摘要：学习分析是大范围收集学习者的学习数据并加以分析，从而评价学习者的当前学习情况、预测其未来的学习表现，并查找潜在问题。数据来源包括学习者的显性行为，包括学习课程、完成作业和测试的情况，也包括其它隐性表现，包括网络社交行为和其它不作为学习表现直接评估的活动。本文首先讨论了国内外教育大数据分析研究的现状、学习分析的历史、概念和必要性。其次讨论了学习分析的实现，会用到哪些关键技术，以及学习分析的典型应用。
关键词：学习分析；教育大数据；可视化技术；学习行为；CMI；DDDM
一、引言
互联网、云计算和大数据等技术的发展推动着教育信息化的发展。在基础教育领域，国家提出了基础教育资源公共平台的具体落实措施，以实现优质资源共建共享、优质资源班班通，最终通过信息化的手段促成教育的公平。2011年，高等教育领域出现的了一种新型的MOOC课程模式[1-2]。随后，这种模式成为许多大学认真研究的新事物，无论是在校学习者还是社会公众，都可以获得各类开放式的网络优质课程资源。由此可见，在线教育正在逐步掀起一股新的革命的浪潮，成为一种必然和必要的学习模式。同时，在线教育资源产生的海量数据也为学习分析和教育数据挖掘研究提供了基础，引发我们对教育更深层次的研究和思考。
二、概述
2.1 教育大数据现状2.1.1 国内现状分析。2012年，国内开始有相关论文开始研究教育大数据。至今，大数据在教育领域的应用研究进入了起步阶段。随着我国社会在近几年的快速发展，信息技术与教育领域已经开始融合，教育事业的发展势必是离不开信息技术的，信息技术同时也能够促进教育事业的不断改革。早在2013年，国内掀起了基于大数据技术促进教育改革和创新的研究热潮。同时将信息技术应用于教育事业中也是广大教育者的期望，在2014年的3月，我国的教育部办公厅就印发了《2014年教育信息化工作要点》中指出了要加强信息技术在教育事业中的应用，我国也自此加强了对于教育大数据的研究，不断地发现数据、挖掘数据、利用数据，为的就是将信息技术更好的应用于教育事业。2.1.2 国外现状分析。在国外，已经出现一些企业成功的教育大数据进行了成功的商业化。在美国，IBM联合一所学校进行了大数据合作。以及专门运用预测性分析帮助提高学习成绩的公司、“梦盒学习公司”、“纽顿”公司也已经成功的利用教育大数据成功的发布了属于自己公司的利用大数据的适应性学习的系统。不仅是在美国，在加拿大的“渴望学习”也已经推出了信息的大数据的服务项目。由以上的国外的研究中就可以看出，大数据教育在国外的研究较于国内相比还是比较领先的，所以我国应该不断地汲取在国外的这些研究经验，进而不断地提高国内的研究水平。2.2 学习分析的历史。利用数据考核、分析和评估教学和和学习存在的历史已经非常的悠久了，另外学习分析技术在CMI等计算机网络等技术领域同时也是存在了很长的时间。由此就可以看出来，学习分析技术也可以看成是DDDM以及CMI的一种继承、延伸和发展。（一）CMI。CM可以说是第一代教育数据应用系统，CMI是为个别化教学程序所提供支持的管理信息系统，它最为显著的功能就是确定和满足为学习者在学习过程中所产生的各种各样的学习需求，并且为学习者提供个性化的符合学习者需求的学习资料，更加方便与学习者的学习。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）学生每日的活动记录；（3）学生的学习目标及学习程序；（4）测试答案文档及测试文档；（5）教学目录及学习指南；（6）有关的预测及分析数据。（二）DDDM。DDDM就是利用计算机的计算能力从而进行数据的分析，并且提供决策的支持的思想，随着社会的不断发展，计算机的计算能力也越来越强。根据Wayman（2005）的观点，在目前的学校领域中，一般来说提供数据的信息系统大致应该有三个种类，即学生信息系统、学习评估系统、数据仓库系统这三种，这三类的功能各有所侧重，向学生信息系统就是记录学生在日常的学习过程中的出勤率、等情况；学习评估系统就是根据学习者的学习情况、出勤率等方面对学生进行学习评估和分析；数据仓库系统就是为学生和教师访问各种类型的历史数据提供接口，方面学生和教师查阅资料。2.3 学习分析的概念。学习分析技术就是对学生生成的海量的学习数据加以解释和分析，并且评估学生的学术进展情况，以发现学习者潜在的学习问题，加以改正。一般来说学习分析技术分为五大环节，即数据采集、数据存储、数据分析、数据表示、服务应用。数据采集就是对学习者的相关数据以及学习资源数据进行采集；数据存储、分析、表示就是将采集到的学习者的数据进行存储、分析；服务应用就是将学习者的学习数据进行评估，对未来的进展情况进行预测。学习分析是大范围收集学习者的学习数据并加以分析，从而评价学习者的当前学习情况、预测其未来的学习表现，并查找潜在问题。数据来源包括学习者的显性行为，包括学习课程、完成作业和测试的情况，也包括其它隐性表现，包括网络社交行为和其它不作为学习表现直接评估的活动。2.4 学习分析必要性。在大数据背景下的在线学习，将产生大量的过程性和结果性的数据，学习分析成为一种必要，主要体现在以下三个方面：2.4.1管理者的角度。即实现管理者大规模的管理需求。在线学习的大规模性主要体现为资源多、用户多、互动交流多、数据巨大。如何充分发掘和利用这些数据，使数据的价值最大性发挥？如何进行大规模的评估评价？如何进行大规模的趋势预判？这些都是管理者所面临的问题，通过开展在线学习深入分析，能够让管理者做到心中有数。2.4.2教师的角度。即教师获得教学反馈的需要。在线学习模式下，教师与学习者的互动性显得更加容易，学习者可以在线对课程进行评价，向教师提问题、考试和作业。基于在线学习平台对学习过程的记录，教师可以准确了解学习者在学习过程中普遍存在的问题，并通过教学反思以不断改进教学方法。2.4.3学习者的角度。即学习者学习个性化的需求。在线学习为每个学习者提供灵活的学习环境，无限制的空间和无限制的时间。每个学习者都在创造自己的大数据。在学习分析的支撑下，平台可以了解学习者成长的轨迹，学习的现状，学习者的学习规律， 可实现学习资源的个性化推送、学习质量分析，利于学习能力的提高、学习兴趣的培养、提供个性化的服务。
三、学习分析的实现
3.1 学习分析关键技术3.1.1 大数据分析。大数据分析技术将隐藏于海量学习数据中的信息和知识挖掘出来，以图形化的方式直观展现出来，根据分析结果还可以做出前瞻性的判断。大数据分析利用回归分析(多元回归、自回归等)、判别分析(贝叶斯判别、费歇尔判别、非参数判别等)、聚类分析(系统聚类、动态聚类等)、探索性分析(主元分析法、相关分析法等)，多种分析的方法来确定能够对学习者的交互行为以及成绩等因素产生的影响并且构建架构模型［3］。大数据分析利用数据网络挖掘、特异群组挖掘、对象连接、相似性连接等挖掘和融合技术，实现学习者兴趣分析、网络行为分析、情感语义分析等,提炼出有价值信息。3.1.2 可视化技术。可视化技术是将数据转换为图形图像的处理技术，它涉及到计算机辅助设计、视觉和人机交互技术。应用可视化技术，可以在大量高位的学习信息中发现数据中所隐含的内在规律。数据可视化技术一般过程可划分为数据预处理、映射、绘制和显示。数据预处理涉及数据格式标准化、数据变换和数据压缩／解压缩。映射完成数据建模，是核心。绘制完成几何数据转换成图像的过程。显示模块按照用户的指令进行图像输出，实现人机交互［4］。3.1.3 个性化推送。个性化推送顾名思义就是根学习者的学习特点以及学习的方式自主的进行推送能够满足学习者需求和个性化需求的学习资源和路径。大数据可以通过分析学习者的学习数据、分析过学习者更加适合哪一种课程和知识，从而向学习者推荐相关的课程和知识，使得学习者能够提高对于学习的兴趣，进而提高学习者学习的效率。3.2 学习分析典型应用。对于学习分析来说，它的对象就是学习者及其学习的环境，最终的目的就是要发现问题并解决问题，进而优化学习者的学习［5］。可以是全部学习者的整体分析，也可以是针对某个学习者的个体分析。3.2.1 整体分析3.2.1.1 人群特征分析。从学习者的地域分布（国家、地区等）、学历（博士、硕士、本科、中学、中学以下等）、性别（男、女）、年龄等多个方面进行统计分析，从而获得各种维度类型的学习者的数量、比率和差异分析。3.2.1.2 用户类型分析。采集学习者注册后的学习数据，将从未进行任何课程学习、考试、在线交流等学习活动的学习者定义为注册者。将仅注册课程并未完成任意课程的学习者定义为一般学习者。将注册课程并完成任意课程的学习者，或取得任意课程考试成绩证书的学习者定义为积极学习者。3.2.1.3 课程质量分析。通过课程通过率、学习者的评价数据、课程访问次数、课程访问实效性等多方面的综合分析，评估课程的质量，便于课程的及时修订、教学策略调整和教学过程优化。同时，便于及时地了解到学习者对于哪一些学习资源的关注程度更高，对于哪一种学习资源的关注程度比较少，进而有利于对于学习资源的优化，通过这样对于学习者关注的学习资源进行加深，对于学习者关注程度较低的学习资源可以适当的减少。3.2.2 个体分析3.2.2.1 知识结构分析。采集学习者与资源平台的交互数据，如课程完成度、测试成绩、课程访问次数等，构造学习者的知识结构图，如某个知识点已通过测试可以判定该知识点已掌握，某个知识点还未学习完成、多次访问并未通过测试，说明学习者可能还未完全消化这个知识点［6］。3.2.2.2 学习行为分析。根据学习者的注册时间、最后登录时间、登录频率、注册课程的数量、课程视频和课件的访问次数、测试次数、获得证书数量、交流互动次数、下载的课程、标注的课程等数据，对学习者的学习行为进行分析，比如可以分析学习者的兴趣爱好、学习态度等，同时可针对学习者提供相应的合适学习资源，提高学习者的学习效率和学习兴趣。3.2.2.3 学习路径分析过。通过对于学习者的课程浏览情况分析以及学习路径的分析可以充分的了解到学习者在学习的过程中的各种静态以及动态的信息。另外通过其他的角度对于学习者的学习路径，及学习者在学习过程中浏览课程页面中所产生的一些数据信息进行分析[7]。3.2.2.4 学习效果分析。通过学习者的测试考试结果，再结合学习者知识结构和学习行为的分析，建立个性化的诊断。比如，某个学习者成绩低于所有学习者成绩的平均水平，可以借助数据分析，是因为知识结构的欠缺，还是因为学习行为不积极而造成的。如果是知识结构的问题，可以向学习者推送薄弱知识点内容。如果是学习不积极，可以推送学习提醒，对学习者进行个性化的指导。
四、总结
大数据时代的教育资源学习分析，能够充分地尊重学生之间的差异性，根据不同学生不同的特点以及学习需求，帮助学生制定个性化的学习计划，并且对于学习者的各种的学习行为以及学习的额特点进行记录和跟踪，最终通过数据的比对和分析，预测学习者的未来成绩。同样，学习分析作为教育领域的一个兴新的研究方向，需要解决的问题还很多，但是笔者相信学习分析的前景是非常的美好的，随着我国对于学习分析的研究深入以及问题的不断解决，关注学习分析问题的社会大众也会越来越多，所以，学习分析在不久的将来一定会得到良好的发展以及广泛的应用。
参考文献
[1]李曼丽,张羽,叶赋桂,等.解码MOOC[M].北京:清华大学出版社,2013:85-99.
[2]杨劲松,谢双媛,朱伟文,方小楠.MOOC:高校知识资源整合与共享新模式[J].高等工程教育研究,2014(2):85.
[3]李艳燕,马韶茜,黄荣怀.学习分析技术:服务学习过程设计和优化[J].开放教育研究,2012(5):18-24.
[4]陈为.数据可视化[M].北京:电子工业出版社,2013:124-399.
[5]李凤英,齐宇歆,薛庆水.大数据视域下的虚拟学习社区安全研究[J].远程教育杂志,2013(4):76-82.
[6]曹梅.知识发现在网络教学系统中的应用研究进展[J].开放教育研究,2008(12):89-93.
[7]顾小清,张进良,蔡慧英.学习分析:正在浮现中的数据技术[J].远程教育杂志,2012(1):18-25.
作者：何晓冬
