智慧教育視域下基于OIM關(guān)系鏈的學(xué)習(xí)分析規(guī)則研究*

郁曉華 張瑩淵

（華東師范大學(xué) 教育學(xué)部 教育信息技術(shù)學(xué)系，上海 200062）

一、引言

智慧教育本質(zhì)是數(shù)據(jù)驅(qū)動(dòng)下教與學(xué)的決策與變革，“智慧”的核心即是對(duì)教育數(shù)據(jù)的充分挖掘與創(chuàng)新應(yīng)用。而學(xué)習(xí)分析技術(shù)，毫無疑問為智慧教育視域下的教學(xué)服務(wù)，提供強(qiáng)而有力的證據(jù)支持。學(xué)習(xí)分析是對(duì)學(xué)習(xí)行為的觀察和理解，進(jìn)而追溯行為發(fā)生的情境和環(huán)境并加以優(yōu)化，但學(xué)習(xí)分析又因教育應(yīng)用問題情境和服務(wù)對(duì)象的不同，而形成了不同的內(nèi)容取向和技術(shù)方法。

隨著學(xué)習(xí)分析實(shí)踐的日漸豐富與深入，教學(xué)情境的日趨開放性和多樣化，越來越多的學(xué)習(xí)分析研究和實(shí)踐發(fā)現(xiàn)：要有目標(biāo)地開展學(xué)習(xí)分析的數(shù)據(jù)收集；要有方案地執(zhí)行分析處理；要有策略地實(shí)施教育應(yīng)用，這樣才能確保最后的應(yīng)用成效。而這一行動(dòng)方向，需采用一定的教育學(xué)方法（Pedagogy-based）加以指導(dǎo)。

OIM（Objective/Indicator/Metric，即目標(biāo)/指示/度量，下同）關(guān)系鏈，最早由Chatti等于2012年提出[1]。它描述了圍繞教育應(yīng)用的目標(biāo)，如何選擇數(shù)據(jù)指標(biāo)，然后加以轉(zhuǎn)換并度量處理的一套學(xué)習(xí)分析實(shí)施的設(shè)計(jì)邏輯。OIM可有效指導(dǎo)學(xué)習(xí)分析實(shí)踐的開展，并確保分析結(jié)果產(chǎn)生最大化的教育效益。

在此設(shè)計(jì)思想基礎(chǔ)上，本研究試圖對(duì)當(dāng)前學(xué)習(xí)分析中常見的分析目標(biāo)、數(shù)據(jù)指標(biāo)和技術(shù)方法加以梳理。然后，基于三者的相關(guān)性，從現(xiàn)有實(shí)踐案例中提煉出特定的學(xué)習(xí)分析規(guī)則，構(gòu)建不同問題情境下目標(biāo)、數(shù)據(jù)和方法之間的一般性實(shí)施路徑。進(jìn)而，結(jié)合當(dāng)前跨平臺(tái)、多元化的開放學(xué)習(xí)生態(tài)環(huán)境，嘗試提出基于OIM關(guān)系鏈的開放學(xué)習(xí)分析系統(tǒng)架構(gòu)。

二、OIM關(guān)系鏈的設(shè)計(jì)思想

當(dāng)前，以數(shù)據(jù)驅(qū)動(dòng)教育決策為特征的智慧教育，激發(fā)了學(xué)習(xí)分析技術(shù)的新一輪發(fā)展熱潮。雖然，自2010年學(xué)習(xí)分析技術(shù)正式形成以來，多元化的學(xué)習(xí)分析實(shí)踐產(chǎn)出了大量的分析結(jié)果，揭示了一些教育發(fā)現(xiàn)，但由于缺乏教育學(xué)方法的指導(dǎo)[2]，意義邏輯離散零亂，很難有效加以應(yīng)用與推廣。在由美國(guó)國(guó)家教育部2012年發(fā)布的《通過教育數(shù)據(jù)挖掘和學(xué)習(xí)分析促進(jìn)教與學(xué)》報(bào)告中指出，“在規(guī)劃教育大數(shù)據(jù)挖掘和學(xué)習(xí)分析具體應(yīng)用的時(shí)候，一定要按照“解決問題界定→分析數(shù)據(jù)選擇→技術(shù)選擇”的技術(shù)路線進(jìn)行，避免不必要的人力和物力的浪費(fèi)”[3]。

許多研究開始關(guān)注在實(shí)施學(xué)習(xí)分析時(shí)引入教育學(xué)方法的指導(dǎo)，讓數(shù)據(jù)的收集有目標(biāo)可以引導(dǎo)，分析處理有方案可以遵循，結(jié)果應(yīng)用有策略可以落實(shí)，以實(shí)現(xiàn)教育效益的最大化。以Lisa和Elias的學(xué)習(xí)分析持續(xù)改進(jìn)循環(huán)模型[4]，和Cooper[5]的學(xué)習(xí)分析特征框架模型為代表，他們提出可嵌入一定的理論指導(dǎo)，以使分析應(yīng)用的思路清晰有效，同時(shí)認(rèn)為優(yōu)質(zhì)的教學(xué)實(shí)踐、領(lǐng)域知識(shí)與需求視角，可被引入提供參考。

基于此，本研究嘗試引入OIM關(guān)系鏈的設(shè)計(jì)思想，通過案例提煉，建構(gòu)基于不同問題情境的目標(biāo)、數(shù)據(jù)和方法之間的應(yīng)用路徑，并將抽象的OIM關(guān)系鏈思想，轉(zhuǎn)化為具體的OIM關(guān)系鏈分析規(guī)則，以更好指導(dǎo)學(xué)習(xí)分析的實(shí)踐應(yīng)用[6]。

OIM關(guān)系鏈?zhǔn)怯蓪W(xué)習(xí)分析領(lǐng)域?qū)＜褻hatti等最早提出，原指目標(biāo)/指標(biāo)/度量關(guān)系鏈（Objective/Indicator/Metric）[7]，意圖通過良好的設(shè)計(jì)邏輯，來指導(dǎo)學(xué)習(xí)分析實(shí)踐的有效開展。本研究在參考這一思想的基礎(chǔ)上，為更好提升實(shí)踐性，進(jìn)行了一些調(diào)整和擴(kuò)展，使OIM關(guān)系鏈轉(zhuǎn)變?yōu)槟繕?biāo)/數(shù)據(jù)/方法關(guān)系鏈（Objective/Indicator/Method）。

Objective維持原意，即學(xué)習(xí)分析的目標(biāo)，比如評(píng)估教學(xué)設(shè)計(jì)、識(shí)別高危學(xué)生、預(yù)測(cè)學(xué)習(xí)表現(xiàn)、提供個(gè)性化和自適應(yīng)等。目標(biāo)有不同層次，不同利益相關(guān)者有不同的問題情境和目標(biāo)需求。

Indicator的含義有所調(diào)整，原指學(xué)習(xí)分析的測(cè)量指標(biāo)，包括用于衡量學(xué)習(xí)者學(xué)習(xí)投入度的登錄頻次和在線時(shí)長(zhǎng)，衡量學(xué)習(xí)者學(xué)習(xí)成效的作答正確率、完成任務(wù)數(shù)量等等。由于大部分的測(cè)量指標(biāo)，都是由原始數(shù)據(jù)經(jīng)過一定的算法加工處理后獲得，最后也體現(xiàn)為一組數(shù)據(jù)。并且，對(duì)數(shù)據(jù)的選擇和理解具有一定的情境性，同樣的數(shù)據(jù)信息可度量不同的問題情境，即作用于不同的分析目標(biāo)。因此，本研究在此不嚴(yán)格區(qū)分?jǐn)?shù)據(jù)和指標(biāo)概念的不同。

Method為增加的維度，指數(shù)據(jù)分析的方法與技術(shù)，例如：統(tǒng)計(jì)分析法、社會(huì)網(wǎng)絡(luò)分析、自然語言處理、數(shù)據(jù)挖掘等。學(xué)習(xí)分析的本質(zhì)就是挖掘隱藏在教育數(shù)據(jù)背后的有趣信息與模式，但技術(shù)手段需要選取得當(dāng)，才能省事且不費(fèi)力地揭示盡可能多的有價(jià)值信息。

總的來講，新OIM關(guān)系鏈?zhǔn)菄@特定學(xué)習(xí)分析應(yīng)用情境，關(guān)于目標(biāo)、指標(biāo)、方法之間關(guān)系組合的高度概括。它描述了為實(shí)現(xiàn)一定學(xué)習(xí)分析目標(biāo)，需要選擇哪些數(shù)據(jù)進(jìn)行轉(zhuǎn)換，并加以度量，然后采用何種算法展開分析的一套實(shí)踐邏輯。

通過梳理國(guó)內(nèi)外關(guān)于學(xué)習(xí)分析實(shí)踐的典型框架或指導(dǎo)模型，本研究抽取其中常涉及到的目標(biāo)（簡(jiǎn)稱O）、數(shù)據(jù)（簡(jiǎn)稱 I）、方法（簡(jiǎn)稱 M）的分類描述，最終確定了17個(gè)OIM分類值，如表1所示。

表1 OIM分類指標(biāo)編碼表

三、基于OIM關(guān)系鏈的學(xué)習(xí)分析規(guī)則的建構(gòu)

（一）研究設(shè)計(jì)

本研究從學(xué)習(xí)分析與知識(shí)（International Conference on Learning Analytics and Knowledge，LAK）國(guó)際會(huì)議近五年（2013-2017）的論文中，篩選出學(xué)習(xí)分析應(yīng)用實(shí)踐的有效案例144個(gè)；然后，基于案例元分析法，從分析目標(biāo)（O）、數(shù)據(jù)指標(biāo)（I）和技術(shù)方法（M）三個(gè)維度、17個(gè)分類值，對(duì)案例加以整理和標(biāo)識(shí)；接著，使用統(tǒng)計(jì)分析軟件SPSS.24，應(yīng)用聚類分析（包括二階聚類和系統(tǒng)聚類）對(duì)案例進(jìn)行分組，進(jìn)而對(duì)聚類結(jié)果加以解讀，提煉出學(xué)習(xí)分析實(shí)踐的常見模式，挖掘所隱含的OIM特征，以此建構(gòu)出基于OIM關(guān)系鏈的學(xué)習(xí)分析規(guī)則。

（二）研究對(duì)象

作為學(xué)習(xí)分析領(lǐng)域最為權(quán)威的國(guó)際會(huì)議之一，LAK會(huì)議由學(xué)習(xí)分析研究協(xié)會(huì)（Society for Learning Analytics Research，SoLAR）發(fā)起并組織。自2011年SoLAR成立以來，每年召開一次。本研究的學(xué)習(xí)分析實(shí)踐案例均來自此會(huì)議，所選取2013-2017年間LAK會(huì)議的主題和案例抽取情況，如表2所示。

表2 2013-2017年LAK會(huì)議主題與案例抽取情況

案例抽取的原則為：（1）案例來自真實(shí)的教育實(shí)踐。具體可分為兩種情況：一是使用現(xiàn)實(shí)教育中的真實(shí)數(shù)據(jù)開展學(xué)習(xí)分析探索，以揭示一定的教育問題；二是基于一定的教與學(xué)理論，提出應(yīng)用模型框架并開展實(shí)踐，然后采用學(xué)習(xí)分析技術(shù)加以檢驗(yàn)[17]。學(xué)習(xí)分析的理論和趨勢(shì)研究，以及關(guān)于學(xué)習(xí)分析中道德規(guī)范的探討等，不在本研究的案例篩選范疇內(nèi)。（2）案例必須有清楚的學(xué)習(xí)分析目標(biāo)和過程，即在論文中有明確的關(guān)于數(shù)據(jù)集、數(shù)據(jù)項(xiàng)、分析過程、方法手段等內(nèi)容的詳細(xì)介紹。

（三）研究過程

1．?dāng)?shù)據(jù)準(zhǔn)備

依據(jù)OIM分類指標(biāo)編碼表（表1），本研究從分析目標(biāo)、數(shù)據(jù)指標(biāo)、技術(shù)方法三個(gè)維度的17個(gè)分類指標(biāo)出發(fā)，對(duì)入選的144個(gè)學(xué)習(xí)分析案例逐篇標(biāo)記，“0”表示是，“1”表示否，形成如圖1所示的數(shù)據(jù)矩陣。

圖1 案例OIM指標(biāo)標(biāo)記示例

2．聚類分析

（1）分類變量的相關(guān)性分析。本研究首先分別對(duì)目標(biāo)、數(shù)據(jù)、方法三個(gè)維度的分類變量，進(jìn)行了相關(guān)性分析。6個(gè)目標(biāo)變量之間的相關(guān)系數(shù)r基本都小于0.5；6個(gè)數(shù)據(jù)變量之間的相關(guān)系數(shù)r基本都小于0.2；5個(gè)方法變量之間的相關(guān)系數(shù)r基本都小于0.3。結(jié)果表明：6個(gè)目標(biāo)變量之間、6個(gè)數(shù)據(jù)變量之間以及5個(gè)方法變量之間都不高度相關(guān)，均可納入各自的聚類模型。

（2）二階聚類確定最佳聚類數(shù)。為了確定最佳聚類數(shù)，本研究采用了兩階聚類法。兩階聚類法可確定在當(dāng)前群體中，出現(xiàn)的聚類形成自然而有意義的差異；當(dāng)使用連續(xù)變量和分類變量以及未預(yù)先確定聚類數(shù)量時(shí)，兩階聚類法優(yōu)于其他形式的聚類分析[18]。因此，本研究分別以目標(biāo)、數(shù)據(jù)、方法為聚類變量，對(duì)144條案例數(shù)據(jù)進(jìn)行了二階聚類，然后，結(jié)合Bayesian信息標(biāo)準(zhǔn)（BIC）數(shù)值較小、BIC變化量和距離測(cè)量比率數(shù)值較大，以及各類的特征變化，最終判定目標(biāo)分類的最佳聚類數(shù)為10類，預(yù)測(cè)變量的重要性為 O5＞O3＞O6＞O1＞O4＞O2。 同理可得，數(shù)據(jù)分類的最佳聚類數(shù)為10類；預(yù)測(cè)變量的重要性為I3＞I4＞I2＞I6＞I5＞I1。方法分類的最佳聚類數(shù)為 8類；預(yù)測(cè)變量的重要性為 M2＞M3＞M1＞M5＞M4。

（3）系統(tǒng)聚類。接著，采用方法選擇“組內(nèi)聯(lián)接”，測(cè)量選擇 “二元”|“平方歐氏距離”|存在 “1”|不存在“0”。本研究對(duì)144個(gè)案例，分別以目標(biāo)、數(shù)據(jù)、方法為聚類變量進(jìn)行了系統(tǒng)聚類。然后，再對(duì)每一類聚類結(jié)果進(jìn)行描述性統(tǒng)計(jì)，即統(tǒng)計(jì)每一個(gè)目標(biāo)類/數(shù)據(jù)類/方法類的案例集合中，各個(gè)目標(biāo)/數(shù)據(jù)/方法指標(biāo)標(biāo)記的頻數(shù)。最終，綜合頻數(shù)和頻率，以確定每一個(gè)目標(biāo)類/數(shù)據(jù)類/方法類的目標(biāo)特征，結(jié)果如表3所示。

表3 目標(biāo)類/數(shù)據(jù)類/方法類的類型特征

（4）聚類變量的方差檢驗(yàn)。為了驗(yàn)證聚類結(jié)果的可靠性，本研究對(duì)目標(biāo)、數(shù)據(jù)、方法的聚類結(jié)果，分別進(jìn)行單因素方差分析。以分類變量為因變量，以系統(tǒng)聚類結(jié)果產(chǎn)生的類變量為因子。結(jié)果顯示，各聚類變量差異顯著。因此，該分類有效果，17個(gè)變量對(duì)聚類都起到了作用，都可納入聚類模型中。

3．多重對(duì)應(yīng)分析與OIM關(guān)系鏈建構(gòu)策略

為了建構(gòu)完整的OIM關(guān)系鏈，我們需要了解不同目標(biāo)類、數(shù)據(jù)類、方法類變量彼此之間的相關(guān)性。設(shè)置每個(gè)變量權(quán)重為1，“解的維數(shù)”為2，對(duì)分類變量進(jìn)行多重對(duì)應(yīng)分析，得到如圖2所示的類別點(diǎn)聯(lián)合圖。十字虛線是散點(diǎn)圖的坐標(biāo)軸，通過觀察變量散點(diǎn)間的相對(duì)位置，可知道變量間相關(guān)性的強(qiáng)弱。

上述144個(gè)案例的系統(tǒng)聚類結(jié)果，反映了當(dāng)前學(xué)習(xí)分析實(shí)踐在目標(biāo)、數(shù)據(jù)、方法選擇上的常見組合；而多重對(duì)應(yīng)分析結(jié)果則揭示出目標(biāo)、數(shù)據(jù)、方法組合之間的相關(guān)性。將兩者結(jié)合，可作為OIM關(guān)系鏈的建構(gòu)策略。例如：目標(biāo)類散點(diǎn)CLU10_O7表示“警告|識(shí)別”，以它為圓心在類別點(diǎn)的聯(lián)合圖中畫圓，如圖2所示。

圖2 OIM關(guān)系鏈建構(gòu)策略實(shí)例

CLU10_O7附近有數(shù)據(jù)類散點(diǎn)CLU10_I6、CLU10_I7、CLU10_I8，方法類散點(diǎn)CLU8_M2、CLU8_M8。通過連線比較發(fā)現(xiàn)，CLU10_I6、CLU8_M8與CLU10_O7最為接近。由此，可建構(gòu)這樣一條OIM關(guān)系鏈，即以“警告|識(shí)別（CLU10_O7）”為分析目標(biāo)的學(xué)習(xí)分析實(shí)踐，可能選擇“學(xué)習(xí)者心理數(shù)據(jù)、行為過程數(shù)據(jù) （CLU10_I6）”，并采用 “數(shù)據(jù)挖掘技術(shù)（CLU8_M8）”。

四、典型的OIM關(guān)系鏈

基于上述多重對(duì)應(yīng)分析結(jié)果和OIM關(guān)系鏈建構(gòu)策略，結(jié)合當(dāng)下學(xué)習(xí)分析應(yīng)用實(shí)踐的熱點(diǎn)話題，本研究提煉出10條典型的學(xué)習(xí)分析OIM關(guān)系鏈，如圖3、表4所示。

第一條：理解學(xué)習(xí)行為 （O1-I2 I4 I5-M1 M2 M3）

圖3 典型的OIM關(guān)系鏈圖譜

表4 典型的OIM關(guān)系鏈

學(xué)習(xí)分析最根本的任務(wù)，就是對(duì)學(xué)習(xí)環(huán)境中所捕獲的大量學(xué)習(xí)行為數(shù)據(jù)進(jìn)行分析處理，進(jìn)而加以理解，以促進(jìn)學(xué)習(xí)的優(yōu)化。研究者們通過對(duì)學(xué)習(xí)者的在線視頻觀看情況、學(xué)習(xí)任務(wù)完成狀況、在線測(cè)驗(yàn)得分，以及論壇參加與發(fā)言等數(shù)據(jù)進(jìn)行收集和處理，以可視化方式呈現(xiàn)，形成對(duì)個(gè)體學(xué)習(xí)行為的過程報(bào)告；或者將學(xué)習(xí)者的行為痕跡與認(rèn)知或情感過程進(jìn)行關(guān)聯(lián)，以協(xié)助細(xì)致地理解行為所發(fā)生的情境。

隨著Kinect、Leap Motion和計(jì)算機(jī)視覺等新興傳感技術(shù)的運(yùn)用，新穎而能有意識(shí)進(jìn)行學(xué)習(xí)支持交互的學(xué)習(xí)環(huán)境，被不斷研發(fā)出來。在此環(huán)境中，更多與學(xué)習(xí)相關(guān)的數(shù)據(jù)得以被捕捉、記錄和分析，比如眼神、語言、肢體運(yùn)動(dòng)、面部表情、腦電波、皮膚電、身體激素分泌等。這使得對(duì)學(xué)習(xí)者學(xué)習(xí)行為的理解，更加全面、透徹。在此規(guī)則下的典型案例有Maldonado等[19]、Andrade[20]的研究。

第二條：評(píng)估學(xué)習(xí)設(shè)計(jì) （O1 O6-I4 I5 I6-M1 M2）

有效的學(xué)習(xí)設(shè)計(jì)是在線學(xué)習(xí)成功的關(guān)鍵。教師所創(chuàng)建的學(xué)習(xí)內(nèi)容要求可訪問且包容性強(qiáng)，一方面，能支持學(xué)習(xí)不同階段任務(wù)的發(fā)展需要；另一方面，還要能應(yīng)對(duì)學(xué)習(xí)者需求和偏好的多樣性。對(duì)這一創(chuàng)作過程進(jìn)行評(píng)價(jià)，可確保最終的教學(xué)效果。

為了實(shí)現(xiàn)此目標(biāo)，研究者們分析學(xué)習(xí)者在學(xué)習(xí)系統(tǒng)中的行為數(shù)據(jù)和學(xué)習(xí)成績(jī)，將兩者關(guān)聯(lián)以診斷課程的設(shè)計(jì)效果，找出能有效增強(qiáng)學(xué)習(xí)成效的教學(xué)實(shí)踐模型。進(jìn)而，對(duì)各種類型學(xué)習(xí)者的數(shù)據(jù)進(jìn)行模式識(shí)別和趨勢(shì)模擬，提煉能夠幫助教師改進(jìn)學(xué)習(xí)內(nèi)容或教學(xué)活動(dòng)的信息，以優(yōu)化他們的學(xué)習(xí)設(shè)計(jì)。此規(guī)則下的典型案例有Avila等[21]的研究。

第三條：評(píng)估文本寫作 （O1 O4-I5 I6-M1 M4 M5）

文本寫作是教學(xué)中經(jīng)常運(yùn)用到的交流和反思實(shí)踐活動(dòng)。學(xué)習(xí)者發(fā)言可為教師開展形成性學(xué)習(xí)評(píng)估提供豐富的數(shù)據(jù)參考。傳統(tǒng)方式的文本評(píng)價(jià)由教師主導(dǎo)，但教師因自身閱歷、情緒狀態(tài)以及理解能力等限制，評(píng)估結(jié)果往往受主觀因素影響較大，因而，學(xué)習(xí)者的學(xué)習(xí)狀態(tài)與結(jié)果很難被全面、客觀、合理地加以反映。

當(dāng)前，自然語言處理、文本建模、文本挖掘等技術(shù)的發(fā)展，使得依賴技術(shù)實(shí)現(xiàn)分析和解讀文本成為可能，其可有效協(xié)助教師和管理者基于學(xué)習(xí)者的文本信息，開展學(xué)習(xí)診斷與評(píng)估。此規(guī)則下的典型案例有 Chen 等[22]，Whitelock 等[23]的研究。

第四條：識(shí)別高危學(xué)生（O2 O3-I1 I4 I5-M1 M5）

對(duì)高危學(xué)生 （包括學(xué)習(xí)能力較弱的學(xué)生或存在輟學(xué)可能的學(xué)生）的預(yù)警與干預(yù)，可有效提升在線學(xué)習(xí)平臺(tái)的學(xué)生保有率，降低學(xué)校和教育機(jī)構(gòu)的輟學(xué)率，改善在線學(xué)習(xí)的服務(wù)質(zhì)量。在智慧教育的大背景下，如何利用教育大數(shù)據(jù)成功識(shí)別高危學(xué)生人群，是當(dāng)前在線教育發(fā)展迫切需要解決的難題。

從理論上看，當(dāng)數(shù)據(jù)的數(shù)量和類型足夠豐富時(shí)，記錄學(xué)習(xí)者真實(shí)行為表現(xiàn)的學(xué)習(xí)數(shù)據(jù)，即是最好的預(yù)測(cè)數(shù)據(jù)源。因此，可將學(xué)習(xí)者當(dāng)前課程的學(xué)習(xí)狀況與歷史測(cè)評(píng)成績(jī)相結(jié)合，然后，對(duì)學(xué)生的危險(xiǎn)程度加以評(píng)估和診斷。但在具體實(shí)踐中，相對(duì)簡(jiǎn)單的學(xué)習(xí)者學(xué)業(yè)成績(jī)、學(xué)習(xí)活動(dòng)參與數(shù)據(jù)、學(xué)習(xí)者的人口學(xué)統(tǒng)計(jì)信息，仍然是使用最多的評(píng)估變量。在完成對(duì)數(shù)據(jù)的清洗、歸集等預(yù)處理之后，學(xué)習(xí)分析通常會(huì)以機(jī)器學(xué)習(xí)技術(shù)為核心，建立風(fēng)險(xiǎn)預(yù)測(cè)模型，以此展開對(duì)高危學(xué)生的甄別。常用的預(yù)測(cè)算法有Logistic回歸、支持向量機(jī)（SVM）、樸素貝葉斯（Naive Bayes）、隨機(jī)森林（Random Forests）、決策樹（Decision trees）等。此規(guī)則下的典型案例有Hlostaetal等[24]，Lorenzo等[25]的研究。

第五條：學(xué)習(xí)者分類（O1 O3-I1 I3 I4 I5-M5）

構(gòu)建學(xué)習(xí)者模型，對(duì)學(xué)習(xí)者進(jìn)行分類是實(shí)現(xiàn)個(gè)性化學(xué)習(xí)機(jī)制的關(guān)鍵。研究者們首先需要收集學(xué)習(xí)者在學(xué)習(xí)系統(tǒng)中的行為過程和結(jié)果數(shù)據(jù)，結(jié)合人口學(xué)統(tǒng)計(jì)信息、學(xué)習(xí)興趣、學(xué)習(xí)風(fēng)格和偏好等學(xué)習(xí)者的基本信息數(shù)據(jù)，使用數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)算法，構(gòu)建出不同類型學(xué)習(xí)者的學(xué)習(xí)特征集。例如，聚類分析和關(guān)聯(lián)規(guī)則分析，常被用來抽取學(xué)習(xí)者的訪問模式、學(xué)習(xí)興趣和學(xué)習(xí)策略等。接著，再歸類或分組具有相似學(xué)習(xí)特征的學(xué)習(xí)者，分別對(duì)不同類型的學(xué)習(xí)者，提供適合的學(xué)習(xí)資源、學(xué)習(xí)環(huán)境以及學(xué)習(xí)建議，以實(shí)現(xiàn)學(xué)習(xí)的個(gè)性化，促進(jìn)有效學(xué)習(xí)的發(fā)生。此規(guī)則下的典型案例有 Ferguson 等[26]，Xiao Hu 等[27]，Corrin 等[28]的研究。

第六條：學(xué)習(xí)者行為建模（O3 O4-I4 I5-M5）

學(xué)習(xí)行為是學(xué)習(xí)過程的重要表現(xiàn)，對(duì)學(xué)習(xí)成效有著重要的影響。首先，研究者們收集學(xué)習(xí)者的學(xué)習(xí)進(jìn)度信息、學(xué)習(xí)行為變化情況（比如：觀看時(shí)長(zhǎng)、訪問頻次、點(diǎn)擊序列、暫停規(guī)律等）、在時(shí)間軌跡上的學(xué)習(xí)活動(dòng)流信息、前后測(cè)試成績(jī)等數(shù)據(jù)。然后，結(jié)合不同的學(xué)習(xí)任務(wù)情境，抽取其中的行為特征，并通過數(shù)據(jù)挖掘識(shí)別學(xué)習(xí)者行為在決策和執(zhí)行上的差異，從而提煉出不同的學(xué)習(xí)行為模型。進(jìn)一步分析學(xué)習(xí)者對(duì)學(xué)習(xí)資源、學(xué)習(xí)環(huán)境以及教師和同伴的不同反饋，還可用于研究不同行為模型與學(xué)業(yè)成績(jī)之間的關(guān)聯(lián)。此規(guī)則下的典型案例有Kaiser等[29]、Papamitsiou等[30]的研究。

第七條：學(xué)習(xí)者知識(shí)建模（O1 O4-I4 I5 I6-M3 M4 M5）

學(xué)習(xí)者知識(shí)模型體現(xiàn)了學(xué)習(xí)者的過程性知識(shí)體系，主要應(yīng)用于自適應(yīng)學(xué)習(xí)系統(tǒng)和智能教學(xué)系統(tǒng)等。這便于系統(tǒng)在恰當(dāng)?shù)臅r(shí)間、以恰當(dāng)?shù)膶W(xué)習(xí)方式，推送恰當(dāng)?shù)膶W(xué)習(xí)內(nèi)容給學(xué)習(xí)者。為了描述學(xué)習(xí)者知識(shí)與技能的建構(gòu)過程和掌握情況，研究者們從學(xué)科、專業(yè)、課程、知識(shí)點(diǎn)等不同層面，抽取在線學(xué)習(xí)系統(tǒng)中學(xué)習(xí)者的交互數(shù)據(jù)，包括學(xué)習(xí)者作答的正誤率、回答問題的時(shí)長(zhǎng)、求助的數(shù)量和類型，以及錯(cuò)誤的重復(fù)率等等。同時(shí)，結(jié)合領(lǐng)域知識(shí)圖譜，通過內(nèi)容分析和文本挖掘技術(shù)，構(gòu)建不同的學(xué)習(xí)者知識(shí)模型。

同時(shí)，學(xué)習(xí)者可通過參與在線協(xié)作學(xué)習(xí)，在社交和文化環(huán)境中共同建構(gòu)知識(shí)。由于學(xué)習(xí)者同時(shí)面對(duì)自己及其合作伙伴的知識(shí)與文化差異，而引發(fā)不同的話語互動(dòng)和思維碰撞，因此，社會(huì)網(wǎng)絡(luò)分析也是重要的一項(xiàng)分析技術(shù)。此規(guī)則下的典型案例有Peffer和 Kyle[31]、Ferguson 等[32]的研究。

第八條：學(xué)習(xí)者情緒建模（O1 O4-I2 I3 I5-M1 M2 M4）

越復(fù)雜、高階的學(xué)習(xí)，越需要良好的情緒調(diào)控。近年來，圍繞情緒與認(rèn)知之間的聯(lián)系，教育心理學(xué)、神經(jīng)科學(xué)和人工智能教育領(lǐng)域開展了大量的研究，試圖揭示情緒在學(xué)習(xí)過程中的作用機(jī)制。為檢測(cè)學(xué)習(xí)者“無聊”、“沮喪”、“興奮”等不同情感狀態(tài)，對(duì)學(xué)習(xí)積極性和學(xué)習(xí)進(jìn)展的影響，研究者們目前利用視覺跟蹤器、心臟速率監(jiān)視器等多種可穿戴技術(shù)，收集和分析類似微笑次數(shù)、專注時(shí)間、心跳速率等身體活動(dòng)數(shù)據(jù)。同時(shí)，結(jié)合學(xué)習(xí)者的自我報(bào)告來對(duì)學(xué)習(xí)者的學(xué)習(xí)情緒模型加以建構(gòu)，并通過情緒可視化分析儀表盤加以呈現(xiàn)。計(jì)算機(jī)面部識(shí)別技術(shù)的最新發(fā)展使用，以及非侵入式網(wǎng)絡(luò)攝像頭結(jié)合復(fù)雜算法的支持，使得實(shí)時(shí)測(cè)量學(xué)習(xí)者的情緒成為可能。此規(guī)則下的典型案例有Allen等[33]、Zaouia和Lavoue[34]等的研究。

第九條：預(yù)測(cè)學(xué)習(xí)表現(xiàn) （O3 O4-I4 I5-M1 M4 M5）

對(duì)學(xué)習(xí)者學(xué)習(xí)表現(xiàn)和結(jié)果預(yù)測(cè)，是當(dāng)前教學(xué)干預(yù)與后期教學(xué)優(yōu)化的重要參考依據(jù)。預(yù)測(cè)通常以學(xué)習(xí)者以往的學(xué)習(xí)數(shù)據(jù)為基礎(chǔ)，挖掘并分析其發(fā)展變化，推算其可能的學(xué)習(xí)結(jié)果，以便及時(shí)識(shí)別不良的學(xué)習(xí)狀態(tài)。傳統(tǒng)的學(xué)習(xí)表現(xiàn)預(yù)測(cè)比較單一，主要是根據(jù)學(xué)習(xí)者過去的學(xué)業(yè)成績(jī)表現(xiàn)，以及對(duì)在學(xué)習(xí)管理系統(tǒng)（LMS）中的交互進(jìn)行預(yù)判。

而當(dāng)前可獲取的學(xué)習(xí)數(shù)據(jù)類型逐漸多樣化，個(gè)人背景特征、學(xué)習(xí)作品檔案、多模態(tài)技能、學(xué)習(xí)情緒和情感狀態(tài)都是新增加的因素，可作為常見分析指標(biāo)，用于診斷學(xué)習(xí)表現(xiàn)。通過組合不同層級(jí)、不同類型的數(shù)據(jù)，從中找出能夠評(píng)價(jià)學(xué)習(xí)者表現(xiàn)的觀察指標(biāo)，成為當(dāng)前預(yù)測(cè)研究的重要步驟。但在實(shí)踐中仍主要以學(xué)習(xí)行為的頻次分析為主，在預(yù)測(cè)算法上以多元回歸分析為主。此規(guī)則下的典型案例有Kennedy等[35]、Elbadrawy 等[36]的研究。

第十條：個(gè)性化和自適應(yīng)（O1 O4 O5-I4 I5-M1 M5）

個(gè)性化和自適應(yīng)是學(xué)習(xí)分析在教育應(yīng)用中的終極目標(biāo)。要實(shí)現(xiàn)這一目標(biāo)，首先，需要提取學(xué)習(xí)者個(gè)體或群體的特征，構(gòu)建相關(guān)的學(xué)習(xí)者模型；然后，結(jié)合所獲取的學(xué)習(xí)狀態(tài)、學(xué)習(xí)效果等信息，預(yù)測(cè)學(xué)習(xí)者的認(rèn)知偏好、興趣需求和學(xué)習(xí)表現(xiàn)；最后，依據(jù)預(yù)先定義好的學(xué)習(xí)策略和方案，實(shí)現(xiàn)針對(duì)不同學(xué)習(xí)行為或結(jié)果的自動(dòng)化反饋，為學(xué)習(xí)者提供個(gè)性化的學(xué)習(xí)建議或資源，從而調(diào)整或改善學(xué)習(xí)者的在線學(xué)習(xí)體驗(yàn)。此規(guī)則下的典型案例有Mutahi等[37]的研究。

五、基于OIM關(guān)系鏈的開放學(xué)習(xí)分析系統(tǒng)架構(gòu)

隨著學(xué)習(xí)分析應(yīng)用實(shí)踐的不斷深入，以及智慧教育理念的成熟，越來越多的學(xué)習(xí)平臺(tái)和系統(tǒng)開始在自身服務(wù)中，引入或加強(qiáng)學(xué)習(xí)分析的支持，比如Moodle、Sakai、Blackboard、MOOCs等。由于該應(yīng)用是在單個(gè)的系統(tǒng)或平臺(tái)上運(yùn)行的，因此，跨平臺(tái)的各類數(shù)據(jù)與資源無法整合，也不能全面地捕捉學(xué)習(xí)者的所有學(xué)習(xí)軌跡。

與此同時(shí)，在豐富的技術(shù)手段支持下，學(xué)習(xí)者的學(xué)習(xí)活動(dòng)愈加多元和開放，可以發(fā)生在課堂內(nèi)、課堂外，校內(nèi)、校外的不同時(shí)空環(huán)境中（可以線上線下），涉及學(xué)校、家庭、工作、社區(qū)、愛好等正式或非正式的學(xué)習(xí)情境。因此，單一孤立的學(xué)習(xí)分析架構(gòu)，已無法完整、準(zhǔn)確地描繪學(xué)習(xí)者的學(xué)習(xí)全貌。

基于此，“開放學(xué)習(xí)分析 （Open Learning Analytics）”這一術(shù)語開始出現(xiàn)在由SoLAR發(fā)布的2011年愿景文件中。文件提出，要搭建一個(gè)集成的模塊化平臺(tái)，來整合異構(gòu)的學(xué)習(xí)分析技術(shù)[38]。隨后，關(guān)于開放學(xué)習(xí)分析的研究開始得到極大的關(guān)注。英國(guó)聯(lián)合信息系統(tǒng)委員會(huì)（JISC）[39]基于項(xiàng)目實(shí)踐，提出了劃分為數(shù)據(jù)收集、數(shù)據(jù)存儲(chǔ)和分析、演示和動(dòng)作三層的開放學(xué)習(xí)分析架構(gòu)（OLAA）。2015年，美國(guó)Apereo基金會(huì)設(shè)計(jì)了由“溝通”作為介導(dǎo)的開放學(xué)習(xí)分析“鉆石模型”，包含“收集”、“存儲(chǔ)”、“分析”和“行動(dòng)”四個(gè)主要領(lǐng)域[40]。Chatti等[41]研究者則提出了開放式學(xué)習(xí)分析生態(tài)系統(tǒng)的理念，并討論了實(shí)現(xiàn)開放式學(xué)習(xí)分析的四個(gè)要素：用戶場(chǎng)景、教育需求、技術(shù)架構(gòu)和平臺(tái)組件。

本研究在參考現(xiàn)有開放學(xué)習(xí)分析模型的基礎(chǔ)上，提出了基于OIM關(guān)系鏈的 “開放學(xué)習(xí)分析系統(tǒng)”（OIM based Open Learning Analytics System， OIMOLAS）[42]，如圖4所示。OIMOLAS引入揭示學(xué)習(xí)分析目標(biāo)、數(shù)據(jù)和方法之間映射關(guān)系的OIM關(guān)系鏈，來增強(qiáng)在不同教育應(yīng)用問題情境下，開放學(xué)習(xí)分析操作的目標(biāo)和過程導(dǎo)向?qū)嵤┝鞒痰某绦蚧鸵?guī)范性，以確保分析結(jié)果的可用性和有效性。

圖4 基于OIM關(guān)系鏈的“開放學(xué)習(xí)分析系統(tǒng)”架構(gòu)

OIMOLAS由數(shù)據(jù)管理、數(shù)據(jù)映射、分析引擎、分析算法、可視化呈現(xiàn)這五大核心組件構(gòu)成。數(shù)據(jù)管理組件對(duì)收集的數(shù)據(jù)進(jìn)行預(yù)處理準(zhǔn)備，包括清洗、變換、規(guī)約、集成等過程，將數(shù)據(jù)轉(zhuǎn)換為適合后續(xù)分析的輸入格式。不同利益相關(guān)者的用戶，根據(jù)自身需求在平臺(tái)的菜單項(xiàng)中選擇特定的分析目標(biāo)，從而將目標(biāo)信息傳遞到分析引擎中，觸發(fā)學(xué)習(xí)分析任務(wù)的執(zhí)行。

分析引擎作為整個(gè)學(xué)習(xí)分析系統(tǒng)的協(xié)同中樞，首先，從OIM關(guān)系鏈庫中，讀取出適配于當(dāng)前分析目標(biāo)任務(wù)的OIM關(guān)系鏈（可能一條或多條），并結(jié)合以往執(zhí)行歷史加以策略性的評(píng)估和選擇。OIM關(guān)系鏈定義了不同問題情境的學(xué)習(xí)分析邏輯，每個(gè)分析目標(biāo)都對(duì)應(yīng)有一套數(shù)據(jù)指標(biāo)。分析引擎圍繞這些指定的數(shù)據(jù)指標(biāo)，從數(shù)據(jù)管理器中提取學(xué)習(xí)分析所需要使用的數(shù)據(jù)，并在數(shù)據(jù)映射器中加以標(biāo)記。同時(shí)，分析引擎還從分析算法組件中，調(diào)用選定的OIM關(guān)系鏈所設(shè)定的技術(shù)方法，進(jìn)行數(shù)據(jù)分析。分析結(jié)果以儀表盤方式，在系統(tǒng)或APP中進(jìn)行可視化呈現(xiàn)；或者以交互數(shù)據(jù)形式提供反饋 （例如提出干預(yù)建議），來影響教學(xué)服務(wù)流程。分析過程可以調(diào)用一些預(yù)設(shè)好的學(xué)習(xí)者畫像庫和內(nèi)容建模庫，以加強(qiáng)分析的效率和效果。而分析的結(jié)果，又會(huì)進(jìn)一步反饋優(yōu)化學(xué)習(xí)者畫像和內(nèi)容建模的識(shí)別策略和模型特征。最后，隱私規(guī)則會(huì)約束和作用于整個(gè)學(xué)習(xí)分析實(shí)施的各個(gè)環(huán)節(jié)，以保護(hù)學(xué)習(xí)者的隱私。

OIMOLAS遵循系統(tǒng)開放性、互操作性和標(biāo)準(zhǔn)化的原則。OIMOLAS可收集多種來源的學(xué)習(xí)數(shù)據(jù)，以統(tǒng)一的數(shù)據(jù)格式標(biāo)準(zhǔn)，存儲(chǔ)在學(xué)習(xí)記錄存儲(chǔ)庫（Learning Record Store， LRS）中。 OIMOLAS 的數(shù)據(jù)類型，也不再局限于各類學(xué)習(xí)平臺(tái)自動(dòng)捕獲的學(xué)習(xí)數(shù)據(jù)，而是超越LMS，可匯聚多模態(tài)的教育數(shù)據(jù)，比如MOOCs、社交媒體、眼動(dòng)儀、可穿戴設(shè)備等。

為實(shí)現(xiàn)數(shù)據(jù)之間的溝通與操作，在OIMOLAS中，數(shù)據(jù)的收集和存儲(chǔ)，將遵循兩大國(guó)際主流學(xué)習(xí)分析技術(shù)規(guī)范xAPI和IMS Caliper[43]。學(xué)習(xí)分析所得的數(shù)據(jù)結(jié)果，也將遵循學(xué)習(xí)工具互操作規(guī)范（Learning Tools Interoperability，LTI），返回指定的系統(tǒng)平臺(tái)和工具。

此外，OIMOLAS還可實(shí)現(xiàn) “自學(xué)習(xí)”。一方面，OIMOLAS通過學(xué)習(xí)分析的實(shí)踐反饋，不斷校正或優(yōu)化OIM關(guān)系鏈的效度；另一方面，OIMOLAS還可通過收錄用戶對(duì)OIM關(guān)系鏈的自主定義，以擴(kuò)展分析的領(lǐng)域。在分析算法組件中，OIMOLAS預(yù)先存儲(chǔ)了一些公共的、通用的分析算法；而對(duì)于一些特殊的分析目標(biāo)，尤其是用戶自主配置的，分析引擎在調(diào)用數(shù)據(jù)映射、學(xué)習(xí)者畫像、內(nèi)容建模等模塊的分析運(yùn)作中，開展深度學(xué)習(xí)，從而衍生出新的分析方法。

六、總結(jié)與展望

智慧教育是教育信息化發(fā)展追求成效與卓越的新境界，它表達(dá)了一種技術(shù)以洞察性、連通性、智慧性方式，促進(jìn)教與學(xué)活動(dòng)的行動(dòng)導(dǎo)向[44]，因此，更加要求學(xué)習(xí)分析在提供“數(shù)據(jù)證據(jù)”方面的大力支持和常態(tài)應(yīng)用。引入OIM關(guān)系鏈的方法思想，圍繞學(xué)習(xí)分析的目標(biāo)確定、指標(biāo)選擇、方法應(yīng)用構(gòu)建學(xué)習(xí)分析規(guī)則，可優(yōu)化當(dāng)前學(xué)習(xí)行為分析領(lǐng)域的研究視角和技術(shù)路線，大大提升學(xué)習(xí)分析數(shù)據(jù)發(fā)現(xiàn)的指向和挖掘的效率。

本研究基于144個(gè)學(xué)習(xí)分析的實(shí)踐案例，構(gòu)建了10條典型的OIM關(guān)系鏈。在規(guī)則應(yīng)用的路徑方面，學(xué)習(xí)分析實(shí)踐者既可以從問題情境和分析目標(biāo)出發(fā)，選擇相適應(yīng)的數(shù)據(jù)和方法，確保分析結(jié)果的行動(dòng)指向；也可以從現(xiàn)有的各類學(xué)習(xí)數(shù)據(jù)出發(fā)，挖掘數(shù)據(jù)中所隱含的學(xué)習(xí)相關(guān)信息，并在一定程度上指導(dǎo)學(xué)習(xí)分析的數(shù)據(jù)收集環(huán)節(jié)；還可以從OIM的關(guān)系出發(fā)，進(jìn)一步細(xì)化學(xué)習(xí)分析規(guī)則的操作。

在規(guī)則應(yīng)用的方式方面，OIM關(guān)系鏈既可以作為開展相關(guān)實(shí)踐和研究的行動(dòng)指南和指導(dǎo)規(guī)則 （實(shí)踐應(yīng)用）；也可以應(yīng)用于學(xué)習(xí)分析系統(tǒng)（系統(tǒng)應(yīng)用），作為系統(tǒng)分析模塊的程序邏輯和執(zhí)行智能。此外，本研究還提出了基于OIM關(guān)系鏈的開放學(xué)習(xí)分析系統(tǒng)（OIMOLAS）的系統(tǒng)架構(gòu)。在應(yīng)用形式上，OIMOLAS既可作為L(zhǎng)MS、MOOC等平臺(tái)的嵌入式模塊構(gòu)件，服務(wù)于開放學(xué)習(xí)生態(tài)發(fā)展的必然趨勢(shì)；也可以作為獨(dú)立運(yùn)作的學(xué)習(xí)分析系統(tǒng)，為L(zhǎng)MS、MOOC等學(xué)習(xí)平臺(tái)提供專業(yè)、全面的數(shù)據(jù)分析服務(wù)。

但總體而言，本研究仍屬于探索性研究，學(xué)習(xí)情境分析規(guī)則的構(gòu)建，還存在以下一些問題：（1）進(jìn)一步細(xì)化學(xué)習(xí)分析規(guī)則在目標(biāo)、數(shù)據(jù)、方法維度的指標(biāo)內(nèi)容，提高實(shí)踐的可操作性；（2）可嘗試建立面向更多教育情境的OIM關(guān)系鏈，特別是非正式教育，以更好地揭示學(xué)習(xí)生態(tài)的全貌；（3）可嘗試建立學(xué)習(xí)分析規(guī)則應(yīng)用的案例庫，以案例的方式提供不同情境下學(xué)習(xí)分析規(guī)則的應(yīng)用示范；（4）進(jìn)一步細(xì)化OIMOLAS系統(tǒng)架構(gòu)組件的技術(shù)開發(fā)和細(xì)節(jié)；等等。

本研究通過對(duì)OIM關(guān)系鏈學(xué)習(xí)分析規(guī)則的探討，希望能夠拋磚引玉，引起業(yè)內(nèi)研究者對(duì)于學(xué)習(xí)分析實(shí)踐中，引入教育學(xué)方法指導(dǎo)的關(guān)注、思考與討論，增強(qiáng)學(xué)習(xí)分析今后實(shí)踐與應(yīng)用的效能，助力學(xué)習(xí)分析的常態(tài)化發(fā)展，以加快智慧教育視域下學(xué)習(xí)分析實(shí)踐應(yīng)用的進(jìn)程。