学习分析的研究现状审视及未来路向思考*——基于2011—2022年LAK论文的可视化分析

李香勇 王 艳,2

(1.桂林航天工业学院 广西 桂林 541004; 2.西北师范大学 甘肃 兰州 730070)

数字化转型时代的到来,使数据在教育中的应用越来越广泛。2011年,第一届“学习分析与知识国际会议"(International Conference on Learning Analytics and Knowledge,LAK)首次公开提出了学习分析(Learning Analytics)的概念,并将其定义为通过测量、收集、分析和报告有关学习者及其所处环境的数据,从而了解、 优化学习过程和学习环境[1]。至今,LAK已举办了12届,详见表1。学习分析的产生与发展为透彻了解学习过程、客观评价学习质量以及预测学习发展趋势等发挥了重要作用,世界各国也将学习分析技术视为教学中的重要应用。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》报告[2],将学习分析的应用上升为国家战略。2016年,欧盟委员会资助的“支持高等教育整合学习分析"项目(Supporting Higher Education to Integrate Learning Analytics)正式启动,引导高校有效使用学习分析、改善教学质量[3]。

表1 2011—2022年 LAK举办信息

学习分析在教育政策制定、教学资源配置、课堂教学设计以及学习者自我管理等方面起到了重要的促进作用。LAK作为学习分析领域唯一的顶级国际性学术会议,开展了最新的学术前沿探索,也汇集了最新的实践研究成果,为学习分析的创新推广及其在教学中的实践应用起到了举足轻重的作用。因而,对LAK会议论文的梳理有助于了解学习分析研究的合作网络、主题以及演进趋势,也能发现目前研究中存在的问题,为后续的问题解决及研究发展提供帮助。

一、资料来源与研究方法

(一)资料来源

为了解学习分析的研究现状并为后续研究提供有益借鉴,本研究以2011—2022年举办的12届LAK收录论文为研究对象,以“Learning Analytics And Knowledge"在ACM Digital Library进行检索,获得收录的LAK相关文献845篇,剔除会议海报等内容,筛选获得研究性论文共计644篇,其中长论文349篇、短论文295篇,查阅时间为2022年6月16日。由于长论文对研究主题的表述更加深入、周密和详细,因而选择349篇长论文为研究样本,并对其作者、关键词、参考文献等数据进行格式转换和编码。

(二)研究方法

科学知识图谱能够以可视化的形式展现学科领域的知识以及相关信息的发展及脉络,为透彻了解研究热点以及预测其发展趋势提供帮助。本研究运用美国雷德赛尔大学陈超美博士开发的CiteSpace软件(5.8.R3版本)对文献开展合作网络分析、共被引分析以及关键词聚类分析等,并对生成的相关图谱进行阐释与说明。

二、LAK会议论文整体情况

(一)LAK会议论文的收录情况

对2011—2022年LAK收录的论文总数及长论文数进行统计(如图1所示),发现LAK收录论文数量总体上呈现快速增长态势,表明LAK影响力在不断扩大,受到越来越多研究者的关注。2011—2014年收录的长论文数较少,这一阶段主要是人们对学习分析的认识阶段;2014—2016年是一个快速增长期,收录长论文量从13篇增长到36篇,表明人们对学习分析的关注度越来越高;2016—2019年是一个平稳期,收录论文数基本持平;2020年收录的论文最多(80篇),其中,长论文数达到峰值50篇,是第一届会议收录长论文数量的8倍以上。2020年是“学习分析”启动的十周年,研究者表达了对学习分析发展十年取得成就的肯定,以及对下一个十年发展的展望;2021和2022年受新冠疫情影响,会议收录论文有所下降。

图1 2011—2022年LAK收录论文篇数

(二)LAK会议长论文引文量前十位的文献

论文的引用量表明该论文的观点得到了引用者的认可。通过ACM Digital Library数据库搜索所得数据,将LAK会议长论文按引用数进行降序排列,得到排名前十的文献信息,见表2。

表2 2011—2022年LAK引用数排名前十的长论文

《解构脱离:分析大规模开放在线课程中的学习者亚群体》一文引用数排名第一,作者提出了一种简单、可扩展的分类方法,用于识别学习者在慕课(MOOC)中的参与轨迹,通过学习参与度聚类将学习者分成完成型、旁听型、脱离型、体验型四种类型,为研究者能够深入了解MOOC学习的投入度、针对性地提出干预措施以及更细粒度地划分学习状态提供了有效帮助[4]。《请注意!学习分析用于可视化和学习推荐》一文引用数排名第二,作者提出注意力是学习的核心问题,依赖注意力元数据可视化呈现的学习仪表盘能够为学习者的个性化学习及推荐提供有效帮助[5]。《社会学习分析的五种方法》一文引用数排名第三,作者认为社会学习分析是学习分析方法的一个子集,为促进学习者在二语学习中的知识构建提出了可以通过网络分析、话语分析、内容分析、倾向分析和上下文分析五种社会学习分析方法,帮助学习者开展分析并提供相关建议[6]。排名第四至第十的文章分别关注了在开放式学习环境中运用自动化技术进行评估的应用[7]、学习分析在应用过程中应该遵循的“DELICATE"伦理规范清单[8]、MOOC的参与度及学习表现[9]、学习仪表盘在学习评价中的应用[10]、引文网络分析的现状及未来发展[11]、数据驱动的学习推荐系统改进研究[12]以及设计教学干预措施以支持学生使用学习分析[13]等内容。

三、LAK作者、机构和国家合作网络分析

运用CiteSpace对文献进行合作网络分析,设置分析的时间跨度为2011—2022年,时间分区为1年,切片阈值Top为50,运用软件进行分析并获得相关图谱,图谱中节点和字体大小、粗细代表频次的高低,节点之间的连接线粗细代表共现强度。

(一)作者合作网络分析

依据已有数据绘制作者合作网络图谱,呈现作者合作情况,如图2所示。

表3 2011—2022年LAK合作发文量排名前十的作者

(二)机构合作网络分析

依据已有数据绘制机构合作网络图谱,如图3所示。

图3中共有222个节点、375条连线,合作发文量排名前十的机构共计发文187篇,网络密度为0.0153,可以看出机构合作不够紧密。最早开始合作的是美国卡内基梅隆大学(Carnegie Mellon University)、英国开放大学(The Open University)、荷兰开放大学(Open University of the Netherlands),开始合作时间为2011年。合作发文量排名前十的机构见表4。

图3 2011—2022年LAK机构合作网络图谱

表4 2011—2022年LAK合作发文量排名前十的机构

合作发文排名第一的莫纳什大学与其他机构合作完成的论文当中,引用率最高的论文是《通过学习分析了解学生的自我反思》(Understandstudents'self-reflectionsthroughlearninganalytics),引用数29、下载量825。有研究者认为,反思性写作虽然被广泛认为是培养学生反思和批判性思维的最有效活动之一,但是应用普通的文本分析方法费时费力,因而使用LIWC和Coh-Metrix工具提供的语言指标开发了一个随机森林分类系统,还制定了代表不同类型学生反思性写作水平的特定指标,用以对学习者的反思水平进行分类,分类精度达到了89%[15]。

可以看出,合作开展学习分析研究排名前十的机构均为大学,表明学习分析虽然被普遍关注,但是仍然属于前沿领域,需要更多的技术和理论支撑才能够开展研究;大学具备相应硬件、软件以及人力资源,而K12教育对该领域方面的应用研究不足。

(三)国家合作网络分析

依据已有数据绘制国家合作网络图谱,如图4所示。

图4中共有48个节点、120条连线,合作发文量排名前十的国家共计合作发文408篇(见表5),网络密度为0.1064,其网络密度比作者合作网和机构合作要稍大一些,相比之下国家合作较为紧密。其中,美国开展的国家合作最广泛(发文量160、中心性0.49)。中国在LAK发文量排名第十,居亚洲第一,但总体发文量较少、中心性较低;并且开展国际合作的机构主要是清华大学和香港科技大学。可见,中国在学习分析领域还需要不断提升国际合作,扩大国际影响。

表5 2011—2022年LAK合作发文量排名前十的国家

最早开始学习分析方面的合作研究及发文量最大的国家都是美国,其开展合作的论文中引用率最高的文章是《分布式学习的多层分析统一框架》(Aunifiedframeworkformulti-levelanalysisofdistributedlearning),引用数34、下载量518。研究者认为,多层次分析能够更好地理解计算机支持的协作学习和在线学习环境中的小组互动,为此开发了分布式活动的分析工具包:可以将日志文件抽象为有向图,解释学习之间的交互和影响;有向图进一步抽象为定向图,记录学习者交互的顺序模式;这些图的关联形成社交图,最后运用层次分析法和网络分析技术对其进行解析[16]。

四、LAK文献、作者和期刊的共被引分析

共被引是指一篇论文被不同作者联合引用。通过共被引能够绘制学术知识网络,更好地反映研究方向和学术的交叉发展。

(一)文献共被引分析

运用CiteSpace进行文献共被引分析,获得共被引频次前十位的文章信息,见表6。文献共被引前十名的文章中LAK的论文占50%。因篇幅限制仅简要介绍排名前三的文献主要内容。

表6 2011—2022年LAK文献共被引频次前10的文献

《我们不要忘记:学习分析是关于学习的》一文,介绍了学习分析领域并概述了研究文献中著名案例研究的经验教训,阐述了学习分析需要立即关注的关键主题,以及对学习和教学的研究与实践产生的影响,明确了有可能阻碍学习分析未来发展的问题。学习分析的计算方面必须融入现有的教育研究中,从而保持学习分析发展的初衷——为促进学习服务[17]。

《学习分析不应提倡一刀切:教学条件对预测学业成功的影响》一文,考察了混合学习模式下9门本科课程的教学条件对学业成功预测的影响程度,发现了特定课程模型和广义预测模型在预测能力和显著预测因子方面的差异。结果表明,学习分析研究必须考虑到技术在特定课程环境中的不同应用方式,从而能够更加准确地预测学生的学业成功[18]。

《学习分析仪表盘应用》一文认为,学习分析仪表盘让学习轨迹可视化,能够促进学习者和教师的应用,作者提出了一个包括意识、反思、意义建构和影响4个阶段的学习分析过程模型及概念框架,以期阐释学习分析应用程序的工作原理,并将其与15个使用学习仪表盘的应用程序进行比较,以完善学习分析过程模型,并提出需要加强学习仪表盘在促进行为改变等方面的效应评估等建议[19]。

(二)作者共被引分析

运用CiteSpace进行作者共被引分析并绘制作者共被引图谱,如图5所示。

图5 2011—2022年LAK作者共被引图谱

图5反映了对学习分析的研究和发展起到较大影响的作者,其中共被引排名前十的作者信息见表7。

表7 2011—2022年LAK共被引排名前十的作者

因篇幅限制仅简要介绍排名前三的作者概况。加塞维奇是澳大利亚莫纳什大学数据科学与人工智能系的教授、学习分析中心主任,曾供职于爱丁堡大学和阿萨巴斯卡大学,担任加拿大语义和学习技术研究主席。他是学习分析协会(SoLAR)联合创始人,是《学习分析杂志》(Journal of Learning Analysis,JLA)的创始编辑,也是众多学习分析研究论文和书籍的(共同)作者。他的研究方向包括学习分析中的计算技术和方法,促进对信息寻求、意义建构、自我调节和社会学习的理解;也包括制订隐私保护框架和守则来规范高校教学过程中对学习技术的使用,以更好地推动学习分析的应用。

乔治·西蒙斯(George Siemens)是学习分析领域的开拓者和奠基人、LAK的发起者,也是《学习分析杂志》和SoLAR的创办者。从他2011年提出“学习分析”的概念以来,学习分析作为一个领域已经逐渐被大众所认知、熟识,其技术也被广泛运用于教学之中。2005年,他在Connectivism：Alearningtheoryforthedigitalage一文中提出联通主义学习理论[20]。该理论认为学习是一个发生在核心要素不断变化的模糊环境中的过程——并非完全由个人控制,它专注于连接专门的信息集,这些连接使学习者能够习得更多,这比他们当前的知识状态更重要。该理论的提出为学习分析的发展提供了理论指引。

瑞贝卡·弗格森(Rebecca Ferguson)是英国开放大学教育技术学院教授、博士,欧洲学习分析交流社区(European Learning Analytics Community Exchange)和欧洲教育政策学习分析(Learning Analytics For European Educational Policy)首席研究员,《学习分析杂志》的主编,也是国际学习分析界的主要成员。她长期致力于社会学习分析的相关研究,倾向于从学习者在MOOC和LACE(Learning Analytics Community Exchange)的探索性对话中,去寻找定量的数据来验证学习分析的研究成果。

(三)期刊共被引分析

运用CiteSpace进行期刊共被引分析并绘制期刊共被引图谱,如图6所示。

图6 2011—2022年LAK期刊共被引图谱

按共被引数由高到低排序前十的期刊信息见表8,可以发现,共被引量排名前十的期刊中有3个是会议论文集,分别是LAK、EDM和AIED,可以看出学习分析相关会议辐射范围在不断扩大。

表8 2011—2022年LAK共被引排名前十的期刊

LAK论文集排名第一,会议收录了大量优秀论文,其引文数遥遥领先,LAK已成为学者交流学习分析思想、技术、应用等方面的主要平台。排名第二的《计算机和教育》是英国主办的SSCI期刊,影响因子为8.538,2021年Web of Science的引证指标为11.182,在国外教育研究类期刊中目前排名第三。该杂志的办刊宗旨主要探讨数字技术如何加强教育的知识和理解。共被引排名第三的《学习分析杂志》是学习分析研究学会的官方出版物,是学习分析研究领域的主要期刊,2021年Web of Science引证指标为1.88。该杂志旨在致力于研究收集、分析和报告数据所面临的挑战以改善学习,其中也收录了很多LAK的优秀论文。

五、LAK关键词聚类分析

对关键词聚类能够了解该领域的关注热点及发展趋势[21]。对2011—2022年LAK长论文开展关键词聚类,共获得节点数343、连接数623、网络密度0.0106。Q值为0.6194,Q值取值范围为区间[0,1],若Q值大于0.3,表明社团结构显著;S值为0.9234,S值大于0.5表明聚类结构合理[22]。通过聚类操作后发现,图谱共分为9个聚类(图7),按关键词数量由高到低进行排序分别为:学习分析、慕课、智能导师系统、内容分析、在线学习、高等教育、教育评估、社会网络分析和数据挖掘。

图7 关键词聚类图谱

(一)学习分析的研究是LAK的关键议题

学习分析是LAK的主要探讨主题,帮助人们从独特的视角深入解析学习过程,形成有效反馈以支持教师决策及学习者自我管理。其研究涵盖面较广,既有对学习分析模型与方法的探讨,如学习预测模型[23]、形成性评估方法[24]等,为人们开展学习分析提供方向与借鉴;也有学习分析技术与工具的研究,如自然语言处理[25]、视觉追踪[26]以及学习仪表盘[27]等,以满足实际的分析需求,简化开展学习分析的进程;还有开展学习分析方法、技术、工具在教学实践中的具体应用[28-30],观察其在提高学习绩效、促进学业成功的应用效果;与此同时,研究者在保护隐私、规避法律和伦理道德问题等方面也开展了积极探讨[8,31]。总之,学习分析的研究已经涉及学习的各个方面,为教师、学习者及其他利益相关者有效应用学习分析提供了支持和帮助。

(二)应用慕课数据分析,有效划分学习者类型

从2012年产生至今,MOOC已经成为人们普遍接受的教学方式,它把大量的、免费的在线课程推向大众,通过生动的视频、系列的学习任务来督促个体完成学业,使学习者能够通过移动设备随时、随地开展碎片化学习。MOOC为记录、分析个体学习行为数据提供了丰富的来源,也为学习分析研究的开展提供了必要基础。基于MOOC的学习者特征分析、学习投入度分析、学习结果预测等内容都是学习分析关注的对象。

有研究者探讨了同一门MOOC在十次迭代应用中的论坛活动情况,结果表明:随着时间的推移,MOOC论坛的总体参与度有所下降;忠实的论坛用户群体在规模上开始接近于正式的在线课程;尽管较小的学习者群体更容易建立联系,但是会使MOOC论坛演变为更小的任务问答(Q&A)空间而不是利用社交学习的机会,从而无法提高社会活动质量[32]。由于MOOC学习是基于网络的在线学习,缺少课堂学习中面对面的交流与监控,因此如何提升MOOC学习完成率,成为教育者关注的问题。有研究者通过调查数据的解析对MOOC学习者进行聚类,依据参与模式的不同将其细分为7种类型,即短暂参与者、前期热度者、返回者、中途辍学者、接近完成者、较晚完成者和热衷完成者。这一分类有助于对MOOC学习者采取针对性的干预和改进策略提供帮助[33]。

(三)开展智能导师应用,促进教学提质增效

人工智能的发展为教育变革带来了更多可能性[34]。智能导师系统(ITS)是人工智能在教育教学中的具体应用,它是模拟教师角色、个性化指导学习者并与其产生交互的自适应系统,它具有情境感知和自我学习等能力,能够追踪学习者的知识掌握程度及情感变化状态。ITS既能有效支持个体自主学习,又能减轻教师工作量,是学习分析又一重点关注内容。

有研究者通过对K12混合教室中教师的半结构化访谈,了解教师对ITS实时学习分析的需求,例如,发现学生困惑的地方、预测分析学习较慢的学生等,从而更好地设计ITS的功能,以实现对教师教学的实时支持。学习分析能够在学生有可能达不到学业目标时向教师发出预警,尤其是为K12的学校指导顾问提供帮助[35]。有研究者使用为ASSISTments学习系统创建的大学入学模型,了解学生上大学的可能性、参与度和学习策略,能够辅助学校的指导顾问帮助学生制定长期的学业和职业目标,为提升学生学习绩效提供帮助[36]。

智能导师系统在完全帮助个体开展自主学习方面还较为有限,更多承担的是教学辅助工具。后续如何加强人工智能技术的融入,使学习更具临场感,如何依据学习者的水平真正实现个性化的指导是构建智能导师系统需要思考的问题。

(四)通过内容分析,了解学习协作

在线分享与讨论能够促进学习者之间的交互与协作。为了解学习者的认知水平和学习状态,需要通过内容分析对学习者在线讨论的文本数据进行解读和有效推断,从而为学情分析提供有效助力。

有研究者探讨了学生在线讨论记录的自动内容分析问题,使用Coh-Metrix和LIWC等工具,开发了随机森林分类系统,用于对学生讨论记录进行编码,从而预测认知存在的不同阶段,结果表明该系统能够达到70.3%的分类精度[37]。有研究者基于传统文本挖掘特征,使用已建立的语言框架提取的字数组合,提出了一种根据在线讨论消息内容的自动标记对社交表现进行分类的方法,进而对该认知网络分析自动分类方法的结构效度进行验证,发现自动编码的认知网络和手动生成的认知网络产生的结果几乎相同,分类器具有较高的准确度(0.95)[38]。

内容分析借助于话语分析方法,通过LIWC和Coh-Metrix等工具的应用,对在线讨论的数据进行解读,能够有效地分析出学习者的认知与情感,也能为学习评价提供有效证明。

(五)分析在线学习,提升自我管理

从互联网在教育领域的应用开始,人们就开始探索在线学习,经过多年的发展它已成为与面授教学同等重要的教学方式。近年来,在线学习成为研究者热议的话题,主要因为新冠疫情在世界范围内蔓延,使在线教学成为保护身体健康的安全学习方式,这种特殊社会情境对学习方式的冲击,使更多人致力于这方面的研究。如何监控在线学习过程、提升在线学习成效、引导学习者开展自我管理,一直是在线学习研究的内容。例如,有研究者认为在数字学习环境中,提供比较反馈虽然能够有效支持学习者的自我调节学习,但是只会帮助具有较高自我调节学习技能的学习者,反而可能加剧教育不平等。他试图通过重新评估基于社会规范理论的反馈系统来克服这些缺陷。基于前期研究的已有结论——嵌入混合学习课程学习平台的社会比较组件能够极大地促进在线学习,他将这一组件嵌入不同大学课程中,通过实验验证该组件的应用可以让自我调节能力较差的学习者将反馈信息整合到他们的学习行为中,相对简单的反馈比结合各种学习者指标的反馈设计对学生更有益处[39]。还有研究者通过在线学习课程中学生互动数据的分析,研究新冠疫情引发的校园关闭对大学生自我调节学习行为的影响。通过分析6种学习行为趋势发现:校园关闭虽然改变了学生完成作业的计划和目标设定策略,但是对结果或完成时间没有明显影响;没有改变学生的自我反思行为;大多数学生仍能按时完成作业,而在线学习模块的设计可能为他们提供了灵活性和支持[40]。

(六)聚焦高等教育,开展前沿探讨

高等教育成为学习分析的研究热点主要有三个方面的原因:第一,高等教育是社会发展变革的主要力量源泉,为社会的可持续发展提供高素质专业人才,在知识创新运用、文化融合传播等方面发挥了积极作用;第二,国外开展学习分析前沿研究的基本上是各高校的专家,高校拥有良好的实验条件和实验对象,方便开展实验研究、获得研究数据;第三,大学生心智都已成熟,相比中小学生的学业压力和心智发展来说,大学生更愿意配合开展自主学习、个性化学习等实验研究。高等教育的学习分析研究主要包括学习分析框架与政策、个体的自我调节学习策略、学习隐私保护、学习成就预测等内容。

有研究者认为,学习分析应用实践的最大挑战之一是缺乏专门制定的制度政策,通过分析8项高等教育的学习分析政策,探讨这些政策在支持学习分析具体应用中的不足,为学习分析政策和战略规划的制定提供帮助。其研究提出了以下措施:要更多地考虑在利益相关者之间建立沟通渠道;采用基于教学法的学习分析方法;在终端用户中提升数据素养;加强对评估学习分析的进展和影响等方面的指导;建立正式的指导方针,监测学习分析的合理性、有效性和合法性等[41]。有研究者认为,学习分析虽然能够有效支持高等教育中的适应性学习,但是学习的效果受到隐私保护问题的阻碍。为了解学生对学习分析隐私保护的看法及现状,对一所高等教育机构开展调查,结果发现:目的、通道和匿名性是道德和隐私完整性的关键基准,透明度和沟通是采用学习分析的关键杠杆,信息不对称会阻碍学生积极参与学习分析[42]。

(七)进行教育评估,优化学习设计

学习分析提供了全新的视角进行数据解释和价值判断,它能够通过细粒度、自动化分析为教育评估提供有效帮助,从而改进教学实践。有研究者认为,认识论(知识的本质)、教学论(学习和教学的本质)和评估之间的紧密联系已经被众多文献广泛证明,学习分析技术作为一种新的评估技术,也应融入其中。他通过测量认知信念的学习分析方法,基于语用、社会文化理论进行探索分析,了解学生在信息处理过程中做出的日常知识判断中认知信念的作用,为提升教育质量提供一定的帮助[43]。有研究者认为计算机支持的协作学习(Computer Supported Collaborative Learning,CSCL)目前的评估耗时并且缺乏可靠性和有效性,并提出一种自动评估参与多模式数学对话环境的策略,基于活动理论的视角并应用整体参与聚类算法,自动分析同步在线学习环境中学生的个人轨迹和类别,并将结果可视化呈现给教师和学生,为他们提供一个新颖、高效和可靠的参与式学习评估工具[44]。

(八)运用社交网络分析,了解学习交互影响

社交网络分析(Social Network Analysis,SNA)已成为学习分析方法的重要部分,它通过对在线学习者交互网络的结构、中心度、密度和关系等内容进行分析,从而了解这些要素对学习成绩的影响。现有研究发现,学习者的社交网络指标能够有效预测学习者的学习成绩[45]。

有研究者认为,社交网络分析能够对网络环境下的学习进行更细致、更突出的语境推断,并基于社会互动理论结合描述性和统计方法,探讨构成学生互动因素的差异如何影响3个社交网络中心性度量(深度、亲密度和中心性)与学业成绩之间的关联。结果表明,以“超强"联系为特征的网络中的社会中心性并不一定意味着获得好的学习成效;在互惠关系网络中,虽然所有参与者都具有相似的受欢迎程度,但是没有“超强"关系的显著影响,其社交网络结构中心性与课程结束时获得证书的可能性呈正相关[46]。有研究者认为网络分析方法应该考虑MOOC论坛的性质,并根据教学目的划分社交网络,还考察了基于内容的网络划分的影响、社交网络结构的关系定义以及对MOOC论坛的理解。使用基于先前开发的自然语言模型的动态相关帖子和帖子分类,讨论帖子的内容与课程内容的学习是否相关,从而识别学习社交网络有影响力的学习者、断开连接或边缘化用户、只参与非内容网络的学习者等,对这些学习者给予不同的学习支持[47]。

(九)借鉴数据挖掘方法,拓展学习分析手段

数据挖掘是计算机领域的一项重要技术,广泛应用于医疗、经济和教育等领域,它将大量数据潜在的、有价值的信息解析出来,为应用决策提供有效支持。学习分析注重多学科融合,借助于数据挖掘方法能够更加深入地了解学习过程细节,厘定影响学习绩效的行为指标,解析学习数据背后包含的教育意蕴,为针对性和个性化教学提供有效支持。

有研究者认为学习分析能够通过分析跟踪数据来检测和解释学习策略,并通过反馈来传达结果;探讨学习策略的顺序和时间特征与反馈干预和学习成绩之间的关系,并以3年的翻转课堂在线课课前活动中的跟踪数据为基础,通过聚类、序列挖掘和过程挖掘来检测和解释学习策略,使用推断统计检验发现个性化反馈与有效策略之间存在正相关[48]。有研究者认为学习分析能够深入了解学习者的行为、学习体验的设计等;研究序列模式提取这一特定的数据挖掘方法,并通过案例研究展示了应用有效的关联开放数据执行此解释任务的方法,并且证明了这种方法在学习分析过程中的优势[49]。

学习分析应用数据挖掘对面部表情识别、心电图等多模态生理数据进行融合分析,能够更加清晰地了解学习者的知识水平和情感状态,为更加全面和具体地分析学习者提供了可能。

六、结论与思考

学习分析是一个理论研究和实践应用共同发展的领域,经过十多年的发展已取得长足进步,在制定教育政策、变革管理方式、改变教学认知、改善教学应用、促进教学研究等方面做出了贡献。通过CiteSpace对2011—2022年LAK会议长论文的可视化分析发现,LAK发文量和长论文数总体上呈上升趋势,表明学习分析领域得到了广泛关注,会议影响力在不断扩大。然而也发现了一些问题:学习分析的研究中虽然作者、机构以及国家合作与交流逐渐增加,但是合作结构比较松散;学习分析在高校研究广泛,却较少关注K12教育,并且在教育实践中的应用不够深入;学习分析研究主题更加多元并贴合研究热点与现实发展,然而与新技术发展融合度不足,对新技术的应用较为滞后。为此,从以下方面进行思考或许能厘清学习分析研究的未来发展路向。

(一)打破研究边界,实现学科间深度融合

学习分析研究的迅速扩张呈现多元发展样态,与心理学、统计学等学科和领域的合作也更加广泛,然而分析LAK论文发现,学习分析研究领域的学者、机构、国家等不同主体之间的交流与合作较为松散,中国仅有清华大学、香港中文大学、香港大学等少数高校学者在LAK上发表论文。研究主体中国家之间的合作较为缺乏,研究者也意识到了这一问题,因此第2、第6、第7届LAK的会议主题强调要加强学科之间的交流、加强学术团队的聚合效应。

学习分析体现的学科融合需要解决两大问题。其一,学习分析研究如何明确自己的学术边界,体现与教育数据挖掘等研究领域的不同,以彰显其特色。其二,学习分析这一领域本身是由多学科交叉形成的,如何借鉴、应用心理学、统计学等其他学科的已有研究成果,通过学科融合的视角和研究范式的优势组合审视和解决复杂问题,突破单一的研究边界,实现跨学科、跨范式的融合与发展,未来如何更好地促进学习分析的跨学科研究成为把控分析质量的关键[50]。

(二)深化现实应用,关注用户的切实需求

学习分析在产生之初就被赋予较高期望,希望通过它来摆脱现实教学面临的困境。学习分析也在关注现实应用,却出现了两个主要问题。其一,在高校的应用研究较为普遍,而对K12教育的关注仍显不足。高校拥有良好的支持政策、前沿的研究学者、充足的研究时间、完善的实验条件以及配合的研究对象等,为学习分析的研究和发展提供了良好条件。即使如此,学习分析的研究与实践还是有些偏离真实的教育问题[51],在促进微观层面教与学方面尚缺乏严谨、可复制、可推广应用的实证研究成果[52],在高校中的应用大部分仍停留在初级层次[53]。如何深化学习分析的现实应用,如何使这些应用能够深入K12教育中,解决教学中的现实问题,学习分析还有较长的路要走。其二,学习分析如何关注用户的切实需求,提供简易可用的分析方法或者工具。普通教师、学习者、管理者尤其是K12的教学人员并非学习分析专家,无法掌握数据挖掘、模型建构等方法。因而,需要建立统一的学习分析工具包,工具包里的每一个工具都能发挥特定的分析作用,依据教学场景与分析需求将学习分析工具进行组合应用或者稍加修改,就能够进行分析进而直观呈现并阐释学习分析结果,从而简化学习分析的具体应用,方便教师的教学设计和学习者自我管理。如何将高校学习分析中已有的研究成果迁移至K12阶段,实现学习分析支持学习者成长的全过程;如何深化学习分析的应用并回归教育主体,将教育理念、教学设计融入学习仪表盘等诸多工具的具体设计中,简化学习分析的操作程序,体现学习分析结果阐释的教育意蕴,完善学习分析干预的设计;如何增强用户应用学习分析工具的意愿和兴趣,带给个体最快速的应用反馈,使其在学习分析的协助下实现个体成长。只有思考并解决这些问题,才能使学习分析支持的教与学落到实处,实现学习分析和现实应用从相符、契合、深化到融合的转变。

(三)结合新兴技术,优化教育教学过程

技术与教育密不可分。教育发展推动技术进步,每一次技术进步都在促进教育范式改变、教育研究转型、教育生态重构,技术与教育双向赋能推进未来教育快速发展。新技术的到来为学习分析提供了更为广阔的用武之地,为学习过程多模态数据的收集与分析提供了基础。融合脑电反馈、运动传感、眼动跟踪、手势感应等多模态的数据收集与分析,能够全方位、实时性追踪学习者的认知与情感,细致刻画学习者的真实学习样态,洞悉学习过程细节,助推循证教育体系。

人们既要努力畅想未来教育图景,更要脚踏实地地解决现实教学中的寻常问题。要回答乔布斯之问中“IT为何对教育影响如此之小”的问题,要从学习的系统复杂性出发,将科学技术深化融入寻常教育教学过程中去。其中,学习分析需要考虑:如何发展更加敏锐的“嗅觉”,捕捉新兴技术在教育中的应用前景,深入探寻技术应用的学习机理;如何缩短5G、AI、XR等新技术在教育场域中的适应期,尽快融入并深化在学习分析实践中的应用,实现现实和虚拟数据的融合分析,使教育元宇宙的到来不再成为空中楼阁,而是遍布各个教学场景的泛在应用,成为学习分析深入融合在教学中的真实凭证;如何解决新技术应用于学习分析过程中带来的隐私、安全及伦理道德问题,保障学习者的个人权益。

总之,学习分析为数据驱动的教育教学变革带来了更多可能,是一个充满前景、令人兴奋的研究领域,其在教育中的未来图景广袤而深邃。未来已来,如何扫清学习分析目前的发展障碍,促进多学科的协同以保持其健康、持续发展,如何深化研究提升其教育能供性,紧密结合新技术以支持未来学习,需要研究者和应用者更加努力。