基于內容分析法的學習分析國內研究綜述
來源:用戶上傳
作者:
摘 要：隨著教育大數據的快速發展，利用學習分析技術挖掘其潛在價值受到越來越多學者的關注。以CNKI數據庫中核心期刊為數據來源，基于內容分析法，對107篇相關文獻進行分析，從學習分析研究領域高頻關鍵詞以及研究主題兩方面探究目前國內學習分析領域研究現狀。從深化學習分析數據可視化研究、自適應學習分析系統設計與應用研究、完善基于學習分析的綜合測評模型、關注倫理道德與安全問題等方面提出未來發展趨勢。
關鍵詞：學習分析;內容分析法;研究綜述;教育信息化;教育大數據
DOI：10. 11907/rjdk. 181945
中圖分類號：G434 文獻標識碼：A 文章編號：1672-7800（2019）002-0208-04
Abstract：With the rapid development of big data on education， the use of learning analytics technology to tap its potential value has attracted more and more attention of scholars. Based on the core journals in the CNKI database as the data source， the article analyzes 107 related articles based on the content analysis method， and explores the current research status in the field of domestic learning analysis from the two major aspects of high-frequency keywords in the field of learning analysis and research topics. Finally， by deepening the study of learning analysis data visualization and adaptive learning analysis system design and application research， we improve the comprehensive evaluation model based on learning analysis and pay attention to ethical and security issues and other aspects to put forward the future development trends.
Key Words：the content analysis method; learning analysis; research overview; education in formatization; big data on education
0 引言
隨著大數據時代到來，大量學習者行為數據產生，需要利用學習分析技術分析海量學習數據背后的意義，使得學習分析成為教育領域的熱點問題。
學習分析自2011年在地平線報告中被提出后，就受到了國內學者密切關注。顧小清等[1]將學習分析定義為：運用不同分析方法和數據模型，解釋與學習者信息有關的數據，進而探究學習者的學習過程與規律; 或根據數據闡釋學習者的學習表現，為其提供相應反饋從而促進更加有效的學習。學習分析通過對學習者在學習過程中產生的數據進行分析，并以可視化形式呈現分析結果，教師或管理者參照預測模型對學習者的學習行為進行預測，便于識別風險學習者，實施干預，并可提供個性化學習資源推送以及學習路徑等個性化學習服務，是實現因材施教的技術支撐。本文旨在通過對國內學習分析文獻進行內容分析，了解目前學習分析研究現狀，提出未來發展趨勢。
1 分析過程
1.1 搜索詞確定
將搜索主題詞確定為“學習分析”，時間檢索設置為“2013-2017年”，為了得到較權威的文獻，以“核心期刊”為檢索條件。
1.2 文獻搜索數據庫確定
以CNKI為數據庫，如表1所示，共檢索到期刊文獻194篇。
1.3 相關度較低文獻去除
將194篇文獻導入EndNote軟件中，結合文獻標識關鍵詞以及對文獻摘要的詳細閱讀，刪除相關度較低文獻87篇，將剩余107篇相關文獻作為研究樣本。
1.4 關鍵詞分析
對每篇文獻標識關鍵詞進行匯總，利用EndNote軟件將109篇文獻的關鍵詞輸出，導入Excel中進行頻次統計，得到高頻關鍵詞列表（見表2）。
1.5 內容分析
采用內容分析法，對107篇學習分析期刊論文進行內容分析，根據研究主題不同進行梳理，了解目前國內學習分析領域研究現狀。
2 分析結果
2.1 高頻關鍵詞
通過對高頻關鍵詞分析，可以初步了解目前國內學習分析領域的研究熱點。從表2可以看出，目前國內學習分析領域主要聚焦于促進個性化學習、在線學習、可視化、教育數據挖掘、社會網絡分析等方面。此外，大數據、教育大數據以及MOOCs是與學習分析密切相關的研究領域。
2.2 內容
結合高頻關鍵詞，對107篇相關文獻進行內容分析后，將目前國內學習分析領域的研究重點按照研究主題劃分為基于學習分析的理論研究、基于學習分析的應用研究、基于學習分析實現個性化學習研究、學習分析關鍵技術、自適應學習分析系統設計與應用、基于學習分析的綜合評價參考模型研究六大類（見圖1）。 2.2.1 基于學習分析的理論研究
該類研究主要是國內學者對目前國內外學習分析領域的研究現狀、未來發展趨勢、在教學中運用學習分析技術的發展與出路、面臨挑戰等方面進行剖析，為學習分析技術的應用提供理論指導。郭炯等[2]基于文獻分析法對國內外學習分析領域的研究現狀進行分析，將研究重點劃分為理論框架、模型研究、學習分析技術基礎、學習分析工具、應用研究和面臨挑戰六大類;鄭旭東等[3]通過文獻綜述，分析了學習分析在高等教育領域應用的進展、挑戰以及出路。
2.2.2 基于學習分析的應用研究
根據學習分析在應用過程中分析對象不同進行整理，將研究對象主要劃分為學習者、教師、在線學習過程、協作學習過程。從研究對象、數據類型、數據來源以及應用目的4個維度對目前學習分析技術應用的特點進行整理（見表3）。
2.2.3 基于學習分析實現個性化學習研究
?。?）構建自適應學習分析模型，提供個性化學習服務。該方面研究主要是構建自適應學習分析模型，對學習者學習行為數據進行分析，參照模型，對不同學習者提供個性化學習資源及合適的學習路徑，并可以幫助學習者了解知識掌握程度，及時調整學習進度，進而達到優化學習者學習過程、提高學習質量的目的，讓教師為學習者提供個性化指導與干預等。姜強等[4]從數據與環境（What）、關益者（Who）、方法（How）和目標（Why）等4個維度構建個性化自適應在線學習分析模型。岳俊芳等[5]從個人信息、學習風格、學習興趣和知識模型4方面構建遠程學習者模型，該模型可以實現個性化資源推送、個性化學習路徑和遠程督導服務。武法提等[6]以內容個性化、學習活動個性化、學習方式個性化和學習評價個性化為分析維度構建了基于電子書包大數據的學生個性化分析模型。
?。?）構建預測/干預模型，提供個性化干預措施。該方面研究主要是為了避免課程學習失敗，參照構建的干預模型，通過分析及時識別出存在風險的學習者，及時發出預警信號并針對性地實施干預措施，真正實現因材施教以幫助學習者提高學習效率。李彤彤等[7]構建了以干預引擎為核心的“狀態識別—策略匹配—干預實施—成效分析”4環節循環結構干預模型。趙慧瓊等[8]利用多元回歸分析法判定影響學生學習績效的預警因素，在此基礎上構建了干預模型;金義富等[9]提出了一種基于離群數據挖掘與分析的課程、課堂、課外“三位一體”預警信息發現與生成模型 （Model of Learning Alert Based on Outlier Mining and Analysis，LAOMA），建立了學業預警兩類六級信號系統及反饋機制。
2.2.4 學習分析關鍵技術
學習分析技術完成數據的分析、處理以及呈現過程，是學習分析的核心存在。孟玲玲等[10]對學習分析工具進行了梳理，將其分為學習網絡分析工具、學習內容分析工具、學習能力分析工具、學習行為分析工具及其它綜合分析工具。本文基于文獻閱讀，對國內學者使用頻率較高的學習分析方法進行了梳理。
（1）教育數據挖掘技術。聚類分析、決策樹分析等數據挖掘技術可以分析與解釋學習行為數據，例如完成對學習者分類、預測學習者課程表現、發現風險學習者、對影響學習者學習因素相關性進行分析等。孫洪濤等[11]對252門MOOCs的在線交互狀況進行了聚類分析;舒忠梅等[12]采用逐步回歸和決策樹分析等教育數據挖掘技術對大學生滿意度數據進行了分析。
?。?）社會網絡分析法。該方法用于分析組成網絡的學習者之間的關系，在學習分析中多被用于分析在線學習中學習者交互現象，發現潛在規律。通過對交互數據處理，呈現可視化結果，社會網絡分析法可以幫助教師了解學習者交互情況。戴心來等[13]通過基于Moodle平臺的一門大學網絡課程，以學習分析工具（分析工具 SNAPP 和 UCINET）和社會網絡分析法對網絡論壇討論區中的交互數據進行分析，確定了核心參與者、積極參與者、消極參與者和邊緣者等4種學習者類型，據此進行教學干預，從而更好地促進虛擬學習社區發展。
?。?）滯后序列分析法。滯后序列分析法（Lag Sequential Analysis，LSA）主要用于檢驗人們發生一種行為之后另外一種行為出現的概率及其是否存在統計意義上的顯著性。楊現民等[14]提出了國內外對LSA在學習行為分析中的應用主要集中在3個方面：通過LSA分析整個在線活動中的行為模式;利用LSA對比在線學習活動中不同階段行為模式的差異;應用LSA探究高低成就組在學習活動中行為模式的異同。
2.2.5 自適應學習分析系統設計與應用
該方面研究主要是實現基于學習分析系統的設計與應用，對學習者學習過程中的行為數據進行記錄、分析以及可視化，及時反饋學習效果，幫助學習者更好地了解學習情況，為其提供個性化學習服務;幫助教師與管理者優化教學決策。鄧莉瓊等[15]利用大數據學習分析技術構建了一個計算機網絡自適應學習系統，達到因材施教和培養學生自主學習能力的效果;朱珂等[16]提出了一個應用學習分析技術的自適應學習系統框架，通過對sakai學習平臺二次開發，基于學習分析技術構建了一個包含6個組成部分的自適應學習系統;吳洪艷[17]構建了能分析學習者學習行為和知識狀態，按需推送合適學習資源，并提供適時學習干預的個性化在線學習系統。
2.2.6 基于學習分析的綜合評價參考模型研究
目前國內學者基于學習分析從教師、課程、學生以及機構等不同角度對在線教育進行評價，構建相應評價參考模型。
?。?）教師綜合評價參考模型。評價教師提供的學習支持服務效果，幫助教師提升自己的教學質量。陳耀華等[18]基于學習分析構建了教師綜合評價參考理論模型（T-SERI 模型），包括促進度、投入度、聯通度、認可度和調控度5個方面（見圖2）。
?。?）學習者綜合評價參考模型。學習者評價可以使學習者學習過程不斷完善，通過利用學習分析技術處理與分析學習者數據，建立評價模型，可以提供評價標準，為學習者預測與干預提供支撐。鄭勤華等[19]構建了以投入度、完成度、調控度、聯通度和主動性為核心的五維度學習者綜合評價參考理論模型（見圖3）。 （3）課程綜合評價參考模型。課程作為在線學習的載體，對其進行評價是對在線教育評價的組成部分之一。課程評價模型的構建為利用學習分析技術完成對課程評價提供了理論指導，有利于完善課程建設與實施。孫洪濤等[20]構建了課程評價模型（C-SERI 模型），從媒體技術、學習資源、學習活動、學習支持和聯通度5個維度對在線學習課程進行評價（見圖4）。
?。?）機構在線教學過程評價指標體系。該評價指標體系的建立，為在線教育機構教學質量評價提供了依據，為提升在線教學質量評價提供參考。魏順平等[21]以遠程教育機構在線教學過程為評價對象，構建了“基于數據驅動的教育機構在線教學過程評價指標體系”。該體系可以精確呈現機構之間的差距，并對于改進大規模在線教育機構工作效率、提升教學質量有重要意義。
3 學習分析研究領域發展趨勢
3.1 學習分析數據可視化研究
學習行為數據可視化是學習分析過程中的重要環節，是提供反饋的基礎，其在為學習者提供個別化指導方面起著重要作用。通過對抽象數據的分析，將數據背后的意義以直觀形式呈現給學習者及教師，讓學習者及時了解自己對課程的掌握程度、易錯點、學習進度等學習情況，讓教師實時監控學習者的學習過程，及時發現風險學生，實施干預。因此，為不同對象提供個性化可視化結果仍然需要國內學者持續關注。
3.2 自適應學習分析系統設計與應用研究
就學習者而言，自適應學習分析系統在對其產生的行為數據進行分析后，可以提供個性化學習資源，讓學習者自定步調進行課程學習;就教師與管理者而言，可以更精準了解學習者的學習情況，及時提供預警信號，提供干預措施，完善教學設計與教育決策。但是，目前國內對該系統的技術與理論方面研究較少，還處于初步階段，因此仍需要國內廣大學者不斷完善。
3.3 基于學習分析的綜合測評模型
目前國內基于學習分析從教師、學習者、機構以及課程層面構建了綜合測評模型，并進行了實際應用，但是技術不斷發展，方法不斷更新，新發展要求對評價框架作出新調整。因此，要根據實際情況不斷調整評價框架。鄭勤華等[19]構建的學習者綜合評價參考模型并不適合所有課程，且沒有考慮實踐技能等方面的習得。在今后研究中，要加強模型的適應性與穩定性。
3.4 倫理道德與安全問題
要進行學習分析，就需要獲取分析者數據，因此倫理道德是一個不可避免的問題。國內有學者也關注到該問題，顧小清等[22]指出了學習分析技術存在明顯的倫理問題，有可能因收集分析學習者數據而侵犯個人隱私。但是，目前國內與學習分析相關的法律法規尚未完善。因此，在今后的學習分析研究中，需關注倫理道德與安全問題。
4 結語
大數據時代下，利用學習分析手段對教育數據進行可視化，對提高教師的教學效果、優化學生學習過程等意義重大。但是，其在發展過程中也面臨數據安全與倫理道德問題，需加強模型適應性，完善學習分析工具設計等，需要廣大學者深入研究。
參考文獻：
[1] 胡藝齡，顧小清，羅九同，等. 教育效益的追問：從學習分析技術的視角[J]. 現代遠程教育研究，2014（6）：41-48.
[2] 郭炯，鄭曉俊. 基于大數據的學習分析研究綜述[J]. 中國電化教育，2017（1）：121-130.
[3] 鄭旭東，楊九民. 學習分析在高等教育領域內的創新應用：進展、挑戰與出路[J]. 中國電化教育，2016（2）：2-7.
[4] 姜強，趙蔚，王朋嬌，等. 基于大數據的個性化自適應在線學習分析模型及實現[J]. 中國電化教育，2015 （1）：85-92.
[5] 岳俊芳，陳逸. 基于大數據分析的遠程學習者建模與個性化學習應用[J]. 中國遠程教育，2017（7）：34-39.
[6] 武法提，牟智佳. 基于學習者個性行為分析的學習結果預測框架設計研究[J]. 中國電化教育，2016（1）：41-48.
[7] 李彤彤，黃洛穎，鄒蕊，等. 基于教育大數據的學習干預模型構建[J]. 中國電化教育，2016（6）：16-20.
[8] 趙慧瓊，姜強，趙蔚，等. 基于大數據學習分析的在線學習績效預警因素及干預對策的實證研究[J]. 電化教育研究，2017，38（1）：62-69.
[9] 金義富，吳濤，張子石，等. 大數據環境下學業預警系統設計與分析[J]. 中國電化教育，2016（2）：69-73.
[10] 孟玲玲，顧小清，李澤. 學習分析工具比較研究[J]. 開放教育研究，2014，20（4）：66-75.
[11] 孫洪濤，李秋劼，鄭勤華. MOOCs交互模式聚類研究[J]. 中國遠程教育，2016（3）：33-38+44.
[12] 舒忠梅，徐曉東. 學習分析視域下的大學生滿意度教育數據挖掘及分析[J]. 電化教育研究，2014，35（5）：39-44.
[13] 戴心來，王麗紅，崔春陽，等. 基于學習分析的虛擬學習社區社會性交互研究[J]. 電化教育研究，2015，36（12）：59-64.
[14] 楊現民，王懷波，李冀紅. 滯后序列分析法在學習行為分析中的應用[J]. 中國電化教育，2016（2）：17-23+32.
[15] 鄧莉瓊，肖秋根，李中寧，等. 基于大數據分析的計算機網絡課程自適應學習系統構建[J]. 計算機工程與科學，2016（S1）：276-280.
[16] 朱珂，劉清堂. 基于“學習分析”技術的學習平臺開發與應用研究[J]. 中國電化教育，2013（9）：127-132.
[17] 吳洪艷. 智慧學習視角下個性化在線學習系統設計與應用[J]. 中國電化教育，2015（6）：127-131.
[18] 陳耀華，鄭勤華，孫洪濤，等. 基于學習分析的在線學習測評建模與應用——教師綜合評價參考模型研究[J]. 電化教育研究，2016，37（10）：35-41.
[19] 鄭勤華，陳耀華，孫洪濤，等. 基于學習分析的在線學習測評建模與應用——學習者綜合評價參考模型研究[J]. 電化教育研究，2016，37（9）：33-40.
[20] 孫洪濤，鄭勤華，陳耀華，等. 基于學習分析的在線學習測評建模與應用——課程綜合評價參考模型研究[J]. 電化教育研究，2016，37（11）：25-31.
[21] 魏順平，程罡. 數據驅動的教育機構在線教學過程評價指標體系構建與應用[J]. 開放教育研究，2017，23（3）：113-120.
[22] 顧小清，張進良，蔡慧英. 學習分析：正在浮現中的數據技術[J]. 遠程教育雜志，2012，30（1）：18-25.
（責任編輯：何 麗）
轉載注明來源:http://www.hailuomaifang.com/8/view-14803811.htm
