国外高校学习分析应用案例探析.docVIP

国外高校学习分析应用案例探析 　　摘要：学习分析可以帮助教师更加全面地了解学生，挖掘深层问题，同时可视化的反馈也可以使学生自我诊断并及时修正。本文从西蒙斯过程模型入手，解读了四个关键环节：数据类型、分析过程、追踪预测、个性化或适应。笔者使用模型框架对国外三所高校实际案例的具体环节进行概述性分析，对比了学习分析在应用过程中的差异及其可能产生的原因，并提出相关建议。 　　关键词：学习分析；过程模型；案例比较 　　中图分类号：G434 文献标识码：A 论文编号：1674-2117（2016）13/14-0142-04 　　● 引言 　　近年来，随着高等教育信息化的深入研究与技术的普及，越来越多的国内外专家学者开始重视学习分析技术的理论与实践研究，2010―2013年连续四年，新媒体联盟和美国高校教育信息化协会提出了学习分析技术，并预测其将成为教育技术领域的主流技术。[1]这一技术的提出使得传统教学中无差别化的大班教育模式的弊病逐渐得到改善，教师一味灌输、学生单纯接受的学习方式逐渐变成以学生为中心，尊重个体差异化，“因材施教”变成了可能。 　　国内已有的研究大多以模型对比分析或基于概念框架的案例分析为主，从构成要素、分析方法、分析工具等多维度入手对案例进行解读。但很少有研究从学习分析的各个环节对案例进行剖析，因此笔者借助西蒙斯学习分析过程模型对案例展开对比分析，从数据类型、分析过程、追踪预测、个性化或适应四个环节对三所国外高校的具体应用案例进行对比分析，寻求不同项目之间的差异及其原因，为建立更为普适性的模型奠定基础，同时为国内相关案例的开展提供借鉴。 　　● 国外案例分析框架 　　1.概述 　　模型是科学研究的重要工具，本文使用西蒙斯学习分析过程模型对来自英属哥伦比亚大学“自我导向学习”、美国普渡大学“课程信号”、马里兰大学“自我检查活动”进行四个关键环节的对比分析，得到不同案例之间的共通性与差异性。 　　2.案例分析框架 　　（1）学习分析过程框架 　　在西蒙斯的学习分析过程模型中[2]（如右图），数据来源主要分为两类，一类是由学习管理系统、课程管理系统产生的数据，或来自移动设备、社交媒体的交互数据，这类数据用于分析学习者特征以及所处情境并生成学习者档案；另一类是来自课程、作业、测验成绩等具体学习数据，通过使用语义分析以及连接技术得到有关课程知识习得情况的智能数据。经过两类学习数据以及实时数据追踪进行分析计算，并合理建模预测，系统根据预测结果推送个性化学习资源、工具等。学生进行自我诊断并自适应，教师进行及时干预、警告和协助。 　　（2）具体环节 　　①数据类型主要分为学习者数据以及智能数据两类，在学习者数据中学习行为类型可分为活动参与度（登录平台次数、平台在线时长、课程访问数量）、积极性（新消息查看时间、新任务查看时间、作业提交时间）、态度（教学材料的点击次数、课程资源浏览时长）、自我诊断（根据教师反馈修改次数、修改及时性、修改时长）四个方面，智能数据可分为同伴协作（讨论区提问次数、解答回复次数、回复内容被赞频率）、学习效果（作业测验完成百分比、测试成绩、作业评定）两个方面。 　　②分析过程指通过社会网络分析法、语义分析法、内容分析法、统计法、数据挖掘[4]等学习分析技术对搜集到的数据结合情境因素进行深入分析阐释，了解学习者的学习过程、学习需求，形成学习者风格，分析复杂的交互过程，建构预测模型。 　　③追踪预测环节通过对学习者的数据进行实时追踪，使用已有的预测模型，对学习者的学习结果进行预测，对高危学生提出预警，并根据实时数据对预测结果不断修正。 　　④个性化或适应[3]作为学习分析的最终目标，一方面指系统个性化向学习者推荐学习资源、同伴、工具、路径等，根据不同学习者的特征以及学习进度进行推送。同时教师根据可视化分析给予学生相应的帮助，选取不同的教学策略有针对性地对学生进行指导。另一方面，学生自我诊断，实现学习者对资源的自主建构，提高主观能动性。 　　3.案例描述与分析 　　（1）英属哥伦比亚大学“自我导向学习” 　　【项目目标】为了对学生学习成绩预测的各项指标进行合理建模，以便为学习者的自我导向提供支持，英属哥伦比亚大学对学生三个学期基于Blackboard的在线生物课程数据进行回归分析并建模，使得学习者可以进行自我监控，在掌握学习数据的同时与同伴进行比较，以了解自己的优势与不足。 　　【项目流程】通过对课程内容的访问、论坛、聊天室、测验、自主交流工具等方面的分析，将与学习者学业成绩呈显著相关的变量归纳为3个关键变量，为了得到有效的LMS追踪数据，只保留完成所有课程的学生数据，最终选取了118名学生作为样本。[5] 　　其中，使用编写工具、搜索功能、访问成绩、查看资料等操作记录作