學習分析:當前的挑戰(zhàn)與未來的發(fā)展

Niels Pinkwart

(洪堡大學 計算機科學系,柏林 10099，德國)

一、引 言

學習分析研究過去幾年取得了巨大進步，并將于2020年在德國法蘭克福召開第10屆學習分析與知識國際會議(LAK)?？梢钥隙ǖ氖?，這一研究領域將繼續(xù)發(fā)展——以數(shù)據(jù)驅動的方法輔助學習，以數(shù)據(jù)驅動更好地理解學習與教學方法，在不久的將來是不太可能消失的。但不是所有與學習分析相關的研究愿景都已經實現(xiàn)，有幾個領域的研究還需要發(fā)展，以克服學習分析領域當前面臨的挑戰(zhàn)，并在教育實踐中有所作為。已有綜述文章采用網絡分析方法(Dawson et al., 2014)，或者是通過論證(De Rosa， 2017)系統(tǒng)地(Fischer et al., in press; Avella et al., 2016)對學習分析(或相關的教育數(shù)據(jù)挖掘)的未來發(fā)展進行了展望。本文將重點放在學習者方面，突出當前學習分析研究面臨挑戰(zhàn)和機遇的三個示范性領域，每個領域各用兩個案例說明。總的來說，這也許可以(至少部分地)描繪出學習分析的未來發(fā)展路徑。

二、對個體的學習支持——提高適應性和支持創(chuàng)造力

現(xiàn)代教育技術(當然包括學習分析)的核心前景之一是適應性，即在學習過程中能夠觀察到，并非每一項任務在每個時間點都適合每個學習者，以及能夠抓住合適的時機以個性化技術設計支持學習。學習理論為此提供了前提：學習者的(學習相關)特征是多樣的，根據(jù)具體的學習情境提供相應的學習材料、評估或任務以滿足適應性是有意義的。例如，基于計算機的自適應測試(CAT)已開展了多年的實證研究(Bernhardt, 2017)，最近得到了深入發(fā)展(Bernardi et al., 2019)。到目前為止，基于分析的適應性目標主要通過儀表盤(dashboard)等向學生提供個性化反饋，或是在測試或評估中對任務進行適應性排序(Salazar et al., 2019)。比一般任務格式、情境化或響應項的數(shù)量和類型等維度更高的個性化任務選擇(甚至任務生成)，尚未被視為適應性目標。從學習分析可以獲知，實現(xiàn)更深入的適應是可能的，更是可為的：通過對任務類別加以參數(shù)化處理，所生成的任務可以根據(jù)其難度以及對學生的適合度(如用戶的偏好、地點或文化等)進行差異化提供。任務類別的自適應選擇和參數(shù)設置相結合，可以獲得比經典自適應測試更大的任務池和更高的測試質量，更適合學生的個人需求。這個池可以生成即使在測試提前終止的情況下也具有高測試精度的測試序列(Bernhardt，2017)，還可以在此基礎上整合面向學生的高級功能，通過向學習者提供如何應對多層次任務的自適應提示支持學習者(Paassen et al., 2018)。學習分析是提高任務選擇/生成適應性和提供個性化支持的關鍵因素之一。

除了適應性方面的進步，在教育技術領域中，個性化可以從高級分析中受益的重要方面是支持創(chuàng)新。教育的目的在于鼓勵學生能夠再現(xiàn)知識，更在于學生能夠提出和展現(xiàn)自己的創(chuàng)意。多種證據(jù)表明，學生課堂表現(xiàn)出的創(chuàng)造力與積極的學習成果有關，利用教育技術實現(xiàn)創(chuàng)造力培養(yǎng)是長期的研究主題(Wheeler et al., 2002)。例如，在計算機教育領域，帕德銘和素潘雅(Pardamean & Suparyanto， 2014)的研究表明，早期采用Logo語言提高學生的創(chuàng)造性技能，是通過創(chuàng)造性思維圖形測試(CTFT)衡量的。阿拉貢等(Aragon et al.，2009)利用公民科學平臺和Scratch編程環(huán)境對從事創(chuàng)造性工作的在線社區(qū)開展的長期實證研究表明，通過在討論論壇增加這些環(huán)境背景，可以增強社會交流和促進創(chuàng)造行為。然而，盡管Scratch的編程環(huán)境可以促進創(chuàng)造性思維的交互，但它們完全依賴于人類教師檢測和促進這種行為。教育適應性技術的研究盡管蓬勃發(fā)展，但利用學習分析方法從學生互動中自動檢測創(chuàng)造力的研究還非常少。曼斯克和侯普(Manske & Hoppe， 2014)是例外，他們使用監(jiān)督學習方法檢測需要數(shù)學技能的編程作業(yè)的創(chuàng)造力，將低級特征(如代碼片段)與高級特征(如遞歸的使用、代碼行數(shù))結合起來訓練連續(xù)變量，預測新解決方案的創(chuàng)造性得分。同樣，莊宗嚴等(Chuang et al.， 2015)使用模糊邏輯檢測和測量學生在游戲環(huán)境中的創(chuàng)造力。這類例子不多，還需要更多的研究跟進，獲得實時跟蹤學生互動和推斷其創(chuàng)造性過程的算法，設計幫助學生更具創(chuàng)造性的自動反饋方法。

三、小組學習支持——組建小組和指導

學習分析目前尚未充分開發(fā)的第二個領域，是支持小組學習。雖然計算機支持的協(xié)作學習有長久的研究傳統(tǒng)(Chen et al., 2018)，但通過學習分析支持學習小組的研究機會仍然很多，其中之一是學習小組的形成和可能的動態(tài)重構。學習分析在這方面的應用非常有前景，特別是對在線或遠程學習來說，參與的學習者眾多，但他們相互了解很少，彼此間的互動更少。學習分析對此是有利工具，其提供的信息能夠為在線學習自動設計良好的、富有成效的協(xié)作學習小組，并進行動態(tài)調整。這一領域的研究，已有關注其基本原理(Cruz & Isotani, 2014; Zheng, 2017; Zheng & Pinkwart, 2014)，并提出在Moodle系統(tǒng)實現(xiàn)學習小組形成算法的方法(Konert et al., 2016)，但現(xiàn)有的算法或技術在某種程度上仍是孤立的，群組形成算法的大規(guī)模應用或研究還相當缺乏。因此，這一領域潛力巨大，既可以通過學習分析深化高效學習群體的因素研究，也可以通過推薦合適的合作學習者有效地支持在線學習環(huán)境的學習者。

對于有效的學習群體支持而言，群組的形成和重組只是一方面。要挖掘協(xié)作學習的潛力，還需要為學習者提供不同形式的教育支持。這種支持不僅在內容和形式上應有不同，還可以針對協(xié)作學習本身和特定學科學習目標區(qū)別設計。研究表明，缺乏先驗知識或經驗的協(xié)作學習者需要通過腳本(Fischer et al., 2013)等的協(xié)作指導。如果學習者有豐富的特定學科的先驗知識，并有協(xié)作工作經驗，那么這種指導和支持就不僅無關，甚至可能對動機和認知加工產生負面影響(Kirschner et al., 2018)。在這種背景下，基于學習分析為協(xié)作學習提供自適應支持似乎是非常理想的目標。讓我們再以計算機教育領域為例。一段時間以來，在線學習環(huán)境一直可用于支持不同級別和不同編程語言的編程技能學習(Douce et al., 2005; Strickroth & Pinkwart, 2017)，但只有少數(shù)環(huán)境提供適應性和分析功能。

此外，樂(Le， 2016)的綜述文章指出，教育軟件的自適應反饋通?；谙鄬唵蔚摹氨砻妗碧卣?如語法分析等)。針對多用戶的過程分析方法雖然已經存在，并在教育情境中討論過(Bogarín et al., 2018)，但這種形式的教育過程挖掘還很少被用于學習分析。特別是團隊用戶行為的哪些指標需要教育干預，以及如何設計這種自動適應在許多方面仍未得到解決(Vandewaetere et al., 2011)。令人驚訝的是，結對編程是編程教育最有名也是受評價最多的協(xié)作學習形式之一(Dyb? et al.,2012)，但這一情境下還未見有人對學習分析支持的協(xié)作學習適應性教學策略開展系統(tǒng)研究和實踐(Israel et al., 2016)。這個現(xiàn)象也適用于其他領域。在這些領域中，以向學習者團隊提供適應性支持為目標的學生團隊交互自動實時分析的潛力，尚未得到充分利用。

四、針對影響的研究——效果和長期影響

與智能導學系統(tǒng)等相比，學習分析還是很年輕的研究領域，許多研究者和實踐者看到了學習分析的潛力。盡管如此(也可以說是因為這個領域還很年輕)，仍有些重要問題沒有得到回答。其中之一是各種形式的學習分析納入現(xiàn)實課堂教育效果的證據(jù)問題。在智能導學系統(tǒng)，這個問題已有了很好的回答(Van Lehn, 2011; Kulik & Fletcher, 2016)，而學習分析領域則少得多(Ferguson & Clow, 2017; Viberg et al., 2018)。如果缺少哪些形式的學習分析在實際教學中是有效的回答，那會嚴重阻礙學習分析在教育情境(包括職業(yè)培訓、大學、在線教育以及學校)的應用(Colvin et al., 2017; Dawson et al., 2019)。因此，研究界需要投入更多的努力證明學習分析確實可以有所作為，這些努力既要在方法上科學嚴謹，也要體現(xiàn)對實踐的意義，還要考慮文化方面的重要性(Rüdian et al., 2019)。

盡管對學習分析干預進行研究，報告其教育效果是實證影響研究必不可少的，但這一研究無疑更需要關注學習分析的長期效果，也就是說，教育情境采納學習分析技術與方法，對學習者是否以及產生怎樣的普遍性影響。學習分析工具的廣泛使用能否改變學生的一般學習行為、元認知技能或他們對學習技術的期望和態(tài)度？這種長期分析是學習分析研究的空白，同時也是教育提供者(如大學或在線教育公司)的機會，后者可以根據(jù)學習者不斷變化的學習期望和學習狀況提供相應的學習服務。目前，大學的學習分析研究的主要目的是通過提高學習過程的質量提高學習成功率(Arnold & Pistilli, 2012)，部分也包括了教師的角度(Dietz-Uhler & Hurn, 2013)。迄今為止，研究主要集中在課程模塊層面，如預測學生期末考試的成功率，學位課程層面的研究還相當少(Asif et al., 2017)。然而，在后者的長期研究中，隨時間推移動態(tài)變化的學習者特征(也稱為學習者畫像)在研究中幾乎尚未發(fā)揮作用，也沒有出現(xiàn)在學習分析的綜述文章中(Avella et al.,2016; de Freitas et al., 2015)。

本文總結了學習分析研究面臨的挑戰(zhàn)。為了促進這個領域繼續(xù)發(fā)展，為學習分析工具和方法的效果提供研究證據(jù)是關鍵?？梢哉f，這些效果可以是多方面的，包括個體的學習和協(xié)作的形式；可以是短期的，例如，特定學習分析方法導致的學習收益;也可以是長期的，比如，隨著分析工具的普及應用而產生的學習態(tài)度、期望和能力的改變。