学习分析技术的影响因素分析及应用策略研究

吴莎莎，张春华

(北京开放大学，北京 100081)

一、研究背景

近年来，数据在教与学过程中的使用率显著提高，其规模辐射全球教育行业，对中小学校、高等院校、工作场所培训以及非正式学习都有着不同程度的影响。学习分析一直是近年来国际教育技术领域所关注的焦点，主要是借助于信息技术生成、分析并呈现数据。将学习分析应用于包括在线教学在内的远程教育领域这一理念起源于商业智能化与数据挖掘的发展，借鉴了相关的理论和方法论，适用于多门学科与该技术的融合。为了更加深刻理解和优化在线学习与学习环境，学习分析对学习者在学习过程中及相关背景数据进行测量、收集、分析，也就是说，人们参与学习时生成的数据将有助于改善在线教育中的教与学。

学习分析与在线教学相融合的发展主要有三个驱动因素：基于教学的大规模数据、在线学习的量化增长以及国家对在线教学成果的关注度。[1]学习分析的核心原则是，将数据用于学习过程建模中并为未来学习的调整提供参照依据。

然而国际相关领域的一些学者持有不同观点，认为教育不适宜使用数据进行分析，尤其是教与学的过程，会引发问题。学生并不能总是依靠数据开展学习，通过数据给予学生适当的反馈，只是改变他们的行为和情绪。个人的学习状态和特征并非完全由个人自主决定，会受很多因素影响，这些因素将有可能使学生陷入与学习脱离的状态，并没有从分析系统所提供的数据中做出预期的改变。换言之，依靠分析系统所提供的数据提示和指导并不一定能加强个人对未来学习做出决策的能力。从这个角度看，学习分析在整个教育过程中的持续监测有待进一步研究。在使用学习分析技术的过程中，将其作为解决问题的方法是有争议的社会问题，这是新技术在教育环境应用中众所周知的局限性。在现实操作过程中，基于数据的研究也会有很多不可控因素，比如决策者不熟悉统计方法，调查结果可能无法付诸实践等。因此，学习分析在教育领域的应用尚处于初级阶段，还有待进一步挖掘。

综上所述，学习分析在教育领域的发展需要侧重于两方面：一方面，要有效地实施学习分析，必须与相关的人、实践和过程紧密相连，构成教育生态体系；另一方面，学习分析技术需要进行开发的时间，具体实施要和教学目标保持一致，应注重在未来实现的可行性。

那么，学习分析在应用过程中会受到哪些因素影响呢？本文通过参照Rebecca Ferguson等人在2019年使用的政策德尔福方法，向在学习分析领域的国际专家介绍一系列未来设想，并咨询设想的可取性、可行性以及相应的对策，收集了来自21个国家的103人的答复，对突出的关键词进行了汇总，最终确定了七个影响学习分析的主要因素，分别是权力、教与学、效度、伦理、复杂性、监管和情感。本研究分别对这七个因素进行分析与归纳，并基于社会建构主义理论，提炼在学习分析实施过程中的关键环节，在此基础上形成应对策略，以期学习分析今后可以更为有效地指导在线教与学。

二、文献综述

学习分析技术在过去10年的国际领域中发展迅速。其跨学科性质引发了跨学科研究方法的新论证与应用，这也是学习分析在预测学习成绩或辍学方面的成功。还有一些国外院校利用学习分析技术对学生的学习过程进行了实时测试，得到了有价值的数据，如密歇根大学的E-Coach和英国开放大学的平台分析。

学习分析的另一应用是依据数据制定新措施，通过报告进行自我反思验证，调整既定的教学结构，开展自我调节的学习，参与学术交流和反思。自我调节学习是一个持续的过程，由多个阶段组成，如判断任务条件、设定目标和规划，参与任务，并为未来制定适应性任务。数据追踪有利于帮助研究人员获取学生在整个学习过程中的自适应学习调节方面的信息。

学习分析的使用方法源自其跨学科性质。除了政策和隐私方面的研究，大多数实证是定量研究。此外，学习分析研究还延续了计算机科学领域的其他技术，如机器学习、自然语言处理(NLP)、社交网络分析(SNA)、顺序分析等。传统的统计和数据科学技术是学习分析研究的强大驱动力，研究人员分析结构化数据(如行和列)和非结构化数据(如文本、图像)，[2]要聚焦于学习分析预测能力的信度与效度，与传统教育的目标有些不同，主要为了了解学习者学习的方式。这种研究可以直接应用构建新的预测系统，识别学习困难的学生，这在许多高等教育机构属于优先关注点。在频谱的另一端是关注输入—过程输出模型。[3]传统教育研究经常遵循一种输入—产出模型，将一些报告用于实施措施或在学生学习过程中采取干预。在学生整个学习过程中都需要提供数据，学习分析的研究人员根据数据判断学生如何完成学业成果的过程。

在教育信息化2.0时代，国内对学习分析的研究也有了突破性进展。李梦蕾等为把握学习分析的进展与现状，对国内相关领域核心学术期刊2007—2017年发表的学习分析文献进行分析，提出了学习分析从技术和数据驱动转向教育需求驱动，多元化、多模态、高质量的数据采集，跨学科合作与技术融合，使学习分析在教育领域全面展开。[4]孙发勤等基于学习分析技术，研究了主要影响学生学业成就的因素。[5]荆永君等探索了在学习分析技术支持下从教师角度研究在线学习行为。[6]蔡慧英等将学习分析与学习设计相结合，将教学与技术有效连接。[7]

现有学习相关数据为研究人员提供了前所未有机会，通过学习分析研究学习者的学习模式和学习过程，取得了令人瞩目的进展，但在完善数据测量，将相关理论和教学法关联，并将学习分析发现有效转化为面向学生实施可操作方案的较少，从社会宏观层面考虑影响学习分析因素的研究更少。许多学习分析研究都侧重于算法优化及学习分析技术的分析，而并没有对学习者整个学习过程中所受的影响进行梳理。顾小清等在学习分析当前的挑战与未来发展中也提到，作为一个跨学科的研究领域，学习分析的跨学科概念界定，多视角分析设计与融合，多模态、多层次数据建模都有待进一步挖掘。[8]

本研究认为，虽然开发新的学习分析方法非常重要，但在学生学习过程中更应注重不同维度影响因素的宏观与微观条件，借助于分析技术更为周全地开展在线教学设计，使学生在线学习过程更有实用价值，从而促进学生在线学习与发展。

三、影响学习分析发展的关键因素分析

(一)研究方法

本研究借鉴Rebecca Ferguson等在全球范围内开展的关于学习分析未来发展趋势的研究结果，涉及来自各领域的专家，提供了不同层面的视角。这项研究几乎面向学习分析领域所有成员，学校、高等教育和工作场所的研究人员、教师、开发人员或供应商都能积极配合。此外，对学习分析有很大兴趣的人群也鼓励参与该在线活动，主要为了使研究人员、从业人员和决策者依据数据做出准确的决策。该研究采用了“政策德尔菲”方法，旨在生成最有力的重大政策，所得出的结论可能会与之前的政策相反，[9]由四名研究人员组成的团队共同确定和编写数据中的主题，研究结果的相关主题来自调研数据。

(二)研究结果分析

政策德尔菲研究主要目的是能够在较大范围征求专家意见。研究结果按数据文本建议的顺序界定了七个最重要的主题——权力、教与学、效度、监管、复杂性、伦理、情感。以下内容主要就这次调研结果所涉及的七大主题进行分析。

1.权力

数据无法干预个人的控制权力，但对数据的控制权力却影响着学生的学习过程，为学生和教师设定目标，并能够调动个人主观能动性，积极理解并解决学习过程中所遇到的问题。个人或相关组织掌握学习分析数据控制权力，依据数据对学生学习和教师教学过程进行指导，追踪并监测教与学的过程，促进并支持教学，为学习者和教师如何改进教与学提供依据。但将对数据的控制权力用于监视和权力的把控是不可取的。数据控制权力涉及许多人的利益，往往国家层面会掌握很多数据。如果政府控制所有数据，那么教育机构将失去提供相关数据信息的权力，但如果将学习分析有效实施到教育体系，教育机构必须获取与学生相关的数据控制权力。比如，学校使用有关学生和教师的数据行使权力，根据数据信息判断学生学习进度、出勤和考试成绩，也可以访问分析相关数据。然而，现阶段社会上一些商业力量也拥有控制数据的权力，会限制数据访问，金钱的交易也可生成数据和分析以形成知识产权。

由此可见，若干利益相关方都可以获取控制数据的权力。但教师是使用学生数据分析的最佳选择，有效数据使教师为学生提供更好的学习设计，通过数据较早地了解学生的问题并加以解决。对数据的控制与使用数据的需求密不可分，最终需要让每个人决定谁、何时以及如何继续处理数据，在这一过程中，并非所有人都具备了解计算机和相关计算的能力，但他们有权力质疑数据的输入、输出以及假设的过程。

2.教与学

所有关于学习分析应用于在线教育的数据都是基于教与学视角。这其中会涉及一系列问题，比如：我们为什么要提供教学，学习者如何学习，如何通过数据努力获取学习成果，如何评价这些成果，以及如何培养教师的兴趣有效利用数据进行分析。将学习分析与对教学的理解联系起来将会形成教育的变革、成长、转型，最终促进社会的发展。学习的过程不是直线动态的过程，需要将人与社会环境相关联，在此背景下才取决于个人能力。此外，教与学的过程是相互协作的，人与人之间是互动的，具有创新和自发性。学习分析需要以不同的视角考虑不同的方面，并不仅仅将教学看作向学习者传递信息的过程，还需要开展学习的自我反思、讨论和辩论，并培养丰富、反思的教与学环境。

学习分析并不会因此而忽视重要且具有挑战性的学习内容，学习不仅仅是学习者学有所成，也可以使学习者从失败中学习，学习分析所提供的数据使学习者的学习得以转型并获成长。学习不是观察出来的，很难用可衡量的术语表达并通用于不同的环境。为了有效地将学习分析应用于在线教学实践中，教师的专业化发展应得到重视，教师使用这些新技术工具，能够解释适当的数据信息，并以有意义的方式使用数据。

3.效度

学习分析的效度影响着整个实施过程的质量保障；换言之，质量保障是学习分析实施过程中的一个重要主题，同时也是学习分析有效发展的重要因素之一。那么，如何确保学习分析产生的建议和结果有效、可靠呢？现实操作过程中学习分析数据基础算法的效度很少被核查。即使算法是免费提供的，学生和教师也不太可能有时间或经验检查数据的有效度。验证分析会涉及将学习行为和可衡量的结果与教学相关联，当然要采用适当、可靠的科学方法。在实际操作中使用学习分析应用程序本就有一定的难度和局限性，验证的过程还会涉及仔细筛选、数据表达、应用适当的概念框架以及结合具体环境所得的报告结果。

总体而言，这项研究开展的基础是建立一个可靠的数据支撑架构。即便如此，教师也需要经过培训才有能力验证学习分析过程及其假设，并有效地使用数据进行分析，避免分析尚未验证的无效数据。这个过程都需要大量的专业学习确保所有这些信息得到正确解释和使用。

4.监管

学习分析的监管制度以及应如何制定并执行规则非常重要。监管并制定制度主要是为了保护数据，获取并存储数据以及确定衡量标准。控制个人数据是联合国应处理的一项基本人权。每个人都应该有权决定，何时以及如何达到目的，何时何地不可使用其个人数据等。这个问题将上升到国家政府层面，将被“法律框架”制度所取代并由国际权威机构管理，实质上也涉及人权与道德伦理问题。学习分析数据应致力于基于学生能力培养的教育，赋予学生掌控个人数据的权力。推动学习分析的组织或基础结构形式需要建立一个关于数据和分析可信的交换机构，从这个角度来看，国家层面制度监管并推动发展会更有保障并更有效。

5.复杂性

学习分析所涉及的内容具有一定的复杂性，比如，如何通过内在数据衡量外部行动、利益相关者的范围，了解学生内在的学习过程，以及处理不同来源的大量数据所固有的问题等。由此看来，学习分析的实施不仅需要投入大量精力与工作，更应专注于了解学习过程的真正运作方式。我们需要根据数据开发适用于个体学习者的细微模型，而不是泛泛针对普通学习者的普适模型。在线学习要做好学生的学习支持服务，可以开发一个新的学习代理，直观地感知学生是如何学习的。学习本身不只发生在课堂上，学习分析不能只针对严格控制的环境而设计，还需要考虑学习者更广泛的社会经验，这意味着学习分析需要大量的数据来监控个人学习。近年来，智能房屋、可穿戴技术、物联网和面部识别逐渐成为日常生活的一部分，因此，学习分析所需的数据收集和数据处理是可能实现的。学习分析数据可以监测在混合学习场景中发生的事情，并为教师和学生提供不同的教与学的方式和建议。

同时，在使用学习分析的过程中，也会包括很多利益参与者，有国家组织、教育部和教育机构参与的共同体和广泛联盟等。虽然参与人员主要集中在学习者和教育工作者上，但其他参与的团体，比如决策者、标准组织、教师培训师、研究人员等也正在开发分析工具，并在教育机构、工作场所学习、用户共同体和整个社会开展实施。大规模实施学习分析要考虑到所有这些群体，还需要考虑影响这些群体的所有问题，如伦理操守。

6.伦理

伦理不同于隐私，对于未成年人需要在这方面进行某种形式的管制，对数据的控制涉及伦理道德问题。具体实施过程中在需要监管的同时还需要了解数据的使用方式和分析功能。将数据作为有价值的商品可能会导致不伦理行为。虽然伦理问题往往被视为限制性问题，但目前人们会强调学习分析可能带来的社会积极方面和好处。伦理问题是学习分析应用需要解决的问题。人们参与此过程需要了解学习分析可能给教育带来的利弊，所建立的制度政策强调平等，加强个人的受教育权，每个人都应该有获得这些制度的权利并改善其教育成果，每个人都有社会责任，促进和提供机会让学生充分发挥自己的潜能。

许多人对与学习分析相关的伦理问题含糊不清，强调需要伦理政策、良好行为规范或建立有一个强有力的伦理框架，并得到立法的支持。近年来学习分析关于伦理的主要潜在问题在于游戏系统、不可靠的分析、创建学习分析的教育系统等，这些系统只能局限于特定人群访问学习分析系统，并有可能根据数据的类型形成观点，甚至会出现基于数据歧视某些个人或群体的现象。

数据所有权和控制权在学习分析伦理这一方面被视为重要问题。每个人都有自己的观念，但数据没有。如果人们不理解如何以及为什么应该行使这种控制，那么仅仅控制数据是不够的。人们应更好地理解自身的权利并理解如何控制并使用这些权利。除了控制数据外，数据的价值也是一个问题。学生数据可能会被出售给第三方，比如保险公司滥用的可能性非常大。此外，还存在受利润驱使的企业试图控制这些数据信息，并出售给相关个人。因此，权威部门合理有效地监管数据非常有必要。

7.情感

情感在学习分析中指的是个人的内在感觉或情感的经验，与学习分析有关的主要问题有两方面：一是如何吸引和激励学生和教师；二是对学习分析各个方面感到的不适或不安。学习动机是学习的关键组成部分。学习的真正动力是学习者的动力和意志，较难用外力来影响。一些研究探讨了学习分析如何增强或减弱动机。有些人认为，许多学习者没有足够的内在动机，让他们长期参与学习分析的过程，如果他们离开数据追踪和学习分析支持下的工作，将会半途而废。学习的个性化通过学习分析实现，可以增加学习的积极性和兴趣，并且可以得出自主学习所产生的敬业、激励、坚持、相关性。

学习分析的许多种可能性引起了不适或不安。针对所发布数据，人们会将某些形式的数据收集视为介入性，并担心受到监视。在学习分析中，所有的运动(即使是无意识的)都是受到技术监督的。这些不安感与对分析师的开发与部署缺乏信任有关。学生和教师将学习看作依靠相互信任的基本社会活动，需要能够信任控制其数据的人和系统，并建立用于指导有关学习的决策。

综上所述，政策德尔福研究是第一个探索学习分析未来的研究，借鉴来自世界各地的专家网络的经验，基于前期的研究可进行分析探索。这项整体研究发现，学习分析专家对该领域改进甚至转变的潜力持积极态度。但他们对实现这一潜力所需的工作有重大顾虑，专家在重大技术挑战方面非常(但不是完全)有信心，经过努力研究可以克服难题。学习分析领域有更广泛的社会、政治和教学方面的问题要解决，这些都是更加复杂和困难的。在这些问题上，专家对提供成功的解决方案没有足够的信心。

四、学习分析技术影响因素的应用策略的探索

Chatti等(2012)提出学习分析的四个维度，这四个维度促进了对学习分析生态系统关键组成部分的理解。[10]主要包括：

(1)系统收集、管理和使用数据进行分析的主要类型。

(2)根据不同利益相关者的特定观点，系统对学习分析设定不同的目标。

(3)根据不同的分析目标，学习分析的应用应该面向不同的利益相关者，确定各自分析人物的不同观点、期望和态度。

(4)系统对收集到的有效数据进行分析的主要方法。

从Chatti学习分析的概况中也可以提炼出复杂性、权力、效度和情感等因素，在学习分析应用上这几大因素具有通用性。因此，未来十年在线教学过程中实施学习分析技术非常有必要考虑七大因素：权力、教与学、效度、监管、复杂性、伦理和情感。实施学习分析技术不仅会引起特定利益相关者(如学习者、教育工作者、研究人员和开发人员)的关注，而且在政治、社会和现实等不同层面都存在相关的影响因素。学习分析应用于教育领域的发展不应仅局限于在线教学层面所涉及的因素，还应该将视野拓展到社会宏观层面，将该技术形成过程中外围因素考虑在内，现代教育理论更要基于宏观与微观层面因素的融通开展创新变革。

在社会建构主义理论中也特别强调对事物的发展要运用社会环境的影响和制约因素进行分析。社会建构主义的阐释聚焦于社会过程而非结构，强调知识在社会互动与社会过程中不断地创造、维持、解构与重构，文化、社群与体制影响我们观照或重构社会的方式。[11]上述研究中所确定的七大因素在学习分析实施的不同阶段具有不同的作用，需要考虑不同的应对措施，符合社会建构主义的基本规律。研究结果中七大因素的形成从社会建构主义角度看是有一定规律的。

图1描述了将学习分析应用于在线教学实际操作过程中，不仅要涉及教与学过程中内部数据的把控与采集，还应将社会宏观把控层面与实际操作相结合进行贯通设计。在线教学过程中借助于学习分析形成学生学习过程与学习结果的相关数据，教师获取数据后从中筛选有效数据，对学生学习进行个性化指导，最终获得有效的学习成果。

然而，将学习分析与在线教育相融合同时也是技术在社会实践中发展的产物，在社会宏观环境下也会受到更多复杂因素的制约，学习者的学习动机与情感会影响学习进度与学习成果。涉及相关个体的数据具有隐私性，在伦理方面应对学习动机及相关隐私进行保护。同时对学习成果数据及相关个体隐私都需要符合社会层面的制度约束与监管，具有正面积极导向，才具有效度并得以持续发展，如此才能使学习分析的发展形成闭环与优化。基于社会建构主义，影响学习分析的因素间相互联系，具有一定的复杂性。

以下综合这七大影响因素，主要从社会宏观层面，利用社会共情设计法，基于学习过程监控，以及伦理措施等方面对影响学习分析的因素进行分析并提出应对策略。

(一)基于社会宏观层面的学习分析因素的实施

教育可以关注个体成长并促进社会发展，而这些社会层面的问题会与认识论和教学联系在一起。对于学习分析领域所带来的影响需要关注两点，学习分析是学习的代理度量工具，并提供数据，能够促进分析，有助于支持个人和社会的发展。教育是一种控制手段，是一种分类和社会分层的方式，而个人数据可以作为有价值的商品，有可能进行价值的交换。[12]不同背景的群体在日常生活中共同工作和学习，会受很多社会因素的影响，因此学习分析领域必须关注社会层面的影响因素。影响学习分析的因素很多，具有复杂性，会涉及不同社会层面的利益相关者。在此情况下，可根据学习内容或性质成立学习小组，为学习分析与学生学习提供环境，组织学生进行学习反思，使学生产生更大的学习动力，同时形成广泛联盟，这将在影响学习分析因素方面发挥重要的承载作用。

(二)基于社会共情设计方法的学习分析因素的实施

七大因素中的教与学、权力、效度、情感等应从学习分析具体实施层面着手推进，可考虑使用“社会共情”的设计方法开展。“社会共情”的设计方法指的是在不同社会背景与各种用户需求中所使用的设计体系与应用方法，可以保证个人参与的过程中与整个体系相连接。这种方法比较尊重用户的感受，注重用户的隐私、安全以及权利等因素。提高学习分析技术的透明度是非常重要的问题，使用该技术的过程中需确保编码和编程的透明度，并对用户负责，设计系统应展示出假设和侧重点，并明确每个系统和数据结果的责任人，这对个人而言是一种挑战。由此可见，设计出一个易于解释、职责明确的学习分析系统是非常必要的。

为更为有效地推动教学，在在线教学可控情况下，学校有责任使用并提取学生数据进行学习分析，但同时也不能完全由数据以及对数据的诠释来界定学生。因此，使用学习分析的目的和界限应该被明确，建立在数据分析基础上的模型和干预措施应该健全且公正。学校在数据收集方面也应是透明的，为学生提供定期更新个人数据以及数据使用协议签订的机会。同时学生应积极参与学习分析的实施环节(如知情同意、个性化学习路径、干预措施)。

(三)基于学习分析对学生学习过程增强监督功能

学习分析系统在设计过程中应该告知用户使用个人数据的过程，从而允许学生提出的诸如“谁将受益于个人行为数据”的问题。系统应该采取实时公布用户数据使用情况，或提供年度审计的形式，对何时以及如何使用个人数据进行公开说明。例如，学生在上学期间不用自主选择“退出”使用学习分析系统，而是学习分析系统在设计上设置“进退”功能。除了最初选择进入的决定，学生应有权选择是否继续参与。换句话说，学生可选择随时“暂停”追踪和收集其数据，因此，应将应用程序设计成使学生能够配置个人需要的分析工具。通过向用户提供所有可用数据的详细信息以及相关分析工具，给予学生根据个人的问题清单进行相关数据配置的权限。

研究表明，学习分析领域需要密切关注教与学和数据使用的权力问题，利益相关者必须参与制定这些领域的政策。学习分析的实施还需要考虑激励学生和教师的措施，因此学生和教师参与学习分析整个过程中的各个阶段都将是有价值的。教育机构应在标准决策表中增加其“临界质量”，发布学习分析数据的机构应设置相关标准并公开发布，以保障学习过程的有效性。数据的共享内容和方式可以在机构及其利益相关方的民主进程中达成一致。另一种选择是更大规模地开展工作，从国家层面建立一个值得信赖的数据和分析交换所，提升数据分析的辐射面。

(四)学习分析在伦理方面的措施

学习分析从社会层面需要解决伦理问题，并制定与数据保护有关的条例，包括数据存储和数据标准。国家层面制定制度，并进行监管与道德约束，社会层面付诸实施，最终实现学习分析制度与社会共同体的一体化。随着学习分析越来越普遍被使用，不同利益共同体讨论并理解其个人数据的价值，了解如何将数据用于开发和保护。许多不同的利益相关者在某种程度上只是参与学习分析的实践，但研究人员和开发人员在该领域的日常工作需要处理实际问题，这些都会影响到学习分析是否可以在实践中有效应用，将影响学生或相关机构的真正利益，会具体涉及许多细粒度，以及如何衡量内部因素等。

今后学习分析的实施需要建立在前期工作的基础上，在各种不同的领域，应用适当的概念框架，使用适当的科学方法，与教学相结合，仔细筛选并表达数据，并结合相关背景考虑，了解数据中的间隙或失真。在宣传或营销时，应避免炒作、虚假陈述和利益冲突，建立良好有序的伦理规范与制度程序。

五、结束语

总而言之，学习分析具有促进学生在学习环境中获取有效学习成果的潜力。今后如果在在线教学方面开发出更为创新有效的方法，为学生提供适切的信息以及个性化指导，就能够使他们对个人的教育路径做出最佳选择。学习分析将有助于在线教育中以学生为中心理念的发展，学生、学校、教育机构和社会将会持续受益。然而，将学习分析应用于在线教学领域也具有一定挑战，我们不仅要在技术应用于教学实践方面需要不断克服困难，而且今后更要具备开阔的视角，基于学习分析的跨学科性质，从社会、政策及监管等宏观层面关注学习分析产生的影响与效度。同时在实施学习分析过程中考虑七大因素——权力、教与学、效度、监管、复杂性、伦理和情感，在此基础上，还需我们不断努力，面向研究学习分析的人群开展相关宣传并反复实践，更好地应用学习分析促进在线教学的质量。