目标导向的学习分析模型构建

王怀波 李冀红 杨现民

摘要：人类社会已经进入“数据驱动学校，分析变革教育”的大数据时代，大数据的推广与使用必将变革传统教育的面貌，而学习分析则是助推这场变革中的核心力量。目前，学习分析技术在教育领域的应用正处于起步阶段，许多研究者从不同的角度为学习分析技术在教育领域应用提供新思路，并尝试构建了不同的学习分析模型。由于现有学习分析模型的侧重点不同，且未能呈现出明确的分析目标，为此该文构建目标导向的学习分析系统模型，旨在通过从诊断评估、学习预测、教育研究三种应用目标的确立，为学习分析技术在教育领域中的应用提供新的明确思路。目标导向学习分析模型可以概括为“一个目标、两类约束、三种受众、四个环节”。目标的确定是学习分析得以开展的关键前提；两类约束包含影响学生学习效果的内在约束和外在环境约束；教师、学生、教育管理者是学习分析系统中的主要受益者；数据收集与存储、数据处理与分析、分析结果与呈现以及结果的应用与服务是学习分析的主要流程。

关键词：目标导向；学习分析；学习分析模型；应用目标

一、引言

在信息化进程快速推进的今天，在线学习已然成为大家获取、创造知识的重要场所。据《2017年教育行业蓝皮书》统计，截至2017年6月，中国在线教育用户规模已多达1.44亿人，如此大规模的在线教育用户必将产生海量的教育大数据，并且随着信息化程度的不断提高，这些数据还在以几何级的规模递增，而这海量的教育数据及其所具有的巨大价值潜能，势必会带来新一轮教育领域的变革。“数据驱动学校，分析变革教育”的新时代已经来临，借助教育大数据与学习分析技术，构建教育领域相关模型、探究新时期下教与学的基础规律，破解教育个性化、资源品配置公平以及教育效果提升等时代难题，将成为未来教育发展的重要方向。美国新媒体联盟（NMC）在《地平线报告》中连续四年将学习分析列为影响未来教育的重要技术之一。从2011年第一次以未来主流技术被写入《地平线报告》，到2014年成为未来1年广泛采用的新技术被写入《地平线报告》，学习分析技术完成了从预测的4-5年的长期影响到1年以内短期影响的蜕变，可见其在教育领域中发展速度之快，关注力度之高。

学习分析的核心是对学生学习过程中产生大范围数据的解释，以用于评估学术过程、预测未来表现和发现潜在问题。学习分析的应用目标不同导致分析过程中数据采集、存储、分析工具的选择以及结果的呈现方式各不相同。为此，国内外众多研究者依据各自实践应用中的目标提出不同的学习分析模型，比如Brown的五要素模型和G.Siemens的学习分析过程模型。从现有学习分析模型可以看出，不同研究者对学习分析应用目标的定位不同，导致学习分析模型侧重点各不相同，继而导致研究者、教师、教学管理者对学习分析目标把握“不准确”，对学习分析理解应用比较“模糊”。

本文在调研国内外学习分析研究模型的基础上，尝试构建以目标为导向的学习分析系统模型，并对学习分析技术在教育领域中的创新应用提供新思路，以期为国内学习分析技术的推广与应用带来一定启发。

二、现有模型介绍与分析

当前，国内外已有一些研究者和实践者开始对学习分析的教育应用进行了研究，并构建了不同的学习分析模型。根据现有学習分析模型的构建视角不同，可将模型分为两大类，一种从宏观角度构建学习分析要素模型，其旨在通过提炼学习分析中的关键要素，勾勒出学习分析的整体面貌；其次是从微观角度构建学习分析过程模型，目的在于通过描述学习分析的具体操作步骤，促进学习分析的推广与使用。

（一）从构成要素角度构建学习分析模型

Malcolm Brown认为学习分析技术是继学习管理系统（LMS）后教育技术大规模发展的第三次浪潮，其核心在于利用学生收集、分析与学习行为相关数据，以便做出恰当的指导与干预。他认为学习分析的核心模块包括数据收集（Data Collection）、分析（Analysis）、学习（Student Learning）、受益方（Audience）和干预（Interventions）五大要素。并强调学生学习是学习分析区别于其它分析的关键要素。学习分析就是通过学习行为相关数据，来观察、判断学生学习情况，如学生在干什么、学习时间用在了哪、阅读了什么内容、进行了哪些活动、如何与同伴进行互动等等。学习分析的结果一般反馈给教师、学生以及教学管理者，旨在识别在学业上“危险”的学生，辅助教师做出适应性的干预措施，并为教学管理者提供科学的管理依据。

Wolfgang Greller等人从分析目标、数据类型、分析方法、约束条件以及利益相关者等角度构建了学习分析要素模型（如图1所示）。他认为学习分析的目的在于预测学习结果帮助学习者反思，采用分析的方式涉及到数据挖掘、机器学习以及统计学等。在其模型中最为突出的是，强调关注在实施过程中的内部约束和外部约束条件，以保证学习分析对学习者隐私的保护。

国内学者李艳燕等在综合国外现有学习分析模型基础上系统性地提出学习分析概念模型。李艳燕等人认为学习分析主要由五大要素构成，即学习过程、学习环境、教育环境、受众以及五个环节。其中“学习过程”要素即Brown学习分析要素模型中的学习（Student Learning），是学习分析与其他分析本质的差异点；学习环境表示学习者与教师在教学过程中的软硬件环境；而教育环境则侧重于社会大环境，体现国家层面的教育政策与规划等；受众主要包含学生、教师、教学管理者；五个环节（数据采集、数据存储、数据分析、数据表示与应用服务）是学习分析过程的重要体现。

学习分析要素模型旨在从宏观角度帮助教师、学生以及教育管理者把握学习分析的整体面貌，明确学习分析过程中的各关键要素。但要素模型也存在一定的缺陷，一是学习分析的具体流程不够清晰，例如Brown的五要素模型在为读者宏观勾勒出学习分析整体面貌后，却没有具体细化各要素间的具体流程；二是学习分析的目标过于笼统，例如Wolfgang等人的要素模型中，反馈和预测两目标的设定为学习分析目标提供了总体的思路，却缺乏具体明确的目标导向。

（二）从过程角度构建学习分析模型

Tanya Elias从技术资源视角出发，提出了以计算机、人力、理论和组织为核心的学习分析模型。他强调学习分析是一个循环过程，即通过获取、选择收集数据，将整理后的数据进行聚合处理并构建预测模型，接着利用数据分析结果来优化学习过程，最后将优化、应用后的分析结果再次分享、反馈给数据收集人员，从而指引下阶段数据收集。如此循环往复，以达到利用学习分析对整个学习过程中的资源利用、教育、教学进行持续改善。

联通主义学习理论创始人G.Siemens，从探究学习分析如何重构教学、学习、管理过程角度，构建了包含收集、分析、预测和适应性调整四个阶段学习分析过程模型（如下页图2所示）。从数据收集来看主要包含两大种类，一类是学习者数据，主要来源于学生在移动终端、社会性软件以及其他在线学习平台上所记录的数据，这些数据主要记录了学习者与系统之间的交互过程；另一类数据主要来自学习者在线学习的相关数据，这些数据主要记录了学生与教师、学生与学生之间的交互内容。有了这些数据后，便可利用诸如概念认知、社会网络分析进行学习分析，并对分析结果进行可视化显示等。在预测阶段，除了利用分析的结果之外，还需要结合学生个体资料，以便做出符合学生个体的预测判断。在适应性调整阶段，更多的是强调教师在利用分析结果进行预测教学，并反馈到教学的实践中，指导和调整教学，使课程更加个性化，满足不同学习者的需求。

此后，G.Siemens在实践的基础上对学习分析过程模型进行了调整与优化，提出了一个新型循环模型（如下页图3所示）。该学习分析模型核心包括数据收集和获取、存储、清理、整合、分析、呈现与可视化、行动七个模块。在优化后的学习分析模型中，西蒙斯将数据收集阶段进一步的细化：数据收集和获取、存储、清理以及整合；并且在优化后的模型中融入了方便教师、学生、教学管理者对数据分析结果的直观解读的可视化呈现模块；此外，在应用模块将适应性调整模块改为了行动（干预、警告、引导、优化、系统化、改进等），以拓宽早期学习分析应用范围。

学习分析过程模型中详细的步骤指导，为其在教育领域中的推广应用起到了积极的作用，例如G.Siemens先后提出的两个学习分析模型，通过对不同过程模块的详细阐述与分析，为学习分析的应用提供了明确的思路与方法。但是这类模型由于缺乏一个宏观的视角，往往会过分追求某一环节发展而弱化对整体的把握；此外这类模型也没有考虑到对学习分析过程有着重要影响的外部的环境因素和约束条件。

三、学习分析技术的应用目标

学习分析的应用服务因目标导向的不同，存在一定的差异。M.A.Chatti等人将学习分析应用服务划分为监测和分析、预测和干预、指导和辅助、评估和反馈、自适应、个性化和推荐、反思等七个部分。国内学者李艳燕等人将学习分析应用服务归纳为绩效评估、过程预测以及活动干预三个部分。日本学者Yasuhisa将学习分析的应用总结为个性化教学指导（绩效诊断、预测、个性化、干预）与研究（預测、可视化）两个方面。

因此综合上述对学习分析应用服务的分析，以及考虑到学习分析的三类主要受众（教师、学生、教学管理者），本研究将学习分析应用目标总结为三个方面（诊断评估、学习预测、教育研究），以帮助分析人员对目标的把握从而更好地应用学习分析技术。具体如下：

（一）诊断评估：全面采集课程数据，分析学习效果，理解学习过程

诊断评估是对学生现有学习状态进行报告，是学习分析应用目标中较为重要的分支。诊断评估需要在分析学生学习相关数据基础上，评价学生学习成就、诊断学生学习状态、评估教师教学效果、判断课程安排是否合理、分析教学环境等。具体来说就是通过分析结果有效指导教师及时调整教学步伐，改善教学环境，发现学生知识的薄弱点，并有针对性地进行教学指导。诊断评估不仅实现了对学生全面、多样化的教学评估，也体现了注重学生自身成长、尊重学生独特思维方式的需求。

当前，国际知名的学习分析诊断评估的案例当属美国的Desire2Learn学习分析系统。该系统通过收集分析每个学生与学习相关的教育数据，诊断学生学习情况，及时发现学生知识空白点，以便做出教学调整与规划。以Desire2Learn公司最近推出了“学员成功系统”（S3，Student Success System）分析平台为例，该平台不仅为老师提供查看整个班级表现的报表的便利，也能像传统OLAP联机即时分析工具那样，能对教学报表进行钻取、筛选学生或课程的详细的信息，来检视学生的能力、参与度和评估分数。此外还有美国Knewton自适应学习平台，通过跟踪学生在线学习数据自动检测学生学习情况，以了解每个学生学习过程；北亚利桑那大学对全校在校学生的课程学习成绩评估GPS系统等。

（二）学习预测：实时监控学习状况，预测学习结果，解决潜在危机

学习预测是学习分析中另一个较为突出的应用目标，即利用零散的学习行为数据推断出学生未来学习表现，其目的在于方便教师及早发现“问题学生”并进行教学干预，提高学生预期学习效果。学习预测通过实时监控系统来了解学生学习状况、预测学生学习结果，解决学习过程中潜在的危机（学习路径危机、学习结果风险）。教师根据学习可能存在的学习路径危机，提供有针对性的指导、干预以及合适的教育资源，以确保学生能够均衡发展；对于学生在学习结果中可能存在的不合格风险，教师可以针对性的调整教学策略、改善教学方法，以保证学生取得较好的课程成绩。

目前国际较为成功的在线学习预测项目有许多，其中较为典型的教育预警应用案例，如美国普渡大学的“课程信号”（Course Signals）项目。项目通过所研发的课程学习预警平台，采集学生课程学习过程中所保留的行为数据，结合所研发的预测算法，用以分析学习者课程学习通过的概率。同时平台还依据预测的结果，为学生推荐个性化的学习资源、为教师提供有针对性的教学指导，从而提高学生课程学习的成功率和新生保有率。此外还有一些学者通过跟踪和采集Blackboard在线学习平台上学习者的行为数据，用以预测学习者在线学习过程中的潜在学习危机。

（三）教育研究：深入研究分析结果，探究教育规律，解决教育问题

教育研究即教育科学研究，是人们利用科学的方法探究教育事业的本质、总结教育规律、取得科学结论、解决教育问题、促进教育事业发展的研究活动过程。学习分析技术通过深入分析学生学习过程，为教育研究者提供科学的方法探究教育事业的本质，以发现在线教育中的一般性规律，解决教育教学中潜在的问题。学习分析技术在教育研究中的应用着重体现在两个方面：在宏观层面上，学习分析技术结合大数据、云计算等新兴技术，极大地提高了分析结果的科学性、客观性与准确性，避免了传统教育研究模式下数据的片面性与主观化，也改变了传统教育资源配置、教育区域均衡等痼疾；在微观层面上，学习分析可以辅助教师将实验数据“化繁为简”，提炼科研精华、提高科研质量，为切实提高教学质量提供科学的依据。

利用数据分析支撑教育教学研究，已然成为各大高校、区域教育机构广泛采纳的方法。目前，美国弗吉尼亚州正在建立一个“纵向数据系统（LDS）”项目，该项目计划将学生从幼儿园到高中再到大学过程中产生的数据进行跟踪分析，以改变弗吉尼亚州教育资源配置、教育均衡等问题。弗吉尼亚州高等教育委员会也表示通过这些公共非营利的教育数据，以改善目前教育预算、学校招生、以及师资均衡等诸多教学问题。此外，还有美国国家教育统计中心（National Center for EducationStatistics，NCES），通过收集美国国家教育统计数据，分析统计数据的意义，为州、地方机构以及高等教育机构探究教育规律、制定决策、解决教育问题提供科学的依据。

四、目标导向的学习分析模型构建

学习分析要素模型与学习分析过程模型并非完全孤立的两种模型，不同学习分析模型因模型的应用目标不同，其侧重点也各不相同，但不同模型之间仍然存在许多相似之处。总体来说，现有学习分析模型可以归纳出四个共同之处：数据收集是基础、分析技术是核心、结果呈现是关键、应用服务是宗旨。

学习分析模型的构建除了需要考虑学习分析的一般步骤，还需要考虑学习分析的目标导向、考虑影响学习分析效果的制约因素、考虑在学习分析中受益的对象等各种相关要素。依据上述分析，笔者构建了以目标为导向的学习分析模型（如图4所示）。以目标为导向的学习分析模型可以概括为“一个目标、两种约束、三类受众、四个环节（数据收集与存储、数据处理与分析、分析结果与呈现以及应用与服务）”。

在学习分析模型中首先需要明确分析目标，以促进更高效的收集相关数据；“数据收集与存储”关系到数据收集的种类以及对于不同格式数据的存储解决方案；“数据处理与分析”对于冗余的数据要进行预处理分析，在此基础上进行分析与构建模型；“结果的呈现”侧重于将繁杂、难懂的分析结果以直观化、可理解的方式呈现出来；“应用服务”主要包含诊断评估、预测表现以及教育研究，其中具体的手段包括干预、指导、调整教学等等。需要指出的是，以目标为导向的学习分析系统模型也是一个持续改进、循环上升的模型。

（一）一个目标

学习分析需要有明确而具体的目标，数据的收集、处理、分析、结果呈现以及应用服务都是围绕目标而进行，每一方面是否达到标准归根到底都以是否达到目标为衡量标准。学习分析的应用领域即学习分析预期要达成的学习结果，是目标制定的出发点与依据。美国《通用教育数据挖掘和学习分析促进教与学》报告中将学习分析的应用领域总结为八个方面：学习者知识建模、学习者行为建模、学习者经历建模、学习者建档、领域知识建模、学习组件分析和教学策略分析、趋势分析、自适应学习系统和个性化学习。不同的应用领域决定了不同目标的确立，概括起来可分为诊断评估、预测表现以及教育研究三大目标。例如学习者行为建模的应用决定了目标以评估学习者行为表现、诊断学习者学习情况为主，而教学策略分析则决定了以评价教师教学效果与策略为主的学习分析目标。

（二）两种约束

约束即那些影响学生学习效果的制约因素，具体包含内部约束和外部约束两部分。内部约束主要指那些来自学生内部且影响学习效果的因素，包括学习者现有学习经验、知识结构、学习方式、能力水平、以及自身的接受度等；外部约束特指外在的影响因素，相对于内部约束条件外部约束显得更为宽泛一些，例如学习分析中一些受保护的数据能否进行学习分析，若进行分析则是否会侵犯到学习者的隐私以及分析结果的显示方式、反馈的及时与否、教师的干预手段、学习内容的呈现等等。这些外部客观的因素均会以不同形式直接或者间接影响学生学习效果。如何有效把握内部约束、控制外部约束将成为学习分析应用过程中的重要挑战。

（三）三类受众

学习分析结果的应用通常包含三类：指导教师的教学、指导学生的学习、辅助教育管理者的管理。教师、学生、教育管理者是学习分析系统的三类核心受众。在线学习通过学习分析系统为各类受众提供精准、时宜、便捷、高效的教育服务，以满足人们对个性化、灵活、优质的美好教育需求的期盼。

1.为教师提供科学化指导

学习分析可以辅助教师评估课程的教学效果和当前学生学习绩效，全面了解学生对知识的掌握程度，以便做出科学有效的教学指导。利用学习分析技术深度分析与学习者学习相关的数据，能够发现学习者个体的學习偏好、学习模式，继而为教师进行针对性的教学指导，分组组织课堂协作学习，向学生推送相关资源，适当干预提供科学依据。此外学习分析技术还可以通过分析教师教学投入、参与情况以及教学效果等，为教师改善教学工作、调整教学进度、提升教学效果提供科学化的指导。

2.为学生提供个性化服务

学习分析可以帮助学习者实时评估自身学习效果与学习状态，发现自身在学习过程中的优势与不足，并进行有针对性的查漏补缺、调整学习步伐。学习分析系统为学生提供个性化服务主要体现在，根据学生个性特征为学生推送个性化学习资源；判断学生知识水平，提供个性化学习路径；识别用户终端设备，提供适应性学习内容；感知学习者具体情境，提供恰当的学习材料。

3.为管理者提供智能管理服务

学习分析在收集、整合各种教育数据资源的基础上，通过科学统计与分析，并借助相应的分析工具从海量数据中获取核心关键信息，发现隐藏的关联规律。继而把这些规律运用到教育管理中，为管理人员和决策者提供及时、全面、准确的数据支持，调整教学计划、做出最终决策，以切实提高教育管理与决策的科学性，避免经验主义错误。

（四）四个环节

学习分析技术要在教育领域中推广与使用，除了需要明确目标导向、约束条件以及了解受益者之外，还需要对学习分析的一般流程有一个全面的了解。学习分析过程的一般流程，包含数据收集与存储、数据处理与分析、分析结果的呈现、应用与服务在内的四个主要环节。

1.数据收集与存储

学习分析需要依赖于大量的数据作为支撑，而数据的收集需要以学习分析目标为导向，以保证收集的数据与分析的目标高度相关。此外在大数据时代，数据的收集还需要充分考虑数据的多样性，即除了传统结构化数据之外，还需要采集大量非结构化数据，从而有效保障分析结果的准确、可靠与科学。另外，考虑到采集的数据可能跨越不同的教育平台或系统，为此在数据存储过程中需要重点注意两点，其一需要打通数据壁垒，以保证数据的唯一、准确与完整；其二需要搭建通用的教育数据汇聚库，既保证对接不同平台与系统，又方便后续数据处理与分析。

在学习行为建模过程中强调通过分析学习者在线学习行为数据构建来分析学习者学习表现，而行为数据又可分为可直接观察获取的显性行为数据（登录系统、检索信息、浏览网页、点击链接、下载资料、发表帖子的频次等），和学习者内部知识建构的隐性行为数据（发帖、讨论、答疑等相关内容）。显性行为数据多以结构化的形式呈现，这些结构化的数据，通常直接存储在传统的关系数据库中，即可用二维表结构来逻辑表达实现的数据。隐性行为数据多数为非结构化数据，其存储方式既可以通过特定的处理方式，以结构化形式存储（如处理成特定的矩阵），也可以直接以非结构化数据存储方式直接存储在NoSQI等非结构化数据管理系统中。

2.数据处理与分析

对于存储的数据首先需要进行预处理，在剔除无效数据的基础上进行量化分析。对于不同数据结构的数据，需要采用不同的处理、分析方法与工具。

结构化的数据需要依靠数学统计方法进行数据的筛选、处理与分析。例如，在学习行为预测模型构建过程中，首先需要对量化的数据进行散点图以便大体筛选出相关变量，其次通过简单的二元分析剔除不相关数据，最后进行回归分析找出影响学生学习效果的变量并在变量与结果之间构建数学关系。而对于非结构化数据则需要在对内容进行编码以后依赖特定的分析工具进行处理与分析。例如，杨现民等人利用GSEQ工具分析在线交互内容，挖掘在线学习过程中学习者潜在行为模式，并从学习行为分析视角阐释影响学习效果的因素，同时为教师后续教学活动的设计与实施提供有力的支撑。

3.分析结果的呈现

学习分析结果的呈现方式决定了分析结果的可读性和易读性。由于数据量很大，传统的统计报表结果很难清晰直观地反映数据的主要特征，而直观化的呈现方式有助于人们快捷地从数据中发现规律。学习分析呈现方式存在多种方式，如文本、报表、仪表盘、雷达图、趋势图、信号灯等，随着读图时代的来临，以可视化的形式呈现分析结果将成为未来呈现方式的首要选择。分析结果的可视化旨在通过图形化手段，增加教师、学生以及管理者对分析结果的理解力度，从而有效地促进分析结果在具体教育教学中的普及应用。

美国普渡大学的“课程信号”（Conrse Signals）通过红、黄、绿三种颜色信号灯的可视化形式直观呈现了课程预测结果。在该项目中学生可以在学习页面直观读取自己课程学习的预期结果，而教师也可以通过课程控制页面了解全班所有学生的预测表现。其中信号灯的绿灯表示学习成功率较高的学习者；黄灯表示在课程学习过程中存在一定问题，并有可能出现学习失败的学习者；红灯表示在课程学习过程中极有可能出现学习失败的学习者。通过信号灯的不同颜色的呈现，教师可以直观的了解学生学习情况，并通过有针对性的调整教学节奏、推荐资源，促进更多学生通过课程学习。

4.应用与服务

学习分析结果的应用与服务是学习分析中至关重要的环节，也是对学习分析目标的直接表现。首届学习分析与知识分享会议上指出学习分析就是“测量、收集、分析和报告有关学习者及其学习情境的数据，以理解、优化学习及其学习环境”。其核心体现在利用可视化呈现的分析结果，优化学习环境、调整教学内容、干预教学过程、诊断学习效果、预测学习表现等。服务与指导又可分为宏观与微观两种视角。从宏观角度讲，服务更多的是为教育决策者提供科学的决策，即通过对区域、学校层面的教育行政数据、教育管理数据以及学生人口学数据的综合分析，为教育行政人员进行科学决策提供有力的支撑；而在微观层面则更倾向于服务一线教师与学生，即通过对教与学过程中的教师教学数据、学生学习数据以及各类交互数据的跟踪记录与分析，为教师的教学干预提供依据，为学生的适应性学习提供建议。

在应用服务中很多部分由计算机自动完成，如奥斯丁皮耶州立大学学位指南项目。该系统采用自动预测分析技术，分析学生已有学习情况数据与以往学生的案例（相似的专业背景、学术能力、课程计划等），进行自动数据匹配处理，并自动呈现个性化选课信息，以帮助学生更好地做出为获得学位所需选择课程的综合判断。当然还有一些情况下需要在教师、教学管理者以及学生协助下完成，比如Macfadyen等人基于Blackboard平台的学习分析预警系统。该系统会根据学生在线学习表现预测学生学习表现，并通过平台及时反馈给教师与学生。继而由教师，学生根据反馈结果，调整教学进度、修改教学内容，以提高学生学习结果。国内邓逢光等人基于Hadoop开源平台为框架，自主搭建“学生校园行为大数据分析预警平台”。该系统主要针对包括学生一卡通所产生的校园行为数据等，进行预警安全管控，实现学生管理手段的信息化，提升学生教育管理科学化水平。

五、总结与展望

一直以来研究者通过不断的努力期望理解学生学习，但学习过程一直是一个未打开的“黑箱”。然而随着学习分析在教育领域的不断深入，其有望成为打开“黑箱”的钥匙，使得整个学习过程从黑暗走向透明。本研究提出目标导向的学习分析模型，旨在通過从诊断评估、学习预测、教育研究三种应用目标的确立为学习分析技术在教育领域中的应用提供新的明确思路，为国内学习分析技术的推广与应用带来一定启发。

通过从模型类型、核心内容、模型特色几个维度对目前分析的几类模型以及目标导向模型进行比较（如下表所示），我们可以发现目标导向学习分析模型的构建在核心内容方面，对现有模型进行了完善。总的来说目标导向学习分析模型，既有从宏观角度阐述学习分析中各相关要素，又能从微观角度描述了学习分析的具体流程，从而使得教师全面把握学习分析的应用。此外，由于具有目标的引领，学习分析人员能够按照既定的目标更加准确高效的收集相关数据，分析数据，从而提高分析效率，促进学习分析技术的普及应用。