迈向基于大数据的开放式学习分析生态系统

杨晓萍

随着教育信息化的持续推进，各种新技术有效融合到教师教育实践中，进一步拓展了教师专业化研究领域，推动了教师专业化的持续发展。在大数据时代，借助大数据技术能够对教育教学过程的结构化、非结构化等数据进行记录存取；通过学习分析和知识挖掘，能实现对教育教学状态的量化处理和有效预测，有力地推动教育的革命性变革，从而极大改善学生的个性化学习。

学习分析方法共享了从数据到分析、从行动到学习的运动。在过去几年中，人们对技术增强学习中的学习分析越来越感兴趣。在新型网络化和日益复杂的学习环境需求的推动下，人们越来越需要不断扩大学习分析的规模，这就需要我们的学习分析从封闭的学习分析系统转变为开放的学习分析生态系统。

开放式学习分析作为学习分析的一种新趋势，已经成为当前智慧教育研究最被人们关注的领域之一。本文介绍了穆罕默德·亚明·查蒂、阿勒姆·穆斯林和乌尔里克·施罗德提出的开放式学习分析平台，介绍了构建开放式学习分析生态系统的关键概念和技术思想，通过详细讨论用户场景、技术架构和开放式学习分析平台的组件，详细展示了开放式学习分析生态系统的愿景。

学习分析研究领域的四个维度

学习分析代表了“大数据”和分析学在教育中的应用，涉及利用教育数据集来支持学习过程的方法的开发。第一届学习分析和知识国际会议将学习分析定义为“关于学习者及其背景的数据的测量、收集、分析和报告，以便理解和优化学习和学习环境”。学习分析强调将教育数据转化为有用的行为来促进学习，反映了众多学科（如学习科学、教育学、心理学、网络科学、计算机科学）的交叉领域，借鉴了各种相关领域（如学术分析、行动分析、教育数据挖掘、推荐系统、个性化自适应学习）并综合了几种现有技术（如机器学习、数据挖掘、信息检索、统计和可视化）。查蒂在2014年通过基于四个维度的参考模型提供关于学习分析及其关键概念的系统概述。图1所示是所提出的模型的四个维度。

开放式学习分析

什么是开放式学习分析？“开放性的两个最重要的方面与互联网上的免费使用有关，并且无论是技术、法律还是价格障碍等都应尽可能少地限制资源的使用”。开放式学习分析概念的发展，来自学习者尽可能地减少预算和资金壁垒，尽可能多地利用优质资源的需求。这一概念主要涉及开源软件、开放标准和开放API的需求，以解决该领域的互操作性挑战。

开放式学习分析的目的是提高终身学习环境中的学习效率和有效性，了解学习者如何在开放和网络化学习环境中学习，以及学习者、教育者、机构和研究人员如何最好地支持这一过程。开放式学习分析把学习者视为学习分析实践的核心部分，提倡学习者应该成为积极的合作者，而不仅仅是数据主体以及接受干预和服务的接受者。要改善学习和教学的预期目标，学习者和教师的参与是关键。因此，开放式学习分析生态系统包含通过对学习分析的共同兴趣而联系在一起的不同的利益相关者。这些利益相关者有不同的需求和目标，来自不同的学习环境和环境的各种数据。

如何构建开放式学习分析平台

开放式学习分析平台主要支持如下三种可能的用户场景。

1.教师情景

Rima是ABC（Asian Business Consultants）大学的讲师，她使用该大学的LMS（Learning Management System，学习管理系统）来管理自己的课程。她使用开放式学习分析平台的个性化仪表板，利用其提供各种指标的课程概述，以增强和改进自己的教学过程。

2.学生情景

Amir是ABC大学的计算机科学专业的学生。他使用开放式学习分析平台，在大学LMS、X MOOC平台、可汗学院、他的博客、Facebook、You Tube、Slide share和各种论坛上，收集与此相关的学习活动的数据。

3.开发人员场景

哈桑是ABC大学的研究员。他对使用开放式学习分析平台来分析应用程序用户的社交互动感兴趣。基于开放式学习分析平台提供的数据模型规范和指南，他开发了一个新的收集器，从移动应用程序收集活动数据并将其发送到平台。

基于上述场景，开放式学习的分析平台模块可以这样构建，如图2所示。

开放式学习分析平台构建的九个组件

1.数据收集和管理

学习分析专注于如何利用“大数据”来改善教育。在基础技术、平台和分析功能的创新驱动下，大数据的可能性继续快速发展。学习分析是一种数据驱动的方法，其收集的数据是异构的，具有不同的格式（如结构化、半结构化、非结构化文档、视频、图像、HTML页面、关系数据库、对象存储库）和粒度级别，这些属性需要数据预先处理。数据预处理主要包括数据清理、数据集成、数据转换、数据缩减、数据建模、用户和会话识别以及路径完成。

2.隐私

隐私是学习分析的一大挑战，在开放式学习分析实践中进一步放大了这一挑战，因为其从各种来源收集学习者数据。Pardo和西门子在2014年提供了保护学习者隐私的四个实用原则：①透明度；②学生对数据的控制；③安全性；④问责制和评估。Slade和Prinsloo在2013年提出了一个道德框架，包含六个保护隐私条件下实施学习分析的指导原则：①学习分析作为道德实践；②学生作为代理人；③学生身份和表现是时间动态结构；④学生成功是一个复杂的多维现象；⑤透明度；⑥高等教育不能不使用数据。隐私设计是Ann Cavoukian在20世纪90年代開发的另一个框架，提供了确保隐私的七个基本原则：①主动不反应，预防性不补救；②隐私作为默认设置；③嵌入设计的隐私；④全功能正和，而非零和；⑤端到端的安全的全生命周期保护；⑥可见性和透明度保持开放；⑦尊重用户隐私，使其以用户为中心。

3.学习者建模

学习者建模是个性化学习的基石，在课堂之外的更广泛的学习环境中构建学习者模型的能力将提供更个性化的学习体验，而其挑战在于创建一个全面的学习者模型，从而提供有效的个性化学习，以适应、干预、反馈或推荐学习行动。而开放式学习分析的一个巨大挑战是终身学习者建模。终身学习者模型应该能够从不同来源获取多种形式的学习数据，并以适当的形式提供这些信息以支持学习。终身学习者建模是与学习者相关的个人数据的连续收集，需要授权访问学习者数据模型，并且学习者可以完全控制数据。

4.上下文建模

终身学习者建模中六个最受欢迎和最有用的特征，包括学习者的知识、兴趣、目标、语境、个体特征和背景。语境是学习者建模领域研究的核心话题。这里要解决的关键问题是上下文捕获和建模。上下文模型应该反映学习者上下文信息的完整图像，把从不同学习渠道收集的活动数据输入个人情境模型，从而为情境感知的学习分析解决方案奠定基础。

5.分析模块

每个分析模块对应不同的分析目标，如监控、个性化、预测、评估和反思。它们代表了分析引擎可以轻松地从开放式学习分析平台添加和删除的组件。每个分析模块都负责管理与之关联的分析方法列表。

6.问题/指标/指标

问题/指标/指标组件负责管理由开放式学习分析平台中的不同利益相关者定义的问题指标。每个问题都与一组指标相关联。对于每个指示符，该组件存储在指示符生成阶段生成的相关查询。分析引擎将使用这些查询来获取要分析的数据。

7.指示引擎

指标引擎是开放式学习分析平台的核心组件，可实现个性化且面向目标的学习分析。学习分析的各种目标需要一套量身定制的指标，以便为不同的利益相关者提供非常多样化的问题和目标。指标引擎负责管理GQI（Goal Question Indicator，目标问题指示器）定义过程。它可以细分为以下四个主要子组件：问题/指标编辑器、问题分析器、指标生成器、规则引擎。

8.分析引擎

分析引擎是开放式学习分析平台的支柱，该平台充当平台中不同组件之间的中介。分析引擎的主要任务是执行分析，它负责执行指标查询以从数据库中获取原始数据。分析引擎还负责处理来自外部系统的指标请求。

9.展示台

开放式学习分析平台中的可视化工具组件负责提供简单的机制，管理、添加和删除可视化技术以及可视化类型。每种可视化技术都需要适配器，以将分析引擎中使用的数据格式转换为要在客户端应用程序上呈现的指示符可视化代码。