大数据视角下的学习变革

刘清堂

随着教育信息化的深入推进，海量的教育数据成为监测、分析和优化教学过程的“数据金矿”。近年来，我国连续出台了《高等学校人工智能创新行动计划》《中国教育现代化2035》《教育信息化2.0行动计划》等文件，强调通过数据驱动的学习分析方法，探索智能教育教学的新模式，重构教学流程，开展个性化学习、差异化教学、精准化管理以及智能化服务等应用探索，服务高质量的人才培养。

学习分析支持的个性化学习

个性化、自适应学习一直是教育领域关注的热点问题。教育大数据应用让个性化学习指导成为可能。在线教育累积的海量学习数据，如学习经历、学习交互、学习过程、学习行为等，为符合教育规律的学习者个人或群体的知识图谱、认知风格模型、学习行为模式等构建提供了解决的途径和方法，将有力地支持个性化、适应性学习的服务需求。

美国孟菲斯大学的Arthur Graesser、胡祥恩等教授基于“五步”学习辅导框架，研制了教育智能体系统AutoTutor。该系统能够与学习者进行文本交互，并通过文本分析学习者的认知水平，然后提供适当的引导和提示，以辅助学习者解决学习问题。AutoTutor正是通过长期积累的交互数据，建立较为完善的学习者知识模型，为学习者提供个性化的指导。又如，美国范德比尔大学的研究人员依据“教中学”理论研发了Betty's Brian自主学习系统。与AutoTutor不同，Betty's Brian可承担教师的角色，通过追踪学习者所掌握的知识，构建出知识图谱，并通过知识图谱结构预设学习问题，检验学习者知识掌握的完整度和准确度。“教”的过程中，系统能够可视化地分析和呈现学习者的元认知发展、知识获得、加工与关联等。美国弗吉尼亚州的法明顿小学开展了“数据驱动的学习”试点。从2012年开始试验自适应诊断和教学服务i-Ready系统。该系统通过学习者的测试和作业数据的历史记录，诊断他们的知识薄弱点，从而设计个性化的学习目标和计划。经过一段时间的应用后发现，没有通过达标考试的学习者平均每天使用35～45分钟i-Ready系统后，学习成绩出现了大幅提升，其中阅读成绩提升约88%，数学成绩提升约75%。

教育大数据蕴含着丰富的教育信息，有助于我们了解学习者的个性化需求，挖掘教育教学的基本规律。如：通过测试、作业数据等能分析学习者的认知水平;人口统计学数据蕴涵着学习风格、认知偏好和社会认知等信息;行为数据中包含学习动机、学习兴趣与情绪信息等。基于大数据的学习分析技术可以帮助我们即时、准确地提炼信息，为个性化、适应性学习服务提供支持。

数据驱动的差异化教学

课堂是信息技术与教育教学深度融合的主战场。2012年，美国国家教育部发布《通过教育数据挖掘和学习分析促进教与学》的报告，进一步提出“数据驱动学校，分析变革教育”。为此，美国实施“蓝带学校”计划，将高质量的教学建立在数据研究基础之上，也被称之为“数据驱动型教学”（Data Driven Instruction）。以人工智能为代表的信息技术与课堂教学的深度融合已深刻地影响到课堂教学形态和教学组织流程，如翻转课堂、线上线下融合的混合式学习课堂、网络直播课堂等。其变革的核心在于针对学习者的能力水平和兴趣愿望等开展差异化教学。

以课堂教学为例，目前普遍使用的课堂教学互动工具，如“课堂派”“雨课堂”“Kahoo！”等，能积极促进课堂活动开展，激发学生的主动学习。然而，在课堂教学活动及师生互动行为等数据背后，如何进行深度分析以支持课堂差异化教学一直是我们关注的核心问题。言语互动行为分析、师生（S-T）教学行为互动分析、学生-问题（S-P）教育信息结构分析以及集团应答曲线分析等学习分析技术方法，无疑能够有效支持课前、课中和课后有机结合的差异化教学。然而，课堂教学系統是一个复杂的教育系统，迫切需要利用人工智能、学习分析等技术手段对课堂教学的关联数据进行客观的分析和评价，以实现科学的决策分析。

课堂教学系统是一个多变量的教学系统，通常采用多元分析方法。课堂教学过程是一个信息传播和加工过程，以信息理论为指导，通过信息熵的计算，可实现教学过程的有效研究。课堂教学系统也是一个定性系统，可以采用系统科学的方法，如以图论为工具，分析系统的结构。课堂教学信息多是模糊信息，采用模糊数学的方法可对这类信息进行分析处理。海量的教学信息中蕴涵教育教学的基本规律，可以采用机器学习、深度学习等方法进行挖掘，预测并分析学习模型，干预教与学的过程。这些学习分析技术对于数据驱动的差异化教学具有重要支撑作用。

大数据支持下的精准化管理

学校教育的入学率、出勤率、辍学率、升学率等，以及课堂教学的注意率、参与度等都与数据密切相关，是评估办学质量、教学管理水平的重要指标。为此，美国将大数据分析应用到公共教育中，提出了一项耗资2亿美元的公共教育大数据计划，旨在通过运用大数据分析来改善教育;美国教育研究所与全美教育数据统计中心合并重组后成立了教育科学研究院（IES），成为全美最重要的教育决策咨询机构。海量的教育数据获取、分析、预测验证和评估等对于变革传统教与学模式，优化教学流程，实施精细化教育管理与决策等具有重要意义。

作为典型代表，美国普渡大学推出了“课程信号”（Course Signals）项目，旨在应对日益下降的新生保有率及日益延长的毕业周期等问题。该项目通过数据挖掘和统计预测模型，根据多个变量来预测学生是否能够完成课程，并进行即时干预。教师可根据系统的预警信息，为学生提供有效的反馈信息，引导学生使用合适的资源来提高成绩。实验证明，获得A、B类成绩的学习者人数提升了10.37%，D、F类成绩的学习者人数则下降了6.41%。美国田纳西州的奥斯汀佩伊州立大学开发了大数据分析系统“学位罗盘”（Degree Compass）提供了另一个例子。该系统依据学生以前的成绩、不同课程成绩间的相关性以及主修专业要求等进行课程推荐，帮助学生制定学习路径。通过预测、聚类、相关性分析、模型构建、深度学习等技术发掘教育系统的教学规律和潜在价值，对于教育科学管理与决策、高效课堂模式构建和在线学习质量提升等具有开阔的应用前景。

学习分析技术除了用来为学习者、教学者和管理者提供直接的支持外，还可以应用于和教育教学相关的智能服务中，如自动阅卷、作文批阅、自动解题等。Grammarly是一款针对英文论文写作的修改和润色工具，通过内置的语言、语法模型，能够根据用户需求，对用户的写作内容进行分析，寻找出其中可能存在的错误，并根据写作场景为用户提供写作建议。

学习分析技术是近年来教育技术研究领域的热点之一，其承袭于商务智能、学术分析、行为分析、数据挖掘以及社会网络分析等领域的技术与方法，是一系列数据收集工具和分析技术的松散组合。基础层面，我们应加强教育大数据基础平台的架构与建设;数据层面，数据的收集、清洗、存储与管理等将是教育大数据应用的基础;实践层面，学习分析技术可以给我们更多应用启示，促使我们利用丰富的教育大数据，解释教育教学现象，探究教育教学的基本规律。

（作者单位：华中师范大学）

责任编辑：王梦茜