学习活动流：一个学习分析的行为模型

《学习活动流：一个学习分析的行为模型》由会员分享，可在线阅读，更多相关《学习活动流：一个学习分析的行为模型（7页珍藏版）》请在金锄头文库上搜索。

1、学习活动流：一个学习分析的行为模型摘要智慧教育体现了教育信息化发展的新境界，表达了一种技术以智慧性 方式促进教育变革与创新的诉求，这一目标的实现离不开学习分析技术。学习分 析的核心就是观察和理解学习行为，以倒溯方式考察影响行为产生的需要、动机 等因素，以及行为所携带的目的、个性、环境等元素，从而加以利用以优化学习 过程及其发生的环境。而一个好的行为模型将大大助力于对这些信息的收集、分 析与理解。学习活动流模型的提出补充了以往学习行为分析所没考虑的学习来源 的多元化以及学习活动的持续性问题。借鉴活动流的描述机制，情景化注意元数 据被加以改造并得到学习活动流的描述模型，而基于学习活动流的学习情境分

2、析 则探讨了对这一行为模型的学习分析应用，并以信息感知和资源推送为例展示了 其实践应用。关键词学习分析；学习活动流；学习行为；学习情境；智慧教育一、引言当前，教育信息化正进入融合创新的发展新阶段。这一阶段的建设与应用似 乎越来越讲求严谨的决策论证和信服的评判依据，以及对于教育成效与卓越的追 求。这一发展趋势可以说表现了一种技术以洞察性、连通性、智慧性方式推进教 育变革、实现教育创新的新诉求和新境界。这一新境界亦被相关业界以一全新的 概念“智慧教育(Smart Education) ”称之。虽然智慧教育最早是在商业领域孕育 发生，但当前正在教育领域中悄然掀起并加剧进化。要达成智慧教育的愿景，无

3、论是从设计者的视角建构学习环境的支撑，从教育者的视角设计教学方法的催 导，还是从学习者的视角实施学习过程的实践，学习分析技术(LearningAnalytics)都是其中不可或缺的核心技术的推动力。学习分析技术实质上是一种数据分析技术。Malcolm Brown (2011)将其称 之为继整合企业架构、引入社会网络和云应用两次转变之后教育技术发展的第三 次浪潮。地平线报告(Horizon Report)从2010年起连续三个年度预测了该项技 术在未来2-3年内对教与学活动的潜在巨大影响。在国际上，“学习分析技术与 知识”国 际会议(The International Conference on

4、 Learning Analytics and Knowledge)自2011年首度召开之后，使得这一新兴研究领域的规模迅速扩大。 在国内，2012年后陆续有不少学者敏感地捕捉到这一发展热点，积极介绍此项 技术并对其今后的发展和教育应用进行了热烈的讨论与展望。学习分析技术其实就是对数据背后所隐藏的信息加以发现和理解并有效进 行利用(或干预或预测)的研究，从而追求最大的教育效益。在这一过程中，技 术不再是以往预设、固有、“无知”的方式，而是以一种洞察和灵变的“智慧”方式 影响教与学的活动。进而实现智慧教育的升华。毋庸置疑。这一应用要实现的首 要问题之一就是被分析数据的模型建构旧。George S

5、iemens (2011)认为我们无 论去哪或做什么，都会留下数据痕迹。Malcolm Brown(2011)将其称之为“数字 面包屑”(digital breadcrumbs)。这些行为数据以学习者主动或被动的、知觉或不 知觉的形式被记录下来，充满了价值，揭示了我们的情感、态度、社会联系、观 点、意图和需求。一个好的数据模型将大大助力于对这些信息的收集、分析与理 解。而本文的内容就是针对此方面的研究，首先在理解和分析常规学习行为数据 的基础上，提出一个更适合时代背景发展、符合当前学习者行为状态的数据模型 学习活动流，接着就此行为模型在学习分析中的应用和实践加以介绍。二、学习分析与学习活动流(

6、一) 学习分析概述学习分析萌发于数据分析，在商业中一种被称为“商业智能”的应用。在商业 应用中，系统通过洞察大量消费行为数据中所蕴藏的丰富信息，以识别相似的消 费者，发现有价值的消费模式。从而更好的过滤或组织其产品以满足消费者的需 求，实现更优的消费体验。获取最大化的商业利润。当这一应用被迁移到教育领 域后分化成为两类应用，学习分析(Learning Analvtics)和学术分析(Academic Analvtics)。其中。学术分析基本等同于商业智能，关注的是宏观层面的组织效 益，比如活动进度、工作流程、资源分配、评价制度等，服务于政策、经济方面 的目标；而学习分析则更为强调微观化的服务层

7、次，关注于如何促进学习者个体 的成功。此外，学习分析也不同于常规应用已久的教育数据挖掘(Educational Data Mining)。后者强调干预的系统生成或调节的自动响应。使得技术的参与带有一 种“强制性”意味：而前者是一种能使学习者决策的方式，并为此提供有效的数据 支持。技术的参与是一种“协商式”的，比如学习状态的感知、内容调节的列表、 干预性信息的反馈等。早期在对学习分析下的定义中，比较有影响力的是George Siemens在一篇博 客中所发布的。“学习分析是利用智能数据、学习者生成数据和分析模型去发现 信息和社会联系，从而对学习做出预测和建议”。这一定义后来在第一届“学习分 析和

8、知识”国际会议上被加以提炼：“学习分析就是对学习者及其学习情境方面的 数据进行测量、收集、分析和报告，目的是为了了解并优化学习过程及其发生的 环境”。这一定义基本得到了广泛的认同。当然，还有其他研究机构、组织或学 者所下的定义，但基本都大同小异。这些定义都隐含了这样一条假设：学习分析 是充分利用预先存在的、机器可阅读的数据，而且需要处理的数据量会非常大， 用人工操作的方式是无法进行的。这样一来，无疑意味着学习分析需要加快数据 建模、数据挖掘以及数据解释等方面的发展，以使得教育进行个性化定制、智慧 性服务更为有效。作为一个全新的发展领域，如何把握学习分析这一概念的范畴和内容框架， 许多学者给出了

9、不同的见解。综合这些看法，总的来讲可以从应用目标、服务对 象、数据问题和方法技术几个纬度来加以概括：对于学习分析的应用目标， 可分为最基本的两类教育预测和教育反思。前者从已发生数据中发现教育实 践的新视角或开发新的教育服务以优化个体或组织机构目标的实现：后者则是诊 断过去数据所反映的教育实践中的问题和不足，为教育干预的设计和介入提供依 据。对于学习分析所服务的对象，可分为三类人群政府/教育机构、教 师/学习者、学习服务提供者。不同人群要求不同的分析规模和解释粒度。涉及 对问题的概念化、获取数据的类型定义、报告的发现程度、预测的内容指向以及 提炼的解释模型等。对于学习分析的数据，除聚焦于多样化来

10、源和格式规范这两个最基本的 问题外，数据获取和分析过程中的隐私和道德因素也成为愈来愈受关注的地方。对于学习分析的方法技术，多会根据数据类型和目标内容的不同，采用 多重视角的原则，从而吸收和整合多种技术方法，包括社会网络分析法、话语分 析法和内容分析法等，并关注于提供可视化的分析结果。但基本的处理都离不开 统计分析、数据挖掘和机器学习三项技术。（二）学习分析与学习行为学习分析的核心是观察和理解学习行为，对学习行为进行分析。可以以倒溯 方式考察影响行为产生的需要、动机等因素，以及行为所携带的目的、个性、环 境等元素。因此，学习行为是学习分析关注的重心，也是区别于其他分析方法的 重要标志。学习行为是

11、指学习者在某种动机的指引下，为获得某种学习结果而与周围环 境进行的双向交互活动的总和。数字时代背景下，大多学习行为发生在网络环境 中，表现出了与传统面对面课堂中不同的特征。比如，行为过程的开放性与虚拟 化、行为控制的自主性与个性化、行为技能的科技化与专门化等。就其行为类型 的多样性看，可以分为信息的收集、存储、加工、传播和使用等方面的学习行为； 而依据其发生目的的不同，又可分为信息共享、知识汇聚、知识建构、观点修正、 网络调节等。一般而言，各类教学技术系统（比如CMS）中对学习行为数据获 取的方式都可归结为最根本的两种：学习者的输入和系统的自动采集。尤其是后 者，学习者的学习活动被系统实时追踪

12、，而学习行为则按照一定的描述规则被动 态米集。其实，学习分析所解读的数据应不仅来自于学习者明确的学习行为，比如作 业情况、测试情况等，还应包括一些内隐的学习行为，比如在线的社会交往、学 习以外的操作、论坛上的发言等等，这些行为很多时候并没有被纳入正式的学习 过程，但其对学习的影响作用却越来越不容小觑。此外，随着泛在学习带来的多 元化学习渠道，学习者可以同时参加多个学习系统，分析数据的来源也将不止一 处。只有转变以往在单一学习服务平台下对学习行为的认识范畴，从更为全面、 分散的角度搜集学习者的行为数据，这样开展的学习分析才能更强劲、细微而深 入地反映学习者的全貌，真正实现智慧教育的终极目标。（三

13、）从学习行为到学习活动流随着Web2.0的发展，学习不仅更加随意、灵活，而且更加情境性和社会化， 学习者的某一学习活动可能跨越分布在各种学习服务平台中，从而使得学习行为 具有了“流” (Stream)的特征。“流”的概念是在“富工具”和“富资源”的网络环境 中对信息认知的一种转变，强调信息的双向输入输出、多元分布性和动态连续性， 应支持信息沟通的便捷性和可追溯性的要求。不断有关于“流”的新概念出现，比 如生活流(Lifestreaming)，品牌流(Brandstreaming)，社交流(Socialstreaming) 和事件流(Eventstreaming )等。“流”的特性使得学习行为可

14、以通过统一的描述 规范和认证机制在不同学习服务平台间进行汇集和共享。梳理当前包含“流”的概念，其中与学习行为最紧密相关的有两个：活动流 (Activity Streams)和注意流(Attentionstreams)。活动流是个人在特定网站中 的所有活动行为的信息集合，主要聚焦在社会网站中的应用与服务。侧重反映用 户的社会交往状态，实现社交活动在各网站之间流动和共享。而注意流与活动流 的描述相近，但主要聚焦个人在网络活动中对于信息内容的选择与交互，反映用 户的信息注意行为。侧重采用机器跟踪获取用户注意力的方式来实现对用户需求 和兴趣爱好的把握。而将两者结合，用户需求和社交状态即构成学习分析的情

15、境 要素，在此基础上本文提出学习活动流(Learning Activity Streams)的概念，如 图1所示。学习者在不同的学习环境中享受所提供的学习服务，同时发布自己的 学习活动事件。这些活动事件聚集成一条学习活动流，反映了学习者穿梭于不同 学习空间中的学习轨迹和学习情境。通过对学习活动流的分析挖掘，可在各种学 习形态有效连通的基础上从更为全局、整体的视角提炼学习者当前的学习需求和 学习状态，从而为学习环境服务支持的适应性和贯一性提供依据。当然，国内也有部分学者或组织基于工作流(Working Flow)的理论提出学 习流(Learning Flow)的概念，但其与本文所提学习活动流的含

16、义完全不同。前 者试图将工作流的“流程”特性引入学习领域，规定学习过程中的学习活动及各个 活动发生的时间顺序和逻辑关系，从而对学习活动的整个过程进行严格的安排、 管理与监控；后者则没有任何活动安排的含义，只是记录学习过程的轨迹。三、学习活动流的描述(一)一个简单的学习行为模型学习行为是学习分析的基本单位，对学习行为的分析研究通常是从行为科学 和行为系统的角度出发，将人的行为及其产生的原因作为研究对象。这时，学习 行为被看作是一个系统，对此最具影响力的研究就是活动理论，认为系统应包括 行为主体、行为客体、行为工具、行为主体所在的群体、该群体的组织规则和任 务分工等要素。本文采用极简设计(Minimalist Design)的思想，即去除掉多余 的设计思考以减少问题的复杂度，在满足最基本需要的同时又确保可适用于尽可 能多的场合，将这一行为系统的要素稍加简化与调整，得到如下图2所展示的行 为模型。学习者(Actor)在特定的学习情境(context