第1章 基于大数据的在线学习精准预警与干预研究设计与方法
及时、精准、有效的在线学习精准预警与干预，能够降低学习者产生学习风险的概率，减少辍学率和失败率。经过多年研究与发展，在线学习精准预警与干预机制已基本形成规模，但是，随着研究的不断深入及技术环境、应用场景的不断变化，问题也不断显露。本书以在线学习精准预警与干预为研究对象，利用大数据分析技术对大学生在线学习过程中产生的行为数据进行全程性跟踪与分析，从指标体系设计、预警模型构建、干预机制建立、系统架构等方面开展系统研究。通过对在线学习精准预警与干预研究现状和影响因素进行总结和分析的基础上建立在线学习精准预警与干预指标体系，并基于此构建在线学习的预警与干预模型，分析学习者的个性学习特征与学习规律；为保障预警与干预模型的顺利实施，提出相关原则与程序要求；在模型构建和制度保障的基础上搭建在线学习精准预警与干预系统平台，开展相关的实证研究。
1.1 在线学习精准预警与干预的研究意义
1.推进在线学习可持续发展是促进教育均衡发展的迫切需求
教育是民族振兴、社会进步的重要基石。党的十八届五中全会通过的《中共中央关于制定国民经济和社会发展第十三个五年规划的建议》强调“提高教育质量”。教育部原部长袁贵仁在全国教育工作会议上强调“要实实在在地把质量作为新时期我国教育工作的主题，把时间、精力和资源更多地用在内涵建设上，实现我国教育更高质量、更有效率、更加公平、更可持续的发展”[1]。随着教育信息化的高速发展、教育现代化的持续推进，教育教学方式发生了巨大的变革，传统课堂教学模式逐渐转变为在线学习、移动学习和混合式学习等网络学习方式。学习方式的多样化和学习资源的网络化使学习者生成的学习过程行为数据与学习结果数据日益丰富，这不仅为广大教育者与研究者深入开展教与学相关研究奠定了良好的基础，而且还对如何运用这些宝贵的数据资源以优化学习过程、提高学习质量提出了迫切的需求。
2.基于大数据的在线学习精准预警与干预是推动在线学习发展的重要途径
在线学习不断演进发展，主要经历了“多媒体驱动信息表征多通道个体学习”“以社会性交互为核心的虚拟社区规模化学习”“基于大数据分析的个性化学习”三个阶段，正从信息技术迈向数据技术时代。大数据时代在线学习促进了互联网与教育的跨界融合，教学活动从现场瞬间行为变成恒久的数据化行为，逐渐成为驱动国家教育事业发展与创新的核心力量。然而，目前在线学习仍存在辍学率高、参与性低、难以深度学习等质量危机，精准预警与个性化干预成为解决这些严峻现实问题的关键，能够催化在线学习可持续化发展，对在线学习生态和格局都将产生系统性变革影响。基于大数据分析的在线学习精准预警与干预，可以实现一种基于数据思维的教与学，能够准确识别处于学习危机的学习者，为其提供个性化、精准教学服务，构建在线学习的新生态，利于回归教育的本真形态，更加符合人才成长规律。
国外学者以美国普渡大学开发的课程信号（Course Signals）、加拿大的教育科技公司开发的“渴望学习”（Desire2Learn）及德国亚琛工业大学开发的探索性学习分析工具包（exploratory learning analytics toolkit，eLAT）等在线学习精准预警系统为代表，研究范畴涉及数据采集、预警方式、预警技术工具及干预策略等诸多方面，在预防辍学、提高学习绩效等方面取得了一定的成效。其中，在数据采集方面，Course Signals针对学习努力程度、学业历史、学习者特征等数据进行采集，Desire2Learn可以分析学习者阅读课程材料、提交作业情况、与同学的交流、考试与测验等数据，eLAT采集学习成绩、个性特点等数据。在预警方式方面，Course Signals和eLAT均采用交通信号灯作为警示信号，Desire2Learn则采用可视化图形。在预警技术工具方面，Course Signals采用预测学习者成功算法、数据挖掘，Desire2Learn采用语义分解、整体预测建模法、数据可视化技术，eLAT采用信息跟踪技术、镜像技术。在干预策略方面，Course Signals、Desire2Learn和eLAT均采用电子邮件、短信等干预方式。此外，加拿大英属哥伦比亚大学麦克法迪恩通过跟踪分析Blackboard平台中学习者的学习行为数据，建立回归模型预测了学习者的课程通过率，从理论上证明了采用数据挖掘开发“早期预警系统”的可能性。
比较而言，尽管基于大数据分析的在线学习精准预警与干预研究受到了国内学者日益关注，但不够成熟，仍处于理念探索和小范围尝试阶段。在理念上，首届教育大数据国际论坛的主题报告“大数据如何改变人类的教育方式与学习方式”中强调，大数据背景下可以建立学习预警系统，用于收集、整合、分析学习者数据，从而能快速识别处于学习危机的学习者，并及时给予帮助[2]。在模型设计上，已有研究人员基于学习内容、学习行为和学习结果数据分析，设计了基于网络学习行为数据的学习结果预测框架[3]；也有学者从知、行、情三方面构建了在线学习精准预警功能模型[4]。在理论研究上，国内大数据领域的领军人物周涛组建了大数据研究中心，运用大数据、云计算等信息技术，结合特定的机器学习、数据挖掘算法，着力开展学习者学习成绩预警、教学干预等教育大数据的相关理论研究。值得关注的是，一些在线教育企业，如好未来等与Knewton合作，基于大数据分析和推荐引擎，根据学习者特点、学习习惯、学习行为，测量学习者的知识水平，预测学习者未来表现，及时调整内容供应，实施个性化干预，提高了学习者的学习效果。
3.在线学习精准预警与干预发展中应明确的几个重要问题
总的来说，基于大数据的在线学习精准预警与干预，能够准确识别危机学习者，提供个性化、精准教学服务，构建在线学习的新生态，是提高在线学习质量、洞悉人才成长规律、回归教育的本真形态的重要途径。虽然上述研究已在指标体系、预警模型、干预策略、系统应用等方面取得了一定的进展，但仍有一些问题亟待改善。
1）整合与分析非结构数据的问题
由于学习者是具有差异性和主观能动性的个体，学习风险预警与干预必然会受到各种因素的影响。当前研究者大多针对外显学习数据，如视频学习，知识测验，论坛讨论的次数、时长、分数等，进行了大量的学业预测实证研究，缺少对学习者学习情感、反思日志等内隐学习数据的采集与分析，造成数据的全面性和完整性缺失，极大地降低了对在线学业预警的精准性。在非结构化数据量增加的时代，研究者若仅挖掘和分析结构化数据，易因数据量广度与深度不完整而引起预警结果偏差，最终影响干预效果。因此，厘清全息数据源，加强对非结构数据的整合与分析是目前亟待解决的问题之一。本书拟利用德尔菲法和多层次分析法确定非结构数据指标系数，并基于朴素贝叶斯分类器算法，融合在线学习者生成的结构化数据和非结构化数据，合理处理、分析非结构数据。
2）设计个性化干预策略的问题
除采用电子邮件、短信等方式向学习者传递消息的干预方式外，研究者关注为学习者提供学习路径、资源和技术等个性化干预策略。但是，现有策略多是基于学习者个体数据的个性化研究，缺少对群体学习环境中的个性化干预策略的研究。各种社交媒体兴起及联通式学习理念的更新，丰富了网络学习中的学习方式和交互方式，使得交互不仅仅局限于个体、小组之间，而是不断延展成一个社群网络。本书拟采用AprioriAll关联规则算法从同一簇群体学习行为中挖掘最佳学习路径，既能让学习者自知，也能让学习者感知到群体的学习状态，在实现个性化干预的同时也能促进群体智慧的生成。
3）开展干预模型实证研究的问题
实施效果的反馈或评估是衡量干预策略适用性的重要依据。虽然已有学者从干预的时机、信息呈现方式等方面开展了相关实证分析，但存在样本量较少、干预的时间较短、缺少持续性追踪研究等问题，体现出的干预针对性并不明显。本书拟通过建立在线学习者的成长状态跟踪反馈机制，从纵向和横向维度分析学习者在干预模型下的自身成长发展及与其他个体对比情况，以验证干预模型的有效性。
综上所述，本书将在全面分析在线学习精准预警与干预研究现状的基础上，确定在线学习精准预警因素、系统构建预警模型、设计在线学习精准干预机制，并对该模型进行实证分析。
1.2 基于大数据的在线学习精准预警与干预的
主要目标和价值取向
1.以降低在线辍学率和促进在线学习可持续发展作为主要目标
本书基于国内外学业精准预警与干预面临的现实问题，利用大数据分析技术对学习者在在线学习中产生的行为数据进行全程性跟踪与分析，探究在线学习的影响因素，并设计在线学习风险精准预警指标体系；基于上述研究成果，探索识别危机学习者的流程与方法，构建基于大数据的在线学习精准预警模型；综合考虑学习者个性特征，重点设计智能化干预策略，建立干预机制，以实施精准个性化干预；重点关注在线学习风险预警与干预模型实现的关键技术，分析技术在模型中的功能与应用价值，以开发建设高效、精准的预警与干预系统。
2.精准预警与干预在在线学习研究中的重要性
本书契合《教育信息化2.0行动计划》《中国教育现代化2035》等政策文件的导向，立足国家大数据战略背景和在线学习发展现实需求，探究基于大数据的在线学习精准预警与干预研究中的关键技术分析、影响因素确定、预警模型建构及实证研究等问题。基于大数据的在线学习精准预警与干预研究是实现学习者个性化学习的重要途径，将研究视角扩展到教育学、心理学与计算机科学的交叉领域，多维度地深入挖掘与分析学习者的个性特征与学习行为、认知和情感的映射关系，推进个人全面意义上的发展，有助于全面解释个性化学习的本质特征，完善学习理论研究。
同时，将大数据纳入在线学习精准预警与干预的研究范畴之内，围绕在线学
展开
