袁莉

與傳統(tǒng)的教育數(shù)據(jù)挖掘（Data Mining）和學(xué)術(shù)分析（Academic Analytics）不同，學(xué)習(xí)分析（Learning Analytics）將教育數(shù)據(jù)的分析應(yīng)用，從教育管理決策和學(xué)術(shù)評估轉(zhuǎn)向教學(xué)過程中對學(xué)生學(xué)習(xí)的反饋和干預(yù)，即為教師改進課程、教學(xué)設(shè)計以及學(xué)生改善學(xué)習(xí)策略、路徑提供可視化、可操作的分析和建議。近年來，以學(xué)習(xí)者為中心的教育理念要求學(xué)校和教師從新視角、新模式出發(fā)，以激發(fā)學(xué)生的學(xué)習(xí)興趣、學(xué)習(xí)投入和學(xué)習(xí)收獲為目標(biāo)，建立一個有利于學(xué)生未來發(fā)展的教育教學(xué)評價體系。而學(xué)習(xí)分析作為可以通過記錄、分析學(xué)生的學(xué)習(xí)環(huán)境和學(xué)習(xí)軌跡，來發(fā)現(xiàn)學(xué)習(xí)規(guī)律，預(yù)測學(xué)習(xí)結(jié)果，進而了解學(xué)生學(xué)習(xí)策略和促進有效學(xué)習(xí)的技術(shù)和方法，受到前所未有的關(guān)注和重視。

不同教學(xué)模式?jīng)Q定學(xué)習(xí)分析技術(shù)和方法的應(yīng)用也有所不同，其目的是通過自動反饋提高學(xué)習(xí)者在教學(xué)活動中的表現(xiàn)，為學(xué)習(xí)者提供更多的學(xué)習(xí)機會。例如，學(xué)習(xí)者可以根據(jù)學(xué)習(xí)分析的反饋，即時調(diào)整、改進自主學(xué)習(xí)的進度和策略;還可以記錄合作學(xué)習(xí)過程中小組成員互動的情況，解決個體參與度與集體成果的關(guān)系等合作學(xué)習(xí)評價中的“黑箱”問題。

教育研究發(fā)現(xiàn)，在所有的教學(xué)場景下，學(xué)習(xí)策略和方法的采用與學(xué)生的個性一致，學(xué)習(xí)策略也與學(xué)生的學(xué)習(xí)成績息息相關(guān)。因此，在學(xué)習(xí)分析過程中強調(diào)學(xué)生的個體差異是關(guān)鍵。在學(xué)習(xí)過程的早期，學(xué)習(xí)分析基于跟蹤數(shù)據(jù)的預(yù)測模型，收集到的學(xué)生初始能力信息往往非常有限，很難為個別學(xué)生生成準(zhǔn)確的預(yù)測和個性化的反饋。此外，在沒有適當(dāng)考慮學(xué)生學(xué)習(xí)策略和個性特征的情況下，從軌跡追蹤和行為數(shù)據(jù)生成的反饋，可能會對反饋和干預(yù)的有效性和精確度有很大的影響。所以，我們的注意力和關(guān)注點應(yīng)該是如何提高教師運用學(xué)習(xí)分析進行教學(xué)反饋和開展發(fā)展性評價的素養(yǎng)。

學(xué)習(xí)分析的根本是以解決教學(xué)中的問題為導(dǎo)向，而非單純的數(shù)據(jù)驅(qū)動。設(shè)計以教師和學(xué)生為中心的學(xué)習(xí)分析工具，需要強調(diào)學(xué)習(xí)設(shè)計和學(xué)習(xí)科學(xué)的結(jié)合。在學(xué)習(xí)分析工具的研發(fā)和應(yīng)用中，不但要考慮技術(shù)應(yīng)用的多樣化，還要關(guān)注教學(xué)場景的復(fù)雜性，這樣才能避免評估和處理學(xué)習(xí)分析中的誤差和偏見。許多前期的研究證明，學(xué)習(xí)分析的數(shù)據(jù)面板如果僅僅展示那些容易被可視化的數(shù)據(jù)分析，不僅無法促進學(xué)習(xí)，還可能產(chǎn)生反作用。因此，應(yīng)該放棄先入為主的設(shè)計決策，以真正的教育問題和難點為導(dǎo)向，對數(shù)據(jù)進行收集和分析，提供可供參考和實踐的方案。另外，為使學(xué)習(xí)分析能夠有效地支持教學(xué)活動，在其設(shè)計、數(shù)據(jù)收集和分析的過程中，需要考慮一系列人為因素，特別是教師與學(xué)生的內(nèi)在特性和驅(qū)動力，包括為什么收集這些數(shù)據(jù)以及如何通過分析進行反饋等。我們需要不斷提高教師和學(xué)生參與學(xué)習(xí)分析的設(shè)計、解釋及應(yīng)用等各個環(huán)節(jié)的機會。

人工智能為我們解決教育中的許多相關(guān)問題帶來了希望，也為學(xué)習(xí)分析提供了前所未有的機會和潛力。例如，人工智能提供了新的收集和分析數(shù)據(jù)的方法，可以多模態(tài)、多維度地對學(xué)生及其所在學(xué)習(xí)環(huán)境的數(shù)據(jù)進行收集和分析。此外，為更好地解釋學(xué)習(xí)過程和機制，評價有效的學(xué)習(xí)設(shè)計和學(xué)習(xí)者學(xué)習(xí)的具體畫像時，也可以有效地運用人工智能提升反饋質(zhì)量和自動檢測反饋屬性。但是，目前學(xué)習(xí)分析中對深度機器學(xué)習(xí)價值的利用還非常有限;同時，在學(xué)習(xí)分析中也需要加強人工智能在教育場景中運用的可解釋性。智能技術(shù)環(huán)境下，傳感器和可穿戴跟蹤器等數(shù)據(jù)收集和分析方法正在迅速發(fā)展，以前所未有的規(guī)模實時收集和處理各種數(shù)據(jù)。一方面，使用傳感器可以捕獲學(xué)習(xí)過程的可觀察事件，如學(xué)習(xí)者的行為和學(xué)習(xí)環(huán)境，采用人工智能進行自動分析和反饋，檢驗對學(xué)習(xí)策略、時間管理和自我調(diào)節(jié)的影響，并衡量其反饋的效果。然而，學(xué)習(xí)過程也包含潛在的屬性，如學(xué)習(xí)者的認知或情感等內(nèi)在屬性是傳感器無法觀察到的，需要人的參與，從而做出更全面的分析，并得出合理的解釋。另一方面，人工智能并不能解決數(shù)據(jù)質(zhì)量問題，因此需要好的教學(xué)設(shè)計。將先進的教學(xué)理論、學(xué)習(xí)分析方法和人工智能有機結(jié)合，才是實現(xiàn)以學(xué)習(xí)者為中心教育目標(biāo)的關(guān)鍵。

本期專欄文章《人工智能與面向未來的學(xué)習(xí)分析》（Artificial Intelligence and Learning Analytics for the Future）中，澳大利亞莫納什大學(xué)的德拉甘·加塞維奇（Dragan Ga?evi['][c]）教授回顧了近幾年國際學(xué)習(xí)分析研究及應(yīng)用方面所面臨的挑戰(zhàn)和主要成就，探討在未來學(xué)習(xí)分析的發(fā)展中，應(yīng)該如何從人工智能等相關(guān)技術(shù)和領(lǐng)域的研究中受益。該文剖析了學(xué)習(xí)分析框架中數(shù)據(jù)收集、模型建立及實踐應(yīng)用中的關(guān)鍵問題，并運用大量實證研究案例展示學(xué)習(xí)分析在促進自主學(xué)習(xí)、合作學(xué)習(xí)，以及外語教學(xué)中的應(yīng)用潛力和面臨的挑戰(zhàn)。