量化学习：大数据时代的学习方式

万昆　刘华

摘 要：未来人工智能、大数据、学习分析等技术被广泛应用于教育教学中，量化学习将成为新的研究热点。本研究首先对量化学习的内涵、特征、工具和方法进行概述，然后阐述了量化学习的价值意义和应用案例，进而分析了量化学习发展趋势与其面临的挑战。

关键词：量化学习；大数据；《地平线报告》（高等教育版）

中图分类号：G434 文献标志码：A 文章编号：2096-0069（2018）02-0045-06

收稿日期：2017-09-12

基金项目：中央财政支持地方高校发展专项资金资助“大数据智慧教育服务平台建设”（09925）；江西省社会科学规划“十三五”规划项目“地方本科高校MOOC推进策略与可持续发展研究”（16WT15）

作者简介：万昆（1991— ），男，江西南昌人，上饶师范学院物理与电子信息学院助教，研究方向为MOOC、学习科学与技术；刘华（1979— ），女，江西上饶人，上饶师范学院计算机网络中心讲师，研究方向为教育技术学。

近5年《地平线报告》（高等教育版）多次提到学习分析和自适应学习技术，并于2014年首次提出量化自我技术。2017年中国《地平线报告》（高等教育版）也在提出量化自我将成为高等教育未来2—3年所采用的技术之外，还指出学习分析、量化自我在未来高等教育领域具有巨大的潜力，将会对教与学产生重要影响。2012年美国教育部发布的《通过教育数据挖掘和学习分析促进教与学》的报告提出，随着教育数据挖掘和学习分析技术的出现，通过对教育大数据的采集与分析，人们将改变传统教育数据的应用范式[1]。随着云计算、大数据、物联网、虚拟现实、学习分析等新技术的兴起，借助新技术对教与学过程进行数据采集与分析，为学习者的学习过程进行量化处理提供了可能性，同時为教育决策者、教师的教学决策、学生的学习分析提供了参考。在教育大数据背景下，作为教育大数据时代的学习方式，量化学习引起了研究者越来越多的关注。同时也是基于此，本文将主要回答量化学习面临的几个问题：量化学习是什么？量化学习的技术支持是什么？量化学习的价值意义何在？量化学习面临着哪些发展和挑战？笔者期望能与同行研究者进行探讨，将量化学习有效、切实地推进于教育改革实践中。

一、量化学习概述

（一）对历年《地平线报告》（高等教育版）的分析

通过对2014—2017年间美国新媒体联盟发布的《地平线报告》（高等教育版）和2017年中国《地平线报告》（高等教育版）所预测的关键技术进行对比分析，笔者发现新媒体联盟发布的《地平线报告》（高等教育版）中的技术每年都会变化，且呈现出教育与新技术不断融合的发展态势，主要有以下几个明显的特征。

1.新技术不断涌现，高等教育领域中技术应用日新月异

翻转课堂、学习分析、自带设备等研究主题在2014—2016年被持续关注，2017年《地平线报告》（高等教育版）揭示下一代学习管理系统、人工智能、自然用户界面等新的技术即将涌现。除自带设备、翻转课堂、学习分析技术、自适应学习被持续关注外，物联网技术时隔两年也重新获得关注。2014年《地平线报告》（高等教育版）中学习分析、3D打印技术等技术发展成熟后，2015年《地平线报告》（高等教育版）指出创客空间、可穿戴技术、自适应学习、物联网等技术，2016年《地平线报告》（高等教育版）增加增强现实、情感计算、机器人，2017年《地平线报告》（高等教育版）增加移动学习、下一代学习管理系统、人工智能、自然用户界面等技术。可见自适应学习技术、智能技术、学习分析技术在未来教育教学中的重要性。研究发现，学习分析技术将朝着智能化方向，遵循从描述学习行为到诊断学习者的学习过程再到预测和干预学习过程这样一种思路进行发展。2017年中国《地平线报告》（高等教育版）所预测的关键技术也包括学习分析、自适应学习、增强现实和虚拟现实技术、量化自我、机器学习。可见，在教育大数据时代，数据分析技术与智能技术对于高等教育的教与学具有变革性影响，利用数据驱动教育创新与变革是未来教育领域发展的重要趋势。

2.量化学习得到持续关注

随着人们对个性化学习需求的增长，自带设备和机器人技术已不能满足学习者的需求，更为高端前沿的自适应学习和人工智能技术则在2017年《地平线报告》中得以呈现并成为重要的新技术。由于大数据技术的快速发展，自带设备、自适应学习和移动学习产生的数据激增，数据驱动的教育教学方式也在变化，2017年《地平线报告》（高等教育版）则直接指出自适应学习技术是一年内将被采用的技术，且更加符合教育大数据时代学习的需求。高等教育教学方式也在不断深化和发展，混合式学习从2014—2017年都被认为是推动高等教育技术应用的关键力量，混合式学习已经成为学生学习方式的常态。随着可穿戴技术、虚拟现实技术、大数据、人工智能等技术的迅猛发展，教师的教与学生的学等方式正在发生深刻的变化，当大规模开放在线课程、翻转课堂、自带设备、创客空间等应用于高等教育教学时，线上线下的混合式教学已经变成了高校教学改革和应用的重点。在大数据背景下，量化自我、学习分析等技术兴起，量化学习更加关注学习者的学习过程，更加关注人的全面发展，与教育所提倡的个性化学习发展理念契合。未来，在教育大数据背景下，量化学习方式将会逐步成为常态的学习方式。

综上，《地平线报告》（高等教育版）连续3年（2015—2017年）都表明了教育领域日益注重学习测量的趋势，由此不难看出学习测量与教育大数据的重要关系。数据开启了学习行为新范式，数据正驱动教育教学的变革。积极运用学习分析技术，为学习者实现量化学习提供可能性。数据挖掘技术、在线学习、移动学习和下一代学习管理系统兴起并重构学习环境，如智慧学习环境、场馆学习环境等。我们可以通过学习分析技术对学习环境进行可视化分析，使用知识图谱的方法描述学习者的学习过程，也可以通过学习者的学习行为数据来分析学习者的特征、情感、学习兴趣、学习风格、学习效果等。而量化学习的核心环节就是全面地分析学习者的行为数据，通过构建模型对学习者的学习行为数据进行分析并给出方法[2]。为培养全面发展的人，在丰富的技术环境下，借助学习分析、大数据等技术进行的量化学习将会成为教育大数据时代的学习方式。

（二）量化学习介绍

国内外关于量化学习的研究较少，刘三指出量化学习的内涵主要包括以下三个方面：量化学习的前提是构建数据化认知，核心是提供个性化学习服务，目标是构筑新的学习方式[3]。维罗妮卡（Verónica）通过量化自我设备收集和记录学习者学习行为方面的相关数据并进行数据分析，引起学习者进行学习反思[4]。迈克·鲁斯特（Michael Rust）等人将量化自我设备作为学习工具，通过对量化自我设备获得的数据进行分析，为学习者提供相关参考和设计理念[5]。综上，本研究认为，量化学习是在教育大数据背景下，学习者借助新技术、新媒体等手段实现的一种混合式学习，通过学习分析等技术对学习者学习行为所产生的数据进行分析，为实现学习者的个性化学习提供服务。

（三）量化学习的特征

1.量化学习呈现出精准性

实现量化学习的基本要求是学习资源能被精准推送，并能个性化地服务学习者。量化学习呈现出精准性主要体现在学习过程所产生的数据能够清楚地反映出学习者的学习行为、学习节点等，可以帮助教师根据学习过程中产生的大数据进行教学内容和形式上的科学调整，基于教育大数据，可以实现以学习者为中心的自适应学习。大数据、量化自我、物联网、云计算等技术在教育教学中的应用，使学生的学习将具有智能感知、智慧识别、智能推送等特征，而量化学习是借助教育大数据和学习分析技术对学生学习过程和学习结果进行预测，使得教育教学将更加精准化、个性化、科学化，对于促进教育教学质量和培养全面发展的人具有重要意义。

2.量化学习具有实时性

在教育大数据时代，量化学习的实时性体现在学习反馈的实时性上，学习者在智慧教育服务平台上的线上学习，可以借助各种学习分析技术迅速地统计出个人的学习情况，线下课堂学习可以借助大数据技术对课堂教学行为、学生学习行为、学生作业回答情况、师生互动等情况进行分析，且实时反馈给教师、学生、管理者，以便对学习者的学习内容、学习目标等进行优化。

3.量化学习将更加关注学生的全面发展

量化学习在重塑学习方式方面将具有无限的潜能，而潜能的发挥需要突破现有的学习方式、学习评价，才能助力学生实现巨大进步。当前，学生的学习方式、学习评价、学习过程、学习价值等呈现出一系列的现实难题，而学生的学习方式问题又显得异常复杂，学生能否实现深度学习、具备核心素养，教师能否更加关注学生的全面发展等系列现实问题我们无法回避，然而我们将大数据、学习分析、人工智能等新技术与教育教学进行融合，实现量化学习，或许能解决当前一些难题。

（四）量化学习的工具和方法

2015年《地平线报告》（高等教育版）指出，通过数据驱动的实践和评估的量化学习，将在未来3—5年对高等教育产生极大的影响[6]。随着量化自我、可穿戴技术等的普遍应用，混合式学习、MOOC学习等新型教学方式的引入，可以顺利地获取学习者的学习过程数据，之后使用学习分析等技术对学习者学习过程产生的数据进行分析。如从学习者特征、学习者情感、学习者态度、学习者在线行为等方面进行详细的数据统计，借助学习分析、情感计算、社会网络分析等技术对学习者的在线学习行为进行分析，教师、家长等可全方位了解学习者的学习过程。学习者在课堂上的线下学习行为可以借助弗兰德斯互动分析软件、社会网络分析、问卷调查、课堂观察、量化自我设备等进行收集。

教育大数据是特指在教育领域的大数据，即整个教育活动过程中所产生的根据教育需要收集到的数据[7]。通过对收集的教育大数据进行量化分析，可以为学习者量化学习提供帮助，实现个性化推荐资源和服务。其分析方法有聚类K-means分析法、决策树分析法、UCINET社会网络分析法、时间序列分析法、知识图谱法、神经网络法、情感量化分析法、弗兰德斯互动分析法等。如聚类K-means分析方法是将数据对象通过不断的迭代，促使达成聚类的过程；决策树分析法是用图形的方式描述某项决策可能出现的情况，用于对学习结果的预测；UCINET社会网络分析法主要是分析学习者之间的社会关系，适用于中心性分析、子群分析、个体网络分析；时间序列分析法主要是通过构建時间序列模型，用于学习者学习行为的建模、学习效果的预测等；知识图谱法是将学习者学习过程的数据进行可视化呈现；神经网络法可以根据学习者的学习过程识别学习者的学习风格、学习兴趣挖掘等；情感量化分析法主要是分析学习者的面部表情、声音情感等；弗兰德斯互动分析法是一种对课堂师生互动话语进行量化分析的方法。

二、量化学习的价值意义

（一）为学习者个性化学习提供服务

个性化学习是一种具有自我导向性的学习分析[8]。自智慧城市、智慧教育等理念的提出，智慧校园也逐渐普及，借助大数据、学习分析技术实现学习者的量化学习，在智慧校园的智慧学习环境中，通过对学习者的学习行为、学习记录数据分析提供教育决策。如泰勒（Taylor）等人根据edx平台提供的系统日志、讨论区、学习者特征变量等进行数据收集，通过使用逻辑回归和分类器等方法工具对数据进行分析，提前一周预测到学习者的退课行为，可以为教师开展教学提供学习支持服务，促进学习者的持续学习[9]。马杰等人通过学习分析技术构建了“预测模型”，并将该模型应用于实际教学中发现，该预测模型有助于教师的教学，教师可以根据预测模型进行关注和预警学生的学习过程，方便教学管理[10]。通过大数据、学习分析等技术实现量化学习，可以呈现学习者学习过程的全部数据分析，满足教师的教学，也能为学习者的个性化学习提供服务。

（二）可以全面深入了解学习者画像

学习者画像是指学习者的标识，是依据学习者的基本属性和学习过程特征进行标签化的学习者模型[11]。学习者画像的核心工作是为学习者打标签，接着建立相应的数据集市，通过数据挖掘和算法对数据进行分析。因此，通过量化学习可以全面深入了解学习者画像。学习者画像通常包括学习者的基本属性、学习者的学习风格、学习者的学习兴趣、学习者的情感等。如陈海建等人对开放式教学下学习者的基本信息、在线学习行为和课堂表现进行分析，结合脑认知、数据挖掘和认知心理视角分析学习者画像，探讨学习者的个性化学习[12]。克鲁姆（Krum）等人借助学习管理系统，对学习者的在线学习行为进行分析，如提交作业、浏览资源、讨论区发言及学习者与学习管理系统的交互和点击等行为，从而更加准确地描绘学习者特征[13]。

（三）帮助学习者实现智慧学习

学习者借助量化自我设备进行学习，教学者可以随时随地收集学习者的学习数据，然后通过对这些数据进行量化分析帮助学习者实现过程量化、效果量化、目标量化，从而形成一种目标明确的学习行为[14]。量化学习通过量化的数据使学习者能清楚地认识到自己的水平，从而激发其学习动机，促进学习者智慧学习的发生。随着MOOC学习、场馆学习等泛在学习方式的兴起，学习者的知识将处于一个连接的状态，学习者将不是单个存在的，而是可以借助新技术、新媒体实现社群学习的。量化学习借助大数据技术、可穿戴设备对学习者的学习行为数据进行分析，可以为学习者的学习提供指导、干预、追踪等，以实现学习者的个性化学习、智慧学习。通过对新媒体联盟《地平线报告》（高等教育版）中提出的推动高等教育技术应用的关键趋势分析，在云计算、量化自我设备等新技术迅速发展背景下，数据在“互联网+教育”时代越来越重要，数据的价值和潜能也将被得到重新认识。

三、量化学习的应用案例

（一）预测学习效果

美国纽约州波基普西市玛丽斯特学院与Pentaho公司合作发起了开源学术分析计划，通过教育大数据来分析课程，通过学生在线点击阅读材料、网上论坛发言情况及每次完成作业的时长来预测学生完成学业的情况。在一门新课程开始的两周内预测哪些学生可能无法完成这门课程。关于学习效果预测的方法包括基于统计分析的学习效果预测、基于统计机器学习的学习效果预测、基于时间序列分类的学习效果预测。通过对学习效果的预测可以更好地为学习者提供支持服务，改善学习效果。

（二）应用学习分析技术支持个性化学习

美国纽约Knewton公司开发的Knewton系统是一个在线智能适应性学习平台，通过采用知识图谱、项目式反应理论、个性化内容推荐等方法，根据学习者的学习情况进行量化和调整。Knewton系统上的内容以知识图谱的形式存储和呈现，通过持续挖掘学生的学习行为、学习成绩、学习活动等，采用学习分析技术为学习者提供个性化学习路径。

（三）应用教育大数据技术支持学习者量化学习

智学网是科大讯飞公司开发的一个针对在线教学的智能化服务平台。该平台主要功能是：第一，通过人工智能技术对过程化教学大数据采集分析，可以智能批改和大数据分析，实现学习者过程性评价，教师和学生根据分析从而可以改进教与学。第二，知识图谱的个性化学习分析和推荐，通过大数据分析技术、知识图谱的诊断技术对学习者的学习情况进行分析和诊断，为学习者个性化学习自动推荐资源。第三，探索以学习者为中心的教育评价方式，建立基于问题诊断的基础教育服务体系，实现以学习者为中心的教育评价[15]。基于以上三个功能，教育大数据和学习分析技术能够帮助学习者实现量化学习，尤其是能对学习者学习过程、学习效果进行可视化分析，为学习者个性化学习推荐学习资源，可以说是以智学网平台为代表的较好学习环境平台特色功能的体现。

四、量化学习的发展与挑战

（一）量化學习发展趋势

1.支持教育大数据的全面采集

全面采集教育大数据就可以把握未来教学发展方向。教育大数据是指在信息技术支持下的教育教学全过程所产生的数据，如结构化数据、半结构化数据、非结构数据所组成的数据集。量化学习在新技术迅猛发展的背景下，将逐渐成为教育大数据时代的学习方式。与传统教学不同，量化学习的教师教学过程和学生学习过程都是基于数据的分析，将更加客观、全面地展现学习者的学习过程。随着开放教育资源共享的实现，智慧教育的实现，量化学习所产生的数据既包括真实学习环境中的数据，如场馆学习、课堂学习、户外学习产生的数据，也包括虚拟学习环境中所产生的数据，如在线学习、基于MOOC的学习、基于学习管理系统的学习等所产生的数据。教育工作者可以根据采集到的教育大数据对教与学全过程进行分析、干预、预警等，对教学过程与方法进行针对性调整，优化教育教学过程。

2.量化学习方式将会越来越多样化

随着新一轮技术的发展，如自适应学习技术、人工智能、机器人技术、下一代人工智能、自然用户界面等技术，未来量化学习方式将会越来越多样化，如机器学习、智慧学习、自适应学习等得以实现，同时也将会满足成年人、残障人士等不同群体在内的学习需求。量化学习的学习环境也将越来越智慧，如下一代数字化学习环境，指的是开发更加灵活的学习空间，支持学习者的个性化学习，使形成性评价发挥更大的作用，学习者可以在下一代数字化学习环境实现智慧学习。量化学习将越来越智能，如物联网通过处理器或内置传感器在网络中传递信息，它能够实现远程管理、状态监控、跟踪、报警等功能[16]；自然用户界面可以通过手势、面部表情、语音识别等技术实现信息的传输与反馈，自然也会有越来越多的学习者将应用这些人工智能设备。

（二）量化学习面临的挑战

1.技术发展问题

为实现教育大数据时代的学习方式——量化学习，大数据技术、学习分析技术在教育领域的应用同样也存在一些挑战，如数据收集、存储、处理、分析等。大数据在教育领域的应用主要是教育数据挖掘和学习分析，教育大数据获取需要研究机构、专业数据分析公司、政府、学校等的合作，也需要学校对新技术的接受与积极应用。为实现量化学习，需要将多种数据进行整合，如何对数据进行挖掘，如何准确、客观、全面地刻画学习者画像问题，这些都是未来量化学习技术发展所面临的挑战。

2.数据伦理问题

在开放教育、人人共享的时代，数据的挖掘与获取对于学习者的学习具有重要作用。教育数据的伦理问题是大数据面临的又一挑战。教育数据伦理是对教育数据产生、采集、存储和分析利用过程中所应秉承的道德信念和行为规范的理性审视[17]。通过数据改变学习方式，利用教育数据挖掘和学习分析对学习者画像进行分析，为学习者提供个性化学习资源和服务推荐，将会使学生的整个学习过程透明化，可能会带来一系列的伦理道德问题。因此，在量化学习方式下，需要建立数据隐私保护模式，如什么数据可以对外开放、什么数据可以共享、谁来保护数据、谁为数据负责等一系列问题确保可以被重视。建议相关部门加快数据保护法等的制定，保证能够通过制度机制解决问题。

3.其他问题

随着自带设备、智能手环、可穿戴技术等在教育教学中的应用，量化自我技术所产生的成本问题也是量化学习未来的挑战之一，可能家长或学校都无法承担这些设备的费用。大数据、学习分析技术等引发的学习革命使教育教学正面临新的挑战和机遇，也许会带来一系列其他的问题，如数字鸿沟问题、教育公平问题等。

[1]U.S.Department of Education.Enhancing Teaching and Learning through Educa-tional Data Minging and Learning Analytics [DB/OL].（2014-11-19）[2017-03-08].http：//www.docin.com/p-963991024.html.

[2][14]刘三，杨宗凯.量化学习——数据驱动下的学习行为分析[M].北京：科学出版社，2016.

[3]刘三，李卿，孙建文，等.量化学习：数字化学习发展前瞻[J].教育研究，2016，（07）：119-126.

[4]Verónica Rivera-Pelayo，ValentinZacharias，SimoneBraun.Applying Quantified Self Approaches to Support Reflective Learning[C].Proceedings of the 2nd International Conference on

Learning Analytics and Knowledge.Vancouver，British Columbia，

April29-May02，2012，New York：ACM，2012：111-114.

[5]RUST M J，MEYER E G，NASIR M.Using Quantified Self as a Learning Tool to Engage Students in Entrepreneurially

Minded Learning and Engineering Design.ASEEs 123rd Annual Conference & Exposition，New Orleans，June26-29，2016.

[6]龚志武，吴迪，陈阳键，等.新媒体联盟2015地平线报告高等教育版.现代远程教育研究[J].2015，（02）：3-22.

[7]方海光.教育大数据——迈向共建、共享、开放、个性的未来教育[M].北京：机械工业出版社，2016.

[8]牟智佳，俞显.知识图谱分析视角下学习分析的学术群体与热点追踪——对历年“学习分析与知识国际会议”的元分析[J].远程教育杂志，2016，（02）：54-63.

[9]TAYLOR C，VEERAMACHANENI K，OReilly U M.Likely to Stop？ Predicting Stop out in Massive Open Online Courses.（2014-10-25）[2017-10-18].https：//www.researchgate.net/pro-file/Kalyan_Veeramachaneni/publication/264790759_Likely_to_stop_Predicting_Stopout_in_Massive_Open_Online_Courses/links/54bd26ac0cf218da93919216/Likely-to-stop-Predicting-Stopout-in-Massive-Open-Online-Courses.pdf.

[10]馬杰，赵蔚，张洁，等.基于学习分析技术的预测模型构建与实证研究[J].现代教育技术，2014，（11）：30-38.

[11][12]陈海建，戴永辉，韩冬梅，等.开放式教学下的学习者画像及个性化教学探讨[J].开放教育研究，2017，（03）：105-112.

[13]KRUMM A E，WADDINGTON R J，TEASLEY S D，et al.A Learning Management System-Based Early Warning System for

Academic Advising in Undergraduate Engingeering[M]// LARUSSON J A，WHITE B.Learning Analytics：From to Practice.NewYork：Spring，2014：103-119.

[15]智学网.平台功能[EB/OL].（2013-05-28）[2017-08-07].https：//baike.so.com/doc/5421577-5659761.html.

[16]ADAMS B S，CUMMINS M，DAVIS A，et al.NMC Horizon Report：2017 Higher Education Edition[R].Austin，Texas：The New Media Consortium.

[17]刘三，杨宗凯，李卿.教育数据伦理：大数据时代教育的新挑战[J].教育研究，2017，（04）：15-20.

（责任编辑 孙志莉）

Abstract： Technologies like future artificial intelligence，big data，and learning analytics etc. are widely used in education and teaching，and thus quantified learning will become a new research hotspot.This study firstly summarized the connation，characteristics，tools and methods of quantified learning.Secondly，it elaborated on the value and significance of quantified learning and some application cases of it.Finally，it analyzed the development trend of quantified learning as well as the challenges it faces.

Key words： quantified learning；big data；The Horizon Report（Higher Education Edition）