学习活动流一个学习分析行为模型.docVIP

学习活动流一个学习分析行为模型 　　[摘要]智慧教育体现了教育信息化发展的新境界，表达了一种技术以智慧性方式促进教育变革与创新的诉求，这一目标的实现离不开学习分析技术。学习分析的核心就是观察和理解学习行为，以倒溯方式考察影响行为产生的需要、动机等因素，以及行为所携带的目的、个性、环境等元素，从而加以利用以优化学习过程及其发生的环境。而一个好的行为模型将大大助力于对这些信息的收集、分析与理解。学习活动流模型的提出补充了以往学习行为分析所没考虑的学习来源的多元化以及学习活动的持续性问题。借鉴活动流的描述机制，情景化注意元数据被加以改造并得到学习活动流的描述模型，而基于学习活动流的学习情境分析则探讨了对这一行为模型的学习分析应用，并以信息感知和资源推送为例展示了其实践应用。 　　[关键词]学习分析；学习活动流；学习行为；学习情境；智慧教育 　　[中图分类号]G420 [文献标识码]A [文章编号]1672-0008（2013）04-0020-09 　　一、引言 　　当前，教育信息化正进入融合创新的发展新阶段。这一阶段的建设与应用似乎越来越讲求严谨的决策论证和信服的评判依据，以及对于教育成效与卓越的追求。这一发展趋势可以说表现了一种技术以洞察性、连通性、智慧性方式推进教育变革、实现教育创新的新诉求和新境界。这一新境界亦被相关业界以一全新的概念“智慧教育（Smart Education）”称之。虽然智慧教育最早是在商业领域孕育发生，但当前正在教育领域中悄然掀起并加剧进化。要达成智慧教育的愿景，无论是从设计者的视角建构学习环境的支撑，从教育者的视角设计教学方法的催导，还是从学习者的视角实施学习过程的实践，学习分析技术（Learning Analytics）都是其中不可或缺的核心技术的推动力。 　　学习分析技术实质上是一种数据分析技术。Malcolm Brown（2011）将其称之为继整合企业架构、引入社会网络和云应用两次转变之后教育技术发展的第三次浪潮。地平线报告（Horizon Report）从2010年起连续三个年度预测了该项技术在未来2-3年内对教与学活动的潜在巨大影响。在国际上，“学习分析技术与知识”国际会议（The International Conference on Learning Analytics and Knowledge）自2011年首度召开之后，使得这一新兴研究领域的规模迅速扩大。在国内，2012年后陆续有不少学者敏感地捕捉到这一发展热点，积极介绍此项技术并对其今后的发展和教育应用进行了热烈的讨论与展望。 　　学习分析技术其实就是对数据背后所隐藏的信息加以发现和理解并有效进行利用（或干预或预测）的研究，从而追求最大的教育效益。在这一过程中，技术不再是以往预设、固有、“无知”的方式，而是以一种洞察和灵变的“智慧”方式影响教与学的活动。进而实现智慧教育的升华。毋庸置疑。这一应用要实现的首要问题之一就是被分析数据的模型建构旧。George Siemens（2011）认为我们无论去哪或做什么，都会留下数据痕迹。Malcolm Brown（2011）将其称之为“数字面包屑”（digital breadcrumbs）。这些行为数据以学习者主动或被动的、知觉或不知觉的形式被记录下来，充满了价值，揭示了我们的情感、态度、社会联系、观点、意图和需求。一个好的数据模型将大大助力于对这些信息的收集、分析与理解。而本文的内容就是针对此方面的研究，首先在理解和分析常规学习行为数据的基础上，提出一个更适合时代背景发展、符合当前学习者行为状态的数据模型——学习活动流，接着就此行为模型在学习分析中的应用和实践加以介绍。 　　二、学习分析与学习活动流 　　（一）学习分析概述 　　学习分析萌发于数据分析，在商业中一种被称为“商业智能”的应用。在商业应用中，系统通过洞察大量消费行为数据中所蕴藏的丰富信息，以识别相似的消费者，发现有价值的消费模式。从而更好的过滤或组织其产品以满足消费者的需求，实现更优的消费体验。获取最大化的商业利润。当这一应用被迁移到教育领域后分化成为两类应用，学习分析（Learning Analvtics）和学术分析（Academic Analvtics）。其中。学术分析基本等同于商业智能，关注的是宏观层面的组织效益，比如活动进度、工作流程、资源分配、评价制度等，服务于政策、经济方面的目标；而学习分析则更为强调微观化的服务层次，关注于如何促进学习者个体的成功。此外，学习分析也不同于常规应用已久的教育数据挖掘（Educational Data Mining）。后者强调干预的系统生成或调节的自动响应。使得技术的参与带有一种“强制性”意味：而前者是一种能使学习者决策的方式，并为此提供有效的数据支持。技术的参与是一种“