国内学习分析技术研究进展

李腾腾

摘  要 学习分析技术通过分析学习者的行为数据，为学习者提供相应的学习资源、学习策略等个性化服务。随着大数据、人工智能等技术的发展，学习分析技术也发展得越来越快。运用SATI工具以及中国知网的可视化分析功能对国内学习分析技术领域的相关文献进行分析，论述学习分析技术研究进展。

关键词 学习分析技术；个性化学习；可视化分析

中图分类号：TP319.77    文献标识码：B

文章编号：1671-489X（2021）13-0001-03

0  引言

2011年，新媒体联盟（New Media Consortium，NMC）发布的《地平线报告》（高等教育版）中将学习分析定义为大范围收集学生的学习数据并加以分析，从而评价学生的学习进度、预测其未来的学习表现并查找潜在问题[1]。2014年，有国外学者将学习分析定义为对教育数据进行收集、分析和应用，以对教育领域之共同体的行为进行评估[2]。但是目前关于学习分析的概念，学界尚未有一个统一的认识。

随着信息技术的快速发展，再加上新冠肺炎疫情防控的影响，人们对在线学习越来越重视。在线学习的弊端在于研究者或教師无法获取更多的学生学习情况，不能及时为学生提供帮助。因此，在信息化时代背景下，基于大数据的学习分析技术将在未来2～3年成为极具影响力的教育技术[3]。为了优化学生的学和教师的教，学习分析技术越来越被人们所重视，其不仅可以为学生提供个性化学习，还能够促使教师反思并改善教学。学习分析技术的概念是从国外引入的，在国内发展较晚。本文希望通过对国内学习分析技术领域近些年的发表文献，分析我国学习分析技术研究进展，结合SATI工具和中国知网，运用文献计量分析法、可视化分析法以及词频分析法对学习分析技术领域的进展进行分析，为相关研究提供启示。

1  数据来源及研究方法

1.1  数据来源

本文为保证数据的准确性以及研究的科学性，使用中国知网作为数据来源。为更快地检索到与学习分析技术这一主题相关的文献，以高级检索的方式检索，检索条件主题设置为学习分析技术。除此之外，为保证数据来源的权威性，选择SCI、EI、北大核心和CSSCI作为来源类别，检索时间为2011—2020年，共检索到371篇文献。经过一系列筛选与去重后，排除与学习分析技术主题无关的文献，最终保留75篇文献。本文以其作为研究对象。

1.2  研究方法与工具

本文研究采用可视化分析法结合文献计量分析法以及词频分析方法对研究对象进行分析，使研究内容可视化，更加直观并且生动形象地观察研究进展。该方法的实现是基于中国知网中对可选结果进行可视化分析的功能以及SATI文献题录信息统计分析工具对已选文献进行可视化分析，可以从研究对象发文趋势、来源机构以及关键词情况等方面进行分析。

2  统计数据分析

2.1  文献发文总体趋势分析

学习分析技术于2011年首次在国外提出，国内研究的起步时间较晚。据此，本文研究分析2011—2020年的文献发布趋势，如图1所示。从图中可以看出，虽然学习分析技术在2011年提出，但是国内在2011年中并没有发表相关内容的文献，可见当时学习分析技术还是一个新的领域。国内在2012年开始逐渐地研究该内容，2012—2013年是国内对学习分析技术研究的开始阶段。随着信息技术的迅速发展，2014—2016年，每年的有关发文量增加趋势明显，该阶段为发展阶段，人们开始重视该领域的研究，其发展迅速。2016年，该领域的发文量达到顶峰，大量学者展开对这一领域的研究。而这一年也正是人工智能理论提出的时间，伴随着智能时代的到来，学习分析技术领域开始结合新的理论进行研究，也开始结合智能化技术实现智能化分析。2016年之后，发文量开始下降，2018—2019年出现小幅度提升，2019年至今发展相对缓慢。

2.2  文献所属机构分析

通过中国知网对所选文献的所属机构分布进行统计分析，可以观察出学习分析技术领域文献的主要机构分布。在对选取的75篇期刊论文的所属机构进行统计分析过程中，筛选发文量不少于四篇的机构，其结果分布如图2所示。发文量不少于四篇的机构共有五所，共发文41篇。有关学习分析技术的论文所属机构中发文量排名前三的分别是华东师范大学、东北师范大学以及北京师范大学，五所文献所属机构中有四所是国内师范院校，可见国内的高等师范类院校是推进学习分析技术研究进展的重要研究机构。

2.3  关键词分析

通过SATI工具对选择的75篇文献进行关键词提取，设置显示16个高频关键词段，生成关于高频关键词的知识图谱，如图3所示。知识图谱中关键词的字号越大，代表出现的频次越多。从图3中可以得出，学习分析、学习分析技术最为明显，除去这二者之外，大数据、数据挖掘出现的次数较多。从图中可以看出，数据发掘与大数据、大数据分析、学习行为、大数据分析、在线学习、共词分析等关键词有着联系。由此可见，伴随着人工智能、大数据这些新技术的产生，学习分析技术已经不再是单纯依靠传统的数据研究学生的行为，而是利用大数据分析技术对大量的数据进行分析。在教育领域，教育大数据往往要比其他数据更加有利于学习者的学习，基于大数据分析技术的数据挖掘也不再只是考虑数据表面的含义，而是挖掘数据内部的联系，如机器学习、深度学习在数据挖掘中的应用，并且数据分析后结果以可视化的方式呈现，更加直观。另外，个性化学习、自适应学习是如今学习分析技术应用的重要领域，可以看出要做到个性化学习，就需要对学习者的行为进行准确分析。同样，自适应学习也是如此。虽然有些关键词出现的次数很少，如智慧学习、智慧教育等词段，但这些内容与在线学习相关；而慕课是在线学习的一种方式；在线学习过程中，学习者参加虚拟社区活动，这时就需要对他们的社会网络进行分析，因此，这些也是要研究的关键内容。

3  学习分析技术研究内容

3.1  学习分析关键技术

随着时代的发展，学习分析技术已经出现很多具体的技术，如聚类、挖掘关系、预测等技术，其中较为成熟的关键技术有社会网络分析法、话语分析法和内容分析法。

3.1.1  社会网络分析法  社会网络分析关注的是网络的关系对行动者的影响，不仅能揭示行动者的人际信息，还能观察到网络群体及个体的社会网络特征[4]。如在网络学习中，尤其是在虚拟社区的学习过程中，学习者作为研究对象，通过此方法可以分析出学习者所求助的人、不会的知识以及影响学习进展的因素，从而促进生生、师生之间的交互，促进教学与学习。

3.1.2  话语分析法  话语分析技术主要是对课堂中交流的内容进行分析的技术。言语交流是课堂活动中的重要环节，因此，研究课堂中的话语对学习分析作用很大。在大数据时代，只是文本的数据已经不再够用，越来越多的分析者转变为针对多模态的数据分析。现在分析者可以通过在课堂中采集有用的话语信息，对其进行加工后再次进行分析。

3.1.3  内容分析法  内容分析法不仅可以对研究的内容所包含的信息进行分析，还能够对内容的变化进行分析。因此，内容分析法不仅可以分析当前学习者的行为，还能够应用大量的经验对学习者之后的行为进行预测，这也为学习者的自适应学习打下基础。

3.2  学习分析技术应用

3.2.1  自适应学习系统  随着智能时代的到来，人类可以用技术实现更多的目标。在教育领域，研究者可以通过使用技术更快、更好地为学习者提供个性化服务。在如今数字化的学习环境下，学习者可以基于个人学习能力在网络平台中自主选择学习资源和参与学习活动，系统平台可以通过对学习者的行为数据分析为其提供学习资源、学习策略等服务；还可以依据学习者已有的学习行为过程数据进行学习分析，及时调整学习进度和内容并给出干预措施，形成自适应学习的过程。Knewton作为自适应学习系统的代表，其典型特征就是为不同的学习者提供不同的学习支持服务，即实现系统对学习者学习的自适应服务[5]。

3.2.2  综合评价系統  随着技术的快速发展，在教育领域，学习者实现自适应学习和为学习者提供个性化服务已经成为现实，评价作为教学中的一个重要环节，在促进学习者全面发展和个性化发展上具有突出作用。综合评价系统利用学习分析技术可以对学生、教师以及课程作出综合性评价。据此，郑勤华等[6]提出基于学习分析的在线学习测评建模与应用的综合建模方法。对学生的学习行为进行分析，可以促进学生学习；对教师的教学行为进行分析，可以提高教学质量；对课程的评价信息进行分析，可以帮助设计者设计出更好的课程。

4  结束语

本文针对2011—2020年学习分析技术这一领域，选择SCI、EI、北大核心和CSSCI作为来源类别，对其发布的文献进行可视化分析，包括文献发文总体趋势、文献所属机构、关键词等方面的数据，并且对当前学习分析技术的具体应用作出简单概括。随着数据发掘的技术越来越多，学习分析技术发展得也越来越快，在信息时代大数据背景下为学习者的个性化学习提供支持。然而如何利用好大数据，发挥它最大的价值，如何将学习分析与人工智能更好地融合，这是应关注的问题。虽然学习分析技术有益于学习与教学，但是还存在需要研究的问题，如数据的存储与泄露问题、人工智能系统的道德伦理问题等。

学习分析技术从提出到现在，不管是理论研究还是技术发展都有了很大的进步，应用范围也越来越广，但依然存在上述一些问题，需要顺应时代发展，探索新的发展途径，与新的技术更好地结合，形成新的解决问题的方法，在解决遗留问题的同时，发挥出学习分析技术的更大价值和作用。

参考文献

[1]The New Media Consortium.Learning Analytics[R].（2020-01-20）[2020-09-20].http：//www.nmc.org/publication/nmc-horizon-report-2011-higher-ed-edition/.

[2]牟智佳，武法提，西蒙斯.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，2016（4）：18-25.

[3]胡金蓉，邹茂扬，文武，等.大数据驱动的学习分析技术研究进展[J].现代电子技术，2020（18）：54-58.

[4]刘三女牙，石月凤，刘智，等.网络环境下群体互动学习分析的应用研究：基于社会网络分析的视角[J].中国电化教育，2017（2）：5-12.

[5]李玲静，汪存友.Knewton：学习分析支持下的自适应学习平台[J].成人教育，2019（7）：29-34.

[6]郑勤华，孙洪涛，陈耀华，等.基于学习分析的在线学习测评建模与应用：综合建模方法研究[J].电化教育研究，2016（12）：40-45.