第1章绪论
1.1 引言
关注大学生学习成绩一直都是教育学、心理学和社会学等领域的经典研究方向。尤其是在当前社会政治、经济和文化事业发展的新阶段，继续加强关于大学生学习成绩的研究主要出于三方面原因。
第一，高等教育事业发展的必然选择。我国高等教育自1999年扩招以来，规模迅速扩大，高等教育实现了从精英教育向大众教育的过渡，高等教育的改革和发展重点也由此转向了“提高教育质量”。为此，2015年，《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》指出：提高高校教学水平和创新能力，使若干高校和一批学科达到或接近世界一流水平的发展目标；同年，国务院发布的《统筹推进世界一流大学和一流学科建设总体方案》进一步明确了国家建设世界一流大学的具体目标，成为高校发展的新战略。至此，“双一流”建设已成为国内各高校新时期的主要发展战略。学生是高等教育的主体，学生在高校所获取的知识以及学习成绩的优劣历来都是对教育质量进行评价和衡量的重要指标之一，也是教育主管部门对高校教学水平和办学能力进行考核的主要依据。
第二，社会现实发展的必然趋势。随着知识经济时代的到来，终身学习已经成为每位社会个体所必须面临事实。早在1996年，联合国教科文组织就已经将“学会学习”列为21世纪教育的核心。结合我国的实际情况而言，尽管高等教育得到了迅速发展、招生规模日益扩大，但是不得不承认的一个问题就是大学阶段有限的学习时间与知识淘汰老化之间的矛盾日益突出；因此，在大学阶段培养大学生明确学习目标，掌握科学有效的学习方法，提高学习效率和学习能力，已成为当前高等教育工作所面临的一项重要任务。而完成这一任务的关键途径之一就是加强对大学生学习行为的分析，深究影响大学生学习的因素，深化对学习方法的研究和应用，引导大学生根据不同的学习目标、学习任务、时间要求和自身条件等来制定适合自己的学习方法，并将这套学习策略内化为自身的学习行为习惯，提高其在学习过程中的自我调节和管理能力。
第三，学生个体发展的最终诉求。目前，评价学生最主要的标准还是学习成绩，学习成绩对每一位在校生而言是相当重要的，学习成绩影响着学生在老师、同学心目中的形象，影响着学生本人的自信心，甚至还影响着学生的未来就业，因此通过恰当的途径提高自己的学习成绩是每一位同学都非常关心的话题，同样提高学生的学习成绩也是教师和学校共同的愿望。要想解决这个问题，就要首先知道影响学习成绩的因素是什么，然后有针对性地在每个方面都加以改进，通过点点滴滴的积累，最后使学习成绩有一个质的飞跃。如何提高大学生的学习成绩，是每一所高校、每一位教师和每一位大学生所面临的现实问题，而且是最终诉求。本科阶段的学习是大学生走向社会前的关键学习期，本科阶段掌握的知识总量直接决定着大学生未来的就业。因此，了解大学生本科阶段的学习状态的变化，在适当的时候采取有效的教育措施，不仅可以提升教学效果，而且可以帮助学生为以后工作做好准备。对于师范生群体而言，将来大部分是要进入中小学为基础教育服务的；因此，师范生教学质量的高低将直接关系到未来基础教育的好坏，提高师范生在校期间的学习成绩就是在提高其未来所要具备的基本业务素养，这一点对于国家而言，是一项利在千秋、迫在眉睫的大事。
1.2 学习分析综述
1.2.1 学习分析的发展
在早期，学习分析的学者主要是社会网络分析、潜在语义分析以及性格分析研究领域的学者转过来的，而且这些学者的研究成果也被学习分析的研究者引用，鉴于这两个原因，学习分析曾经被认为是社会网络分析、 潜在语义分析以及性格分析的前身。追根溯源，学习分析主要是基于数据挖掘分析技术的发展而流行起来的一种应用，而且其本身与商业智能、学术分析、网络分析、教育数据的挖掘和行为分析等领域具有一定的相近性，同时也是这些领域经过不断发展、融合和演变而产生出来的新领域。图1-1为学习分析技术相关领域按时间发展的先后顺序。其中，图中关于时间节点的界定主要是以该术语明确被提出或基本的起源时间为准，当然也包括一些被广泛应用的时间。
根据学习分析溯源时间线显示，1995年，数据挖掘引入传统教育领域，其中教育数据挖掘在21世纪转向在线教育领域。近年来，数据分析统计技术在商业领域和网站分析领域中再次发展起来，由此通过针对网站访问者或用户的相关数据进行追踪、收集、分析、管理、建模和报告而形成的网络分析技术和依托商业数据分析统计以预测顾客的需求、进而进行商业决策的商业智能已经成为商业领域中的重要应用技术。随着教育信息化的不断发展，这些技术在教育领域逐渐得到运用和普及，进而形成了预测分析、行为分析、学术分析等分析技术。这些技术基于教育管理者的角度，解决的是如何通过数据分析和建模技术来提高教育决策、提升教学质量的问题。随后，学习分析逐渐兴起，它通常被认为是从行为分析和学术分析衍生出来的一种技术，而且关注的是学习个体。确切而言，关于学习分析概念的界定最早出现在 2010 年 EDUCAUSE 的“下一代学习挑战”中。由此可以看出，学习分析是随着数据挖掘和分析技术的不断发展和演变而产生的。
1.2.2 学习分析的概念
随着教育信息化的推进，各种基于计算机网络和数字化学习手段的教育教学管理系统、课程平台和学习平台中存储着大量的关于教学、学习、资源等相关的数据，面对这些数量庞大和源源不断的数据，如何进行合理的使用和开发，更好地服务现代教学管理，支撑学生获得更好的学习资源和建议，这些都是大数据背景下教育信息化所需要面临和回答的问题，而这些问题与学习分析所需要解决的问题也是吻合的。
数据的持续积累驱动着社会中各种“分析”的产生，诸如以特定主题和行业类别而命名的安全分析、地理空间分析、文献分析、健康分析、交通分析等，以特定目的和需求命名的预测分析、描述分析、统计分析、规定分析、流行趋势分析等，以对特定技术或物事命名的百度分析、Google分析、Twitter分析、Facebook分析等术语不断涌现出来。有的学者认为，“分析”作为专业术语主要包含在哪使用、谁来执行、需要的技巧和涉及的技术这四个要素。按照此种观点顺延到教育领域，由教育者、管理者、学习者等利益相关者综合运用相关分析技术对与学习有关的数据按照进行收集、管理、处理、分析、反馈等过程进行执行的行为即可称为“学习分析”（Academic Analytics）。
当前，各国学者因各自的研究背景和所处的环境的差异，对于学习分析及其相关技术的理解和定义也不尽相同；尽管学术界对学习分析的定义及内涵的阐述并没有形成统一的描述，但是已经形成了一定的共识。最早的关于学习分析的定义出自EDUCAUSE的“下一代学习挑战”计划，具体阐述为：使用数据和模型对学生的收获和行为进行预测，同时具备处理这些信息的能力。这一定义的本质默认是对教育系统的升级，并非修改和重构。并以此为基础，学习分析领域的研究专家Siemens于2010年给出了关于学习分析的定义：利用现代智能数据、学习者产生的数据以及一些分析模型对数据中所隐含的信息与社会之间的关系进行发掘，以期对学习进行预测和建议。这一定义成为之后学习分析领域研究者讨论的基础，并引发了学术界对学习分析内涵和定义的探讨深究。
2011年，在LAK11 会议上对学习分析的定义进行了较为权威的阐述和定义：学习分析是以理解和优化学习及其发生的环境为目的，对学习者及其所处情境的数据进行的测量、收集、分析和报告。这一定义也被美国学习分析研究协会So LAR（Society for Learning Analytics Research）所使用。2011年，NMC在《地平线报告 2011》中将学习分析定义为：学习分析的主要目的是评估学业成就、预测未来表现、发现潜在问题，同时对学生产生和收集的大量数据进行阐释的过程。目前，LAK11和NMC给出的关于学习分析的定义被广泛采用。这些关于学习分析的定义，清晰地描绘了对学习分析的内涵认知过程；虽然语言表达不同，但是所蕴含的内涵和本质具有同一性。一般而言，学习分析的准则可以总结为：先理解、后行动，具体而言就是学习分析的过程应该是先对数据进行理解，之后在产生或者采取一系列的行动。Siemens对学习过程的总结也体现了这个原则，即：分析—预测—自适应—个性化—干预的过程。对于学习的分析也具有一定的周期性，主要是首先通过学习轨迹、话语分析等对课程进行相关处理，之后进行采取建模等手段进行教育数据的挖掘整理和预测，然后再通过语义定义来对课程资源进行开发，最后实现自适应内容的学习。总之，学习分析的研究对象是学生及其学习的环境，学习分析的依据是教与学过程的数据，学习分析的目的是预测、评估、优化教学。本书观点认为，教育大数据下的学习分析技术实现了对传统教育评估手段的升级和变革，通过客观数据的分析统计所预测出的教与学的效果更加具有针对性，同时再加上学习分析系统中的自适应技术可以实现学习者的自动干预和主动调整，并通过为其推送恰当的建议和内容而优化其学习过程和学习行为，而教育的教学者和管理者也可以方便地获取学生学习的整体情况，进而进行客观、合理的教学决策的调整，实现对学生个体学习及群体学习的干预，为个性化和针对性教学奠定基础。在本书中也将主要采纳这一层本质含义，对采集到的学习者的相关学习数据按照学习分析的技术进行处理、分析，以此对学生的学习行为进行预测和评估，同时将分析处理得到的结果反馈给教育者和管理者，以优化教学管理过程，实现教育效果和绩效的最优化。
展开
