学习分析技术综述一、学习分析技术的起源与发展学习分析是一个新兴的、正在发展的学科，是技术促进学习研究中增长最快的领域之一，也是当前的研究热点。
美国新媒体联盟与美国高校教育信息化协会主动学习组织合作“新媒体联盟地平线项目(The New Media Consortium's Horizon Project)”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。
近年来,在教育技术领域，学习分析逐渐成为了迅速发展的新热点之一。
我们可以看出，各种学习技术系统中己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，这就急迫需要一种新的技术对这些数据进行分析, 为改进学习实践、增强学习效果提供依据。
尽管在传统教学过程中也能够评估学生的成绩、分析教学过程,从而提高教学的质量，但是所采集的数据往往不够充分,信息化程度较低，而且分析结果用于干预教学的周期过长，效果不明显。
因此，学习分析技术逐渐浮现出来，并受到越来越多的关注。
［1］二、学习分析技术背景在学习分析概念形成之前，相关方法、技术和工具都已经发展起来了。
学习分析从一系列研究领域汲取技术，如数据统计、商业智能 (Business Intelligence)、网页分析(Web Analytics)、运筹学(Operational Research)、人工智能(AI)、教育数据挖掘(EDM )、社会网络分析、信息可视化等。
数据统计历来作为一个行之有效的手段用来解决假设检验问题。
商业智能以数据仓库、联机分析处理、数据挖掘等技术为基础，从不同的数据源中提取数据，将之转换成有用的信息，它与学习分析有相似之处，但它历来被定位于通过可能的数据访问和绩效指标总结使生产更高效。
网页分析工具，如Google analytics通过网页访问量 ,与互联网网站、品牌等的关联做出报告，这些技术可以用来分析学生的学习资源(课程,材料等)以追踪学生的学习轨迹。
运筹学通过设计优化数学模型和统计方法使目标最优化。
人工智能和数据挖掘中的机器学习技术建立在数据挖掘和人工智能方法上，它能够检测数据中的模式。
在学习分析中的类似技术可用于智能教学系统，以更加动态的方式对学生进行分类而不是简单地进行人口统计分类，可以通过协同过滤技术对特定的资源建立模型。
社会网络分析可以分析出隐含的人与人(如在论坛上的互动)和外显的人与人(如朋友或者关注对象)之间的关系，在学习分析中可用于探索网络集群、影响力网络、参与及不参与状况。
信息可视化是很多分析的重要一步(包括上面列出的那些分析方法)，它可以用来对所提供的数据进行意义建构，John Tukey1977年在他的《探索性数据分析》一书中给我们介绍了如何更好地利用信息可视化，Turkey强调使用可视化的价值在于帮助在形成正式的假设之前做检验。
以上这些学习分析技术都可以对大量数据进行分析和处理,形成分析报告为教育提供帮助。
［2］三、国内外研究现状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，主题之一就是学习分析技术。
美国新媒体联盟发布的2010年度和2011年度《地平线报告》均预测学习分析技术将在未来的四到五年内成为主流。
可见，学习分析技术已逐渐成为教育中的一项新兴技术。
事实上，在“学习分析技术”概念出现之前,与之相关的技术、工具及其应用研究已经开展起来。
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,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。
Romero & Ventura(2007)以及 Baker & Yacef(2009)对10余年的教育数据挖掘研究进行分析,归纳出5类教育数据挖掘方法,它们是统计分析与可视化;聚类(聚类、离群点分析);预测(决策树、回归分析、时序分析);关系挖掘(关联规则挖掘、序列模式挖掘、相关挖掘);文本挖掘。
另外,随着网络学习及相关学习管理系统的不断普及,数据挖掘方法在学习管理系统中得到应用, 并开启了利用网络分析技术对学习者行为加以分析的研究, Romero等人(2005)对Moodle学习平台的日志分析是这方面研究的典范。
记录在学习管理系统中的学习者行为数据,经过聚集、分类、可视化以及关联规则分析等操作,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模型。
随着学习分析研究与实践的不断深入,除了数据挖掘方法外,一些原本属于社会科学领域的方法如社会网络分析法、话语分析法、内容分析法等也得到成功应用并成为学习分析的关键技术,这些方法的典型应用之一是师生交互行为分析。
［3］四、学习分析技术的内涵学习分析技术是一个新兴的研究领域，学习分析技术是对学生生成的海量数据的解释，以评估学生的学术进展，预测未来的表现，并发现潜在的问题。
简单地说，学习分析技术旨在应用数据分析为教育系统的各级决策提供参考,关键内容就是应用于教育领域的大数据分析。
这一研究方法原先来自于商业领域，商家通过对消费者的活动进行数据发掘分析来把握消费趋势。
比如淘宝网会根据用户购买和浏览过的产品，来推断用户对某类产品的偏好。
又如在社交网站中，新浪微博会根据个人的关注对象推荐该用户可能感兴趣的其他对象。
这类技术的实质，就是通过对数据的提取、归类、分析与总结，进行统计性的预测和判断。
基于学生相关数据的分析则是以学生群体为主体，以设计出更完善的教学方法为目标，致力于为学生提供高质量、个性化的学习体验，并评估制定的学习计划是否能有效帮助学生加强学习, 这些分析结果对于教学双方来说都具有重要的意义。
对教育工作者和研究人员而言，学习分析在剖析学生与在线文本、课件之间的互动中发挥着至关重要的作用。
对学生而言,通过开发用于分析学生具体数据的移动软件和在线平台, 能够为学生提供符合他们学习需求的支持服务系统，使他们受益于学习分析，提高学习成绩和学习效率。
［4］五、组成学习分析的成分由定义可知,学习分析的核心是收集相关的分析数据。
目的是评估、预测学习群体的学习状态和学习效果;最终目标是提供个性化的学习支持。
学习分析由五个部分组成:1.数据收集：这些数据可以来自学生的基本信息，也可以是学生在学习生活中的行为信息，如学生的兴趣爱好、经常使用的学习工具等数据信息。
2.分析：使用学习分析工具将手机的数据进行需要分析。
结果以表格、图表等可视化的形式呈现在各种媒体上。
3.学生学习：学习分析核心的分析对象就是学生的学习。
学习分析告知教师:学生在做什么,他们将时间花在什么地方,他们获取了哪些内容,学生学习的进展如何等方面的问题。
4.反馈：学习分析的结果可以提供给教师、学生以及管理者。
学生可以将分析结果作为自身学习的一个监督量表。
而教师和管理者则是依据分析结果重新规划教学活动,提高教学质量。
5.干预：学习分析不仅仅是判定学生处在什么样的一个学习状态中。
更是通过学生课程学习产生的数据,掌握学生在课程学习中的特定阶段和特定活动,为学生个性化学习和指导提供了依据。
［5］六、学习分析技术的分析方法学习分析技术除了传统的数据分析方法外, 充分吸收了大数据时代下各个领域的新技术, 包括社会网络分析法、话语分析法和内容分析法。
这些新技术的引入,使得学习分析逐渐科学化、现代化和智能化。
1.社会网络分析法(Social Network Analysis)原先是一种社会学研究方法, 它是对社会网络的关系结构及其属性加以分析的一套规范和方法, 现已广泛运用于教育领域。
如果将学习者个体作为研究对象,通过社会网络分析法, 我们不难判断学习者个体向哪些同伴寻求了学习帮助,在哪些方面产生了学习认知上的困难, 又有哪些具体的情境因素影响了学习者个体的学习过程等。
如果将整个网络作为研究对象,社会网络分析法主要关注的是网络学习过程中信息的分布和个体学习的进展情况。
2.话语分析法(Discourse Analysis)原先是一种语言学研究方法, 是在课堂对话基础上建立的口语分析方法,经过不断发展引入到教育领域,在课堂教学实践中得到了广泛应用。
在大数据时代下,话语分析的对象不仅仅只是教学过程中面对面的对话内容, 还涉及网络课程与会议中产生的文本内容, 以及网络背景下的异步交流内容等。
通过话语分析技术,我们可以对网上学习交流过程中话语的文本性含义有更深入的了解,从而探究知识建构的本质,对整个学习发生的过程获得更加清晰的认识。
3.内容分析法(Content Analysis)是一种对传播内容进行客观、系统和定量描述的研究方法。
内容分析的过程是一个层层推理的过程, 其实质是对传播内容所含信息量及其变化的分析, 即由表征的有意义的词句推断出准确意义的过程。
在教育领域中运用内容分析法,不仅可以对学习者的学习过程数据进行定量分析, 探寻学习者的行为模式;还可对其进行定性分析,运用积累的大量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。
［6］七、学习分析技术的模型1.数据的收集学习分析技术需要大量数据作为支撑,仅仅依靠结构化数据是远远不够的,必须同时收集不同系统中的非结构化数据,保障分析结果的正确性、一致性和完整性。
目前,教育系统中已经积累了大量的学生信息。
信息系统中的学生信息、课程信息和教师信息这些档案类信息都可以作为学习分析的数据来源之一;课程管理系统(CMS)和学习管理系统(LMS)中也蕴藏着大量可以挖掘的信息,包括课程中的交互信息(与老师或学生的交流等)、学习表现信息(作业完成情况等)以及行为信息等;同时,基于教师经验、教师观察以及教师直觉的课程指导方针也是形成决策树分析的必不可少的部分。
2.数据的处理结构化数据的考量很难反映一个学生在一堂课中吸收了多少知识,但是通过其在系统中的行为反应可以转化为可量化的数据来对其学习过程进行分析。
比如在在线课程中,可通过多个方面检测学生的表现:比如与同班同学相比,在网站上花费的时间;登录网站的频率; 犯了同样错误后重复犯错的概率;在某一科目停留的时间等等。
通过综合分析这些数据,可以对学生的学习行为有更深入的了解,从而更加微观地了解学生。
3.软件分析学习分析软件按照专业程度来分,可分为专用工具和通用工具两种。
“专用工具”一般是学习分析项目中的核心分析工具,它专门针对某一项目的具体要求进行设计和开发,在项目实施过程中运用该工具搜集和分析学习者数据, 从而指导教学。
典型的专用工具有Socrato、 SNAPP 和 LOCO-Analyst 等。
而“通用工具”则是原来应用于互联网、可用性设计等其他领域的工具,后来被转用于教育情境下, 用来分析学习者如何使用教学系统, 主要有 Mix panel Analytics、User fly、Gephi等几种。