浮现

2

0

1

2

年

第

1

期

总

第

2

0

8

期

学习分析：正在浮现中的数据技术*

顾小清1张进良2蔡慧英1

（1.华东师范大学教育信息技术学系

，

上海200062;

2.湖南科技大学教育学院

，

湖南湘潭411201）

［摘要］随着教育信息化的普及与逐渐深入

，

学习管理系统已经获取并存储了大量的有关学生复杂学习行为的

数据

，

从这些数据中挖掘出改进教学系统

、

提升学习效果的信息

，

在教育信息化领域一直有着巨大的吸引力

。

因

此

，

有必要从分析数据以改进学习的角度

，

对日益受到关注的学习分析技术进行解读

。

首先

，

学习分析技术是测

量

、

收集

、

分析和报告有关学生的学习行为以及学习环境的数据

，

用以理解和优化学习及其产生的环境的技术

。

接着

，

综述学习分析技术的发展

，

指出其在教育中有着广泛的应用前景和巨大的发展潜力:学习分析技术可作为

教师教学决策

、

优化教学的有效支持工具

，

也可为学生的自我导向学习

、

学习危机预警和自我评估提供有效数据

支持

，

还可为教育研究者的个性化学习设计和增进研究效益提供数据参考

。

最后

，

提出学习分析技术也存在隐

私

、

准确性和兼容性等诸多挑战和问题

。

［关键词］学习分析

；

学习行为

；

数据挖掘

；

教学决策

；

数据支持

［中图分类号］

G434

［文献标识码］

A

[文章编号]

1672—0008（2012）01—0018—08

*基金项目

：

本文系国家发改委下一代互联网业务试商用及设备产业化专项

“

教育科研基础设施IPv6技术升级和应用示范

”

子项目

“

下一代互联网教师教育创新

支持系统应用示范

”（

项目编号:CNGI2008-121）；

湖南省教育厅资助项目

“

高校教师信息化教学实践智慧发展研究

”（

项目编号

：11C0537）

的研究成果之一

。

一、前言

改进学习实践

、

增强学习效果是学习者和教育机构的共

同愿望

，

也是教育信息化所进行的学习技术系统设计希望实

现的目标

。

随着教育信息化的发展

，

一方面

，

各种学习技术系

统中

（

包括学习管理系统

、

课程管理系统

）

已经获取并储存了

大量的学习者学习行为数据

，

而且这些学习行为的数据还在

迅速增加

，

甚至超出了学生和教育机构对信息的理解和利用

能力

。

另一方面

，

教育机构在提倡利用各种教育技术手段支

持学习的同时

，

也面临着回答效益问题的挑战

。

换言之

，

教育

信息化的巨大投入

，

是否能够有效地提高学习的效果以及如

何提高了学习的效果

。

于是

，

如何分析

、

有效利用并挖掘和学

习相关的数据来促进学生学习

；

教师如何高效地跟踪学生的

学习进程

；

如何使学生在学习管理系统

（LMS）

中的学习活动

与学习成效建立关联

；

怎样使LMS的分析能用于识别和促进

有效教学实践

；

哪种类型的学习分析数据最有价值

、

由谁来

使用

？

诸如此类问题

，

引起了研究者的持续关注

。

2011年2月底

，

首届学习分析技术与知识国际会议在加

拿大的阿尔伯达省班芙市举行

，

主题为学习分析技术在技

术

、

社会和教学等维度的整合[1]。

第二届学习分析和知识国际

会议将于2012年4月底在加拿大温哥华举行

，

会议将探索

学习分析技术

、

知识建模和表征

、

知识工作和分析等领域的

现状及发展策略[2]。

另外

，

美国新媒体联盟

（TheNewMedia

Consortium,NMC）

与美国高校教育信息化协会主动学习组织

（TheEDUCAUSELearningInitiative）

合作的

“

新媒体联盟地平

线项目

（TheNewMediaConsortium’sHorizonProject）”

的

2010年度和2011年度报告中

，

预测基于数据的学习分析技

术将在未来的四到五年内成为主流

，

并对学习分析技术在教

学

、

学习

、

研究和知识生成等方面所具有的作用进行了分析

，

勾勒了其广泛的应用前景[3]。

在笔者参与的

“

下一代互联网教育创新支持系统

”

项目

中

，

初步尝试采用学习分析技术对教师学习者的学习进行监

测与评价

，

以便实现基于数据的教育决策

，

为教师学习者终

身发展提供优质服务[4]。

基于此

，

本文将对学习分析技术加以

解读

，

分析其由来和发展

，

展望其在教育和学习中可能的应

用以及可能存在的挑战

。

二、学习分析技术的“前世今生”

教育工作者利用数据考核

、

分析和评估教学和学习已有

悠久历史

，

随着参与网络学习的人数和支持网络学习活动的

工具种类的剧增

，

有关学习行为数据的数量不断增多并具多

样性

。

这些数据需要通过分析

，

方可帮助评估学习并更有效

地支持学习[5]。

学习分析技术的核心概念已经在计算机支持

的管理

（CMI）、

计算机人机交互和网络科学等领域存在了几

十年[6][7]。

从其发展的时间维度来看

，

学习分析技术可以看做

是CMI和DDDM的继承和发展

。

（

一

）CMI

CMI是最早与学习分析技术紧密相关的教育数据应用

系统

，

于20世纪60年代末应用于教育领域[8]。CMI是用来为

本期特稿学习分析：正在浮现中的数据技术

18

h

t

t

p

:

/

/

d

e

j.

zj

t

v

u

.

e

d

u

.

c

n

JOURNALOFDISTANCEEDUCATION

个别化教学程序提供支持的管理信息系统

，

其最显著的功能

在于为个别化教学过程中所需要的决策提供支持

，

以确定学

习者需求并为之提供最适合的学习材料

。

在Brudner（1968）

的报告中

，

认为CMI系统中所存储的数据共计六类

，

分别是

：

（1）

学生的学术记录

、

考试成绩集的个性记录

；（2）

学生的学

习目标及学习程序

；（3）

教学目录及学习指南

；（4）

测试答案

文档及测试文档

；（5）

学生每日的活动记录

；（6）

有关的预测

及分析数据

。

应用CMI可以辅助课堂教学分析和信息处理

，

如

，CMI能帮助教师自动适时获取课堂信息并及时处理和分

析信息

，

以帮助教师随时调整教学计划和教学方法

，

矫正学

生学习偏差

，

以便更好地进行下一轮教学

。

（

二

）DDDM

DDDM是利用计算机的数据运算能力来挖掘和分析数

据并为决策提供支持[9]。

基于数据的决策的功能主要有数据

的获取

、

数据的处理以及数据的分析

。

根据Wayman（2005）

的

观点

，

目前

，

在学校领域

，

提供数据的信息系统大致有三类

：

一是学生信息系统

，

记录与提供日常出勤

，

日程等信息

；

二是

学习评估系统

，

提供经常性的学习评估与分析

；

三是数据仓

库系统

，

为访问各种类型的历史数据提供接口[10]。

数据挖掘和

数据分析工具作为决策的思想引擎

，

能够导出数据之间的关

系

，

超越数据本身的信息

，

让数据为不同的决策者

（

如学生

、

教师

、

教育管理者

，

教育行政管理者等

）

的决策提供支持

。

所

以

，

基于计算机的数据挖掘

，

既可以为国家教育方针或教育

政策等宏观层面的教育决策提供数据支持

，

也可以为学生

、

教师的学与教等微观层面的决策提供有效的数据支持

。

（

三

）LA（LearningAnalytics）

1.学习分析技术的定义

在首届学习分析和知识国际学术会议期间

，

参会者一致

认为:学习分析技术是

“

测量

、

收集

、

分析和报告有关学生及其

学习环境的数据

，

用以理解和优化学习及其产生的环境的技

术

”[11]。EDUCAUSE研究机构对学习分析技术的界定是

：

学习

分析技术就是利用数据和模型

，

预测学习者在学习中的进步

和表现

，

预测未来表现和发现潜在问题[12]。

可见

，

学习分析技术是围绕与学习者学习信息相关的数

据

，

运用不同的分析方法和数据模型来解释这些数据

，

根据

解释的结果来探究学习者的学习过程与情境

，

发现学习规

律

；

或者根据数据阐释学习者的学习表现

，

为其提供相应反

馈从而促进更加有效学习的技术

。

通过构建分析模型

、

显示

和解释数据以协助教师和教育管理者更好地工作

，

学习分析

技术使教师和学校根据每一个学生的需求和能力为其提供

适当学习机会这一教学愿景带来了实现的可能性

。

2.学习分析技术的要素

学习分析的要素包括以下五部分[13]：（1）

数据收集

：

这需

要使用程序

、

脚本和其他方法来进行

，

数据来源于单一或者

多个学习技术系统

，

经过收集可以产生非常大的数据量

，

这

些数据被处理成结构化

（

如服务器日志

）

或非结构化

（

如讨论

论坛帖子

）

的形式

。（2）

分析

：

非结构型数据在分析之前通常

被设定为某种格式

，

经过定量和定性相结合的分析

，

数据会

以可视化

、

表格

、

图表和其他类型的形式呈现在分析报告中

。

（3）

学生学习

：

这是学习分析与其他类型分析的本质区别

，

学

习分析试图告诉我们关于学习的以下事实

：

学习者正在做什

么

，

他们的时间主要花在什么地方

，

学生正在访问什么内容

？

（4）

听众

：

学习分析返回的信息可用于告知学生

、

告知教师

、

告知管理者

，

一般情况下通过这三个方面的报告可产生适当

的干预

。（5）

干预

：

学习分析能在个体

、

课程

、

教学和管理层面

实施合适的干预

。

通过学习分析可以观察学生在一门课的特

定阶段和特定活动中的行为

，

为进行学习路径的个性化定制

提供了可能

。

3.学习分析的过程

Siemens结合自己的实践

，

将学习分析的过程总结为如

图1所示的过程[14]：

图1学习分析技术的过程

从这个过程可以看出

，

学习分析技术的数据来源有两

类

：

一类是学生数据

（learnersoff-putdata），

即学生在学习过

程中由移动终端

、

社会性软件和学习管理系统所记录的数

据

；

另一类是智能化数据

（intelligentdata），

即可以通过语义分

析以及连接技术来处理的源自课程

、

学期考试和其他来源的

数据

，

这类数据与学习者的学习过程间接相关

。

这两部分数

据被收集起来并等待进行某种分析

。

在以某种形式对学习者

数据

、

档案信息和课外数据进行分析的基础上

，

就能够更有

针对性地施加某种学习干预

。

另一个角度

，

学习分析可看作是基于数据的分析持续改

进学习的过程[15]，

期间包含了数据的选择

、

获取

、

综合与报告

、

预测

、

使用

、

完善和分享等活动

。

4.学习分析技术的特征

从上可知

，

学习分析技术是利用数据挖掘工具

，

测量

、

收

集和分析学生在正式和非正式学习过程中的有用信息和数

据

，

对这些信息和数据作深度分析

、

统计和运算

，

并以可视化

方式解读数据结果

，

具有以下特征

：

（1）

复合化的数据采集

。

学习分析技术所采用的数据大

SpecialContribution

19

2

0

1

2

年

第

1

期

总

第

2

0

8

期

部分来自LMS（

学习管理系统

）、CMS（

课程管理系统

：

如网络

课程

、

学习论坛等

）

和学生档案系统等数据库

；

来自于学生在

传统环境下学习时留下的学习资料

、

作业

、

作品

；

也来自于学

生个人的非正式的知识管理系统

（

如个人主页

、

博客

、

微博

等

）。

比如

，

仅就LMS系统而言

，

已经积累了大量的关于学生

学习行为的信息

（

学生网络学习行为

、

同伴互动

、

与教学人员

交互以及访问教学信息系统的有效数据

）。

不同来源的海量

数据为提供自动化的学习支持和针对性的学习服务提供了

可能性

，

同时其最大的挑战是如何将不同来源的多样性数据

加以整合

，

并将这些多来源的数据导入到同一个分析框架中

（

常需要采用第三方分析软件

）

进行分析和运算

，

从而提供有

关于学生学习情况的可视化分析结果

。

（2）

多重角度的分析技术

。

学习网络的动态变化

、

学习者

关系的变化以及学习内容的复杂多变

，

使得网络学习的研究

过程变得非常复杂

。

所以

，

要进行有效的分析

，

必须使用多重

研究方法

、

技术与工具[16]。

学习分析技术则为实现这一有效分

析提供了技术支持

。

延续了CMI与DDDM的基于数据的决

策思路

，

学习分析技术将数据分析结果聚焦于学习过程

，

并

试图为优化学习提供针对性服务

。

从多重角度

，

学习分析技

术不仅关注数据挖掘

、

数据聚合

、

数据分析等技术在教育领

域中的应用

，

也注重结合定量研究与定性研究方法

，

透过教

育数据对教育过程进行合理的解释

，

并为学习提供支持

。

（3）

可视化的分析结果

。

学习分析技术的服务对象主要

是学生或教师

，

所用工具和技术必须降低技术门槛

，

分析结

果必须是可视化或者直观化的数据

，

以便不具备统计和分析

知识的学生和教师能通过直观的分析结果对自身的学习或

教学情况作出判断

。

可视化的方式可以使师生很容易地解读

学习的参与程度或者预测学习者的努力程度

。

如

，SNA（So-

cialnetworkanalysis）

可以分析学生个人

、

学习小组

、

教师和计

算机之间的信息交互关系

，

以提供对数据的直观解读

。

（4）

微观化的服务层次

。

如果说DDDM相对来说涉及较

为宏观的教育决策从而更多地直接服务于教育决策者

，

那么

学习分析则主要面向微观层面的教师和学生

，

通过对学习过

程

、

学习行为

、

学习网络的跟踪和分析

，

为教师的教学干预提

供依据

，

为学习者的适应性学习提供建议

。

（5）

多元化的理论基础

。

学习分析技术的理论基础包括

分析理论和实践知识两部分

：

第一是协同过滤算法

、

贝叶斯

网络

、

关联规则挖掘

、

聚类

、

基于知识的建议和协同过滤算法

等理论的有效分析方法和技术

。

第二是与学习理论

、

良好的

教学实践

、

知识共同体的构建

、

学生的学习动机

、

毅力和动机

等知识积累的相关领域[17]。

三、发展中的学习分析技术

学习分析技术是一个运用复杂的分析工具促进学习的

新兴教育技术应用

。

在延续CMI与DDDM发展轨迹的基础

上

，

学习分析技术关注对在线教育数据的深层次挖掘和理

解

。

从这一角度来看

，

学习分析技术与商业智能化

、

网络分

析

、

学术分析

、

教育数据挖掘等领域的研究密切相关[18]。

随着

数据挖掘技术以及网络学习系统的不断发展

，

学习分析技术

也正以自己独特的方式不断扩展着自身的发展轨迹

、

关键技

术以及应用领域

，

如表1所示

。

（

一

）

学习分析技术的发展轨迹

从纵向发展角度来看

，

学习分析技术是CMI与DDDM发

展的产物

，

而从横向发展角度来看

，

学习分析技术又是网络

分析技术

（webanalytics）

与学术分析技术

（academicanalytics）

综合应用的结果

。

从商业应用领域发展起来的网络分析技术

向教育领域的扩展催生了学术分析技术的诞生

，

而学术分析

技术在教育应用中的深度发展产生了学习分析技术

。

网络分析最早出现在商务智能系统

（businessintelli-

gence）

中

，

是数据技术在企业中的典型应用

，

即运用多种服务

功能收集网络用户的行为数据并进行分析

，

为企业的决策提

供依据[19]。

网络分析技术中所处理的用户行为数据来源于网

络服务登录文件

、

浏览服务器的历史数据

，

网站流量数据以

及网站之间的关联交互数据等[20]。

除了生成简单的报告之外

，

网络分析还可以配合基本的数据挖掘技术和网络应用挖掘

技术来描述用户的行为细节[21]。

这些数据分析的结果

，

一方面

可以探究网站的运行效能

、

访客的行为与网站访问模式等

；

另一方面可用来改善网站的使用效果

。

例如

，

网站设计者可

以从内容的角度改善访客的访问体验

，

或者从设计与实施的

角度提高访客回访概率

。

与网络分析技术用于商业领域不同的是

，

学术分析技术

关注的是教育领域中的学习者行为

。2004年在高等教育中出

现的

“

智能导师系统

”

和

“

人工智能系统

”

掀起了

“

教育数据挖

掘

”

研究的热潮[22]，

也促使学术分析技术这一关注学习者行为

的分析技术的诞生[22][23]。

更进一步的应用产生了学习分析技

术

，

最早由Retalis及同事在基于网络的学习管理系统中予以

采用

，

也进一步开启了利用网络分析技术对学习者行为加以

分析的研究

。

记录在网络学习系统中的学习者行为数据

，

经过聚集

、

分类

、

可视化以及关联分析等操作

，

生成实时的

数据报告

，

或者利用从行为数据中反映出的常模来生成预测

表1发展中的学习分析技术

概念

发展

技术发展

应用发展

（

学习

）

技术

系统

数据技术

网络分

析技术

商务智能系统

数据挖掘技术

数据分析技术

分析算法或程序

为公司决策和培训项

目服务

关注经济效益

学术分

析技术

学习管理系统

课程管理系统

教育数据挖掘技术

教育数据分析技术

教育行为分析

在教育网络系统中进

行数据分析

关注个体学习者学习

行为的研究

学习分

析技术

基于web2.0的

学习

管理系统

网络软件

个人学习环境

云计算

教育数据分析技术

（

网络分析法

、

话语

分析法内容分析法

等

）

DDDM

探究学习过程的发生

机制

优化学习过程

：

从教

师

、

学生以及管理者角

度对学生的学习过程

进行客观的预测

，

并提

供恰当的干预

评估网络学习以及技

术应用于教育的效果

DDDMCMI

本期特稿学习分析：正在浮现中的数据技术

20

h

t

t

p

:

/

/

d

e

j.

zj

t

v

u

.

e

d

u

.

c

n

JOURNALOFDISTANCEEDUCATION

模型[24]。

（

二

）

学习分析技术中的关键技术

除了网络分析以及学术分析中共有的数据分析技术外

，

发展中的学习分析技术正在吸纳其他关键技术

，

实现对学习

过程的研究

。

目前

，

发展比较成熟的可用于学习分析的关键

技术主要包括网络分析法

、

话语分析法和内容分析法

。

1.网络分析法

运用社会网络分析法

，

不仅可以用来探究网络学习过程

中的联系

（ties）、

关系

、

角色以及网络形成的过程与特点

，

还可

以了解人们如何在网络学习中建立并维持关系从而为自己

的学习提供支持[25]。

当以学习者个体为研究对象时

，

运用社会

网络分析法

，

可以判断哪些学习者个体从哪些同伴那里得到

了启示

，

学习者个体在哪里产生了认知上的困难

，

哪些情境

因素影响了学习者个体的学习过程等

。

当以整个网络为研究

对象

，

社会网络分析法主要关注的是网络学习中信息的分布

以及学习的进展情况

。

有诸多工具可用来对网络学习过程进

行社会网络分析

。

例如

，Mzinga工具可用来确定学习者在网

络学习中的参与程度

；Gephi可用来对数据进行交互式可视

化处理

，SNAPP（SocialNetworksAdaptingPedagogicalPrac-

tice）

可用来对网络讨论进行图表形式的分析与呈现[26]。

2.话语分析法

（discouranalysis）

话语分析法是对学习过程中的交流过程进行分析的方

法

。

其中

，

分析的对象包括面对面的对话内容

、

网络课程与会

议中产生的文本内容

、

网上进行的异步交流内容等

。

运用话

语分析技术

，

可以了解网上学习交流中的话语的文本性含义

（textualdiscour），

能够用来探究知识建构的过程

，

使研究者

对学习发生的过程有更加清晰的认识[27]。

目前

，

有诸多工具可用来进行话语分析

。

例如

，theDigi-

talRearchToolsWiki可对话语和文本进行分析[28]；Wordle

andTagCrowd可对文本分析内容进行可视化

；NVivo可对文

本内容进行定性研究

；WMatrix则可对文本内容进行定量研

究[29]；Cohereis可用来对网上交流的内容进行结构化[30]；Open

Mentor工具可用来对学习反馈信息的质量进行了分析

、

可视

化和比较[31]。

3.内容分析法

运用内容分析法

，

不仅可以对学习者的学习过程数据进

行定量分析

，

寻求学习者的行为模式

；

还可对其进行定性分

析

，

运用已有的积累经验来预测当前的学习者行为

，

为学习

者提供个性化的学习资源服务[32]。

随着技术与相关工具的发

展

，

内容分析法不仅关注文本内容

，

也开始对多媒体内容予

以分析

，

很多网站提供基于图片的搜索功能就是一个多媒体

分析的例子

。Little,Ferguson和Rüger运用VisualSimilarity

工具

，

通过对内容的分析实现教育资源的多元搜索问题

，

例

如

，

能够查找图片出处

、

寻找视觉特征上的关键词

、

提供理解

概念的新方法以及从给定的图片或者电影片段中找到其他

与之相关的文章

、

演讲以及电影片段等等[33]。Clow和

Makriyannis运用iSpot工具

，

对学习者学习过程中运用的文

本和多媒体信息进行标注

，

并对标注了的数据进行分析

，

从

而了解学习者之间的交互是如何发生的

，

还可以获知支持学

习的资源的分布情况[34]。Jovanovic及其同事运用内容分析方

法对学习活动

、

学习对象

、

学习结果以及学习者本身之间的

相互作用进行探究

，

建立了学习制品的语义网络

，

并运用特

定的算法对语义网络之间的关系进行了分析

，

以获知网络教

学课程内容的质量[35]。

学习是学生与学习内容

、

学习环境

、

学习伙伴和教师之

间的复杂交互过程

。

要对这一过程进行探究

，

必须要选好切

入点以及适当的研究方法

、

工具和技术

。

另外

，

为了能使研究

结果具有说服力

，

还应该运用不同的研究方法

，

从不同的角

度研究学习过程

。

随着分析技术

、

工具以及研究方法的发展

，

学习分析技术将会在学习过程研究领域展现出极大的发展

前景

。

四、学习分析技术的应用趋向及应用展望

（

一

）

应用趋向

当前

，

学习技术系统中已经收集和存储了大量以学习者

行为为主的数据

，

通过数据统计分析

、

数据可视化

，

可提供学

习者的学习报告

，

揭示某种行为模式

、

趋势或可能的意外情

况

。

学习分析技术不仅可以从学习者行为角度了解学习过程

的发生机制

，

还可以用来优化教学

，

以基于学习行为数据的

分析为学习者推荐学习轨迹

，

开展适应性学习

、

自我导向学

习[36]。

另外

，

学习分析技术可用来评估课程

、

程序和机构

，

以改

善现有的学校考核方式

，

提供更为深入的教学分析

，

以便教

师在数据分析基础上为学生提供更有针对性的教学干预[37]。

目前

，

学习分析技术已在教学和学习领域中进行着应用

探索

，

其应用主要体现在以下几个方面

：

1.教师角度

：

优化教学

利用学习分析技术及其相关分析工具

，

教师可获得有关

学生的学习绩效

、

学习过程以及学习环境的信息

，

这些信息

可以为教师从教学改进角度提供依据[38]。

从学习技术系统中

，

教师可以获得的学习者行为数据

，

包括登录系统的时间

、

访

问的网页

、

在课程学习所花的时间

，

完成课程任务的情况

，

在

课程网站中交互的痕迹等

。

通过这些数据的分析

，

教师能对

学生的学习需求

、

学习风格

、

学习进展获得判断

，

从而制定能

够满足学生学习需求的教学方案[39]。

例如

，

香港中文大学医学院课程管理系统中的实习日志

管理模块就记录了学生在医院的实习过程

、

见习日志

。

通过

这些记录

，

课程管理系统可以清晰显示学生实习项目的完成

情况

，

并以此提醒学生后续实习项目的时间和实习地点

。

最

重要的是

，

通过分析系统中记录的数据

，

实习指导老师可以

更好地制定下一步的实习计划和安排

。

另外

，

美国教育发展中

心

（EducationDevelopmentCenter）

和学生与技术中心

（Center

forChildrenandTechnology）

也对如何利用数据帮助美国纽约

市公立学校的教师进行教学决策开展了研究实践

。

他们与某

一公司合作

，

对学生在数学学习过程中的数据进行了记录与

分析

，

最后生成了可供教师分析的书面报告和网络报告

。

书

面报告为教师提供了基于标准的全班学生学习情况的报告

，

能为教师根据学生的需求分组

、

关注学生个体的特点提供依

据

。

网络报告为学校不同层次的用户提供不同层次的信息和

SpecialContribution

21

2

0

1

2

年

第

1

期

总

第

2

0

8

期

重点

。

例如

，

教师通过关注不同技能水平的学生来确定适当

的教学需要

；

根据数据结果确定教学日程

、

每周安排以及个

别化学习计划

；

通过学生的数据分析结果与家长就学生学习

问题进行交流等

。

另外

，

使用生成的报告

，

教师能考量自己的

教学实践

，

通过审视自己的教学提升自身的专业实践能力[40]。

参与该研究的几位老师反应

，

分析

“

成长报告

”

和确定他所教

班级的强项和弱项

，

使得他们对自己的教学实践进行了反

思

。

而且

，77%的接受调查的教师表示他们利用成长报告了解

了自己的教学效果

。

2.学生角度

：

自我评估

、

诊断与导向

（1）

作为学生自我评估工具

。

通过学习分析技术得到的

报告

，

更可用于学生的自我评价

，

帮助学生了解自己的优势

和不足

，

认识自我

、

发展自我

、

规划自我[41]。

将可视化的学习绩

效结果反馈给学生

，

有望使学生成为利用数据发展自我的主

动学习者

。

例如

，

美国马里兰大学

（UMBC）

在Blackboard课程管理

系统中利用学习分析创建了一个名为

“

检查我的活动

”

（CMA）

的学生反馈工具

，

帮助学生评估自己的学习过程

。

这

一工具可以分析从Blackboard课程管理系统中获取原始数

据

，

并为学生和教师提供不同的数据分析报告

。

从分析报告

中

，

学生可以了解自己在系统中学习的所有课程的情况

，

包

括访问的次数

，

在每一门课程中学习活动的平均水平

，

以及

在班级横向比较中的学习程度

，

如作业中的得分情况

，

参与

学习活动的频率等

。

如果学生对某门课程的参与程度不高

，

系统会将其在此课程中的成绩以红色标注

，

提醒该学生应该

采取行动

，

并提示任何人都愿意在本学期或者整个大学期间

为其提供帮助

，

直至其成功

。

此工具成功地提高了学生的学习

效果

：

在老师自愿使用CMA的131门课程中

，

有39%的原来

的D或F的学生成绩已经上升到C级以上

。“

不能确认运用

Blackboard就能造就好的学生

，

但CMA是为学生量身定做的

另一个自己使用并自己制定适合行动的评价工具[42]。”

（2）

作为学生学习需求的分析工具

。

基于数据的决策应

用在诊断

（

学生学习的

）

差距

、

缩小差距等方面起到了关键

作用[43]。

因此

，

学习分析这一能从系统的角度以及课堂角度获

得学生绩效数据并加以分析的技术

，

可以用来诊断学生的学

习需求

。

例如

，

美国几乎所有州都在公立学校建立了高技术支持

的学生数据系统

，

用来收集和分析以千兆计的学生数据

。

美

国加州大学评估

、

标准和学生测试研究中心开发了一款基于

网络的决策支持工具

———QSP（theQualitySchoolPortfolio），

目的是辅助学校或地区通过分析学习者行为满足学习者个

性化学习需求

。

利用QSP可以为每个学生建立一个单独的纵

向成长记录

，

创建个性化的学生进步报告

，

显示学生在班级

内的表现情况及所取得的进步

，

从而可以分析了解每一个学

习者的学习需求并进而为其提供学习支持[44]。

另外

，

美国在线学习平台Knewton可以通过分析学习者

在数学学习方面的需求

，

为一万多名大学新生提供适应性的

在线数学课程

。Knewton所采用的学习分析技术中最大的优

势是强大的自适应学习算法

，

这套算法不仅能用来判断用户

的实际水平

，

为用户提供与其水平适应的课程指导

。Knewton

的做法是通过不断的提问和测试

，

判断学习者的真实水平

，

再为其提供与之水平相适合的课程辅导

。

从亚利桑那州立大

学的反馈来看

，Knewton确实起到了良好的作用

，

不少学生都

在原定计划前完成了学习任务[45]。

（3）

作为学生自我导向学习的引导工具

。

学习分析技术

为学生打开了一个与学习内容

、

同伴和教师交互的窗口

，

提

供了促进自我导向的学习的机会

。

自我监控对学习者的自我

导向学习是很重要的

，

通过学习分析技术

，

学生可以分析自

己的学习过程数据

，

通过可视化结果回顾学习的时间

、

时长

和内容

，

并通过与同伴的比较了解自己的进度[46]。

例如

，

比利时鲁汶大学计算机科学系Govaerts等人在

ROLE（

一个欧盟项目

）

的研究过程中

，

开发了一款内嵌在网

页中的应用程序

，

能用来实时记录学生在

《

计算机科学

》

课程

中的学习参与活动情况

。

所记录的数据还能够进行可视化分

析

，

以折线图

、

平行坐标

、

柱状图等方式来显示学生的学习情

况

。

最后

，

这一学习分析工具能从个人或小组的层面提供学

习反馈以及预测课程中的后续活动

，

为学生自主学习提供了

方便

。

另一个例子来自英属哥伦比亚大学

。

研究者运用学习分

析技术在学习管理系统中为学习者的自我导向学习提供了

支持

。

这一研究中所收集的学生行为数据主要包括内容传

递

、

参与和讨论以及本学期课程资料的使用频率和次数

。

数

据分析阶段

，

研究者列出检测到的学生行为数据

，

与教师给

出的课程成绩数据整合

，

并对整合数据进行量化分析

，

帮助

学生了解自己的学习情况

。

另外

，

在课程结束时

，

研究者利用

SNAPP对学习论坛中提取的数据进行对话分析

。

最后生成可

视化的学习网状图

，

显示学习者在课程中学习行为的相对位

置[47]。

这一分析结果帮助学习者清晰了解自己的学习投入情

况和学习进展

，

为学习者的自我导向学习提供了支持

。

（4）

作为学生危机预警工具

。

目前

，

越来越多的学术机构

频繁使用分析去评价和支持学生的学术表现

，

特别是对那些

处在危机之中的学生来说

，

如果外界不给以提示或者预警

，

他们自己很难清楚地认识到自己的学习状态

。Romary认

为

，

对处在危险状态的学生确认时间越早

，

他们在学习成绩

方面取得的进步就越大[48]；

而且Long和Siemens也建议教师

可以使用学习分析得来的数据及早干预高危学生并为其提

供更好的帮助[49]。

美国普渡大学

（PurdueUniversity）

就利用

Blackboard和Signals系统

，

成功地对学生学习跟踪

，

对存在

潜在危险的学生发出警告并实施干预[50]。

3.教育研究者

：

个性化学习设计以及效益

（1）

作为研究学生个性化学习的工具

。

利用学习分析技

术对与学习者学习过程相关的数据进行深入分析与阐释

，

能

够发现每个学习者学习数据背后的学习偏好和学习模式

。

Retalis及其同事认为

，

如果了解了学习者的学习模式以及学

习路径的相关规律

，

教学工作者就可以根据学习者的个性化

表现

，

了解学习者的学习掌握程度

，

为学生提供适当的学习

资源

，

另外还可以知晓学习中的交互发生过程

。

因此

，Retalis

和他的同事将其设计的CoSyLMSAnalytics分析工具嵌入到

本期特稿学习分析：正在浮现中的数据技术

22

h

t

t

p

:

/

/

d

e

j.

zj

t

v

u

.

e

d

u

.

c

n

JOURNALOFDISTANCEEDUCATION

Moodle中

，

用来获取学习者进入学习模式

（learners’access

patterns）

的相关信息

，

然后通过分析技术获取这些数据中所

蕴含的学习路径信息

。

在分析数据时

，

他们首先了解学习者登录系统的一般情

况

，

例如统计出学习者访问系统次数

、

学习活动的平均时间

间隔等应用数据

。

之后

，

运用两步聚类算法

（TwoStepClus-

teringAlgorithm），

把学习者在完成学习活动时的不同表现进

行活动分类

。

在此基础上

，

探究每一群体的学习者共同的学

习行为

，

从而总结出不同学习者进入学习的模式

（learners’

accesspatterns）。

最后

，

他们对获取的数据进行了更加深入的

路径分析

，

即通过设置复杂的问题

，

从学习者的学习路径中

探索具有相关性的学习规律

。

他们的研究结果显示

，

利用

CoSyLMSAnalytics分析工具所进行的学习分析

，

不仅可以分

析学习者个体并为其提供帮助

，

还可以了解群体学习特征及

交互规律

，

为差异化的学习资源设计与服务提供了依据[51]。

（2）

作为研究网络学习过程和效用的工具

。

学习分析技

术为回答技术应用于教育的成效问题提供了可能性

。

长期以

来

，

我们一直无法判断过去50年来投入到学习中的技术是

否实现了其支持学习的许诺[52]，

而学习分析技术则能够通过

分析教育数据来判断技术应用于教育的真实效用

。

（

二

）

应用展望

在NMC的地平线报告中

，“

学习分析技术

”

被预测为是

一种将在未来的4-5年被广泛应用的技术

，

这在很大程度上

与学习技术系统在教育领域普及趋势相关

。

与世界上其他地

区一样

，

在线学习技术正逐渐走进我们的高等教育领域

；

数

字化的学习技术系统在基础教育领域中的广泛应用也正呈

飞速发展态势

（

如电子书包

）。

对这些系统中学习行为数据的

挖掘与分析

，

有望用来评估

、

改进教育系统

，

以及评估与改进

学习行为

。

从评估与改进教育系统的角度

，

学习分析技术延续了

DDDM的支持教育决策的理念与方法

，

通过学习行为数据的

挖掘与分析

，

识别学习需求

、

分析学习模式

、

预测学习结

果

，

并通过以下应用为教育决策提供依据

：

提高行政决策

和组织的资源分配

；

识别高危学生并提供学习干预帮助学

生获得成功

；

通过透明的数据和分析

，

创建共享成功与挑

战的校园文化

；

创新和变革大学系统

、

学术模型和教学方

式

；

通过提供最新信息和允许快速回应挑战来增加组织的工

作效率和效能[53]。

从评估与改进学习行为的角度

，

学习分析技术延续并综

合了网络行为分析技术与数据挖掘技术的理念与方法

，

将学

习技术系统及学习者所参与的其他在线系统中的行为数据

汇总到学习者

“

电子学档

”，

对这些行为数据加以挖掘与分

析

，

有望为学习者的个性化学习需求提供更切实的服务

。

随

着个人学习终端

（

如电子书包

）

的普及以及学习技术系统的

广泛应用

，

这一应用的趋势更为显著

。

五、存在的问题与挑战

当前

，

学习技术研究领域对学习分析技术寄予了厚望

，

研究者期望从学习者行为数据对学习发生过程及其发生情

境进行深入探究

，

并对技术在教育领域中的真正作用做出评

估[54]。

但同时我们需要注意到

，

学习分析技术目前还存在着缺

陷

，

也面临着诸多挑战

，

包括隐私问题

、

准确性

、

信息共享和

数据管理等方面[55]：

（

一

）

隐私问题

学习分析技术所存在的伦理问题是显而易见的

，

有可能

带来复杂的隐私问题

，

并可能被解释为窃听

。

因悄然审查学

习者的学习行为

，

学习分析技术有可能构成对个人隐私的侵

犯[56]。

用摄像机等工具监视和收集学生学习的过程和活动

，

不

仅会对学生的隐私有所影响

，

而且会让原本处于自然学习状

态中的学生感觉到不自然和被干扰

，

他们会时刻考虑

：“

我被

监视了吗

，

我的行为信息被系统收集了吗

”

等问题

。

为此

，

需

要找到隐私和学习分析技术之间的平衡点

，

合理整合学习分

析过程中的教学和伦理问题

。

（

二

）

准确性问题

学习分析技术是用基于计算机或网络的工具获取和分

析数据

，

利用机器来分析学生的学习行为

。

众所周知

，

学习的

过程是复杂多变的

，

而且学习是内部心理和内隐思维过程

，

并不都能够全部通过外显行为表现出来

。

学习分析技术所能

够获取的是那些学生的外显行为数据

，

由于内隐数据的缺

位

，

行为数据也许不能反映学生学习的全貌

。

如果只分析行

为数据

，

我们就有重返行为主义学习理论的危险[57]。

我们需要

尽可能全面地收集数据以及尽可能广泛地解释数据的意义

，

同时需要认识到

，

对于学习分析技术得来的数据的解释方式

不同也会影响到学习分析结果的准确性

：

我们需要从完全依

靠软件的自动分析方式

、

人工干预方式以及两者结合的方式

中选择适宜的数据解释方式

。

即便如此

，

也不能保证是否掌

握了足够的学生学习的信息和选择了适宜的学生个体作为

样本

，

利用这些数据对学生的学习所做出的预测不可能是十

全十美的

，

所预测的结果也有可能存在一定的误差

，

毕竟模

型只预测结果

，

而不能指出直接的原因和效果

。

（

三

）

兼容性问题

虽然学习分析技术具有诸多优势

，

但是其并非提升学生

学习效果的灵丹妙药

，

并不能完全适宜于所有情境的学习和

教学

。

目前

，

学习分析技术主要借助网络来获取数据

、

分析数

据

，

进行学习分析所用的工具也几乎都是基于在线课程的

。

不同学习分析工具或者数据采集工具得来的数据的格式或

形态能否相互兼容

，

也是技术层面需考虑的问题

。

此外

，

学习

者的在线活动常常会游离于网络课程

，

在诸多社会网络系统

中也留下他们的学习足迹

；

另外大量的学习也发生在传统的

课堂上

。

如果要将网络课程之外的学习者行为数据纳入到分

析框架之中

，

涉及复杂的分析算法和分析权重问题

；

而如果

要将学习者的课堂行为纳入进去

，

问题也变得更为复杂

，

比

如

，

需要通过特定技术读取学生面部表情

、

肢体语言和语调

声调

。

这些数据能够增加学习行为数据的丰富性[58]，

但对数据

获取和兼容计算带来的挑战是巨大的

。

（

四

）

责任分担问题

如前文所述

，

诸多学习分析技术的应用实例都能预测学

生成功

，

或者对处于危机状态的学生提出提醒和警告

。

客观

SpecialContribution

23

2

0

1

2

年

第

1

期

总

第

2

0

8

期

地说

，

利用网络分析

、

内容分析和话语分析的技术和工具预

测学生成功与失败的可能性相对容易

，

但是分析结果的处理

或问责则是关键

。

对学习施加干预的责任是教师

、

学生

、

教学

机构独立承担还是共同分担

；

其各自以怎样的方式承担责

任

；

何时以适当的方式施加教学干预引导自我反思和改善学

习

；

教学机构根据学习分析的结果如何按学生所需分配学习

资源等

，

都是需要解决的棘手问题

。

（

五

）

数据版权问题

随着学习分析技术的发展和在学习和教育领域的逐渐

应用

，

会创建一个个记录学生学习成功

、

失败行为的案例和

档案数据

。

从某种意义上来说

，

这些数据汇集起来

，

无论对于

教师还是学校来说具有极大的利用价值

。

这些数据的版权属

于学生个人

、

学校还是数据挖掘和分析公司

，

这些数据如何

共享和继续使用

，

都是不得不考虑的问题

。

总之

，

学习分析技术有积极的应用价值和巨大的发展潜

力

，

但同时

，

学习分析技术还处在应用的初期也面临着诸多

的挑战

。

客观地说

，

学习分析技术要得到普遍的应用

，

实现其在

学习评估与学习改进方面的潜能

，

还有漫长的实践探索之路

。

[参考文献]

［1］［5］Siemens,G.1stInternationalConferenceonLearningAnalytics

andKnowledge2011［EB/OL］.［2010-07-22］.s-

/analytics/about.

［2］Dawson,S.'Seeing'thelearningcommunity:Anexplorationofthe

developmentofaresourceformonitoringonlinestudentnetworking

［J］.BritishJournalofEducationalTechnology,2010,41（5）:736-752.

［3］［12］［36］ngAnalytics［J/OL］.

TheHorizonReport2011edition,28-30.

［4］

顾小清.教师教育评价系统提供诊断服务

［J］.中国网络教育

，

2011，（1）:33-35.

［6］［9］

顾小清

，

林仕丽等.教育数据30年:从CMI到DDDM［J］.电化

教育研究

，2010，（9）:55-63.

［7］［11］Siemens,ngandKnowledgeAnalytics-Knewton-the

futureofeducation?［EB/OL］.［2011-04-17］.ng-

/?p=126.

［8］Brudner,er-ManagedInstruction［J］.Science,1968,

162（3857）:970-976.

［10］Wayman,ingTeachersinData-BadDecision-Making:

UsingComputerDataSystemstoSupportTeacherInquiryandRe-

flection［J］.JournalofEducationforStudentsPlacedatRisk,2005,

10（3）:295–308.

［13］Brown,nganalytics:thecomingthirdwave［DB/OL］.

［2011-11-16］./ir/library/pdf/.

［14］Siemens,eLearningAnalytics?［EB/OL］.［2010-08-

25］./blog.

［15］［17］［18］Elias,ngAnalytics:Definitions,Processand

Potential［J/OL］.［2011-01-16］..

［16］Helene,F.,Rita,K.&Hanan,ueofLearningAnalytics

toNetworkedLearningonaPersonalLearningEnvironment［C］.

the1stInternationalConferenceonLearningAnalyticsandKnowl-

edge:/.

［19］Berk,forAmericanSoci-

etyforTraining&Development［EB/OL］.［2011-12-10］.http://

/jgkbLR.

［20］［26］Bakharia,A.&Dawson,:Abird’s-eyeviewof

temporalparticipantinteraction［C］.［2011-11-16］.the1stIn-

ternationalConferenceonLearningAnalyticsandKnowledge:http:

///.

［21］Retalis,S.,Papasalouros,A.,Psaromiligkos,Y.,Siscos,

Kargidis,snetworkedlearninganalytics–aconceptand

dingsofthe5thInternationalConferenceonNet-

workedLearning,Lancaster,UK［DB/OL］.［2011-12-10］.http://bit.

ly/jiPDwR.

［22］Baepler,P.&Murdoch,C.J.（2010）.AcademicAnalyticsand

ationalJournalforthe

ScholarshipofTeachingandLearning,4（2）.170-178.

［23］BuckinghamShum,:TowardsWeb2.0Argumentation

［C］.Paperprentedatthe2ndInternationalConferenceon

ComputationalModelsofArgument,Toulou,France.

［24］Castro,F.,Vellido,A.,Nebot,A.,&Mugica,ngdatamin-

ingtechniquestoe-learningproblems［J］.StudiesinComputation-

alIntelligence,2007（62）:183-221.

［25］Haythornthwaite,C.,&DeLaat,M.（2010）.Socialnetworksand

learningnetworks:usingsocialnetworkperspectivestounderstand

sociallearning［C］.Paperprentedatthe7thInternationalCon-

ferenceonNetworkedLearning,Aalborg,Denmark.

［27］Ferguson,structionofSharedKnowledgethroughAsyn-

chronousDialogue［J/OL］.［2011-11-22］.UnpublishedPhD,The

OpenUniversity,:///19908/.

［28］lRearchToolsWiki:TextAnalysisTools

［EB/OL］.［2011-05-17］./

w/page/17801708/Text-Analysis-Tools.

［29］［54］O'Halloran,igatingargumentatioinreadinggroups:

combiningmanualqualitativecodingandautomatedcorpusanalysis

tools［J］.AppliedLinguistics,2011,32（2）:172-196.

［30］BuckinghamShum,guson,LearningAnalytics.

Availableas:TechnicalReportKMI-11-01,KnowledgeMediaIn-

stitute,TheOpenUniversity,UK［EB/OL］./

publications/pdf/.

［31］Whitelock,D.,&Watt,S..OpenMentor:supportingtutorswith

theirfeedbacktostudents［C］.Paperprentedatthe11thCAA

InternationalComputerAssistedAsssmentConference,10/11July

2007.

［32］DeWever,B.,Schellens,T.,Vallcke,M.,&vanKeer,t

analysisschemestoanalyzetranscriptsofonlineasynchronousdis-

cussiongroups:areview［J］.Computers&Education,2006,46（1）,

6-28.

［33］Little,S.,Ferguson,R.,&Rüger,tinganddiscoveringe-

ducationalmaterialsthroughvisualsimilarityarch［C］.Paper

prentedattheWorldConferenceonEducationalMultimedia,Hy-

permediaandTelecommunications（EDMEDIA）,Lisbon,Portugal.

［34］Clow,D.,&Makriyannis,nalyd:ParticipatoryLearning

andReputation［C］.Paperprentedatthe1stLearningAnalytics

AndKnowledgeConference,Banff,Canada.

本期特稿学习分析：正在浮现中的数据技术

24

h

t

t

p

:

/

/

d

e

j.

zj

t

v

u

.

e

d

u

.

c

n

JOURNALOFDISTANCEEDUCATION

［35］Jovanovic,J.,Gaevic,D.,Brooks,C.,Devedic,V.,Hatala,M.,Eap,

T.,-Analyst:manticwebtechnologiesinlearning

contentusageanalysis［J］.InternationalJournalofContinuingEn-

gineeringEducationandLifeLongLearning,2008,18（1）,54-76.

［37］Chen.E.,Heritage,M.&Lee,fyingandMonitoringStu-

dents’LearningNeedsWithTechnology［J］.JournalofEducation

forStudentsPlacedatRisk,2010（3）:309–332.

［38］［39］［41］［43］

顾小清

，

黄景碧等.让数据说话

：

决策支持系统在

教育中的应用

［J］.开放教育研究

，2010，（10）:99-105.

［40］Brunner,C.,Fasca,C.,Heinze,J.,Honey,M.,Light,D.,Mandi-

nach,ler,gDataandLearning:TheGrow

NetworkStudy［J］.JournalofEducationforStudentsPlacedat

Risk,2005,10（3）:241-267.

［42］UMBC."CheckMyActivity"ReportsforStudentsNowAvailable

InsideBlackboard［EB/OL］.［2009-10-09］./

blogs/oit-news/reports/.

［44］Chen.E.,Heritage,M.&Lee,fyingandMonitoringStu-

dents’LearningNeedsWithTechnology［J］.JournalofEducation

forStudentsPlacedatRisk,2010（3）:309–332.

［45］Kamenetz,n's"AdaptiveLearning"technologyspreadsto

tensofthousandsofstudentsatASU,PennState,SUNY,more［EB/

OL］.［2011-08-16］./knewtons-

adaptive-learning-technology-spreads.

［46］Govaerts,S.,Verbert,K.,Klerkx,al,izingAc-

tivitiesforSelf-reflectionandAwareness［J］.LectureNotesin

ComputerScience,2010,64（83）:91–100.

［47］Macfadyen,L.P.&Dawson,LMSdatatodevelopan

“earlywarningsystem”foreducators:-

ers&Education,2010,54（2）:588–599.

［48］［58］Romary（2011）.HowshouldIu“learninganalytics”?［EB/

OL］.［2011-09-26］./learning-analytics.

［49］［53］Long,mens,G.（2011）.PenetratingtheAnalytics

inLearningandEducation［J/OL］.EDUCAUSEreviewSEPTEM-

BER/OCTOBER.

［50］Iten,L.,Arnold,K.&Pistilli,Real-timeDatatoIm-

proveSdudentSuccessinaGatewayCour［EB/OL］.［2011-11-

12］./bootcamp/.

［51］Retalis,S.,Papasalouros,A.,Psaromiligkos,Y.,Siscos,

Kargidis,snetworkedlearninganalytics–aconceptand

atool［C］.Proceedingsofthe5thInternationalConferenceonNet-

workedLearning,Lancaster,vedfrom/

jiPDwR.

［52］Ochoa,Xavier.1stInternationalConferenceonLearningAnalytics

andKnowledge2011［EB/OL］.［2010-07-22］.s-

/analytics/about.

［55］［57］Campbell,J.P.,DeBlois,P.B.,&Oblinger,D.G.（2007）.

Academicanalytics:Anewtoolforanewera［J/OL］.Educau

Review,42（4）,40–42,44,46,48,50,52.

［56］Brown,M.（2011）.Learninanalytics:thecomingthirdwave［BB/

OL］.［2011-04-10］./ir/library/pdf/ELIB

.

［

作者简介

］

顾小清

，

博士

，

华东师范大学教育信息技术学系教授

，

博士生导

师

，

主要研究方向为教学训练系统设计

，

数字化学习环境及用户行为

（xqgu@）；

张进良

，

硕士

，

湖南科技大学教育学院讲师

，

主要研究方向为网络学习行为

；

蔡慧英

，

在读硕士

，

华东师范大学教

育信息技术学系

。

LearningAnalytics：Theemergingdatatechnology

GuXiaoqing1，ZhangJinliang2&CaiHuiying1

（mentofEducationalInformationTechnology,EastChinaNormalUniversity,Shanghai200062；

ofeducation,HunanUniversityofScienceandTechnology,HunanXiangtan411201）

【Abstract】

Withthepopularizationandpenetratingofeducationalinformatization,learningmanagementsystemhasacquired

andstorelysisoftheinformationwhichcanbeudto

improveinstructionalsystemandenhancelearningeffectfromthedatahasbeenagreatattractioninthefieldofeducationinformati-

paper,theconceptoflearninganalyticsisfirstlyintroducedasthemeasurement,collection,analysisandreportingof

dataaboutlearnersandtheircontexts,forpurposofunderstandingandoptimizinglearningandtheenvironmentsinwhichitoccurs.

Next,thedevelopmentoflearninganalyticsissummarized,anditswideapplicationandpotentialdevelopmentineducationareindi-

catedandprospected,suchas:learninganalyticscanbeudaffectivesupporttoolsforinstructiondecision-makingandoptimiza-

tioninstructionforteacher,itcanprovideeffectivedatasupportingforstudents'lf-directedlearning,lf-evaluation,learningearly

r,itcanalsoofferdatareferenceforpersonalizedlearningdesignandenhancerearchefficiencyforeducationre-

y,thechallengesandproblemsthatlearninganalyticsarefacingarepointedout,suchasprivacy,accuracyandcom-

patibility.

【Keywords】

Learninganalytics;Learningbehaviors;Datamining;Teachingdecisionmaking;Datasupport

收稿日期

：2011年12月15日

责任编辑

：

陶侃

SpecialContribution

25