牟智佳 刘珊珊 高雨婷
(江南大学 人文学院,江苏 无锡 214122)
学习分析作为一个交叉学科研究方向,融合了教育学、数据科学、心理与认知科学、语言学、人工智能等多学科知识,自诞生之日起就引起研究者们的广泛关注。学习分析研究者致力于使用丰富的数据进行教育研究探索,揭示学习现象与规律并改善学与教。然而理解并优化学习不仅仅是收集和处理数据(Gašević, Kovanović, & Joksimović,2017),还涉及理论和学习设计。学习分析组织自2011年举办“学习分析与知识国际会议”以来,距今已有十年,该领域研究在数据来源、分析手段、研究话题等方面都有了长足的发展。诸如学习科学、教育数据挖掘等相关组织围绕学习问题也开展了类似研究探索,不断推动着数据密集型的研究实践。其中,学习科学更侧重分析学习发生的机理以及如何促进有效、深入的学习,教育数据挖掘聚焦于开发一些方法以及应用教育情境数据进行自动探索和自适应分析,学习分析旨在通过分析建模来预测行为并进行实施,将结果反馈到过程中以更好地改善学习体验,这三个领域都围绕学习过程进行科学分析,未来它们会进一步交叉融合,但依然会保持各自的特色与旨趣。相对于其他学术组织,学习分析研究坚守了什么、拓展了什么、深化了什么,是昙花一现还是朝气蓬勃,这些问题都需要我们进一步去思考。面对这些声音和疑问有必要对近十年的研究进行回顾反思,厘清研究脉络,在反思中开阔视域,并进一步展望其未来。
为了能够对学习分析研究进行系统分析,我们既需要汇总学术组织中的各类文献,也要选取数据库中与学习分析相关的文献。基于此,研究数据样本包括近十年“学习分析与知识国际会议”论文、“学习分析杂志”论文、Web of Science数据库中的相关论文。在数据库中检索时,为了避免非相关主题文献混入和相关主题的遗漏,我们先是对学习分析期刊和会议论文中的关键词进行汇总分析,结合不同教育场景下的学习分析内容进一步拟定检索词,并对这些关键词逐一进行检索和判断,对各自检索出的相关文献进行汇总,通过此方式可以获取到各类相关的文献。通过对文献汇总,获得会议论文529篇,学习分析期刊论文242篇,其他期刊论文2 941篇,共计3 712篇。
通过下载、格式统一、清洗三个环节完成数据处理。首先,对WOS数据库搜索到的文献进行筛选,并以文本格式导出文献的题录信息;采用Endnote对ACM数据库中会议论文的题录信息进行提取;下载历年“学习分析期刊”中的论文并提取题录信息。其次,以WOS数据库的字段标识符为标准格式,对其他两个数据源的题录信息文本进行格式统一。最后,利用Co-Occurrence(学术点滴,2020)软件对多个数据库文献进行综合去重清洗,对国籍、作者、关键词等进行相关性的批量合并,将预处理完成的文本数据进行规整以供后续分析。
本研究采用关联分析、社会网络分析、聚类分析、知识图谱、共现网络分析、统计分析等方法对文献进行定量分析。关联分析用于揭示数据之间的关联性或相关性,社会网络分析在关联分析的基础上揭示各类数据之间的网络关系,这两种方法适用于国籍和核心作者群的分析,可以反映不同学术集群之间的合作关系。聚类分析用于衡量不同数据源之间的相似性,并将其分类到不同的簇中,该方法适用于对关键词的分析,可以挖掘关键词所反映的热点主题。共现网络分析用于揭示不同关键词之间的共现次数和网络关系,该方法可以看出哪些关键词共同出现在同一篇文献中,进而分析共现关键词之间的联系。知识图谱是以可视化的形式展现知识发展进程与结构关系,统计分析则用于数据频次的统计,这两种方法共同融入到不同研究结果中。
研究过程主要包括以下几个方面:①下载文献题录:从选定的数据库中下载有关学习分析的文献和题录信息;②转化数据格式:将下载的题录数据进行格式的转换和统一,以匹配后续使用的工具软件来进行定性与定量分析;③抽取字段信息:将字段中包括标题、作者、国籍、关键词、发表年限、参考文献等有效信息进行抽取;④统计条目频次:根据抽取的字段信息运算频次排列表中的条目元素,统计完成后进行扩展区域的降序排列;⑤构建共现矩阵:将所分析题录信息的数据导入相应软件中,运算相应条目元素的数量并将其作为矩阵知识单元,进而得到相应知识单元的共现矩阵;⑥生成网络图谱:筛查共现矩阵数据,并基于此矩阵文档导入相关可视化分析软件,生成共现网络知识图谱。
我们从学习分析领域的人际、内容、时序三个层面进行定量分析。首先,对国际学习分析领域的人际层面进行分析研究,该层面以国籍影响作为起始点,对不同国家的贡献程度和国家之间的合作亲疏进行初步分析。在此基础上,糅合时间轴线因素,对各个阶段的核心作者集群及其研究领域进行深入探讨。
之后,我们对国际学习分析领域的内容层面进行分析,该层面以论坛话题作为切入点,对话题分布的持续度和拓展度进行细化分析。在此基础上,我们以相关文献的关键词作为研究对象,通过热点聚类、路径变迁、态势凸显三种视角分别对该领域的当前呈现、演变路线、未来态势进行系统探讨。
最后,我们对国际学习分析领域的时序层面进行分析,该层面以文献引证作为触发点,从被引频次、引用关系、演化发展三个维度对参考引用的核心文献进行聚焦分析。以引用链条的关系分布为依据,将该领域分为萌芽发展、繁荣发展、深化发展三个阶段。进一步聚焦分析每个阶段核心文献的研究内容,从而提炼出不同阶段的主要特征。
通过对作者国籍的分析,可以发现十年中不同国家对学习分析领域的贡献程度,以及各个国家地区之间合作关系的亲疏程度,分析得到如图1所示的结果。“圆弧”在圆周上所占的比例越大,代表该国家/地区在学习分析领域的发文量越大,对于该领域的影响力越高。“弦”代表相连两个国家/地区之间的合作关系,“弦”越粗代表两国/地区之间的合作次数越多,关系越紧密。考虑到研究者工作地点的变更问题,我们研究的国籍是研究者在文献发表时所在工作单位的对应国籍,并非研究者自身的国籍。从贡献度来看,近十年中美国、澳大利亚和英国是学习分析领域国际合作中的主阵地,其次是加拿大、西班牙、中国、德国及英国苏格兰地区等。从合作关系来看,弦线交错紧密,说明该领域的跨国、跨地区合作活跃程度很高,其中澳大利亚-美国、加拿大-美国、澳大利亚-英国、澳大利亚-英国苏格兰地区、澳大利亚-加拿大这五组国家和地区的合作关系最为紧密。由此可见,美国的研究者在该领域的贡献度最高,澳大利亚和其他国家的合作最为紧密,这两个国家的核心研究者引领推动着学习分析研究的发展。
图1 研究者国籍的弦图分析
为了厘清学习分析主要研究团队及其变化,我们对核心作者群的社会网络关系进行分析,结果如图2所示。其中,圆形大小表示该作者在学术群体中的重要程度,连线代表两者的合作关系,线越粗则合作关系越密切。图2右下角的颜色轴从左到右表示时间的递进发展。需要说明的是,图中圆圈节点的颜色对应时间轴上该颜色下相应的年份,它指的是该作者所有发文的平均年份。考虑到研究者工作地点的变更问题,文献数据反映的是该作者发表文献最多的地区。
图2 核心作者群的合作关系分析
通过分析可知,在早期阶段以George Siemens、Simon Buckingham、Ferguson Rebecca、Drachsler Hendrik为主的研究团队开展了较多探索,他们的国籍分布在加拿大、澳大利亚、英国和德国,这些学者主要关注学习分析的理论设计、可视化分析、学习干预等。在中期阶段,以Ryan Baker、Shane Dawson、Abelardo Pardo、Roberto Martinez为主的研究团队进一步推动了学习分析研究的壮大,他们的国籍分布在美国和澳大利亚,这些学者主要关注教育数据挖掘、文本与话语分析、学习评价等。在后期阶段,以Dragan Gasevic、Xavier Ochoa、Alexander Wainwright、Christopher Brooks为主的研究团队则提升了学习分析的全球影响力,他们的国籍分布在英国和美国,这些学者主要关注认知心理、自适应与人工智能分析、学习反馈等。
为进一步了解学习分析组织的成长和发展,我们对近十年“学习分析与知识国际会议”的分论坛话题数量和内容进行分析。从分论坛数量来看,从2011年划分的2个到2015年划分的21个,再到2020年划分的32个,整体数量呈现上升趋势,论坛话题种类的划分逐渐趋于细化,这表明研究者关注的话题更为聚焦,研究内容分化程度逐渐加深。我们对历届会议分论坛话题分布进行可视化分析,对相似的话题进行合并,结果如图3所示,横轴为会议年限,纵轴为论坛话题。由于2011年是第一届且论文较少,主要是概念性与远景规划文章,故分析年限为2012至2020年。从话题范围来看,涵盖学习者及其内外表现分析、教学与教师分析、课程与话语分析、教育干预、机构管理与采用、基础设施与工具、政策、校园体验等大的方面,其关注的对象不仅是学习者,还包括教师、管理者、机构等利益相关者;研究环境涉及在线环境、课堂环境、校园、虚拟现实等,研究跨度涵盖理论、工具、算法、政策、标准等,说明学习分析的关注点实现了从人与人的关系转变到人与环境的关系。
图3 历届会议分论坛的话题分布
从话题持续度来看,可视化分析、学习预测分析、学习者及其内外表现分析、课程与话语分析、机构管理与采用等是一直保留的论坛话题,这说明学习分析坚守对学习者产生的各类数据进行分析建模,并预测其未来表现,同时该组织还一直关注学习分析对管理机构的影响和使用,体现了自下而上的改革驱动模式。在话题持续深入度上,可视化分析进一步演化为学习仪表盘,从学习干预与补救逐渐演化为智能导学系统、自适应学习、自我调控学习等,从学习评价逐渐演化为技能评估、测试评估。
从话题拓展度来看,近年来分论坛中增加了多模态分析、机器学习、教学与教师评价、课程分析与推荐系统、提示与反馈、认知心理、游戏与学习、课堂与协作、计算方法等,可以看出受人工智能、可穿戴技术影响,研究者从重视外显行为到重视内在世界,开始关注智能化服务以及学习心理状态,并将研究范畴拓展到与学习相关的教学和课程层面。从话题渐弱度来看,早期关注的学习管理系统数据、学习者模型、风险学生、学习干预、学习分析挑战与便利性等话题近几年关注度逐年减弱。
1. 高频关键词的统计分析
该部分采用关键词可视化分析得出关键词的频次大小与关系,结果如图4所示,圆圈越大表示该关键词出现的频次越高。其中,MOOCs、machine learning、educational data mining、social network analysis、deep learning、assessment、online learning、self-regulated learning、collaborative learning、multimodal是排名前十的高频关键词。
图4 高频关键词的可视化分析
在线学习数据的可获取性、便捷性和规模性使得较多研究者关注MOOCs学习分析。机器学习与深度学习为学习分析带来了新的算法,可以用于识别早期有风险的学生(Lu, Huang, & Yang, 2021)。教育数据挖掘为学习分析带来了更丰富的方法和技术,两者都旨在设计和开发高效的工具,研究和使用优异的方法,利用教育数据来辅助教学实践,学习分析侧重使用数据更好地为教师和学生赋能,而教育数据挖掘则强调利用数据和算法进行自动化学习与自适应(Lemay, Baek, & Doleck, 2021)。学习调控是学习者系统地激活和维持其认知、动机、行为和情感以实现其学习目标的方式。自我调节学习涉及学习和调节过程,尽管学习调节被认为是一种心理现象(Schunk &Greene, 2017),但其具有能够测量的生理指标,如压力、兴奋、热情、群体情绪动力等,通过分析可以使心理状态清晰可见(Mønster, Håkonsson,Eskildsen, & Wallot, 2016),因此该学习方式成为研究者关注的重点之一。
2. 研究热点的共词聚类分析
基于前面分析得出的高频关键词,我们进一步对其进行双聚类分析,得到高频关键词共现矩阵和聚类树状图谱(见图5)。图中外围的横纵线条表示关键词的聚类,左上角的渐变色条对应方格中的共现数值。从共现词频视角可以看出,机器学习和数据科学共现次数为11,说明二者都是以数据驱动为导向的研究主题,交叉性和相关性较高。浅层学习和深度学习共现次数为10,二者共同隶属于机器学习,体现出机器学习模型发展的阶段与层次结构。会话分析和课堂交互共现次数为8,说明课堂交互中侧重于对师生的会话分析。交互学习环境和智能教学系统共现次数为5,说明人工智能技术与学习分析有较为深入的融合和发展。自适应学习和慕课的共现次数为4,说明研究者着力于改善在线学习的个性化体验和服务。从共现词频的频次可知,上述共现词频学术关联程度较强,彼此之间相依发展。该分析的研究对象是词频排名前40的关键词,因此共现次数偏低,而共现次数反映的是热度较高关键词之间的共现关系,不与其他关键词进行比较,因此可以进行聚类分析。
图5 高频关键词的共现网络分析
基于双聚类结果与共现词频,结合前面分析的话题分布,对已有研究进行归类得到了如下几个热点主题:①在线学习预测分析;②社会网络分析与社会学习;③机器学习与深度学习实践应用;④数据驱动的学习评价与反馈;⑤学习策略与自我调节学习;⑥多模态学习分析;⑦基于智能算法的自适应学习;⑧基于话语与写作的文本挖掘;⑨以学习仪表盘为主的可视化分析;⑩课堂交互与会话分析。
为了解研究文献主题的整体变化及其相互间层级与归属关系,我们通过绘制旭日图的方式对数据进行溯源分析,并将十年分为5、3、2三个时间段,以把握前沿研究的路径走向,分析结果见下页图6。图中共有三个圆环,从内向外表示三个时间段的依次递进。从圆心出发,逐层向外推进,可以清晰地表征出各节点和子节点的层级关系以及同一大类下的子节点之间的变迁路径。图中的白色版块为非热点主题,彩色版块的14种颜色对应变迁路径中的14个节点。图注显示了该圆环所对应的时间段和圆环包含的所有子节点,子节点前的色块与圆环中不同颜色的版块相互对应。
图6 研究主题变迁旭日图
从主题节点所属的圆心角占比来看,学习设计A、计算教育D、自我调控学习F、社会分析B、数据驱动式学习H的圆心角占比较大,说明这五类主题热度较高,在路径演化中的研究价值较大。从热度较高的主题所处的位置来看,学习设计A、计算教育D、自我调控学习F都被划分到外层的两个圆环中,说明热度处于上升阶段。然而内层两个圆环中的社会分析B、数据驱动学习H在近两年的研究中较少,说明它们的热度处于下滑阶段。
为找出其中节点与子节点之间的演化路径,将每一年的标题以〔[2010+x,2020],(0<x<10)〕为区间依次进行十次聚类。通过对聚类结果进行逐年分析,针对热度较高的五大主题得出以下几条变迁路径:①在“数据驱动式学习”的主题大类下,呈现出从“基于建模的数据驱动学习”“使用大学生数据”“使用智能代理”等向“学习预测分析”“面向学生的分析”“测量关键能力”的变迁路径,前者倾向于数据的采集、规整与技术应用,后者则强调数据优化学习的教育实践;②与“第二语言教学”和“科学素养教育”相关的主题在初期是针对某一个学科进行探究分析,之后合并到“学习设计”主题大类上,后期又进一步衍生出“多元智能理论”“APP原型开发”“学习工程设计”“仪表盘设计”等主题,其中“可视化仪表盘设计”是最新的热点;③“数据驱动式学习”与“社会分析”结合并分化为“自我调控学习”和“计算教育”两个节点,之后又衍生出“在线异步讨论环境”“移动学习设备”“严肃游戏”“课堂交互”“学生信息加工”“使用点击流数据”“自适应学习”“数据驱动的课堂研究”“有监督的机器学习”“学生测评”“学习策略”“学习者定位”“眼动追踪”等更深入、更聚焦的子节点。
为了进一步探寻近十年研究热点的整体演变态势,我们通过河流图形式进行分析展示(见图7)。图中每种颜色代表一个热点对象,横轴代表年份时间,河流随着时间的宽窄变化表示对应热点随着时间的数量演进。以任意年份为节点,竖直方向的河流截断长度代表该年份对应热点的强弱程度。
图7 研究热点演进的河流图
从整体河流趋势来看,近十年来研究热点文献呈现逐渐递增的状态,文献数量增加在一定程度上反映了该领域可研究的空间和深度也在增加,说明学习分析领域可挖掘的研究价值仍处于上升阶段,但2014年出现短暂的衰减。通过分析文献可知,该年度文献数量相对较少,这可能是该方面在研究初期呈现爆发状态之后形成短暂的回落,但随着下一年度大数据、MOOCs、翻转课堂等研究热点的兴起又为学习分析重新赋能,促使该主题进一步向前深化演变。从分支河流的细化演进来看,与智能技术密切相关的机器学习、深度学习、多模态技术热点呈现稳步递增的状态;与学习者相关的自我调控学习、会话分析、学习反馈呈现波动递增的状态。早期学习分析在学习产品和学习策略方面的关注度低,有研究者指出要将学习分析与有效的教学实践相结合,注重对学习过程的可持续追踪和分析(Gašević, Dawson, & Siemens, 2015),这使得学习分析重新回到对学与教实践的影响上来。
为了了解学习分析的核心文献及其在发展历程中的推动作用,我们对近十年文献的引证关系进行分析,结果如图8所示。图中每个圆圈代表一篇文献,圆圈中的数字代表文献的编号,圆圈的大小代表文献被引频次数值的大小,圆圈之间的连线和箭头代表不同文献之间的引用关系,连线的疏密程度反映连线所在时间段内的文献热度。纵观整张引文编年图以及线条的疏密程度,结合前面核心作者群的时间演化和学习分析的发展历程可以得知,学习分析发展可以归为三个阶段:2013年之前的萌芽发展阶段、2014至2017年的繁荣发展阶段、2018年至今的深化发展阶段。
图8 核心文献的引文编年图
1. 萌芽发展阶段
从2011至2013年的圆圈大小可以看出,412、410、371是被引频次排名前三的文献节点,文献412是由Greller和Drachsler(2012)发表,该研究提出了学习分析的通用框架,并将其作为一个指南来服务学习分析,以解决其存在的障碍与问题。此外,该研究还从道德和隐私层面提出通过政策指导方针来解决上述问题。文献410是由Shum和Ferguson(2012)发表,该研究主要从技术驱动的因素、社会学习分析的用途、数据获取与管控三个方面来探讨学习分析所面临的挑战和机遇。文献371是由Ali、Hatala、Gašević和Jovanović(2012)发表,该研究介绍了他们开发的一款学习分析工具LOCOAnalyst,该工具可以为教师提供学习活动分析和学习表现反馈。综合该阶段文献分析可知,这一阶段注重学习分析的理论模型设计、发展方向讨论、工具设计、行为分析与预测等方面,体现出方向确立、主题初探、路径生成的阶段特征。
2. 繁荣发展阶段
从2014至2017年的圆圈大小可以看出,1063、798、631是被引频次排名前三的文献节点,文献1063是由Gašević 、Dawson、Rogers和Gasevic(2016)发表,该研究以混合式学习环境下的九门本科课程为研究对象,分析了教学条件特别是学习管理系统对学生学业成功的影响程度。文献798是由Gašević、Dawson和Siemeng(2015)发表,主要通过对学习分析知名案例的分析,总结经验教训,指明未来学习分析发展和创新的着力点及各方条件对其产生的影响。文献631是由Pardo和Siemens(2014)发表,该研究分析了教学环境中的隐私问题,并提出了保护数据隐私的四项原则,以帮助机构合理合规地应用数据。综合该阶段文献分析可知,这一阶段注重学习分析技术的教与学应用、实践反思、技术整合、数据隐私等方面,体现出方向延展、主题渐强、支路分化的阶段特征。
3. 深化发展阶段
从2018至2020年的圆圈大小可知,此阶段线条稀疏的原因是发表时间较短,被引频次较低。出现的文献节点有1809、1732、2001、1967,发现这一时期的研究主要关注多模态学习分析、个性化学习反馈等,说明学习分析更加强调个性心理等内源因素的影响,并落实到以人为本的发展理念上来。此外,该阶段还对来自测量科学的信效度问题进行审视,即如何将统计分析中的信效度测试快速转化应用到学习分析中。研究者需要反思学习轨迹数据的可靠性以及基于数据进行解释的有效性,该方面的分析引发理论层面的设计与优化,包括应该收集哪些学习痕迹数据,以及这些数据如何有效地改善学习(Winne, 2020)。整体而言,这一阶段在继承先前研究的基础上,实现了更为具体、深入的发展,体现出研究方向更加多元、数据来源更加广泛、技术算法更加智能、主题内容更加聚焦的阶段性特征。
为了进一步凝练学习分析未来发展的主要趋向,依据研究结果分析得出的主要议题,我们从学习优化、用户场景、过程分析、学习心理、参与对象、隐私保护等方面进行讨论。在学习优化上,学习设计在主题变迁旭日图中所占比重较大,且在热点演进河流图中是一个重要态势。在用户场景上,论坛话题分布结果显示学习分析涉及多样化场景,且在热点演进河流图中学习分析呈现开放、多元的重要趋向。在过程分析上,研究热点共词聚类显示数据驱动的内容与会话、评价与反馈等是主要关注点,且该类主题注重对多样化知识信息的追踪与分析。在学习心理上,高频关键词、论坛话题和态势凸显这三方面显示认知心理与情感计算是未来关注的重要议题。在参与对象上,研究主题变迁旭日图和引文时序显示学习分析在政策采纳、评估框架、应用实施等方面还有较大发展空间。在隐私保护上,高频关键词和引文时序显示数据安全和隐私保护讨论热度较高。基于上述分析和判断,结合学习分析应用价值,我们从六个方面对其进行前瞻分析。
学习者的情感状态已被证明是学习成功的一个关键因素,积极的情绪对促进学生达成目标起着至关重要的作用。如何对学习情感进行有效的度量,通过计算建模对情感进行精确识别和表达则显得尤为重要。然而,从前面的分析结果可以看出情感计算建模文献较少,这可能是由于获取相关数据所需的实验设备成本较高,导致研究条件受限。但情感建模是学习分析组织和教育数据挖掘组织共同认为的尚未开发的一个主题(Chen, Rolim, Mello, &Gaevi, 2020)。情感计算涉及情感机理分析、情感信号获取、情感信息计算分析、情感合成与表达、情绪调节与管理等,是个性化学习体验的必要条件。有研究者使用异构应用程序接口测量来自不同数据源的在线学习者情感,这些数据包括音频、视频、自我报告、交互痕迹等,并设计了情绪分析仪表盘,以帮助教师监测学习者的情绪(Ez-Zaouia &Lavoué, 2017)。随着智能技术的深入发展、研究成本的降低和跨学科的合作,该主题研究将得到进一步发展。
随着教育大数据与智能数据挖掘的逐步发展,与数据有关的隐私安全与伦理问题开始进入大众视野,如何规避新的伦理风险需要进一步研究探索,而在近几年的会议中,仅出现过学习分析道德这一相关话题,2019年将预测与隐私归为一个论坛后就没有对其进行持续关注和探索,这是比较遗憾的地方。新冠肺炎疫情期间,前所未有的数字化学习引发了学生数据海啸,后疫情时代数字化学习方式的常态化应用则进一步推动了数字学习分析,教育机构需要审查随之而来的道德与隐私问题(Beerwinkle, 2020)。当前,隐私计算正成为一种系统性加强隐私保护的范式,它是面向隐私信息全生命周期保护的计算理论和方法(Wang, Mei, Jia,Zheng, & Xie, 2020)。使用隐私计算技术可以提供通用的隐私保护服务,降低通信和存储成本,未来有很大的研究空间。
学习分析进一步推动了循证教学实践,通过设计自动化的数据聚合与分析系统,对学习日志进行统计建模,并计算干预是否具有积极的效果(Kuromiya, Majumdar, & Ogata, 2020)。当前学习分析研究主要是对计算机支持的学习环境进行探索,如MOOCs、点击流数据、自适应学习、智能导学系统等,这要求学习者依托于各类终端设备进行学习。然而,大多数情况下学习者并不是在电脑前完成学习,大量的学习发生在教室、协作项目任务、互动讨论等环境中(Baker,2019)。对计算机支持下的学习进行追踪并不能完全反映学习状态和结果,要以整个学习过程为周期对学习者所进行的各类活动和所产生的各种知识进行追踪。学习的分析和推理要超越人机交互数据,不应受困于计算机支持下的学习数据分析,未来要关注以知识追踪为导向的数据采集与建模。
学习分析正从纯数据驱动的方法逐渐转到通过数据驱动学习设计进而改善学习结果的方向上来(Blumenstein,2020)。学习设计致力于改善教学实践、学习体验和学习结果,学习分析与学习设计的有效结合能更好地理解观察到的教育实践问题,并提供必要的教学改进方案。学习设计最早是作为教学实践的表现形式来改善对教学意图和学习活动的理解与评价。学习设计重点关注“学习者做什么”(Seel, Lehmann, Blumschein, & Podolskiy,2017),它被看作是一个整体性、以过程为导向、扎根于教育实践并生成新解决方案的创造性过程(Mor & Craft, 2012)。以学生为中心的设计能够让学生参与到分析工具的创造过程中,这种设计开发具备情境化、可解释和可配置等特征,同时授权学生在整个学习周期中使用分析工具。
学习分析与开放学习的交叉催生了开放学习分析,它将不同利益相关者聚集到一起,使用不同学习环境中的数据进行分析,理解学习过程,通过模块化功能为不同对象提供反馈。开放学习分析探讨的主题包括开放研究(开放数据集与预测模型)、开放标准、开源软件、机构战略与政策等。开放学习分析涉及不同的场景目标,如监测分析、预测与干预、反馈与适应、个性化支持、意识与反思等,因此需要设计特定的问题和指标来服务于不同对象(Pardos, Whyte, & Kao, 2016)。当前学习分析的实现依赖于一组预先定义的指标,而开放学习分析中的指标是不可预测的,它通过个性化和目标导向的分析模型支持终端用户设置目标、提出问题、自我定义指标并帮助他们达成目标。开放学习分析面临的挑战包括开放源代码、开放系统架构、开放标准、开放应用程序接口等,这些挑战对于解决该领域的互操作、道德与隐私以及广泛部署等问题至关重要(Muslim, Chatti, Mahapatra, & Schroeder, 2020)。
利益相关者的参与是学习分析所涉及的一个重要方面,促进这些群体的认同与采纳是未来学习分析所要努力的一个重要方向。在利益相关者中,机构管理者和政策制定被认为是影响推动学习分析系统、可持续发展的关键因素(Tsai et al.,2020)。当前在高等教育中,学习分析应用还处于早期阶段,较少有机构为开展学习分析制定策略和评估框架。因此,部署学习分析环境的首要任务是通过分析为教育管理者决策和教师教学提供支持。在宏观层面,学习分析面临的问题还包括培养所有利益相关者的数据素养、基于教育数据指导方针和政策的更新等(Ifenthaler, Gibson, Prasse, Shimada, & Yamada,2020)。未来学习分析需要在政策与战略、领导力等方面产生影响,以促进关键利益相关者的认同与采纳。