國際學(xué)習(xí)分析技術(shù)的研究路徑及其啟示

梅鵬飛 張麗娜 毛敏 齊健

摘? ?要：學(xué)習(xí)分析作為理解和優(yōu)化學(xué)習(xí)及其產(chǎn)生環(huán)境的技術(shù)，受到計算機科學(xué)、教育學(xué)等學(xué)科和領(lǐng)域的廣泛關(guān)注。為了更好地了解目前學(xué)習(xí)分析技術(shù)的研究現(xiàn)狀和發(fā)展趨勢，文章使用CiteSapce可視化引文分析工具，采用引文分析法，以SSCI、SCI數(shù)據(jù)庫為文獻來源，對2016—2020年發(fā)表的相關(guān)文獻進行了時域、核心文獻、研究熱點的可視化分析。文章分別梳理出學(xué)習(xí)分析關(guān)鍵技術(shù)、學(xué)習(xí)者學(xué)習(xí)體驗、學(xué)習(xí)分析儀表盤、個性化學(xué)習(xí)環(huán)境等8個被引聚類，并對聚類代表作的相關(guān)論述進行了分析。最終得出：學(xué)習(xí)分析關(guān)鍵技術(shù)、師生對學(xué)習(xí)分析的需求、學(xué)習(xí)環(huán)境三個方面對國內(nèi)學(xué)習(xí)分析技術(shù)研究具有一定的啟示。

關(guān)鍵詞：學(xué)習(xí)分析技術(shù);CiteSpace;引文分析法;學(xué)習(xí)體驗

中圖分類號：G434 文獻標志碼：A 文章編號：1673-8454（2021）11-0007-07

一、引言

從2011年起，由美國新媒體聯(lián)盟（New Media Consortium，簡稱 NMC）發(fā)布的《地平線報告》連續(xù)幾年把“學(xué)習(xí)分析技術(shù)”作為影響教育發(fā)展的主要趨勢和關(guān)鍵技術(shù)之一[1]。學(xué)習(xí)分析關(guān)注的是學(xué)習(xí)者在做什么、閱讀什么內(nèi)容以及如何進行信息加工[2]。近年來，許多學(xué)者針對如何有效地分析、利用和挖掘與學(xué)習(xí)相關(guān)的數(shù)據(jù)來促進學(xué)生學(xué)習(xí)進行了廣泛的探究。為了進一步了解學(xué)科信息研究動態(tài)和學(xué)習(xí)分析技術(shù)的發(fā)展趨勢，本文對學(xué)者的研究成果進行了系統(tǒng)梳理，應(yīng)用文獻計量學(xué)的研究方法，使用CiteSpace可視化分析軟件，分析了2016—2020年發(fā)表的核心期刊代表作。通過定量與定性分析，探析研究文獻的時空分布、著者合作、文獻共被引等內(nèi)外特征，同時繪制知識圖譜以可視化形式呈現(xiàn)國際學(xué)習(xí)分析技術(shù)的研究現(xiàn)狀和發(fā)展趨勢，以期為后續(xù)研究提供參考。

二、研究方法與工具

引文分析法是通過運用數(shù)學(xué)及統(tǒng)計學(xué)方法進行比較、歸納、抽象、概括，對科技期刊、論文、著者等分析對象的引用和被引用現(xiàn)象進行分析，揭示其數(shù)量特征和內(nèi)在規(guī)律的一種文獻計量研究方法[3]。通過引文分析，可以了解某學(xué)科領(lǐng)域的研究路徑以及未來發(fā)展趨勢[4]。本文主要使用的工具是CiteSpace V5.7。該軟件是由美國德雷塞爾大學(xué)陳超美教授基于Java平臺開發(fā)的，以引文分析著稱的可視化分析軟件，現(xiàn)已廣泛應(yīng)用于計算機學(xué)、教育學(xué)、醫(yī)學(xué)等領(lǐng)域。其功能是通過對作者、關(guān)鍵詞、被引文獻等文獻信息的可視化分析，有效探測學(xué)科知識領(lǐng)域的演進與研究前沿，客觀地反映某一領(lǐng)域的研究現(xiàn)狀及熱點等[5]。

三、數(shù)據(jù)來源與處理

文獻樣本以Web of Science核心合集中的SCI和SSCI數(shù)據(jù)庫為文獻來源，以“l(fā)earning analytics”為主題，檢索2016—2020年發(fā)表的相關(guān)文獻，文獻類型限定為Article，經(jīng)過篩選后得到2596篇有效文獻作為樣本。保存內(nèi)容為全紀錄與引用參考文獻，以download_xxx.txt格式保存為txt文本。為解決CiteSpace中的亂碼問題，將文本編碼格式修改為utf-8編碼，保存時間為2020年11月28日。數(shù)據(jù)處理基本流程為：①將下載的文本文件保存至data文件夾中，建立project文件夾。②在CiteSpce中創(chuàng)建工程，分別指定data和project文件夾的路徑。

四、研究結(jié)果與分析

1.研究文獻外表特征

（1）時域分布

本文使用Web of Science核心合集中的結(jié)果分析功能，通過繪制國家（地區(qū)）柱狀圖來直觀地展現(xiàn)文獻的時間和地區(qū)分布。從區(qū)域分布看，學(xué)習(xí)分析技術(shù)的研究成果主要分布在10個國家，共2596篇文獻。圖1顯示的是部分國家的年度發(fā)文量，美國的總發(fā)文量為863篇，居于首位，英國排在第三位。我國在學(xué)習(xí)分析技術(shù)研究方面有很大的提升空間。

由圖2所示的學(xué)習(xí)分析技術(shù)研究文獻發(fā)表時間分布圖可以看出，學(xué)習(xí)分析技術(shù)的相關(guān)文獻數(shù)量在2016—2018年處于快速增長階段。

在CiteSpace軟件中設(shè)置時間切片（Time slicing）為1年，時間為2016—2020年，節(jié)點類型為Country（國家）和Institution（機構(gòu)）;標準選擇TopN，N設(shè)置為50，閾值（c，cc，ccv）設(shè)置為（3，3，15）;算法選擇pathfinder（路徑探索）算法。運行CiteSpace軟件，繪制學(xué)習(xí)分析技術(shù)研究的國家（地區(qū)）及機構(gòu)分布圖，結(jié)果如圖3所示。CiteSapce軟件中得出的中心性是衡量文獻地位的重要指標，中心性可以直觀地呈現(xiàn)國家（地區(qū)）對學(xué)習(xí)分析技術(shù)研究的重視程度。同時，中心性也可以反映出在學(xué)習(xí)分析技術(shù)研究方面占有重要地位的國家（地區(qū)）。

圖譜中左上角參數(shù)Network：N=30，代表30個國家（地區(qū)）和機構(gòu);E=125，表示125條連線，代表國家地區(qū)間的合作頻次;圖譜中節(jié)點越大，代表發(fā)文數(shù)量越多;外圈顏色越深，表現(xiàn)為中心性越大，表示當前國家（地區(qū)）及機構(gòu)在某一研究領(lǐng)域的地位越重要。由圖3可知，學(xué)習(xí)分析技術(shù)研究領(lǐng)域的國家中，美國節(jié)點最大，其次是西班牙，發(fā)文量總數(shù)排在前三位的分別是美國、西班牙、澳大利亞，各國家（地區(qū)）及機構(gòu)之間的合作與交流比較少。圖譜中外圈顏色最深的國家是西班牙，其次是澳大利亞。學(xué)習(xí)分析技術(shù)的研究成果集中于高校之中，如美國的斯坦福大學(xué)、西班牙的馬德里卡洛斯三世大學(xué)、英國的愛丁堡大學(xué)、澳大利亞的迪肯大學(xué)等。這些國家及機構(gòu)在學(xué)習(xí)分析技術(shù)研究領(lǐng)域占有重要地位，其發(fā)表的系列文獻為后續(xù)研究者提供了理論研究線索，為進一步研究學(xué)習(xí)分析技術(shù)奠定了理論與實踐基礎(chǔ)。

（2）高影響力學(xué)者分布

學(xué)者的受關(guān)注程度與其被引頻次成正比，被引頻次數(shù)值越大，其受認可度就越高，即為具有高影響力學(xué)者。選擇節(jié)點類型為Cited Author，其他設(shè)置保持不變，運行CiteSpace軟件，繪制學(xué)者共現(xiàn)圖譜，結(jié)果如圖4所示。運用CiteSpace軟件統(tǒng)計學(xué)者被引頻次與中心性，并將被引頻次排名前15的學(xué)者列出，結(jié)果如表1所示。

結(jié)合圖4與表1分析得出，被引頻次最高的是加拿大阿薩巴斯卡大學(xué)的Siemens，被引頻次為123。他在2012年提出學(xué)習(xí)分析處于技術(shù)和社會學(xué)習(xí)理論領(lǐng)域的十字路口，反映了學(xué)習(xí)分析作為一個研究領(lǐng)域已達到快速成熟階段[6]。盡管學(xué)習(xí)分析技術(shù)還處于發(fā)展初期階段，但研究者對學(xué)習(xí)分析技術(shù)的期望很高，促進了其在短時間內(nèi)迅速發(fā)展。

美國普林斯頓大學(xué)的Ferguson將社會學(xué)習(xí)描述為學(xué)習(xí)分析的一個子集，指出社會學(xué)習(xí)強調(diào)的新技能和新思想不僅僅是個人所獲得的成就，而是要通過互動協(xié)作來得到發(fā)展和傳承。社會學(xué)習(xí)更加關(guān)注學(xué)習(xí)過程而非熱衷于總結(jié)性評價[7]。這一論述為社會學(xué)習(xí)分析研究進行了鋪墊。

科爾多瓦大學(xué)的Romero是國際著名教育數(shù)據(jù)挖掘?qū)＜?，其研究聚焦于?shù)字化學(xué)習(xí)系統(tǒng)中數(shù)據(jù)挖掘的應(yīng)用，提出了一種基于關(guān)聯(lián)規(guī)則的協(xié)作式教育數(shù)據(jù)挖掘工具，用于持續(xù)改進數(shù)字學(xué)習(xí)課程。教師可以利用數(shù)據(jù)挖掘工具分享教學(xué)過程中所發(fā)現(xiàn)的信息[8]，再進行階段性和綜合性評價，以提升教學(xué)效果。

加拿大不列顛哥倫比亞大學(xué)的Macfadyen和澳大利亞伍倫貢大學(xué)的Dawson認為學(xué)習(xí)分析研究必須深入到社會技術(shù)領(lǐng)域，以確保將學(xué)習(xí)分析數(shù)據(jù)呈現(xiàn)給參與戰(zhàn)略性制度規(guī)劃的人員，從而有能力激勵組織采納和進行文化變革[9]。

高影響力學(xué)者分布分析表明，從不同角度對學(xué)習(xí)分析技術(shù)進行理論研究卓有成效，專家的論點和論述對今后深入研究具有指導(dǎo)意義。

（3）核心文獻分布

文獻的被引頻次可以反映單篇文獻在本領(lǐng)域內(nèi)被其他研究者關(guān)注的程度，以及對其他研究者相關(guān)研究的影響程度[10]。文獻被引頻次的高低與研究領(lǐng)域的影響力成正比，被引越高的文獻，在該研究領(lǐng)域的影響力越大，可以確定為核心文獻[11]。對核心文獻進行梳理，有助于研究者快速、高效、全面地了解該研究領(lǐng)域的重點，對進一步探索具有深遠意義[12]。在CiteSpace軟件中，將運行結(jié)果按照文獻被引頻次降序排列，結(jié)果如表2所示。

由表2排序可知，文獻被引頻次最高的是《2009年教育數(shù)據(jù)挖掘現(xiàn)狀：回顧與展望》。該文主要對早期文獻進行分析，包括教育數(shù)據(jù)挖掘方法、教育數(shù)據(jù)挖掘方法的關(guān)鍵應(yīng)用及教育數(shù)據(jù)挖掘研究的重要趨勢，為學(xué)習(xí)分析技術(shù)領(lǐng)域提供了技術(shù)和數(shù)據(jù)支撐。[13]其次是《揭開迷霧：學(xué)習(xí)與教育領(lǐng)域分析》，該文指出學(xué)習(xí)分析、學(xué)術(shù)分析兩個分析層級或?qū)ο螅罢邔ｉT針對學(xué)習(xí)過程的分析，相較于學(xué)術(shù)分析更具體，并具有針對性;而學(xué)術(shù)分析則反映機構(gòu)這一級數(shù)據(jù)分析的作用[14]。

另外，《關(guān)于挖掘?qū)W習(xí)管理系統(tǒng)數(shù)據(jù)為教育者開發(fā)預(yù)警系統(tǒng)》一文指出可以從LMS（Learning Management System）生成的追蹤數(shù)據(jù)中提取具有教學(xué)意義的信息。研究結(jié)果表明：回歸建模為課程創(chuàng)建了一個最佳的預(yù)測模型，能夠解釋學(xué)生最終成績變化的30%以上原因;Logistic建模驗證了模型的預(yù)測能力，識別不及格學(xué)生人數(shù)的正確率高達81%[15]。有研究討論了為教育工作者提供一種可定制的儀表盤樣式報告工具，用以提取學(xué)生參與的實時數(shù)據(jù)和學(xué)習(xí)成功的可能性數(shù)據(jù)并進行可視化。從中體現(xiàn)了學(xué)習(xí)分析技術(shù)的特征，主要目的是預(yù)測學(xué)習(xí)結(jié)果和提高學(xué)習(xí)成績[16]。

2.研究文獻內(nèi)部特征

（1）研究文獻的引文聚類分析

在CiteSpace軟件中設(shè)置文獻檢索時間為2015—2020年，時間切片為1年;選擇分析對象類型為Cited Reference;算法選擇Pathfinder（路徑探索）算法;在標準中選擇TopN，N設(shè)置為50，閾值（c，cc，ccv）設(shè)置為（4，4，15）。運行CiteSpace軟件，單擊聚類（Fluster）按鈕，抽取關(guān)鍵詞（Keyword），選擇LLR算法，繪制文獻共被引聚類圖譜，結(jié)果如圖5所示。圖中包括80個節(jié)點、134條連線、8個聚類。每個聚類采用主題索引聚類標簽標示，這些聚類代表了學(xué)習(xí)分析技術(shù)主要的研究領(lǐng)域。

如表3所示，學(xué)習(xí)分析引文聚類包含了聚類序號、施引文獻數(shù)量、同質(zhì)性（聚類索引主題的共同特征）以及通過Log-Likelyhood Ratio（對數(shù)似然比）抽取的聚類索引主題（名詞短語）。這些名詞短語是從具有代表性的文獻摘要中提取得來，所以可以稱之為熱點詞。

根據(jù)表3的數(shù)據(jù)可以看出，每個聚類的Silhouette（同質(zhì)性）都在0.5以上，表明熱點詞之間的聚類合理。以下將對八個聚類的主要研究內(nèi)容依次展開分析，并對研究熱點領(lǐng)域進行詳細闡述。

（2）研究熱點分析

①學(xué)習(xí)分析關(guān)鍵技術(shù)研究

聚類“0”的研究熱點模糊表示是教育技術(shù)課堂研究中的關(guān)鍵技術(shù)。Angeli等解決并解釋了在教育技術(shù)課堂研究中使用數(shù)據(jù)挖掘的一些關(guān)鍵問題。介紹了兩個使用數(shù)據(jù)挖掘技術(shù)的例子，即關(guān)聯(lián)規(guī)則挖掘和模糊表示，這兩個例子分別來自于歐洲和澳大利亞的研究。在第一項研究中，關(guān)聯(lián)規(guī)則挖掘技術(shù)被用來更好地理解具有不同認知類型的學(xué)習(xí)者如何與模擬環(huán)境交互以解決問題;在第二項研究中，研究者采用模糊表示技術(shù)歸納性地對問卷數(shù)據(jù)進行探索[17]。該研究為教育技術(shù)人員利用數(shù)據(jù)挖掘技術(shù)指導(dǎo)和監(jiān)督校本技術(shù)整合工作提供了一個很好的案例。Fernandez等在研究中為大數(shù)據(jù)問題中的不同任務(wù)提供了模糊建模分析（MapReduce模型），如分類、聚類、子群發(fā)現(xiàn)等。模糊系統(tǒng)使用推理模型，可以很好地適應(yīng)不同情況，尤其是那些具有一定程度不確定性的情景。同時，強調(diào)了基于模糊系統(tǒng)的模型應(yīng)使用接近自然語言來表示，不同學(xué)習(xí)領(lǐng)域向大數(shù)據(jù)環(huán)境的遷移尚處于初級階段，討論了當前算法的數(shù)據(jù)分布和并行化有關(guān)問題以及其與信息模糊表示之間的關(guān)系[18]。該研究確定了基于模糊系統(tǒng)算法的設(shè)計方向，利用這些模型提取的信息對專家具有較高的參考價值，需要在未來的學(xué)習(xí)領(lǐng)域中進一步探索。

②學(xué)習(xí)體驗研究

聚類“1”的代表性文獻主要研究學(xué)習(xí)者的學(xué)習(xí)體驗過程。學(xué)習(xí)者、教師以及教育資源之間的交互是學(xué)習(xí)體驗有效性的重要元素。為了更深入地理解學(xué)習(xí)過程和提出改進建議，需要應(yīng)用分析技術(shù)（挖掘技術(shù)）對這些數(shù)據(jù)進行分析。虛擬學(xué)習(xí)環(huán)境中包括了虛擬設(shè)備、教育系統(tǒng)、預(yù)測系統(tǒng)等，主要用到的分析技術(shù)是機器學(xué)習(xí)、語義網(wǎng)絡(luò)等。Romero等做了一項利用虛擬設(shè)備對學(xué)生學(xué)習(xí)進度進行管理的案例研究。該研究回答了兩個問題：是否可以監(jiān)控學(xué)生個人學(xué)習(xí)空間中學(xué)習(xí)活動;如何使用記錄的數(shù)據(jù)來預(yù)測學(xué)生的學(xué)習(xí)成績。研究表明，學(xué)生在虛擬環(huán)境中進行學(xué)習(xí)活動，數(shù)據(jù)顯示情況與學(xué)生的學(xué)習(xí)成績顯著相關(guān)，從而驗證了預(yù)測機制，最后根據(jù)相關(guān)性最高的觀測數(shù)據(jù)給出預(yù)測模型[19]。

Liaqat Ali等開發(fā)了一款學(xué)習(xí)分析工具——LOCO-Analyst。該工具的主要功能是為教育工作者提供有關(guān)學(xué)生學(xué)習(xí)活動和表現(xiàn)的反饋信息。在進行工具評估的過程中，用戶界面效果和支持的反饋類型得到了增強，直接影響了用戶的感知有用性。研究表明，教育工作者可以在“工具信息”中找到實現(xiàn)的反饋類型，并且重視由工具提供的各種反饋文本和圖表[20]。

Simmhan等在研究中介紹了使用云技術(shù)的智能電網(wǎng)物理系統(tǒng)可擴展軟件平臺。該平臺提供的功能包括：一個自適應(yīng)信息集成環(huán)境，用于采集動態(tài)數(shù)據(jù);研究人員用于分享知識的安全庫;可擴展的機器學(xué)習(xí)模型，通過海量數(shù)據(jù)集進行靈活的需求預(yù)測;一個可視化消費模式的門戶網(wǎng)站，并在南加利福尼亞大學(xué)校園微電網(wǎng)驗證[21]。該研究在高等教育系統(tǒng)中發(fā)揮了重要作用，有助于完善高校教育資源的建設(shè)，并給學(xué)習(xí)者提供良好的學(xué)習(xí)體驗。

③學(xué)習(xí)分析儀表盤研究

聚類“2”的代表性文獻主要研究學(xué)習(xí)分析儀表盤，通過人機交互產(chǎn)生的數(shù)據(jù)來追蹤學(xué)習(xí)者的學(xué)習(xí)行為。近年來，國際上配置的學(xué)習(xí)分析儀表盤大致可以分三類：第一類支持傳統(tǒng)的面對面授課;第二類支持面對面的小組協(xié)作;第三類支持在線或混合學(xué)習(xí)的意識、反思以及意識形成和行為變化。Verbert等在研究中介紹了現(xiàn)有學(xué)習(xí)分析儀表盤應(yīng)用程序的概況，以及這些應(yīng)用程序為支持學(xué)習(xí)或教學(xué)提供的功能。研究結(jié)果表明，學(xué)習(xí)儀表盤的發(fā)展已經(jīng)有了很大進步，一些有前景的模型驗證了這些應(yīng)用程序創(chuàng)造的潛力和機遇[22]。Park等則認為學(xué)習(xí)分析儀表盤是一個在虛擬學(xué)習(xí)環(huán)境中顯示學(xué)生在線行為模式的應(yīng)用程序。這個支持性工具通過跟蹤學(xué)生的日志文件，挖掘海量數(shù)據(jù)來探測研究意義，并將結(jié)果可視化，以便客觀地呈現(xiàn)學(xué)習(xí)者的學(xué)習(xí)狀況。研究結(jié)果表明，再次開發(fā)的學(xué)習(xí)分析工具對學(xué)習(xí)者的成績沒有顯著影響，但是可用性及試點測試中的可視化信息對學(xué)生的理解水平有影響。儀表盤的總體滿意度作為一個協(xié)變量，對學(xué)生的理解程度和行為感知變化都有影響[23]。

④個性化學(xué)習(xí)環(huán)境研究

聚類“3”的代表性文獻主要研究學(xué)習(xí)者的個人網(wǎng)絡(luò)（虛擬學(xué)習(xí)空間），包括學(xué)習(xí)環(huán)境、學(xué)習(xí)動機、學(xué)習(xí)情緒等。Rizzardini等與來自三個不同拉丁美洲國家的參與者對PLE（個性化學(xué)習(xí)環(huán)境）進行了評估。PLE由ROLE（響應(yīng)式開放學(xué)習(xí)環(huán)境）項目提供技術(shù)支持，測量了情緒、動機、可用性和對學(xué)習(xí)環(huán)境的態(tài)度四個維度。研究結(jié)果表明，該個性化學(xué)習(xí)系統(tǒng)普遍被認為是一個有用的學(xué)習(xí)平臺[24]。

Casquero等使用學(xué)習(xí)分析方法，基于兩所高校本科學(xué)生對學(xué)習(xí)網(wǎng)絡(luò)的適應(yīng)情況，對學(xué)習(xí)網(wǎng)絡(luò)適應(yīng)因素在學(xué)習(xí)過程中的影響進行了研究。研究結(jié)果表明，調(diào)查情況反映了公立學(xué)校在促進學(xué)生參與方面的有效性，還可以幫助學(xué)生建立更大、更均衡的個人網(wǎng)絡(luò)。然而，這些發(fā)現(xiàn)并不能提供兩種環(huán)境下學(xué)習(xí)成績差異的證據(jù)[25]。

從方法論的角度來看，研究者從技術(shù)增強的學(xué)習(xí)環(huán)境中收集數(shù)據(jù)作為個人網(wǎng)絡(luò)分析的例證。在高等教育中，對于學(xué)習(xí)者的社會網(wǎng)絡(luò)分析，已經(jīng)有很多相關(guān)研究。Gewerc等對圣地亞哥聯(lián)合大學(xué)（西班牙）教育學(xué)位課程中的社會學(xué)習(xí)網(wǎng)絡(luò)配置進行了探索性分析。通過社會網(wǎng)絡(luò)分析（SNA）和信息提取來衡量學(xué)生之間協(xié)作的強度、中心性和相關(guān)性。其中，教學(xué)方法與在大學(xué)教育中使用社交網(wǎng)絡(luò)的選擇之間需要保持一致性和連貫性。密集的網(wǎng)絡(luò)具有高度的互動性，中等程度的中心性和低集中指數(shù)具有影響其余（中介程度）的能力[26]。

⑤教學(xué)情境研究

聚類“4”的代表性文獻主要研究教學(xué)情境，包括教學(xué)案例、不同情境下的學(xué)習(xí)行為特征。Bagdasarov等做了一項基于案例的學(xué)習(xí)、學(xué)生保留率和倫理決策、教學(xué)策略調(diào)查研究，將參與者隨機分配到特定案例、自身案例、自主開發(fā)案例中。該研究旨在驗證精細化和案例寫作兩種教學(xué)策略在倫理決策（EDM）、學(xué)習(xí)和知識遷移方面的效用[27]。

Dragan Gasevic等在研究中調(diào)查了混合學(xué)習(xí)模式下，九門本科課程的教學(xué)情境對學(xué)業(yè)成功預(yù)測的影響程度。研究表明，將日志數(shù)據(jù)合并以創(chuàng)建用于預(yù)測學(xué)業(yè)成功的一般化模型之前，要考慮技術(shù)使用的差異，尤其是學(xué)習(xí)者是否使用以及如何使用學(xué)習(xí)管理系統(tǒng)的相關(guān)差異。因此，在學(xué)習(xí)分析技術(shù)的研究中，要考慮技術(shù)應(yīng)用的多樣化，若缺乏對教學(xué)情境的關(guān)注，可能會導(dǎo)致低估學(xué)習(xí)管理系統(tǒng)特征對學(xué)生學(xué)業(yè)成功的影響[28]。

Mirriahi等在研究中利用視頻注釋工具揭示學(xué)生的學(xué)習(xí)情況。研究表明，當有評分或者不評分的注釋時，受外部因素（即評分）的影響，更多學(xué)生處于面向任務(wù)和密集型的群體。當外部因素消除時，大多數(shù)學(xué)生表現(xiàn)出學(xué)習(xí)興趣下降和簡單學(xué)習(xí)行為[29]的特征。這些研究有助于對學(xué)生使用視頻注釋工具的不同特征進行深入了解。

⑥學(xué)習(xí)成就影響因素研究

聚類“5”和聚類“7”的代表文獻主要是關(guān)于學(xué)習(xí)者學(xué)習(xí)成就影響因素的研究，包括滿意度、學(xué)習(xí)動機、個體差異等。Kim等為了探尋學(xué)習(xí)分析儀表盤的利用率、滿意度和學(xué)習(xí)成就之間的關(guān)系，做了一項實驗研究，目的是為了驗證學(xué)習(xí)分析儀表盤的效果。結(jié)果顯示：使用儀表盤進行學(xué)習(xí)的學(xué)生獲得的最終分數(shù)更高;以儀表盤的打開次數(shù)來衡量，儀表盤的使用頻率對學(xué)習(xí)成績沒有顯著影響;學(xué)習(xí)分析儀表盤的滿意度與學(xué)習(xí)成績之間略有正相關(guān)。進一步分析表明，只有少數(shù)幾次使用儀表盤的學(xué)習(xí)者滿意度較高。另一方面，頻繁使用學(xué)習(xí)分析儀表盤的學(xué)習(xí)者學(xué)術(shù)成就較高，對儀表盤的滿意度較低[30]。該研究從發(fā)展的角度深入探討了學(xué)習(xí)分析儀表盤作為一種有效的、個性化的反饋工具，可以用來提高學(xué)習(xí)者的學(xué)習(xí)成就。

Lonn等對學(xué)生學(xué)習(xí)動機取向的變化展開調(diào)查研究，調(diào)查結(jié)果表明，學(xué)生在課程的學(xué)習(xí)過程中，知識掌握取向有所下降，形成學(xué)生的學(xué)業(yè)成績負面預(yù)測，導(dǎo)致學(xué)生學(xué)習(xí)動機取向變化。該研究表明，在學(xué)習(xí)分析的干預(yù)設(shè)計中，需考慮學(xué)生的學(xué)習(xí)目標和績效，因為結(jié)果分析工具直接影響學(xué)生數(shù)據(jù)的解釋以及隨后的學(xué)習(xí)成就[31]。

⑦學(xué)習(xí)管理系統(tǒng)研究

聚類“6”的代表性文獻主要對學(xué)習(xí)者的學(xué)習(xí)方法、學(xué)習(xí)管理系統(tǒng)（LMSs）反饋意見、LMSs產(chǎn)生的自我報告數(shù)據(jù)進行研究。相關(guān)文獻研究表明，學(xué)習(xí)管理系統(tǒng)可以提高學(xué)生的社區(qū)意識、參與度和成功率。Macfadyen等在研究中討論了LMSs制度的規(guī)劃受到學(xué)習(xí)分析技術(shù)的關(guān)注和支配，提出學(xué)習(xí)分析支持者必需深入研究社會技術(shù)領(lǐng)域，以確保學(xué)習(xí)分析數(shù)據(jù)能激勵組織采納，以教育改革的方式呈現(xiàn)給參與制度規(guī)劃的決策人員[9]。

Jo等在前人研究的基礎(chǔ)上，從數(shù)據(jù)集中選擇了三個變量：總登錄時間、登錄頻率和登錄間隔規(guī)律。該研究根據(jù)多元回歸分析的結(jié)果，確定所預(yù)置的變量是否能實際預(yù)測學(xué)習(xí)績效，以及登錄間隔的規(guī)律性與學(xué)習(xí)成績預(yù)測是否相關(guān)。該研究主要使用學(xué)習(xí)分析技術(shù)來測試學(xué)習(xí)者網(wǎng)絡(luò)環(huán)境下特定學(xué)習(xí)能力的可能性，探討學(xué)習(xí)分析技術(shù)領(lǐng)域?qū)で蠼逃龑W(xué)理論驅(qū)動方法的意義[32]。

五、研究結(jié)論與啟示

學(xué)習(xí)分析技術(shù)近年來受到了教育領(lǐng)域的廣泛關(guān)注，在理論研究和多學(xué)科實踐應(yīng)用方面均取得大量研究成果。隨著教育智能化的深入發(fā)展，學(xué)習(xí)分析技術(shù)也面臨著諸多挑戰(zhàn)。例如：如何規(guī)范多元化數(shù)據(jù)格式，并進行有效耦合后導(dǎo)入到同一個分析框架;如何將數(shù)據(jù)挖掘工具納入教育軟件和系統(tǒng)中，促進各類數(shù)據(jù)的有效整合與利用;如何完善學(xué)習(xí)分析技術(shù)體系等。因此，還需對學(xué)習(xí)分析技術(shù)進行更深入的研究。

參考文獻：

[1]何克抗. “學(xué)習(xí)分析技術(shù)”在我國的新發(fā)展[J].電化教育研究，2016，37（7）：5-13.

[2]顧小清，張進良，蔡慧英.學(xué)習(xí)分析：正在浮現(xiàn)中的數(shù)據(jù)技術(shù)[J].遠程教育雜志，2012（1）：18-25.

[3]何曉萍，江毅，萬昆.基于Web of Science的MOOC研究可視化分析[J].現(xiàn)代情報，2015，35（8）：92-99.

[4]張慧敏.引文分析法的內(nèi)涵及研究實證[J].編輯學(xué)報，2006（S1）：174-177.

[5]何曉萍，江毅.國際遠程教育研究的可視化分析[J].中國遠程教育，2016（11）：53-60.

[6]Siemens G， Gasevic D. Guest Editorial - Learning and Knowledge Analytics[J].Journal of Educational Technology & Society， 2012，15（3）：1-2.

[7]Shum SB，F(xiàn)erguson R.Social Learning Analytics[J].Journal of Educational Technology & Society，2012，15（3）：3-26.

[8]Garcia E，Romero C.A collaborative educational association rule mining tool[J].Journal of Internet And Higher Education，2011，14（2）：77-88.

[9]Macfadyen L.P，Dawson S.Numbers Are Not Enough.Why e-Learning Analytics Failed to Inform an Institutional Strategic Plan[J].Educational Technology & Society，2012，15（3）：149-163.

[10]劉敏，李興保. 移動學(xué)習(xí)領(lǐng)域的可視化引文分析[J].電化教育研究，2012，33（11）：44-49.

[11]何曉萍，沈雅云. 深度學(xué)習(xí)的研究現(xiàn)狀與發(fā)展[J].現(xiàn)代情報，2017，37（2）：163-170.

[12]張思琦，張文蘭，李寶.國外近十年深度學(xué)習(xí)的研究現(xiàn)狀與發(fā)展趨勢——基于引文分析及共詞矩陣的知識圖譜分析[J].遠程教育雜志，2016，35（2）：64-72.

[13]Baker R.S.J.D.， Yacef K.The state of educational data mining in 2009：A review and future visions[J].Journal of Educational Data Mining，2009，1（1），3–17.

[14]Siemens G，Long P . Penetrating the Fog： Analytics in Learning and Education[J].Td Tecnologie Didattiche，2011，46（2）：S866.

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

[16]李青，王濤.學(xué)習(xí)分析技術(shù)研究與應(yīng)用現(xiàn)狀述評[J].中國電化教育，2012（8）：129-133.

[17]Angeli C， Howard S， Ma J， et al. Data mining in educational technology classroom research： Can it make a contribution？[J].Computers & Education， 2017（113）：226-242.

[18]Fernandez A，Carmona C J，Jesus M J D， et al. A View on Fuzzy Systems for Big Data： Progress and Opportunities[J]. International Journal of Computational Intelligence Systems， 2016，9（sup1）：69-80.

[19]Romero-Zaldivar V A， Pardo A， Burgos D， et al. Monitoring student progress using virtual appliances： A case study[J].Computers & Education，2012，58（4）：1058-1067.

[20]Liaqat Ali， Marek Hatala. A qualitative evaluation of evolution of a learning analytics tool[J].Computers & Education，2012，58（1）：470-489.

[21]Simmhan Y， Aman S， Kumbhare A， et al. Cloud-Based Software Platform for Big Data Analytics in Smart Grids[J].Computing in Science & Engineering，2013，15（4）：38-47.

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

[23]Park Y， Jo，IH.Development of the Learning Analytics Dashboard to Support Students'Learning Performance[J].Journal of Universal Computer Science，2015，21（1）：110-133.

[24]Rizzardini RH， Linares BH， Mikroyannidis A， et al. Cloud Services， Interoperability and Analytics within a ROLE-enabled Personal Learning Environment[J].Journal of Universal Computerence，2013，19（14）：2054-2074.

[25]Casquero O， Ovelar R.Students' personal networks in virtual and personal learning environments： a case study in higher education using learning analytics approach[J].Interactive learning environments，2016，24（1）：49-67.

[26]Gewerc A，Montero L.Collaboration and Social Networking in Higher Education[J].Comunicar，2014（42）：55-63.

[27]Bagdasarov Z. An Investigation of Case-Based Instructional Strategies on Learning， Retention， and Ethical Decision-Making[J].Journal of Empirical Research on Human Research Ethics Jerhre，2012，7（4）：79-86.

[28]Dragan Gasevic，Shane Dawson，Tim Rogers，et al. Learning analytics should not promote one size fits all： The effects of instructional conditions in predicting academic success[J].Internet & Higher Education，2016（28）：68-84.

[29]Mirriahi N， Liaqat D， Dawson S， et al. Uncovering student learning profiles with a video annotation tool： reflective learning with and without instructional norms[J].Educational Technology Research & Development，2016，64（6）：1083-1106.

[30]Kim J， Jo IH， Park Y. Effects of learning analytics dashboard： analyzing the relations among dashboard utilization， satisfaction， and learning achievement[J].Asia Pacific Education Review，2015，17（1）：1-12.

[31]Lonn S， Aguilar SJ， Teasley SD. Investigating student motivation in the context of a learning analytics intervention during a summer bridge program[M].Elsevier Science Publishers B.V，2015.

[32]Jo IH，Kim D，Yoon M.Constructing Proxy Variables to Measure Adult Learners' Time Management Strategies in LMS[J].Journal of Educational Technology & Society，2015，18（3）：214-225.

（編輯：王曉明）