生成式人工智能賦能學(xué)習(xí)分析：價值內(nèi)涵、實踐框架及發(fā)展路向

[摘" "要] 生成式人工智能正在教育領(lǐng)域嶄露頭角，其在數(shù)據(jù)處理、分析和生成方面的出色表現(xiàn)，為解決學(xué)習(xí)分析面臨的利益相關(guān)者素養(yǎng)不足、技術(shù)可信性不強等問題提供了重要機遇，對深化教育評價改革意義深遠(yuǎn)。然而，關(guān)于生成式人工智能賦能學(xué)習(xí)分析的價值內(nèi)涵、實踐框架及發(fā)展路向尚不清晰。因此，研究首先從“術(shù)用”與“器用”的雙重角度剖析生成式人工智能賦能學(xué)習(xí)分析的價值內(nèi)涵。其次，從確立目標(biāo)、數(shù)據(jù)采集、數(shù)據(jù)處理與分析、智慧應(yīng)用四個主要方面構(gòu)建并闡釋了生成式人工智能賦能學(xué)習(xí)分析的實踐框架，以為學(xué)習(xí)分析實踐提供參考。最后，立足于生成式人工智能賦能學(xué)習(xí)分析的現(xiàn)狀，研究認(rèn)為未來應(yīng)該關(guān)注智能素養(yǎng)培育，以轉(zhuǎn)向人智協(xié)同的學(xué)習(xí)分析范式；注重多種技術(shù)兼容，以促進分析變革培養(yǎng)的創(chuàng)新發(fā)展；重視分析倫理規(guī)范，以推動可信學(xué)習(xí)分析生態(tài)的構(gòu)建。

[關(guān)鍵詞] 生成式人工智能； 學(xué)習(xí)分析； 價值內(nèi)涵； 實踐框架； 發(fā)展路向

[中圖分類號] G434" " " " " " [文獻(xiàn)標(biāo)志碼] A

[作者簡介] 葉俊民（1965—），男，湖北武漢人。教授， 博士， 主要從事軟件工程、學(xué)習(xí)分析與挖掘技術(shù)研究。E-mail：jmye@mail.ccnu.edu.cn。

一、引" "言

學(xué)習(xí)分析（Learning Analytics， LA）作為感知教育情況、提升教育質(zhì)量和優(yōu)化教育決策的關(guān)鍵手段，通過深度挖掘和精準(zhǔn)分析教育數(shù)據(jù)，成為推動教育數(shù)字化轉(zhuǎn)型的核心動力[1]。然而，傳統(tǒng)的學(xué)習(xí)分析技術(shù)往往面臨著高成本、低效率的挑戰(zhàn)。盡管基于人工智能的學(xué)習(xí)分析技術(shù)在一定程度上緩解了這些問題，但受限于使用人員的能力和人工智能技術(shù)的可解釋性，它仍難以全面支持對復(fù)雜學(xué)習(xí)過程和結(jié)果的深入理解[2]。生成式人工智能（Generative Artificial Intelligence，GenAI）作為一種以生產(chǎn)和創(chuàng)新為主的人工智能新技術(shù)，具有數(shù)據(jù)處理、分析和生成方面的優(yōu)勢，為學(xué)習(xí)分析領(lǐng)域提供了新視角[3]。如何利用GenAI對多元教育環(huán)境產(chǎn)生的數(shù)據(jù)進行分析和評價，成為當(dāng)前教育研究者關(guān)注的熱點問題。例如，學(xué)習(xí)分析與知識國際會議（Learning Analytics and Knowledge Conference， LAK）作為該領(lǐng)域頗具有影響力的會議，其在2024年的會議主題為“人工智能時代的學(xué)習(xí)分析”，并且會議重點關(guān)注了GenAI推進學(xué)習(xí)分析中的數(shù)據(jù)分析和應(yīng)用等方面的最新研究進展[4-11]。然而，目前關(guān)于GenAI賦能學(xué)習(xí)分析的價值內(nèi)涵仍然缺乏深入探索，并且如何有效利用GenAI開展學(xué)習(xí)分析也未形成成熟的實踐框架，關(guān)于其發(fā)展路向也尚不清晰?；诖?，本文從GenAI的教育價值和當(dāng)前學(xué)習(xí)分析面臨的主要問題出發(fā)，從“術(shù)用”與“器用”的角度深入分析GenAI賦能學(xué)習(xí)分析的價值內(nèi)涵，構(gòu)建GenAI賦能學(xué)習(xí)分析的實踐框架，并探討其發(fā)展路向，以期為學(xué)習(xí)分析實踐提供參考和借鑒，共同推進GenAI促進學(xué)習(xí)分析領(lǐng)域的研究發(fā)展。

二、學(xué)習(xí)分析實踐的現(xiàn)實挑戰(zhàn)

學(xué)習(xí)分析是對學(xué)習(xí)者及其環(huán)境的數(shù)據(jù)進行測量、收集、分析與報告，旨在理解和優(yōu)化學(xué)習(xí)及其環(huán)境[12]。隨著技術(shù)的日趨成熟，學(xué)習(xí)分析從描述分析逐步發(fā)展到診斷分析、預(yù)測分析乃至決策分析，并始終堅持 “以人為本”的核心理念[13]。然而，學(xué)習(xí)分析實踐仍面臨著挑戰(zhàn)。一方面，利益相關(guān)者的數(shù)據(jù)素養(yǎng)問題日益凸顯。數(shù)據(jù)素養(yǎng)涉及捕獲、處理、索引、存儲、分析及可視化數(shù)據(jù)的能力，以及基于數(shù)據(jù)作出合理教學(xué)決策的能力[14]。教育環(huán)境復(fù)雜化和數(shù)據(jù)量激增，要求利益相關(guān)者需要具備扎實的數(shù)據(jù)分析技能和教育教學(xué)理論知識，以應(yīng)對不同學(xué)習(xí)活動和過程產(chǎn)生的數(shù)據(jù)[15]。同時，深度學(xué)習(xí)等人工智能技術(shù)的引入，提高了學(xué)習(xí)分析工具和方法的技術(shù)門檻和成本，對非數(shù)據(jù)科學(xué)背景人士構(gòu)成嚴(yán)峻挑戰(zhàn)[11]。此外，許多利益相關(guān)者缺乏解釋分析結(jié)果的能力，難以作出合理決策，可能濫用或曲解數(shù)據(jù)以符合個人利益或偏見，甚至導(dǎo)致錯誤的分析結(jié)論[16]。另一方面，學(xué)習(xí)分析技術(shù)的可信性問題普遍存在。學(xué)習(xí)分析技術(shù)可信性是其穩(wěn)健可靠的關(guān)鍵，但實踐中受多種因素影響[1]。第一，數(shù)據(jù)收集過程中數(shù)據(jù)量不足和潛在誤差問題可能導(dǎo)致分析結(jié)果普適性和準(zhǔn)確性低[17]。第二，分析方法或模型透明度低、解釋性差，使利益相關(guān)者難以信任模型決策，導(dǎo)致學(xué)習(xí)干預(yù)設(shè)計不足、分析結(jié)果反饋不落地[18]。第三，大部分學(xué)習(xí)分析模型在評估高階思維能力方面仍顯得捉襟見肘，進一步加劇技術(shù)可信性問題[19]。

三、生成式人工智能賦能學(xué)習(xí)分析的價值內(nèi)涵

在GenAI賦能教育教學(xué)和學(xué)習(xí)分析發(fā)展的雙向需求驅(qū)動下，為了深入剖析GenAI賦能學(xué)習(xí)分析的價值內(nèi)涵，本文借鑒 “術(shù)”與“器”的中國傳統(tǒng)哲學(xué)思想，將機器智能與人類智慧進行有機融合。其中，“術(shù)”是指形式、方式、技術(shù)層面的操作方法，“器”是指有形的物質(zhì)或工具[20]。在這一哲學(xué)觀照之下，本文深入分析GenAI作為學(xué)習(xí)分析“器”的特性和優(yōu)勢及其在學(xué)習(xí)分析過程中作為“術(shù)”的應(yīng)用價值，從而更精準(zhǔn)地把握其對學(xué)習(xí)分析的賦能作用。

（一）“術(shù)用”及其價值：促進利益相關(guān)者的智慧增長

GenAI賦能學(xué)習(xí)分析的“術(shù)用”價值，體現(xiàn)為它能幫助利益相關(guān)者優(yōu)化學(xué)習(xí)分析思路、輔助學(xué)習(xí)分析過程、提升學(xué)習(xí)分析素養(yǎng)。GenAI擁有出色的深層次語言理解和生成能力，能夠精準(zhǔn)地把握利益相關(guān)者的需求和意圖，可以根據(jù)利益相關(guān)者的訴求生成或優(yōu)化分析指標(biāo)、思路、步驟及方案，并以易于理解的方式呈現(xiàn)給利益相關(guān)者，這使得學(xué)習(xí)分析變得更加清晰、高效，不再受限于利益相關(guān)者的素養(yǎng)水平[21]。此外，在學(xué)習(xí)分析過程中，利益相關(guān)者可以全天候地與GenAI進行多元交互、有機協(xié)同，利用它們解答學(xué)習(xí)分析過程中的難題，養(yǎng)成智能時代的學(xué)習(xí)分析習(xí)慣和思維模式。更為重要的是，利益相關(guān)者可以通過GenAI進行持續(xù)學(xué)習(xí)，以促進學(xué)習(xí)分析技能和復(fù)雜問題解決能力的增長，并提升智能時代的學(xué)習(xí)分析素養(yǎng)[22]。

（二）“器用”及其價值：提高學(xué)習(xí)分析技術(shù)的可信性

GenAI賦能學(xué)習(xí)分析的“器用”價值，著重體現(xiàn)為其作為高效的學(xué)習(xí)分析工具能夠改進數(shù)據(jù)預(yù)處理工作、自動化數(shù)據(jù)分析任務(wù)、增強分析結(jié)果解釋性，極大地提高了學(xué)習(xí)分析技術(shù)的可信性。首先，憑借豐富的參數(shù)和訓(xùn)練數(shù)據(jù)，GenAI能捕捉數(shù)據(jù)復(fù)雜模式，靈活進行數(shù)據(jù)清洗、轉(zhuǎn)錄及增強等任務(wù)，為解決學(xué)習(xí)分析數(shù)據(jù)不足、難以利用等問題提供新思路。其次，友好的用戶交互界面和提示模型輸出，使利益相關(guān)者能通過自然語言輕松驅(qū)動自動化分析任務(wù)，并通過人類反饋強化學(xué)習(xí)機制不斷優(yōu)化分析結(jié)果[23]。再次，GenAI的解釋力幫助利益相關(guān)者理解分析結(jié)果的深層意義和價值，有望打開學(xué)習(xí)過程的“黑箱”，使分析結(jié)果更加可信。最后，GenAI的數(shù)據(jù)洞察能力有利于破除高階思維能力評價的難點[24]。

四、生成式人工智能賦能學(xué)習(xí)分析的實踐框架

學(xué)習(xí)分析包含分析目標(biāo)、數(shù)據(jù)類型、分析方法及利益相關(guān)者等核心要素[25]，主要涉及數(shù)據(jù)收集、信息處理、知識應(yīng)用三個關(guān)鍵環(huán)節(jié)[26]?；诖耍疚脑凇耙匀藶楸尽钡乃枷胍I(lǐng)下，結(jié)合GenAI賦能學(xué)習(xí)分析的“術(shù)用”與“器用”價值，構(gòu)建了包含確立目標(biāo)、數(shù)據(jù)采集、數(shù)據(jù)分析與處理、智慧應(yīng)用四個主要環(huán)節(jié)的實踐框架，如圖1所示。

（一）確立目標(biāo)

確立目標(biāo)是根據(jù)不同利益相關(guān)者具體的學(xué)習(xí)分析需求，明確其所需的數(shù)據(jù)及生成式人工智能的應(yīng)用方式，是學(xué)習(xí)分析的起點。具體而言，學(xué)習(xí)者的目標(biāo)在于感知自身和同伴的當(dāng)前學(xué)習(xí)進度、知識點掌握情況以及存在的學(xué)習(xí)問題。GenAI需要幫助他們直接分析和解析學(xué)習(xí)數(shù)據(jù)（如測試內(nèi)容等），并反饋學(xué)習(xí)情況、推薦學(xué)習(xí)內(nèi)容，從而及時幫助他們調(diào)整學(xué)習(xí)策略，提高學(xué)習(xí)效率。教師作為教學(xué)引導(dǎo)者，目標(biāo)在于掌握學(xué)習(xí)動態(tài)、預(yù)測教學(xué)效果[27]。他們需要借助GenAI深度分析和解析教學(xué)數(shù)據(jù)（如知識測試、自我報告、交互文本等），從而調(diào)整教學(xué)策略、實施教學(xué)干預(yù)。管理者的目標(biāo)在于評估教學(xué)效果、監(jiān)測教學(xué)質(zhì)量，他們需要利用GenAI和高級的數(shù)據(jù)分析方法分析教育教學(xué)狀況數(shù)據(jù)（如知識測試、課程評價、資源使用情況等），以全面監(jiān)測教學(xué)狀況，制定改進策略與政策，推動教育教學(xué)工作的持續(xù)改進[28]。研究者則致力于發(fā)現(xiàn)和解決教育問題，揭示教育現(xiàn)象背后的規(guī)律和本質(zhì)[29]。他們具有較高的數(shù)據(jù)科學(xué)素養(yǎng)，能夠結(jié)合GenAI和不同的分析方法綜合分析多維教育數(shù)據(jù)，促進教育理論的創(chuàng)新發(fā)展。

（二）數(shù)據(jù)采集

數(shù)據(jù)采集是指收集、整合和記錄各種數(shù)據(jù)來源的過程，是支持后續(xù)數(shù)據(jù)處理、分析、應(yīng)用的基礎(chǔ)工作。在多元教育環(huán)境中，學(xué)習(xí)數(shù)據(jù)的來源廣泛，類型多樣，特別是隨著多模態(tài)學(xué)習(xí)分析技術(shù)的發(fā)展，能夠采集大量反映學(xué)習(xí)者真實學(xué)習(xí)狀態(tài)、學(xué)習(xí)過程的數(shù)據(jù)。根據(jù)《學(xué)習(xí)分析手冊》[30]及現(xiàn)有研究的梳理[31]，學(xué)習(xí)分析的數(shù)據(jù)通常涉及文本數(shù)據(jù)、調(diào)查數(shù)據(jù)、行為數(shù)據(jù)、生理數(shù)據(jù)。其中，文本數(shù)據(jù)可以通過收集會話內(nèi)容、人工制品、訪談、錄音等方式采集；調(diào)查數(shù)據(jù)可以通過量表、文件、學(xué)習(xí)檔案袋等方式收集，如知識測試、自我報告等；行為數(shù)據(jù)可以通過行為日志、視頻錄制、出聲思維等方式采集；生理數(shù)據(jù)可以通過攝像機、傳感器、手環(huán)、腦電儀等設(shè)備采集。GenAI不僅可以為利益相關(guān)者采集數(shù)據(jù)提供指導(dǎo)和建議，還與他們共同成為多元學(xué)習(xí)環(huán)境中的數(shù)據(jù)生產(chǎn)者。按照不同的功能和應(yīng)用范圍，GenAI可以分為通用模型（如ChatGPT、文心一言）、領(lǐng)域模型（如EduChat）和集成應(yīng)用（如BingChat）。在嵌入GenAI的教育環(huán)境中，學(xué)習(xí)者與GenAI的交互過程數(shù)據(jù)也是探索生成式人工智能作用機制、理解學(xué)習(xí)過程的主要依據(jù)，包括交互行為、頻率、內(nèi)容、時間等數(shù)據(jù)[32]。

（三）數(shù)據(jù)處理與分析

數(shù)據(jù)采集與分析是對上一階段采集到的數(shù)據(jù)進行一系列的處理和分析，以提取有效信息，發(fā)現(xiàn)學(xué)習(xí)模式和教育規(guī)律。在實踐框架中，“術(shù)用”模塊側(cè)重于GenAI幫助利益相關(guān)者進行數(shù)據(jù)分析的技術(shù)應(yīng)用和策略選擇，而“器用”模塊則更強調(diào)利益相關(guān)者將GenAI作為數(shù)據(jù)分析工具。這兩個模塊相互關(guān)聯(lián)、協(xié)同配合，共同支撐起數(shù)據(jù)處理、數(shù)據(jù)分析和評估解釋。

1. 數(shù)據(jù)處理階段

在處理視頻、腦電等特殊的數(shù)據(jù)類型時，GenAI可以作為“術(shù)用”，提供精準(zhǔn)的指導(dǎo)和建議，彌補利益相關(guān)者專業(yè)知識欠妥的問題。憑借強大的意圖理解能力和內(nèi)容生成能力，它能夠準(zhǔn)確把握利益相關(guān)者的需求，進而在數(shù)據(jù)預(yù)處理、數(shù)據(jù)轉(zhuǎn)錄、數(shù)據(jù)表征等關(guān)鍵環(huán)節(jié)中提供細(xì)致入微的指引，甚至可以直接幫助利益相關(guān)者編寫執(zhí)行特定數(shù)據(jù)處理任務(wù)的代碼，提升數(shù)據(jù)處理效率。在處理文本數(shù)據(jù)、調(diào)查數(shù)據(jù)等GenAI擅長的數(shù)據(jù)時，它可以作為“器用”展現(xiàn)自動化處理優(yōu)勢，能夠高效完成數(shù)據(jù)轉(zhuǎn)錄、清洗、增強、表征等任務(wù)。在數(shù)據(jù)轉(zhuǎn)錄方面，憑借其多模態(tài)分析能力，它能夠處理、理解和生成圖像、語音、文本等多種數(shù)據(jù)，豐富學(xué)習(xí)分析數(shù)據(jù)源。在數(shù)據(jù)清洗方面，它能夠自動處理異常值、缺失值，轉(zhuǎn)化非結(jié)構(gòu)化數(shù)據(jù)，提取關(guān)鍵特征，提升數(shù)據(jù)質(zhì)量和分析準(zhǔn)確性。此外，它還可以增強、合成數(shù)據(jù)，或者模擬教育情境產(chǎn)生數(shù)據(jù)，能夠有效解決教育領(lǐng)域數(shù)據(jù)集少、獲取困難的問題，并降低倫理和隱私風(fēng)險[6]。在數(shù)據(jù)表征方面，它能夠完成數(shù)據(jù)規(guī)模較大、人工處理無法實現(xiàn)的數(shù)據(jù)標(biāo)注、信息捕捉等工作[10]。

2. 數(shù)據(jù)分析階段

在需要運用特定的分析工具深度分析數(shù)據(jù)時，GenAI可以發(fā)揮“術(shù)用”價值。它可以根據(jù)數(shù)據(jù)特性和利益相關(guān)者需求，推薦恰當(dāng)?shù)姆治龇椒ê凸ぞ?，并提供這些方法和工具的基本原理、使用步驟及應(yīng)用場景的深入講解，覆蓋統(tǒng)計分析（如描述性統(tǒng)計、相關(guān)性分析、回歸分析）、數(shù)據(jù)挖掘（如預(yù)測、聚類、分類、系列挖掘）及其他方法（如社會網(wǎng)絡(luò)分析、認(rèn)知網(wǎng)絡(luò)分析、多模態(tài)學(xué)習(xí)分析等）。通過與GenAI交互學(xué)習(xí)，利益相關(guān)者的數(shù)據(jù)分析能力將得到顯著提升[33]。而作為“器用”，GenAI支持動態(tài)交互式分析，允許利益相關(guān)者實時自定義分析指標(biāo)并優(yōu)化，它能夠快速響應(yīng)并提供分析結(jié)果，避免了煩瑣、高成本的分析過程。然而，由于GenAI通常基于公共數(shù)據(jù)集訓(xùn)練而來，其在學(xué)習(xí)分析領(lǐng)域的準(zhǔn)確率可能不足。為此，利益相關(guān)者可采用微調(diào)和提示學(xué)習(xí)方法，使模型更好地適應(yīng)學(xué)習(xí)分析需求，如圖2所示。微調(diào)通過特定數(shù)據(jù)集訓(xùn)練調(diào)整模型參數(shù)和權(quán)重，而提示學(xué)習(xí)則優(yōu)化輸入提示引導(dǎo)模型產(chǎn)生期望結(jié)果，包括Zero-shot和Few-shot模式，前者依賴模型直接根據(jù)輸入生成輸出，后者則通過提供少量示例指導(dǎo)模型[11]，這在Garg等的研究[11]中得到驗證。

3. 評估解釋階段

首先，作為“術(shù)用”，GenAI為利益相關(guān)者提供可視化呈現(xiàn)建議，助力直觀理解數(shù)據(jù)分析結(jié)果的信息與價值[34]。其次，它還能幫助利益相關(guān)者解讀相關(guān)數(shù)據(jù)分析結(jié)果的評價指標(biāo)，以易懂方式展示其含義和重要性。再次，它還有利于相關(guān)者拓寬結(jié)果解釋視角，引導(dǎo)他們利用教育學(xué)、心理學(xué)的相關(guān)理論對分析結(jié)果進行更全面的解釋。在“器用”方面，GenAI能夠自動生成學(xué)習(xí)分析報告，直觀展示分析結(jié)果和詳細(xì)解釋，支持對復(fù)雜數(shù)據(jù)的意義表達(dá)，促進利益相關(guān)者思考和評估。最后，它還能夠根據(jù)分析結(jié)果生成具體決策建議和方案，如Hutt等使用ChatGPT分析同伴反饋質(zhì)量并生成解釋，并討論了其提供學(xué)習(xí)反饋的潛力[7]。然而，由于領(lǐng)域特定分析可能存在偏差或不確定性，利益相關(guān)者需對分析結(jié)果、解釋及決策質(zhì)量進行適當(dāng)監(jiān)督和驗證。

（四）智慧應(yīng)用

智慧應(yīng)用旨在通過GenAI賦能學(xué)習(xí)分析的“術(shù)”與“器”，共同作用于不同目標(biāo)導(dǎo)向下的教育實踐，推動學(xué)習(xí)、教學(xué)、管理及理論發(fā)展的持續(xù)優(yōu)化。在優(yōu)化學(xué)習(xí)方面，利用GenAI的“器用”，根據(jù)學(xué)習(xí)分析結(jié)果自動地為學(xué)習(xí)者提供個性化的學(xué)習(xí)報告、反饋、資源及學(xué)習(xí)路徑推薦，幫助學(xué)習(xí)者感知學(xué)習(xí)狀態(tài)、提升學(xué)習(xí)效率[5]。同時，通過“術(shù)用”提供如學(xué)習(xí)分析儀表盤、群體感知工具、學(xué)習(xí)成績預(yù)警等干預(yù)方式的實施建議，彌補GenAI進行學(xué)習(xí)反饋的不足。優(yōu)化教學(xué)方面，“術(shù)”與“器”的結(jié)合助力教師精準(zhǔn)施策。教師利用GenAI分析學(xué)習(xí)數(shù)據(jù)，洞察學(xué)習(xí)者狀態(tài)，并自動地實施教學(xué)干預(yù)[8]。憑借GenAI在教學(xué)設(shè)計和教學(xué)評估上的建議，教師可以更科學(xué)、靈活地調(diào)整教學(xué)策略和學(xué)習(xí)活動。例如，Pishtari等發(fā)現(xiàn)人工智能驅(qū)動的反饋對教學(xué)設(shè)計質(zhì)量的積極影響[9]。此外，教師可以通過GenAI“術(shù)”的支撐，提升教學(xué)評價設(shè)計、實施方面的能力。在優(yōu)化管理上，GenAI賦能的學(xué)習(xí)分析可以促進教育管理和決策更加科學(xué)。在“器用”層面，教育管理人員可以集成GenAI到數(shù)據(jù)分析平臺以綜合分析各地區(qū)、學(xué)校、學(xué)科等海量數(shù)據(jù)，精準(zhǔn)識別教育需求，完善教學(xué)內(nèi)容和課程結(jié)構(gòu)，輔助教育決策，提高教育管理效率。在“術(shù)用”層面，它不僅提供了高效的數(shù)據(jù)處理與分析方法，幫助教育管理人員提升數(shù)據(jù)洞察和教育決策能力，還可以從多維視角為管理人員決策提供科學(xué)的建議。在優(yōu)化理論上，教育研究者可以“術(shù)用”GenAI產(chǎn)生學(xué)習(xí)分析方案，以驗證基于理論設(shè)計的不同教學(xué)策略、教學(xué)活動及教學(xué)方法的有效性，“器用”GenAI對學(xué)習(xí)分析結(jié)果進行剖析以驗證理論觀點或假設(shè)，進而拓展和豐富教學(xué)、學(xué)習(xí)理論。

五、生成式人工智能賦能學(xué)習(xí)分析的實踐案例

當(dāng)前GenAI賦能的學(xué)習(xí)分析特別是其“術(shù)用”價值，仍處于探索階段，但其“器用”價值已經(jīng)逐漸清晰。例如，Hou等的研究提供了一個實踐案例，展示了如何利用GPT的提示工程和微調(diào)方法對學(xué)習(xí)者的協(xié)作閱讀注釋和評論進行深度分析，如圖3所示。其分析過程基本吻合生成式人工智能賦能學(xué)習(xí)分析的實踐框架中的內(nèi)容，充分考慮了GenAI賦能學(xué)習(xí)分析的“器用”價值，證明了GenAI提供即時性學(xué)習(xí)分析和反饋的能力。

六、生成式人工智能賦能學(xué)習(xí)分析的發(fā)展路向

（一）關(guān)注智能素養(yǎng)培育，邁向人智協(xié)同的學(xué)習(xí)分析范式

GenAI降低了學(xué)習(xí)分析技術(shù)的門檻，掌握其應(yīng)用已成為未來必備技能，不善于利用者將難以有效輸入提示、判斷結(jié)果，更無法融入學(xué)習(xí)分析任務(wù)。更為嚴(yán)重的是，若無法驗證GenAI生成的分析結(jié)果，可能導(dǎo)致決策失誤，對教學(xué)質(zhì)量和學(xué)習(xí)效果產(chǎn)生負(fù)面影響。因此，未來學(xué)習(xí)分析需更關(guān)注利益相關(guān)者的人工智能素養(yǎng)培育，包括批判性評估、有效溝通協(xié)作及工具應(yīng)用能力。無論將GenAI作為學(xué)習(xí)分析的“術(shù)用”，還是作為“器用”，人都應(yīng)該始終發(fā)揮主導(dǎo)作用，只有提升人工智能素養(yǎng)，才能促進人智協(xié)同的學(xué)習(xí)分析范式形成，提升教育評估質(zhì)量。

（二）注重多種技術(shù)兼容，促進分析變革培養(yǎng)的創(chuàng)新發(fā)展

GenAI在數(shù)據(jù)生成和信息解析上具有優(yōu)勢，但目前主要應(yīng)用于文本數(shù)據(jù)分析，難以全面支持復(fù)雜學(xué)習(xí)活動、過程及學(xué)習(xí)者內(nèi)部學(xué)習(xí)機理的深入分析。相比之下，一些傳統(tǒng)學(xué)習(xí)分析方法如機器學(xué)習(xí)、社會網(wǎng)絡(luò)分析等能分析學(xué)習(xí)者的社會或認(rèn)知過程。因此，未來應(yīng)兼容并蓄，結(jié)合生成式人工智能與傳統(tǒng)方法，全面建模學(xué)習(xí)過程與結(jié)果，為個性化、適應(yīng)性學(xué)習(xí)提供基礎(chǔ)，實現(xiàn)學(xué)習(xí)分析技術(shù)變革能力培養(yǎng)。同時，多模態(tài)分析技術(shù)的新進展可與GenAI共同揭示更復(fù)雜的學(xué)習(xí)過程和規(guī)律，破除增值評價的實踐障礙，實現(xiàn)全方位、全過程的學(xué)習(xí)評價。

（三）重視分析倫理規(guī)范，推動可信的學(xué)習(xí)分析生態(tài)構(gòu)建

GenAI賦能學(xué)習(xí)分析在推動教育創(chuàng)新的同時，也帶來倫理和公平問題。如數(shù)據(jù)不正當(dāng)使用或泄露威脅隱私安全，算法不完善或訓(xùn)練數(shù)據(jù)不良導(dǎo)致不公平結(jié)果，產(chǎn)生偏見和歧視，并且模型內(nèi)部運作機制不透明[4]。因此，未來研究在解決技術(shù)倫理問題上刻不容緩。首先，開發(fā)人員需要重點提升GenAI模型透明度，增強公信力。其次，管理部門還應(yīng)建立健全的倫理規(guī)范監(jiān)督機制，確保其符合倫理規(guī)范。最后，還應(yīng)該提高利益相關(guān)者的倫理素養(yǎng)，維護教育主體隱私權(quán)，共同推動構(gòu)建可信的學(xué)習(xí)分析生態(tài)，促進GenAI與學(xué)習(xí)分析的健康發(fā)展。

[參考文獻(xiàn)]

[1] 郭婉瑢，馮曉英，宋佳欣． 學(xué)習(xí)分析能夠支持學(xué)習(xí)設(shè)計決策嗎？——設(shè)計分析視角下的學(xué)習(xí)分析系統(tǒng)性文獻(xiàn)綜述[J]． 電化教育研究，2023，44（8）：63-70．

[2] 吳林靜，涂鳳嬌，馬鑫倩，等． 人工智能視域下的在線協(xié)作會話分析：概念模型及應(yīng)用[J]． 電化教育研究，2023，44（1）：70-76，99．

[3] RATTEN V， JONES P． Generative artificial intelligence （ChatGPT）： implications for management educators[J]． The international journal of management education，2023，21（3）：100857．

[4] YAN L X， MARTINEZ-MALDONADO R， GASEVIC D． Generative artificial intelligence in learning analytics： contextualising opportunities and challenges through the learning analytics cycle[C]//Proceedings of the 14th Learning Analytics and Knowledge Conference． Kyoto， Japan： ACM，2024：101-111．

[5] PHUNG T， P？魤DUREAN V A， SINGH A， et al． Automating human tutor-style programming feedback： leveraging GPT-4 tutor model for hint generation and GPT-3.5 student model for hint validation[C]//Proceedings of the 14th Learning Analytics and Knowledge Conference． Kyoto， Japan： ACM， 2024：12-23．

[6] SONKAR S， CHEN X H， LE M， et al． Code soliloquies for accurate calculations in large language models[C]//Proceedings of the 14th Learning Analytics and Knowledge Conference． Kyoto， Japan： ACM，2024：828-835．

[7] HUTT S， DEPIRO A， WANG J， et al． Feedback on feedback： comparing classic natural language processing and generative AI to evaluate peer feedback[C]//Proceedings of the 14th Learning Analytics and Knowledge Conference． Kyoto， Japan： ACM，2024：55-65．

[8] SURAWORACHET W， SEON J， CUKUROVA M． Predicting challenge moments from students' discourse： a comparison of GPT-4 to two traditional natural language processing approaches[C]//Proceedings of the 14th Learning Analytics and Knowledge Conference．Kyoto， Japan：ACM，2024：473-485．

[9] PISHTARI G， SARMIENTO-M？譧RQUEZ E， RODR？魱GUEZ-TRIANA M J， et al． Mirror mirror on the wall， what is missing in my pedagogical goals？ The Impact of an AI-Driven Feedback System on the Quality of Teacher-Created Learning Designs[C]//Proceedings of the 14th Learning Analytics and Knowledge Conference． Kyoto， Japan： ACM，2024：145-156．

[10] HOU C Y， ZHU G X， ZHENG J， et al． Prompt-based and fine-tuned GPT models for context-dependent and-independent deductive coding in social annotation[C]//Proceedings of the 14th Learning Analytics and Knowledge Conference． Kyoto， Japan：ACM，2024：518-528．

[11] GARG R， HAN J， CHENG Y X， et al． Automated discourse analysis via generative artificial intelligence[C]//Proceedings of the 14th Learning Analytics and Knowledge Conference． Kyoto， Japan： ACM，2024：814-820．

[12] SIEMENS G， BAKER R S J D． Learning analytics and educational data mining： towards communication and collaboration[C]//Proceedings of the 2nd International Conference on Learning Analytics and Knowledge． Vancouver， Canada： ACM，2012：252-254．

[13] 陳雅云，郭勝男，馬曉玲，等． 數(shù)智融合時代學(xué)習(xí)分析技術(shù)的演進、貢獻(xiàn)與展望——2021學(xué)習(xí)分析與知識國際會議（LAK）評述[J]． 遠(yuǎn)程教育雜志，2021，39（4）：3-15．

[14] 李海峰，王煒． 學(xué)習(xí)分析研究：基本框架和核心問題——2022版《學(xué)習(xí)分析手冊》的要點與思考[J]． 開放教育研究，2022，28（6）：60-71．

[15] MICHOS K， SCHMITZ M L， PETKO D． Teachers' data literacy for learning analytics： a central predictor for digital data use in upper secondary schools[J]． Education and information technologies，2023，28（11）：14453-14471．

[16] POZDNIAKOV S， MARTINEZ-MALDONADO R， TSAI Y S， et al． How do teachers use dashboards enhanced with data storytelling elements according to their data visualisation literacy skills？[C]//13th International Learning Analytics and Knowledge Conference．Arlington， USA： ACM，2023：89-99．

[17] WHANG S E， ROH Y， SONG H， et al． Data collection and quality challenges in deep learning：a data-centric AI perspective[J]．The VLDB journal，2023，32（4）：791-813．

[18] 李艷，朱雨萌，翟雪松． 疫情影響下技術(shù)賦能高等教育變革的趨勢及啟示——基于2020—2022年《地平線報告》的比較研究[J]．現(xiàn)代教育技術(shù)，2022，32（8）：14-25．

[19] MAO J， CHEN B， LIU J C. Generative artificial intelligence in education and its implications for assessment[J]. TechTrends， 2024， 68（1）：58-66.

[20] 徐曄． 高等職業(yè)教育智能生態(tài)系統(tǒng)：內(nèi)涵、結(jié)構(gòu)與實踐路徑[J]． 中國遠(yuǎn)程教育，2021（7）：18-24．

[21] 白雪梅，郭日發(fā)． 生成式人工智能何以賦能學(xué)習(xí)、能力與評價？[J]． 現(xiàn)代教育技術(shù)，2024，34（1）：55-63．

[22] 王一巖，劉淇，鄭永和． 人機協(xié)同學(xué)習(xí)：實踐邏輯與典型模式[J]． 開放教育研究，2024，30（1）：65-72．

[23] 褚樂陽，王浩，陳向東． 面向大語言模型的青少年人工智能教育[J]． 中國電化教育，2024（4）：32-44．

[24] HADAS E， HERSHKOVITZ A． Using large language models to evaluate alternative uses task flexibility score[J]． Thinking skills and creativity，2024，52：101549．

[25] GRELLER W， DRACHSLER H. Translating learning into numbers： a generic framework for learning analytics[J]． Journal of educational technology amp; society，2012，15（3）：42-57．

[26] KHALIL M， EBNER M. Learning analytics： principles and constraints[C]// Edmedia： World Conference on Educational Media and Technology. Montreal， Canada： Association for the Advancement of Computing in Education（AACE），2015：1789-1799.

[27] 周進，葉俊民，李超． 多模態(tài)學(xué)習(xí)情感計算：動因、框架與建議[J]． 電化教育研究，2021，42（7）：26-32，46．

[28] 張學(xué)波，李王偉，張思文，等． 數(shù)據(jù)使能教學(xué)決策的發(fā)展——從數(shù)據(jù)教育應(yīng)用到多模態(tài)學(xué)習(xí)分析支持教學(xué)決策[J]． 電化教育研究，2023，44（3）：63-70．

[29] 何偉光，李均． ChatGPT何以變革教育研究范式[J]． 深圳大學(xué)學(xué)報（人文社會科學(xué)版），2023，40（5）：15-25．

[30] GRAY G， BERGNER Y． A practitioner's guide to measurement in learning analytics： decisions， opportunities， and challenges[M]//The Handbook of Learning Analytics． Vancouver， Canada：SOLAR，2022：20-28．

[31] 張家華，胡惠芝，黃昌勤． 多模態(tài)學(xué)習(xí)分析技術(shù)支持的學(xué)習(xí)評價研究[J]． 現(xiàn)代教育技術(shù)，2022，32（9）：38-45．

[32] 孫丹，朱城聰，許作棟，等． 基于生成式人工智能的大學(xué)生編程學(xué)習(xí)行為分析研究[J]． 電化教育研究，2024，45（3）：113-120．

[33] XING Y X． Exploring the use of ChatGPT in learning and instructing statistics and data analytics[J]． Teaching statistics，2024，46（2）：95-104．

[34] 肖君，白慶春，陳沫，等． 生成式人工智能賦能在線學(xué)習(xí)場景與實施路徑[J]． 電化教育研究，2023，44（9）：57-63，99．

Generative Artificial Intelligence Empowering Learning Analytics： Value Implications， Practical Framework and Developmental Direction

YE Junmin1，" YIN Xinghan2，" YU Shuang2，" LIU Qingtang2，" LUO Sheng1

（1.School of Computer， Central China Normal University， Wuhan Hubei 430079;

2.Faculty of Artificial Intelligence in Education， Central China Normal University， Wuhan Hubei 430079）

[Abstract] Generative AI is emerging in the field of education， and its outstanding performance in data processing， analysis and generation provides an important opportunity to solve the problems of insufficient stakeholder literacy and weak technical credibility faced by learning analytics， which is of far-reaching significance for deepening the reform of education evaluation. However， the value connotation， practical framework and development direction of generative AI-enabled learning analytics are still unclear. Therefore， the study first analyses the value connotation of generative AI-enabled learning analytics from the dual perspectives of \"technological application\" and \"instrumental use\". Secondly， it constructs and explains the practical framework of generative AI-enabled learning analytics from four aspects of establishing goals， data collection， data processing and analysis， and intelligent application， so as to provide reference for the practice of learning analytics. Finally， based on the current situation of generative AI-enabled learning analytics， the study concludes that in the future， it is necessary to pay attention to the cultivation of intelligent literacy for moving to the learning analytics paradigm of human-intelligence synergy， focus on the compatibility of multiple technologies in order to promote the innovative development of analytical transformation cultivation and emphasize the analytical ethical norms in order to promote the construction of a credible learning analytics ecosystem.

[Keywords]" Generative Artificial Intelligence; Learning Analytics; Value Connotations; Practical Framework; Development Direction