论文部分内容阅读
摘 要：为了解学习分析技术在欧美地区的应用现状，制订科学、有效的学习分析技术推进政策，JRC发布了《学习分析技术应用调查报告》。报告介绍了目前学习分析技术的典型工具、典型应用案例和各地区的支持政策，分析了欧洲学习分析技术的未来发展方向。在深度解读报告的基础上，文章依据学习分析技术软件使用年限和影响力筛选出十个典型工具进行简要介绍;在实践层次、实践领域、实践对象等方面筛选出十个具有代表性的典型案例进行介绍;梳理学习分析技术现阶段发展的重点问题和未来的工作重点。最后针对我国学习分析技术领域的发展现状与发展诉求提出五点建议，以期为我国学习分析技术领域的研究和发展提供借鉴。
关键词：学习分析技术;报告解读;案例分析;应用现状;发展趋势
中图分类号：G434 文献标志码：A 文章编号：2096-0069（2019）02-0087-06
收稿日期：2018-10-18
基金项目：河南省教育科学规划重大招标课题“河南省教育信息化资源整合问题研究”（2017-JKGHZDZB-07），河南省教育厅2018年人文社会科学研究项目“个人学习空间支持教师专业成长的生态模型及进化机制研究”（2018-ZZJH-246）
作者简介：朱珂（1982— ），男，河南南阳人，河南师范大学教育学院副教授，博士，硕士生导师，研究方向为信息技术与课程整合、学习科学与技术和学习分析技术等;杨冰（1992— ），女，河南三门峡人，河南师范大学教育学院教育技术学硕士研究生，研究方向为信息技术与课程整合、学习分析技术。
一、引言
学习分析技术的出现被认为是自学习管理系统出现后教育技术的第三次大规模发展[1]，得到了世界各国的广泛关注。为明晰学习分析技术在全球范围内的研究应用现状，制定科学有效的政策框架，欧盟科学知识服务联合研究中心（Joint Research Centre，JRC）发布了《学习分析技术应用调查报告》[2]（以下简称《报告》），介绍了全球范围内学习分析技术的实践应用和发展现状。本文对《报告》中调查的应用现状和实践案例进行梳理解读，系统分析数字教育先进地区学习分析技术领域的发展规划与行动路径，结合国内学习分析技术的应用现状与发展诉求提出建议，以期对我国学习分析技术的应用与发展有所帮助。
二、报告的研究背景
2005年，美国高校教育信息化协会主动学习组织首次公布使用学习分析技术进行教学应用的系列案例 [3]。2010年，美国新媒体联盟的《地平线报告》将学习分析技术列为未来发展的重要主题，学习分析技术研究领域正式形成[4]。学习分析技术借鉴了统计学、人工智能和计算机科学等学科的理论和方法[5]，是计算机管理教学（Computer-Managed Instruction，CMI）和基于数据的决策（Data-Driven Decision Making，DDDM）的继承和发展[6]。
JRC在对学习分析技术领域的应用现状进行研究梳理后，形成以“典型工具案例库”“典型实践案例”为主体的实证研究成果，同时针对该领域目前的应用现状和未来的工作重点进行专题研讨，最终发布以“学习分析技术领域行动清单”为核心的《报告》。
三、学习分析技术领域典型工具分析
为分析学习分析工具软件在类型、功能作用及使用规模等方面的情况，以“典型工具案例库”中所列工具为基础，筛选出现阶段学习分析技术领域典型的软件工具共计28个。所选工具涉及义务教育（13个）、高等教育（8个）、职业教育（2个）及非正式教育（5个）等不同应用场景。
将这28个软件工具从软件类型和使用功能两个方面进行量的数据统计（一个软件涉及多种类型时重复计量统计）。从图1中可以看出，课程辅助软件和分析评价软件所占比例最高，由此可知，目前市场对此类软件的需求较高，且相应技术发展较为成熟;课程管理平台软件、自适应学习软件及学习预警软件在学习分析工具中占较大比例;教育管理决策软件最少，仅为9%。教育管理决策软件所占比例较少，其原因主要是决策系统中教育问题具有复杂性，如何有效处理海量繁杂的多来源数据是目前教育决策支持需要解决的难题，基于数据的教育决策的研究亟待完善。从图2中可以看出，目前市场对具有统计分析作用及可视化作用的工具需求较高，同时技术应用也较为成熟，统计分析与可视化功能的软件最多。预警功能占14%，自适应、预测分析及建模三种功能分别为13%、11%和10%。这四类功能的软件在总的比例中也比较高，是学习分析技术领域的主流功能。对于推荐功能的软件，在计算推送资源时，系统如何搜集来源更加丰富、覆盖更加全面的学习数据，同时如何有效处理这些海量的繁杂信息、推送精准适用的学习资源是目前学习分析技术研究领域的研究重点。
为了进一步深入了解，从上述28个典型工具软件中筛选出10个应用年限超过3年、应用规模较大的进行介绍，如表1所示。通过此表可以看到现有学习分析技术工具在不同地区、不同层次的教育应用中所发挥的作用。
四、学习分析技术十大典型实践案例
《报告》中“典型实践案例”部分收集、描述了学习分析技术的十大典型实践案例，如图3所示。
（一）第三方成功推广学习分析技术案例——知识网基金会
知识网基金会（Kennisnet Foundation）是由荷兰教育部资助的用于支持和鼓励中小学有效利用信息通信技术的公共教育组织[17]。2011年，其开始为教育部门和各类组织提供学习分析技术、可视化工具和个性化学习等相关服务[18]，并与荷兰教育科研网合作，为荷兰制定学习分析技术领域的标准和发展框架[19]。
（二）数据管理与隐私保护相关政策制定——英国开放大学
随着收集学生数据的范围和数量不断剧增，数据的管理与隐私保護问题日益凸显，学习分析技术领域中数据道德伦理方面暴露的问题亟待解决，英国开放大学与开放大学学生社团合作制定采集数据的八项原则，与英国联合信息系统委员会（Joint Information Systems Committee，JISC）合作发布《学习分析技术实践规范》[20]，在此基础上逐渐形成体系完整的隐私保护伦理政策。 （三）数据密集型战略——悉尼科技大学
2011年，澳大利亚悉尼科技大学制定了创建数据密集型大学的目标，针对大容量、多样化、全方位的学生数据，进行合理有效的收集、存储、管理、使用，并开发搭建合理分析利用教育大数据的软件工具与平台系统[21] 。2014年，学校开设互联智慧中心，专注前沿学习分析技术工具的研究，以及为学生开设适应数据密集型时代的课程[22]。
（四）开源架构软件——艾派瑞基金会的学习分析技术计划
成立于2012年的艾派瑞基金会（Apereo Foundation）致力于以开源方式推动学习分析技术在教育领域的发展。2014年，Apereo基金会制订了一个促进学习分析软件加速开发的学习分析技术计划：在10～15年内成功搭建针对开源式学习分析系统的基准框架，为学习者提供纵向数据的服务[23]。其中开发的学生成功计划（Student Success Plan，SSP）工具[24]，旨在提高学生的保留率、学习成绩、毕业率和学习效率，其源代码对公众免费开放，因其有效性和开放源代码的特性已在教育领域广泛应用。
（五）学习分析技术商业化模式——蓝雀机构
成立于2013年的蓝雀（Blue Canary）机构，其商业模式是通过数据预测分析为客户大学提供在未来一周内可能辍学的学生名单，帮助学校识别处于风险中的学生，然后由客户针对预测结果采取干预措施以保留这些学生。2015年，因蓝雀在预测方面的成就被黑板（Blackboard）收购，为Blackboard预测分析部分提供技术支持[25]。
（六）预测、预警、可视化的成功应用——普渡大学课程信号灯系统
美国普渡大学的课程信号灯系统通过数据分析预测在课程完成过程中存在风险的学生。系统的可视化功能利用信号灯的颜色来直观显示学习者目前的学习状态。这一系统的应用，使每一位学习者都能对自己的表现了然于胸，并且可以为教师预警那些在课程完成过程中存在风险的学生[26]。
（七）自适应、个性化的学习分析技术——密歇根大学
密歇根大学在课程教学中应用学习分析技术为学生提供自适应、个性化的学习支持。2012年，密歇根大学在物理课程中实施自适应教育项目E2Coach。课前通过调查收集所有学生包括在物理和数学方面的学术成就、学习课程的动机、课程成就期望、对物理学的态度以及对课程完成的信心等相关信息，为每一名进入课程的学生刻画学生肖像。学生肖像随着时间和课程成就的变化而不断丰富，能实时描绘学生的学习进度，并结合最终成就预期实施干预[27]。
（八）国家层面战略支持——挪威
学习分析技术在挪威受到国家战略层面的重视与支持，各教育部门大力推进学习分析技术的发展。2014年年初，挪威最大的教科书编著出版公司吉伦达尔（Gyldendal）与扭顿（Knewton）合作为小学生设计拥有配套学习分析技术工具辅助的教材[28][29]。同时，国家大力支持信息化基础设施建设，2017年挪威国家教育研究网络推出教育数据共享服务平台，解决教育领域数据共享问题，推进学习分析技术领域的发展[30]。
（九）社会网络分析工具——卧龙岗大学
教学实践型社会网络工具（Social Networks Adapting Pedagogical Practice，SNAPP）是由澳大利亚卧龙岗大学开发的社会网络分析工具[31][32]。SNAPP本质上是一种诊断工具，在商业社交网络和开源学习管理系统中进行实时社交网络分析和可视化交互模式诊断，帮助教学人员识别学生行为模式，依据学习活动设计目标适时进行教学干预，为教师对网络学习进行评估及针对个别学生采取干预措施提供有力依据。
（十）预测分析助力教育公平——佐治亚州立大学
调查发现，部分拥有很高的平均绩点或临近毕业的学生也会因为付不起学校的费用而中途退学。基于此，佐治亚州立大学（Georgia State University，GSU）用预测分析的方式削弱因经济原因产生的同龄人之间的成就差距。GSU还利用过去10年的250万名学生的数据库创建咨询系统，该系统在预测分析后向学生提供最可能取得成功的课程路径。研究调查显示，在此系统的帮助下GSU毕业率从2003年的32%上升到2017年的74%[33]。
五、学习分析技术领域发展趋势和对我国的启示
（一）学习分析技术发展应用前瞻
基于JRC长期的研究结果可知，目前的學习分析技术应用正处于一个快速发展的阶段，但是总体上使用学习分析技术来改善和创新学习和教学的工作仍处于起步阶段，工作较为分散，缺少统一的统筹安排，未来将会优化顶层规划，制定各级各层的宏观发展战略。在技术工具应用方面，大部分的学习分析技术工作主要集中在供应方面，针对需求方面的工作有所欠缺，未来将会依据学校管理人员、教师和学生的需求，开发解决教育实际问题的软件工具;在教育改善干预方面，可视化的学习分析数据缺少具体的教学活动建议，在具体的教学情境中缺乏可操作性，未来将会提供更多智能化方案与操作性支持服务;同时，未来学习分析技术领域将会更加关注创新教学过程和学习活动，帮助教育工作者与机构充分融入数字时代。随着教育信息化2.0时代的来临，学习分析技术将会更加深入地挖掘分析教育大数据，用技术手段支持改善教育教学。
（二）对我国学习分析技术领域的战略启示
1.优化顶层设计，制定宏观发展战略
教育战略规划是对教育发展的全局性、长远性和战略性的谋划，与《报告》中制定一个与欧洲优先领域相一致的学习分析技术发展路线图一样，我国也需要站在国家战略高度对以学习分析技术为代表的关键技术制定发展战略，制定相应的建设目标和具体量化标准。
2.统一标准，促进跨平台分析融合创新 目前眾多在线学习平台和学习管理系统积累了海量的结构化、半结构化、非结构化的教育数据，但因系统不同、平台各异，容易形成数据孤岛。如何建立统一的数据格式标准和技术规范，使得各平台和系统间能够交流、联通和整合，进而为数据的获取、筛选、挖掘、分析、呈现提供规范流程和框架体系成为急需解决的问题。
3.加快数据管理设计，逐步完善标准体系
在学习分析技术快速发展的同时，一系列有关教育数据安全和学生隐私保护的问题亟待解决。英国开放大学、美国佐治亚州立大学等机构已经着手制定教育数据集使用的管理框架，我国部分学者对此也进行了系列探讨，但是完善的数据保护框架尚未建立[34]，工信部印发的《大数据产业发展规划（2016—2020年）》中明确指出，目前我国需要加强大数据标准化顶层设计，逐步完善标准体系[35]。随着学习分析技术应用的日益普遍，这一需求变得更加迫切。
4.创新跨领域协同推进机制
学习分析技术是一个以数据为基础、以技术为核心的新兴研究领域。该领域发展离不开数据挖掘技术、情感计算技术、心理测量技术及人工智能技术等的革新与发展。技术的进步需要校企合作的模式，企业提供技术支持，学校在教学中应用技术，两者协力促进技术发展。经过充分发展，形成基础完善、技术保障、应用繁荣的学习分析技术产业体系，最终改善教学过程，提高教育质量[36]。
5.对接人工智能2.0，打造智能教育体系
随着人工智能2.0时代的到来，人工智能领域内语音识别、视觉识别、情感识别、跨媒体协同处理、深度学习等技术不断成熟。对接人工智能技术的学习分析技术可以在教学评估、学习预警、自适应学习及资源和个性化学习路径推荐等领域，提升教育效果和效率，提高教育质量。对接人工智能2.0的学习分析技术，是未来智慧教育发展的必然趋势，是推动教育模式、教育体系变革的助推器。
参考文献
[1]BROWN M.Learning Analytics：The Coming Third Wave[EB/OL].（2011-04）[2018-10-17].https：//www.educause.edu/ir/library/pdf/ELIB1101.pdf.
[2]FERGUSON R，BRASHER A，CLOW D，et al.Research Evidence on the Use of Learning Analytics：Implications for Education Policy[EB/OL].（2016-02）[2018-10-17].http：//libeprints.open.ac.uk/48173/1/Analytics%20research%20evidence.pdf.
[3][5]祝智庭，沈德梅.学习分析学：智慧教育的科学力量[J].电化教育研究，2013，（5）：5-12，19.
[4]毛刚，刘清堂.融入学习分析的网络学习评价模型与应用研究[J].远程教育杂志，2016，（6）：20-27.
[6]顾小清，张进良，蔡慧英.学习分析：正在浮现中的数据技术[J].远程教育杂志，2012，（1）：18-25.
[7]ASSISTments.Making Math Homework More Effective：The 7th Grade Maine ASSISTments Efficacy Studeny[EB/OL].（2018-10-17）[2018-10-17].http：//www.assistmentsmaine.org/about.php.
[8]Bingel.Bingel[EB/OL].（2018-10-17）[2018-10-17].http：//www.bingelsite.be.
[9]Wikipedia.Cognitive Tutor[EB/OL].（2018-08-29）[2018-10-17].https：//en.wikipedia.org/wiki/Cognitive_tutor.
[10][29]Itslearning.Itslearning for Advanced Reporition[EB/OL].（2017-01-29）[2018-10-17].http：//www.itslearning.net/reporting-analytics.
[11]Schoolzilla.What Is Schoolzilla？[EB/OL].（2016-01-20）[2018-10-17].https：//schoolzilla.com/infographic-2015-year-in-review.
[12]Knewton.Introducing Alta Knewton’s Fully Integrated Adaptive Learning Courseware[EB/OL].（2018-10-17）[2018-10-17].http：//www.knewton.com.
[13][23][24]Apereo.Apereo[EB/OL].（2018-10-17）[2018-10-17].https：//www.apereo.org.
[14]Khanacademy.A Personalized Learning Resource for All Ages[EB/OL].（2018-10-17）[2018-10-17].https：//www.khanacademy.org.
[15]Digital Assess.Technology that Frees You up to Focus on Education[EB/OL].（2018-10-17）[2018-10-17].http：//digitalassess.com. [16]DENLEY T.Degree Compass Course Recommendation System [EB/OL].（2013-06-27）[2018-10-17].https：//library.educause.edu/resources/2013/6/degree-compass-course-recommendation-system.
[17][18][19]Kennisnet.The Netherlands Country Report on ICT in Education[R].Brussels：European Schoolnet，2011.
[20]JISC.Code of Practice for Learning Analytics[EB/OL].（2015-06-04）[2018-10-17].https：//www.jisc.ac.uk/guides/code-of-practice-for-learning-analytics.
[21][22]SIEMENS G S，DAWSON，G LYNCH.Improving the Quality of Productivity of the Higher Education Sector：Policy and Strategy for Systems-Level Deployment of Learning Analytics[EB/OL].（2013-12）[2018-10-17].http：//www.researchgate.net/file.PostFileLoader.html？id=5876881f48954c17c729b527&assetKey=AS%3A449426784296961%40148416310309.
[25]芥末堆.一年內完成了5笔收购，让我们回顾下LMS巨头Blackboard的“买买买”之路[EB/OL].（2015-12-06）[2018-10-17].https：//www.jiemodui.com/N/33039.html.
[26]ARNOLD KIMBERLEY E，Pistilli Matthew.Course Signals at Purdue：Using Learning Analytics to Increase Student Success[R].Canada：Vancouver，2012.
[27]Educause.University of Michigan Physics Department：E2Coa-ch[EB/OL].（2014-07-21）[2018-10-17].https：//library.educa-use.edu/resources/2014/7/university-of-michigan-physics-department-e2coach.
[28]Gyldendal.Multi Smart?ving[EB/OL].（2018-10-17）[2018-10-17].http：//www.smartoving.no/.
[30]UNINETT.Dataporten[EB/OL].（2018-10-17）[2018-10-17].https：//www.uninett.no/tjenester/dataporten.
[31]ETDoer.Social Networks Adapting Pedagogical Practice[EB/OL].（2013-10-13）[2018-10-17].http：//blog.sina.com.cn/s/blog_8f6da3210101dj1d.html.
[32]DAWSON S."Seeing"Networks：Visualizing and Evaluating Student Learning Networks[EB/OL].（2011-01）[2018-10-17].https：//research.u-ow.edu.au/content/groups/public/@web/@learnnet/documents/doc/uow115678.pdf.
[33]KURZWEIL M.Building a Pathway to Student Success at Georgia State University[EB/OL].（2015-04-23）[2018-10-17].http：//www.sr.ithaka.org/publications/building-a-pathway-to-student-success-at-georgia-state-university/.
[34]吴晨光，刘斌.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[J].数字教育，2017，（3）：41-45.
[35]工业和信息化部.工业和信息化部关于印发《大数据产业发展规划（2016—2020年）》的通知[EB/OL].（2017-01-17）[2018-10-17].http：//www.miit.gov.cn/n1146295/n1652858/n1652930/n3757016/c5464999/content.html.
[36]朱珂，刘清堂.基于“学习分析”技术的学习平台开发与应用研究[J].中国电化教育，2013，（9）：127-132.
（责任编辑 杜丹丹）
Abstract： To understand the state of the implementation of learning analytics technology in Europe and America and make a scientific and effective policy for learning analytics，JRC published Research Evidence on the Use of Learning Analytics Technology.The report introduces the typical tools，the typical application cases and policies about learning analytics，and analyzes the future development direction of European learning analysis technology.Based on the in-depth interpretation of the report，the paper gives a brief introduction of the 10 typical tools that are selected in terms of years of use and influence.In combination with practice level，practice field and practical object，10 representative typical cases are selected for introduction.And the paper conducts the key issues and future priorities of the development.Finally，based on the current situation and development demands of learning analytics in China，the paper proposes five suggestions for the development of learning analytics in China.
Key words： learning analytics technology;report interpretation;case study;application status; development trend
关键词：学习分析技术;报告解读;案例分析;应用现状;发展趋势
中图分类号：G434 文献标志码：A 文章编号：2096-0069（2019）02-0087-06
收稿日期：2018-10-18
基金项目：河南省教育科学规划重大招标课题“河南省教育信息化资源整合问题研究”（2017-JKGHZDZB-07），河南省教育厅2018年人文社会科学研究项目“个人学习空间支持教师专业成长的生态模型及进化机制研究”（2018-ZZJH-246）
作者简介：朱珂（1982— ），男，河南南阳人，河南师范大学教育学院副教授，博士，硕士生导师，研究方向为信息技术与课程整合、学习科学与技术和学习分析技术等;杨冰（1992— ），女，河南三门峡人，河南师范大学教育学院教育技术学硕士研究生，研究方向为信息技术与课程整合、学习分析技术。
一、引言
学习分析技术的出现被认为是自学习管理系统出现后教育技术的第三次大规模发展[1]，得到了世界各国的广泛关注。为明晰学习分析技术在全球范围内的研究应用现状，制定科学有效的政策框架，欧盟科学知识服务联合研究中心（Joint Research Centre，JRC）发布了《学习分析技术应用调查报告》[2]（以下简称《报告》），介绍了全球范围内学习分析技术的实践应用和发展现状。本文对《报告》中调查的应用现状和实践案例进行梳理解读，系统分析数字教育先进地区学习分析技术领域的发展规划与行动路径，结合国内学习分析技术的应用现状与发展诉求提出建议，以期对我国学习分析技术的应用与发展有所帮助。
二、报告的研究背景
2005年，美国高校教育信息化协会主动学习组织首次公布使用学习分析技术进行教学应用的系列案例 [3]。2010年，美国新媒体联盟的《地平线报告》将学习分析技术列为未来发展的重要主题，学习分析技术研究领域正式形成[4]。学习分析技术借鉴了统计学、人工智能和计算机科学等学科的理论和方法[5]，是计算机管理教学（Computer-Managed Instruction，CMI）和基于数据的决策（Data-Driven Decision Making，DDDM）的继承和发展[6]。
JRC在对学习分析技术领域的应用现状进行研究梳理后，形成以“典型工具案例库”“典型实践案例”为主体的实证研究成果，同时针对该领域目前的应用现状和未来的工作重点进行专题研讨，最终发布以“学习分析技术领域行动清单”为核心的《报告》。
三、学习分析技术领域典型工具分析
为分析学习分析工具软件在类型、功能作用及使用规模等方面的情况，以“典型工具案例库”中所列工具为基础，筛选出现阶段学习分析技术领域典型的软件工具共计28个。所选工具涉及义务教育（13个）、高等教育（8个）、职业教育（2个）及非正式教育（5个）等不同应用场景。
将这28个软件工具从软件类型和使用功能两个方面进行量的数据统计（一个软件涉及多种类型时重复计量统计）。从图1中可以看出，课程辅助软件和分析评价软件所占比例最高，由此可知，目前市场对此类软件的需求较高，且相应技术发展较为成熟;课程管理平台软件、自适应学习软件及学习预警软件在学习分析工具中占较大比例;教育管理决策软件最少，仅为9%。教育管理决策软件所占比例较少，其原因主要是决策系统中教育问题具有复杂性，如何有效处理海量繁杂的多来源数据是目前教育决策支持需要解决的难题，基于数据的教育决策的研究亟待完善。从图2中可以看出，目前市场对具有统计分析作用及可视化作用的工具需求较高，同时技术应用也较为成熟，统计分析与可视化功能的软件最多。预警功能占14%，自适应、预测分析及建模三种功能分别为13%、11%和10%。这四类功能的软件在总的比例中也比较高，是学习分析技术领域的主流功能。对于推荐功能的软件，在计算推送资源时，系统如何搜集来源更加丰富、覆盖更加全面的学习数据，同时如何有效处理这些海量的繁杂信息、推送精准适用的学习资源是目前学习分析技术研究领域的研究重点。
为了进一步深入了解，从上述28个典型工具软件中筛选出10个应用年限超过3年、应用规模较大的进行介绍，如表1所示。通过此表可以看到现有学习分析技术工具在不同地区、不同层次的教育应用中所发挥的作用。
四、学习分析技术十大典型实践案例
《报告》中“典型实践案例”部分收集、描述了学习分析技术的十大典型实践案例，如图3所示。
（一）第三方成功推广学习分析技术案例——知识网基金会
知识网基金会（Kennisnet Foundation）是由荷兰教育部资助的用于支持和鼓励中小学有效利用信息通信技术的公共教育组织[17]。2011年，其开始为教育部门和各类组织提供学习分析技术、可视化工具和个性化学习等相关服务[18]，并与荷兰教育科研网合作，为荷兰制定学习分析技术领域的标准和发展框架[19]。
（二）数据管理与隐私保护相关政策制定——英国开放大学
随着收集学生数据的范围和数量不断剧增，数据的管理与隐私保護问题日益凸显，学习分析技术领域中数据道德伦理方面暴露的问题亟待解决，英国开放大学与开放大学学生社团合作制定采集数据的八项原则，与英国联合信息系统委员会（Joint Information Systems Committee，JISC）合作发布《学习分析技术实践规范》[20]，在此基础上逐渐形成体系完整的隐私保护伦理政策。 （三）数据密集型战略——悉尼科技大学
2011年，澳大利亚悉尼科技大学制定了创建数据密集型大学的目标，针对大容量、多样化、全方位的学生数据，进行合理有效的收集、存储、管理、使用，并开发搭建合理分析利用教育大数据的软件工具与平台系统[21] 。2014年，学校开设互联智慧中心，专注前沿学习分析技术工具的研究，以及为学生开设适应数据密集型时代的课程[22]。
（四）开源架构软件——艾派瑞基金会的学习分析技术计划
成立于2012年的艾派瑞基金会（Apereo Foundation）致力于以开源方式推动学习分析技术在教育领域的发展。2014年，Apereo基金会制订了一个促进学习分析软件加速开发的学习分析技术计划：在10～15年内成功搭建针对开源式学习分析系统的基准框架，为学习者提供纵向数据的服务[23]。其中开发的学生成功计划（Student Success Plan，SSP）工具[24]，旨在提高学生的保留率、学习成绩、毕业率和学习效率，其源代码对公众免费开放，因其有效性和开放源代码的特性已在教育领域广泛应用。
（五）学习分析技术商业化模式——蓝雀机构
成立于2013年的蓝雀（Blue Canary）机构，其商业模式是通过数据预测分析为客户大学提供在未来一周内可能辍学的学生名单，帮助学校识别处于风险中的学生，然后由客户针对预测结果采取干预措施以保留这些学生。2015年，因蓝雀在预测方面的成就被黑板（Blackboard）收购，为Blackboard预测分析部分提供技术支持[25]。
（六）预测、预警、可视化的成功应用——普渡大学课程信号灯系统
美国普渡大学的课程信号灯系统通过数据分析预测在课程完成过程中存在风险的学生。系统的可视化功能利用信号灯的颜色来直观显示学习者目前的学习状态。这一系统的应用，使每一位学习者都能对自己的表现了然于胸，并且可以为教师预警那些在课程完成过程中存在风险的学生[26]。
（七）自适应、个性化的学习分析技术——密歇根大学
密歇根大学在课程教学中应用学习分析技术为学生提供自适应、个性化的学习支持。2012年，密歇根大学在物理课程中实施自适应教育项目E2Coach。课前通过调查收集所有学生包括在物理和数学方面的学术成就、学习课程的动机、课程成就期望、对物理学的态度以及对课程完成的信心等相关信息，为每一名进入课程的学生刻画学生肖像。学生肖像随着时间和课程成就的变化而不断丰富，能实时描绘学生的学习进度，并结合最终成就预期实施干预[27]。
（八）国家层面战略支持——挪威
学习分析技术在挪威受到国家战略层面的重视与支持，各教育部门大力推进学习分析技术的发展。2014年年初，挪威最大的教科书编著出版公司吉伦达尔（Gyldendal）与扭顿（Knewton）合作为小学生设计拥有配套学习分析技术工具辅助的教材[28][29]。同时，国家大力支持信息化基础设施建设，2017年挪威国家教育研究网络推出教育数据共享服务平台，解决教育领域数据共享问题，推进学习分析技术领域的发展[30]。
（九）社会网络分析工具——卧龙岗大学
教学实践型社会网络工具（Social Networks Adapting Pedagogical Practice，SNAPP）是由澳大利亚卧龙岗大学开发的社会网络分析工具[31][32]。SNAPP本质上是一种诊断工具，在商业社交网络和开源学习管理系统中进行实时社交网络分析和可视化交互模式诊断，帮助教学人员识别学生行为模式，依据学习活动设计目标适时进行教学干预，为教师对网络学习进行评估及针对个别学生采取干预措施提供有力依据。
（十）预测分析助力教育公平——佐治亚州立大学
调查发现，部分拥有很高的平均绩点或临近毕业的学生也会因为付不起学校的费用而中途退学。基于此，佐治亚州立大学（Georgia State University，GSU）用预测分析的方式削弱因经济原因产生的同龄人之间的成就差距。GSU还利用过去10年的250万名学生的数据库创建咨询系统，该系统在预测分析后向学生提供最可能取得成功的课程路径。研究调查显示，在此系统的帮助下GSU毕业率从2003年的32%上升到2017年的74%[33]。
五、学习分析技术领域发展趋势和对我国的启示
（一）学习分析技术发展应用前瞻
基于JRC长期的研究结果可知，目前的學习分析技术应用正处于一个快速发展的阶段，但是总体上使用学习分析技术来改善和创新学习和教学的工作仍处于起步阶段，工作较为分散，缺少统一的统筹安排，未来将会优化顶层规划，制定各级各层的宏观发展战略。在技术工具应用方面，大部分的学习分析技术工作主要集中在供应方面，针对需求方面的工作有所欠缺，未来将会依据学校管理人员、教师和学生的需求，开发解决教育实际问题的软件工具;在教育改善干预方面，可视化的学习分析数据缺少具体的教学活动建议，在具体的教学情境中缺乏可操作性，未来将会提供更多智能化方案与操作性支持服务;同时，未来学习分析技术领域将会更加关注创新教学过程和学习活动，帮助教育工作者与机构充分融入数字时代。随着教育信息化2.0时代的来临，学习分析技术将会更加深入地挖掘分析教育大数据，用技术手段支持改善教育教学。
（二）对我国学习分析技术领域的战略启示
1.优化顶层设计，制定宏观发展战略
教育战略规划是对教育发展的全局性、长远性和战略性的谋划，与《报告》中制定一个与欧洲优先领域相一致的学习分析技术发展路线图一样，我国也需要站在国家战略高度对以学习分析技术为代表的关键技术制定发展战略，制定相应的建设目标和具体量化标准。
2.统一标准，促进跨平台分析融合创新 目前眾多在线学习平台和学习管理系统积累了海量的结构化、半结构化、非结构化的教育数据，但因系统不同、平台各异，容易形成数据孤岛。如何建立统一的数据格式标准和技术规范，使得各平台和系统间能够交流、联通和整合，进而为数据的获取、筛选、挖掘、分析、呈现提供规范流程和框架体系成为急需解决的问题。
3.加快数据管理设计，逐步完善标准体系
在学习分析技术快速发展的同时，一系列有关教育数据安全和学生隐私保护的问题亟待解决。英国开放大学、美国佐治亚州立大学等机构已经着手制定教育数据集使用的管理框架，我国部分学者对此也进行了系列探讨，但是完善的数据保护框架尚未建立[34]，工信部印发的《大数据产业发展规划（2016—2020年）》中明确指出，目前我国需要加强大数据标准化顶层设计，逐步完善标准体系[35]。随着学习分析技术应用的日益普遍，这一需求变得更加迫切。
4.创新跨领域协同推进机制
学习分析技术是一个以数据为基础、以技术为核心的新兴研究领域。该领域发展离不开数据挖掘技术、情感计算技术、心理测量技术及人工智能技术等的革新与发展。技术的进步需要校企合作的模式，企业提供技术支持，学校在教学中应用技术，两者协力促进技术发展。经过充分发展，形成基础完善、技术保障、应用繁荣的学习分析技术产业体系，最终改善教学过程，提高教育质量[36]。
5.对接人工智能2.0，打造智能教育体系
随着人工智能2.0时代的到来，人工智能领域内语音识别、视觉识别、情感识别、跨媒体协同处理、深度学习等技术不断成熟。对接人工智能技术的学习分析技术可以在教学评估、学习预警、自适应学习及资源和个性化学习路径推荐等领域，提升教育效果和效率，提高教育质量。对接人工智能2.0的学习分析技术，是未来智慧教育发展的必然趋势，是推动教育模式、教育体系变革的助推器。
参考文献
[1]BROWN M.Learning Analytics：The Coming Third Wave[EB/OL].（2011-04）[2018-10-17].https：//www.educause.edu/ir/library/pdf/ELIB1101.pdf.
[2]FERGUSON R，BRASHER A，CLOW D，et al.Research Evidence on the Use of Learning Analytics：Implications for Education Policy[EB/OL].（2016-02）[2018-10-17].http：//libeprints.open.ac.uk/48173/1/Analytics%20research%20evidence.pdf.
[3][5]祝智庭，沈德梅.学习分析学：智慧教育的科学力量[J].电化教育研究，2013，（5）：5-12，19.
[4]毛刚，刘清堂.融入学习分析的网络学习评价模型与应用研究[J].远程教育杂志，2016，（6）：20-27.
[6]顾小清，张进良，蔡慧英.学习分析：正在浮现中的数据技术[J].远程教育杂志，2012，（1）：18-25.
[7]ASSISTments.Making Math Homework More Effective：The 7th Grade Maine ASSISTments Efficacy Studeny[EB/OL].（2018-10-17）[2018-10-17].http：//www.assistmentsmaine.org/about.php.
[8]Bingel.Bingel[EB/OL].（2018-10-17）[2018-10-17].http：//www.bingelsite.be.
[9]Wikipedia.Cognitive Tutor[EB/OL].（2018-08-29）[2018-10-17].https：//en.wikipedia.org/wiki/Cognitive_tutor.
[10][29]Itslearning.Itslearning for Advanced Reporition[EB/OL].（2017-01-29）[2018-10-17].http：//www.itslearning.net/reporting-analytics.
[11]Schoolzilla.What Is Schoolzilla？[EB/OL].（2016-01-20）[2018-10-17].https：//schoolzilla.com/infographic-2015-year-in-review.
[12]Knewton.Introducing Alta Knewton’s Fully Integrated Adaptive Learning Courseware[EB/OL].（2018-10-17）[2018-10-17].http：//www.knewton.com.
[13][23][24]Apereo.Apereo[EB/OL].（2018-10-17）[2018-10-17].https：//www.apereo.org.
[14]Khanacademy.A Personalized Learning Resource for All Ages[EB/OL].（2018-10-17）[2018-10-17].https：//www.khanacademy.org.
[15]Digital Assess.Technology that Frees You up to Focus on Education[EB/OL].（2018-10-17）[2018-10-17].http：//digitalassess.com. [16]DENLEY T.Degree Compass Course Recommendation System [EB/OL].（2013-06-27）[2018-10-17].https：//library.educause.edu/resources/2013/6/degree-compass-course-recommendation-system.
[17][18][19]Kennisnet.The Netherlands Country Report on ICT in Education[R].Brussels：European Schoolnet，2011.
[20]JISC.Code of Practice for Learning Analytics[EB/OL].（2015-06-04）[2018-10-17].https：//www.jisc.ac.uk/guides/code-of-practice-for-learning-analytics.
[21][22]SIEMENS G S，DAWSON，G LYNCH.Improving the Quality of Productivity of the Higher Education Sector：Policy and Strategy for Systems-Level Deployment of Learning Analytics[EB/OL].（2013-12）[2018-10-17].http：//www.researchgate.net/file.PostFileLoader.html？id=5876881f48954c17c729b527&assetKey=AS%3A449426784296961%40148416310309.
[25]芥末堆.一年內完成了5笔收购，让我们回顾下LMS巨头Blackboard的“买买买”之路[EB/OL].（2015-12-06）[2018-10-17].https：//www.jiemodui.com/N/33039.html.
[26]ARNOLD KIMBERLEY E，Pistilli Matthew.Course Signals at Purdue：Using Learning Analytics to Increase Student Success[R].Canada：Vancouver，2012.
[27]Educause.University of Michigan Physics Department：E2Coa-ch[EB/OL].（2014-07-21）[2018-10-17].https：//library.educa-use.edu/resources/2014/7/university-of-michigan-physics-department-e2coach.
[28]Gyldendal.Multi Smart?ving[EB/OL].（2018-10-17）[2018-10-17].http：//www.smartoving.no/.
[30]UNINETT.Dataporten[EB/OL].（2018-10-17）[2018-10-17].https：//www.uninett.no/tjenester/dataporten.
[31]ETDoer.Social Networks Adapting Pedagogical Practice[EB/OL].（2013-10-13）[2018-10-17].http：//blog.sina.com.cn/s/blog_8f6da3210101dj1d.html.
[32]DAWSON S."Seeing"Networks：Visualizing and Evaluating Student Learning Networks[EB/OL].（2011-01）[2018-10-17].https：//research.u-ow.edu.au/content/groups/public/@web/@learnnet/documents/doc/uow115678.pdf.
[33]KURZWEIL M.Building a Pathway to Student Success at Georgia State University[EB/OL].（2015-04-23）[2018-10-17].http：//www.sr.ithaka.org/publications/building-a-pathway-to-student-success-at-georgia-state-university/.
[34]吴晨光，刘斌.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[J].数字教育，2017，（3）：41-45.
[35]工业和信息化部.工业和信息化部关于印发《大数据产业发展规划（2016—2020年）》的通知[EB/OL].（2017-01-17）[2018-10-17].http：//www.miit.gov.cn/n1146295/n1652858/n1652930/n3757016/c5464999/content.html.
[36]朱珂，刘清堂.基于“学习分析”技术的学习平台开发与应用研究[J].中国电化教育，2013，（9）：127-132.
（责任编辑 杜丹丹）
Abstract： To understand the state of the implementation of learning analytics technology in Europe and America and make a scientific and effective policy for learning analytics，JRC published Research Evidence on the Use of Learning Analytics Technology.The report introduces the typical tools，the typical application cases and policies about learning analytics，and analyzes the future development direction of European learning analysis technology.Based on the in-depth interpretation of the report，the paper gives a brief introduction of the 10 typical tools that are selected in terms of years of use and influence.In combination with practice level，practice field and practical object，10 representative typical cases are selected for introduction.And the paper conducts the key issues and future priorities of the development.Finally，based on the current situation and development demands of learning analytics in China，the paper proposes five suggestions for the development of learning analytics in China.
Key words： learning analytics technology;report interpretation;case study;application status; development trend