基于学习分析的高校课程教学模式探索

林煜明+李优+张敬伟+张会兵

摘 要：学生在课程教学的过程中会持续产生海量的学习数据，充分分析和挖掘这些数据能够更清楚地了解学生的学习特点和规律，进而提升课程的教学效果和教育服务质量。本文针对高校课程教学过程中存在的问题，阐述学习分析技术在高校课程教学过程中的必要性和可行性，提出一种整合学习分析过程的迭代式课程教学模式，并详细分析该模式中各个环节的主要任务和相关的技术，最后指出该模式在现实应用中面临的挑战。

关键词：学习数据；学习分析；教学质量；高校课程教学

中图分类号：G434 文献标志码：A 文章编号：1673-8454（2017）23-0021-05

“不得不承认，对于学生，我们知道得太少”，这是卡内基梅隆大学教育学院的经典口号之一，也是美国十大教育年会中出现频率最高的核心议题。传统的以课堂授课为主的教学模式，学生的学习数据反馈渠道有限，数据量过小，教师通常依赖于个人经验来了解学生的学习特点和情况。然而，互联网、云计算等信息技术的飞速发展和普及，深刻地改变了人类的学习方式，在线学习已经成为了一种常态。学生在这种高度开放的、自主式的学习环境中学习会产生海量的、个性化的学习数据，通过深入分析和挖掘这些数据中隐藏的信息，使教育的过程性考察成为可能，透过这些真实的数据更能发现教与学的关系并使其相互促进。

学习分析（Learning analytics）是教育技术领域中迅速发展的新热点，它是运用先进的分析方法和工具预测学习结果、诊断学习中发生的问题、优化学习效果等一系列教学技术的集合[1]。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景，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，从而促进更有效学习的技术。在“互联网+”蓬勃发展的环境下，各种在线教学平台应运而生，这些平台的便利性和开放性使与教学相关的数据更易获取，这为深度挖掘教育大数据，提升教学质量提供了坚实的数据基础。而在高等学校中由于教学模式相对比较灵活，且大学生更容易采用在线学习作为课程教学的补充，因此高校课程教学成为新环境下运用学习分析技术进行教学改革的前沿阵地。

一、国内外研究现状

2011年2月底，首届“学习分析与知识国际会议”在加拿大的Banff市举行，会议的主题是学习分析技术在技术、社会和教学等维度的整合。此后，学习分析逐渐成为教育领域的新兴技术，受到各国政府部门和研究人员的密切关注。美国新媒体联盟在2016年的年度报告中指出学习分析技术是促进教育变革的核心技术之一，并有望在未来的几年内被广泛应用。

实际上，在“学习分析技术”的概念出现之前，它的核心概念已经在计算机支持的管理教学（Computer-Managed Instruction， CMI）、计算机人机交互和网络科学等领域存在了多年。CMI是用来为个别化教学程序提供支持的管理系统，在20世纪60年代末就开始应用于教育领域，是最早与学习分析技术紧密相关的教育数据应用系统。2004年，在高等教育中出现的“智能导师系统”和“人工智能系统”掀起了“教育数据挖掘”研究的热潮，也促使了学习分析技术这一关注学习者行为的分析技术的诞生。

对于学习分析方面的研究，国际上的研究主要集中在三个方面：使用工具软件追踪和记录在线学习行为；关注学习者需求和在线学习环境；挖掘在线学习行为和学习绩效的关系。其中，代表性的工作包括：Lee等人研究了不同网络环境下学习者在线学习过程与学习者个性特征相符的学习策略[2]；Yang和Tsai采用问卷方式进行信息收集，对学习者在线学習中的学习环境偏好和学习信念间的关系进行探讨[3]；Romero等人基于学生学习过程的数据通过使用决策树和神经网络等方法预测学生最后的课程成绩[4]；Alkhattabi等人针对目前在线学习质量不佳的事实，使用Web数据挖掘技术建立了学习质量评价模型[5]；Lo和Shu则通过学习者在线学习的路径、浏览顺序和习惯，推测该学习者可能具有的学习风格和学习偏好，为学习者推荐相应的学习资源[6]。

国内的研究工作主要从数据和技术两个维度展开研究。徐红彩和曾祥跃分别对在校大学生和远程学习者的在线学习行为进行调查研究[7，8]；王萍基于edX发布的MOOC开放数据集，从学习者类型、学习者特征、学习者行为三个方面对中国的学习者进行了研究，从多个维度展现MOOC学习的实际状况[9]。李德江等设计与实现了分布式网上学习行为统计系统，详细介绍了如何从分散的客户端采集数据再发送给服务器端进行统计的方法[10]；胡艺龄等人对学习者在线学习行为的建模机制进行了探讨，建立了数据、机制、结果三层次模型，从网络挖掘的角度对学习数据进行模式分类和解析[11]。

二、学习分析过程中的角色定位和目标分析

相对于中小学教育而言，高等学校中教学过程具有很大的灵活性和自主性，而且由于高等教育中的各参与主体由于知识结构和受教育程度相对较高，新的教学模式和方法更容易被接受和开展。另一方面，在线学习是整合学习分析的教学过程中一个重要的环节，高校学生中拥有个人移动通信设备和网络设备在的比例相当高，这就为学习数据的收集、分析、挖掘提供了基本的保障。由此可见，高等学校是探讨基于学习分析进行教学模式改革研究和应用的理想场所。在高等学校的教学环节中，学生、教师和教学管理部门是三类主要的参与主体，他们在整个教学环节中发挥的作用和目标既有紧密的联系又有各自的差异，如图1所示。

传统的教学模式中，教师通常是作为位于主导地位的传授者，作为学习主体的学生通常是位于被动的地位。在MOOC和SPOC等新兴的教学模式下，教师的角色逐渐转换为教学的组织者和引导者。通过收集有关学生的学习效果、学习过程以及学习环境等数据，利用学习分析技术可以获得对这些数据的进行分析和挖掘，教师能够准确把握学生的学习差距，课程内容的难点分布，知识点的相互关联关系以及学习过程中学生的学习规律等信息。这些信息一方面为课程教学计划的制定提供有力的支持，另一方面使课程教学过程的优化更具针对性和有效性。学生是学习数据产生的主要对象，也是分析结果的最直接作用对象。通过对他们在学习过程中产生的学习数据分析，学生能够了解自己的优势和不足之处，并根据分析的结果实现自我认识、自我调整和自我规划，甚至在对历史行为数据分析的基础上利用机器学习的技术对可能产生不恰当后果的行为进行预测，预防不良的后果。在课程或教学的层面上，学习分析主要是针对学生学习过程中产生的行为数据、情绪数据及相关的环境数据进行采集、分析和评估，以达成提高课程教学效果的目的。而在教学管理部门的层面上，学习分析可以更好地帮助管理者认识教学相关的基础数据，了解学生和教师在教学过程中的真正需求，从而提供更具有个性化的教学服务，提高教育资源的配置精准度和资源的应用效能。endprint

三、学习分析在教学过程中整合的框架

学习分析的关键在于对教学过程中产生的数据进行分析和挖掘，并将结果作用于教学活动的调整和优化中。学习分析整合到教学过程的框架如图2所示。首先，学生通过课堂教学或多种在线平台进行学习产生海量的学习数据，这些数据通过特定的渠道（如API、爬虫等）进行收集，经过数据清洗去除噪音和低质量数据后针对数据的特点选用高可扩展的数据库系统进行统一的存储；然后，基于这些不同来源的数据对学生进行用户画像，进而在公共的学习数据和学生用户画像的基础上利用学习分析技术进行分析和挖掘，通过预定的评估机制衡量学习效果或教学质量并可视化的方式向学生和教师反馈；最后根据反馈的结果一方面由学生进行自我的学习调整，另一方面教师通过干预机制调整教学的内容和过程。在此基础上，重新产生新的学习数据，再次进行采集、清洗、分析等环节，形成一个良性的教学循环。

1.学习数据的前期处理

学习数据主要来源于三个方面：①在线学习平台能够为学生提供灵活的、高度自主的学习模式，学生在不同平台上学习产生的大量个性化数据，例如学生个人信息、学习时间、知识点的关注度，在线测试速度和成绩，社交网络关系，在线交互内容等；②传统课堂教学能提供学生的作业完成情况、出勤记录、考试数据、课堂反馈等数据，这类数据通常倾向于反映学生的总体状态；③学习环境则包括课程目标、课程内容设置、学习资源等。

在线学习平台是重要的数据来源，如果是由自主开发和部署的在线学习平台，则可通过预设的API接口或者从后台数据库直接获取相关的数据。对于公共开放的在线学习平台，由于数据版权、用户隐私、商业利益等因素的影响，运维方往往不会开放数据的获取接口。一种解决的方法就是开发垂直性的网络爬虫定向爬取需要的数据。但不同的数据源产生的学习数据质量上良莠不齐，特别是通过爬虫获取的数据包含很多的噪音（如广告等），所以这类数据需要经过清洗、去冗等预处理后才能采用分布式数据库（如HBase、Cassandra、MongoDB等）对海量的学习数据进行存储，以应对后续的多用户高并发事务处理。

2.学习分析的过程

通过用户画像能够刻画出每个学生的学习特点，是实现个性化分析和服务的基础。学生在网络不同的在线学习平台上会产生多个的用户画像片段，因此对不同画像片段进行对齐和融合，能更准确、全面地描述学生的情况。利用学生在平台上注册的个人信息、学生在网络平台中的活动规律、从学生在网络交互过程中生成的内容提取的特征（如爱好、兴趣、情感、时空等）、学生的社交网络等信息，借助概率模型可以实现多用户画像片段的对齐和融合。

学习数据的分析可以从个体和整体两个角度进行。前者是指对单个学生的历史数据进行分析，产生针对学生个人的分析结果；而后者对全部学生的数据进行分析、归纳和总结，这部分结果能够反映学生整体的学习规律。近年来，一些社会学领域的分析方法在学习分析中得到了广泛的应用，主要包括：

（1）统计分析法，是指运用统计方法及与分析对象有关的知识，从定量与定性的结合上进行的研究活动。在学习分析中可以对同一课程内学生的成绩分布、在线学习时长、知识点的学习次数、不同课程间学生的成绩差异和在线学习时长差异等可量化指标进行统计，分析它们与具体分析目标之间相关性。统计分析中常用的方法有均值比较、方差分析、相关分析、奇偶分析、因子分析等。

（2）内容分析法，是对传播内容作客观而系统的量化并加以描述，用于对学生的学习数据和学生的反馈信息进行定量分析，寻求学生的行为模式，分析学生的知识掌握程度，在线互动情况，学习上产生困难的原因。通过运用已有的积累经验来分析和预测学生的学习行为模式，可为其提供个性化的学习资源推荐服务等。内容分析不仅关注文本内容，多媒体内容也是研究对象之一。例如根据这些不同媒体中的内容向学生推荐相应的学习资料，通过分析学生听的音乐、看的图片和视频中包含内容能够推测学生的情绪和心情，进而分析不同状态下学生的学习效率等。

（3）社会网络分析法，这种方法最早应用于人类学研究，是由社会学家根据数学方法、图论等发展出的定量分析方法，用来分析不同对象之间的关系以及信息通过这些关系进行流通的情况。学生在网络平台上交互会形成多种不同类型的社交关系，例如问答关系形成临时性的社交网络，朋友（关注）关系形成相对持久的社交网络等，都能适用于社会网络分析法。通过分析学生的社交网络可以探究网络学习过程的联系、关系、角色、网络形成的过程与特点以及信息的在社交网络中的传播情况。

（4）话语分析法，最早应用于语言学，主要对话语的结构形式、规则等进行研究。学习分析中的话语分析对象包括传统教学模式中的对话内容、在线学习平台上学生生成的内容等。运用话语分析技术能够研究知识构建的过程，使研究者对学习发生的过程有更清晰的认识。

此外，近年来数据挖掘和机器学习技术发展十分迅猛，很多方法都可用于学习分析。例如，聚类技术可以根据学生对不同知识点掌握的程度将学生组成不同的学习小组，从而使学生在学习的过程中取长补短，提高课程学习的效率。表1给出了一些数据挖掘和机器学习技术在不同场景中的应用。

3.分析结果的应用

优化课程教学的过程和提高教学质量是学习分析的目标，因此分析结果需要经过多方面的评估后向用户反馈，最终作用于课程教学的管理过程，使其持续产生积极的影响。评价的结果可以向学生直接反馈，由其进行学习上的自我调整。特别是对那些处于危机中的学生来说，如果外界不给予提示或者预警，他们自己很难及时清楚地认识自己的学习状态。对于处于危险状态的学生确认时间越早，他们在学习成绩方面取得的进步就越大。教師则可以根据针对学生个人的评价结果通过点对点的方式进行指导或者提供建议。而对于学生在学习中出现的共性问题，可以通过调整和改进教学内容和教学方法实现干预。根据发生阶段的不同，评价可以分为诊断性评价、过程性评价和终结性评价三种。诊断性评价一般在教学实施前进行，通过对学生已有的知识基础掌握情况进行评估，将此作为确定学习协作团体的依据，也可以作为教学活动实施后学生知识增长量判定的依据。过程性评价在课程学习的过程中进行，能够及时发现学生存在的问题和不足，同时为学习过程中的教与学提供预警和建议。终结性评价主要是学生对课程学习的总结性评估，为该课程教学活动的再次开展提供借鉴。endprint

向终端用户呈现的分析和评价结果应当是简洁的、直观的和概述性的，结果的展示类型主要包含三种：

（1）通过数值的形式描述，根据反馈信息的类型和目的，该数值能够给与用户一个综合性的评价，使用户能够了解自己处于什么样的级别。例如，分析学生对课程教学的满意度时，反馈的结果可以是0-10间的一个数值，其中0和10分别表示最不满意和最满意的程度；

（2）当反馈的结果是很多的数值或者短文本时，使用表格可将不同类型的结果进行归类，方便用户集中地查阅结果；

（3）图形表示是最直观的一种反馈方式，特别是在对比的时候更加直接明了，例如折线图、直方图、饼状图等都是常用的展示形式。

四、面临的挑战

目前正处于蓬勃发展时期的学习分析技术被寄予了厚望，虽然得到国内外研究人员和教育管理部门的肯定和重视，但仍然面临着诸多的挑战。

（1）来自技术的挑战。在大数据的环境下机器学习和数据挖掘等相关的学习分析技术得到了飞速的发展，但还有很多开放的问题亟需解决。例如，学生心理和思维变化是学习过程的重要部分，目前的技术只能处理和分析学生的外部显性行为数据。另一方面，显性数据中包含的语义理解还有很大的提升空间。因此，由数据语义理解的不准确、隐形数据获取和表示的缺失等导致学生画像不准确和不完整，造成分析结果的准确性欠佳。此外，学生的学习数据来源具有多样性，不同的数据源存在数据格式多样化、共享机制不同、数据可靠性不一致等情况，由此引发的数据共享性和兼容性问题也是学习分析面临的一个重大问题。

（2）来自组织体制和观念的挑战。美国2012年发布的《通过教育数据挖掘和学习分析促进教与学》报告中指出教育数据应用过程中所面临的技术挑战可以通过技术的研究和基础设施的完善来解决，但该过程中80%以上的挑战和限制实际上来自于“人”。人是教学过程中的最核心对象，教师、教育管理者和学生在教学过程中具有不同的利益诉求，他们对于学习分析的理解和期望也有较大的区别，协调好这些不同的主体需要领导层强有力的规划和协调能力，否则会给学习分析在实施过程无形中造成了很多的障碍。利用学习分析来提高教学质量是一个迭代的、长期的过程，需要将学习分析视为推动教学改革的基本工具，坚持以改进教与学为导向的教育管理思维模式，才能充分发挥它的作用，真正成为推动学校课程教学改革的基础力量。

（3）来自隐私保护和版权的挑战。学生用户画像的准确性和学习分析的效果具有密切的联系，能够准确地对学生进行用户画像往往取决于是否能够收集到丰富的、全面的个人信息。然而，个人信息属于敏感数据，很多用户由于担心自己的隐私受到侵害而不愿意分享自己的个人数据。另一方面，目前数据已经成为一种战略资源，这些数据的版权归属也是一个需要考虑的问题，而且利益的相关方往往也不愿意公开自己拥有的数据，导致数据的共享性差。2015年国务院发布的《关于促进大数据发展的行动纲要》中也强调在数据开放、数据共享的同时需要考虑隐私保护的问题。因此，如何确保用户隐私的同时充分地应用和挖掘用户的个人信息，将是一个长期的挑战。这不仅要从技术的方面考虑，还需要完善相应的法律和法规来保护用户的隐私，从而增强用户的信心。

五、结束语

各种形式在线教学平台的出现和普及为学生提供了多渠道、灵活、便利的学习模式，传统的课堂教学和在线教学相结合是未来教育的一种趋势。在这种混合式教学的环境下，学生在教学过程中产生的海量学习数据包含了丰富的学生信息，这些数据不仅为我们更清楚地了解学生提供了数据基础，而且通过这些数据上的学习分析技术能够进一步提升教学效果和教育服务质量。大数据管理和分析技术的日趋成熟，使得学习分析应用有了技术保障；教育管理部门的重视又提供了有力的政策支持。虽然这种新兴的技术还面临着众多的挑战，但在“以人为本”的教育理念引导下它将使目前的教学模式产生深刻的变革，为学生提供更优质、个性化的教学服务，不断地实现教育公平。

参考文献：

[1]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.

[2]Lee W I， Shih B Y， Tu L J. The application of KANOs model for improving web-based learning performance[C]. 32nd ASEE/IEEE Frontiers in Education Conference. New York： IEEE， 2002： 27-32.

[3]Yang F Y， Tsai C C. Investigating university student preferences and beliefs about learning in the web-based context [J]. Computer & Education. 50（4）： 1284-1303.

[4]Romero C， Espejo P G， Zafra A， et al.Web usage mining for predicting final marks of students that use Moodle courses[J]. Computer Applications in Engineering Education. 21（1）： 135-146.

[5]Alkhattabi M， Neagu D， Cullen A. Assessing information quality of e-learning systems： A web mining approach[J]. Computers in Human Behavior. 27（2）： 862-873.

[6]Lo J J， Shu P C. Identification of learning styles online by observing learners browsing behavior through a neural network [J]. British journal of educational technology. 36（1）： 43-55.

[7]徐紅彩.在校大学生网络学习行为的调查与研究[J].电化教育研究，2005（6）：61-63.

[8]曾祥跃，袁松鹤.远程学习者网络学习行为的调查与分析[J].中国远程教育，2008（4）：47-51.

[9]王萍.基于edX开发数据的学习者学习分析[J].现代教育技术，2015（4）：86-93.

[10]李德江，张鹏，田志英等.分布式学生网上学习行为统计系统设计与实现[J].新疆广播电视大学学报，2010（2）：5-9.

[11]胡艺龄，顾小清，赵春.在线学习行为分析建模及挖掘[J]. 开放教育研究，2014（2）：102-110.

（编辑：王晓明）endprint