智能时代学习分析再认识及其发展路径

周进 叶俊民

摘 要：面向智能教育，学习分析呈现出“三个新拓展”：拓展学习分析的目标理念、拓展学习分析的数据范围、拓展学习分析的技术方法。融合人工智能技术，学习分析在推动计算教育学发展、培育数据驱动思维、构建终身学习服务体系、提升教育治理水平等方面具有极大潜能。为促进智能技术与学习分析的融合应用，未来研究要积极探索与寻求核心理论支撑，建立多方协同合作机制，构筑智能教育大平台，建立以智能教育为核心的跨学科阵营以及管控人工智能算法风险，进而助力智能教育中学习分析的创新发展。

关键词：人工智能;学习分析;智能教育;计算教育学

中图分类号：G434文献标志码：A文章编号：2096-0069（2021）03-0009-06

收稿日期：2020-12-30

基金项目：2020年国家社科基金后期资助项目“基于短文本的学习分析理论与实践”（20FTQB020）

作者简介：周进（1993— ），男，湖北鄂州人，博士研究生，研究方向为学习分析;叶俊民（1965— ），男，湖北武汉人，博士、教授、博士生导师，研究方向为学习分析与教育大数据，本文通信作者。

引言

随着人工智能在教育领域的纵深推进，人工智能已经深刻影响着教育系统的各个方面，而学习分析也不例外。从本质上讲，学习分析的发展与人工智能密不可分，大数据是两者发展的基石，而人工智能为学习分析的创新变革提供了技术支持，两者共同为构建智能学习环境和揭示学习发生机制提供了全新方向与思路。当前在智能教育背景下，学习分析发展拥有广阔前景，包括分析目标、数据基础、技术方法等层面的转型升级，旨在赋能全新的智能教育应用生态。基于此，本研究结合人工智能时代背景，探讨学习分析呈现出的新发展态势，阐述其在智能教育中的价值取向与创新发展路径，以期为相关研究提供借鉴与启示。

一、智能时代学习分析再认识

随着人工智能、边缘计算、大数据等新理论和新技术的逐步成熟，以教育机器人[1]、智适应系统、教育智能体为代表的人工智能在教育领域的应用，开启了智能教育发展的新纪元。在教育智能化时代，学习分析在目标理念、数据范围、技术方法上呈现出新的发展态势。

（一）学习分析的目标理念新拓展

提到学习分析，最先浮现在脑海中的可能是对学习结果的评估、预测、干预等，或者是依据行为数据进行学习者建模。然而，随着深度学习、自然语言处理、机器视觉等技术在教育领域的广泛应用，以及传感设备、智能终端等工具的快速发展，学习分析将实现从学习结果评估到关注学习过程的转变。学习分析技术通过多种传感器和外接终端，对学习者的全过程学习数据进行即时采集，并借助人工智能相关算法和技术，实现对学习者的知识结构、情感态度和认知行为的自动监测，为构建学习者综合特征模型与智慧学习环境奠定基础[2]。此外，学习过程分析也从割裂的行为单元走向整體的活动过程分析与挖掘，借助描述行为序列、诊断关键事件和预测行为结果三个维度进行整体性分析，以帮助管理者、研究者和教师从全局角度对学习者的学习行为进行深度理解。

众所周知，学习分析的发展离不开大数据，而数据也是学习分析的起点。通过量化学习者的各类学习数据，来理解和优化学习过程与学习环境，已成为现有研究的普遍共识。实际上，在教育人工智能的推动下，以学习分析为核心的大规模个性化学习代表了智能教育的发展趋势。在以前，个性化学习和规模化教育之间的矛盾难以调和，而在智能教育时代，以大数据、人工智能等技术支持的学习分析为解决这一矛盾提供了可能[3]。通过对多场景、多系统、多终端的海量学习数据进行细粒度融合，能够实现对大规模学习者的行为、认知、心理、情感以及社会交互的精准分析[4]，在此基础上个性化推荐学习资源与规划学习路径，进而实现“因材施教”的美好愿景。

（二）学习分析的数据范围新拓展

限于技术和设备的束缚，学习分析的数据常借助人工采集、平台上传等方式对结构化数据进行采集，导致数据维度单一、信息孤岛等问题日益突出。在人工智能背景下，学习分析的数据范围逐步从单一维度数据挖掘转向多模态数据融合，并利用物联网、人脸识别、手写识别等新技术实现自动化采集。通常情况下，多模态数据包括行为层数据、心理层数据、生理层数据和基本信息数据四类，这些数据来源不同，存在形式不同，共同构成多模态学习分析的样本数据集[5]。通过建立多模态数据融合机制，结合不同教育场景和机器学习方法，实现学习状态、学习参与度、学习兴趣、教学决策等多模态分析，进一步挖掘智能教育时代学习分析的应用潜能与核心价值。

此外，学习分析的数据范围也从线上学习平台拓展到线下学习活动，从虚拟学习空间拓展到物理学习环境，逐步形成围绕“场景”进行学习分析的新形态。在智能教育中，线上、线下学习数据的整合成为学界关注的重点。现有研究大多是对线上数据的采集与分析，线下数据的计算与挖掘将是未来研究的重要方向。如通过构造课程学习模型，采用问卷调查、课堂录像等方法采集上机实验、作业、自修等线下学习数据，实现与课程学习相关的线下数据的量化分析[6]。类似地，物理学习环境的数据采集也将进一步拓展学习分析的数据范围，借助传感器技术、智能可穿戴设备等，实现对学习者全方位、多时空的数据追踪和挖掘。在此基础上，根据学习者动态多变的学习场景，为其提供高精准的个性化学习服务[7]。

（三）学习分析的技术方法新拓展

早期学习分析方法主要以数据统计和单一数据挖掘为主，如SPSS统计分析、行为序列分析等，无法满足教育人工智能发展的迫切需求。国务院《新一代人工智能发展规划》中提到要大力发展与应用大数据智能、群体智能、高级机器学习等关键技术。因此，为推动智能教育的快速发展和广泛应用，未来学习分析应依据实际需求采用大数据智能方法和综合分析方法，实现对教学过程的自动分析与评测。如在课堂环境下，综合采用自然语言处理、语音自动识别和机器学习方法，充分发挥大数据智能方法的优势，实现对课堂教学行为的自动评估，提高课堂观察的客观性与智能性[8]。在数据采集上，融合人工智能技术的学习分析系统将利用无感式、伴随性的数据采集方法，最大限度减少数据采集对学生学习过程的干扰，提高所采集数据的自然性和准确性。在数据清洗上，采用替换和补充的策略，加强对错误数据处理和修复方法的探索[9]。

近年来，研究者逐步意识到学习者的情感对学习过程的重要影响，情感/情绪研究也代表了智能教育时代学习分析的发展方向[10]。换句话说，学习分析技术不仅要实现对行为数据的测量，也要重视探索情感数据的挖掘方法。在真实学习情境下，生理数据（如面部、皮肤电、脑电等）的分析方法成为亟待探索的关键问题。虽然朴素贝叶斯（NB）、卷积神经网络（CNN）等方法可能在情感挖掘中具有较高的准确度，但机器学习本身存在“黑箱”问题，算法的不透明很大程度上影响了分析结果的可解释性。因此，研发可解释的算法模型是人工智能时代学习分析的重要任务。在建模方法上，应采用时间同步化和归一化策略，实现学生情感、认知、行为等方面的综合建模，进一步提升智能教育中数据分析的全面性和综合性。

二、智能时代学习分析价值取向

作为教育技术发展浪潮中的核心力量，学习分析在人工智能时代焕发新的生机与活力。本研究从学习分析影响教育变革及其利益相关者（教师、学习者、管理者）的角度，阐述智能时代学习分析的价值取向。

（一）推动计算教育学发展

人工智能和学习分析的发展均得益于大数据的推动。从这个意义上来讲，智能时代的学习分析将推动教育研究实现转型升级，并作为核心引擎来驱动计算教育学与学习科学的纵深推进。具体而言，智能技术赋能学习分析研究更侧重综合跨学科研究方法，依托人工智能技术和数据科学方法自动采集学生全过程学习数据，进行智能处理与挖掘，并结合行为科学和认知科学进行学习者综合建模，从教育学层面展开分析与干预;与此同时，作为核心引擎推动计算教育学研究的交叉和融合，从认知计算、行为计算、情感计算和环境计算四个方面，对海量教育数据进行深入挖掘，建立“因果+关联”的新思维模式;通过多方法、多通道和多维度视角，探究学习者学习过程与认知规律[11]，从数据层面客观与准确把握人类学习的内在机理，进而推动学习科学的纵深发展。

人工智能在变革社会科学研究方法中具有重要影响[12]，对于教育学科而言，人工智能赋能学习分析将推动教育研究进一步走向科学化。人工智能赋能学习分析将为教育研究带来新契机，一方面建立数据分析引擎，对全样本数据进行融合分析，构建教育系统模型;另一方面利用计算机仿真系统，通过学习教育实践中生成的数据，来发现教育系统演化规律与发展态势。由此，学习分析促进教育研究转型升级与科学发展，为计算教育学发展提供了动力。

（二）培育数据驱动思维

学习分析与大数据的发展推动教育教学从“经验主义”走向“数据主义”。教师是课堂教学转型的关键力量，培育教师数据驱动教学的思维能力迫在眉睫。受建构主义理论的深刻影响，教师常鼓励学生进行自主探究，弱化了对教学内容的加工处理，导致教学结构相对松散，学生学得多而所知甚少[13]。鉴于此，通过学习分析帮助教师科学洞察学生学习过程，辅助教师及时调整教学结构，以提高課堂教学质量和提升学习效果，这一过程无形中培育了教师的数据驱动思维。

作为教师数据素养中的核心要素之一，数据驱动思维是指教师能依据教育场域中各种数据进行教育决策、管理及评价，以驱动教育创新与师生共同成长的思维模式[14]。进一步讲，教师要转变以经验主导的教学观念，拥抱以数据驱动的教学范式，发现学习分析的内在价值;要尝试去处理和分析数据，对学习分析结果做出合理解释，以提升自身“理解”数据的能力;在此基础上，要结合自身教学经验，分析数据反映的潜在问题，并据此采用合理的教学改进策略。在教研过程中，教师要充分利用教育数据，结合数据分析结果与实际情况，创新应用数据以改进教学模式，助推数据驱动教学范式实践应用。

（三）构建终身学习服务体系

为推进学习型社会建设，构建终身学习服务体系迫在眉睫。《北京共识——人工智能与教育》强调要融合人工智能平台和学习分析等关键技术来构建终身学习服务体系，逐步形成人人皆学、处处能学、时时可学的学习型社会[15]。在人工智能时代，终身学习在学习目的、学习内容和学习方式上都有了新发展[16]，这也彰显了学习者对个性化学习和终身学习能力的迫切需求。就这一层面而言，学习分析在构建终身学习服务体系中具有潜在价值。

具体来说，以终身学习为核心，积极转变基于数据的学习分析理念，实现对学习行为理解到学习服务的转型升级，突出学习者的中心地位。与此同时，超越传统以知识为核心特征的学习者模型，推进构建面向终身学习的个人用户模型，从个人特质（如基本信息、性格、兴趣、偏好等）、学习数据（如学习态度、情感状态、学习动机等）和日常行为（如体育活动、食物摄入、作息规律等）三个方面记录学习者的全过程用户数据;通过融合区块链等新兴技术，构建学习者全过程成长档案袋，增强学习数据的安全性、透明性及分布性，进而提升学分转换与认证的可信度，为构建终身学习服务体系提供坚实保障。

（四）提升教育治理水平

大数据的发展极大地推动了教育管理走向教育治理的转型升级。对于智能教育而言，利用人工智能技术助推人才培养方式的变革，必然也为教育治理提供了适切的技术手段[17]，进一步推动教育治理主体（政府、企业、市场等）多元协同，教育治理要素（教育资源、教学应用、学习环境等）智能转型，教育治理层级（国家、区域、学校等）多方联动。可以说，在人工智能背景下，教育治理将充分融合学习分析与智能技术，实现教育评估自动化、教育决策智能化、教育监管科学化。

进一步讲，通过对多主体与多时空数据的采集与记录，结合智能分析技术即时评估区域、学校、班级教学大数据，并自动生成教学质量实时图，可以实现精确挖掘教与学过程中现存问题与潜在问题。同时，依托智能教育分析系统，对教学质量实况进行精准分析，结合教育治理的现实需求，智能推荐教学决策内容与方案，教育管理者可以结合实际经验不断调整教育决策方案，最终提升管理层的教育治理能力与水平。在此基础上，教育相关部门依托层层数据的自动评估与智能决策，对区域教育质量与教育动态展开实时监管，可以减轻教师与管理者繁重复杂的数据分析与处理任务，进一步增强教育监管的科学性。教育治理水平的提升还需要不同层级间开放教育数据，也离不开网络（5G传输）、环境（物理环境、虚拟环境、社会环境）与工具（智能分析系统、可视化系统）的支持。

三、智能时代学习分析发展路径

人工智能时代下，学习分析已成为驱动教育智能化发展的重要力量。本研究从理论基础、实践应用、技术保障、推进机制与发展建议五个维度探讨学习分析创新路径，以期驱动智能教育的变革与发展。

（一）探索与寻求核心理论支撑

研究显示，在教育技术研究中理论缺乏或理论应用模糊的现象较为突出[18]。学习分析研究也存在此现象，即重视对行为数据的统计与分析，忽视了其理论基础，形成了重分析轻理论的现实局面。为促进学习分析更好地服务于智能教育，未来研究要积极探索与寻求核心理論支撑。一方面，要探索教育研究与数据分析的核心理论，比如可以应用控制—价值理论来指导学习情绪挖掘的相关研究;另一方面，要以教育实践中生成的数据为基础，建立以真实问题为导向的科学探索，依据问题—理论—分析的策略，解决智能教育场域中的关键科学问题，挖掘学习行为与认知规律，尝试发展或形成相关理论。更进一步讲，人工智能与学习分析的发展虽然离不开数据驱动，但加强核心理论研究也是当前学习分析创新教育发展面临的重要问题。

（二）建立多方协同合作机制

面向智能教育，学习分析的实践应用涉及多个方面（硬件、系统、平台等），需要进行系统性改造升级和优化。学校通过与信息科技企业对接，建立学习分析应用联盟，从实际需求和现实问题出发，实行“一校一策”，推动学习分析的智能转型。包括：（1）学校成立由骨干教师组成的合作小组，根据一线教师需求起草建设与改造方案，并聘请高校专家进行指导;（2）为保障智能教育系统的顺利转型，学校与信息科技企业对接，协调推进方案修改与实践进展，重点关注学习分析所涉及的系统和平台建设;（3）针对学习分析实践应用中可能出现的问题，企业应加强教师相关技能的培训，提升教师应用相关系统和平台的体验感;（4）企业成立技术服务团队，与一线教师保持沟通与联系，积极应对可能出现的棘手问题和现实需求，为学习分析的深入应用提供保障。

（三）构筑智能教育大平台

构筑智能教育大平台是人工智能时代教育发展的必然要求。当然，搭建智能教育大平台不是建造空中楼阁，而是在原有基础（如“互联网+教育”大平台）上充分利用智能技术，在教育的“学、教、管、评、测、治”等方面发挥积极作用。就核心要素而言，智能教育大平台应秉承学习工程化理念，建立统一标准的数据仓库，打通各业务间的数据流，整合各智能教育系统（如智能评测系统、学情分析系统、智能题库系统、教学管理系统等），加速推进人工智能与教育的深度融合。就核心功能而言，智能教育大平台需具备教学干预个性化、资源推荐智能化、学习评测自动化、教学管理科学化等基本功能。更进一步讲，智能教育大平台是基于人工智能和学习分析技术的融合，实现对教学过程全时空、多维数据的自动采集，依据学习者综合特征模型，对学习者的知识水平、认知能力、情感态度、交互信息等方面进行实时监测，在此基础上实现教学过程的智能化分析、干预及管理。

（四）建立以智能教育为核心的跨学科阵营

智能化时代的学习分析研究已从行为与认知的分析，拓展到对学习者心理和情感的挖掘[19]。因此，亟须建立以智能教育为核心的跨学科研究阵营，推动从跨学科视角探索人类学习规律与认知机制。众所周知，人类学习是一个极为复杂的过程，涉及脑认知、心理、行为等多个方面，教育神经科学、脑科学、学习科学、信息科学等多学科交叉融合代表了智能教育研究的发展趋势。在智能教育中，学习分析技术结合教育神经科学等其他方法，架起了大脑（Brain）、心智（Mind）、行为（Behavior）之间的桥梁[20]，为研究者从综合视角理解学习行为过程提供了支持。更为重要的是，在学科交叉融合过程中应以智能教育为核心，从生理与身体等多个层面挖掘学习者的行为特征。这意味着数据清洗环节不是技术层面的“提纯”过程，而是研究设计中的重要关注点，这样才能获取行为、认知、情感等方面的综合特征，方可真正挖掘教育智能化时代的学习新规律。

（五）管控人工智能算法风险

以机器学习为核心的相关算法将是智能教育背景下学习分析常用技术方法。然而，人工智能算法本身存在“黑箱”、偏见、不透明性等安全问题，必然为智能教育大规模发展带来潜在风险。因此，要积极管控人工智能算法风险，具体包括：（1）设计与开发可透明访问的算法，让研究者既可检视算法内部，也能方便地对其进行编辑，实现算法“黑箱”向“灰箱”转变;（2）建立可解释的学习者模型，以模块化和构件的方式，提高算法分析结果的可解释性与可操作性;（3）加强人工智能教育应用的算法风险评估，在教育领域中应用相关算法或模型前，对其可能带来的风险进行评估、审查与监管，及早规避可能带来的负面影响;（4）出台人工智能教育应用相关条例，从法律层面预防人工智能算法可能带来的潜在隐患，并进一步提高研究者的实践伦理与道德意识。

四、总结与展望

人工智能技术的迅猛发展将人类社会带入了一个全新的智能时代，未来教育发展具有无限的可能性。在智能教育背景下，学习分析的目标理念、数据范围与技术方法将依托人工智能实现全新拓展，呈现“理论与应用并重、数据与算法并举”的态势，共同推动教育研究的科学化与跨学科发展，进而助推教育的智能化转型。

人工智能技术为学习分析的创新发展提供了新的契机，也进一步凸显了学习分析在智能教育中的潜在价值，但也面临一些突出问题亟待解决：（1）推进学习分析在人机协同环境下的分析模式与技术，努力适应智能时代的发展需求;（2）加快构建智能教育新生态，使数据在学习分析各环节间的流转更加畅通;（3）探索认知计算、行为计算、情感计算及环境计算等层面的方法，加速推动计算教育学的发展;（4）规范面向机器智能的实践伦理，进一步保障智能教育中学习分析的实践应用，助力智能化与个性化教育的实现。

[1]周进，叶俊民.推进机器人教育：背景、定位及可能路径[J].数字教育，2019，5（3）：15-20.

[2]黄荣怀，陈丽，田阳，等.互联网教育智能技术的发展方向与研发路径[J].电化教育研究，2020， 41（1）：10-18.

[3]黄荣怀，周伟，杜静，等.面向智能教育的三个基本计算问题[J].开放教育研究， 2019， 25（5）：11-22.

[4]田阳，陈鹏，黄荣怀，等.面向混合学习的多模态交互分析机制及优化策略[J].电化教育研究， 2019， 40（9）：67-74.

[5]鐘薇，李若晨，马晓玲，等.学习分析技术发展趋向：多模态数据环境下的研究与探索[J].中国远程教育，2018（11）：41-49.

[6]叶俊民，陈曙，郭思培，等.线下学习数据的分析方法研究[J].电化教育研究，2016，37（12）：52-59.

[7]武法提，黄石华，殷宝媛.基于场景感知的学习者建模研究[J].电化教育研究，2019，40（3）：68-74.

[8]KELLY S，OLNEY A M，DONNELLY P，et al.Automatically Measuring    Question Authenticity in Real-world Classrooms [J].Educational Re-    searcher，2018，47（7）：451-464.

[9]叶俊民，徐松，罗达雄，等.一种中文真词错误检测与修复方法[J].计算机工程， 2019，45（8）：178-183.

[10]叶俊民，周进，李超.情感计算教育应用的多维透视[J].开放教育研究，2020， 26（6）：77-88.

[11]LUCKIN R，CUKUROVA M.Designing Educational Technologies in the Age of AI：A Learning Sciences-driven Approach [J].British Journal of Educational Technology，2019，50（6）：2824-2838.

[12]刘进.人工智能如何使教育研究走向科学[J].高等工程教育研究，2020（1）：106-117.

[13]刘晓琳，张立国.技术增强型学习环境中的“离心效应”：现象、成因及破解[J].电化教育研究， 2019， 40（12）：44-50.

[14]李新，杨现民.教育数据思维的内涵、构成与培养路径[J].现代远程教育研究，2019，31（6）：61-67.

[15]联合国教科文组织.北京共识：人工智能与教育[EB/OL].（2019-05-18）[2020-12-05].https：//unesdoc.unesco.org/ark：/48223/pf0000368303.

[16]崔铭香，张德彭.论人工智能时代的终身学习意蕴[J].现代远距离教育，2019（5）：26-33.

[17]侯浩翔，钟婉娟.人工智能视阈下教育治理的技术功用与困境突破[J].电化教育研究，2019，40（4）：37-43，58.

[18]HEW K F，LAN M，TANG Y，et al.Where Is the“Theory”within the Field of Educational Technology Research？ [J].British Journal of Educa-     tional Technology，2019，50（3）：956-971.

[19]周进，叶俊民，王志峰，等. 国外情感分析教育应用的进展与启示[J].现代教育技术，2020，30（12）：5-11.

[20]HOWARD-JONES P，OTT M，LEEUWEN T V，et al.The Potential Relevance of Cognitive Neuroscience for the Development and Use of Technology-enhanced Learning [J].Learning，Media and Technology， 2015，40（2）：131-151.

（责任编辑 孙震华 孙兴丽）