国际学习分析技术研究进展与趋势分析

潘青青　杨现民　陈世超

【关键词】  文献综述;话语分析;学习预警;多模态数据分析;数据挖掘;大数据;学术期刊;开放获取

【中图分类号】  G443      【文献标识码】  A      【文章编号】 1009-458x（2019）3-0014-09

一、引言

随着各种学习管理系统和网络教学工具的使用，可访问数据的数量逐渐增长，新的数据源不断涌现，为此教育领域奠定了深厚的数据和分析基础。知识建模和表征、Web语义、数据挖掘和分析等新兴领域的技术对全方位的学习分析产生了重要的影响。

当前，国内很多学者都在积极探索和发展学习分析技术。顾小清等（2012）介绍了发展比较成熟的学习分析关键技术，包括网络分析法、话语分析法和内容分析法，并指出研究者需要找准切入点并选择适当的研究方法和技术分析学习过程。魏顺平（2013）归纳了一系列数据挖掘方法，包括统计分析与可视化、聚类、预测、关系挖掘、文本挖掘等，同时介绍了常见的学习分析工具，如NVivo、LIWC、UCINET等。何克抗（2016）着重从学习分析系统、教学行为分析系统、个性化自适应学习系统、基于学习元平台的生成性课程设计与实施四个方面介绍了学习分析技术在国内外（主要是国内）的应用与发展。近年来，有学者开始利用不同的文献数据源进行学习分析技术研究综述。吴青等（2015）选择近五年以“学习分析”为关键词发表在CSSCI来源期刊的国内相关学术文献，以“learning analytics”为关键词在国际会议论文、研究系列报告、SSCI国际权威学术期刊、Google Scholar 检索国外相关文献，归纳出学习分析的研究目标，提出了学习分析的研究趋势和挑战。曹帅等（2016）对2011年至2015年“学习分析技术与知识”国际会议的论文进行了文本挖掘和内容分析，总结出学习分析技术的研究现状和发展趋势以及面临的挑战。牟智佳等（2016）以国外多个数据库论文为研究样本来源，从研究者国籍、关键词和研究主题三方面进行了学习分析相关文献分析，并对五类主要研究主题内容进行了评述。

Journal of Learning Analytics（学习分析杂志）是一本经过同行评审的开放获取的期刊。该期刊是学习分析研究学会（Society for Learning Analytics Research， SoLAR）的官方出版物，它是第一本专门收集、分析和报告教育数据的期刊，发表了大量学习分析技术领域的优秀成果，旨在改进学习，引进教育、计算与传感技术领域的对话，将研究人员、开发人员与实践者联系起来，创建和传播新的工具和技术，对概念、技术和实践成果进行持续地评估和改善。本研究在Journal of Learning Analytics官网上（http：//learning-analytics.info/）下载了2014年至2016年全部期刊，去除每一期的总刊，总计剩余112篇文章。研究者尝试通过对文章的梳理和分析，厘清学习分析技术的内涵特征，把握学习分析热点研究主题，提出未来发展趋势。

二、学习分析技术的概念梳理

对于学习分析技术的内涵，学术界尚无统一的概念。从学习分析受益者角度出发，Monika Andergassen等（2014）认为学习分析能够服务不同的数据群体，包括学生、教师、学习管理系统开发者和提供者，通过智能技术，采集、分析、应用用户生成的数据，预测学生在教育中的学习表现，以此来了解学生如何学习和推进学习管理系统的发展。从学习分析的主要研究领域来看，Abelardo Pardo等（2014）通过研究发现，学习分析主要侧重于学习环境的适应领域的研究（40%）、监测与分析（33%）、评估与反馈（13%）和学生成绩的预测（12%）。从学习分析的学科性质来看，Geraldine Gray等（2014）指出目前大学教育在發挥学术潜力、开发探索和识别数据能力方面面临诸多挑战，而学习分析是一个不断发展的学科，它可以促进教育数据分析，分析的结果有助于更好地理解学习过程，从而减少诸多问题。从提升学生个体表现来看，Carlos Monroy等（2014）认为学习分析是通过测量学生在网络学习系统中的数据，发现学生存在的问题，利用高效教学方式帮助学习者解决困难，提升学生课程表现，并为学校管理者和政策制定者提供实践依据。

综上所述，学习分析是服务教学的一种方法或手段，它的核心服务对象是学习者，主要是指教师利用多种分析技术和数据挖掘方法，分析学习者的行为数据，预测学习进展，发现潜在问题并及时提出解决方案，从而做出准确的教育教学决策。学习分析的特征主要体现在以下四点：

1. 多样性的数据来源

首先，学习分析的数据收集对象众多，包括学生、家长、教师、学校领导、决策者和技术提供者等。其次，学习分析的数据收集平台众多，包括学习管理系统、学生档案系统、正式和非正式的在线学习空间（Dawson， S.， & Mirriahi， N.， 2015）。海量的数据为学习分析提供了巨大的发展空间，通过对数据源的标准化处理，将数据划分进不同的系统框架，便于后期的应用。

2. 完整的分析过程

完整的分析过程包括数据的收集、整合、分析、应用和调整优化。首先是数据的收集，包括学生使用移动终端、电脑、平板等设备在各类学习系统和空间中产生的数据以及其他系统处理好的学生课程、考试成绩（Lowes， S.， & Peiy， L.， 2015）等数据。其次通过整合所需数据，以便进行数据分析，根据分析结果，预测学生未来的学习表现，方便教师和管理者及时为学习者提供合适的干预措施。最后根据应用结果进行及时调整，实现各阶段无缝连接。

3. 可视化的分析结果

学习分析的结果不仅仅是教师决策干预的关键，也是学生认识自我的重要依据。通过降低技术门槛，利用图文性的软件平台，对结果进行多终端可视化呈现，如电脑、手机、投影以及电视等，教学人员可对数据进行多维分析，学习者也可以直观地了解自己的学习情况（Miyamoto， Y. R.， & Coleman， C. A.， 2015）。

4. 多重的分析技术

支持学习分析的技术不是单一的，而是结合多领域、跨学科的技术融合，学习分析借鉴信息科学、统计学、心理学、机器学习等不同领域的成果（McCoy， C.， & Shih， P. C.， 2016），借助不同分析技术的优势处理多种教学问题，透过数据为学习行为和学习过程提供合适的解释。

三、学习分析技术研究进展

本研究对112篇学习分析研究文献进行了研读，归纳出14类研究主题，并将每篇文章划入每一类研究主题。统计分析发现，文献数量超过10篇的研究主题有6类，分别是学生日志数据分析、在线话语数据分析、学习评价数据分析、多模态数据分析、学习预警数据分析以及伦理隐私数据分析。

接下来本研究将从研究对象、主要研究者、研究目标以及分析方法和工具四个方面对每个主题进行探讨（见表1）。

（一）学生日志数据分析

学生在网络学习系统产生的日志数据，可以帮助教师以及研究者分析在线学习数据与学习效果之间的关系，并确定改善学习的措施。

学生对学习资源的有效获取是至关重要的。Tobias Hecking等（2014）学者分析了两个在线课程的资源访问模式，第一种是以教授讲座为主的课程资源，包括自我测试题、专题视频，第二种是MOOC形式的视频资源。研究采用社会网络分析法，利用学生资源访问事件日志，深入了解学生学习资源的使用情况，探究学生与资源之间的动态关系，哪些学生对哪些资源感兴趣，以及这些联系是如何随着时间不断改变的。将稳定下来的资源组成一个子群，在长期的学习中形成多个资源子群，最后可形成学生资源网，进而分析学习者资源使用特征模式（见图1）。

图1中圆形和正方形节点分别代表参与组和资源组。每个参与组在特定的时间点和相应的资源组成一个二分簇，由点连接表示。根据学生对资源的隶属度的变化，二分簇也会随时间而变化，可检测到相似的参与组，如A1.1和A2.2，研究者可以把R2.2推荐给A1.1，把R1.1推荐给A2.2，它们的关系用箭头表示，基于资源访问的学生群体随着时间的推移而稳定。在混合式学习场景里，学习活动发生在真实世界和虚拟环境中，这方面的研究有助于开发更好的课程管理工具。根据学生与资源的动态变化，促使教师对课程进行相应的调整，为学生制作并推荐更适合的资源。

课程安排的顺序得当、衔接合理可以促进学生对知识的理解，帮助其高效地完成学习任务。Gonzalo Méndez等（2014）分析了2，543名计算机科学专业本科生的课程学习成绩历史数据，利用学生在每门课程中的平均分，确定课程的多种特性，如困难程度、课程间依赖度、课程连贯性。研究者进而利用这些数据诊断个别课程中的设计问题，以供教师和机构管理人员用系统的方法来调整学位课程的学习顺序、难易程度，帮助学生获得更好的学业成绩。

（二）在线话语数据分析

在线论坛（同步和异步）为研究者提供了丰富的数据，教师可以了解学习者如何通过交互相互影响。Ming Ming Chiu（2014）等利用统计话语分析法，研究了17名研究生在为期13周的教育技术课程中产生的1，330条异步交互消息。教师鼓励学生通过三种干预方式提升话语能力：阅读课前学习材料，研究课堂材料，理解内置到网络知识论坛中的脚手架材料。在课程学习中，学生可以在网上发表自己的观点，在回答问题时，学生可能会用不同颜色的文字标注，如“我们要做什么？”“回答这个问题需要了解什么？”，或者写下“分享你的观点”，并设置一个回答链接，其他同学可以点进去共同探讨一个问题。该研究表明，学生会就讨論的主题发表意见，并通常在不熟悉的、正式的情况下激活熟悉的、非正式的概念。在讨论中，一个学生的评论（例如关键词）也许会引起他人的关注。另一名学生在语义网络中激活相关概念并提出新观点。当学生不理解这些回答时，他们可以引出新问题，引发其他同学的阐述或解释。学生之间可能会存在不同的意见，他们需要通过提供证据来解决分歧并解释自己的想法，也可由此可以改进话语交流和创造知识的能力。

Simon Knight等（2015）学者认为以话语为中心的分析可以量化语言背后的深层意义，剖析学生行为。当学习者在写文章或者进行知识建构时，他们并不是简单地表达已知的内容，而是在积极地参与建设性的知识创造。研究者为学习者提供更多机会去探索各种形式的话语方式和学习资源等，帮助学生更好地认识自己，促进个体参与社会能力的提升。Nick Kelly等（2015）在组织学生活动时利用自动化话语分析系统帮助教师协调在线学习群体。Iris Howley等（2016）指出语言是可见的多维交互作用的表现形式，在协作学习环境中它可以与个人的认知、动机、社会关系等多个方面产生多维互动。

（三）学习评价数据分析

在评价学生学习素质能力方面，研究者不只是关注成绩数据，而是注重多个层面的评价内容。如EricaL Snow等（2015）的研究侧重评价学生的写作水平。书面文本有效沟通的能力对学生学术成功和未来职业发展至关重要，教师通过了解优秀的写作过程和需要掌握的相关技能，为其他学习者传递相关经验。研究者采用自动书写评价系统（Automated Writing Evaluation，简称AWE）作为研究平台，它可以为学生提供写作练习的机会，学生能够收到自己的分数和反馈，利用自然语言处理（Natural Language Processing，简称NLP）和熵分析学生文章中使用两种语言（叙事性和衔接性）的差异，评估学生的写作灵活性。系统会自动修改学生的文章，并分析其写作风格，用流程图或者可视化结构的形式为学生提供改善文章组织的策略。系统会根据学生个体差异提供个性化的评价与指导方法，从而为每一位学生提供更好的教学反馈和指导。

同行评价是用户对同等级的学习者的作品或表现所具备的水平、价值或质量进行评估和鉴定。Andrii Vozniuk等（2016）利用同行评估作为评价的工具，实现对大型课程（如MOOC）中复杂任务的可扩展性评价。研究将学习者分为A组和B组，在A组开始评估B组项目报告的同时，B组也需要评估A组的工作，评估结果由教研员纳入课程成绩。同行评估的目标是评估学生的任务表现，了解其对课程中任务的完成情况和质量，实现同行间共同成长。

（四）多模态数据分析

多模态学习分析（Multimodal Learning Analytics，简称MLA）是根据人的多重感知模式，对于同一现象、过程或环境，采用多种方式获取学习过程中产生的相关数据，包括声音、手势、关节动作、视觉注意等同时发生的几种不同的生理和心理数据。大多数关于学习分析和教育数据挖掘的工作都集中于在线课程，仅限于在计算机屏幕之前发生的交互。多模态数据采集技术和机器学习分析技术可以在更复杂和开放的学习环境中对学生的学习行为进行分析，为学习分析提供新的见解（Merceron， A.， & Blikstein， P.， 2016）。

在多模态分析方面，Paulo Blikstein等（2016）指出学习分析的目标是理解和改进教与学，然而分析不仅仅是通过分析单一系统中的学生数字痕迹实现的。随着在线学习系统的增加和复杂学习环境的出现，学习分析应该捕获、处理和分析多种数字信号，以便理解学习过程中参与者的行为和相互作用的痕迹，深入揭示学习规律。

Alejandro Andrade等（2016）指出学习者的情绪数据对提升学习效果有着至关重要的作用，在同步在线学习环境中，将学习者的情绪可视化处理，能够帮助教师建立和保持其与学习者之间的社会情感关系。情感分析的多模态数据收集可通过学生学习的自我报告、视频、音频、交互轨迹四个方面来完成，建立以教师为导向的多模态情感仪表板。他们的研究依托实时交互的Speak Plus学习平台开展有关外语研究的实践，教学者通过平台和学习者进行实时交流，及时解决学习者的问题。在使用过程中，师生的交互行为会产生各种数据，平台会基于不同的线索和非侵入性的设置，利用异构API（Application Programming Interface，API，应用程序接口）标准对采集到的数据进行情感分类处理。情感仪表板中主要有三种数据：一是总体信息，呈现学习过程中学习者主观和客观的情感数据;二是会话信息，主要是学习活动中结合上下文的学习会话;三是情绪信息，在固定的时间轴片段中，呈现学习者正面和负面的情绪。教师在这个过程中起主导作用，通过多通道的数据，结合视觉分析工具，以丰富的数据呈现方式，给学生及时的反馈。教师可以获取每个学习者的情感数据，通过对数据的分析，找到学生的问题，做出合理的教学计划，实现学生的个性化学习。

（五）学习预警数据分析

在预警分析方面，研究者力求了解在线学习者的学习过程，提前发现学习风险，并为学习者提供合理的建议。Geraldine Gray等（2016）在第一学年开始对高等教育初期的学生基本情况进行初步測试，包括学生以前的学业成绩、习惯、学习方法、个性、动机、年龄和性别等，根据这些数据预测有失败风险的学生，并给他们提供帮助。

学术预警系统（Academic Alert System）（Jayaprakash， S. M. & Sandeep， M.， 2014）主要是确定具有潜在风险、可能不能完成课程的学生，通过对学生的基本数据进行分析处理，生成学术预警报告（Academic Alert Report， AAR），教师可以从SaKai项目网站（用于存储学生数据的安全网站）下载报告，对学生进行及时干预。首先，系统会提取学生的基本信息、活动日志、成绩单数据等，然后对采集的数据进行处理，系统根据提取的学生数据为其评分，接着会生成AAR。报告会传输到项目网站，统一存放在云端存储器。任课教师可调取所需学生的预警报告，通过特定课程网站的学术表现，采取不同的措施实施干预（见图2）。

干预措施可分为两种。一是意识传递干预（即教师通过信息告知学生处于学业风险中，学生意识到这种情况后自己需采取措施解决问题）。学生一般会收到以下信息：“基于你最近作业和考试的表现以及其他能预测你学习成功的因素，我越来越担心你成功学完课程的能力”，或者，“我会为你提供一些帮助，并鼓励你采取措施提高自己的成绩。在本学期早期这样做将提高你成功完成课程的可能性，避免对你的学习造成负面影响”。二是在线学术支持环境干预。当学生处于学业风险中时，教师会建议学生进入在线学术支持环境，获取开放的教育资源。同时，教师还为学生提供专业人员的指导。其中，教师对学生学业危险状态的了解、预警等级的判断、有针对性提供的干预措施至关重要。

（六）伦理隐私数据分析

在数据隐私保护方面，越来越多的研究者期待在学习分析与个人隐私之间找到平衡点，妥善解决伦理、隐私和数据保护之间的问题。Rebecca Ferguson等（2016）介绍了伦理框架的建立与发展，并提出了解决道德和隐私问题的工具和方法，目的是能识别隐私而且能够给出不同等级的隐私解决方案。多个国家的组织和研究者深入研究了欧洲高等教育中使用学习分析的优势和局限性的法律，制定了学习分析国家报告，在这份报告中提出了DELICATE清单，指导相关利益者如何进行学习分析，保证数据的安全和规范（见图3）。

同时该研究还提出了一系列数据保护、数据共享、数据匿名化、伦理道德、数据隐私等需要注意的问题。首先要确保第三方的数据收集、使用和参与是透明的，要考虑如何以及对谁进行数据访问，确保数据安全保存。其次要阐明数据的所有权，为敏感数据提供多重保护。

Christina M. Steiner等（2016）提出了LEA工具箱项目（见图4），将伦理和隐私方面不同的信息来源作为基础，并把它们结合在一起，形成保护隐私和保护策略的架构图。其目的是增加教师和学生的自主权，监测多方对学习者数据使用的合法性，并采取相应的措施保护学生数据。

LEA箱有相关的方法指导和立法条例实施对数据和隐私的保护，同时还利用伦理道德约束数据使用者的行为。LEA箱用合适的技术合法地收集学生和家长的数据，同时用户也有知情权，了解自己的哪些数据被采集。学生对自己的数据有支配权，如学生允许教师访问自己的在线测验结果数据，隐藏自己的隐私数据。数据采集、分析和应用的过程是在LEA箱的监控和保护下进行的，在日益成熟的技术下，学生隐私数据也会变得更加安全。

四、学习分析技术研究的未来趋势

（一）融合多种学习分析技术与方法

当前，学习分析技术在利用传统数据分析方法的基础上，充分借鉴大数据时代的数据分析技术，如社会网络分析、话语分析以及内容分析，但是随着学习内容的丰富、学习环境的变化，学习分析变得十分复杂。学习分析技术需要融合多种研究方法和分析技术与工具，以便解决教育中遇到的实际问题。例如，Roberto等（2015）利用LATUX（Learning Awareness Tools-User eXperience，学习意识工具-用户体验）可视化学生的思维过程，并建立学习者模型，促进教师深度了解学生，用数据支持教学，实现精准决策。Tore Hoel等（2016）为保护隐私数据，开发了学习分析设计空间模型，为隐私泄露提供最及时的解决方案。未来在学习分析技术和方法的使用上，研究机构和学校需要安排专职人员对教师进行培训，根据不同的数据和不同的教学问题，选取合适的分析方法，准确地理解数据和学生的行为，以便针对性地为教学提供精准的服务。

（二）突破学科边界，实现跨学科合作

学习分析技术借鉴吸收了教育数据挖掘、教育理论、工程学等多学科的相关理论，如在预测学习结果、分析学习行为的过程中，利用教育学理论，了解学生学习动机、学习方法，这样才能更加有目的地帮助学生。未来学习分析技术的研究者会呈现学科背景的多元化，教育中的学习分析可以充分借鉴脑认知科学、学习科学、社会学等其他学科的分析方法、理论与技术，针对不同的分析场景和对象提出适用的理论框架体系，通过交叉合作的形式解决教与学中的问题，形成跨学科研究的学习分析生态圈。戴维·布吉森（郑隆威等， 2016）指出处于早期发展阶段的学习分析技术主要关注学习者、学习内容、学习路径、学习行为等，学习分析容易扩展到其他领域，如人才招聘分析、毕业生就业率分析、校园资源利用分析。跨学科交流与合作将成为学习分析技术理论研究和实践应用的常态。

（三）关注学习过程的情感数据分析

在线学习中，教师和学生之间的交流是以文字、图片、视频等为媒介，缺少面对面交流，学习者容易产生疲倦感和挫败感等消极情绪，影响学习效果。在实际教学中，如果不能很好地分析并处理学生的情感问题，将影响学习活动的开展和推进。情感数据最能反映学习者内心活动，是师生交流最直接和最高效的方式，越来越多的研究者投入学习情感数据的研究中。通过情感识别技术可以判断学生的情绪状态（Prinsloo， P.， & Slade， S.， 2016），根据学习者在系统中留下的回帖、讨论、作业解读可以察觉学生的情感，了解学习状态，提前告知学习者在学习过程中存在的问题并帮助其及时改正。通过开发设计基于语音情感、面部情感、文本情感等的识别和分析技术，从情感的角度跟踪、评价和改进学习路径及习惯，将成为未来学习分析领域需要关注和研究的议题。

（四）实现多模态数据的常态化分析

目前学习分析的数据来源较为单一，主要是网络学习平台和系统的数据，如预测学生的课程结果主要以学生多次的考试成绩和表现数据为依据。对单一数据的分析无法实现对学生全方位的了解和监控，未来研究需注重基于多模态数据的分析，如眼动数据、脑电图、皮肤电反应、心电图、社交网络数据、认知活动数据等，便于更立体、更精准地呈现学习者的信息。如利用可穿戴感知设备，教师可以在不影响学习者的情况下研究学习过程和学习轨迹，使研究结果更加客观和翔实。通过对多模态数据的常态化分析，可以提升学习分析研究的整体水平，也让学生在教师的监测、评价中更加透明，增加教师对学生的深度认知，帮助其实施更科学的服务。Xavier Ochoa等（2016）设计了基于多模态学习分析的学习脉冲实验，首先邀请被试者佩戴腕带收集生理数据，包括心率值与步数，其次是收集学习活动的数据，如参与者在学习平台的数据、手机应用程序的数据，最后是收集学习环境数据，即由研究者跟踪与学习有关的室内环境数据，如测量光照强度、湿度和温度，结合这些天气信息，判断环境对学习结果的影响。

（五）提升基础教育数据应用的价值

目前学习分析样本大多是来自高等教育阶段，大学生参与的在线学习为学习分析提供了丰富的数据。但是随着我国“三通两平台”以及各种网络学习空间的不断发展，在基础教育阶段开展学习分析的可能性也随之增加。在传统的课堂中，对教學行为的记录主要是以人工为主，而在智能录播系统的支持下，学校可以实现自动并实时采集课堂教学数据，教师可以通过系统反馈调整讲课时间，增加与学生的互动时间;更进一步地，学校可以利用物联感知技术采集设备状态数据和学生体质数据，利用点阵数码笔技术采集各种作业、练习、考试等数据，利用在线学习与管理平台技术则能使各种在线学习与管理数据的采集更加方便。Camilo Vieira等（2016）利用工程设计的思维，收集了48名中学生设计复杂学习活动的过程数据，记录他们的学习表现，并在后测实验后对比学生之前的学习行为，识别、描述和评价他们在整个实验过程中的学习策略和学习表现，同时加强学生的自我认知。未来学习分析能充分挖掘基础教育数据的潜在价值，提升教与学的智能化水平，让学习变得更加轻松。

五、總结与展望

学习分析技术可以有效助力教师和学生对数据的深度理解和应用，给学习带来了巨大的变化，为教育创新提供了全新的发展视角。学习分析具有周期性，在“学生→数据→分析→干预→学生”的循环中，存在部分不确定因素，这给数据分析带来了挑战，如在专业人才配置、数据标准化、数据归属权等方面还存在短板。但是在“数据驱动决策，分析变革教育”的时代，未来学习分析技术还有更大的发展潜力，如：利用人工智能技术，感知学习活动，即时分析并反馈，让学习体验更顺畅、更人性化，提高学习分析的智能水平;吸引跨学科、跨领域的优秀数据分析师进入教育领域，为学习分析队伍注入新鲜血液，提升数据服务水平。就国内研究学习分析技术发展现状而言，研究者需要借鉴学习分析的最新研究方法，针对国家教育特色，扩展研究领域。在心理测量方面，可以通过了解学生的能力、个性、动机和学习策略四个方面的特征，监测学生参与学习活动的差异，精准预测学生的专业表现;在学习分析工具开发方面，研究者需要根据学习分析内容和分析目的的不同，开发适应多种使用环境、支持可视化呈现、支持多种数据格式的分析工具，教师、管理者以及教育研究者需要具备分析的素养和能力，能够有效运用合适的工具，实现数据价值的高效应用。

[参考文献]

曹帅，王以宁，徐鹏. 2016. 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[J]. 中国电化教育（5）：78-84.

顾小清，张进良，蔡慧英. 2012. 学习分析：正在浮现中的数据技术[J]. 远程教育杂志，30（1）：18-25.

何克抗. 2016. “学习分析技术”在我国的新发展[J]. 电化教育研究（7）：5-13.

牟智佳，武法提，乔治·西蒙斯. 2016. 国外学习分析领域的研究现状与趋势分析[J]. 电化教育研究（4）：18-25.

魏顺平. 2013. 学习分析技术：挖掘大数据时代下教育数据的价值[J]. 现代教育技术，23（2）：5-11.

吴青，罗儒国. 2015. 学习分析：从源起到实践与研究[J]. 开放教育研究（1）：71-79.

吴永和，陈丹，马晓玲，等. 2013. 学习分析：教育信息化的新浪潮[J]. 远程教育杂志（4）：11-19.

肖巍，倪传斌，李锐. 2018. 国外基于数据挖掘的学习预警研究：回顾与展望[J]. 中国远程教育（2）：70-78.

郑隆威，冯园园，顾小清. 2016. 学习分析：连接数字化学习经历与教育评价——访国际学习分析研究专家戴维·吉布森教授[J]. 开放教育研究，22（4）：4-10.

Andergassen， M.， & M?dritscher， F. （2014）. Practice and Repetition during Exam Preparation in Blended Learning Courses： Correlations with Learning Results. Journal of Learning Analytics， 1（1）， 48-74.

Andrade， A.， & Delandshere， G. （2016）. Using Multimodal Learning Analytics to Model Student Behaviour： A Systematic Analysis of Behavioural Framing. Journal of Learning Analytics， 3（2），282-306.

Blikstein， P.， & Worsley， M. （2016）. Multimodal Learning Analytics and Education Data Mining： Using Computational Technologies to Measure Complex Learning Tasks. Journal of Learning Analytics， 3（2），220-238.

Chiu， M.， & Nobuko. F. （2014）. Statistical Discourse Analysis： A Method for Modelling Online Discussion Processes. Journal of Learning Analytics， 1（3）， 61-83.

Ochoa， X.， & Marcelo， W. （2016）. Augmenting Learning Analytics with Multimodal Sensory Data. Journal of Learning Analytics，3（2）， 213- 219.

Dawson， S.， & Mirriahi， N. （2015）. Importance of Theory in Learning Analytics in Formal and Workplace Settings. Journal of Learning Analytics， 2（2）， 1-4.

Ferguson， R.， & Hoel， T. （2016）. Guest Editorial： Ethics and Privacy in Learning Analytics. Journal of Learning Analytics， 3（1）， 5-15.

Gray， G.， & McGuinness， G. （2016）. Learning Factor Models of Students at Risk of Failing in the Early Stage of Tertiary Education. Journal of Learning Analytics， 3（2）， 330-372.

Hecking， T.， & Ziebarth， S. （2014）. Analysis of Dynamic Resource Access Patterns in a Blended Learning Course. Journal of Learning Analytics， 1（3）， 34-60.

Howley， I.， & Penstein， C. （2016）. Towards Careful Practices for Automated Linguistic Analysis of Group Learning. Journal of Learning Analytics， 3（3）， 239-262.

Jayaprakash， S. M.， & Sandeep， M. （2014）. Early Alert of Academically At-Risk Students： An Open Source Analytics Initiative. Journal of Learning Analytics， 1（1）， 6-47.

Kelly， N.， & Thompson， N. （2015）. Theory-Led Design of Instruments and Representations in Learning Analytics： Developing a Novel Tool for Orchestration of Online Collaborative Learning. Journal of Learning Analytics， 2（2）， 14-43.

Knight， S.， & Littleton， M. （2015）. Discourse-Centric Learning Analytics： Mapping the Terrain. Journal of Learning Analytics， 2（1）， 185- 209.

Lowes， S.， & Peiy， L. （2015）. Exploring the Link between Online Behaviours and Course Performance in Asynchronous Online High School Courses. Journal of Learning Analytics， 2（2）， 169-194.

Martinez-Maldonado， R.， & Pardo， A. （2015）. LATUX： An Iterative Workflow for Designing， Validating， and Deploying Learning Analytics Visualizations. Journal of Learning Analytics， 2（3）， 9-39.

McCoy， C.， & Shih P. C. （2016）. Teachers as Producers of Data Analytics： A Case Study of a Teacher-Focused Educational Data Science Program. Journal of Learning Analytics， 3（3）， 191-214.

Méndez， G.， & Ochoa， X. （2014）. Curricular Design Analysis： A Data-Driven Perspective. Journal of Learning Analytics， 1（3）， 84-119.

Merceron， A.， & Blikstein， P. （2016）. Learning Analytics： From Big Data to Meaningful Data. Journal of Learning Analytics， 2（3）， 4-8.

Miyamoto， Y. R.， & Coleman， C. A. （2015）. Beyond Time-on-Task： The Relationship between Spaced Study and Certification in MOOCs. Journal of Learning Analytics， 2（2）， 47-69.

Monroy， C.， & Rangel， V. （2014）. A Strategy for Incorporating Learning Analytics into the Design and Evaluation of a K-12 Science Curriculum. Journal of Learning Analytics， 1（2）， 94-125.

Ochoa， X.， & Worsley， M. （2016）. Augmenting Learning Analytics with Multimodal Sensory Data. Journal of Learning Analytics， 3（2）， 213- 219.

Pardo， A.， & Teasley， S. （2014）. Learning Analytics Research， Theory and Practice： Widening the Discipline. Journal of Learning Analytics， 1（3）， 4-6.

Prinsloo， P.， & Slade， S. （2016）. Student Vulnerability， Agency， and Learning Analytics： An Exploration. Journal of Learning Analytics， 3（1）， 159–182.

Raca， M.， Tormey， R.， & Dillenbourg， P. （2016）. Sleepers lag - study on motion and attention. Journal of Learning Analytics， 3（2）， 239-260.

Siemens， G. （2014）. The “Journal of Learning Analytics”： Supporting and Promoting Learning Analytics Research. Journal of Learning Analytics， 1（1）， 3-5.

Snow， E. L.， Auen， L. K.， & Mc Namara， D. S. （2015）. Keys to Detecting Writing Flexibility over Time： Entropy and Natural Language Processing. Journal of Learning Analytics， 2 （3）： 40-54.

Steiner， C. M.， Kickmeier-Rust， M. D.， & Albert， D. （2016）. LEA in Private： A Privacy and Data Protection Framework for a Learning Analytics Toolbox. Journal of Learning Analytics， 3（1）， 66-90.

Waddington， R. J.， & Nam， S. J. （2015）. Improving Early Warning Systems with Categorized Course Resource Usage. Journal of Learning Analytics， 3（3）， 263-290.

Vieira， C.， Aguas， R.， & Goldstein， M. H.， et al. （2016）. Assessing the Impact of an Engineering Design Workshop on Colombian Engineering Undergraduate Students. Journal of Learning Analytics， 32 （5）：1972-1983.

Vozniuk， A.， Holzer， A.， & Gi Uet， D. （2016）. Peer Assessment Dataset. Journal of Learning Analytics， 3 （2）： 322-324.