应性，自适应学习管理系统可以针对个体学习过程中的差异而提供适合个体特征的学习支持。自适应的LMS最早是从智能教学系统ITS演变而来[26]。Laura等人开发了一个模型，从语言的自我属性的解释出发，提高学习者的阅读理解能力，最终提高ITS的性能[27]。此外，LMS的智能化研究是高等教育的一个显著现象，这也使得LMS得到了前所未有的采用率。

6.开放教育视角下的学习分析

2015AECT会议提出了两个核心趋势，即“开放教育”和“学习分析”，教育的开放性研究是未来教育的主流思潮，若要保障未来教育的开放性，教育研究者需要数据分析的支持来论证并确保开放服务及相关教学设计的有效性。“互联网+”实现了人机互补的智能链接，“互联网+”时代推动了教育信息化的发展，提供了无处不在的学习机会，也为开放教育和学习分析两大主流的结合提供了环境，如MOOCs的高辍学率的问题可以由学习分析的技术层面加以改进和完善，而随着MOOCs出现的大量数据也为学习分析的深入研究提供了机遇和挑战[28]。开放学习环境OELE可以提供自适应的支持，James等人认为开放学习环境可以给学习者提供真实的、复杂的参与任务并解决问题的机会，以认知和元认知为过程模型，采用模型驱动的评估方法完成开放式学习任务[29]。Barbara等人设计了一个基于树图的开放学习模型，研究了可视化的开放学习模型，该模型为信息可视化提供了一个创新的方式[30]。

三、学习分析技术未来的趋势和挑战

基于LAK会议论文对学习分析现状的深入研究，提炼出学习分析技术未来发展的三个趋势，即机器学习和情感计算、智慧学习和技术标准、心理测量技术和学习分析。而如何处理伦理与安全的问题并有效应用预测学习将成为学习分析技术发展面临的挑战。

(一)学习分析技术的趋势

1.整合机器学习和情感计算技术的学习分析研究

Shady等人基于预测模型，利用机器学习算法进行数据挖掘，提出整合机器学习和情感计算技术的学习分析研究不仅可以促进学习者的个性化学习，而且方便教师监控学习者的个性化状态[31]。学习分析技术是基于大数据的分析技术，其应用和发展离不开算法，其研究对象离不开人。整合机器学习和情感计算的研究，不仅拓展学习分析技术的辐射范围，而且可以更深入地了解学习者的学习行为。机器学习是一种可以让计算机“自动学习”的分析方法。机器学习关注预测，基于已知属性以训练数据，而数据挖掘关注以前数据中尚未发现的属性。情感计算以人类情绪理论为基础，使人类和计算机可以进行和谐自然的生动交互，使计算机能够智能地解读学习者的心理困扰，并灵活地帮助学习者及时做出调整、化解冲突。机器学习和情感计算可以确定学习者的情感状态和行为特征，为学习分析技术的深入研究和预测提供基础依据，机器学习和情感计算也必将成为学习分析领域的研究热点。

2.基于学习分析技术的智慧学习环境构建

James提出一种依赖实时学习分析的教学模式，即“智能空间”，为支持交互环境提供了脚手架[32]。学习分析是一种可以优化学习效果，改进学习策略的“智能分析”。智慧学习环境是一种能提供学习资源和智能工具，感知学习情景并组建学习社群，记录学习过程以提高学习的空间；智慧学习是一种以学习者自我学习为导向，使用智能学习技术来促进学习者智慧发展的一种学习体验。基于学习分析的智慧学习可以为学习者评估学习过程、预测未来表现和发现潜在问题提供服务。分析变革教育，技术启迪智慧，学习技术标准xAPI可以通过记录相关学习行为历程和丰富学习数据以促进学习分析的应用。xAPI是智慧学习的底层支持，为学习者智慧学习提供保障的同时可以让大量数据从学习平台、学习工具和学习系统中解放出来，使学习者的个性化学习得以实现。大数据背景下的智慧学习环境中，学习分析技术的出现和发展变革了教与学的方式方法，推动了信息技术与教育教学的深度融合。

3.整合心理测量技术的学习分析研究

心理测量是对个体差异的测量，可以评价学习者个体的人格特点和能力差异，其测量结果可以用来预测学习者在未来学习活动中可能出现的差异，也可推测学习者在某个学习领域未来成功的可能性。整合心理测量技术的学习分析研究成为2016年LAK会议的主题演讲，也成为学习分析技术未来发展的一大趋势。根据学习分析已有问题的统计推断和建立模型的推理问题，都符合心理学方法的测量性能，如可靠性、有效性、可比性和公平性等。技术和社会认知心理学分支的交叉研究和迅速发展推动了整合心理测量技术的学习分析研究，使得整合心理测量技术的学习分析可以从心理学的角度获得学习分析历史模型中的关键数据。目前整合心理测量技术的学习分析研究主要体现在以下几个方面：通过计算分析方法合成硬数据以获得学习者心理的研究理解；通过学习科学、基于域的研究、认知和社会文化心理以获得学习者心理的研究结果；通过模拟游戏和虚拟学习环境的设计以获得学习者心理的研究启示。

(二)学习分析技术的挑战

1.伦理与安全的挑战

信息时代下，数据的互通、共享和安全将成为数据应用的重要特征，而涉及隐私和安全的数据难免会成为某些利益诉求的集散地。教育的对象包含多个群体，而教育数据除包括对象本身的数据，还包括各对象之间互动衍生的“数据尾气”。在收集和使用教育数据的过程必然涉及到一些教育机构或企业组织对数据的保护和许可问题，使得“数据权属”备受关注。对于教育数据的使用需要研究者公开收集用户的对象及数据，这其中也必然涉及对数据的隐私安全保护问题。而数据的预测也面临伦理的挑战，学习者提供数据是相信大数据能够帮助他们优化学习而不是阻碍他们的梦想。所以在对教育数据进行归纳整理和提取分析之前，教育研究者需要取得学习者本人的许可后方可应用他们的个人信息，并且负有保护数据隐私问题的能力以及承担干预行为的责任。如何在现有数据的基础上保障数据的伦理安全并进行干预保护，然后进一步地扩大数据的捕捉范围将是学习分析技术的一大挑战。

2.预测与应用的挑战

基于教育大数据规划自身学习的过程就是学习分析，不仅可以使学习者认识到自身的优缺点，并且为教育者的个性化指导提供依据。大数据时代的学习分析对于教育变革产生的价值是巨大的，但是在教育领域，数据分析也并不是万能的。数据之所谓“大”体现在数据之“全”，包括我们所有的过往和现在，甚至还会预测到我们的未来。我们沿着时间的轨迹会成长会成熟，而数据产生后就是其数据本身并不会发生变化。凡是过去，皆为序章，若一味地依靠数据决定我们的命运和未来，那势必限制人的自由、否定人的发展、阻碍人的进步，从而极有可能造成学习者成为数据预测的受害者而不是自身能力的受害者。此外，因为数据已经“预测”好未来，所以对于学习者来说极有可能出现马太效应，即好的越好、坏的越坏，从而导致学习者无法逾越教育鸿沟的不公平现象的产生。所以如何利用预测优化学习而又不否定未来将是学习分析技术的又一大挑战。

四、结语

本文通过对2011-2015年LAK的会议论文进行文本挖掘和内容分析，整合了大数据视角下学习分析技术的研究现状、发展趋势以及未来的挑战。本研究期望通过厘清学习分析技术的研究重点和研究热点，从而梳理该领域的研究脉络，以丰富未来的深入研究。通过研究可知，基于大数据的研究和应用将在学习分析领域扮演越来越重要的角色，我们已经进入了“数据驱动决策，分析变革教育”的时代，而如何有效地利用大数据为学习分析所用，真正发挥数据的价值并进行科学的预测，为学习者个性化学习的实现和教育公平的促进，将成为未来学习分析深入研究的重点。

[1]徐鹏,王以宁,刘艳华,张海.大数据视角分析学习变革——美国《通过教育数据挖掘和学习分析促进教与学》报告解读及启示[J].远程教育杂志,2013,(6):11-17.

[2]NMC. Horizon Report:2014 Higher Education Edition[DB/OL].https://net.educause.edu/ir/library/pdf/HR2014.pdf,2014-06-18.

[3]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.

[4]张海,李馨.日本移动学习实践研究前沿[J].中国电化教育,2009,(9):1-6.

[5]张海,王以宁,何克抗. 基于课堂视频分析对信息技术深层整合教学结构的研究[J]. 中国电化教育, 2010, (11): 7-11.

[6]李华,段建彬,许旱年.智能技术支持下的智慧学习——GCCCE2014会议回顾与述评[J].电化教育研究,2015,(6):15-20.

[7]祝智庭,管珏琪.教育变革中的技术力量[J].中国电化教育,2014,(1):1-9.

[8]Srećko Joksimović, Vitomir Kovanović , Jelena Jovanović, Amal Zouaq,Dragan Gašević, Marek Hatala .What do cMOOC participants talk about in Social Media?A Topic Analysis of Discourse in a cMOOC[A].Proceedings of the Fifth International Conference on Learning Analytics And Knowledge[C]. Poughkeepsie, NY, USA :ACM,2015.156-165.

[9]王佑镁,叶爱敏,赖文华. MOOC何去何从:基于知识图谱的国内研究热点分析[J].中国电化教育,2015,(7):12-18.

[10]Aysu Ezen-Can, Kristy Elizabeth Boyer, Shaun Kellogg, Sherry Booth. Unsupervised Modeling for Understanding MOOC Discussion Forums: A Learning Analytics Approach[A]. Proceedings of the Fifth International Conference on Learning Analytics And Knowledge[C].Poughkeepsie, NY, USA: ACM,2015.146-150.

[11]维克托·迈尔-舍恩伯格,肯尼思·库克耶.与大数据同行——学习和教育的未来[M].武汉:华中师范大学出版社,2015.

[12]Philip J. Piety ,Daniel T. Hickey ,MJ Bishop .Educational Data Sciences-Framing Emergent Practices for Analytics of Learning,Organizations, and Systems[A].Proceedings of the Fourth International Conference on Learning Analytics And Knowledge[C].Indianapolis,IN, USA: ACM,2014.31-35.

[13]Alejandro Bogarín, Cristóbal Romero , Alejandro Bogarín,Cristóbal Romero .Clustering for improving Educational Process Mining[A].Proceedings of the Fourth International Conference on Learning Analytics And Knowledge[C]. Indianapolis, IN, USA:ACM,2014.11-15.

[14]Shady Shehata, Kimberly E. Arnold. Measuring Student Success Using Predictive Engine[A]. Proceedings of the Fifth International Conference on Learning Analytics And Knowledge[C]. Poughkeepsie,NY, USA: ACM,2015. 416-417.

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

[16]Daniel T. Hickey,Tara Alana Kelley,Xinyi Shen. Small to Big Before Massive:Scaling up Participatory Learning Analytics[A].Proceedings of the Fourth International Conference on Learning Analytics And Knowledge[C]. Indianapolis, IN, USA: ACM,2014.93-97.

[17]Linda L. Baer ,Linda L. Baer .Crafting Transformative Strategies for Personalized Learning/Analytics[A].Proceedings of the Third International Conference on Learning Analytics And Knowledge[C].Indianapolis, IN, USA: ACM,2013.275-277.

[18]孟玲玲,顾小清,李泽.学习分析工具比较研究[J].开放教育研究,2014,(4):66-75.

[19]Maren Scheffel, Hendrik Drachsler, Marcus Specht. Developing an Evaluation Frameworkof Quality Indicators for Learning Analytics[A]Proceedings of the Fifth International Conference on Learning Analytics And Knowledge[C]. Poughkeepsie, NY, USA:ACM,2015.16-20.

[20]Paulo Blikstein. Using learning analytics to assess students’behavior in open-ended programming tasks[A].Proceedings of the First International Conference on Learning Analytics And Knowledge[C].Banff, Alberta, Canada: ACM,2011.110-116.

[21]Abelardo Pardo, Negin Mirriahi, Shane Dawson.Identifying Learning Strategies Associated with Active use of Video Annotation Software[A]. Proceedings of the Fifth International Conference on Learning Analytics And Knowledge[C]. Poughkeepsie, NY, USA:ACM,2015.255-259.

[22]Sanam Shirazi Beheshitha, Dragan Gašević, Marek Hatala. A Process Mining Approach to Linking the Study of Aptitude and Event Facets of Self-regulated Learning[A]. Proceedings of the Fifth International Conference on Learning Analytics And Knowledge[C]. Poughkeepsie,NY, USA: ACM,2015.265-269.

[23]Bertrand Schneider, Sami Abu-El-Haija, Jim Reesman, Roy Pea.Toward Collaboration Sensing: Applying Network Analysis Techniques to Collaborative Eye-tracking Data[A].Proceedings of the Third International Conference on Learning Analytics And Knowledge[C].Indianapolis, IN, USA: ACM,2013.107-111.

[24]Vitomir Kovanovi´c, Dragan Ga'evi´c, Shane Dawson, Sre´cko Joksimovi´c, Ryan S. Baker, Marek Hatala.Penetrating the Black Box of Time-on-task Estimation[A]. Proceedings of the Fifth International Conference on Learning Analytics And Knowledge[C]. Poughkeepsie,NY, USA: ACM,2015.184-193.

[25]Richard Joseph Waddington, Sung Jin Nam.Practice Exams Make Perfect: Incorporating Course Resource Use into an Early Warning System[A].Proceedings of the Fourth International Conference on Learning Analytics And Knowledge[C]. Indianapolis, IN, USA:ACM,2014.188-192.

[26]徐鹏,王以宁.国内自适应学习系统的研究现状与反思[J].现代远距离教育,2011,(1):25-27.

[27]Laura K. Allen,Erica L. Snow, Danielle S. Mc Namara.Are You Reading My Mind? Modeling Students’ Reading Comprehension Skills with Natural Language Processing Techniques[A]. Proceedings of the Fifth International Conference on Learning Analytics And Knowledge[C]. Poughkeepsie, NY, USA: ACM,2015.246-254.

[28]郁晓华,顾小清.开放教育下的学习分析——2015 AECT 夏季研讨会评述与延伸[J].远程教育杂志,2015,(5):14-23.

[29]James R. Segedy, Kirk M. Loretz, Gautam Biswas.Model-Driven Assessment of Learners in Open-EndedLearning Environments[A].Proceedings of the Third International Conference on Learning Analytics And Knowledge[C]. Indianapolis, IN, USA: ACM,2013.200-204.

[30]Barbara Kump,Christin Seifert,Guenter Beham .Seeing What the System Thinks You Know - Visualizing Evidence in an Open Learner Model[A].Proceedings of the Second International Conference on Learning Analytics And Knowledge[C]. Vancouver, BC, Canada:ACM,2012.153-157.

[31]Shady Shehata, Kimberly E. Arnold. Measuring Student Success Using Predictive Engine[A]. Proceedings of the Fifth International Conference on Learning Analytics And Knowledge[C]. Poughkeepsie,NY, USA: ACM,2015.146-150.

[32]James D. Slotta, Mike Tissenbaum, Michelle Lui. Orchestrating of complex inquiry: Three roles for learning analytics in a smart classroom infrastructure[A].Proceedings of the Third International Conference on Learning Analytics And Knowledge[C]. Vancouver, BC,Canada:ACM,2013. 270-274.

The Current Situation and Future Trend of Learn Analysis Technology Based on 2011-2015 LAK Conference Papers

Cao Shuai1, Wang Yining2, Xu Peng3
(1.School of Computer Science and Information Technology, Northeast Normal University, Changchun Jilin 130024;2.School of Media Science, Northeast Normal University, Changchun Jilin 130024; 3.Information Office of Northeast Normal University, Changchun Jilin 130024)

Technology and education are closely integrated in the era of big data, whose emergence in education provides a research opportunity for the development of learning analysis technology which can effectively explore the value of big data that is hidden in education, and thus make data the basis for optimizing learners’ learning activity. For several successive years, the United States New Media Consortium has been predicting that learning analysis will become the mainstream of research in the field of education, and the International Conference on Learning Analytics and Knowledge in the previous 5 consecutive years provides the organizational guarantee for the meticulous research. Based on the text mining and content analysis of the International Conference on Learning Analytics and Knowledge papers in 2011-2015, this paper integrates the research status, development trend and the existing challenges of the learning analysis technology from the big data perspective. Hopefully, this paper can sort out the study of the field of learning analysis technology through the context, and thus inspire further studies.

Learn Analysis; LAK; Data Mining; MOOC

G434

：A

曹帅：在读硕士，研究方向为教师教育技术(caos009@nenu.edu.cn)。

王以宁：教授，博士生导师，研究方向为教师教育技术(wangyn814@nenu.edu.cn)。

徐鹏：在读博士，工程师，研究方向为教师教育技术、大数据教育应用(xp@nenu.edu.cn)。

2016年2月17日

责任编辑：赵兴龙

1006—9860(2016)05—0078—07

* 本文系东北师范大学教师教育研究基金重点项目“卓越教师素质结构实证研究”、东北师范大学教师教学发展基金项目“面向高水平复合型传媒人才UGMR创新培养模式的实践型教师共同体建设”研究成果，受教育部人文社会科学研究青年基金项目“教师信息技术应用能力迁移影响因素模型构建研究——以教师教育创新实验区为例”(项目编号：14YJC880092)资助。