学习分析研究的新趋势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

学习分析研究的新趋势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GeorgeSiemens教授

访谈者：simeis教授，你！我要感谢你接受了我们的采访。学习分析(LearningAnalytics,LA)是一个新兴的、正在发展的学科,是技术促进学习(TechnologyEnhancedLearning,TEL)研究中增长最快的领域之一,也是当前的研究热点。2011年2月,第一届学习和知识分析国际大会(1stInternationalConferenceonLearningAnalytics&Knowledge,LAK11)在加拿大阿尔伯特省班芙市召开。2012年4月,第二届学习和知识分析国际大会(2ndInternationalConferenceonLearningAnalytics&Knowledge,LAK12)在加拿大温哥华召开,第三届学习和知识分析国际大会(3rdInternationalConferenceonLearningAnalytics&Knowledge,LAK13)将于2013年在比利时鲁汶召开。您在学习分析领域做了大量研究,并取得了许多研究成果,在前两届学习和知识分析国际大会上都作了大会主题报告,也提出了学习分析技术过程模型,今天,我们一起讨论关于学习分析的一些问题。首先,请您谈一下学习分析产生的背景以及学习分析的应用领域。Siemens:学习分析包含丰富的内容,有时涉及复杂预测模型,有时涉及日常任务,如课堂分配和能源保护等。学习分析协会(TheSocietyforLearningAnalyticsResearch,SoLAR)对学习分析的定义强调学习者的重要性,即学习分析技术就是测量、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。这个定义假设学习分析使用已经存在的、机器可读的数据,分析技术能够被用来处理大量数据,这些数据处理很难通过人工方式实现。该定义中包含了一些技术,如:预测建模、建立学习者档案、个性化和自适应学习、早期干预、社会网络分析、概念分析、情绪分析等技术。在收集数据的过程中,我们能发现学生正在做什么,他们是如何发展的,他们下一阶段的学习活动可能是什么。因此,学习分析从根本上是收集和测量学生学习过程中产生的数据。然后我们将分析结果反馈给学习者、研究机构以及教育工作者。我们的目标是更好地理解学习发生的过程,进而考虑如何改进学习经历或学习发生的环境,以上就是学习分析的定义。简单地说,就是分析、揭示学生学习过程中产生数据所包含的信息。学习分析是如何产生的呢?我认为有很多原因,其中最主要的原因是现在可获取的大量数据。我们现在可以从学生那里收集大量可用的数据,这在以前是做不到的。我们可以收集学生在使用学习管理系统时观看视频的频率、参加学习活动的种类、花费在测试上的时间。基于这些学习活动,我们可以开始构建学习者模型,进而推测哪些学生可能存在辍学危险;通过评估学生已具备的知识,我们可以寻找个性化学习的方法,进而帮助学生知道下一步应该学什么。在社会其他领域也有类似现象,商务智能是当今社会的一个重要因素,很多商家大量投资分析他们正在收集的数据,从而使用这些数据更好地经营公司。从这方面考虑,我认为这与我们现在谈的教育背景下的学习分析是相关的。关于学习分析目前正在应用的领域,可以说它应用在很多领域(或地方)。例如,大学中已有许多学习系统,记录并理解学生学习的过程及学生在不同的情境中是如何成功学习的。我们关注学生活动的结果、他们在交互过程中产生的网络。这些可以被用来创建学生模型,就像我以前提到过的学业报警系统,它可以被用来训练和创建更加个性化的学习经历。学生不用学习具有相同内容的课程。学习系统能够判断学生已经学过哪些内容,进而能够为每个学生设计个性化的学习方案。大部分分析活动来自于其它领域,并且不断发展变化。目前看来,最有创意的分析活动来自于公司。遗憾的是,大学(高等教育)在使用学习分析方面已经有点落伍。许多私立大学已非常积极地采用学习分析技术来促进学生的学习。目前,学习分析的研究者来自不同领域,要促进学习分析的发展,关键的一个因素是增加研究者和实践者的对话,以指导用于分析的新工具和新技术的开发。访谈者:你刚才提到学习分析涉及关于学生学习的数据挖掘。那么学习分析与教育数据挖掘(EducationDataMining,EDM)有什么区别呢?Siemens:学习分析与教育数据挖掘密切联系,但两者又存在差异。国际教育数据挖掘协会(InternationalEducationalDataMiningSociety,IEDMS)目前正在开展通过设计算法和开发技术来理解学习过程的工作。该协会于2005年发起了系列研讨会,并于2008年主办了第一届教育数据挖掘国际会议,寻求发现研究学习的新视角,这些视角会影响小学、中学、高等教育以及企业学习的活动与实践。学习分析与教育数据挖掘是有交叉的,这一点需要强调。教育数据挖掘中的许多话题与学习分析中的活动有关。在温哥华召开的第二届学习和知识分析国际大会上,强调了教育数据挖掘与学习分析的联系。我们邀请了一组来自国际教育数据挖掘协会的代表出席会议,我们一起讨论。我和国际教育数据挖掘协会主席瑞安·贝克(RyanS.J.Baker)为那次会议合写了一篇题为“开放学习分析:集成化与模块化的平台”的论文,建议对开放平台进行设计、开发和评估,以整合多种多样的学习分析技术。论文中我们讨论了这两个领域的区别,我们的目标是一起合作,共同前进。我们需要分享研究观点,开展友好合作,提高各自领域的研究水平。学习分析与教育数据挖掘也存在不同。教育数据挖掘实际上强调自动发现,因此,它侧重于模型和发现模式。学习分析尽管也强调自动发现,但同时还需要人为干预。学习与社会的发展有关,教与学更加强调交互和不确定性,现在的机器学习模型还不能捕捉这些。我们希望捕捉范围广泛的学习及学习发生的整个过程。教育数据挖掘侧重于各个组成部分以及他们之间的关系,不一定采取整体的方法,而学习分析更关注情境和特定干预。在分析的起源上,两者也有区别。教育数据挖掘起源于智能辅导领域,强调预测学生的学习结果和关注预测建模。在学习分析中,也包括这些要素,但它更强调系统干预,注重个性化和自适应。学习分析也涉及到语义网和链接数据,通过分析学生知道的特定领域知识,能够满足他们基础知识需要。区分学习分析和教育数据挖掘最好的方法或许是所依赖的工具和技术。教育数据挖掘重点依赖于聚类技术,同时也很依赖于智能辅导系统,更加重视建立模型。而学习分析更加强调社会干预,如社会网络分析(SocialNetworkAnalysis)在学习分析中普遍应用,话语分析(DiscourseAnalysis)也很普遍。有一点需要强调的是,学习分析和教育数据挖掘有很多交叉的地方,随着研究的深入,有些地方还会继续融合。访谈者:情境在学习分析中具有很重要的作用,我们该如何分析学习的情境呢?Siemens:分析学习情境有许多方法,但我认为现在仍然处于初级阶段。当前,学习分析模型中的情境主要依赖于特定系统中学生的输入(如:学习管理系统或学生信息系统),当前主要采用这种方法收集数据,但这并不是最好的方法,我们需要数据收集多样化。例如:当你关注微软所开发的第二代家用视频游戏主机Xbox360的发展时,你会发现Xbox360注重用户个性化的游戏喜好和游戏风格,提供给用户独特的娱乐体验。对于学习分析,我们需要考虑如何更好地捕捉环境和情境因素。情境可以提供关于学生的基本信息,如:登录系统的时间、使用的移动设备、完成特定工作所需要的工作场景、位置等信息。虽然情境的作用是有限的,它仍然能够提供关于学习者与系统的重要信息。一般来讲,目前情境主要通过捕捉学生使用的技术、浏览器操作、通过移动终端设备收集的信息来实现。未来的系统将会通过随身计算(WearableComputing)和其它情境感知设备来捕捉信息。当前,我们还没有恰当的数据收集的方法,数据收集还是过多地依赖于按键、记录键盘和浏览器数据等,并没有跟踪范围广泛的学习情境。访谈者:通过上面的分析我们知道,情境在学习分析中非常重要。学习分析非常关注学习过程,我们该如何分析学习者的学习过程呢?Siemens:这是一个很重要的问题。学习过程至关重要,我们希望捕捉尽可能多的信息。通过收集高质量的数据,在学生需要时,我们能够给学生提供合理反馈和具体方法。我们也能使用学习分析来构建学生模型,进而为学生提供自动化的帮助和支持。学生学习过程因学科知识、使用的技术,以及相关因素的不同将会发生变化。2012年在温哥华召开的第二届学习和知识分析国际大会上,AbelardoPardo提出了一种在捕捉丰富的上下文数据方面特别有效的方法。他展示了使用虚拟机器来捕捉学生编程习惯的案例。学生们在虚拟机器上完成所有的编程活动,这样研究者有条件捕捉学生的所有学习活动。因此,我认为,如果想理解学生的学习过程可以通过构建学生模型来达到。理解学习过程要求关注学生们参与的学习内容以及学生之间的交互,有两种方法,一种是我刚才提到的,创建场景,捕捉学生活动的大量数据。例如,通过虚拟机器来自动收集学生数据。第二种方法是在自动收集数据之外,考虑手动收集数据,这种方法成本很高,要考虑建立实验环境,实验环境中手动输入数据,这并不是教育数据收集的独特之处。例如,谷歌地图也需要手动输入数据,以确保终端用户高质量的体验效果。目前看来,没有额外的观察和教师提供的数据来实现高质量的学习分析是不现实的。访谈者:学习分析需要用户的大量数据,但是我们如何处理学习分析过程中的个人隐私和数据保护的问题呢?有没有我们可以遵守的典范或可以借鉴的案例?Siemens:由于人们越来越关注隐私和数据所有权问题,这类问题出现的越来越多,在不同的会议上屡次被提及。遗憾的是,目前并没有最佳解决方案。针对这一问题,来自不同领域的专家、学者已经开展了大量对话,但隐私法律因地区而异。信息技术部门显然有数据安全存储的标准和基准。使用数据用于分析的指导原则没有建立,而且不同机构之间存在变化。另一个挑战是学习者学习过程中使用不同的软件工具和在线资源,每个软件供应商都会有不同的数据访问标准。当大量大学托管服务(University-hostedServices)及第三方云服务出现时,保护学生的隐私成为一个重要的挑战。未来,我们考虑建立一套规范,学习者表明愿意学校分析他们的学习数据,从而获取更好的学习支持服务和更加个性化的学习内容。访谈者:以上我们对学习分析进行了详细讨论,如何评估学习分析的有效性?Siemens:评估学习分析的有效性是大学使用学习分析时需要考虑的目标。当前,许多学习分析涉及到学生学业成功和防止辍学。学生学业表现、毕业率决定学习分析的有效性。如果大学将这些作为学习分析的目标,可能是有助于减少完成学位的时间,提供学习者有针对性的支持以降低成本等等。最终,学习分析不仅能降低成本或防止辍学,而且应该能够优化和改进学习者的学习。访谈者:在您看来,学习分析的存在哪些局限性?它的发展前景如何?Siemens:学习分析存在很多局限性,目前最大的缺点是数据收集的范围。目前很多数据来自于学习管理系统、键盘数据、浏览器数据,基本上都是学生操作电脑的数据。实际上,很多学习发生在现实情境当中,但我们并没有捕捉这些发生在现实情境中的学习过程。我认为,学习分析面临的最大挑战就是如何扩大数据捕捉范围。只有解决这个问题,我们才能深入了解学习和教学过程。学习分析的另一个局限就是学习的社会性很难用算法描述。目前,我们可以看到学生登录的次数、花费在一门课程上的时间、观看视频的时间等等。这些数据可以为学习分析提供帮助,但我们还需要很多其他数据来理解学习过程。关于学习分析的发展前景,我认为有重要的两点。一是现实世界的数据收集,用于解释学习发生的情境和环境。考虑到学习情境,需要捕捉更多的数据。第二方面是移动学习。移动学习提供了大量关于学生运动、信息搜索行为、社会交往、环境(位置)因素等的数据。移动学习和可穿戴计算(WearableComputing,如“拓展现实”眼镜GoogleGlass)将会成为未来数据收集的重要部分。从研究的角度看,我认为学习分析的未来前景广阔,你会看到这个领域的研究将不断前进。有些资助机构对这个领域的研究非