学习分析:当前的挑战与未来的发展

Niels Pinkwart

(洪堡大学 计算机科学系,柏林 10099，德国)

一、引 言

学习分析研究过去几年取得了巨大进步，并将于2020年在德国法兰克福召开第10届学习分析与知识国际会议(LAK)。可以肯定的是，这一研究领域将继续发展——以数据驱动的方法辅助学习，以数据驱动更好地理解学习与教学方法，在不久的将来是不太可能消失的。但不是所有与学习分析相关的研究愿景都已经实现，有几个领域的研究还需要发展，以克服学习分析领域当前面临的挑战，并在教育实践中有所作为。已有综述文章采用网络分析方法(Dawson et al., 2014)，或者是通过论证(De Rosa， 2017)系统地(Fischer et al., in press; Avella et al., 2016)对学习分析(或相关的教育数据挖掘)的未来发展进行了展望。本文将重点放在学习者方面，突出当前学习分析研究面临挑战和机遇的三个示范性领域，每个领域各用两个案例说明。总的来说，这也许可以(至少部分地)描绘出学习分析的未来发展路径。

二、对个体的学习支持——提高适应性和支持创造力

现代教育技术(当然包括学习分析)的核心前景之一是适应性，即在学习过程中能够观察到，并非每一项任务在每个时间点都适合每个学习者，以及能够抓住合适的时机以个性化技术设计支持学习。学习理论为此提供了前提：学习者的(学习相关)特征是多样的，根据具体的学习情境提供相应的学习材料、评估或任务以满足适应性是有意义的。例如，基于计算机的自适应测试(CAT)已开展了多年的实证研究(Bernhardt, 2017)，最近得到了深入发展(Bernardi et al., 2019)。到目前为止，基于分析的适应性目标主要通过仪表盘(dashboard)等向学生提供个性化反馈，或是在测试或评估中对任务进行适应性排序(Salazar et al., 2019)。比一般任务格式、情境化或响应项的数量和类型等维度更高的个性化任务选择(甚至任务生成)，尚未被视为适应性目标。从学习分析可以获知，实现更深入的适应是可能的，更是可为的：通过对任务类别加以参数化处理，所生成的任务可以根据其难度以及对学生的适合度(如用户的偏好、地点或文化等)进行差异化提供。任务类别的自适应选择和参数设置相结合，可以获得比经典自适应测试更大的任务池和更高的测试质量，更适合学生的个人需求。这个池可以生成即使在测试提前终止的情况下也具有高测试精度的测试序列(Bernhardt，2017)，还可以在此基础上整合面向学生的高级功能，通过向学习者提供如何应对多层次任务的自适应提示支持学习者(Paassen et al., 2018)。学习分析是提高任务选择/生成适应性和提供个性化支持的关键因素之一。

除了适应性方面的进步，在教育技术领域中，个性化可以从高级分析中受益的重要方面是支持创新。教育的目的在于鼓励学生能够再现知识，更在于学生能够提出和展现自己的创意。多种证据表明，学生课堂表现出的创造力与积极的学习成果有关，利用教育技术实现创造力培养是长期的研究主题(Wheeler et al., 2002)。例如，在计算机教育领域，帕德铭和素潘雅(Pardamean & Suparyanto， 2014)的研究表明，早期采用Logo语言提高学生的创造性技能，是通过创造性思维图形测试(CTFT)衡量的。阿拉贡等(Aragon et al.，2009)利用公民科学平台和Scratch编程环境对从事创造性工作的在线社区开展的长期实证研究表明，通过在讨论论坛增加这些环境背景，可以增强社会交流和促进创造行为。然而，尽管Scratch的编程环境可以促进创造性思维的交互，但它们完全依赖于人类教师检测和促进这种行为。教育适应性技术的研究尽管蓬勃发展，但利用学习分析方法从学生互动中自动检测创造力的研究还非常少。曼斯克和侯普(Manske & Hoppe， 2014)是例外，他们使用监督学习方法检测需要数学技能的编程作业的创造力，将低级特征(如代码片段)与高级特征(如递归的使用、代码行数)结合起来训练连续变量，预测新解决方案的创造性得分。同样，庄宗严等(Chuang et al.， 2015)使用模糊逻辑检测和测量学生在游戏环境中的创造力。这类例子不多，还需要更多的研究跟进，获得实时跟踪学生互动和推断其创造性过程的算法，设计帮助学生更具创造性的自动反馈方法。

三、小组学习支持——组建小组和指导

学习分析目前尚未充分开发的第二个领域，是支持小组学习。虽然计算机支持的协作学习有长久的研究传统(Chen et al., 2018)，但通过学习分析支持学习小组的研究机会仍然很多，其中之一是学习小组的形成和可能的动态重构。学习分析在这方面的应用非常有前景，特别是对在线或远程学习来说，参与的学习者众多，但他们相互了解很少，彼此间的互动更少。学习分析对此是有利工具，其提供的信息能够为在线学习自动设计良好的、富有成效的协作学习小组，并进行动态调整。这一领域的研究，已有关注其基本原理(Cruz & Isotani, 2014; Zheng, 2017; Zheng & Pinkwart, 2014)，并提出在Moodle系统实现学习小组形成算法的方法(Konert et al., 2016)，但现有的算法或技术在某种程度上仍是孤立的，群组形成算法的大规模应用或研究还相当缺乏。因此，这一领域潜力巨大，既可以通过学习分析深化高效学习群体的因素研究，也可以通过推荐合适的合作学习者有效地支持在线学习环境的学习者。

对于有效的学习群体支持而言，群组的形成和重组只是一方面。要挖掘协作学习的潜力，还需要为学习者提供不同形式的教育支持。这种支持不仅在内容和形式上应有不同，还可以针对协作学习本身和特定学科学习目标区别设计。研究表明，缺乏先验知识或经验的协作学习者需要通过脚本(Fischer et al., 2013)等的协作指导。如果学习者有丰富的特定学科的先验知识，并有协作工作经验，那么这种指导和支持就不仅无关，甚至可能对动机和认知加工产生负面影响(Kirschner et al., 2018)。在这种背景下，基于学习分析为协作学习提供自适应支持似乎是非常理想的目标。让我们再以计算机教育领域为例。一段时间以来，在线学习环境一直可用于支持不同级别和不同编程语言的编程技能学习(Douce et al., 2005; Strickroth & Pinkwart, 2017)，但只有少数环境提供适应性和分析功能。

此外，乐(Le， 2016)的综述文章指出，教育软件的自适应反馈通常基于相对简单的“表面”特征(如语法分析等)。针对多用户的过程分析方法虽然已经存在，并在教育情境中讨论过(Bogarín et al., 2018)，但这种形式的教育过程挖掘还很少被用于学习分析。特别是团队用户行为的哪些指标需要教育干预，以及如何设计这种自动适应在许多方面仍未得到解决(Vandewaetere et al., 2011)。令人惊讶的是，结对编程是编程教育最有名也是受评价最多的协作学习形式之一(Dybă et al.,2012)，但这一情境下还未见有人对学习分析支持的协作学习适应性教学策略开展系统研究和实践(Israel et al., 2016)。这个现象也适用于其他领域。在这些领域中，以向学习者团队提供适应性支持为目标的学生团队交互自动实时分析的潜力，尚未得到充分利用。

四、针对影响的研究——效果和长期影响

与智能导学系统等相比，学习分析还是很年轻的研究领域，许多研究者和实践者看到了学习分析的潜力。尽管如此(也可以说是因为这个领域还很年轻)，仍有些重要问题没有得到回答。其中之一是各种形式的学习分析纳入现实课堂教育效果的证据问题。在智能导学系统，这个问题已有了很好的回答(Van Lehn, 2011; Kulik & Fletcher, 2016)，而学习分析领域则少得多(Ferguson & Clow, 2017; Viberg et al., 2018)。如果缺少哪些形式的学习分析在实际教学中是有效的回答，那会严重阻碍学习分析在教育情境(包括职业培训、大学、在线教育以及学校)的应用(Colvin et al., 2017; Dawson et al., 2019)。因此，研究界需要投入更多的努力证明学习分析确实可以有所作为，这些努力既要在方法上科学严谨，也要体现对实践的意义，还要考虑文化方面的重要性(Rüdian et al., 2019)。

尽管对学习分析干预进行研究，报告其教育效果是实证影响研究必不可少的，但这一研究无疑更需要关注学习分析的长期效果，也就是说，教育情境采纳学习分析技术与方法，对学习者是否以及产生怎样的普遍性影响。学习分析工具的广泛使用能否改变学生的一般学习行为、元认知技能或他们对学习技术的期望和态度？这种长期分析是学习分析研究的空白，同时也是教育提供者(如大学或在线教育公司)的机会，后者可以根据学习者不断变化的学习期望和学习状况提供相应的学习服务。目前，大学的学习分析研究的主要目的是通过提高学习过程的质量提高学习成功率(Arnold & Pistilli, 2012)，部分也包括了教师的角度(Dietz-Uhler & Hurn, 2013)。迄今为止，研究主要集中在课程模块层面，如预测学生期末考试的成功率，学位课程层面的研究还相当少(Asif et al., 2017)。然而，在后者的长期研究中，随时间推移动态变化的学习者特征(也称为学习者画像)在研究中几乎尚未发挥作用，也没有出现在学习分析的综述文章中(Avella et al.,2016; de Freitas et al., 2015)。

本文总结了学习分析研究面临的挑战。为了促进这个领域继续发展，为学习分析工具和方法的效果提供研究证据是关键。可以说，这些效果可以是多方面的，包括个体的学习和协作的形式；可以是短期的，例如，特定学习分析方法导致的学习收益;也可以是长期的，比如，随着分析工具的普及应用而产生的学习态度、期望和能力的改变。