大数据视角下的学习分析综述

学习分析作为教育信息化的新浪潮,是教育大数据的主要应用领域。泛在网络下的学习大数据高速增长,线上线下的学习形式不断革新,关于学习分析的研究也随着大数据理念的发展而不断变化。本文通过文献分析法,着重从大数据的视角,对国内外学习分析的研究现状进行综述。首先介绍学习分析及相关概念的发展,从大数据视角探讨学习分析发展的驱动力;然后对比国内外在大数据和云计算技术驱动下形成的学习分析框架、应用领域和关键技术,介绍了整合的学习分析系统平台;最后分析大数据创新给学习分析带来的机遇和挑战。     

智慧教育环境中促进教与学的可视化学习分析

大数据的时代背景促进了智慧教育的发展,也给教学的变革与发展带来了前所未有的挑战——海量的教育大数据使教师难以凭借个体经验理解和解决多样化的教育问题,具有主观性的教学策略极大影响了教学成效。从所构建的可视化学习分析理论框架中发现,可视化学习分析能够应用于多样化的典型教育场景和教育模式,包括线上的自主学习、线下的课程学习和线上线下混合学习,以教师为主导的传统教学课堂和以学生为中心的建构主义课堂等。评价可视化学习分析的应用效果应从不同指标维度进行评估,例如视觉吸引力、可用性、理解水平、使用频次、使用满意度、感知有用性、学习效果和行为改变。未来研究需要关注如何提高教师、学生应用可视化学习分析的相关能力素养,更科学地考证可视化学习分析工具的实际使用效果。     

大数据视角分析学习变革——美国《通过教育数据挖掘和学习分析促进教与学》报告解读及启示

“数据驱动学校,分析变革教育”的大数据时代已经来临,利用教育数据挖掘技术和学习分析技术,构建教育领域相关模型．探索教育变量之间的相关关系．为教育教学决策提供有效支持将成为未来教育的发展趋势。“大数据”的出现．将掀起人类教与学的又一次变革。2012年,美国国家教育部发布了《通过教育数据挖掘和学习分析促进教与学》报告．对美国国内大数据教育应用领域和案例。以及应用实施所面临的挑战进行了详细的介绍。借鉴此报告．我们认为未来我国教育领域的大数据研究和应用。应加强国家和地方对相关的研究和应用在技术层面、管理体制层面以及法律制度层面的支持,按需合理规划具体研究和应用,整合现有资源,发挥后进优势,借助“大数据”实现真正意义上的个性化学习．进而实现教育公平。     

大数据视角分析学习变革——美国《通过教育数据挖掘和学习分析促进教与学》报告解读及启示CSSCI

"数据驱动学校,分析变革教育"的大数据时代已经来临,利用教育数据挖掘技术和学习分析技术,构建教育领域相关模型,探索教育变量之间的相关关系,为教育教学决策提供有效支持将成为未来教育的发展趋势。"大数据"的出现,将掀起人类教与学的又一次变革。2012年,美国国家教育部发布了《通过教育数据挖掘和学习分析促进教与学》报告,对美国国内大数据教育应用领域和案例,以及应用实施所面临的挑战进行了详细的介绍。借鉴此报告,我们认为未来我国教育领域的大数据研究和应用,应加强国家和地方对相关的研究和应用在技术层面、管理体制层面以及法律制度层面的支持,按需合理规划具体研究和应用,整合现有资源,发挥后进优势,借助"大数据"实现真正意义上的个性化学习,进而实现教育公平。     

学习分析视域下的大学生满意度教育数据挖掘及分析

学生满意度是一个受学生和学校等多种特征影响的复杂概念,其决定因素纷繁复杂。学界对学生满意度模型的研究众多,然而从学生特征和学校特征等综合方面挖掘大学生满意度的学习分析研究较少。文章采用逐步回归和决策树分析等教育数据挖掘技术对大学生满意度数据进行分析,同时对两种方法在获得结论的有效性上进行比较,并从学习分析视角对其结果进行解释,在学生特征及学习经历的数据集中找出真正影响其满意度的维度,识别先前未知的模式,检测并分析一系列学生特征、经历和认知与满意度的关系,以期为提高高校人才培养质量提供参考。     

学习活动流：一个学习分析的行为模型

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。     

以智慧教育引领教育信息化创新发展

世界范围内教育信息化进入新的发展阶段。从数字化技术转为智能化技术而促发的"形变",到从数字化教育走向智慧教育而引发教育系统的"质变",以智慧教育引领教育信息化创新已成为信息时代教育信息化发展的必然趋势。智慧学习环境的技术支撑、智慧教学法的催化促导、智慧学习实践及智慧学习评价的开展是智慧教育理念有效落实的根基。     

基于教育数据挖掘的个性化自适应学习系统研究

随着大数据时代的到来和在线学习的蓬勃发展,个性化自适应学习日益成为人们关注的热点。本文从教育数据挖掘的目标和关键技术出发,在个性化自适应学习系统中应用教育数据挖掘技术,研究了学习者模型、领域知识模型和社交网络模型的构建、融合和应用,设计出基于教育数据挖掘的个性化自适应学习系统的架构和流程,探讨了模型的构建和个性化自适应学习引擎机制的建立,提出了基于聚类的个性化自适应学习内容呈现、基于序列挖掘和关联规则的最佳学习路径推荐、基于协同过滤和社交网络的个性化资源推荐方法。     

学习分析技术:服务学习过程设计和优化

在数据以爆炸式速度递增的信息时代,海量数据给商业发展和科学研究带来了新的契机。在教育领域,智慧学习环境使得积累更加大量、丰富和复杂的教育数据成为可能。如何更加充分、有效地利用这些数据优化教与学成为一个焦点问题。因此,作为一种新兴的技术,学习分析受到越来越多的关注。本文系统地梳理了学习分析的五个环节,介绍和分析了多数据源的数据采集与语义存储的研究进展与挑战,概括了五种典型的数据分析,并阐述了面向不同受众的绩效评估、过程预测与活动干预三种应用服务。     

教育大数据背景下的区域数字化学习实践与思考

世界正在进入数据技术时代,教育信息化面临新的发展机遇与挑战。大数据为精准教学、自适应作业等提供了实现的可能,也为以学定教提供了数据支撑,从而真正影响教与学的变革。2016年,浙江省宁波市镇海区成为中央电化教育馆"教育大数据分析研究"项目首批实验区,区内5所小学作为实验校,各选了1个实验班级运用平板电脑,开展了为期一个月左右的"一对一数字化学习"(俗称"电子书包")的常态化教学。在实验项目进入收尾阶段,镇海区教育业务相关部门开展了针对性的调研活动,分析实验过程中的得失,并提出了相关意见及建议。     

学习分析:更好地理解学生个性化学习过程——访谈学习分析研究专家George Siemens教授

随着教育信息化的不断深入及"大数据"时代的来临,教育领域已存储并记录了学习者学习过程的海量数据。如何挖掘、分析和利用这些数据为教与学提供可靠依据和参考已成为摆在研究者面前的现实问题。学习分析为解决这一难题提供了一系列方法和策略。目前学习分析的研究正处于起步阶段,受到越来越多地关注。学习分析产生的背景是什么?学习分析与教育数据挖掘的区别如何?学习分析过程中如何保护个人隐私?带着这些问题,我们对国际知名的学习分析研究专家、加拿大阿萨巴萨卡大学George Siemens教授进行了访谈。George Siemens教授是国际知名学者,关注教育领域中的学习、技术、网络及开放性等问题。他著有《网络时代的知识和学习——走向连通》(Knowing Knowledge)和《学习中的新技术手册》(The Handbook of Emerging Technologies for Learning)。其中《网络时代的知识和学习——走向连通》一书对网络时代的知识和学习展开了充分的研究,提出了数字化时代的学习理论——连通主义。该书已经被翻译成中文、西班牙语、意大利语、波斯语、匈牙利语等多种语言。Siemens博士目前担任加拿大阿萨巴萨卡大学(Athabasca University)技术促进知识研究院副院长,学习分析研究团队负责人。他已在30多个国家和地区发表过关于技术和媒介对教育、组织和社会影响的主题演讲。他的研究工作曾在国内外的报纸(包括纽约时报)、广播和电视做过介绍。由于研究成果突出,他被授予许多国内和国际奖励。鉴于他在学习、技术与网络方面的杰出工作,被圣马丁大学(秘鲁最著名的综合大学)授予荣誉博士学位。Siemens博士是学习分析研究协会(The Society for Learning Analytics Research,SoLAR)的创立者之一。自2008年以来,他一直担任教育媒体与技术世界大会(ED-MEDIA)指导委员会委员。他也是《在线学习与技术》(Journal of Online Learning and Technology,JOLT)、《教育中的交互媒体》(Journal of Interactive Media in Education,JIME)等许多杂志的编委。     

学习分析技术在未来教育中的应用

随着网络技术的发展,各种用来支持学习的技术系统每天都在搜集大量与学习者有关的数据,将这些收集到的数据进行分析整理后,高效地运用在教育教学过程中,对提高我国的教育教学水平有着重要意义。对学习分析的定义进行了解析,并针对国内外高校运用学习分析技术的现状,提出了学习分析在我国的未来发展前景以及所要面对的挑战。     

学习最优化：信息化教育的重要课题

学习最优化是指学习充分利用现有条件和资源，发挥自己的主观能动性，选择、建构、整合是最佳的学习方案，从而获得可能最佳学习效果的学习，它具有可最优效性、主体能动性，质的超越性、系统和谐性、最优选择性和持续发展性等特征。建构信息化教育必须把学习最优化做为行动的出发点和基本目标，促进学习最优化的基本路径是：构建学习社区与组织，开展学习策划与设计，关注学习导航与协作，实施学习检测与诊断等。     

学习分析：从源起到实践与研究

学习分析是“大数据”在教育领域的应用,引发了教育技术发展的第三次浪潮,并获得学术界的广泛关注。本文梳理了学习分析的形成过程,然后从利益相关者、研究目标、研究对象、技术方法四个维度,回顾了近五年来国内外学者在学习分析方面的研究成果,并提出未来发展趋势和可能遇到的挑战,便于相关人员制定教育决策、优化教育管理过程以及完善学习过程。研究结果表明,学习分析研究主题主要涵盖学习者知识建模、学习情绪建模、学习行为特征抽取、学习活动跟踪、学习者建模、学位获取分析、教学资源和教学策略优化、自适应学习系统和个性化学习、在线学习影响因素分析九个方面;分析数据主要来源于集中式学习环境、分布式学习环境以及身体活动数据;常用分析方法包括统计分析、信息可视化、数据挖掘、社会网络分析、话语分析和网站分析。目前,学习分析研究遇到的挑战包括教育数据预处理难度大、数据访问权限不明确、学习分析适用性有限。虽然学习分析尚处于发展初期,但由于能够为教育系统各级决策提供科学参考,已经成为教育信息化的重要内容之一。     

基于教育大数据的数字化学习行为分析研究

本文对大数据时代下的MOOC在线教育平台做了介绍,并基于教育大数据,针对MOOC在线教育平台中的6门课程,对学习者的数字化学习行为进行了分析。首先,在对大数据统计分析的基础上,对学习者的类型进行了分析。依据不同的学习行为,将学习者分为五类,分别为:打酱油者、虎头蛇尾者、摇摆不定者、坚定完成者以及只为学习者。然后对学习者参与行为进行了分析,探讨了学习者与时间相关的行为以及与成绩相关的行为。     

教育信息化走向智慧教育论

我国教育信息化发端于1995年中国教育和科研计算机网接入互联网。20年来中国教育信息化剧变的不同表现,说明我国教育正处于信息化由量变到质变的临界点上。文章指出,新型的信息化环境建构必然会导致教育形态变革,走向智慧教育;而智慧教育是高度信息化支持发展的教育新形态,正由智慧教育1.0向2.0快速转型发展。     

关于高职教育智慧学习系统的探讨

通过对智慧系统的讨论,提出针对高等职业教育的智慧学习系统建设方案,意在以人工智能技术提高现代职业教育人才培养质量。     

大数据学习分析支持个性化学习研究——技术回归教育本质

大数据时代的来临,引领学习者学习方式发生变革,基于大数据学习分析技术的个性化学习成为教育学和认知科学的研究趋势。提供给学生有针对性的个性化学习是教育发展方向,是技术回归教育本质的实践。大数据应用需要经历数据收集、数据分析和数据可视化等三个必要阶段;大数据学习分析对个性化学习中的教师、学生和教育管理者等利益相关者均产生积极的影响;大数据对实现个性化学习的价值体现在五个方面:完善个性化的学习者档案、分析预测个性化的学习行为、优化个性化的教育决策、改善个性化的学习评估、提供个性化的学习反馈及建议。最后采用德尔菲法、头脑风暴法构建了基于大数据的个性化学习体系框架。利用大数据学习分析反思教育现状,对推动个性化学习的研究具有重要意义,同时将大数据视为一种新的思维方式和学习路径,需要辩证地看待其优势和劣势。     

反思性学习：体育教师教育智慧的意蕴

在现代社会中体育教师不仅要有扎实的专业知识,还应该具有一定的反思能力,对教学实践不断地追问审视,因此反思性学习就成为体育教师追求教育智慧的学问。这要求教师应具有人文情怀,经过反思训练,进入哲学境界,在实践的反思中升华体育教师的教育智慧。     

智慧教育背景下智慧学习模型分析

智慧教育较大程度上推进了信息化教学改革.在智慧教育背景下,智慧学习模型是促进智慧教学活动有效进行的重要基础.通过对国内外智慧教育和学习模型研究的综述,回顾智慧教育的研究动态,分析了近几年学者们智慧学习模型研究的关切问题.最后,以经典学习理论科尔伯模型为基础,从教学方法、教学策略、技术工具和评价体系四个方面对智慧学习模型...