人工智能|产业分析 10年搜索趋势图显示(如图1所示),学习分析( Learning analytics)比教育数据挖掘 ( Educational data mining)更被广泛接受,具有明显的热度增长。因此以下部分会主要 围绕学习分析的发展进行讨论,也同时映射了教育数据挖掘相关研究的变迁。 图1: Learning analytics和 Educational data mining搜索趋势图 国际学习分析社区( SOLAR)对学习分析做出了明确定义:学习分析即测量、收集 分析并报告关于学习者和学习环境的数据,以此来理解和优化学习过程以及学习环境6] 具体来讲,学习分析包括5个方面的内容:(1)解释学习行为;(2)识别高效成功的 学习模式;(3)检测低效错误的学习模式;(4)引入合适的教学干预;(5)帮助学习 者更加清晰地认识到自己的学习进度口7。 在过去的10年,研究者们不断利用数据证据对学习者的学习情况、学习态度、学 习习惯等方面的评估进行探索研究。数据收集手段不断地丰富和多样化,从单一的日志 文件和问卷调查,到近些年的多模态数据(例如,EEG脑电信号、眼动仪、皮电信号、 表情识别等)。数据分析手段也从描述性统计分析,到了近期利用自然语言技术进行语 义理解,以及利用深度神经网络进行学习状态预测等卩8]。可以说学习分析的发展,紧 紧跟随着技术发展的潮流,而且随着5G技术的引人,相信未来学习分析可以利用的数 据类型会进一步丰富,多模态数据的收集与分析也会得到进一步普及。 然而,在技术取得了种种进步的同时,研究者们也越来越意识到学习分析中教 育理论支持的缺乏,致使实验结果的解释常常不够充分[9。而教育理论框架在学习 分析中的缺失,甚至可能导致实验数据以及教学影响因素的误读。在 Mangaroska& Giannakos的综述中发现,许多学习分析的文章都没有考虑或者直接报告学习者的学习 收益( learning gain),偏离了建立学习分析研究的初衷。另外,学习分析的实验设计 也经常不是清晰地建立在一种教学模型之上的[20,这很容易导致后续研究对已有研究 进行大量无意义的重复。学习分析领域通过这10年的发展,成功地将计算科学的软硬 16]Long, P, Siemens, G, Conok, G& Gasevic, D, (2011). Proceedings of the Ist Intemational Conference on Learning Analytics and Knowledge. In LAK 2011 Ist Intemational Conference on Leaming Analytics and Knowledge. [7]Siemens, G Long. P. (2011), Penetrating the Fog: Analytics in Leaming and Education. Educational Review, 465), 30 18] Mangaroska, K, Giannakos, M. N, (In press, Learming analytics for leaming design: A systematic literature review of analytics-driven design to enhance leaming. IEEE Transactions on Leaming Technologies. 9] Gas evic, D, Kovanowic, V. Joksimowic, S. (2010). Piecing the beaming analytics puzzle: a consolidated model of a field of research and practice. Leaming Research and practice, 30), 63-78. 20] Wise, A. F, Zhao, Y.& Hausknecht, S, N. (2014), Learming Analytics for Online Discussions: Embedded and Extracted Approaches. Joumal of Leaming Analytics, 1(2), 48 (c)1994-2019ChinaAcademicJOurnalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net产业分析 12 10 年搜索趋势图显示（如图 1 所示），学习分析（Learning analytics）比教育数据挖掘 （Educational data mining）更被广泛接受，具有明显的热度增长。因此以下部分会主要 围绕学习分析的发展进行讨论 , 也同时映射了教育数据挖掘相关研究的变迁。 国际学习分析社区（SoLAR）对学习分析做出了明确定义：学习分析即测量、收集、 分析并报告关于学习者和学习环境的数据，以此来理解和优化学习过程以及学习环境[16]。 具体来讲，学习分析包括 5 个方面的内容：（1）解释学习行为；（2）识别高效成功的 学习模式；（3）检测低效错误的学习模式；（4）引入合适的教学干预；（5）帮助学习 者更加清晰地认识到自己的学习进度 [17]。 在过去的 10 年，研究者们不断利用数据证据对学习者的学习情况、学习态度、学 习习惯等方面的评估进行探索研究。数据收集手段不断地丰富和多样化，从单一的日志 文件和问卷调查，到近些年的多模态数据（例如，EEG 脑电信号、眼动仪、皮电信号、 表情识别等）。数据分析手段也从描述性统计分析，到了近期利用自然语言技术进行语 义理解，以及利用深度神经网络进行学习状态预测等 [18]。可以说学习分析的发展，紧 紧跟随着技术发展的潮流，而且随着 5G 技术的引入，相信未来学习分析可以利用的数 据类型会进一步丰富，多模态数据的收集与分析也会得到进一步普及。 然而，在技术取得了种种进步的同时，研究者们也越来越意识到学习分析中教 育理论支持的缺乏，致使实验结果的解释常常不够充分 [19]。而教育理论框架在学习 分析中的缺失，甚至可能导致实验数据以及教学影响因素的误读。在 Mangaroska & Giannakos 的综述中发现，许多学习分析的文章都没有考虑或者直接报告学习者的学习 收益（learning gain），偏离了建立学习分析研究的初衷。另外，学习分析的实验设计 也经常不是清晰地建立在一种教学模型之上的 [20]，这很容易导致后续研究对已有研究 进行大量无意义的重复。学习分析领域通过这 10 年的发展，成功地将计算科学的软硬 图 1：Learning analytics 和 Educational data mining 搜索趋势图 [16] Long, P., Siemens, G., Conole, G., & Gašević, D. (2011). Proceedings of the 1st International Conference on Learning Analytics and Knowledge. In LAK 2011 1st International Conference on Learning Analytics and Knowledge. [17] Siemens, G., & Long, P. (2011). Penetrating the Fog: Analytics in Learning and Education. Educational Review, 46(5), 30. [18] Mangaroska, K., & Giannakos, M. N. (In press). Learning analytics for learning design: A systematic literature review of analytics-driven design to enhance learning. IEEE Transactions on Learning Technologies. [19] Gašević, D., Kovanović, V., & Joksimović, S. (2017). Piecing the learning analytics puzzle: a consolidated model of a field of research and practice. Learning: Research and Practice, 3(1), 63–78. [20] Wise, A. F., Zhao, Y., & Hausknecht, S. N. (2014). Learning Analytics for Online Discussions: Embedded and Extracted Approaches. Journal of Learning Analytics, 1(2), 48–71