《大数据视角下的学习分析综述》由会员分享,可在线阅读,更多相关《大数据视角下的学习分析综述(9页珍藏版)》请在金锄头文库上搜索。
1、大数据视角下的学习分析综述 王良周 于卫红 大连海事大学交通运输管理学院 摘 要: 学习分析作为教育信息化的新浪潮,是教育大数据的主要应用领域。泛在网络下的学习大数据高速增长,线上线下的学习形式不断革新,关于学习分析的研究也随着大数据理念的发展而不断变化。本文通过文献分析法,着重从大数据的视角,对国内外学习分析的研究现状进行综述。首先介绍学习分析及相关概念的发展,从大数据视角探讨学习分析发展的驱动力;然后对比国内外在大数据和云计算技术驱动下形成的学习分析框架、应用领域和关键技术,介绍了整合的学习分析系统平台;最后分析大数据创新给学习分析带来的机遇和挑战。关键词: 学习分析; 教育大数据; 数据
2、挖掘; 智慧学习; 作者简介:王良周,研究生;大连海事大学交通运输管理学院(116026)。作者简介:于卫红,副教授,博士。大连海事大学交通运输管理学院(116026)。收稿日期:2014-11-15基金:辽宁省教改项目“大数据时代电子商务专业课程体系改革研究”(项目编号:UPRP20140301)Received: 2014-11-15一、引言信息时代,大数据的出现正给各个领域的发展带来深刻的影响。在商业领域,大数据研究已经初具规模,其成果正改变着商务活动的营销和运营模式。同样,在教育和科研领域,教育大数据和教育云时代已经到来。学习分析和教育数据挖掘,是教育大数据的两个主要应用领域。美国新媒
3、体联盟 (NMC) 在地平线报告中连续四年把学习分析作为影响教育发展的趋势和关键技术123。2011 年以来,为了促进学习分析的发展和学者之间的学术交流,每年都会举行一届学习分析与知识国际会议 (International Conferenceon Learning Analytics and Knowledge, LAK)。2013 年夏,美国学习分析研究会SOLAR、IEDMS 等在斯坦福大学建立了斯坦福学习分析夏季学院,为学习分析研究和应用培训提供支持。目前,分析技术在大学教与学中的应用进展非常迅速,学习分析已经成为教育信息化的一个新浪潮。在 2014 年美国高等教育信息化协会 (EDU
4、CAUSE) 发布的“高等教育信息化十大战略技术”研究报告中,对学习分析的使用情况作了统计:35%的学校建立了课程层面的分析架构;35%的学校建立了业务绩效的分析架构;32%的学校建立了学位指导的分析架构;47%的学校建立了业务情报报告仪表盘4。随着教育大数据和教育云计算的发展,学习分析成为了教育信息化与教学互动的“深度融合”5。目前,国际上关于学习分析的研究方向主要集中在学习分析服务框架、分析方法、工具与可视化工具领域;国内主要集中于综述和应用分析6。国内的顾小清7、李青8、马晓玲9、韩顺平10、吴永和11、祝智庭12、张羽13等学者从不同角度对学习分析的研究和发展做了综述。本文着重从大数据
5、创新的角度,介绍大数据背景下学习分析的概念、驱动力,对比学习分析框架和应用,分析大数据创新给学习分析带来的趋势和挑战。二、学习分析与相关概念(一) 学习分析的定义与发展学习分析的定义源于美国高等教育信息化协会的“下一代的挑战”,其将学习分析定义为:使用数据和模型预测学生收获和行为具备处理这些信息的能力14。2011 年,首届学习分析与知识国际会议将学习分析定义为:测量、收集、分析和报告关于学习者及其学习情景的数据,以期了解和优化学习和学习发生的情境15。新媒体联盟也有相似的定义:利用松散耦合的数据收集工具和分析技术,研究分析学习者学习参与、学习表现和学习过程的相关数据,进而对课程教学和评价进行
6、实时修正16。可以说,学习分析在许多方面指的是应用于教育领域的“大数据”分析17。从这些定义可以看出,学习分析的研究对象是学生及其学习情境,研究的基础是教育活动中产生的海量学习数据和学习分析过程中产生的中间数据,研究的目标是评估和预测学生活动,发现潜在问题,为教育活动相关者提供决策支持,以优化和设计学习过程和学习情境。美国学习分析研究会、学习分析与知识国际会议、美国高等教育信息化协会、英国开放大学知识化研究所 (KMI)等学术机构和会议推动了学习分析的发展18。学习分析与知识国际会议召开的时间、地点和主题见表 1。从会议的主题变化可以看出,学习分析已经由概念发展到应用,由理论研究发展到实践研究
7、。学习分析是在大数据背景下发展的分析技术,第五届学习分析与知识国际会议已经明确将大数据作为主要议题。表 1 LAK 历年召开时间、地点和会议主题 下载原表 (二)学习分析与相关概念相比商业、物理、生物、气候等领域,分析技术应用于学习领域较晚。学习分析、学术分析、教育数据挖掘、行为分析都是分析方法在教育领域的特定应用。Angela 等比较了分析、商业分析、学术分析、学习分析、预测分析和行为分析的定义和关注维度,认为教育数据挖掘、学习分析、学术分析是教育大数据分析中最接近的概念19。Ferguson (2012)通过三个问题回答了教育数据挖掘、学习分析、学术分析的区别20。教育数据挖掘主要关注的是
8、“如何从学习大数据集中提取有用信息”这一技术挑战,学习分析则主要关注“如何优化在线学习机会”这一教育挑战,而学术分析则关注“如何在国家或国际层面上最大程度地改进学习机会和教育结果”这一政治经济挑战2122。G.Siemens 和 Long 对学习分析与学术分析进行了界定23。学术分析侧重智能分析在教育领域的应用,强调的是机构、区域、国际层面上的分析,直接受益者是管理机构、投资者、政府部门和教育机构。而学习分析主要关注的是课程和部门的分析,直接受益者是学习者、导师和部门管理者。相比学术分析和教育数据挖掘,学习分析更加强调对学习过程和学习情境的实时优化24。G.Siemens、Baker 详细分析
9、了学习分析与教育数据挖掘的联系和区别2526,认为这两个概念都是数据驱动下的教育领域的分析技术,其在研究内容和研究者方面有重叠,目标都是通过数据分析指导和促进教与学27。Bienkowski 在通过学习分析与教育数据挖掘促进教与学的报告中对以上学者的观点做了详尽的说明28。下面通过表 2 比较教育数据挖掘与学习分析2930。可以看出,学习分析与教育数据挖掘在侧重点、起源和分析方法上都有不同。教育数据挖掘实际上强调自动发现,因此,它侧重于模型和发现模式,关注各个组成部分以及他们之间的关系。学习分析尽管也强调自动发现,但更关注情境和特定干预,注重个性化和自适应31。教育数据挖掘重点依赖聚类技术,同
10、时也很依赖智能辅导系统,更加重视建立模型。而学习分析更加强调社会干预,如普遍应用社会网络分析以及话语分析32。表学习分析与教育数据挖掘对比 下载原表 (三)从大数据视角看学习分析的驱动力Ferguson 认为大数据技术、教育、政治和经济因素是驱动学习分析发展的主要动力33。G.Siemens、Ryan S.J.d.Bake 等从技术发展角度分析了促进学习分析发展的主要因素,概括为:教育数据量剧增、数据格式多样化、计算能力加强、分析工具发展3435。从大数据视角,可以将学习分析的驱动力概括为三类:数据驱动、技术驱动、需求和利益驱动。1. 数据驱动智能手机、平板电脑、传感器等电子设备在学习情境中的
11、应用已经相当普遍,基于泛在网络的学习数据剧增是驱动学习分析的重要因素。我们处在普适计算时代,移动互联网、物联网等泛在网络改变了学习方式,也为学习分析提供了丰富的数据来源。学习管理系统 LMS 中存储着大量学生学习数据,学生在线学习保留有大量学习轨迹信息,社交网络中的学习行为更是呈现出急剧增长的数据流趋势36。这些数据来源广泛,数量巨大,而且数据格式多种多样。目前常用的学习分析数据主要来自于数据仓库中的基本信息数据,来自于网络服务器的用户浏览日志,以及来自于学习网站和系统挖掘的其他文本数据,例如博客、评论、搜索词等。需要强调的是,数据驱动下的学习分析技术,也带来了学习分析的数据挑战。2. 技术驱
12、动大数据关键技术和社会分析技术是学习分析的支撑技术,是驱动学习分析的关键因素。学习分析过程中面临海量数据的采集、存储、分析问题,需要根据社会分析方法,在人的干预下优化学习情境,这些问题离不开强有力的技术支持。云计算技术、物联网技术、语义 web 技术、移动互联网技术、数字媒体技术都是大数据基础平台与支撑技术。在教育云平台和在线学习环境下,利用物联网和云存储技术采集和存储海量相关数据,利用语义 web 技术 (关联数据技术)管理和利用相关数据。移动互联网设备已经进入学习环境,利用移动互联网技术可以方便地实现在线记笔记、资源分享。还可以通过增强现实技术虚拟学习环境。在云计算方面,云文件系统 (GF
13、S,HDFS 等 ) 、No SQL 数据库、Mapreduce 计算模式 、apache hadoop 等开源工具都是大数据下学习分析需要利用的技术工具37。这些先进技术,使得基于大样本的、个性化定制的学习分析成为可能。3. 需求与利益驱动个性化、多样化的学习需求带来直接的经济、社会利益,需求与利益是驱动学习分析的核心因素。从个人角度看,个性化学习方案的制定需要参考学习分析系统对个人的分析建议;从企业角度看,基于智能分析决策的学习系统和产品更有市场竞争力;从教育机构角度看,学习分析结果可以作为决策的依据。这些利益需求驱动了学习分析的发展。三、学习分析的框架、技术、应用(一)学习分析整体框架很
14、多学者从不同角度为学习分析设计了整体框架。大多数框架关注的是学习分析可用的数据、利益相关者、分析流程、分析工具、制约与限制等方面。Brown and Malcolm 认为,学习分析的核心在于收集和分析学习数据,主要包括数据收集、分析、学生学习、受益方和干预五个要素38。G.Siemens 提出了一个工作流引擎驱动的学习框架。框架由数据采集、分析、预测、调整四个工作流组成。其中数据包括学习者发布的数据,智能语义和关联数据,个人资料39。通过总结 Baker 和 Dron,Anderson 等人的知识管理模型,Tanya Elians 提出了一个由四个技术资源和三个循环阶段组成的改进的学习分析框架
15、40。四个技术资源指计算机、人、理论、组织机构。三个循环阶段包括六个活动:数据收集 (选择与采集)、数据处理 (整合与预测)、知识应用 (使用和优化)。M.A. Chatti 等认为学习分析的主要步骤是数据采集与预处理、数据分析与行动、后续处理。他们提出了一个由四个维度组成的学习分析参考模型 (见图 1)。该模型将学习分析分成数据与环境、技术、利益相关者、目标四个维度,并从各个维度分析了学习分析面临的机遇和挑战。与之相似,Greller andDrachsler提出了一个由利益相关者、目标、数据、工具、内部限制和外部约束六个关键维度组成的学习分析框架 (见图 2)41。他们认为,学习分析的利益
16、相关者包括数据主体 (学习者)和数据客体 (教师、导师、教育管理者),学习分析的数据来自于被保护和公开的学习活动及学习环境数据,学习分析的目的在于预测学习结果和帮助学习者反思,采用的分析工具包括教学理论、机器学习技术和可视化工具,学习分析的实施过程应考虑个人隐私和伦理道德42。图 1 下载原图Chatti 等的学习分析参考模型图 2 下载原图Greller 等的学习分析框架Dirk Ifenthaler43等着重考虑了学生、学习、课程之间的关系,设计了一个融合多源信息的分析框架(见图 3)。该框架整合了在线学习环境中的分析数据 (包括个人特征、社会网络、物理数据、课程数据、反馈数据),引进了学习分析引擎、个性化和自适应引擎、报告引擎三个处理阶段。该框架强调了学习环境中数据的异构性和多源性,将数据、分析工具、环境连接为一个具有反馈环节的闭合系统。可以说,