【芥末翻】致力于将全球经典或是前沿的教育理念、教育技术、学习理论、实践案例等文献翻译成中文，并希望能够通过引进这类优质教育研究成果，在全球教育科学的推动下，让更好的教育来得更快！

导读：

对于有效学习，学习分析可以做点什么？

学习分析学是指以理解和优化学习及学习发生之环境为目的，所进行的有关学习者及其环境的数据之测量、采集、分析和报告。在实际的教学环境中，学习科学（此文泛指为与学习有关的所有科学）与学习分析之间具有一种相互作用关系。学习科学诸如心理学、教育学、神经科学对学习数据进行解读，即从各个角度提炼数据内涵；而这些学科又通过数据分析得到联系，填充学科间相互独立的鸿沟（学科间本就相通）。

而“学习分析”（又称“数据分析”）对有效学习的作用，文章则从“线上”和“线下”的应用场景进行说明。学习分析得出的线下数据及问题的应对措施同样可以迁移于线上教学，例如通过学习分析对线下和线上的学习设计进行改进。从更大的范畴上说，学习分析创造了“教学设计实验室”，即提供给教研开发者一种试误的过程。上至课程目标，下至课堂控制，为了解决教学中的某个实际问题，学习分析可通过控制变量的方式研究解决方法并推广于真实教学环境。

原文：What data and analytics can and do say about effective learning. 作者：Jason M. Lodge and Linda Corrin. 译者：董倩 胡悦. 编辑：尔瑞

在各级教育中，收集和分析学生学习过程的数据已是大势所趋。数据科学对理解在线学习和混合学习环境产生实质影响。有关学生学习的大量数据为研究者提供了前所未有的机会，学习者可以通过数据更深入地了解学生学习。由此很可能在未来几年对学习科学产生重大影响。

尽管数据科学在教育领域的应用潜力无限，但是最近的文章中却指出，收集到的全体学生学习行为的数据不能全面反映学生学习。南澳大学教授Tim Rogers认为，这些实证主义角度的分析正是使社会科学外延愈加广泛的有效方法。尽管引入基于数据和分析的方法存在争议，但是它的好处毋庸置疑，我们发现数据科学对于了解学习的益处显而易见。学习科学和数据分析的结合，使得采取更为精细的方法来支持学生学习成为可能。

一、学习分析的优势与争议

学习分析概念的出现距今还不到十年，它最初是以理解和优化学习及学习发生之环境为目的。学习分析学通过整合和分析来自多个数据源的数据来改进学习活动。这个领域发展迅猛，不仅建立在数据科学的基础上，而且逐步扩展到心理学、商业分析、学习科学。目前的学习分析的研究领域包括通过自动反馈和课程设计来支持学生学习等。

作为一个不断增长的研究和实践领域，学习分析的优势在于当越来越多的技术运用于教学和学习过程之中，它可以分析不断产生的学生行为数据以满足日后的需要。由此产生的爆炸式增长的数据带来了更多可能性，例如更好地监控学生学习进程，识别学生危险，探究学生学习行为模式的新思路、在数字环境中进行实时干预。但是这些数据的使用也让人们产生一丝忧虑，例如数据使用伦理、学习分析系统模型的质量、能否对数据进行合理解释等。

与此同时，人们对学习分析领域数据的应用也有所争议：一方面使用数据来进行学习分析存在上文提出的诸如使用伦理等问题，但另一方面数据在此领域的应用潜力无限。下面我们将依次讨论这些问题。

二、从学生学习行为中推断学习情况

对学习分析的批评指出，仅仅使用学生行为数据并不能确定其学习质量。但在这些讨论中被遗忘的是，通过行为数据来理解学生学习早已不是一种新方法。几十年来，从事学习科学领域的研究人员一直使用类似的推理方法，特别是心理学家和认知神经科学领域的专家。通过精心设计的实验研究，研究者可以在这些数据的基础上对学生学习过程做出推论。学习分析作为一种方法论可以借鉴上述经验。

实验研究提供了学习过程发生的模型，这个模型可以用来理解和预测现实生活中的学习过程。例如，实验室根据明显的学生行为类型，对在学习活动中感到困惑的学生提供建议。当学生处于在线学习环境，出现了实验室研究中提供的相同标记时，我们可以明确地说学生在此线上学习活动中感到了困惑。

当发现学生可能有潜在困惑时，我们可以采取适当的教育干预，借助在线学习系统发出反馈消息，或是老师与学生进行交流。行为数据也可以用来跟踪学生的学习方法。例如，记录学生参与学习活动的频率和顺序。虽然这并不能直接衡量学生的学习情况，但它可以帮助学生优化学习策略，例如改进学习计划、规范学习方法，从而对学生学习环境产生积极影响。

基于对数据推论的忧虑，学习科学和学习分析不应仅仅相互借鉴学习，还应当合作产出研究成果。例如，为了更好地从行为数据中推断学习情况，心理学可以作为一种方式提炼行为数据。同时，学习分析可以被视为学习科学的新型研究工具，通过这些工具来评估这些心理学方法在数字学习环境中的应用效果。

通过收集、整合、分析数据，学习分析提供了进一步将实验室观察结果转化为课堂应用的机会。在数字学习环境中，学生的学习行为数据被保存于在线学习系统的日志文件和审计记录中。研究者可以将这些于真实情境下收集的行为数据与实验室环境的数据进行比对。因此通过教育学、心理学和神经科学共同关注的“行为”为核心，建立三个学科之间的桥梁，可以更大范围地应用学习分析和数据科学。

三、教学活动设计对学习分析的影响

对实际教学活动中的数据进行分析一般需要参考教学活动设计。与实验设计需要参考实验情境下学生采用的学习模式相类似，学习设计必须参照学生们在课堂中的学习表现。这两个情境都赋予了数据一定的意义。借用一个特定的学习设计研究学生的行为，有助于教师了解学生是否以他们所期望的方式参与到教学活动中。倘若答案是否定的，那暗示着教师需要调整和改进教学活动设计。换言之，教师通过学习分析将学生行为与教学设计联系了起来。

在使用大数据进行分析的讨论过程中，人们通常会假定数据和分析会自动为学生的学习提供一个“答案”，即幻想着依赖大数据能最终了解学的本质，但对学习的分析仍是一个亟待解决的问题与挑战。现在可以明确的一点是教师仍然是将学习分析与相适宜的教育行动联系起来的关键。因为教师作为学习活动的设计者，最能理解学生的行为，并判断何种教学方式能更好地促进学生的学习。

四、教学分析并不能只依托大数据

若人们过于关注个体学生的行为表现，很容易对学习分析进行错误的批判。显而易见，用个体去代表整体，这个个体的代表价值将是非常有限的。然而，现如今学习分析已采用多种途径为更好地解释学习的本质。这样做的优势在于，如果使用恰当，对学习的理解将建立在其他学科的成果之上，尤其是在教育和心理学方面的研究基础之上。此外，这也更好地助推了借用计算机神经科学研究，通过建构与提炼学习分析模型，更好地预测学生的学习。虽然学习分析最终并不能提供一个学习改进的方案，但对这一领域的研究也许能帮助人们填补教育、心理学和神经科学之间的鸿沟，从而更深入地了解学生在真正教育环境中的学习行为。

既然已了解到对学生学习行为数据的分析有助于理解学生的学习，那么现今研究的重点应转向我们想了解什么、已了解什么及这些与教学设计间的关系。只有当我们明确了这些研究方向，我们才能确定哪些数据是我们所需要的。识别出所需的数据对我们进行有指向的学习分析是至关重要的，并为弥合实验室与教室间（理论与实践）的鸿沟提供了可能性。有些数据很容易获得，有的则不然，那些容易获得的数据却不一定都有用。大数据固然重要，但针对个人和特定学习任务的小数据的重要性也不容小视。

因此，学习科学扮演了一个至关重要的角色揭示着学习分析的演变过程。实验室的研究在部分变量受控的条件下，帮助研究者验证了真实环境中所见到的教学模式。学习科学可通过促进学习分析的发展，助推学习分析理论与方法论的同步发展。学习分析可以通过提供教师一种在实验室外观察学生学习行为的方式来帮助弥合神经科学、心理学和教育之间的鸿沟。对学习分析和学习科学的研究将会为监测与支持学生的学习提供更大的支持。

参考文献：

1. Siemens, G. & Baker, R. J. S. Learning analytics and educational data mining:
towards communication and collaboration. Proceedings of the 2nd International
Conference on Learning Analytics and Knowledge (ACM, 2012).
2. Beer, C., Tickner, R., & Jones, D. Three paths for learning analytics and beyond:
moving from rhetoric to reality. Proceedings of the 31st Annual Conference of the
Australasian Society for Computers in Learning in Tertiary Education (Macquarie
University, 2014).
3. Lodge, J. M. & Lewis, M. J. In Future Challenges, Sustainable Futures. Proceedings
ascilite Wellington 2012 (eds. Brown, M., Hartnett, M., & Stewart, T.) (ascilite, 2012).
4. Rogers, T. Critical realism and learning analytics research: epistemological
implications of an ontological foundation. Proceedings of the Fifth International
Conference on Learning Analytics and Knowledge (ACM, 2015).
5. Siemens, G. & Long, P. Penetrating the fog: analytics in learning and education.
EDUCAUSE Review, 46, 30 (2011).
6. Gašević, D., Dawson, S. & Siemens, G. Let’s not forget: learning analytics are about
learning. TechTrends 59, 64–71 (2015).
7. Sonnenberg, C. & Bannert, M. Discovering the effects of metacognitive prompts
on the sequential structure of srl-processes using process mining techniques. J.
Learn. Analytics 2, 72–100 (2015).
8. Rienties, B. & Toetenel, L. The impact of 151 learning designs on student satisfaction and performance: social learning (analytics) matters. Proceedings of the
Sixth International Conference on Learning Analytics & Knowledge (ACM, 2016).
9. Corrin, L. & de Barba, P. in Rhetoric and Reality: Critical Perspectives on Educational
Technology. (eds. Hegarty, B. McDonald, J. & Loke, S-K) (ascilite, 2014).
10. Kennedy, G. E. & Judd, T. S. Expectations and reality: evaluating patterns of
learning behaviour using audit trails. Comp. Edu. 49, 840–855 (2007).
11. D’Mello, S., Lehman, B., Pekrun, R. & Graesser, A. Confusion can be beneficial for
learning. Learn. Instr. 29, 153–170 (2014).
12. Coffrin, C., Corrin, L., De Barba, P., & Kennedy, G. In Proceedings of the 4th International Conference on Learning Analytics and Knowledge (eds. Pistilli, M., Willis, J.,
Koch, D., Arnold, K., Teasley, S., & Pardo, A.) (ACM, 2014).
13. Lockyer, L., Heathcote, E. & Dawson, S. Informing pedagogical action: aligning
learning analytics with learning design. Am. Beh. Sci. 57, 1439–1459 (2013).
14. Bakharia, A. et al. In Proceedings of the 6th International Conference on Learning
Analytics and Knowledge (eds. Reiners, T., et al.) (ACM, 2016).
15. Anderson, J. R., Pyke, A. A. & Fincham, J. M. Hidden stages of cognition revealed in
patterns of brain activation. Psy. Sci. 27, 1215–1226 (2016).

>>声明

本翻译仅作了解之用，并非用于学术研究或商业决策。芥末堆海外翻译社群的小伙伴们力求将关键理念与思想更广泛地传播至中文区域，故部分表达可能与原文有所差异。如需使用，请查证原文。