[中图分类号]G434 [文献标识码]A [文章编号]1007-2179(2016)05-0034-12 一、改进教学的学习分析诉求 随着信息技术在教育领域的深入应用，在线学习平台、学习管理系统、自适应教学系统、教育云服务等应用迅速崛起，相应的行为数据和学习数据以指数级增长。学习分析技术以为学习者提供个性化学习服务、为教学过程提供准确的改进策略为目标，成为技术增强学习(Technology-Enhanced Learning，简称TEL)领域又一重要技术(Ferguson，2012)。在学的方面，学习分析技术能整合与学习者相关的背景信息、学习过程数据，运用多类分析方法和数据模型解释与预测学习者的学习表现(Lee,et al.，2016)，也能基于行为数据和学习轨迹分析，提供基于个性化需求的学习路径和适应性帮助(Jovanovic,et al.，2008)；在教的方面，学习分析技术可以用于评估和优化课程，为教师提供基于证据的针对性教学干预(Chen,et al.，2005)，以及更为深入的教学建议。可以看到，学习分析技术具有支持学生自我改进学习，支持教师优化教学的潜力(顾小清等，2012)。因此，如何利用学习分析技术有效促进教学实践，以及如何借助成熟的理论与模型将其在教育应用中“落地”，成为研究者关注的热点。 自首届“学习分析与知识国际会议”(The International Conference on Learning Analytics & Knowledge，简称LAK)2011年在加拿大阿尔伯特省班芙市举办以来，迄今已六届，但无论是最初探讨学习分析技术的定义、内涵、相关理论(LAK，2011；2013)，还是后来探寻理论发展与实践发展的交叉点(LAK，2014)，以及如何实现从大数据到大效应的影响扩大(LAK，2015)，该会议主题都围绕学习者的行为分析、结果评价等展开，不曾深入涉及教学实践分析。直到2016年，该会议才出现研讨教学分析与教师分析(Teaching and Teacher Analytics)方面的主题，专家开始关注基于数据的教学分析，以提供更好的教学干预与教师帮助。这一趋势显示，学习分析技术已逐步在教学实践及学习改进方面获得重视。然而，除了上述关于学习分析研究的会议及相关成果外，学习分析技术能够用于支持教学实践的具体成果尚不多(金慧等，2016)。来自实践的诉求——如何以学习分析的研究成果为改进教与学提供指南——越来越强烈。学习分析如何才能支持和实现教学实践的改进?在教学中还有哪些可能的应用?本文试图对此进行探究。 二、以学习分析改进教学的数据可能性 (一)学习分析技术概览 学习分析技术作为从海量数据中提取隐含、潜在信息的工具，能够通过对这些海量数据的处理获得对学习过程更全面且深刻的认识，同时也能够为学习者提供更智能和个性化的教学辅助策略。2012年，美国发布的《通过教育数据挖掘和学习分析促进教与学》报告指出，大数据在教育中的应用包括两大领域：教育数据挖掘和学习分析技术。教育数据挖掘作为一个新兴研究领域，借助统计学、机器学习和数据挖掘等方法(如构建预测模型、学习者聚类分析和关系数据挖掘等)，分析教与学过程中产生的数据；另外，学习分析技术需要测量、收集、分析和报告有关学生及其学习环境、过程的数据，涉及信息技术学、社会学、计算机科学、统计学、心理学和学习科学等多个学科，其应用能直接影响教学实践，促进个性化教与学的实现，优化学习路径，改进教育决策(Siemens & Long，2011；Siemens，et al.，2011)。两者区别主要在于：教育数据挖掘的目的在于开发新的算法和模型，学习分析技术则是应用已有的模式和方法理解学习过程和学习行为。特别是，学习分析技术注重监测和预测学生的学习成绩，及时发现潜在问题，为教学过程提出有针对性的改进策略和教育决策，比如通过仪表盘或构建图形化模型等方式对学习过程进行评估、追踪预测和分析以实现个性化学习(胡艺龄等，2014)。可见，学习分析技术是回归教育本质，以学习者为对象，以教育数据驱动的方式改进教学实践、促进学习者个性化发展的方法和技术。 (二)学习分析技术的数据需求 正如上文所述，学习分析技术具有对数据进行总览性描述和分析、推动个性化学习的潜力。然而，对于学习分析框架与技术流程的设计，学者们的观点不同。西蒙斯(Siemens，2010)认为，学习分析的过程是以数据为核心的分析环路，包括收集数据(如学习者数据、智能数据、个人学习档案)、存储数据、清洗数据、整合数据、分析数据、数据可视化和执行(如预测、干预、教学改进)等；布朗(Brown，2011)将学习分析过程整合为数据收集、分析、学习者学习、报告反馈和干预指导五个步骤；沙缇等(Chatti，et al.，2012)指出，学习分析是将教育数据转化为有用的行为来促进学习的过程，这个过程是循环、迭代的，其模型包括数据收集和预处理、分析与采取措施以及后处理。 综合上述理论框架可以看出，已有学习分析框架大多涉及技术方法和可用数据，特别强调数据的重要性。西蒙斯(Siemens，2010)就认为获取大量数据是学习分析产生的驱动力，包括学习者发布的数据、智能语义数据和关联数据等；弗格森(Ferguson，2012)也提出，大数据技术、教育、政治和经济因素是驱动学习分析发展的主要动力，数据是学习分析技术的核心要素。
