聚焦学习决策:指向认知发生的数据及其应用

研究和实践领域十分关注数据对于决策的支持作用,当前关于数据驱动决策的研究和实践中,主要关注了反映认知主体的数据应用,重视教师教学决策的变化,而对于学习决策的关注相对欠缺.现代技术的教育应用,促进了学习空间的延展,学习者有机会接触更加广袤的外部世界,并产生了大量数据.梳理文献和比较可以发现,在学习过程中主要存在两类数据形式,一类是反映认知对象的数据,一类是反映认知主体的数据.数据反映了事物的运动状态与变化,具有客观性,但数据的应用却因为认识主体的目的性而表现出主观性的特点.数据具有原材料、可加工与多指向属性,如果从学习者的学习主体责任出发,可以合理使用学习数据来引导学习者学会进行学习决策.学习决策既是学习的条件,也是学习的结果,是一种具有选择性特点的思维活动,是由一组决策构成的决策链.合理使用数据,可以引导学习者与外部世界建立更加高效的互动关系,使得学习决策与认识行为同时发生.     

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。     

学习分析技术:挖掘大数据时代下教育数据的价值

当前,大数据时代已经来临,教育领域同样积累了海量数据。教育领域已经部署了众多的学习管理系统,在这些软件系统中存储着海量的学习者信息及学习过程数据。如何利用这些数据,使这些数据转变为信息、知识,并为教学决策、学习优化服务,已成为教育工作者以及学习者们所关注的内容。学习分析技术有助于发挥学习过程数据的价值,使数据成为审慎决策、过程优化的重要依据。该文介绍了国内外学习分析技术研究现状,归纳出学习分析技术的关键技术及分析模式,并以实例从不同用户视角包括管理者、辅导教师、学习者展示了学习分析技术在网络学习过程分析中的应用过程。     

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。     

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。     

数据使能教学决策的发展——从数据教育应用到多模态学习分析支持教学决策

大量研究表明,数据驱动的教学决策能有效增强教师教学和学生学习的效果。当前研究多聚焦于数据驱动的教学决策模型及实践案例,较少关注支持教师教学决策的数据组织、收集和分析的过程。文章运用文献研究法和案例分析法,阐明基于数据教育应用原理的教学决策过程,并对其中的数据收集和分析过程进行解构,基于多模态学习分析的发展和过程优势,建构多模态学习分析支持的教学决策过程模型,找寻多模态学习分析支持教学决策的多模态数据收集和处理的过程与方法,并从实践角度分析两种多模态学习支持的教学决策的典型案例的过程和实践,希冀为国内中小学开展基于数据的有效教学决策研究和实践提供指引。     

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。     

基于edX开放数据的学习者学习分析

MOOC学习产生的海量数据为教育领域的学习分析提供了基础。基于ed X发布的第一个大规模MOOC开放数据集,使用数据分析方法,从学习者类型分析、学习者特征分析、学习者行为分析三个方面对ed X平台的中外学习者进行了研究,力图多维度展现MOOC学习的实际状况。在数据分析和研究发现基础上,对中国学习者的学习现状及特点、MOOC学习行为中的主要现象以及MOOC数据分析的应用进行了讨论和思考。     

基于数据挖掘的学生投入模型与学习分析

学生投入是高等教育质量和学习成果的重要影响因素,对于高等教育评估与改革具有积极作用,受到了国内外研究者的广泛关注。文章以构建学生投入模型为基础,采用典型相关分析和数据挖掘方法相结合,识别学生投入的相关因素,并对学生学习行为进行分类研究。分析发现学生投入与学生家庭背景、学生入学前特征、学校特征及课程作业之间存在着显著相关关系,不同的学生投入及其学习行为表现有助于加深学校对学生学习行为的了解,更好地研究学习规律的新趋势,为审视高校以生为本、以学为中心的人才培养措施和多元性发展,提供了重要的参考与支持。     

基于MOOCs的多元同心学习分析模型构建

随着MOOCs在国内外迅猛发展,其高退学率低通过率导致教学效果不尽人意的问题,逐渐成为研究者关注的焦点。学习分析为解决该难题提供了一系列的研究方法和技术支持。为此,以学习分析促进MOOCs的个性化教育为核心,从学习过程、学习环境、教育环境、数据挖掘、应用支持服务、受益者等多元化视角出发,构建基于MOOCs的多元同心学习分析模型。并在已有研究的基础上归纳出支持该学习分析模型的关键技术。最终,以学习者特征识别、学习者在线学习行为分析、学习者交互分析三类典型应用来演示多元同心学习分析模型在MOOCs中的具体应用．以期为学习分析在M00Cs中的具体实施提供指导。     

全景透视多模态学习分析的数据整合方法

多模态学习分析被认为是学习分析研究的新生长点,其中,多模态数据如何整合是推进学习分析研究的难点。利用系统文献综述及元分析方法,有助于为研究和实践领域提供全景式的关于多模态数据整合的方法与策略指导。通过对国内外363篇相关文献的系统分析发现:(1)多模态学习分析中的数据类型主要包含数字空间数据、物理空间数据、生理体征数据、心理测量数据和环境场景数据等5类。在技术支持的教与学环境中,高频、精细、微观的多模态学习数据变得可得、易得、准确。(2)多模态学习分析中的学习指标主要有行为、注意、认知、元认知、情感、协作、交互、投入、学习绩效和技能等。随着技术的发展和人们对学习过程的深刻洞察,学习指标也会变得更加精细化。(3)数据与指标之间展现出"一对一""一对多"和"多对一"三种对应关系。把握数据与指标之间的复杂关系是数据整合的前提,测量学习指标时既要考虑最适合的数据,也要考虑其他模态数据的补充。(4)多模态学习分析中的数据整合方式主要有"多对一""多对多"和"三角互证"三种,旨在提高测量的准确性、信息的全面性和整合的科学性。总之,多模态数据整合具有数据的多模态、指标的多维度和方法的多样性等三维特性。将多模态数据时间线对齐是实现数据整合的关键环节,综合考虑三维特性提高分析结果的准确性是多模态数据整合未来研究的方向。     

Learning analytics: challenges and limitations

Learning analytic implementations are increasingly being included in learning management systems in higher education. We lay out some concerns with the way learning analytics – both data and algorithms – are often presented within an unproblematized Big Data discourse. We describe some potential problems with the often implicit assumptions about learning and learners – and indeed the tendency not to theorize learning explicitly – that underpin such implementations. Finally, we describe an attempt to devise our own analytics, grounded in a sociomaterial conception of learning. We use the data obtained to suggest that the relationships between learning and the digital traces left by participants in online learning are far from trivial, and that any analytics that relies on these as proxies for learning tends towards a behaviorist evaluation of learning processes.     

学习分析技术的发展和挑战——第四届学习分析与知识国际会议评析

第四届学习分析与知识国际会议于2014年3月24-28日在美国印第安纳州波利斯成功举行,会议以探讨学习分析研究、理论和实践的交叉点为主题,涵盖了学习分析技术在教育学、教育心理学、教育管理学、工程学中的运用,以及教育数据挖掘、计算机算法和数据可视化等方面的发展。文章首先说明了此次会议的背景,从研究、理论和实践三方面阐析学习分析主题之间的关系,简述了来自孟菲斯大学的格莱赛教授(Art Graesser)、香港大学的罗陆慧英(Nancy Law)教授和加州大学圣地亚哥分校的克莱默教授(Scott Klemmer)三位专家所作的主题报告;然后从学习分析与课程教学设计、教与学过程挖掘和评价、学习分析与学习资源、文本挖掘与语义分析、学习分析与数学教育、学习分析与教育一体化、学习分析多元化等七个方面对分论坛报告及会议进行系统综述;文章最后指出未来学习分析研究和发展的五个方向:逐步明晰学习分析系统概念与理论、研究通用性的算法和模型、研制学习分析技术标准、支撑数据驱动的学习和评估、融入教育信息化应用与实践、推进教育的深度发展和加快多元化进程,期望能够推动学习分析系统化研究和在教育中的深度应用。     

Knewton:学习分析支持下的自适应学习平台

随着大数据技术、学习分析技术的发展,一大批基于数据分析的自适应学习平台应运而生,Knewton就是其中的一个。从学习组织、资源组织两个方面对“Knewton”进行了深层次剖析,得出了一些启示。     

A systematic review on the deployment and effectiveness of data analytics in higher education to improve student outcomes

Abstract

This is a systematic review conducted of primary research literature published between 2007 and 2018 on the deployment and effectiveness of data analytics in higher education to improve student outcomes. We took a methodological approach to searching databases; appraising and synthesising results against predefined criteria. We reviewed research on the effectiveness of three differentiated forms of data analytics: learning, academic and learner analytics. Student outcomes are defined as retention, academic performance and engagement. Our results find that three quarters of studies report the use of educational data analytics to be effective in improving student outcomes but their relationship with student outcomes requires further and more robust investigation and assessment. We argue that research must interpret and communicate effectiveness qualitatively, as well as quantitatively, by including the student voice in assessments of impact.     

学习分析：教育信息化的新浪潮

教育信息化经历了学习管理系统（LMS）以及Web2.0应用的变革。新技术的深入应用带来了教育＂大数据＂的高速增长,挖掘这些教育数据潜在价值的迫切需求,使得学习分析应运而生。通过文献分析法,对国内外学习分析文献进行了分析和综述,首先对学习分析进行了概念界定和历史溯源,比较了与学习分析相关概念的区别和联系,之后针对学习分析作为教育信息化新热点,对其研究、发展、技术策略等方面进行了较系统地阐释,最后总结了学习分析目前面临的挑战和愿景,以期可以对学习分析进行全方位的阐述和梳理,并促进该领域的深入研究。     

Networked Learning and Learning Analytics: A Study on the Employment of Facebook in a Virtual Training Program

The growing popularity of Social Networking Sites (SNS) that are embedded with networked infrastructures serves as an ideal platform for developing a networked learning environment connecting geographically dispersed learners. Unlike the traditional learning systems which provide only limited sources of data, the learners engaged in virtual networked social environments tend to produce huge volumes of digital footprints that cannot be analyzed using conventional analytical techniques. Two new branches of analytical sciences – Educational Data Mining (EDM) and Learning Analytics (LA) – are being employed for processing digital data derived from online educational platforms in order to obtain meaningful inferences and data-driven insights.

Hence, the present experimental study involving a small group of geographically dispersed learners intend to examine the engagement level and interaction patterns that occur within a feminist networked learning environment created in Facebook using popular EDM and learning analytical techniques such as K-means Clustering, Social network analysis and correlation mining. Upon analysis, it was found that the peer network influence played a vital role in activating passive learners, eventually leading to the development of a closely bound networked learning community over time.     

Multimodal Learning Analytics research with young children: A systematic review

Learning Analytics and Multimodal Learning Analytics are changing the way of analysing the learning process while students interact with an educational content. This paper presents a systematic literature review aimed at describing practices in recent Multimodal Learning Analytics and Learning Analytics research literature in order to identify tools and strategies useful for the assessment of the progress and behaviour of children under 6 years old in respect of their learning. The purpose is to provide guidance for Multimodal Learning Analytics research with children under 6 years old to assess their engagement in a task, their emotions, attention, understanding and achievement of a goal. The current state of knowledge on Multimodal Learning Analytics research suggests how performance analytics, face and speech recognition systems, eye tracking, Kinect analytics and wristbands could be used with children. The results show the complexity of collecting data using non-invasive methodologies with children under 6 years old. Ethical implications related to multimodal data from audio, visual, biometric and quantitative measures of child behaviour are discussed.