面向對象的學習分析模型的構建與實現

鄭曉薇，劉 靜，高 悅

(遼寧師范大學 計算機與信息技術學院，遼寧 大連 116029)

面向對象的學習分析模型的構建與實現

鄭曉薇，劉 靜，高 悅

(遼寧師范大學 計算機與信息技術學院，遼寧 大連 116029)

學習分析作為數字化學習績效評價的主要手段，是目前教育技術領域研究的熱點之一。為了使學習分析能夠更有針對性地指導教學過程，該文從利益相關者的角度構建了面向對象的學習分析模型，其特征是基于面向對象方法學的理論創(chuàng)建學習對象類，具有對象的封裝性和類的繼承性。根據應用環(huán)境的約束和學習分析目標的方向性設計了一組方法，可對學習數據變量進行量化計算，實現在教學過程中有針對性地實施干預。以計算機操作系統課程教學為例，采用對照實驗來驗證該模型的可靠性與有效性。實驗結果表明，面向對象的學習分析模型可以優(yōu)化教學過程、為教與學提供參照與指導，并能有效地提升學生的學習效果，實現個性化學習。

學習分析模型；面向對象；利益相關者；干預約束；多元回歸分析

一、引言

學習分析是指導者通過收集、處理、分析數據來評估和預測學生的學習狀態(tài)，并以不同方式對學生實施干預。2010年，學習分析從商業(yè)智能、行為分析等領域分離出來，轉變成服務于教育領域的一門應用。美國新媒體聯盟(NMC)發(fā)布的地平線報告中連續(xù)三年將學習分析稱為四到五年內影響學習科學技術發(fā)展的主要技術之一[1]。隨著信息技術在教學領域的應用不斷擴大，學習分析逐漸從理論性的概念分析轉向實踐應用服務。學習分析模型作為學習分析的實施參照，是學習分析研究成果中最具有代表性的部分。學習分析模型的優(yōu)化研究促進了學習分析的發(fā)展。2011年，Brown和G.Siemens[2]基于概念確立了學習分析模型的基本要素，Elias強調了學習分析的循環(huán)性，SOLAR(學習分析研究協會)建構了整合式學習分析系統[3-5]。2012年，Wolfgang Greller和Chatti強調了學習分析的限制因素[6][7]，國內學者李艷燕等[8]提出了學習分析概念模型，學習分析成為國內教育技術領域的研究熱點并迅速發(fā)展。2013年，祝智庭教授將學習分析應用于智慧教育[9]。2014年起，學習分析模型逐漸具有明確指向(如數據分析、行為分析、預測等[10-12])，并與MOOC、個性化自適應系統等相結合[13][14]。截止到2015年，學習分析模型已經從最初的理論概念解析發(fā)展成為針對不同環(huán)境、不同目標甚至不同環(huán)節(jié)的主題模型，學習分析也從技術型應用發(fā)展為服務型應用。然而，目前將學習分析模型與具體課程結合的應用研究還較少，模型的目的性和約束性與干預的關系還有待進一步深入研究。

本文對各時期的學習分析模型進行對比和分類，歸納出它們的共性與特性，給出了學習分析模型的基本要素，并從利益相關者的角度構建出一個面向對象的學習分析模型。該模型基于面向對象方法學的理論，引入對象、對象類、方法、實例等概念，具有對象的封裝性、抽象性和類的繼承性等特點。以利益相關者為對象建立了對象類，設計了學習數據變量以及變量間的相互關系，定義了一組方法對學習數據變量進行量化計算和多元回歸分析與統計處理，完成對該類對象的操作。通過設定目標有方向性地對學生的學習過程進行學習分析，突出對學生的學習干預，重點為學習支持服務。以我校某年級的計算機操作系統課程教學為實例進行實踐。實驗結果表明，該模型能夠激發(fā)學生的學習興趣并促進學生的自主學習，推進個性化教學的深入，提升教學效果。模型的設計與實施對不同的教學環(huán)境也有參考意義，對學習分析的推廣應用起到促進作用。

二、面向對象的學習分析模型

(一)學習分析模型的分類

學習分析技術是運用不同的分析方法和數據模型來解釋與學習者學習信息相關的數據，探究學習者的學習過程與情境，發(fā)現學習規(guī)律或者根據數據闡釋學習者的學習表現，為其提供相應反饋從而促進更加有效學習的技術[15]。學習分析模型作為學習分析的具體化形式，對學習分析的高效實施具有重要作用。我們根據現有各模型的特征將學習分析模型分為以下三類：

1.反饋環(huán)型學習分析模型，如持續(xù)改進環(huán)模型[16]、學習分析概念模型[17]、智慧環(huán)境中的學習分析過程模型[18]、在線學習行為分析模型[19]等。著重描述了數據處理過程以及數據信息的環(huán)形流向，體現了學習分析過程的循環(huán)性。

2.交互網狀學習分析模型，如整合式學習分析系統[20]、融合多源信息的學習分析框架[21]等。該類模型以網狀的形式體現學習分析過程，用不同類型的引擎進行數據分析和結果反饋。

3.多因素學習分析模型，如多因素學習分析通用設計框架[22]、Chatti的學習分析模型[23]等。多因素學習分析模型重點考慮可能影響學習分析結果的各種因素，強調內部限制和外部約束，從人文角度對模型做進一步優(yōu)化和改進。

這些模型主要從數據來源、分析方法、工具以及數據采集與數據處理等方面對學習分析進行研究，將數據分析作為學習分析的關鍵，綜合考慮環(huán)境層面、數據層面以及利益相關者等要素，實施合理的干預。但是，以利益相關者為主體、利用面向對象技術構建學習分析模型，對對象類元素進行約束和干預的研究還較少，在約束條件上也應該將人性化約束融合到學習分析過程中。

(二)面向對象方法學

面向對象(Object Oriented)方法簡稱OO方法。面向對象的思想認為現實世界中的事物都可看成是一種對象，每一個對象都有自己的屬性狀態(tài)，對這組屬性可以進行相應的服務。對象和消息傳遞分別表現事物及事物間的相互聯系。將具有相同屬性的對象劃分成一類，在其下還可以派生出不同的子類，子類自動繼承父類的所有屬性并可加入新的特性。類的設計具有抽象、封裝、利用繼承實現共享的特性。通過封裝能將對象的定義和對象的實現分開，通過繼承能體現類與類之間的關系。對某類中的對象，可以通過定義一組方法來完成各種操作服務。不同對象的組合及相互作用就構成了自然的客觀系統[24]。

OO方法現在已經廣泛地應用在計算機軟件系統開發(fā)及硬件設計工程中。OO方法的抽象、分類、繼承、封裝、消息通信等基本原則與人們分析問題和處理問題的方法和原則相近，這種思想可將復雜的問題分解成若干個子問題，按照一定的規(guī)則分類并確定各個模塊間的聯系，降低問題的復雜度。在解決多學科綜合交叉的問題上，OO方法也是一個非常有效的工具。它具有很強的類的概念，能自然直觀地模擬客觀世界中存在的事物(對象)，其屬性和操作可在問題域中形象地刻畫事物的靜態(tài)和動態(tài)特征[25]。

(三)面向對象的學習分析模型的構建

本文從利益相關者角度出發(fā)，融合上述三類學習分析模型的特征，構建出一個面向對象的學習分析模型(如圖1所示)。該模型圍繞利益相關者，以學習干預為目的，以數據的量化分析為手段，將學習分析的過程表示為應用環(huán)境及約束下的目標的確立、數據的操作、實施干預三個層次。在面向對象模型的方法計算中包括學生數據的采集、清洗、統計及分類。針對OO(Object Oriented)方法所需要的元素進行歸類分析和整理，設置了實驗對象、無關變量、教學模式變量、學習結果變量、計算變量和實驗效果F。并以進步度C和差異度D來驗證模型的可行性及優(yōu)化效果。

圖1 面向對象的學習分析模型

1.利益相關者

學生、教師、管理層(教育管理者、教育決策者等)、助教、設計者等都是學習分析中的利益相關者，本模型將利益相關者創(chuàng)建為學生類、指導者類和監(jiān)督者類。同一類中的對象有著相同數據結構，這些對象之間具有結構、行為特征的共享關系。

學生既是數據來源的主體，又是實施干預的對象，處于核心地位。學生類的對象屬性包括學號、姓名、性別、成績、學習風格、學習偏好等，對象的屬性確定后設計了處理這些屬性的方法。我們對學生類按實驗組和對照組分為OBJ1類和OBJ2類，OBJ1類按學習狀態(tài)和前測成績又劃分為4個子類，分別是OBJ1_A類、OBJ1_B類、OBJ1_C類、OBJ1_D類用于區(qū)分四種學習類型；各子類可以繼承父類的對象屬性，同時增加了學習狀態(tài)及前測和后測屬性。在各個對象類之上定義了多組方法完成對學生類的操作。根據本模型應用環(huán)境及約束條件下的目標確立的需求，設計了一組方法Learning_style()，Learning_preferences()，Learning_state()，完成對學生類對象的學習風格、學習偏好、學習狀態(tài)判斷及分析。

指導者類包含教師與管理層對象，負責目標的設定，并與監(jiān)督者一同對學生實施干預；監(jiān)督者類的對象是教師和助教，是對數據進行操作的主體。

每一實體類中的對象均可根據相關條件增刪，新增對象具有父類的所有屬性，又可獨有自己的個性。在實施學習分析過程中，利益相關者作為應用對象類貫穿整個學習分析過程，既是學習分析的出發(fā)點，又對學習分析各部分有選擇和決定作用。

2.干預目標的設定

根據實施方案，將干預目標確定為由指導者對學生進行的監(jiān)測、評估和預測以及由監(jiān)督者對學生進行的個性化資源推薦等工作。

(1)監(jiān)測、評估和預測

監(jiān)測、評估和預測是逐漸遞進的三個目標，也是由面向對象的方法實現的。監(jiān)測方法Monitoring()，指導者或監(jiān)督者通過數據分析結果了解學生的學習狀態(tài)，對學生學習過程做實時監(jiān)測；評估方法Assessment()，指導者根據學習者特征和監(jiān)測結果，參照相關評價標準對學生的學習狀態(tài)、學習績效等做出評估；預測方法Predict()，指導者用預測模型進一步分析評估結果，對學生將來可能出現的學習狀態(tài)進行預測。

(2)個性化推薦

個性化推薦的目標是監(jiān)督者在數據分析的基礎上，根據分析結果、學習者特征以及教學進度等多種因素，為學習者推薦個性化的學習資源、學習方法、學習建議等信息。通過一組方法Feedback()，Recommended()，實現反饋及推薦操作。

3.應用環(huán)境及約束

學習分析的應用環(huán)境是實施學習分析時所處的大環(huán)境，包括教學環(huán)境和學習過程。應用環(huán)境對學習過程的約束主要體現在數據操作中的數據采集、數據分析和實施干預三方面。這些約束關系體現在各類之間及各對象間的相互依賴關聯條件上。

(1)數據的采集受數據環(huán)境和數據特性制約。

(2)數據的分析環(huán)節(jié)受分析工具的效用、分析結果的合理性以及分析方法的恰當性制約。

(3)實施干預時，干預行為受利益相關者的類別權限以及倫理、隱私、人性化等約束的制約。

(四)面向對象的學習分析特征

面向對象的學習分析強化了學習分析作為輔助教學的應用所具備的服務性，圍繞學習分析所服務的對象(利益相關者)實施學習分析，既凸顯了利益相關者的主體地位，又在人文和環(huán)境等限制約束的條件下突出了干預措施，并利用面向對象變量、量化分析等相關技術體現了學習分析的服務性應用特征。

1.干預措施

本模型中目標的類型包括對學生學習過程的監(jiān)測、評估、預測以及個性化推薦四種，不同類型的目標對應不同類型的干預措施，其中個性化推薦是本模型的特點之一。如表1所示。

表1 不同目標對應的干預措施

實現學習分析的關鍵在于依據學習過程中的預設目標與數據分析結果選擇并實施干預，本模型的干預以人工干預為輔、自我干預為主，實現學習過程的個性化與學生的自適應學習。

2.量化計算及進步度、差異度分析

本文綜合顯著性與成績變化程度對學生的學習效果加以判斷，分析了實驗組和對照組進步度的均值、標準差以及學習效果，對學生類及其子類操作方法中涉及的變量進行了設定。

(1)面向對象變量

本文模型設置了實驗對象O、無關變量X、教學模式變量M、學習結果變量R、計算變量和實驗效果F。對O1實施M1，對O2實施M2后產生學習結果R1～R4，經比較分析，對學習結果計算處理得到計算變量，包括進步度變量C和差異度變量D。進步度C是指教學前后自身的成績變化，包括實驗組進步度C1和對照組進步度C2。差異度D是指教學前后兩組差距的變化，由教學后的差異值d2與教學前的差異值d1的差值來體現。為驗證實驗效果，本文將進步度C默認為實驗組進步度C1。變量詳情以及變量間的關系如圖2所示。

圖2 實驗中的變量關系

(2)標準化處理和比較分析

對前測結果、教學過程中的測試結果以及后測結果采用Standardized()方法進行標準化處理，得出計算變量C、D并對其進行分析，分析依據如表2所示。

表2 計算變量的分析依據

由于教學模式變量M與學習結果變量R強關聯，對計算變量C、D具有派生依賴，計算變量與R呈現多態(tài)特性，最終影響實驗效果F。因此通過Regression()方法用回歸方程計算變量C、D與F的關系來驗證實驗的可靠性。

三、面向對象的學習分析模型實例

本文設計的面向對象的學習分析模型通過對照實驗來驗證其有效性與可靠性。

(一)實驗對象與環(huán)境

本次實驗的對象是我校計算機操作系統課程計算機專業(yè)某年級3班和4班的學生。在前期課程結束后，以班級為單位安排前測，將前測結果較低的班級設置為實驗組。依據前測結果將3班(30人)設為實驗組、4班(30人)為對照組，實驗組3班有56%的學生處于及格及以下水平，其中不及格學生占6%；沒有學生達到優(yōu)秀水平。在保證實驗組和對照組的教學環(huán)境、教學內容、教學目標和教師都相同的情況下進行分組教學。實驗組采用面向對象的學習分析模型教學模式M1，對照組實施原有的教學模式M2。操作系統課程教學包括理論知識和上機操作兩部分。教學環(huán)境包括線下的多媒體教室與機房和線上的教育平臺(課堂派網站)。教學方式以在多媒體教室中進行的授課和上機操作為主，課后的練習任務和交互則通過課堂派實現。

課堂派是基于網站和移動端的在線教育平臺，具有作業(yè)管理、考勤、測驗、課程資源共享、成績統計、師生交互、多平臺推薦信息等功能的在線課堂管理工具。將課堂派用于線上教學，不僅能夠給學生和教師提供優(yōu)質的在線體驗，還能實現師生私信溝通和實時交流，在師生反饋交流平臺上更好地實現師生互動。

(二)面向對象模型實驗

模型的實驗結果由前測和后測的綜合成績體現，理論部分的前測是課程前期的隨堂測試，后測是期末的綜合性考核+閉卷考試；上機部分的前測是課程前期的實驗任務，后測是期末的綜合性上機大作業(yè)。實驗過程中對理論和上機分別測試，依照總成績=70%理論成績+30%上機成績統計，通過分析計算變量得出結論。

1.數據采集清洗與封裝

在課程開始之前通過在線教育平臺課堂派對所有學生做問卷調查，使用Data_collect()方法采集學生的個性特征(學習風格和學習偏好)以及學習狀態(tài)參數。對數據篩選和清洗后，用Learning_state()方法根據狀態(tài)參數和學習基礎將學生類劃分封裝成4個子類，OBJ1_A類～OBJ1_D類區(qū)分優(yōu)良、中、及格、差四種學生類型，用于分析學生的學習狀態(tài)。

(1)學習風格

學習風格按照信息加工、信息感知、信息輸入、信息理解四個維度進行統計。經分析，學習風格上，70%的學生在信息加工時傾向于積極運用學習資源，善于嘗試新事物，喜歡討論與合作，喜歡實踐。73%的學生傾向于接受視覺信息，并能夠積極對信息進行加工。有47%的學生在掌握學習內容時傾向于小步調、線性的學習，還有 47%的學生則傾向于整體性的思維過程，大步調的學習，對概述更感興趣。針對不同風格的學生需要推送不同的學習建議與學習資源。

(2)學習偏好

按照學習內容、學習氛圍、學習態(tài)度、學習方法四個維度進行學習偏好分析。分析結果表明，大多數學生偏重良好的學習氛圍和學習方法，潛藏著積極學習的巨大潛力。但有17%的學生對學習內容不太感興趣，40%的學生的學習態(tài)度略為消極。為強化教學效果，需在教學過程中加強師生交互，在干預過程中特別關注積極性不高的學生，激發(fā)學生的學習動力與學習興趣。

(3)學習過程狀態(tài)

學習過程及學習狀態(tài)從學習動力，學習計劃設計，學習態(tài)度，自主學習能力等一級指標進行分析，每級指標下又包含若干二級指標。分別對各類參數進行統計分析，得到每名學生的學習過程中的狀態(tài)特征。

2.評估與干預

實驗中期，使用評估方法Assessment()對課堂派中的數據(學生信息、考勤、按時上交作業(yè)、上機作業(yè)成績、課堂測驗結果、問卷、課程資源、師生交互記錄、討論記錄等)進行學習分析。利用方法Feedback()，Recommended()，實驗組和對照組都可通過網絡平臺得到測試成績、作業(yè)成績等學習結果的呈現；但實驗組還會定期收到監(jiān)督者的學習分析激勵、給出個性化的學習建議等反饋，要求學生及時與監(jiān)督者交流等人工干預，學生在感受到教師的關注后更加積極地進行自我干預。圖3是對學生的學習狀態(tài)評估和通過課堂派的反饋及個性化推薦。

在實現該模型的教學過程中，教師和助教基于學生的個性特征和學習狀態(tài)多次實施人工干預，使得學生在接受干預后產生積極的自我干預，積極提交作業(yè)，登錄網絡平臺次數增多，與教師私信交流的人次遠超對照組，師生交互頻繁等主動學習的表現極大地提升了學習積極性。在信息反饋時采用人性化設計，照顧學生的隱私與感受，以私信和鼓勵贊賞話語為主與學生交流。而面對同樣的教學內容，沒有進行干預的對照組與實驗組相比學習積極性較弱，兩極分化嚴重，成績明顯下降。

(三)面向對象模型的量化分析

利用Standardized()方法對數據進行標準化處理，計算得出進步度C以及兩組的差異度D。

1.教學前后的進步度C

進步度是指學習成績的變化量，通過分析進步度所處的范圍，可以驗證教學是否得到優(yōu)化。利用模型中的方法，實驗組的進步度C1=R3-R1，對照組的進步度C2=R4-R2。進步度的均值體現了整體學習水平，均值越高，學習水平越高；進步度的標準差體現了各個水平學生的分布程度，標準差越大，成績兩極分化越嚴重。分析結果如表3所示。

表3 教學前后的進步度分析

2.教學前后的差異度D

差異度D是指差異值d的變化量，差異值是同一測試中實驗組與對照組學習結果的差距。教學前的差異值d1=R1-R2，教學后的差異值d2=R3-R4，差異度D=d2-d1。若D＞0，則說明本模型的教學模式的效率更高，能夠更好地優(yōu)化教學。圖4是教學過程中兩組差異值的變化情況，圖中條形的長短體現了差異值的大小，差異值的正負則體現了該階段哪一組的成績更高(若差異值為正，則實驗組的成績更高；否則，對照組的成績更高)。

下頁圖3表明，教學前實驗組的成績都低于對照組，且存在明顯差異；教學后實驗組的成績高于對照組，且無明顯差異。經計算，差異度D值為+12.6，因而本模型優(yōu)化教學的效果更好。

3.實驗可靠性

實驗的可靠性是指實驗的信度，即采用同樣的方法對同一對象重復測量時所得結果的一致性程度。采用Regression()方法通過歸納計算變量C、D與F的關系來驗證實驗的可靠性。F為因變量，C和D為自變量，借助回歸分析來分析和檢驗三者之間的關系。經計算，C的回歸系數為0.827，D的回歸系數為-0.422，常量N的回歸系數為84.028，得出回歸方程：F=0.827*C-0.422*D+84.028。其中，常量N是該直線在縱軸上的截距，表示C、D為0時F的平均水平。從回歸方程中可看出，實驗組進步度越大且差異度越小，教學效果越好。

圖3 兩組差異變化對比

為保證回歸方程的信度，需對回歸方程中的變量進行相關性檢驗、對回歸方程的顯著性進行方差齊性檢驗(F檢驗)、對回歸系數進行T檢驗。基于面向對象方法計算測試結果并分析成績變化是否顯著(設顯著水平α=0.05，若相關概率p＜α則變化顯著，否則變化不顯著)。通過對照F分布表和T分布表，找到各自的相關概率p，比較p值與顯著水平α的大小得出結果，分析如表4所示。

表4 回歸方程的信度檢驗結果分析

上述檢驗結果確保了回歸方程的信度，進而驗證了實驗的可靠性。

(四)實驗效果分析

面向對象的學習分析模型突出了學生類的主體設計，強調教學過程中的人性化因素，以學生為中心實現個性化教學。與現有的學習分析模型不同，該模型融合了學習分析的過程性、約束性與目的性，以技術手段強化對象變量的量化分析，其特點在于通過實施干預促使學生自我提升學習過程，進而優(yōu)化教與學。實驗組學習效果提升情況如表5所示。

表5 實驗組學習效果

從表5看出，實驗組整體從中等及以下水平提升至中等及良好水平，有10%的學生達到優(yōu)秀水平，各有30%的學生提升至中等或良好水平，在原有水平的學生的成績較教學前也有所提高。雖然教學后實驗組仍有6%學生不合格，但具體學生有變動。該實驗結果體現了面向對象的學習分析模型借用不同技術，借助不同形式的合理干預來優(yōu)化教學過程的有效性。

四、結論

面向對象的學習分析模型在面向對象方法學理論的支持下，以利益相關者為對象建立了對象類，定義了一組方法實現對學習數據的操作，通過封裝將學生對象的屬性和操作整合在一起。通過方法的調用，對學習數據變量做量化計算和多元統計分析。本模型在應用環(huán)境的約束下突出干預措施的方向性，強調人性化的學習推薦，促進了個性化教學的實現，為提高教學效果提供了幫助。

本研究還有許多方面有待改進。實驗是在多媒體課堂和網絡師生互動平臺結合的教學環(huán)境下進行的，還未能驗證該模型在其他教學環(huán)境下的可行性。此外，干預環(huán)節(jié)中的預測功能還有待實踐，且個性化推薦的及時性和推薦內容的適宜性還需進一步提升。雖然研究中還存在諸多不足，但應該肯定的是我們對學習分析模型的研究與實踐是一種有益的嘗試，隨著大數據、云計算、面向對象技術等現代信息技術與教育領域的結合，采用新技術后的學習分析在教學中的應用一定會不斷地發(fā)展與完善。

[1]The New Media Consortium. The Horizon Report 2011 K-12 Edition[EB/OL]. http://www.nmc.org/pdf/2011-Horizon-Report-K12.pdf, 2013-01-21.

[2]Brown M. Learning analytics: the coming third wave [J].EDUCAUSE Learning Initiative Brief, 2011,(4):1-4.

[3]魏雪峰,宋靈青.學習分析:更好地理解學生個性化學習過程—訪談學習分析研究專家George Siemens教授[J].中國電化教育,2013,9(320):1-4.

[4][16]Elias T. Learning analytics: Definitions, processes and potential [J].Learning, 2011, (23):134-148.

[5][20]Siemens G, Gasevic D, Haythornthwaite C, et al.Open Learning Analytics: an integrated & modularized platform [J].Proposal to design,implement and evaluate an open platform to integrate heterogeneous learning analytics techniques, 2011,(8):2-18.

[6][22]Greller W,Drachsler H .Translating Learning into Numbers:A Generic Framework for Learning Analytics[J].Educational Technology&Society,2012,15(3): 42-57.

[7][23]M.A.Chatti,A.L.Dyckhoff,U.Schroeder,H.Thüs.A Reference Model for Learning Analytics[J].International Journal of Technology Enhanced Learning archive, 2012,(4):1-2

[8][17]李艷燕,馬韶茜,黃榮懷.學習分析技術:服務學習過程設計和優(yōu)化[J].開放教育研究,2012,18(5):18-24.

[9][18]祝智庭,沈德梅.學習分析學:智慧教育的科學力量[J].電化教育研究,2013,(5):5-19.

[10]魏順平.學習分析數據模型及數據處理方法研究[J].中國電化教育,2016,2(349):8-16

[11][19]胡藝齡,顧小清,趙春.在線學習行為分析建模及挖掘[J].開放教育研究,2014,20(2):102-110.

[12]馬杰,趙蔚,張潔,趙艷.基于學習分析技術的預測模型構建與實證研究[J].現代教育技術,2014,(24):102-110.

[13]花燕鋒,張龍革.基于MOOCs的多元同心學習分析模型構建[J].遠程教育雜志,2014,24(224):30-38.

[14]姜強,趙蔚等.基于大數據的個性化自適應在線學習分析模型及實現[J].中國電化教育,2015,1(336):85-92.

[15]顧小清,張進良等.學習分析：正在浮現中的數據技術[J].遠程教育雜志,2012,1(208):18-25.

[21]Ifenthaler D, Widanapathirana C. Development and Validation of a Learning Analytics Framework: Two Case Studies Using Support Vector Machines[J].Technology,Knowledge and Learning,2014,5(19):221-240.

[24]麻志毅.面向對象分析與設計第2版[M].北京:機械工業(yè)出版社,2013.

[25]張彤彤.面向對象方法的哲學思想及在土地復墾中的應用[J].科學之友,2007,(10):166-168.

The Construction and Implementation of an Object-Oriented Learning Analytics Model

Zheng Xiaowei, Liu Jing, Gao Yue
(College of Computer and Information Technology, Liaoning Normal University, Dalian Liaoning 116029)

Learning analytics is the primary means of digitizing performance evaluation of learning.It is a focus of current research in the field of educational technology. In order to make learning analytics being more targeted guide the teaching process,this paper builds an object-oriented model for learning analytics from the perspective of stakeholders. The features of model is based on the object-oriented methodological theory to create learning objects classes which have the encapsulation nature of objects and the inheritance nature of classes.We design a set of methods according to the constrains of applied environment and the directivity of learning analytics goals.It can be used to quantify and calculate the variable of learning data and then targeted implement interventions in teaching. This paper makes contrast experiments for the teaching of computer operating system course as example to prove the reliability and validity of this model.Experimental results show that the object-oriented model for learning analytics can optimize the teaching process,it provide references and guidance for teaching and learning.This model enhances the students learning effect effectively and realizes personalized learning.

Learning Analytics Model; Object-oriented; Stakeholders; Intervention Constraint; Multiple Regression Analysis

G434

A

鄭曉薇：教授，碩士生導師，研究方向為計算機輔助教學、教育信息技術(xwzheng@lnnu.edu.cn)。

劉靜：在讀碩士，研究方向為教育信息技術(dbigfan@163.com)。

高悅：在讀碩士，研究方向為教育信息技術(gy1070037243@sina.com)。

2016年7月26日

責任編輯：李馨 趙云建

1006—9860(2016)10—0116—07