学习分析技术文章笔记

一、大数据给教育行业带来的重大影响

关键词：精确学情诊断智能决策支持
大数据的突出作用：
1、有利于促进个性化学习：精细刻画、洞察需求，归纳分析学习风格和学习行为。
2、有利于实现差异化教学：一方面教师因材施教推荐合适的学习资源；另一方面，更大程度上扩大教育规模。
3、有利于实施精细化管理：实时精确观察和分析，推进教育管理经验型、粗放型、封闭型向精细化、智能化、可视化转变。
4、有利于提高智能化服务：采集分析管理者、家长、教师、学生的各方面行为记录。

二、基于大数据的学习分析研究综述（郭炯 2017）

关键词：
预测、可量化、
智能导师系统(ITS)、
国际教育数据挖掘协会、
学习分析研究协会、
CiteSpace Histsite（某个对文章关键词分析的软件？）、
实证性研究较少（什么是实证性研究？）、
关键词：预测、可量化、智能导师系统(ITS)、国际教育数据挖掘协会、学习分析研究协会、CiteSpace Histsite（某个对文章关键词分析的软件？）、实证性研究较少（什么是实证性研究？）、学生成就？？LOCO- Analyst SNAPP(Social Networks Adapting Pedagogical Practice) LMS 国内的“快乐学”教学系统 xAPI(Experience Application Programming Interface)

关键语句：
大数据的核心是预测，它将为人类的生活创造前所未有的可量化的维度。
在教育中两个特定的领域会用到大数据：教育数据挖掘和学习分析。（这两者有什么关系和区别？）

学习分析的定义
技术范畴：
George Siemens认为学习分析通过应用智能化数据、学习者数据与分析模型，实现对信息与社会性连接的发掘，并为学习提供预测与建议。
SoLAR（学习分析研究协会）的成员在第一届学习分析与知识大会之前开设了一门MOOC——学习与知识分析在课程介绍中将学习分析定义为“为了理解和优化学习与学习发生的环境，对学习者及其所处境的数据进行的测量、收集、分析与报告”
Slade和Prinsloo认为学习分析是对学习者生成的、可提供行为参考的数据进行收集、分析、利用与传播，从而为学习者提供适当且有效的认知、管理支持。

学习科学方法集：
学习分析通过开发工具与技术实现对学习过程与学习结果数据的抓取、存储，基于大量数据发现模式，以生成性和可利用的形式呈现这些数据，并将数据与智能化工具整合以实现学习环境的个性化与优化。

学习分析模型研究
过程模型
过程模式
持续提升循环模型
循环模型
生命周期模型

框架模型
六维关键因素设计框架

学习分析的方法
1、商务智能、网站分析、学业分析与行动分析
2、教育数据挖掘
3、统计与数学方法
4、文本分析与语义分析
5、可视化技术
6、社会网络分析
7、定性分析

学习分析工具
1、支持教师教学的学习分析工具：LOCO-Analyst SNAPP
2、支持学生学习的学习分析工具：学习仪表盘
3、支持教育决策的学习分析工具：学校数据仪表盘、The Learning Curve

学习分析应用研究
1、建立预测模型，导向学习干预措施
2、提供学习分析报告，促进反思与策略调整

学习分析发展的挑战与展望
1、受到相关数据采集与处理技术的局限
（1）数据存储、处理与分析技术受到硬件发展水平和计算能力的限制
（2）数据采集与分析技术仍在发展
（3）数据兼容问题，使数据的跨平台操作与数据共享很难实现
（4）数据收集具有局限性，难以更准确的预测学生的学业成绩

2、隐私与伦理问题
3、学习分析标准的研究与制定
4、学习分析论体系的建立与完善

三、国内近五年学习分析研究现状的可视化综述（张家华）

关键词：
可视化
含义：可视化又称为可视思考/视觉化思考。可视化分析是指将计算机进行科学计算的中间数据和结果数据，以某种容易理解的视觉方式展示出来的方法。它涉及到计算机图形学、图像处理、计算机视觉、计算机辅助设计等多个领域，成为研究数据表示、数据处理、决策分析等一系列问题的综合技术。
类型：可视化分析分为科学可视化、信息可视化、知识可视化、思维可视化及数据可视化。
作用：
1) 让分析更加便捷: 可视化分析可用的工具较多，方便数据处理，并简化复杂性，提高精准度和客观性;
2) 让分析具有多维性: 分析过程中能够看到表示对象或事件的多个属性或变量，可以按其每一维的值，将其分类、排序、组合和显示
3) 让分析具有可视性: 分析结果可以用图像、曲线甚至动画来显示，并能对其模式和相互关系进行可视化呈现。

词频分析
词频分析(Word Frequency Analysis)是对文献正文中重要词汇出现的次数进行统计与分析，是文本挖掘的重要手段。它是文献计量学中传统的和具有代表性的一种内容分析方法，基本原理是通过词出现频次多少的变化，来确定热点及其变化趋势。http://blog.sina.com.cn/s/blog_497c01f50102xlsm.html

共词聚类分析
共词聚类分析采用聚类算法统计一组关键词在同一篇文献中出现的频率，以分析主题词之间的关联程度。

相关分析
相关分析是研究两个或两个以上处于同等地位的随机变量间的相关关系的统计分析方法。例如，人的身高和体重之间；空气中的相对湿度与降雨量之间的相关关系都是相关分析研究的问题。相关分析与回归分析之间的区别：回归分析侧重于研究随机变量间的依赖关系，以便用一个变量去预测另一个变量;相关分析侧重于发现随机变量间的种种相关特性。相关分析在工农业、水文、气象、社会经济和生物学等方面都有应用。

结论：
与学习分析相关的高频关键词主要有大数据、数据挖掘、MOOCs、教育数据挖掘、在线学习等

关于学习分析的系统框架以及模型的构建
郁晓华、顾小清在学习来源的多元化以及学习活动的持续性的基础上，提出了学习活动流。
胡艺龄、顾小清等自底向上以数据、机制、结果建构了学习行为分析模型。
花燕锋、张龙革从多元化的视角构建了基于 MOOCs 的学习分析模型
姜强、赵蔚等则从数据与环境 ( What ) 、相关者( Who) 、目标( Why) 和方法( How) 等 4 个维度构建了个性化的学习分析模型
唐丽等讨论了学习分析中干预的主要流程，从个人干预、小组干预、群体干预等维度构建了干预模型
李彤彤等构建了基于学习分析的循环结构干预模型，设计了具体的干预策略、干预时机以及干预方式。
魏顺平等构建了基于数据驱动的在线课程实施过程评价指标体系，以学生行为、教师行为和师生交互为一级指标，以广度、深度和持续度为二级指标，为在线学习行为的分析提供了指标参考。

学习分析的常用技术和工具
发展相对成熟的可用于学习分析领域的关键技术主要有社会网络分析法、内容分析法、话语分析法、可视化分析等
支持文本分析的工具，如LIWC、CATPAC
可对原始帖子做标注或评论的工具，如 Atlast、Nvivo
内容分析工具，如 VINCA;
专门的社会网络分析工具，如 Gephi、UCINET
用于系统建模的工具，如 Coordinator
专门的数据挖掘工具，如 Weka、SSAS、SPSS 等
社会网络分析的工具 NodeXL
社会网络分析的开源工具 SNAPP
还有一些分析工具如 NetDraw，虽然功能比较强大，但操作比较复杂，对于普通教学实践者来说使用起来比较困难。

学习分析的应用研究
王全旺和赵兵川重点阐述了可视化、聚类及关联规则等方法在学习分析中的应用。
顾晓运用学习分析在教学平台中有效地构建了信息技术教学新环。
陈春燕利用 Gephi 工具将 Moodle 平台上网络话题讨论与参与者两个方面进行可视化呈现，结果显示学生们讨论比较积极的热门话题是与实际相结合的，参与者交互的可视化可以直观地看出学生的活跃程度以及彼此之间的关系。
李曼丽等借助 SPSS 分析了对学习者的课程参与和课程完成产生了影响的因素。
魏顺平通过在线教学反思的研究，为教师提出了一种新型的教学反思模式
陈雷利用多种分析方法对高校 MOOC 选课成员的学习行为进行挖掘，发现了学员模块的学习规律和学习喜好，提出了优化教学资源、个性化学习路径定制和提高用户体验和满意度的方法和建议。
刘三女牙等介绍了学习分析中文本挖掘的方法和工具，并介绍了文本挖掘应用于学习分析的应用实例。
结论：
国内学习分析的应用研究大多集中于高校在线学习平台的学习者，原因：
1、高校信息化水平高，网络学习环境比较好，有专门的的在线学习平台管理人员；
2、高校学生自主学习能力较强，教师混合教学，学生有网络学习的经验；
3、基础教育老师缺乏必要的研究条件。
4、MOOCs中的后台数据不对外开放，只有极少数相关人员才能对其进行分析和研究。
5、学习分析研究的程度还较为粗浅。
6、只是局部的分析或特定的学习行为的结果，没有很好的推广性。

学习分析研究存在的局限
1．由于传统教学模式的限制，学习分析在基础教育领域中的应用偏少
2、学习分析中所采集的数据还不够完整，数据分析技术门槛需要降低
3、学习分析面向的对象主要是研究者和教师，而为学习者提供的自我分析很少
4．学习分析的研究深度和广度不够，相应的预测和干预机制有待进一步研究

学习分析面临的机遇与挑战
1．分析技术方面的挑战，如数据来源的多元化
2．政策和伦理方面的挑战，即数据的适度开放问题
3．学习分析模型的普适性，以及可适用范围的局限性

四、大数据视角下的学习分析综述（王良周）

学习分析和教育数据挖掘是教育大数据的两个主要应用领域。
教育数据挖掘主要关注的是“如何从学习大数据集中提取有用信息”这一技术挑战。
学习分析则主要关注“如何优化在线学习机会”这一教育挑战。

关键词：
学习分析与知识国际会议（International Conference on Learning Analytics and Knowledge， LAK）
美国高等教育信息化协会（EDUCAUSE）
学习管理系统LMS

学习分析的定义：
美国高等教育信息化协会的“下一代的挑战”，其将学习分析定义为：使用数据和模型预测学生收获和行为具备处理这些信息的能力。
首届学习分析与知识国际会议将学习分析定义为：测量、收集、分析和报告关于学习者及其学习情景的数据，以期了解和优化学习和学习发生的情境。
新媒体联盟也有相似的定义：利用松散耦合的数据收集工具和分析技术，研究分析学习者学习参与、学习表现和学习过程的相关数据，进而对课程教学和评价进行实时修正。
学习分析的研究对象是学生及其学习情境。
研究的基础是教育活动中产生的海量学习数据和学习分析过程中产生的中间数据，研究的目标是评估和预测学生活动，发现潜在问题，为教育活动相关者提供决策支持，以优化和设计学习过程和学习情境。

促进学习分析发展的主要因素：
G.Sie⁃mens、RyanS.J.d.Bake等从技术发展角度分析了促进学习分析发展的主要因素，概括为：教育数据量剧增、数据格式多样化、计算能力加强、分析工具发展。
从大数据视角，可以将学习分析的驱动力概括为三类：数据驱动、技术驱动、需求和利益驱动。

学习分析的系统：
分析引擎；适应内容和个性化引擎；干预引擎；仪表盘，报告；可视化工具
数据层、分析层、报告层、干预和适应层

大数据时代学习分析面临的机遇：
直接的价值利益
学习与教育方式的革新
对其他学习科学的影响

大数据时代学习分析面临的挑战：
1. 数据与技术挑战
2. 制度和管理能力限制
3. 道德与安全挑战

五、学习分析研究综述（胡稀里 2017）

学习分析的实践应用研究概述
1.香港中文大学医学院的日志管理系统
2.澳大利亚 Wollongong 大学的学习网络可视化与评估项目
3.美国马里兰大学（UMBC）“查找我的行为”反馈学习工具的应用

未来发展建议
以国家全面深化改革为契机，进一步加强科研学风建设
创新科研组织形式，打造科研创新团队
培养国际化视野，不断拓宽研究内容
加大政府投入，搭建高水平科研交流平台

六、学习分析在我国教育领域的研究综述（高月 2016）

学习分析沦为被引次数表（12-16年）
相关关键词
大数据
数据挖掘
MOOCs
学习分析技术
教育数据挖掘

七、学习分析的系统化综述：回顾、辨析与前瞻（韩锡斌 2017）

学习分析与教育数据挖掘的关系
关注点方面：教育数据挖掘侧重开发分析教育数据的方法和技术，而学习分析关注更多的是教学法；
对象方面：教育数据挖掘侧重使用数据，以了解学习如何和何时发生，学习分析则侧重于学习者，利用数据研究学习者与技术的交互如何影响个人学习；
方法方面：教育数据挖掘重视模型算法和关联规则的建立和优化，学习分析则重视基于教学原则的学习过程分析，以此为依据进行形成性评价、对指导性学习干预，并促进个性化学习。
过程方面：教育数据挖掘通过严格的规则进行数据挖掘，注重比较不同的建模方法，发现模型和结构的合理性，这些规则和方法为学习分析提供借鉴；学习分析收集学习者留下的痕迹，并利用这些痕迹来提高学习，教育数据挖掘是处理这些痕迹的算法，并指出趋势或计算指标。

八、基于教育大数据的学习分析研究综述（顾云峰 2018）

学习分析的模型
George Siemens的TEKL 模型
伊莱亚斯的持续改进环模型
Chatti 与 Dyckhoff 等学者提出的四维参考模型

学习分析算法模型和技术
1、预测建模分析
2.解释建模分析
3.内容分析

九、学业成就与学业风险的预测——基于学习分析领域中预测指标的文献综述（范逸洲 2018）

综述方法
学习场所和情境
学校场所和工作场所

任务类型和参与主体
受不同技术手段影响，主要包括机器学习的技术和社会网络分析的技术。

预测指标分类框架
通常归纳为两大类指标：倾向性指标和行为表现指标

学业成就和学业风险的预测指标
倾向性指标：学生往期学习成绩、初始知识、技能基础及学习驱动力
人机交互指标：人机交互行为的频次和时长是重要的预测指标，如浏览次数、发帖数量、玩弄行为等

预测分析的典型应用
1、学校场所与个体学习：Signals系统
最初的Signals系统是针对普渡大学大一新生开发的，用以预测学业表现和学生保留的数据挖掘工具，服务于师生以达成更高的学习成功率和学生保留率，属于典型的学校场所下主要服务于个体学习情境的学习分析应用。
四个预测指标：表现行为、努力程度、过往学业成绩以及学生的基本数据

2、学校场所与群体学习：SNAPP系统
是 Shane Dawson 团队在 2008 年开发的基于社会网络分析技术、针对学习管理系统内论坛讨论行为的实时可视化工具和教学反馈工具。该工具主要分析的数据为学习者和教学者在学习管理系统中，处在合作学习的学习任务时，进行在线讨论的交互行为，属于典型的学校场所下主要服务于群体学习的学习分析应用。

3、工作场所与个体学习：Learn-B系统
Learn-B是Gragan Gasevic团队于2012年基于语义分析技术和工作场所下的自我调节学习理论所开发的学习环境原型，属于典型的工作场所下主要服务于个体学习情境的学习分析应用。

4、工作场所与群体学习：Cohere系统
Cohere 是英国开放大学 Simon Buckingham Shum 团队 2008 年前后开发的基于 Web 2.0 设计原则的在线研讨、观点分享工具。在宏观上致力于为全球化背景下重要实践和研究问题提供基于语义分析技术和可视化技术的学术争辩工具，属于典型的工作场所下主要服务于群体学习情境的学习分析应用。

总结：
第一，预测指标和模型的建立往往根植于情境之中，如特定的教学机构、具体的学科内容或不同的学习层次以及特定的数据采集能力。
第二，21 世纪的学习被理解为一种参与过程（Thomas & Brown, 2009），学生参与的频次多少与程度深浅能显著地预测学业表现。（Thomas & Brown, 2009），学生参与的频次多少与程度深浅能显著地预测学业表现。
第三，学校场所的预测需求集中在学业表现，而工作场所的预测需求则不仅关注学业表现，更关注认知技能在实际工作中的运用及其效果。

十、学习分析: 从源起到实践与研究（吴青 2015）

研究目标：
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

技术实现：
统计分析
信息可视化
数据挖掘
社会网络分析
话语分析
网站分析

十一、国外学习分析领域的研究现状与趋势分析（牟智佳 2016）

学习分析研究主题的内容分析
（一）学习分析的基本理论研究
George Siemens依据系统方法提出的学习分析模型，包括搜集、存储、数据清洗、数据整合、分析、可视化呈现和行动等七个部分。
Dirk Ifenthaler 等提出较为具体的学习分析内容框架，包括个人特征、社交网络、身体数据、课程、网络学习环境、学习分析引擎、报告引擎、个性化和自适应引擎、机构策略和管理决策等内容。
Baker 和 Yacef提出学习分析领域中五个基本的技术方向，即预测、聚类、相关挖掘、提取数据支持人类判断和模型发现
Bienkowski 等研究者列举了学习分析的五个应用领域：用户行为和经验建模、创建用户档案袋、知识领域建模、趋势分析、个性化与自适应。

（二）学习分析工具的设计与应用研究
1. 学习分析工具及项目的种类与分析
2. 学习分析工具的设计与应用研究

（三）学习行为数据的可视化设计与分析研究
（四）虚拟学习社区中的社会网络分析研究
（五）基于学习活动过程监控的学习评价与预警研究

学习分析研究领域的未来趋势
（一）基于学习者个性特征提供个性化学习服务
（二）以学习行为可视化方式表征学习活动过程和结果
（三）支持过程监控与动态生成的自适应网络学习平台设计与应用
（四）基于全息数据的学习者社会和知识网络分析
（五）突破领域边界的跨学科研究者合作探索与实践
（六）通过学习分析让学习体验更加人性化

十二、国外学习分析项目研究现状及对国内学习分析发展的启示（吴晨光 2017）

学习分析项目
（一 ) 普渡大学的课程信号灯
（二）奥斯汀佩伊州立大学的学位罗盘
（三）南安普敦大学的仪表盘

国外学习分析项目的特点
（一）对数据的追踪与收集是分析的基础
（二）对数据的分析与评价是核心
（三）依据分析结果采取措施是关键
（四）伦理和隐私是潜在的问题

国外学习分析项目对国内的启示
（一）对平台的深入开发来支持学习分析的发展
（二）对教师相关技能的培训
（三）对伦理道德问题的深入探究

十三、国外大学学习分析案例及启示（武琼 2016）

典型案例：
１．１德国亚琛工业大学ｅＬＡＴ项目
１．２美国马里兰大学ＣＭＡ项目
１．３美国普渡大学Ｓｉｇｎａｌｓ项目
１．４澳大利亚卧龙岗大学ＳＮＡＰＰ项目

启示：
学习分析数据多元化和大量化
学习分析结果实时化和可视化
学习分析服务学校、教师和学生
学习分析凸显适应性学习特征

十四、基于大数据的个性化自适应在线学习分析模型及实现（姜强 2015）

基于大数据建构个性化自适应在线学习分析模型
1.基于大数据的个性化自适应学习过程结构
2.个性化自适应在线学习分析模型建构

十五、基于大数据学习分析的在线学习绩效预警因素及干预对策的实证研究（赵慧琼姜强 2017）

十六、基于学习分析的在线学习测评建模与应用———课程综合评价参考模型研究（孙洪涛 2016）

课程评价数据模型构建
1．多来源数据汇聚
2. 多途径数据采集
埋点
爬虫
3．多方法特征构建