范逸洲 汪瓊

【摘 要】

學(xué)習(xí)分析作為一個(gè)從數(shù)據(jù)中建構(gòu)意義的研究領(lǐng)域，在過去幾年的發(fā)展中備受學(xué)界關(guān)注。學(xué)習(xí)分析領(lǐng)域的核心問題之一是如何利用數(shù)據(jù)預(yù)測(cè)學(xué)習(xí)者的學(xué)業(yè)成功或者失敗？圍繞這一問題，國內(nèi)外學(xué)者開展了大量實(shí)證研究，取得了豐富的研究成果。但是，預(yù)測(cè)指標(biāo)研究的相關(guān)綜述卻存在一定局限性，如忽視指標(biāo)適用的學(xué)習(xí)場(chǎng)所和情境、模糊指標(biāo)匹配的學(xué)習(xí)任務(wù)類型和參與主體，或是有些綜述缺失了領(lǐng)域內(nèi)的代表性學(xué)者、研究和應(yīng)用。因此，本文通過系統(tǒng)的文獻(xiàn)檢索和綜述，從預(yù)測(cè)指標(biāo)適用的學(xué)習(xí)場(chǎng)所和任務(wù)類型出發(fā)，梳理了傾向性指標(biāo)、人機(jī)交互指標(biāo)和人際交互指標(biāo)三種類型的常用預(yù)測(cè)指標(biāo)。本文詳細(xì)地介紹了過往學(xué)業(yè)表現(xiàn)、初始知識(shí)、學(xué)習(xí)驅(qū)動(dòng)力、正面或負(fù)面學(xué)習(xí)行為、學(xué)習(xí)者情感狀態(tài)、知識(shí)表征事件、人際交互頻次、社群意識(shí)等一系列得到廣泛驗(yàn)證的關(guān)鍵預(yù)測(cè)指標(biāo)，并將按照“學(xué)校場(chǎng)所和工作場(chǎng)所”和“個(gè)體學(xué)習(xí)和群體學(xué)習(xí)”兩個(gè)維度劃分的四個(gè)象限，在每個(gè)象限中選取一個(gè)典型的學(xué)習(xí)分析系統(tǒng)進(jìn)行剖析，這些典型系統(tǒng)是Signals系統(tǒng)、SNAPP系統(tǒng)、Learn-B系統(tǒng)和Cohere系統(tǒng)。本文最后總結(jié)了預(yù)測(cè)分析相關(guān)研究的特點(diǎn)和趨勢(shì)，并指明了未來研究與實(shí)踐的注意事項(xiàng)和潛在的研究方向。

【關(guān)鍵詞】 教育大數(shù)據(jù)；學(xué)習(xí)分析；預(yù)測(cè)分析；預(yù)測(cè)指標(biāo)；學(xué)業(yè)成就；學(xué)業(yè)風(fēng)險(xiǎn)

【中圖分類號(hào)】 G420 【文獻(xiàn)標(biāo)識(shí)碼】 B 【文章編號(hào)】 1009-458x（2018）1-005-12

一、綜述的背景與聚焦

大數(shù)據(jù)（Big Data）發(fā)展的核心動(dòng)力來源于人類測(cè)量、記錄和分析世界的渴望（邁爾-舍恩伯格， 庫克耶， 2013），教育大數(shù)據(jù)也正在深刻地影響和改變著教育。但我們冷靜地意識(shí)到：相較于信息產(chǎn)業(yè)、醫(yī)療領(lǐng)域等，教育領(lǐng)域?qū)τ诖髷?shù)據(jù)的測(cè)量、收集、分析和匯總?cè)匀惶幱诓簧趵硐氲木硾r。麥肯錫《大數(shù)據(jù)》報(bào)告在綜述了各大社會(huì)研究與應(yīng)用領(lǐng)域后指出：在大數(shù)據(jù)飛速發(fā)展的今天，教育領(lǐng)域是在大數(shù)據(jù)中受益最少的領(lǐng)域之一，缺乏“數(shù)據(jù)驅(qū)動(dòng)的思維（Data-driven mind-set）”是教育領(lǐng)域當(dāng)今面臨的主要障礙（Manyika， et al.， 2011），而學(xué)習(xí)分析領(lǐng)域的快速發(fā)展則有望扭轉(zhuǎn)這一悲哀的局面。

第一屆國際學(xué)習(xí)分析與知識(shí)學(xué)術(shù)會(huì)議將學(xué)習(xí)分析定義為：為了理解和優(yōu)化學(xué)習(xí)過程以及學(xué)習(xí)環(huán)境，對(duì)于學(xué)習(xí)者及其所在情境的數(shù)據(jù)進(jìn)行的測(cè)量、收集、分析和匯總工作（Siemens & Long， 2014）。這一定義明確了學(xué)習(xí)分析領(lǐng)域的三個(gè)關(guān)鍵特征：旨在解決的問題（理解和優(yōu)化學(xué)習(xí)過程與環(huán)境）、數(shù)據(jù)的來源（學(xué)習(xí)者及其所在情境）和對(duì)于數(shù)據(jù)可做的處理工作（測(cè)量、收集、分析和匯總）（Siemens & Long， 2014）。

結(jié)合學(xué)習(xí)分析的定義和國內(nèi)外學(xué)者對(duì)學(xué)習(xí)分析的闡述，本文形成了對(duì)學(xué)習(xí)分析領(lǐng)域的三點(diǎn)基本認(rèn)識(shí)：

第一，學(xué)習(xí)分析是一個(gè)領(lǐng)域（Field），而不僅是一種技術(shù)、方法或者工具；

第二，學(xué)習(xí)分析是基于問題和數(shù)據(jù)的研究領(lǐng)域，是一個(gè)通過收集、處理和分析數(shù)據(jù)進(jìn)而理解數(shù)據(jù)、從數(shù)據(jù)中建構(gòu)意義（Sense-making）的過程；

第三，學(xué)習(xí)分析的主要目標(biāo)是通過建模和預(yù)測(cè)，有效地辨別存在潛在學(xué)習(xí)風(fēng)險(xiǎn)的學(xué)習(xí)者，強(qiáng)調(diào)可指導(dǎo)行為的洞見（actionable insights）。

而在整個(gè)學(xué)習(xí)分析領(lǐng)域之中，預(yù)測(cè)分析則是基礎(chǔ)、重要的也是核心的子領(lǐng)域（Siemens， 2013）。國內(nèi)外學(xué)者圍繞“如何預(yù)測(cè)學(xué)習(xí)者的學(xué)業(yè)成功或者學(xué)業(yè)失??？”這一學(xué)習(xí)分析的核心問題，開展了大量關(guān)于預(yù)測(cè)指標(biāo)、建模方法和干預(yù)策略的研究，也有學(xué)者對(duì)這一問題進(jìn)行了綜述。

Brown從學(xué)習(xí)者的固有指標(biāo)（Dispositional Indicators）、行為表現(xiàn)指標(biāo)（Activity and Performance Indicators）和學(xué)生作品（Student Artifacts）三個(gè)類別，梳理得到廣泛驗(yàn)證的預(yù)測(cè)指標(biāo)，并討論了不同指標(biāo)的預(yù)測(cè)能力和應(yīng)用案例（Brown， 2012）；從預(yù)測(cè)或解釋的對(duì)象來看，Berry歸納了四類影響學(xué)習(xí)持續(xù)性的指標(biāo)（社會(huì)因素、心理因素、組織因素和經(jīng)濟(jì)因素），以及三類影響學(xué)業(yè)成就的指標(biāo)（學(xué)業(yè)因素、人口統(tǒng)計(jì)學(xué)因素和文化社會(huì)因素）（Berry， 2017）。

具體到學(xué)習(xí)分析的實(shí)際應(yīng)用，Usamah通過綜述14個(gè)典型的學(xué)習(xí)分析系統(tǒng)和應(yīng)用，梳理出了學(xué)習(xí)者往期學(xué)業(yè)表現(xiàn)、課程參與情況、學(xué)習(xí)者背景、社交表現(xiàn)等多個(gè)預(yù)測(cè)學(xué)業(yè)表現(xiàn)的重要指標(biāo)（Mat， et al.， 2013）；也有學(xué)者將學(xué)業(yè)能力、個(gè)人財(cái)產(chǎn)情況、學(xué)業(yè)目標(biāo)、學(xué)習(xí)動(dòng)機(jī)等能夠預(yù)測(cè)學(xué)業(yè)風(fēng)險(xiǎn)或成就的指標(biāo)，視為分屬于學(xué)生信息系統(tǒng)和課程管理系統(tǒng)的變量，并在這兩個(gè)系統(tǒng)內(nèi)分別識(shí)別存在風(fēng)險(xiǎn)的學(xué)習(xí)者并開展干預(yù)（Bukralia， 2015）。Verbert等人則從學(xué)習(xí)分析儀表盤的角度，綜述了面授環(huán)境下、小組合作環(huán)境下、混合學(xué)習(xí)環(huán)境下和在線學(xué)習(xí)環(huán)境下可用于表征學(xué)習(xí)情況的五類數(shù)據(jù)源及指標(biāo)，它們分別是學(xué)習(xí)行為（包括學(xué)生作品）、社交互動(dòng)、資源使用、花費(fèi)時(shí)間和練習(xí)測(cè)驗(yàn)結(jié)果（Verbert， et al.， 2014）。

圍繞預(yù)測(cè)指標(biāo)這一話題，最近幾年，國內(nèi)學(xué)者則相對(duì)更加聚焦于與學(xué)習(xí)行為相關(guān)的預(yù)測(cè)指標(biāo)，例如：武法提和牟智佳基于學(xué)習(xí)者行為分析提出學(xué)習(xí)結(jié)果預(yù)測(cè)框架（武法提， 等， 2016），并在MOOC情境下檢驗(yàn)了視頻學(xué)習(xí)次數(shù)、文本學(xué)習(xí)次數(shù)、評(píng)價(jià)參與時(shí)長等關(guān)鍵指標(biāo)的預(yù)測(cè)能力（牟智佳， 等， 2017）；李爽等基于學(xué)習(xí)者在線學(xué)習(xí)行為投入歸納出六個(gè)指標(biāo)維度（李爽， 等， 2016）；賈積有和于躍洋提出的基于速度、質(zhì)量和數(shù)量三個(gè)維度的在線學(xué)習(xí)活動(dòng)指數(shù)（Online Learning Activity Index， OLAI）（賈積有， 等， 2017）；賀超凱和吳蒙則通過分析edX平臺(tái)上的16門MOOC，歸納出多維度的學(xué)習(xí)者學(xué)習(xí)行為特征，并對(duì)部分典型行為特征進(jìn)行了數(shù)據(jù)挖掘和預(yù)測(cè)（賀超凱， 等， 2016）。

上述綜述和研究都從不同的層次和視角增進(jìn)了我們對(duì)于如何預(yù)測(cè)學(xué)習(xí)者成功或失敗這一重要問題的理解，但過去關(guān)于學(xué)習(xí)分析中預(yù)測(cè)指標(biāo)的綜述也存在一定的局限性，例如：忽視學(xué)習(xí)場(chǎng)所和情境，預(yù)測(cè)指標(biāo)對(duì)學(xué)習(xí)結(jié)果的預(yù)測(cè)能力往往局限在特定的文化背景、學(xué)科背景、學(xué)段背景等教學(xué)情境中，不闡明學(xué)習(xí)場(chǎng)所和情境容易造成預(yù)測(cè)指標(biāo)和模型誤用（Shum， 2012）；模糊學(xué)習(xí)任務(wù)類型和參與主體，預(yù)測(cè)指標(biāo)往往被放置于特定的學(xué)習(xí)任務(wù)類型中發(fā)揮作用，需要注意區(qū)分個(gè)體學(xué)習(xí)和協(xié)作以及合作學(xué)習(xí)任務(wù)，并在不同任務(wù)類型中分析預(yù)測(cè)指標(biāo)起作用的機(jī)制（Wagner & Ice， 2012）；以往關(guān)于預(yù)測(cè)指標(biāo)的綜述也出現(xiàn)了缺失某些代表性研究的問題，特別是對(duì)于學(xué)習(xí)分析領(lǐng)域中某些關(guān)鍵學(xué)者和典型案例的缺失，導(dǎo)致我們對(duì)于預(yù)測(cè)指標(biāo)相關(guān)研究的認(rèn)識(shí)仍不全面。

本研究的目的正是力圖解決上述問題，通過關(guān)注預(yù)測(cè)指標(biāo)適用的學(xué)習(xí)場(chǎng)所和情境厘清預(yù)測(cè)指標(biāo)匹配的學(xué)習(xí)任務(wù)類型和參與主體，梳理出學(xué)習(xí)分析領(lǐng)域代表性研究和典型案例中采用的預(yù)測(cè)指標(biāo)。通過建立學(xué)習(xí)分析領(lǐng)域的預(yù)測(cè)指標(biāo)體系，為后續(xù)圍繞預(yù)測(cè)分析展開的研究提供參考，也為實(shí)踐領(lǐng)域?qū)W(xué)習(xí)進(jìn)行的預(yù)測(cè)和干預(yù)提供思路。

二、綜述方法

本綜述用學(xué)習(xí)分析、預(yù)測(cè)分析、預(yù)測(cè)指標(biāo)等關(guān)鍵詞進(jìn)行了系統(tǒng)的中英文文獻(xiàn)檢索。這些文獻(xiàn)絕大多數(shù)發(fā)表于經(jīng)過同行評(píng)議的學(xué)術(shù)期刊①和國際學(xué)術(shù)會(huì)議②，并大多發(fā)表在2006年至2016年這十年間。

為了確保本綜述能夠覆蓋領(lǐng)域中的代表性學(xué)者和典型案例，在基于關(guān)鍵詞的數(shù)據(jù)庫檢索之外還單獨(dú)檢索領(lǐng)域內(nèi)的主要學(xué)者和代表性研究團(tuán)隊(duì)的研究文獻(xiàn)。通過統(tǒng)計(jì)歷屆國際學(xué)習(xí)分析與知識(shí)學(xué)術(shù)會(huì)議的委員會(huì)和參與者、學(xué)習(xí)分析研究協(xié)會(huì)的會(huì)員和學(xué)習(xí)分析暑期學(xué)校的主講人等，本綜述初步確定了學(xué)習(xí)分析領(lǐng)域主要的學(xué)者：Dragan Gasevic、Shane Dawson、George Siemens、Ryan Baker、Simon Buckingham Shum、Phillip Long、Xavier Ochoa、Erik Duval、Rebecca Ferguson 和 Leah Macfadyen等。通過將代表學(xué)者的文章（116篇）和關(guān)鍵詞檢索的文章（183篇）進(jìn)行交叉匹配，并按本文綜述的聚焦對(duì)文獻(xiàn)進(jìn)行篩選。

文獻(xiàn)篩選的標(biāo)準(zhǔn)：首先，該研究要有明確的預(yù)測(cè)對(duì)象，即學(xué)習(xí)者的學(xué)業(yè)成就和學(xué)業(yè)風(fēng)險(xiǎn)以及相關(guān)的認(rèn)知技能提升等；其次，該研究要闡明其研究的學(xué)習(xí)場(chǎng)所和參與主體，對(duì)沒有介紹教學(xué)任務(wù)類型和過程的研究暫不參考；最后，對(duì)文獻(xiàn)中研究方法不明確、預(yù)測(cè)指標(biāo)介紹不充分、分析過程不清晰的研究暫不參考。最終本綜述采納的文獻(xiàn)為83篇。

在對(duì)這83篇文獻(xiàn)進(jìn)行閱讀、梳理和歸納時(shí)，本綜述特別關(guān)注了每篇文獻(xiàn)中研究所處的學(xué)習(xí)場(chǎng)所和情境、任務(wù)類型和參與主體，以及這些預(yù)測(cè)指標(biāo)和研究可能適用的歸類框架。

（一） 學(xué)習(xí)場(chǎng)所和情境

對(duì)學(xué)習(xí)分析研究所在的學(xué)習(xí)場(chǎng)所的劃分，與學(xué)習(xí)分析領(lǐng)域的發(fā)展歷史和主要團(tuán)隊(duì)的研究經(jīng)歷密切相關(guān)。早期教育數(shù)據(jù)挖掘和學(xué)習(xí)分析的研究團(tuán)隊(duì)，傳承自上世紀(jì)90年代前后智能導(dǎo)師系統(tǒng)的研究團(tuán)隊(duì)，其關(guān)注的應(yīng)用場(chǎng)景主要集中在 K-12 教育中，特別是學(xué)校教學(xué)場(chǎng)所下的學(xué)科教學(xué)。同時(shí)，本綜述發(fā)現(xiàn)學(xué)習(xí)分析領(lǐng)域。另外一類代表性的研究團(tuán)隊(duì)來自加拿大、英國、荷蘭等國的開放大學(xué)，這類研究的應(yīng)用場(chǎng)景主要集中在成人學(xué)習(xí)和遠(yuǎn)程學(xué)習(xí)的環(huán)境下，更多地與學(xué)習(xí)者具體的工作場(chǎng)所相結(jié)合。

學(xué)校場(chǎng)所的教學(xué)與學(xué)科知識(shí)密切相關(guān)，而工作場(chǎng)所的教學(xué)則往往與實(shí)際問題和專業(yè)發(fā)展相關(guān)，兩者的教學(xué)目標(biāo)、組織形式、內(nèi)容邏輯和評(píng)估方式等都存在很大的差異。因此，在梳理預(yù)測(cè)指標(biāo)時(shí)，本綜述在學(xué)習(xí)場(chǎng)所和情境的維度上劃分為學(xué)校場(chǎng)所（School）和工作場(chǎng)所（Workplace）。

（二） 任務(wù)類型和參與主體

對(duì)學(xué)習(xí)分析研究所關(guān)注的任務(wù)類型和參與主體的劃分，則受到領(lǐng)域內(nèi)使用的不同技術(shù)手段影響。在學(xué)習(xí)分析領(lǐng)域，具有堅(jiān)實(shí)數(shù)據(jù)挖掘技術(shù)基礎(chǔ)的學(xué)者主要具備兩類技術(shù)：機(jī)器學(xué)習(xí)的技術(shù)和社會(huì)網(wǎng)絡(luò)分析的技術(shù)。機(jī)器學(xué)習(xí)的技術(shù)主要關(guān)注個(gè)體行為的數(shù)據(jù)挖掘，通過訓(xùn)練機(jī)器而達(dá)到預(yù)測(cè)個(gè)體行為的目的；社會(huì)網(wǎng)絡(luò)分析的技術(shù)則更關(guān)注個(gè)體在群體中的關(guān)系、位置和交互模型，常常用來分析論壇討論等。因此，不難看出，學(xué)習(xí)分析關(guān)注的任務(wù)類型和參與主體往往可以分成兩大類：個(gè)體（Individual，大多數(shù)情況下學(xué)習(xí)者獨(dú)自學(xué)習(xí)）和群體（Cohort，大多數(shù)情況下學(xué)習(xí)者會(huì)在群體中進(jìn)行合作學(xué)習(xí)或協(xié)作學(xué)習(xí)）。

上文中提到的代表性學(xué)者的研究，都可以從學(xué)習(xí)場(chǎng)所和任務(wù)類型兩個(gè)維度進(jìn)行剖析。例如，Ryan Baker的早期研究大多關(guān)注課堂教學(xué)中師生使用智能導(dǎo)師系統(tǒng)的學(xué)習(xí)過程，聚焦在 K-12 階段的學(xué)科教學(xué)（如小學(xué)數(shù)學(xué)），多采用數(shù)據(jù)分析與田野調(diào)查結(jié)合的方式開展研究，關(guān)注智能導(dǎo)師系統(tǒng)中個(gè)體學(xué)習(xí)者的正面或負(fù)面行為，并對(duì)學(xué)習(xí)結(jié)果進(jìn)行預(yù)測(cè)。Baker在上述研究情境框架中，分屬在 School-Individual 象限。但隨著他于2013年開設(shè)了“大數(shù)據(jù)與教育”這門MOOC，其研究場(chǎng)所也逐步擴(kuò)展到 MOOC 等非傳統(tǒng)學(xué)校教學(xué)環(huán)境。

（三） 預(yù)測(cè)指標(biāo)分類框架

正如上文介紹其他綜述時(shí)提到的，不同的學(xué)者對(duì)預(yù)測(cè)指標(biāo)有著不同的分類方式，并沒有形成統(tǒng)一的分類框架或標(biāo)準(zhǔn)。本文通過分析國內(nèi)外學(xué)者對(duì)預(yù)測(cè)指標(biāo)的一般分類思路，經(jīng)過對(duì)文獻(xiàn)的梳理和歸納，將學(xué)習(xí)分析領(lǐng)域通常歸納為兩大類指標(biāo)：傾向性指標(biāo)（Dispositional Indicators）和行為表現(xiàn)指標(biāo)（Activity and Performance Indicators）。

傾向性指標(biāo)主要指學(xué)生進(jìn)入學(xué)習(xí)環(huán)境時(shí)自身已經(jīng)帶有的一些屬性，包括他/她的固有指標(biāo)（如性別、年齡、種族等）和過去的經(jīng)歷（如社會(huì)經(jīng)濟(jì)背景、上學(xué)期GPA、初始知識(shí)等）。在適應(yīng)性學(xué)習(xí)的文獻(xiàn)中，傾向性指標(biāo)也常被稱為靜態(tài)指標(biāo)，即進(jìn)入學(xué)習(xí)環(huán)境后不會(huì)隨著學(xué)習(xí)過程而改變的指標(biāo)（斯伯克特， 等， 2012）。

行為表現(xiàn)指標(biāo)主要指學(xué)生在學(xué)習(xí)過程中體現(xiàn)的動(dòng)態(tài)指標(biāo)，如瀏覽在線課程的頻次和時(shí)長、論壇發(fā)帖的數(shù)量、線上討論的師生和生生交互程度等。靜態(tài)指標(biāo)和動(dòng)態(tài)指標(biāo)對(duì)于學(xué)習(xí)結(jié)果的預(yù)測(cè)是相輔相成的，學(xué)習(xí)初期靜態(tài)指標(biāo)（如初始知識(shí)、智力、興趣）的預(yù)測(cè)能力較強(qiáng)（Whitener， 1989），而隨著學(xué)習(xí)過程的推進(jìn)，傾向性指標(biāo)的預(yù)測(cè)能力明顯衰減（如圖1），而行為表現(xiàn)指標(biāo)則成為核心的預(yù)測(cè)指標(biāo)（Park & Tennyson， 1986）。

圖1 傾向性指標(biāo)和行為表現(xiàn)指標(biāo)預(yù)測(cè)能力變化①

在本研究中，動(dòng)態(tài)指標(biāo)得到重點(diǎn)的關(guān)注和分析，并被分為人機(jī)交互變量和人際交互變量。因?yàn)閷W(xué)習(xí)分析研究大多數(shù)為技術(shù)輔助的教學(xué)，人機(jī)交互特指學(xué)習(xí)者（有些情況下也包括教學(xué)者）與學(xué)習(xí)管理系統(tǒng)（LMS）等計(jì)算機(jī)環(huán)境之間的交互行為；人際交互變量則包括了師生和生生之間的問答、討論等交互行為。

因此，對(duì)預(yù)測(cè)指標(biāo)的綜述有以下三個(gè)特點(diǎn)：

第一，在學(xué)習(xí)場(chǎng)所和情境上，注重學(xué)校場(chǎng)所（School）和工作場(chǎng)所（Workplace）；

第二，在任務(wù)類型和參與主體上，分成個(gè)體（Individual，個(gè)體學(xué)習(xí)任務(wù)）和群體（Cohort，合作學(xué)習(xí)或協(xié)作學(xué)習(xí)任務(wù)）兩類；

第三，在梳理預(yù)測(cè)指標(biāo)的框架上，提出了“傾向性指標(biāo)-人機(jī)交互指標(biāo)-人際交互指標(biāo)”這樣一個(gè)分類框架。

下文將重點(diǎn)按照這個(gè)分類框架展示學(xué)習(xí)分析領(lǐng)域中得到廣泛驗(yàn)證的幾個(gè)關(guān)鍵預(yù)測(cè)指標(biāo)。

三、學(xué)業(yè)成就和學(xué)業(yè)風(fēng)險(xiǎn)的預(yù)測(cè)指標(biāo)

（一） 傾向性指標(biāo)

在學(xué)生進(jìn)入學(xué)習(xí)環(huán)境之初，針對(duì)學(xué)生的學(xué)業(yè)表現(xiàn)，有些傾向性指標(biāo)就體現(xiàn)出較高的預(yù)測(cè)能力，良好的初始知識(shí)和高初期表現(xiàn)的學(xué)生往往能夠在最終呈現(xiàn)“成功”的學(xué)習(xí)狀態(tài)（Mckay， Miller， & Tritz， 2012）。這些研究發(fā)現(xiàn)所處的情境大多數(shù)為學(xué)校場(chǎng)所下的個(gè)體學(xué)習(xí)。常用的高預(yù)測(cè)能力指標(biāo)就是GPA等核算學(xué)生過去學(xué)業(yè)表現(xiàn)的數(shù)據(jù)指標(biāo)，如密歇根大學(xué)的Tim McKay認(rèn)為學(xué)期初學(xué)生的GPA為學(xué)期末的學(xué)業(yè)表現(xiàn)貢獻(xiàn)了近一半的預(yù)測(cè)能力（Mckay， et al.， 2012）。在某個(gè)單門課程或某個(gè)學(xué)習(xí)項(xiàng)目表現(xiàn)的預(yù)測(cè)上，借助決策樹等工具，學(xué)習(xí)者相關(guān)的過往成績也表現(xiàn)出一致的良好預(yù)測(cè)能力（孫力， 等， 2015； Bainbridge， et al.， 2015）。

在諸多著名的學(xué)習(xí)分析應(yīng)用環(huán)境下，如在普度大學(xué)的Signals系統(tǒng)、密歇根大學(xué)的E2 Coach系統(tǒng)、北亞利桑那大學(xué)的GPS學(xué)習(xí)系統(tǒng)中，雖然具體采納的數(shù)據(jù)不同（如學(xué)生入學(xué)測(cè)驗(yàn)綜合得分、過往學(xué)期的平均課程得分等），但學(xué)生過往的學(xué)習(xí)成績都是各系統(tǒng)采納的核心預(yù)測(cè)指標(biāo)（Arnold & Pistilli， 2012； Mckay， et al.， 2012）。過往學(xué)習(xí)成績較高的學(xué)生往往體現(xiàn)出“優(yōu)秀”的慣性，本身也具備較為積極的學(xué)習(xí)態(tài)度、較強(qiáng)的學(xué)習(xí)能力，有更大的概率在今后的學(xué)習(xí)中繼續(xù)獲得較高的學(xué)業(yè)成就；反之，低過往學(xué)習(xí)表現(xiàn)的學(xué)生則存在潛在的學(xué)業(yè)風(fēng)險(xiǎn)。

除了表象的學(xué)習(xí)成績，學(xué)生的知識(shí)掌握情況也是對(duì)學(xué)業(yè)成就強(qiáng)有力的預(yù)測(cè)指標(biāo)。20世紀(jì)90年代前后，主流的適應(yīng)性學(xué)習(xí)研究學(xué)者認(rèn)為初始知識(shí)是隨后學(xué)習(xí)最重要的決定性因素（Alexander & Judy， 1988； Glaser， 1983； Tobias， 1994）。學(xué)生在進(jìn)入學(xué)習(xí)時(shí)具備的知識(shí)儲(chǔ)備，在很大程度上決定了其學(xué)習(xí)的難易程度、理解的深入程度和應(yīng)用的熟練程度，并且對(duì)其學(xué)習(xí)的目標(biāo)導(dǎo)向有影響。

除了初始知識(shí)之外，學(xué)生具備的其他技能和基礎(chǔ)，如語言能力，往往也會(huì)導(dǎo)致學(xué)業(yè)成就的差異。例如，在美國中小學(xué)階段的學(xué)科教學(xué)（Snow & Biancarosa， 2003）或者全球背景下的MOOC教學(xué)中（Halawa， 2014），學(xué)習(xí)成績的差異往往與語言熟練程度的差異密切相關(guān)。因此，初始知識(shí)和技能狀態(tài)的高低往往可以作為預(yù)測(cè)學(xué)業(yè)表現(xiàn)的關(guān)鍵指標(biāo)之一。

傾向性指標(biāo)除了學(xué)生的往期學(xué)習(xí)成績、初始知識(shí)等固有的指標(biāo)，也包括一些心理學(xué)測(cè)量出的傾向性指標(biāo)。例如，Simon Buckingham Shum和Ruth Crick在2012年介紹了“l(fā)earning power（學(xué)習(xí)驅(qū)動(dòng)力）”這個(gè)概念，并綜述了其用于預(yù)測(cè)學(xué)業(yè)成就以及認(rèn)知能力的相關(guān)研究（Shum & Crick， 2012）。研究通過綜述學(xué)校場(chǎng)所和工作場(chǎng)所的教學(xué)（包括了個(gè)體學(xué)習(xí)的應(yīng)用和合作學(xué)習(xí)的應(yīng)用）發(fā)現(xiàn)：學(xué)習(xí)驅(qū)動(dòng)力能夠有效地作為預(yù)測(cè)指標(biāo)，估計(jì)學(xué)習(xí)者能否獲得較高的測(cè)試得分，也能預(yù)測(cè)其在學(xué)習(xí)中和學(xué)習(xí)后體現(xiàn)出的自我調(diào)節(jié)的學(xué)習(xí)能力（包括制定學(xué)習(xí)目標(biāo)、開展學(xué)習(xí)評(píng)估、進(jìn)行自我反思等），在有些情況下也與學(xué)生能否開展高階思維相關(guān)（Shum， et al.， 2012； Crick， et al.， 2015； Godfrey， et al.， 2013）。

關(guān)于幾個(gè)關(guān)鍵傾向性指標(biāo)的梳理，可參見表1。

（二） 人機(jī)交互指標(biāo)

在各種技術(shù)輔助教學(xué)的學(xué)習(xí)環(huán)境下（如學(xué)習(xí)管理系統(tǒng)、智能導(dǎo)師系統(tǒng)、MOOC等），學(xué)習(xí)者的學(xué)習(xí)就是其與計(jì)算機(jī)發(fā)生交互的過程。通過人機(jī)交互的行為數(shù)據(jù)，進(jìn)行學(xué)業(yè)表現(xiàn)和認(rèn)知能力預(yù)測(cè)成為一個(gè)重要的研究方向。

人機(jī)交互行為的頻次和時(shí)長往往能夠成為重要的預(yù)測(cè)指標(biāo)，因?yàn)檩^高的交互頻次和較長的登錄時(shí)長往往意味著學(xué)習(xí)者花費(fèi)更多的時(shí)間和精力用于內(nèi)容學(xué)習(xí)（努力程度），也顯而易見地容易獲得較高的學(xué)業(yè)表現(xiàn)（Brown， 2012； 牟智佳， 等， 2017； 王亮， 2015； 賈積有， 等， 2017）。但是，這并不意味著獲得高學(xué)業(yè)表現(xiàn)的學(xué)生一定存在高交互行為，有些獲得高分的學(xué)生并沒有積極地參與網(wǎng)上學(xué)習(xí)環(huán)節(jié)。在線學(xué)習(xí)的努力程度如果發(fā)生巨大的轉(zhuǎn)折（Turing Track），比如過去有著豐富人機(jī)交互行為的學(xué)生（瀏覽次數(shù)多、發(fā)帖數(shù)量多等），其瀏覽數(shù)量和發(fā)帖數(shù)量驟減，則往往意味著該學(xué)生正在離開課程或存在明顯的學(xué)業(yè)風(fēng)險(xiǎn)（Brown， 2012）。

Baker等人也認(rèn)為負(fù)面的學(xué)習(xí)行為對(duì)潛在學(xué)習(xí)風(fēng)險(xiǎn)有著較強(qiáng)的預(yù)測(cè)能力（Baker， et al.， 2010）。Baker早期的研究聚焦于智能導(dǎo)師系統(tǒng)中存在的“玩弄系統(tǒng)”（gaming the system）行為，玩弄系統(tǒng)行為指的是濫用幫助和系統(tǒng)性試錯(cuò)等可以不通過思考而獲得正確答案的行為（Baker， et al.， 2004）。而大量的實(shí)證研究表明，在控制住初始知識(shí)和學(xué)習(xí)能力等變量的基礎(chǔ)上，玩弄系統(tǒng)行為對(duì)學(xué)習(xí)者的學(xué)習(xí)成績有顯著的負(fù)面影響，是學(xué)業(yè)風(fēng)險(xiǎn)預(yù)警的關(guān)鍵指標(biāo)（Baker， et al.， 2004）。玩弄系統(tǒng)行為不僅會(huì)在短期內(nèi)（如中學(xué)時(shí)的一個(gè)學(xué)期）造成課程學(xué)習(xí)的失敗，從長期看來，存在玩弄系統(tǒng)行為的學(xué)生在其大學(xué)階段選擇專業(yè)時(shí)也與其他學(xué)生存在顯著差異：這部分學(xué)生更傾向于避開STEM專業(yè)，更多地選擇商科、社會(huì)學(xué)、公共服務(wù)等學(xué)科（Pedro， et al.， 2015）。

從學(xué)習(xí)者行為投入的類型來看，參與、堅(jiān)持、專注等外在行為表現(xiàn)也是內(nèi)在情感狀態(tài)的一種反映（李爽， 等， 2016）。因此，除了具體的行為，學(xué)生在學(xué)習(xí)過程中體現(xiàn)出的情感狀態(tài)也是對(duì)學(xué)業(yè)成就具有較強(qiáng)預(yù)測(cè)能力的變量。通過識(shí)別和對(duì)比六大類學(xué)習(xí)中常見的情緒狀態(tài)（厭倦、受挫、困惑、專注、高興和吃驚），諸多跨國家（美國和菲律賓）和學(xué)習(xí)環(huán)境（智能導(dǎo)師系統(tǒng)、對(duì)話導(dǎo)航、教育游戲等）的研究表明：對(duì)學(xué)習(xí)有最持續(xù)、最負(fù)面影響的是厭倦的情感狀態(tài)，而受挫對(duì)學(xué)習(xí)的負(fù)面影響則并不顯著（Baker， et al.， 2010）。在情緒狀態(tài)方面，隨著最近幾年可穿戴設(shè)備的興起，也有團(tuán)隊(duì)利用可穿戴技術(shù)設(shè)備監(jiān)測(cè)學(xué)習(xí)者的生理狀態(tài)（如心率、步頻等），并借此關(guān)聯(lián)學(xué)習(xí)者的情緒狀態(tài)（如學(xué)習(xí)中的抗壓能力和應(yīng)對(duì)挑戰(zhàn)能力等），進(jìn)而預(yù)測(cè)學(xué)習(xí)產(chǎn)出（Mitri， et al.， 2016）。

在人機(jī)交互指標(biāo)中，除了主流的通過log數(shù)據(jù)等代表的客觀交互數(shù)據(jù)，也有學(xué)者開始通過關(guān)聯(lián)分析或語義分析的技術(shù)對(duì)學(xué)習(xí)者的人機(jī)交互數(shù)據(jù)（如在線寫作中表達(dá)的觀點(diǎn)）進(jìn)行分析。有研究發(fā)現(xiàn)，在博客或?qū)懽髯鳂I(yè)中能夠?qū)⒔淌诘母拍詈椭R(shí)形成原創(chuàng)性的新理解并在新的擴(kuò)展性質(zhì)的情境下進(jìn)行使用的學(xué)生，往往意味著具有較好的理解和應(yīng)用能力（Jóhann & White， 2012）。類似的研究也存在于工作場(chǎng)所中：Ley和Kump通過將學(xué)習(xí)者的日常學(xué)習(xí)行為與潛在知識(shí)或技能進(jìn)行關(guān)聯(lián)，形成的知識(shí)表征事件（Knowledge Indicating Events）頻次被證明是良好的預(yù)測(cè)指標(biāo)。知識(shí)表征事件和原創(chuàng)性得分等高級(jí)變量被認(rèn)為是可以預(yù)測(cè)高階思維能力和良好認(rèn)知能力的指標(biāo)之一（Lárusson， et al.， 2012； Ley & Kump， 2013）。

關(guān)于幾個(gè)關(guān)鍵人機(jī)交互指標(biāo)的梳理，可參見表2。

（三） 人際交互指標(biāo)

與人機(jī)交互指標(biāo)一樣，人際交互的參與程度也能對(duì)學(xué)業(yè)表現(xiàn)和認(rèn)知能力有一定的預(yù)測(cè)能力，如美國鮑爾州立大學(xué)使用的MAP系統(tǒng)將學(xué)生在線討論的參與頻次、發(fā)帖數(shù)量等作為預(yù)測(cè)其學(xué)業(yè)表現(xiàn)的關(guān)鍵變量之一（Mat， et al.， 2013）。同樣的結(jié)論也在國內(nèi)諸多文獻(xiàn)中得到了驗(yàn)證（郝巧龍， 等， 2016； 牟智佳， 等， 2017； 賀超凱， 等， 2016）。

除了參與交互的投入程度，在人際交互中學(xué)習(xí)者構(gòu)建的互動(dòng)鏈接和體現(xiàn)出的中心度則能顯示成功學(xué)生和失敗學(xué)生之間的不同（通過最終課程分?jǐn)?shù)判斷）（Macfayden & Dawson， 2010），如位于社會(huì)網(wǎng)絡(luò)邊緣或無連接的學(xué)生普遍存在一定的學(xué)業(yè)失敗風(fēng)險(xiǎn)，需要引起自身和教師的關(guān)注，并采取特定干預(yù)（Dawson，2010）?；谶@些學(xué)生行為變量的分析以及數(shù)據(jù)的可視化，Dawson等人開發(fā)了SNAPP系統(tǒng)（Bakharia & Dawson， 2011），該系統(tǒng)的工作原理和效果將在下文進(jìn)行詳細(xì)闡述。

交互行為之上，是個(gè)體對(duì)于交互的認(rèn)識(shí)、把控和體驗(yàn)。在學(xué)習(xí)分析領(lǐng)域，有學(xué)者深入研究人際互動(dòng)中學(xué)習(xí)者個(gè)體對(duì)自我學(xué)習(xí)的把控能力和學(xué)習(xí)社區(qū)（往往也可以擴(kuò)展到實(shí)踐共同體和探究共同體的范疇）的參與情況。如在工作場(chǎng)所的情境下，Gragan Gasevic及其團(tuán)隊(duì)關(guān)注學(xué)習(xí)者能否瀏覽他人學(xué)習(xí)目標(biāo)和學(xué)習(xí)軌跡，并在參與討論對(duì)話的過程中對(duì)自身的自我調(diào)節(jié)學(xué)習(xí)技能習(xí)得有所幫助（Holocher-Ertl， et al.， 2011； Gasevic， et al.， 2012）。研究發(fā)現(xiàn)，學(xué)習(xí)者能否將自身的學(xué)習(xí)目標(biāo)與所在工作環(huán)境的組織發(fā)展目標(biāo)相結(jié)合（這往往需要教學(xué)設(shè)計(jì)者加以引導(dǎo)），也就是說學(xué)習(xí)者的成就目標(biāo)取向（Goal Orientation）情況，是其專業(yè)發(fā)展成功的影響因素之一。

而在這些研究中，學(xué)習(xí)者表現(xiàn)出的社交意識(shí)（social awareness）或社群意識(shí)（Sense of Community）則深刻地影響了學(xué)習(xí)者認(rèn)知能力的發(fā)展（Siadaty， Gasevic， & Hatala， 2016； McMillan & Chavis， 1986），對(duì)相關(guān)意識(shí)的測(cè)量也成為潛在的預(yù)測(cè)指標(biāo)。教學(xué)者和設(shè)計(jì)者為學(xué)習(xí)者提供的技術(shù)腳手架（比如，借助可視化工具讓學(xué)習(xí)者了解同伴的學(xué)習(xí)路徑、學(xué)習(xí)目標(biāo)和問題解決策略等），能夠有效地提升學(xué)習(xí)者的社交意識(shí)，最終促進(jìn)學(xué)習(xí)者的學(xué)習(xí)過程和學(xué)業(yè)產(chǎn)出（Siadaty， et al.， 2016）。同時(shí)，這種促進(jìn)也體現(xiàn)在學(xué)生自我調(diào)節(jié)的學(xué)習(xí)策略和技能提升方面（Gasevic， et al.， 2012）。

圍繞社交意識(shí)或社群意識(shí)概念，Rovaid等學(xué)者也提出了諸如CCS量表等測(cè)量工具，Shane Dawson等人在學(xué)習(xí)分析領(lǐng)域內(nèi)也進(jìn)一步實(shí)踐和驗(yàn)證了這些測(cè)量工具的有效性。但在這里值得指出的是，社群意識(shí)等概念在人際交互中屬于中介變量的位置，學(xué)生的交互頻度等基礎(chǔ)指標(biāo)可以預(yù)測(cè)其高低，其自身的高低也能進(jìn)一步預(yù)測(cè)學(xué)業(yè)表現(xiàn)和認(rèn)知能力的發(fā)展（Dawson， 2004）。

除了上面談到的交互行為、中心度、目標(biāo)取向和社群意識(shí)等預(yù)測(cè)指標(biāo)，體現(xiàn)高階思維的對(duì)話模型（如學(xué)術(shù)爭(zhēng)辯和探索性對(duì)話）也能夠較好地預(yù)測(cè)高層次認(rèn)知能力的發(fā)展（Shum， 2008）。在這方面，Shum及其英國開放大學(xué)的同事們致力于開發(fā)有用并好用的工具（如Cohere），并深入探討了這種工具的設(shè)計(jì)原則以及應(yīng)用過程（Shum， 2008），該模型將在下文進(jìn)行詳細(xì)闡述?？偟膩碚f，Shum等人發(fā)現(xiàn)，研究者通過話語分析可以尋找到探究性對(duì)話的標(biāo)志性詞匯或者對(duì)話模式（包括分享、挑戰(zhàn)、評(píng)價(jià)或?qū)徤魉伎嫉龋?，并基于此設(shè)計(jì)預(yù)測(cè)或推薦模型，讓師生能夠意識(shí)到哪里正在發(fā)生有意義的深度對(duì)話（Ferguson & Shum， 2011）。

本文關(guān)于幾個(gè)關(guān)鍵人際交互指標(biāo)的梳理，可參見表3。

四、預(yù)測(cè)分析的典型應(yīng)用

上面以具體指標(biāo)為單位，綜述學(xué)習(xí)分析領(lǐng)域重要的三類預(yù)測(cè)指標(biāo)以及這些指標(biāo)適用的學(xué)習(xí)場(chǎng)所和任務(wù)類型。下面，本文將按照“學(xué)校場(chǎng)所和工作場(chǎng)所”和“個(gè)體學(xué)習(xí)和群體學(xué)習(xí)”兩個(gè)維度劃分的四個(gè)象限，在每個(gè)象限中選取一個(gè)典型的學(xué)習(xí)分析系統(tǒng)，對(duì)預(yù)測(cè)分析做進(jìn)一步的闡述。

（一）學(xué)校場(chǎng)所與個(gè)體學(xué)習(xí)：Signals系統(tǒng)

Course Signals系統(tǒng)是美國普渡大學(xué)于2007年開發(fā)的學(xué)習(xí)預(yù)警系統(tǒng)，經(jīng)過多年的實(shí)踐和研究，Signals系統(tǒng)已經(jīng)成為當(dāng)今學(xué)習(xí)分析領(lǐng)域最為成功的實(shí)踐案例之一（如圖2）。最初的Signals系統(tǒng)是針對(duì)普渡大學(xué)大一新生開發(fā)的，用以預(yù)測(cè)學(xué)業(yè)表現(xiàn)和學(xué)生保留的數(shù)據(jù)挖掘工具，服務(wù)于師生以達(dá)成更高的學(xué)習(xí)成功率和學(xué)生保留率，屬于典型的學(xué)校場(chǎng)所下主要服務(wù)于個(gè)體學(xué)習(xí)情境的學(xué)習(xí)分析應(yīng)用（Arnold & Pistilli， 2012）。

系統(tǒng)主要依據(jù)四個(gè)預(yù)測(cè)指標(biāo)：表現(xiàn)行為（課程內(nèi)截止開展分析時(shí)學(xué)生獲得的分?jǐn)?shù)）、努力程度（相較課程評(píng)價(jià)水平學(xué)生在學(xué)習(xí)管理系統(tǒng)內(nèi)交互的頻次等）、過往學(xué)業(yè)成績（包括高中時(shí)期的GPA分?jǐn)?shù)、標(biāo)準(zhǔn)化考試得分等）以及學(xué)生的基本數(shù)據(jù)（如年齡、住處等社會(huì)經(jīng)濟(jì)背景信息）。通過特定的學(xué)業(yè)成功算法（student success algorithm，SSA），學(xué)生的學(xué)習(xí)過程狀態(tài)被劃分成紅燈（高風(fēng)險(xiǎn)）、黃燈（預(yù)警）和綠燈（良好）三個(gè)狀態(tài)。狀態(tài)通過可視化的手段反饋給老師和學(xué)生，以便老師采取一系列的干預(yù)措施，包括將Signals信號(hào)在學(xué)生端凸顯、給高風(fēng)險(xiǎn)學(xué)生推送郵件、當(dāng)面約談等。隨著系統(tǒng)的迭代開發(fā)，學(xué)生端也逐漸能夠看到自己各門課程的Signals狀態(tài)，并可以主動(dòng)采取某些自我干預(yù)的行為（Arnold， et al.， 2012）。

圖2 普度大學(xué)Signals系統(tǒng)應(yīng)用①

一項(xiàng)跨度三年的研究結(jié)果表明，在學(xué)業(yè)成就和學(xué)生保留的層面，使用Signals系統(tǒng)的學(xué)生群體學(xué)業(yè)成就明顯高于不使用該系統(tǒng)的學(xué)生群體，相應(yīng)的學(xué)生保留率也顯著高于不使用該系統(tǒng)的學(xué)生群體。特別是在2007年入學(xué)的學(xué)生中，使用2次以上該系統(tǒng)的群體學(xué)生保留率達(dá)到了93.24%，而同年入學(xué)的學(xué)生中不使用該系統(tǒng)的群體學(xué)生保留率僅為69.40%。另外，從具體的課程學(xué)習(xí)行為看，關(guān)注學(xué)習(xí)信號(hào)并從Signals系統(tǒng)中提取反饋的學(xué)生，往往能夠獲得更好的學(xué)業(yè)成就，并且其中有更高比例的學(xué)生主動(dòng)尋找教學(xué)資源（Arnold， et al.， 2012）。

（二）學(xué)校場(chǎng)所與群體學(xué)習(xí)：SNAPP系統(tǒng)

SNAPP（Social Networks Adapting Pedagogical Practice），是Shane Dawson團(tuán)隊(duì)在2008年開發(fā)的基于社會(huì)網(wǎng)絡(luò)分析技術(shù)、針對(duì)學(xué)習(xí)管理系統(tǒng)內(nèi)論壇討論行為的實(shí)時(shí)可視化工具和教學(xué)反饋工具。該工具主要分析的數(shù)據(jù)為學(xué)習(xí)者和教學(xué)者在學(xué)習(xí)管理系統(tǒng)中，處在合作學(xué)習(xí)的學(xué)習(xí)任務(wù)時(shí)，進(jìn)行在線討論的交互行為，屬于典型的學(xué)校場(chǎng)所下主要服務(wù)于群體學(xué)習(xí)的學(xué)習(xí)分析應(yīng)用（Bakharia & Dawson， 2011）。

該系統(tǒng)主要的教學(xué)應(yīng)用包括：識(shí)別討論中高交互或孤立的參與者（在交互網(wǎng)絡(luò)中與他人沒有連接的人或處于中心位置的人，如圖3第一幅）、識(shí)別討論的模式或結(jié)構(gòu)化缺陷（教師為中心的討論模式，如圖3第二幅）、自我社會(huì)關(guān)系網(wǎng)絡(luò)分析圖（ego network analysis）（識(shí)別社會(huì)網(wǎng)絡(luò)關(guān)系中的強(qiáng)聯(lián)系和弱聯(lián)系，如圖3第三幅）、監(jiān)控網(wǎng)絡(luò)發(fā)展和討論連續(xù)性以及跨論壇的評(píng)估和比較等（Bakharia， et al.， 2011）。

工具的開發(fā)充分考慮了社會(huì)網(wǎng)絡(luò)技術(shù)與教學(xué)實(shí)踐的結(jié)合，特別是研究成果轉(zhuǎn)化成可指導(dǎo)行為的洞見。例如，SNAPP幫助教師如何在密集而復(fù)雜的社會(huì)網(wǎng)絡(luò)關(guān)系圖中找到有待深入了解的模式：在圖3的自我社會(huì)網(wǎng)絡(luò)關(guān)系圖中，選中某一位學(xué)生后（粗線圓圈標(biāo)記），系統(tǒng)會(huì)將其交互行為進(jìn)行連線，將方向、中心度、發(fā)帖量和聯(lián)系強(qiáng)弱可視化。在該學(xué)生發(fā)生交互的所有學(xué)生網(wǎng)絡(luò)中，與之存在強(qiáng)聯(lián)系的學(xué)生邊緣和連線呈現(xiàn)粗黑線，而與之存在弱聯(lián)系的學(xué)生則呈現(xiàn)細(xì)黑線。結(jié)合以往社會(huì)網(wǎng)絡(luò)分析的研究：強(qiáng)聯(lián)系意味著共識(shí)和對(duì)某個(gè)知識(shí)信息的固化，弱聯(lián)系意味著觀點(diǎn)的差異和新知識(shí)的產(chǎn)生。這樣的可視化結(jié)果對(duì)于教學(xué)干預(yù)的指導(dǎo)價(jià)值是：如果教學(xué)者希望發(fā)生更多的發(fā)散性討論，則應(yīng)該鼓勵(lì)更多具有學(xué)科和專業(yè)背景差異的學(xué)習(xí)者找到彼此并開展討論（Bakharia， et al.， 2011）。

（三）工作場(chǎng)所與個(gè)體學(xué)習(xí)：Learn-B系統(tǒng)

Learn-B是Gragan Gasevic團(tuán)隊(duì)于2012年基于語義分析技術(shù)和工作場(chǎng)所下的自我調(diào)節(jié)學(xué)習(xí)理論所開發(fā)的學(xué)習(xí)環(huán)境原型，屬于典型的工作場(chǎng)所下主要服務(wù)于個(gè)體學(xué)習(xí)情境的學(xué)習(xí)分析應(yīng)用（Gasevic， et al.， 2012）。

Gasevic等學(xué)者將自我調(diào)節(jié)的學(xué)習(xí)視為組織內(nèi)學(xué)習(xí)（organizational learning）的一部分（Gasevic， et al.， 2012），強(qiáng)調(diào)明確組織內(nèi)學(xué)習(xí)目標(biāo)（組織層次）是促進(jìn)工作場(chǎng)所自我調(diào)節(jié)學(xué)習(xí)（個(gè)人層次）的重要途徑。按照自我調(diào)節(jié)學(xué)習(xí)的理論框架，Learn-B被設(shè)計(jì)成7個(gè)主要的學(xué)習(xí)步驟。

在該系統(tǒng)中（如圖4所示），剛進(jìn)入系統(tǒng)的公司新員工可以看到公司整體的愿景、工作和能力需求。通過匹配自己的工作職責(zé)和能力需求，該新員工可以看到一系列按優(yōu)先級(jí)排序的能力清單，并基于此設(shè)置自己的學(xué)習(xí)目標(biāo)。當(dāng)員工在設(shè)定目標(biāo)時(shí)遇到困難后，他可以通過了解其他相似階段的員工學(xué)習(xí)了什么、達(dá)成了什么能力作為參考。在設(shè)定目標(biāo)后，系統(tǒng)會(huì)按照該員工設(shè)定的目標(biāo)推薦和匹配相應(yīng)的學(xué)習(xí)活動(dòng)，形成初步規(guī)劃好的學(xué)習(xí)路徑。在進(jìn)入學(xué)習(xí)路徑后，系統(tǒng)會(huì)提供學(xué)習(xí)自我監(jiān)控的工具，讓員工可視化地了解到自己在該能力任務(wù)上的進(jìn)展情況。不僅如此，該員工還能看到其他員工發(fā)布的在相似能力任務(wù)下的能力發(fā)展更新、學(xué)習(xí)文檔分享、學(xué)習(xí)任務(wù)遞進(jìn)等信息（Social Wave），并且通過可視化的界面將自己的學(xué)習(xí)與組織整體的情況做比較（Gasevic， et al.， 2012）。

開發(fā)團(tuán)隊(duì)將Learn-B的工作場(chǎng)所下自我調(diào)節(jié)學(xué)習(xí)的關(guān)鍵步驟和Learn-B提供的主要干預(yù)工具做關(guān)聯(lián)度分析，研究發(fā)現(xiàn)Learn-B的幾個(gè)關(guān)鍵工具或干預(yù)能夠很有效地支持員工的自我調(diào)節(jié)學(xué)習(xí)。最主要的一個(gè)研究發(fā)現(xiàn)是：如果系統(tǒng)提供的干預(yù)能夠喚起或者提高員工的社群意識(shí)，則往往能夠預(yù)測(cè)正向的學(xué)習(xí)產(chǎn)出（Gasevic， et al.， 2012）。

（四）工作場(chǎng)所與群體學(xué)習(xí)：Cohere系統(tǒng)

Cohere是英國開放大學(xué)Simon Buckingham Shum團(tuán)隊(duì)2008年前后開發(fā)的基于Web 2.0設(shè)計(jì)原則的在線研討、觀點(diǎn)分享工具。在宏觀上致力于為全球化背景下重要實(shí)踐和研究問題提供基于語義分析技術(shù)和可視化技術(shù)的學(xué)術(shù)爭(zhēng)辯工具，屬于典型的工作場(chǎng)所下主要服務(wù)于群體學(xué)習(xí)情境的學(xué)習(xí)分析應(yīng)用（Shum， et al.， 2012）。

基于工作場(chǎng)所下學(xué)習(xí)者產(chǎn)生的數(shù)據(jù)集，Cohere關(guān)注學(xué)習(xí)分析領(lǐng)域的四個(gè)問題：第一，參與者的注意力集中在哪里？第二，參與者在對(duì)話中所持的態(tài)度如何？第三，學(xué)習(xí)話題的分布如何（如圖5所示的話題分布及關(guān)聯(lián)）？第四，組內(nèi)部參與者之間的社會(huì)網(wǎng)絡(luò)關(guān)系如何？（Liddo， et al.， 2011）

研究發(fā)現(xiàn)，通過話語分析研究者可以尋找到探究性對(duì)話的標(biāo)志性詞匯或者對(duì)話模式（包括分享、挑戰(zhàn)、評(píng)價(jià)或?qū)徤魉伎嫉龋?，基于此可以設(shè)計(jì)預(yù)測(cè)或推薦模型，在學(xué)習(xí)環(huán)境下讓師生意識(shí)到哪里正在發(fā)生有意義的深度對(duì)話（Ferguson， et al.， 2011），而參與者在Cohere環(huán)境下的對(duì)話中（如學(xué)術(shù)爭(zhēng)辯和探究性對(duì)話）往往能夠激發(fā)更高的參與程度和對(duì)知識(shí)更深的理解，同時(shí)也有可能發(fā)展出較高層次的認(rèn)知能力（Ferguson， et al.， 2011）。

五、總結(jié)

通過上面的綜述，可以看出學(xué)習(xí)分析領(lǐng)域中預(yù)測(cè)指標(biāo)研究的特點(diǎn)。

第一，預(yù)測(cè)指標(biāo)和模型的建立往往植根于情境之中，如特定的教學(xué)機(jī)構(gòu)、具體的學(xué)科內(nèi)容或不同的學(xué)習(xí)層次以及特定的數(shù)據(jù)采集能力（Wagner & Ice， 2012； Shum， 2012）。目前，學(xué)習(xí)分析領(lǐng)域內(nèi)預(yù)測(cè)指標(biāo)的研究仍然有限，大多數(shù)預(yù)測(cè)指標(biāo)由于自身屬性的原因都難以得到跨學(xué)習(xí)場(chǎng)所和任務(wù)類型的可靠的交叉驗(yàn)證，具有普適性的預(yù)測(cè)指標(biāo)并不多。因此，一方面，使用預(yù)測(cè)指標(biāo)時(shí)應(yīng)審慎地看待學(xué)習(xí)環(huán)境等因素差異，審慎地選擇預(yù)測(cè)指標(biāo)并構(gòu)建預(yù)測(cè)模型；另一方面，這也是未來研究者對(duì)于某個(gè)或某些預(yù)測(cè)指標(biāo)開展深入研究的方向之一。對(duì)于普適性指標(biāo)的研究也是未來研究的方向之一，如學(xué)習(xí)驅(qū)動(dòng)力、堅(jiān)毅（Grit）等綜合性較強(qiáng)的指標(biāo)跨情境的檢驗(yàn)。

第二，21世紀(jì)的學(xué)習(xí)被理解為一種參與過程（Thomas & Brown， 2009），學(xué)生參與的頻次多少與程度深淺能顯著地預(yù)測(cè)學(xué)業(yè)表現(xiàn)。在學(xué)習(xí)管理系統(tǒng)中，學(xué)生發(fā)生更多的瀏覽行為、花費(fèi)更多的時(shí)間學(xué)習(xí)、發(fā)出更多的帖子和回復(fù)等正面的參與行為，都能在一定程度上預(yù)示著較高的學(xué)業(yè)表現(xiàn)。而積極行為的消失和負(fù)面學(xué)習(xí)行為的出現(xiàn)，則往往意味著學(xué)習(xí)者存在一定的失敗風(fēng)險(xiǎn)。特別是從情感動(dòng)機(jī)層面和行為表現(xiàn)層面，學(xué)生玩弄系統(tǒng)、粗心、厭倦情緒等典型的負(fù)面行為和情緒對(duì)識(shí)別學(xué)困生有著非常高的預(yù)測(cè)能力。同時(shí)，將傳統(tǒng)教育心理學(xué)具有學(xué)理基礎(chǔ)的概念與學(xué)習(xí)者客觀的行為進(jìn)行匹配，也是非常有前景的研究方向，這有助于加強(qiáng)教育學(xué)研究與實(shí)踐的進(jìn)一步結(jié)合。

第三，學(xué)校場(chǎng)所的預(yù)測(cè)需求集中在學(xué)業(yè)表現(xiàn)，而工作場(chǎng)所的預(yù)測(cè)需求則不僅關(guān)注學(xué)業(yè)表現(xiàn)，更關(guān)注認(rèn)知技能在實(shí)際工作中的運(yùn)用及其效果。工作場(chǎng)所相對(duì)于學(xué)校場(chǎng)所，更強(qiáng)調(diào)問題解決的目標(biāo)導(dǎo)向以及自我調(diào)節(jié)的學(xué)習(xí)策略養(yǎng)成。在工作場(chǎng)所的背景下，以往的自我調(diào)節(jié)學(xué)習(xí)研究存在過分強(qiáng)調(diào)個(gè)人學(xué)習(xí)或利己學(xué)習(xí)的前提（Jackson， et al.， 2000），忽視了工作場(chǎng)所的社會(huì)屬性以及學(xué)習(xí)者的學(xué)習(xí)與實(shí)踐都是以所在共同體為中心（Gasevic， et al.， 2012）。因此，工作場(chǎng)所的研究相對(duì)集中在人際交互的層面，特別是構(gòu)建實(shí)踐共同體（或探究共同體）中的社群意識(shí)和組織目標(biāo)取向等高層次預(yù)測(cè)指標(biāo)。但總的來說，聚焦在工作場(chǎng)所中專業(yè)發(fā)展領(lǐng)域的研究相對(duì)較少，對(duì)于可靠的預(yù)測(cè)指標(biāo)還有待進(jìn)一步的挖掘，而這也是未來潛在的研究方向之一。

學(xué)習(xí)分析是教育技術(shù)專業(yè)新興的研究領(lǐng)域，而作為一個(gè)研究領(lǐng)域，預(yù)測(cè)分析僅僅是其中的一個(gè)子領(lǐng)域或子話題。關(guān)于預(yù)測(cè)指標(biāo)的研究與實(shí)踐，需要我們秉持“從數(shù)據(jù)中建構(gòu)意義”的理念，力圖真正運(yùn)用預(yù)測(cè)指標(biāo)對(duì)學(xué)習(xí)者建立準(zhǔn)確理解、對(duì)教學(xué)過程做出專業(yè)判斷、對(duì)學(xué)業(yè)風(fēng)險(xiǎn)做出有效干預(yù)。隨著對(duì)于建構(gòu)意義的不斷深化理解，研究者和教學(xué)者都應(yīng)該充分意識(shí)到學(xué)習(xí)的復(fù)雜性和多樣性，特別重視研究的情境與實(shí)用性以及學(xué)習(xí)理論的應(yīng)用和遷移。同時(shí)，需要警惕的是，對(duì)于數(shù)據(jù)無意義的挖掘、分析可能會(huì)對(duì)教學(xué)產(chǎn)生誤導(dǎo)和不可知的負(fù)面影響，因此如何構(gòu)建意義以及分析過程中的隱私保護(hù)等問題顯得格外重要。

[參考文獻(xiàn)]

賀超凱，吳蒙. 2016. edX平臺(tái)教育大數(shù)據(jù)的學(xué)習(xí)行為分析與預(yù)測(cè)[J]. 中國遠(yuǎn)程教育（6）：54-59.

賈積有，于悅洋. 2017. 學(xué)習(xí)活動(dòng)指數(shù)LAI及在線學(xué)習(xí)活動(dòng)指數(shù)OLAI的具體分析[J]. 中國遠(yuǎn)程教育（4）：15-22.

李爽，王增賢，喻忱，等. 2016. 在線學(xué)習(xí)行為投入分析框架與測(cè)量指標(biāo)研究——基于LMS數(shù)據(jù)的學(xué)習(xí)分析[J]. 開放教育研究，22（2）：77-88.

牟智佳，武法提. 2017. MOOC學(xué)習(xí)結(jié)果預(yù)測(cè)指標(biāo)探索與學(xué)習(xí)群體特征分析[J]. 現(xiàn)代遠(yuǎn)程教育研究（3）：58-66.

斯伯克特，任友群. 2012. 教育傳播與技術(shù)研究手冊(cè)[M]. 上海：華東師范大學(xué)出版社.

孫力，程玉霞. 2015. 大數(shù)據(jù)時(shí)代網(wǎng)絡(luò)教育學(xué)習(xí)成績預(yù)測(cè)的研究與實(shí)現(xiàn)——以本科公共課程統(tǒng)考英語為例[J]. 開放教育研究（3）：74-80.

維克托·邁爾-舍恩伯格，肯尼思·庫克耶. 2013. 大數(shù)據(jù)時(shí)代：生活、工作與思維的大變革[M]. 浙江：浙江人民出版社.

武法提，牟智佳. 2016. 基于學(xué)習(xí)者個(gè)性行為分析的學(xué)習(xí)結(jié)果預(yù)測(cè)框架設(shè)計(jì)研究[J]. 中國電化教育（1）：41-48.

Alexander， Particia A， Judy， et al.（1998） The Interaction of Domain-Specific and Strategic Knowledge in Academic Performance.[J]. Review of Educational Research， 58（58）：375-404.

Arnold K E， Pistilli M D.（2012） Course signals at Purdue：using learning analytics to increase student success[C]// International Conference on Learning Analytics and Knowledge. ACM， （p267-270）.

Bainbridge， J.， Melitski， J.， Zahradnik， A.， Eitel J. M. Lauría， Jayaprakash， S.， & Baron， J. （2015）. Using learning analytics to predict at-risk students in online graduate public affairs and administration education. Journal of Public Affairs Education， 21（2）， 247-262.

Baker R S J D， DMello S K， Rodrigo M M T， et al.（2010） Better to be frustrated than bored： The incidence， persistence， and impact of learnerscognitive-affective states during interactions with three different computer-based learning environments[J]. International Journal of Human-Computer Studies， 68（4）：223-241.

Baker R S， Corbett A T， Koedinger K R.（2004） Detecting Student Misuse of Intelligent Tutoring Systems[C]// International Conference on Intelligent Tutoring Systems. 531-540.

Bakharia A， Dawson S.（2011） SNAPP：a birds-eye view of temporal participant interaction[C]// International Conference on Learning Analytics and Knowledge， Lak 2011， Banff， Ab， Canada， February 27 - March. DBLP，168-173.

Berry， L. J.（2017） Using Learning Analytics to Predict Academic Success in Online and Face-to-Face Learning Environments[D]. US：Boise State University. 1-129

Bukralia R， Deokar A V， Sarnikar S（2015）. Using Academic Analytics to Predict Dropout Risk in E-Learning Courses[M]// Reshaping Society through Analytics， Collaboration， and Decision Support. Springer International Publishing， 67-93.

Crick R D， Huang S， Shafi A A， et al.（2015） Developing Resilient Agency in Learning： The Internal Structure of Learning Power[J]. British Journal of Educational Studies， 63（2）：121-160.

Dawson S P， Winslett G M， Burr L.（2004） Toward A Quantitative Analysis Of Online Communities[J]. Online Learning.

Dawson S.（2010） ‘Seeing the learning community： An exploration of the development of a resource for monitoring online student networking[J]. British Journal of Educational Technology， 41（5）：736-752.

Ferguson R， Shum S B.（2011） Learning analytics to identify exploratory dialogue within synchronous text chat[C]// International Conference on Learning Analytics and Knowledge. ACM， 99-103.

Gasevic D， Jovanovic J， Kai P， et al.（2012） Self-regulated Workplace Learning： A Pedagogical Framework and Semantic Web-based Environment[J]. Journal of Educational Technology & Society，15（4）：75-88.

Glaser R.（1984） Education and thinking： The role of knowledge.[J]. American Psychologist， 39（2）：93-104.

Godfrey P， Crick R D， Huang S.（2013） Systems Thinking， Systems Design and Learning Power in Engineering Education[J]. International Journal of Engineering Education， 30（1）：112-127.

Halawa S.（2014） MOOC dropouts： What we learn from students who leave[J].University World News， available at：www.universityworld news.com/article.php

Holocher-Ertl T， Fabian C M， Siadaty M， et al.（2011） Self-regulated Learners and Collaboration： How Innovative Tools Can Address the Motivation to Learn at the Workplace？[M]// Towards Ubiquitous Learning. Springer Berlin Heidelberg， 506-511.

Jackson T， Mackenzie J， Hobfoll S E.（2000） Communal aspects of self-regulation.[J]. Continental Shelf Research，31（14）：275-300.

Jóhann Ari Lárusson， White B.（2012） Monitoring student progress through their written "point of originality"[C]// International Conference on Learning Analytics and Knowledge. ACM， 212-221.

Ley T， Kump B.（2013） Which User Interactions Predict Levels of Expertise in Work-Integrated Learning？[M]// Scaling up Learning for Sustained Impact. Springer Berlin Heidelberg，178-190.

Liddo A D， Shum S B，（2011） Quinto I， et al. Discourse-centric learning analytics[C]// Proceedings of the 1st International Conference on Learning Analytics and Knowledge. 23-33.

Macfadyen L P， Dawson S.（2010） Mining LMS data to develop an “early warning system” for educators： A proof of concept[J]. Computers & Education， 54（2）：588-599.

Malcolm， Brown.（2012） Learning Analytics Moving from Concept to Practice[R]. EDUCAUSE Learning Initiative：EDUCAUSE， 1-5.

Manyika J， Chui M， Brown B， et al.（2011） Big Data： The Next Frontier For Innovation， Competition， And Productivity[J]. Analytics.

Mat U B， Buniyamin N， Arsad P M， et al.（2014） An overview of using academic analytics to predict and improve studentsachievement： A proposed proactive intelligent intervention[C]// Engineering Education. IEEE，126-130.

Mckay T， Miller K， Tritz J.（2012） What to do with actionable intelligence：E2Coach as an intervention engine[C]// Proceedings of the 2nd International Conference on Learning Analytics and Knowledge. ACM， 88-91.

Mitri D D， Scheffel M， Drachsler H， et al.（2016） Learning Pulse： Using Wearable Biosensors and Learning Analytics to Investigate and Predict Learning Success in Self-regulated Learning[J]. Learning Andlytics & Know Ledge Conference.

Park O， Tennyson R D.（1986） Computer-based response-sensitive design strategies for selecting presentation form and sequence of examples in learning of coordinate concepts.[J]. Journal of Educational Psychology， 78（2）：153-158.

Pedro M O Z S， Baker R S， Heffernan N T， et al.（2015） Exploring college major choice and middle school student behavior， affect and learning：what happens to students who game the system？[C]// International Conference. 36-40.

Shum S B， Crick R D.（2012） Learning dispositions and transferable competencies：pedagogy， modelling and learning analytics[C]// International Conference on Learning Analytics & Knowledge. 92-101.

Shum S B， Ferguson R， Shum B， et al.（2012） Social Learning Analytics[J]. Journal of Educational Technology & Society， 15（3）：3-26.

Shum S B.（2008） Cohere： Towards Web 2.0 Argumentation[C]// Conference on Computational MODELS of Argument： Proceedings of Comma. IOS Press， 97-108.

Shum S B.（2012） Policy Brief： Learning Analytics[R]. Moscow： UNESCO Institute for Information Technologies in Education， 1-11.

（下轉(zhuǎn)第44頁）

Siadaty M， Gasevic D， Hatala M.（2009） Lets Meet： Integrating Social and Learning Worlds[C]// International Conference on Computational Science and Engineering. IEEE， 879-884.

Siemens G， Long P.（2014） Penetrating the Fog： Analytics in Learning and Education.[J]. Educause Review， 46（2）：S866.

Siemens G.（2013） Learning Analytics The Emergence of a Discipline[J]. American Behavioral Scientist， 57（10）：1380-1400.

Snow C E， Biancarosa G.（2003） Adolescent Literacy and the Achievement Gap： What Do We Know and Where Do We Go From Here？[J]. New York， NY：Carnegie Corperation.

Thomas， D.， Brown， J.S.（2009） Learning for a World of Constant Change： Homo Sapiens， Homo Faber & Homo Ludens Revisited. In Proceedings of the University Research for Innovation： Proc. 7th Glion Colloquium （Montreux， Switzerland）.

Tobias S.（1994） Interest， Prior Knowledge， and Learning[J]. Review of Educational Research， 64（1）：37-54.

Verbert K， Govaerts S， Duval E， et al.（2014） Learning dashboards： an overview and future research opportunities[J]. Personal & Ubiquitous Computing， 18（6）：1499-1514.

Wagner E， Ice P.（2012） Data Changes Everything： Delivering on the Promise of Learning Analytics in Higher Education.[J]. Educause Review， 47：8.

Whitener E M.（1989） A Meta-Analytic Review of the Effect on Learning of the Interaction between Prior Achievement and Instructional Support[J]. Review of Educational Research， 59（1）：65-86.

收稿日期：2017-08-11

定稿日期：2017-09-11

作者簡(jiǎn)介：范逸洲，博士研究生，北京大學(xué)教育學(xué)院（100871） 。

汪瓊 ，博士，教授 ，博士生導(dǎo)師，北京大學(xué)教育學(xué)院 ，北京大學(xué)數(shù)字化學(xué)習(xí)研究中心主任（100871） 。

責(zé)任編輯 郝 丹