论文部分内容阅读
摘要：学习分析作为数字化学习绩效评价的主要手段，是目前教育技术领域研究的热点之一。为了使学习分析能够更有针对性地指导教学过程，该文从利益相关者的角度构建了面向对象的学习分析模型，其特征是基于面向对象方法学的理论创建学习对象类，具有对象的封装性和类的继承性。根据应用环境的约束和学习分析目标的方向性设计了一组方法，可对学习数据变量进行量化计算，实现在教学过程中有针对性地实施干预。以计算机操作系统课程教学为例，采用对照实验来验证该模型的可靠性与有效性。实验结果表明，面向对象的学习分析模型可以优化教学过程、为教与学提供参照与指导，并能有效地提升学生的学习效果，实现个性化学习。
关键词：学习分析模型；面向对象；利益相关者；干预约束；多元回归分析
中图分类号：G434 文献标识码：A
一、引言
学习分析是指导者通过收集、处理、分析数据来评估和预测学生的学习状态，并以不同方式对学生实施干预。2010年，学习分析从商业智能、行为分析等领域分离出来，转变成服务于教育领域的一门应用。美国新媒体联盟（NMC）发布的地平线报告中连续三年将学习分析称为四到五年内影响学习科学技术发展的主要技术之一。随着信息技术在教学领域的应用不断扩大，学习分析逐漸从理论性的概念分析转向实践应用服务。学习分析模型作为学习分析的实施参照，是学习分析研究成果中最具有代表性的部分。学习分析模型的优化研究促进了学习分析的发展。2011年，Brown和G.Siemens基于概念确立了学习分析模型的基本要素，Elias强调了学习分析的循环性，SOLAR（学习分析研究协会）建构了整合式学习分析系统。2012年，Wolfgang Greller和Chatti强调了学习分析的限制因素，国内学者李艳燕等提出了学习分析概念模型，学习分析成为国内教育技术领域的研究热点并迅速发展。2013年，祝智庭教授将学习分析应用于智慧教育。2014年起，学习分析模型逐渐具有明确指向（如数据分析、行为分析、预测等），并与MOOC、个性化自适应系统等相结合。截止到2015年，学习分析模型已经从最初的理论概念解析发展成为针对不同环境、不同目标甚至不同环节的主题模型，学习分析也从技术型应用发展为服务型应用。然而，目前将学习分析模型与具体课程结合的应用研究还较少，模型的目的性和约束性与干预的关系还有待进一步深入研究。
本文对各时期的学习分析模型进行对比和分类，归纳出它们的共性与特性，给出了学习分析模型的基本要素，并从利益相关者的角度构建出一个面向对象的学习分析模型。该模型基于面向对象方法学的理论，引人对象、对象类、方法、实例等概念，具有对象的封装性、抽象性和类的继承性等特点。以利益相关者为对象建立了对象类，设计了学习数据变量以及变量间的相互关系，定义了一组方法对学习数据变量进行量化计算和多元回归分析与统计处理，完成对该类对象的操作。通过设定目标有方向性地对学生的学习过程进行学习分析，突出对学生的学习干预，重点为学习支持服务。以我校某年级的计算机操作系统课程教学为实例进行实践。实验结果表明，该模型能够激发学生的学习兴趣并促进学生的自主学习，推进个性化教学的深入，提升教学效果。模型的设计与实施对不同的教学环境也有参考意义，对学习分析的推广应用起到促进作用。
二、面向对象的学习分析模型
（一）学习分析模型的分类
学习分析技术是运用不同的分析方法和数据模型来解释与学习者学习信息相关的数据，探究学习者的学习过程与情境，发现学习规律或者根据数据阐释学习者的学习表现，为其提供相应反馈从而促进更加有效学习的技术。学习分析模型作为学习分析的具体化形式，对学习分析的高效实施具有重要作用。我们根据现有各模型的特征将学习分析模型分为以下三类：
1.反馈环型学习分析模型，如持续改进环模型、学习分析概念模型、智慧环境中的学习分析过程模型、在线学习行为分析模型等。着重描述了数据处理过程以及数据信息的环形流向，体现了学习分析过程的循环性。
2.交互网状学习分析模型，如整合式学习分析系统、融合多源信息的学习分析框架等。该类模型以网状的形式体现学习分析过程，用不同类型的引擎进行数据分析和结果反馈。
3.多因素学习分析模型，如多因素学习分析通用设计框架、Chatti的学习分析模型等。多因素学习分析模型重点考虑可能影响学习分析结果的各种因素，强调内部限制和外部约束，从人文角度对模型做进一步优化和改进。
这些模型主要从数据来源、分析方法、工具以及数据采集与数据处理等方面对学习分析进行研究，将数据分析作为学习分析的关键，综合考虑环境层面、数据层面以及利益相关者等要素，实施合理的干预。但是，以利益相关者为主体、利用面向对象技术构建学习分析模型，对对象类元素进行约束和干预的研究还较少，在约束条件上也应该将人性化约束融合到学习分析过程中。
（二）面向对象方法学
面向对象（Obiect Oriented）方法简称OO方法。面向对象的思想认为现实世界中的事物都可看成是一种对象，每一个对象都有自己的属性状态，对这组属性可以进行相应的服务。对象和消息传递分别表现事物及事物间的相互联系。将具有相同属性的对象划分成一类，在其下还可以派生出不同的子类，子类自动继承父类的所有属性并可加入新的特性。类的设计具有抽象、封装、利用继承实现共享的特性。通过封装能将对象的定义和对象的实现分开，通过继承能体现类与类之间的关系。对某类中的对象，可以通过定义一组方法来完成各种操作服务。不同对象的组合及相互作用就构成了自然的客观系统。
OO方法现在已经广泛地应用在计算机软件系统开发及硬件设计工程中。OO方法的抽象、分类、继承、封装、消息通信等基本原则与人们分析问题和处理问题的方法和原则相近，这种思想可将复杂的问题分解成若干个子问题，按照一定的规则分类并确定各个模块间的联系，降低问题的复杂度。在解决多学科综合交叉的问题上，OO方法也是一个非常有效的工具。它具有很强的类的概念，能自然直观地模拟客观世界中存在的事物（对象），其属性和操作可在问题域中形象地刻画事物的静态和动态特征。 （三）面向对象的学习分析模型的构建
本文从利益相关者角度出发，融合上述三类学习分析模型的特征，构建出一个面向对象的学习分析模型（如图1所示）。该模型围绕利益相关者，以学习干预为目的，以数据的量化分析为手段，将学习分析的過程表示为应用环境及约束下的目标的确立、数据的操作、实施干预三个层次。在面向对象模型的方法计算中包括学生数据的采集、清洗、统计及分类。针对OO（object Oriented）方法所需要的元素进行归类分析和整理，设置了实验对象、无关变量、教学模式变量、学习结果变量、计算变量和实验效果F。并以进步度C和差异度D来验证模型的可行性及优化效果。
1.利益相关者
学生、教师、管理层（教育管理者、教育决策者等）、助教、设计者等都是学习分析中的利益相关者，本模型将利益相关者创建为学生类、指导者类和监督者类。同一类中的对象有着相同数据结构，这些对象之间具有结构、行为特征的共享关系。
学生既是数据来源的主体，又是实施干预的对象，处于核心地位。学生类的对象属性包括学号、姓名、性别、成绩、学习风格、学习偏好等，对象的属性确定后设计了处理这些属性的方法。我们对学生类按实验组和对照组分为OBJ1类和OBJ2类，OBJ1类按学习状态和前测成绩又划分为4个子类，分别是OBJ1_A类、OBJ1_B类、OBJ1_C类、OBJ1_D类用于区分四种学习类型；各子类可以继承父类的对象属性，同时增加了学习状态及前测和后测属性。在各个对象类之上定义了多组方法完成对学生类的操作。根据本模型应用环境及约束条件下的目标确立的需求，设计了一组方法Learning_style（），Learning_preferences（），Learning_state（），完成对学生类对象的学习风格、学习偏好、学习状态判断及分析。
指导者类包含教师与管理层对象，负责目标的设定，并与监督者一同对学生实施干预；监督者类的对象是教师和助教，是对数据进行操作的主体。
每一实体类中的对象均可根据相关条件增删，新增对象具有父类的所有属性，又可独有自己的个性。在实施学习分析过程中，利益相关者作为应用对象类贯穿整个学习分析过程，既是学习分析的出发点，又对学习分析各部分有选择和决定作用。
2.干预目标的设定
根据实施方案，将干预目标确定为由指导者对学生进行的监测、评估和预测以及由监督者对学生进行的个性化资源推荐等工作。
（1）监测、评估和预测
监测、评估和预测是逐渐递进的三个目标，也是由面向对象的方法实现的。监测方法Monitoring（），指导者或监督者通过数据分析结果了解学生的学习状态，对学生学习过程做实时监测；评估方法Assessment（），指导者根据学习者特征和监测结果，参照相关评价标准对学生的学习状态、学习绩效等做出评估；预测方法Predict（），指导者用预测模型进一步分析评估结果，对学生将来可能出现的学习状态进行预测。
（2）个性化推荐
个性化推荐的目标是监督者在数据分析的基础上，根据分析结果、学习者特征以及教学进度等多种因素，为学习者推荐个性化的学习资源、学习方法、学习建议等信息。通过一组方法Feedback（），Recommended（），实现反馈及推荐操作。
3.应用环境及约束
学习分析的应用环境是实施学习分析时所处的大环境，包括教学环境和学习过程。应用环境对学习过程的约束主要体现在数据操作中的数据采集、数据分析和实施干预三方面。这些约束关系体现在各类之间及各对象间的相互依赖关联条件上。
（1）数据的采集受数据环境和数据特性制约。
（2）数据的分析环节受分析工具的效用、分析结果的合理性以及分析方法的恰当性制约。
（3）实施干预时，干预行为受利益相关者的类别权限以及伦理、隐私、人性化等约束的制约。
（四）面向对象的学习分析特征
面向对象的学习分析强化了学习分析作为辅助教学的应用所具备的服务性，围绕学习分析所服务的对象（利益相关者）实施学习分析，既凸显了利益相关者的主体地位，又在人文和环境等限制约束的条件下突出了干预措施，并利用面向对象变量、量化分析等相关技术体现了学习分析的服务性应用特征。
1.干预措施
本模型中目标的类型包括对学生学习过程的监测、评估、预测以及个性化推荐四种，不同类型的目标对应不同类型的干预措施，其中个性化推荐是本模型的特点之一。如表1所示。
实现学习分析的关键在于依据学习过程中的预设目标与数据分析结果选择并实施干预，本模型的干预以人工干预为辅、自我干预为主，实现学习过程的个性化与学生的自适应学习。
2.量化计算及进步度、差异度分析
本文综合显著性与成绩变化程度对学生的学习效果加以判断，分析了实验组和对照组进步度的均值、标准差以及学习效果，对学生类及其子类操作方法中涉及的变量进行了设定。
（1）面向对象变量
本文模型设置了实验对象O、无关变量X、教学模式变量M、学习结果变量R、计算变量和实验效果F。对O1实施M1，对O2实施M2后产生学习结果R1～R4，经比较分析，对学习结果计算处理得到计算变量，包括进步度变量C和差异度变量D。进步度C是指教学前后自身的成绩变化，包括实验组进步度C1和对照组进步度C2。差异度D是指教学前后两组差距的变化，由教学后的差异值d2与教学前的差异值d1的差值来体现。为验证实验效果，本文将进步度C默认为实验组进步度C1。变量详情以及变量间的关系如图2所示。 （2）标准化处理和比较分析
对前测结果、教学过程中的测试结果以及后测结果采用Standardized（）方法进行标准化处理，得出计算变量C、D并对其进行分析，分析依据如表2所示。
由于教学模式变量M与学习结果变量R强关联，对计算变量C、D具有派生依赖，计算变量与R呈现多态特性，最终影响实验效果F。因此通过Regression（）方法用回归方程计算变量C、D与F的关系来验证实验的可靠性。
三、面向对象的学习分析模型实例
本文设计的面向对象的学习分析模型通过对照实验来验证其有效性与可靠性。
（一）实验对象与环境
本次实验的对象是我校计算机操作系统课程计算机专业某年级3班和4班的学生。在前期课程结束后，以班级为单位安排前测，将前测结果较低的班级设置为实验组。依据前测结果将3班（30人）设为实验组、4班（30人）为对照组，实验组3班有56%的学生处于及格及以下水平，其中不及格学生占6%；没有学生达到优秀水平。在保证实验组和对照组的教学环境、教学内容、教学目标和教师都相同的情况下进行分组教学。实验组采用面向对象的学习分析模型教学模式M1，对照组实施原有的教学模式M2。操作系统课程教学包括理论知识和上机操作两部分。教学环境包括线下的多媒体教室与机房和线上的教育平台（课堂派网站）。教学方式以在多媒体教室中进行的授课和上机操作为主，课后的练习任务和交互则通过课堂派实现。
课堂派是基于网站和移动端的在线教育平台，具有作业管理、考勤、测验、课程资源共享、成绩统计、师生交互、多平台推荐信息等功能的在线课堂管理工具。将课堂派用于线上教学，不仅能够给学生和教师提供优质的在线体验，还能实现师生私信沟通和实时交流，在师生反馈交流平台上更好地实现师生互动。
（二）面向对象模型实验
模型的实验结果由前测和后测的综合成绩体现，理论部分的前测是课程前期的随堂测试，后测是期末的综合性考核 闭卷考试；上机部分的前测是课程前期的实验任务，后测是期末的综合性上机大作业。实验过程中对理论和上机分别测试，依照总成绩=70%理论成绩 30%上机成绩统计，通过分析计算变量得出结论。
1.数据采集清洗与封装
在课程开始之前通过在线教育平台课堂派对所有学生做问卷调查，使用Data_collect（）方法采集學生的个性特征（学习风格和学习偏好1以及学习状态参数。对数据筛选和清洗后，用Learning_state（）方法根据状态参数和学习基础将学生类划分封装成4个子类，OBJ1_A类～OBJ1_D类区分优良、中、及格、差四种学生类型，用于分析学生的学习状态。
（1）学习风格
学习风格按照信息加工、信息感知、信息输入、信息理解四个维度进行统计。经分析，学习风格上，70%的学生在信息加工时倾向于积极运用学习资源，善于尝试新事物，喜欢讨论与合作，喜欢实践。73%的学生倾向于接受视觉信息，并能够积极对信息进行加工。有47%的学生在掌握学习内容时倾向于小步调、线性的学习，还有47%的学生则倾向于整体性的思维过程，大步调的学习，对概述更感兴趣。针对不同风格的学生需要推送不同的学习建议与学习资源。
（2）学习偏好
按照学习内容、学习氛围、学习态度、学习方法四个维度进行学习偏好分析。分析结果表明，大多数学生偏重良好的学习氛围和学习方法，潜藏着积极学习的巨大潜力。但有17%的学生对学习内容不太感兴趣，40%的学生的学习态度略为消极。为强化教学效果，需在教学过程中加强师生交互，在干预过程中特别关注积极性不高的学生，激发学生的学习动力与学习兴趣。
（3）学习过程状态
学习过程及学习状态从学习动力，学习计划设计，学习态度，自主学习能力等一级指标进行分析，每级指标下又包含若干二级指标。分别对各类参数进行统计分析，得到每名学生的学习过程中的状态特征。
2.评估与干预
实验中期，使用评估方法Assessment（）对课堂派中的数据（学生信息、考勤、按时上交作业、上机作业成绩、课堂测验结果、问卷、课程资源、师生交互记录、讨论记录等）进行学习分析。利用方法Feedback（），Recommended（），实验组和对照组都可通过网络平台得到测试成绩、作业成绩等学习结果的呈现；但实验组还会定期收到监督者的学习分析激励、给出个性化的学习建议等反馈，要求学生及时与监督者交流等人工干预，学生在感受到教师的关注后更加积极地进行自我干预。图3是对学生的学习状态评估和通过课堂派的反馈及个性化推荐。
在实现该模型的教学过程中，教师和助教基于学生的个性特征和学习状态多次实施人工干预，使得学生在接受干预后产生积极的自我干预，积极提交作业，登录网络平台次数增多，与教师私信交流的人次远超对照组，师生交互频繁等主动学习的表现极大地提升了学习积极性。在信息反馈时采用人性化设计，照顾学生的隐私与感受，以私信和鼓励赞赏话语为主与学生交流。而面对同样的教学内容，没有进行干预的对照组与实验组相比学习积极性较弱，两极分化严重，成绩明显下降。
（三）面向对象模型的量化分析
利用Standardized（）方法对数据进行标准化处理，计算得出进步度C以及两组的差异度D。
1.教学前后的进步度C
进步度是指学习成绩的变化量，通过分析进步度所处的范围，可以验证教学是否得到优化。利用模型中的方法，实验组的进步度C1=R3-R1，对照组的进步度C2=R4-R2。进步度的均值体现了整体学习水平，均值越高，学习水平越高；进步度的标准差体现了各个水平学生的分布程度，标准差越大，成绩两极分化越严重。分析结果如表3所示。 2.教学前后的差异度D
差异度D是指差异值d的变化量，差异值是同一测试中实验组与对照组学习结果的差距。教学前的差异值d1=R1-R2，教学后的差异值d2=R3-R4，差异度D=d2-d1。若D>0，则说明本模型的教学模式的效率更高，能够更好地优化教学。图4是教学过程中两组差异值的变化情况，图中条形的长短体现了差异值的大小，差异值的正负则体现了该阶段哪一组的成绩更高（若差异值为正，则实验组的成绩更高；否则，对照组的成绩更高）。
下页图3表明，教学前实验组的成绩都低于对照组，且存在明显差异；教学后实验组的成绩高于对照组，且无明显差异。经计算，差异度D值为 12.6，因而本模型优化教学的效果更好。
3.實验可靠性
实验的可靠性是指实验的信度，即采用同样的方法对同一对象重复测量时所得结果的一致性程度。采用Regression（）方法通过归纳计算变量C、D与F的关系来验证实验的可靠性。F为因变量，C和D为自变量，借助回归分析来分析和检验三者之间的关系。经计算，C的回归系数为0.827，D的回归系数为-0.422，常量N的回归系数为84.028，得出回归方程：F=0.827*C-0.422*D 84.028。其中，常量N是该直线在纵轴上的截距，表示C、D为0时F的平均水平。从回归方程中可看出，实验组进步度越大且差异度越小，教学效果越好。
为保证回归方程的信度，需对回归方程中的变量进行相关性检验、对回归方程的显著性进行方差齐性检验（F检验）、对回归系数进行T检验。基于面向对象方法计算测试结果并分析成绩变化是否显著（设显著水平α=0.05，若相关概率p<α则变化显著，否则变化不显著）。通过对照F分布表和T分布表，找到各自的相关概率p，比较p值与显著水平α的大小得出结果，分析如表4所示。
上述检验结果确保了回归方程的信度，进而验证了实验的可靠性。
（四）实验效果分析
面向对象的学习分析模型突出了学生类的主体设计，强调教学过程中的人性化因素，以学生为中心实现个性化教学。与现有的学习分析模型不同，该模型融合了学习分析的过程性、约束性与目的性，以技术手段强化对象变量的量化分析，其特点在于通过实施干预促使学生自我提升学习过程，进而优化教与学。实验组学习效果提升情况如表5所示。
从表5看出，实验组整体从中等及以下水平提升至中等及良好水平，有10%的学生达到优秀水平，各有30%的学生提升至中等或良好水平，在原有水平的学生的成绩较教学前也有所提高。虽然教学后实验组仍有6%学生不合格，但具体学生有变动。该实验结果体现了面向对象的学习分析模型借用不同技术，借助不同形式的合理干预来优化教学过程的有效性。
四、结论
面向对象的学习分析模型在面向对象方法学理论的支持下，以利益相关者为对象建立了对象类，定义了一组方法实现对学习数据的操作，通过封装将学生对象的属性和操作整合在一起。通过方法的调用，对学习数据变量做量化计算和多元统计分析。本模型在应用环境的约束下突出干预措施的方向性，强调人性化的学习推荐，促进了个性化教学的实现，为提高教学效果提供了帮助。
本研究还有许多方面有待改进。实验是在多媒体课堂和网络师生互动平台结合的教学环境下进行的，还未能验证该模型在其他教学环境下的可行性。此外，干预环节中的预测功能还有待实践，且个性化推荐的及时性和推荐内容的适宜性还需进一步提升。虽然研究中还存在诸多不足，但应该肯定的是我们对学习分析模型的研究与实践是一种有益的尝试，随着大数据、云计算、面向对象技术等现代信息技术与教育领域的结合，采用新技术后的学习分析在教学中的应用一定会不断地发展与完善。
关键词：学习分析模型；面向对象；利益相关者；干预约束；多元回归分析
中图分类号：G434 文献标识码：A
一、引言
学习分析是指导者通过收集、处理、分析数据来评估和预测学生的学习状态，并以不同方式对学生实施干预。2010年，学习分析从商业智能、行为分析等领域分离出来，转变成服务于教育领域的一门应用。美国新媒体联盟（NMC）发布的地平线报告中连续三年将学习分析称为四到五年内影响学习科学技术发展的主要技术之一。随着信息技术在教学领域的应用不断扩大，学习分析逐漸从理论性的概念分析转向实践应用服务。学习分析模型作为学习分析的实施参照，是学习分析研究成果中最具有代表性的部分。学习分析模型的优化研究促进了学习分析的发展。2011年，Brown和G.Siemens基于概念确立了学习分析模型的基本要素，Elias强调了学习分析的循环性，SOLAR（学习分析研究协会）建构了整合式学习分析系统。2012年，Wolfgang Greller和Chatti强调了学习分析的限制因素，国内学者李艳燕等提出了学习分析概念模型，学习分析成为国内教育技术领域的研究热点并迅速发展。2013年，祝智庭教授将学习分析应用于智慧教育。2014年起，学习分析模型逐渐具有明确指向（如数据分析、行为分析、预测等），并与MOOC、个性化自适应系统等相结合。截止到2015年，学习分析模型已经从最初的理论概念解析发展成为针对不同环境、不同目标甚至不同环节的主题模型，学习分析也从技术型应用发展为服务型应用。然而，目前将学习分析模型与具体课程结合的应用研究还较少，模型的目的性和约束性与干预的关系还有待进一步深入研究。
本文对各时期的学习分析模型进行对比和分类，归纳出它们的共性与特性，给出了学习分析模型的基本要素，并从利益相关者的角度构建出一个面向对象的学习分析模型。该模型基于面向对象方法学的理论，引人对象、对象类、方法、实例等概念，具有对象的封装性、抽象性和类的继承性等特点。以利益相关者为对象建立了对象类，设计了学习数据变量以及变量间的相互关系，定义了一组方法对学习数据变量进行量化计算和多元回归分析与统计处理，完成对该类对象的操作。通过设定目标有方向性地对学生的学习过程进行学习分析，突出对学生的学习干预，重点为学习支持服务。以我校某年级的计算机操作系统课程教学为实例进行实践。实验结果表明，该模型能够激发学生的学习兴趣并促进学生的自主学习，推进个性化教学的深入，提升教学效果。模型的设计与实施对不同的教学环境也有参考意义，对学习分析的推广应用起到促进作用。
二、面向对象的学习分析模型
（一）学习分析模型的分类
学习分析技术是运用不同的分析方法和数据模型来解释与学习者学习信息相关的数据，探究学习者的学习过程与情境，发现学习规律或者根据数据阐释学习者的学习表现，为其提供相应反馈从而促进更加有效学习的技术。学习分析模型作为学习分析的具体化形式，对学习分析的高效实施具有重要作用。我们根据现有各模型的特征将学习分析模型分为以下三类：
1.反馈环型学习分析模型，如持续改进环模型、学习分析概念模型、智慧环境中的学习分析过程模型、在线学习行为分析模型等。着重描述了数据处理过程以及数据信息的环形流向，体现了学习分析过程的循环性。
2.交互网状学习分析模型，如整合式学习分析系统、融合多源信息的学习分析框架等。该类模型以网状的形式体现学习分析过程，用不同类型的引擎进行数据分析和结果反馈。
3.多因素学习分析模型，如多因素学习分析通用设计框架、Chatti的学习分析模型等。多因素学习分析模型重点考虑可能影响学习分析结果的各种因素，强调内部限制和外部约束，从人文角度对模型做进一步优化和改进。
这些模型主要从数据来源、分析方法、工具以及数据采集与数据处理等方面对学习分析进行研究，将数据分析作为学习分析的关键，综合考虑环境层面、数据层面以及利益相关者等要素，实施合理的干预。但是，以利益相关者为主体、利用面向对象技术构建学习分析模型，对对象类元素进行约束和干预的研究还较少，在约束条件上也应该将人性化约束融合到学习分析过程中。
（二）面向对象方法学
面向对象（Obiect Oriented）方法简称OO方法。面向对象的思想认为现实世界中的事物都可看成是一种对象，每一个对象都有自己的属性状态，对这组属性可以进行相应的服务。对象和消息传递分别表现事物及事物间的相互联系。将具有相同属性的对象划分成一类，在其下还可以派生出不同的子类，子类自动继承父类的所有属性并可加入新的特性。类的设计具有抽象、封装、利用继承实现共享的特性。通过封装能将对象的定义和对象的实现分开，通过继承能体现类与类之间的关系。对某类中的对象，可以通过定义一组方法来完成各种操作服务。不同对象的组合及相互作用就构成了自然的客观系统。
OO方法现在已经广泛地应用在计算机软件系统开发及硬件设计工程中。OO方法的抽象、分类、继承、封装、消息通信等基本原则与人们分析问题和处理问题的方法和原则相近，这种思想可将复杂的问题分解成若干个子问题，按照一定的规则分类并确定各个模块间的联系，降低问题的复杂度。在解决多学科综合交叉的问题上，OO方法也是一个非常有效的工具。它具有很强的类的概念，能自然直观地模拟客观世界中存在的事物（对象），其属性和操作可在问题域中形象地刻画事物的静态和动态特征。 （三）面向对象的学习分析模型的构建
本文从利益相关者角度出发，融合上述三类学习分析模型的特征，构建出一个面向对象的学习分析模型（如图1所示）。该模型围绕利益相关者，以学习干预为目的，以数据的量化分析为手段，将学习分析的過程表示为应用环境及约束下的目标的确立、数据的操作、实施干预三个层次。在面向对象模型的方法计算中包括学生数据的采集、清洗、统计及分类。针对OO（object Oriented）方法所需要的元素进行归类分析和整理，设置了实验对象、无关变量、教学模式变量、学习结果变量、计算变量和实验效果F。并以进步度C和差异度D来验证模型的可行性及优化效果。
1.利益相关者
学生、教师、管理层（教育管理者、教育决策者等）、助教、设计者等都是学习分析中的利益相关者，本模型将利益相关者创建为学生类、指导者类和监督者类。同一类中的对象有着相同数据结构，这些对象之间具有结构、行为特征的共享关系。
学生既是数据来源的主体，又是实施干预的对象，处于核心地位。学生类的对象属性包括学号、姓名、性别、成绩、学习风格、学习偏好等，对象的属性确定后设计了处理这些属性的方法。我们对学生类按实验组和对照组分为OBJ1类和OBJ2类，OBJ1类按学习状态和前测成绩又划分为4个子类，分别是OBJ1_A类、OBJ1_B类、OBJ1_C类、OBJ1_D类用于区分四种学习类型；各子类可以继承父类的对象属性，同时增加了学习状态及前测和后测属性。在各个对象类之上定义了多组方法完成对学生类的操作。根据本模型应用环境及约束条件下的目标确立的需求，设计了一组方法Learning_style（），Learning_preferences（），Learning_state（），完成对学生类对象的学习风格、学习偏好、学习状态判断及分析。
指导者类包含教师与管理层对象，负责目标的设定，并与监督者一同对学生实施干预；监督者类的对象是教师和助教，是对数据进行操作的主体。
每一实体类中的对象均可根据相关条件增删，新增对象具有父类的所有属性，又可独有自己的个性。在实施学习分析过程中，利益相关者作为应用对象类贯穿整个学习分析过程，既是学习分析的出发点，又对学习分析各部分有选择和决定作用。
2.干预目标的设定
根据实施方案，将干预目标确定为由指导者对学生进行的监测、评估和预测以及由监督者对学生进行的个性化资源推荐等工作。
（1）监测、评估和预测
监测、评估和预测是逐渐递进的三个目标，也是由面向对象的方法实现的。监测方法Monitoring（），指导者或监督者通过数据分析结果了解学生的学习状态，对学生学习过程做实时监测；评估方法Assessment（），指导者根据学习者特征和监测结果，参照相关评价标准对学生的学习状态、学习绩效等做出评估；预测方法Predict（），指导者用预测模型进一步分析评估结果，对学生将来可能出现的学习状态进行预测。
（2）个性化推荐
个性化推荐的目标是监督者在数据分析的基础上，根据分析结果、学习者特征以及教学进度等多种因素，为学习者推荐个性化的学习资源、学习方法、学习建议等信息。通过一组方法Feedback（），Recommended（），实现反馈及推荐操作。
3.应用环境及约束
学习分析的应用环境是实施学习分析时所处的大环境，包括教学环境和学习过程。应用环境对学习过程的约束主要体现在数据操作中的数据采集、数据分析和实施干预三方面。这些约束关系体现在各类之间及各对象间的相互依赖关联条件上。
（1）数据的采集受数据环境和数据特性制约。
（2）数据的分析环节受分析工具的效用、分析结果的合理性以及分析方法的恰当性制约。
（3）实施干预时，干预行为受利益相关者的类别权限以及伦理、隐私、人性化等约束的制约。
（四）面向对象的学习分析特征
面向对象的学习分析强化了学习分析作为辅助教学的应用所具备的服务性，围绕学习分析所服务的对象（利益相关者）实施学习分析，既凸显了利益相关者的主体地位，又在人文和环境等限制约束的条件下突出了干预措施，并利用面向对象变量、量化分析等相关技术体现了学习分析的服务性应用特征。
1.干预措施
本模型中目标的类型包括对学生学习过程的监测、评估、预测以及个性化推荐四种，不同类型的目标对应不同类型的干预措施，其中个性化推荐是本模型的特点之一。如表1所示。
实现学习分析的关键在于依据学习过程中的预设目标与数据分析结果选择并实施干预，本模型的干预以人工干预为辅、自我干预为主，实现学习过程的个性化与学生的自适应学习。
2.量化计算及进步度、差异度分析
本文综合显著性与成绩变化程度对学生的学习效果加以判断，分析了实验组和对照组进步度的均值、标准差以及学习效果，对学生类及其子类操作方法中涉及的变量进行了设定。
（1）面向对象变量
本文模型设置了实验对象O、无关变量X、教学模式变量M、学习结果变量R、计算变量和实验效果F。对O1实施M1，对O2实施M2后产生学习结果R1～R4，经比较分析，对学习结果计算处理得到计算变量，包括进步度变量C和差异度变量D。进步度C是指教学前后自身的成绩变化，包括实验组进步度C1和对照组进步度C2。差异度D是指教学前后两组差距的变化，由教学后的差异值d2与教学前的差异值d1的差值来体现。为验证实验效果，本文将进步度C默认为实验组进步度C1。变量详情以及变量间的关系如图2所示。 （2）标准化处理和比较分析
对前测结果、教学过程中的测试结果以及后测结果采用Standardized（）方法进行标准化处理，得出计算变量C、D并对其进行分析，分析依据如表2所示。
由于教学模式变量M与学习结果变量R强关联，对计算变量C、D具有派生依赖，计算变量与R呈现多态特性，最终影响实验效果F。因此通过Regression（）方法用回归方程计算变量C、D与F的关系来验证实验的可靠性。
三、面向对象的学习分析模型实例
本文设计的面向对象的学习分析模型通过对照实验来验证其有效性与可靠性。
（一）实验对象与环境
本次实验的对象是我校计算机操作系统课程计算机专业某年级3班和4班的学生。在前期课程结束后，以班级为单位安排前测，将前测结果较低的班级设置为实验组。依据前测结果将3班（30人）设为实验组、4班（30人）为对照组，实验组3班有56%的学生处于及格及以下水平，其中不及格学生占6%；没有学生达到优秀水平。在保证实验组和对照组的教学环境、教学内容、教学目标和教师都相同的情况下进行分组教学。实验组采用面向对象的学习分析模型教学模式M1，对照组实施原有的教学模式M2。操作系统课程教学包括理论知识和上机操作两部分。教学环境包括线下的多媒体教室与机房和线上的教育平台（课堂派网站）。教学方式以在多媒体教室中进行的授课和上机操作为主，课后的练习任务和交互则通过课堂派实现。
课堂派是基于网站和移动端的在线教育平台，具有作业管理、考勤、测验、课程资源共享、成绩统计、师生交互、多平台推荐信息等功能的在线课堂管理工具。将课堂派用于线上教学，不仅能够给学生和教师提供优质的在线体验，还能实现师生私信沟通和实时交流，在师生反馈交流平台上更好地实现师生互动。
（二）面向对象模型实验
模型的实验结果由前测和后测的综合成绩体现，理论部分的前测是课程前期的随堂测试，后测是期末的综合性考核 闭卷考试；上机部分的前测是课程前期的实验任务，后测是期末的综合性上机大作业。实验过程中对理论和上机分别测试，依照总成绩=70%理论成绩 30%上机成绩统计，通过分析计算变量得出结论。
1.数据采集清洗与封装
在课程开始之前通过在线教育平台课堂派对所有学生做问卷调查，使用Data_collect（）方法采集學生的个性特征（学习风格和学习偏好1以及学习状态参数。对数据筛选和清洗后，用Learning_state（）方法根据状态参数和学习基础将学生类划分封装成4个子类，OBJ1_A类～OBJ1_D类区分优良、中、及格、差四种学生类型，用于分析学生的学习状态。
（1）学习风格
学习风格按照信息加工、信息感知、信息输入、信息理解四个维度进行统计。经分析，学习风格上，70%的学生在信息加工时倾向于积极运用学习资源，善于尝试新事物，喜欢讨论与合作，喜欢实践。73%的学生倾向于接受视觉信息，并能够积极对信息进行加工。有47%的学生在掌握学习内容时倾向于小步调、线性的学习，还有47%的学生则倾向于整体性的思维过程，大步调的学习，对概述更感兴趣。针对不同风格的学生需要推送不同的学习建议与学习资源。
（2）学习偏好
按照学习内容、学习氛围、学习态度、学习方法四个维度进行学习偏好分析。分析结果表明，大多数学生偏重良好的学习氛围和学习方法，潜藏着积极学习的巨大潜力。但有17%的学生对学习内容不太感兴趣，40%的学生的学习态度略为消极。为强化教学效果，需在教学过程中加强师生交互，在干预过程中特别关注积极性不高的学生，激发学生的学习动力与学习兴趣。
（3）学习过程状态
学习过程及学习状态从学习动力，学习计划设计，学习态度，自主学习能力等一级指标进行分析，每级指标下又包含若干二级指标。分别对各类参数进行统计分析，得到每名学生的学习过程中的状态特征。
2.评估与干预
实验中期，使用评估方法Assessment（）对课堂派中的数据（学生信息、考勤、按时上交作业、上机作业成绩、课堂测验结果、问卷、课程资源、师生交互记录、讨论记录等）进行学习分析。利用方法Feedback（），Recommended（），实验组和对照组都可通过网络平台得到测试成绩、作业成绩等学习结果的呈现；但实验组还会定期收到监督者的学习分析激励、给出个性化的学习建议等反馈，要求学生及时与监督者交流等人工干预，学生在感受到教师的关注后更加积极地进行自我干预。图3是对学生的学习状态评估和通过课堂派的反馈及个性化推荐。
在实现该模型的教学过程中，教师和助教基于学生的个性特征和学习状态多次实施人工干预，使得学生在接受干预后产生积极的自我干预，积极提交作业，登录网络平台次数增多，与教师私信交流的人次远超对照组，师生交互频繁等主动学习的表现极大地提升了学习积极性。在信息反馈时采用人性化设计，照顾学生的隐私与感受，以私信和鼓励赞赏话语为主与学生交流。而面对同样的教学内容，没有进行干预的对照组与实验组相比学习积极性较弱，两极分化严重，成绩明显下降。
（三）面向对象模型的量化分析
利用Standardized（）方法对数据进行标准化处理，计算得出进步度C以及两组的差异度D。
1.教学前后的进步度C
进步度是指学习成绩的变化量，通过分析进步度所处的范围，可以验证教学是否得到优化。利用模型中的方法，实验组的进步度C1=R3-R1，对照组的进步度C2=R4-R2。进步度的均值体现了整体学习水平，均值越高，学习水平越高；进步度的标准差体现了各个水平学生的分布程度，标准差越大，成绩两极分化越严重。分析结果如表3所示。 2.教学前后的差异度D
差异度D是指差异值d的变化量，差异值是同一测试中实验组与对照组学习结果的差距。教学前的差异值d1=R1-R2，教学后的差异值d2=R3-R4，差异度D=d2-d1。若D>0，则说明本模型的教学模式的效率更高，能够更好地优化教学。图4是教学过程中两组差异值的变化情况，图中条形的长短体现了差异值的大小，差异值的正负则体现了该阶段哪一组的成绩更高（若差异值为正，则实验组的成绩更高；否则，对照组的成绩更高）。
下页图3表明，教学前实验组的成绩都低于对照组，且存在明显差异；教学后实验组的成绩高于对照组，且无明显差异。经计算，差异度D值为 12.6，因而本模型优化教学的效果更好。
3.實验可靠性
实验的可靠性是指实验的信度，即采用同样的方法对同一对象重复测量时所得结果的一致性程度。采用Regression（）方法通过归纳计算变量C、D与F的关系来验证实验的可靠性。F为因变量，C和D为自变量，借助回归分析来分析和检验三者之间的关系。经计算，C的回归系数为0.827，D的回归系数为-0.422，常量N的回归系数为84.028，得出回归方程：F=0.827*C-0.422*D 84.028。其中，常量N是该直线在纵轴上的截距，表示C、D为0时F的平均水平。从回归方程中可看出，实验组进步度越大且差异度越小，教学效果越好。
为保证回归方程的信度，需对回归方程中的变量进行相关性检验、对回归方程的显著性进行方差齐性检验（F检验）、对回归系数进行T检验。基于面向对象方法计算测试结果并分析成绩变化是否显著（设显著水平α=0.05，若相关概率p<α则变化显著，否则变化不显著）。通过对照F分布表和T分布表，找到各自的相关概率p，比较p值与显著水平α的大小得出结果，分析如表4所示。
上述检验结果确保了回归方程的信度，进而验证了实验的可靠性。
（四）实验效果分析
面向对象的学习分析模型突出了学生类的主体设计，强调教学过程中的人性化因素，以学生为中心实现个性化教学。与现有的学习分析模型不同，该模型融合了学习分析的过程性、约束性与目的性，以技术手段强化对象变量的量化分析，其特点在于通过实施干预促使学生自我提升学习过程，进而优化教与学。实验组学习效果提升情况如表5所示。
从表5看出，实验组整体从中等及以下水平提升至中等及良好水平，有10%的学生达到优秀水平，各有30%的学生提升至中等或良好水平，在原有水平的学生的成绩较教学前也有所提高。虽然教学后实验组仍有6%学生不合格，但具体学生有变动。该实验结果体现了面向对象的学习分析模型借用不同技术，借助不同形式的合理干预来优化教学过程的有效性。
四、结论
面向对象的学习分析模型在面向对象方法学理论的支持下，以利益相关者为对象建立了对象类，定义了一组方法实现对学习数据的操作，通过封装将学生对象的属性和操作整合在一起。通过方法的调用，对学习数据变量做量化计算和多元统计分析。本模型在应用环境的约束下突出干预措施的方向性，强调人性化的学习推荐，促进了个性化教学的实现，为提高教学效果提供了帮助。
本研究还有许多方面有待改进。实验是在多媒体课堂和网络师生互动平台结合的教学环境下进行的，还未能验证该模型在其他教学环境下的可行性。此外，干预环节中的预测功能还有待实践，且个性化推荐的及时性和推荐内容的适宜性还需进一步提升。虽然研究中还存在诸多不足，但应该肯定的是我们对学习分析模型的研究与实践是一种有益的尝试，随着大数据、云计算、面向对象技术等现代信息技术与教育领域的结合，采用新技术后的学习分析在教学中的应用一定会不断地发展与完善。