英国开放大学的学习风险预警实践案例

张佳钰 东北师范大学信息科学与技术学院

张海 东北师范大学传媒科学学院

杨絮 东北师范大学留日预备校

随着物联网技术、云计算技术等研究与应用的不断发展与创新，大数据（Big Data）所带来的“信息风暴”正在改变我们的生活与工作模式，教育领域同样累积了海量数据，教育信息化面临变革的巨大机遇。2012年，美国联邦政府教育部技术办公室发布的纲领性文件《通过教育数据挖掘和学习分析改进教与学：问题简介》，指出在教育中有两个特定的领域——学习分析（Learning Analytics）和教育数据挖掘[1]会应用到大数据，而学习风险预警是学习分析这一领域的最前沿。本文将以英国开放大学（The Open University）构建的“风险学习者”预测模型为例，对大数据在学习分析领域中如何应用在学习风险预警中加以介绍。

● 学习分析（Learning Analytics）的概念及应用

智慧课堂产生海量数据，学习分析技术应运而生。经教育研究者们的研究分析，在传统课堂教学活动中，对学生们的实际学习状况进行分析，对课堂教学采取相应的措施方法，可以避免出现以教材为中心的教学模式。然而，面对基于物联网技术的“智能课堂”，如何将在教育领域设置的学习管理系统中，存储的大量的学生学习信息与学习过程数据转变成知识信息，从而优化教育质量监测与教育决策呢？这就亟须寻求新的方法与工具对教学过程中呈现的“数据”进行处理。学习分析技术能够获取越来越准确学生信息，使学习过程中的产生的数据成为教学决策、优化过程、提升教师对特定学生的有效关注、提高教学效果的重要依据。

研究者对学习分析概念的理解，随着实践的深入越来越明晰。Slade和Prinsloo认为，学习分析是对学习者生成的、可提供行为参考的数据进行收集、分析、利用与传播，从而为学习者提供适当且有效的认知、管理支持。[2]So LAR的成员将学习分析定义为“为了理解和优化学习与学习发生的环境，对学习者及其所处境脉的数据进行的测量、收集、分析与报告”。[3][4]Siemens于2012年对相关定义进一步提炼之后提出，学习分析技术是“关于学习者以及他们的学习环境的数据测量、收集、分析和汇总呈现，目的是理解和优化学习以及学习情境”。[5]葛道凯、张少刚、魏顺平在《教育数据挖掘：方法与应用》中提出，基于任务情境的学习分析模式是一种由“学习分析”“工具与算法”及“数据”三要素构成的用于分析学习过程任务情境的学习分析模式流程图。[6]其中“学习分析工作流”包括数据收集、数据预处理、数据分析、预测与应用等环节。

学习分析能在实践中应用，其关键在于学习分析算法和模型的快速发展。国内外许多研究者对学习分析的实践研究，逐渐由识别和提高对概念、边界的认识层面向分析建模、应用层面发展。随着大型数据集、分析引擎的可用性能的增加，以及精细的学习过程支持，洞察力模型可视化分析结果，使应用层面的研究也正从宏观的教育决策、教育质量监测统计等逐步迈向微观的教师教学、学生学习等方面。尽管Tempelaar等几位研究人员表明，还有许多研究者可能还没有准备好利用各种可用的数据集进行研究与教学，或者相应的教学人员还没具备相应的教学设计所需的技能，但Bienkowski等人提出，“教育正在越来越接近个性化，这将成为学习的共同点”。使用一系列先进的计算技术（如预测模型、机器学习、贝叶斯模型、社交网络分析、聚类分析）对学生的数据集分析，为学生订制个性化学习目标与方案，提供特定的资源信息，这有助于推进“因材施教与终身学习”，为个性化教学指明方向。

学习分析的应用，面向了学习过程中的所有参与者，即学生与教师。经研究者多次实践研究论证，利用学习分析技术对学生、教师、技术开发人员、研究人员均具有重要价值。针对学生方面，学习分析技术可以深度剖析学习过程的发生，基于累积的学习数据分析为学生推荐学习计划，展开自我导向学习、个性化学习。针对教师方面，学习分析技术可以提供更为准确的课程评估、更为深入的学情分析，基于数据的分析可为教师提供精准的教学干预。针对技术开发人员方面，学习分析技术可以勘察学习管理系统的各个模块使用路径与频次，从而优化系统的模块设计。针对学习研究者人员方面，学习分析技术可以成为研究学生学习与教师教学过程的有效工具。

● 基于学习分析构建学习风险预警模型——英国开放大学的实践案例

英国开放大学的学生学业质量声名素著，其教育技术应用与知识媒体开发一直处于世界前沿。英国开放大学的学习风险预警实践提供了非常值得我们参考的经验。从数据中可以分析出学习者的学习风险，并加以预警。许多学习分析应用程序是从学生活动（如登录次数、模块点击率、花费时间、访问资源类型及其数量、论坛讨论、个人作品、测试成绩等）中收集行为数据。学生与教师行为数据还经常从虚拟学习环境（Virtual Learning Environment，简称VLE）或其他应用系统中检索，最后形成数据集。基于数据集的学习分析技术可对学生学习进行描绘、评测等，能够挖掘出学生学习现象“背后”隐藏的规律与信息，从而能更早地对学生的学习进行教学干预，对学习成果进行预测，为学习的个性化与自适应提供支持。

在实践（OU Analyze）中，开放大学对使用远程教育形式的大约1730名学生进行了持续17周的数据监测，利用学习分析技术预测“风险学习者”（缺乏参与性、可能退出的学习者），以便教师能够及时对其进行教学干预。此次学习分析实践调查整体分为两步计算：第一步预测模型数据是由机器学习方法（Machine Learning Methods）提供，数据是来自同一课程的先前操作记录中的遗留数据。机器学习方法旨在构建预测模型，该模型数据从形成性评价或总结性评价中捕获。第二步预测模型数据由当前学生操作形成，然后对两种类型的数据进行聚合，用于预测模型的建模。

本次开放大学的学习分析实践调查每天要对这些数据进行收集，然后再使用每周聚合的算法形成数据集。最后，应用信息理论标准选择4～6种对下一次或最终的行为评估结果有用的学生行为活动，这些活动类型用于构建预测模型。此外，依据学生所选活动类型的活动频率，来表明学习材料的访问次数。其中学生未使用的活动类型，就表明了学生潜在的知识差距，这些未被使用的活动类型将被预测模型用作个性化研究。在构建预测模型时采用了机器学习方法中开发的四种预测模型，即贝叶斯分类器、分类和回归树、静态数据、虚拟学习环境中数据的k-NN（K Nearest Neighbor,K近邻算法）。这四种模型依据数据的不同属性相互补充，同时每种模型又独立地将每名学生分类。在上图模块视图中，可以看出实验对象的平均表现，其中列出了所有学生的学习情况分析结果。由于每名学生的活动类型都是通过呈现时间点的轨迹来记录的，所以分析结果可以被用来向每名学生推荐最佳的学习材料。

“风险学习者”预测模型分析图

由预测模型分析图可知，在第四个总结性评估点之前共有329名学生“处于危险中”。分析图的上半部分突出显示了学生在VLE中的平均参与度，并将其与以前的同一模块（虚线）进行了比较，结果表明学生在第17周的参与度大大低于之前。OU Analyze还表示第二个Y轴上的平均评估分数，其中第四个评估的平均分数预计低于第三个评估的平均分数。分析图的下半部分给出了每名学生的学习行为概况，以及是否被认为“有风险”。例如，第一名学生通过了之前的三个评估，并且预计在即将到来的评估中表现良好。然而，第二名学生的第一次评估是否能够通过呈现不稳定性，虽然在第二次和第三次评估时表现稍好，但仍然“有风险”通过整体评估，因为这名学生没有参与第14、16、17周的VLE学习活动，因此无法对其进行评估。图中列出的第六名学生未通过第一次评估，并且没有及时提交第二次与第三次评估，通过学习分析对第六名学生的数据集进行分析，结果显示该学生不会提交第四次评估并且也不能完成该模块学习。

此学习分析技术，有助于教师调整教学计划和针对“有危险”的学生制订有积极作用的干预措施。英国开放大学通过基于证据的学习和教学研究方法，对学生们的数据集进行学习分析，从而可形成具有成本效益的学习成果，减少学生辍学率，让学生充分发挥潜能。

进入21世纪，社会正在不断地数据化，生活、工作等方面无不以数据为依据。随着技术的发展，在在教育领域信息化逐步推进，特别是中小学数字化校园建设、网络高等教育的普及使得众多学习管理系统被开发。在这些学习管理系统中存储着大量的学生学习过程数据以及学生基本信息，如将这些数据转变成教育信息，可使得教育模式逐渐向智慧教育模式转变，智慧教育模式是以学生为主，教师为辅的个性化学习模式，能为学生提供全面、精准的学习支持。Clow指出，目前，快速发展的新型学习分析技术虽然在教育领域中未形成脉络清晰的理论体系[7]，但基于大数据，学习分析技术以教学理论、教学设计理论和学习系统中聚集的数据集等变量，及时监测学生学习情况，发现学习过程中存在的不足，分析学习活动的质量，为教育实践研究提供了更为高效精确的方法。因此，学习分析技术应该成为我国教育技术研究者特别关注的新领域。