致力於將全球經典或是前沿的教育理念、教育技術、學習理論、實踐案例等文獻翻譯成中文， 並希望能夠通過引進這類優質教育研究成果， 在全球教育科學的推動下， 讓更好的教育來得更快！
導讀：
對於有效學習， 學習分析可以做點什麼？
學習分析學是指以理解和優化學習及學習發生之環境為目的， 所進行的有關學習者及其環境的資料之測量、採集、分析和報告。 在實際的教學環境中， 學習科學（此文泛指為與學習有關的所有科學）與學習分析之間具有一種相互作用關係。 學習科學諸如心理學、教育學、神經科學對學習資料進行解讀， 即從各個角度提煉資料內涵；而這些學科又通過資料分析得到聯繫， 填充學科間相互獨立的鴻溝（學科間本就相通）。
而“學習分析”（又稱“資料分析”）對有效學習的作用， 文章則從“線上”和“線下”的應用場景進行說明。
原文：What data and analytics can and do say about effective learning. 作者：Jason M. Lodge and Linda Corrin. 譯者：董倩 胡悅. 編輯：爾瑞
在各級教育中， 收集和分析學生學習過程的資料已是大勢所趨。 資料科學對理解線上學習和混合學習環境產生實質影響。 有關學生學習的大量資料為研究者提供了前所未有的機會， 學習者可以通過資料更深入地瞭解學生學習。
儘管資料科學在教育領域的應用潛力無限， 但是最近的文章中卻指出， 收集到的全體學生學習行為的資料不能全面反映學生學習。 南澳大學教授Tim Rogers認為， 這些實證主義角度的分析正是使社會科學外延愈加廣泛的有效方法。 儘管引入基於資料和分析的方法存在爭議， 但是它的好處毋庸置疑， 我們發現資料科學對於瞭解學習的益處顯而易見。 學習科學和資料分析的結合， 使得採取更為精細的方法來支持學生學習成為可能。
一、學習分析和學習科學
學習分析概念的出現距今還不到十年， 它最初是以理解和優化學習及學習發生之環境為目的。
作為一個不斷增長的研究和實踐領域， 學習分析的優勢在於當越來越多的技術運用於教學和學習過程之中， 它可以分析不斷產生的學生行為資料以滿足日後的需要。 由此 產生的爆炸式增長的資料帶來了更多可能性， 例如更好地監控學生學習進程， 識別學生危險， 探究學生學習行為模式的新思路、在數位環境中進行即時干預。 但是這些資料的使用也讓人們產生一絲憂慮，
與此同時， 人們對學習分析領域資料的應用也有所爭議：一方面使用資料來進行學習分析存在上文提出的諸如使用倫理等問題， 但另一方面資料在此領域的應用潛力無限。 下面我們將依次討論這些問題。
二、從行為中推斷學習情況
對學習分析的批評指出， 僅僅使用學生行為資料並不能確定其學習品質。 但在這些討論中被遺忘的是， 通過行為資料來理解學生學習早已不是一種新方法。 幾十年來， 從事學習科學領域的研究人員一直使用類似的推理方法， 特別是心理學家和認知神經科學領域的專家。 通過精心設計的實驗研究， 研究者可以在這些資料的基礎上對學生學習過程做出推論。學習分析作為一種方法論可以借鑒上述經驗。
實驗研究提供了學習過程發生的模型，這個模型可以用來理解和預測現實生活中的學習過程。例如，實驗室根據明顯的學生行為類型，對在學習活動中感到困惑的學生提供建議。當學生處於線上學習環境，出現了實驗室研究中提供的相同標記時，我們可以明確地說學生在此線上學習活動中感到了困惑。
當發現學生可能有潛在困惑時，我們可以採取適當的教育干預，例如借助線上學習系統發出回饋消息，或是老師與學生進行交流。行為資料也可以用來跟蹤學生的學習方法。例如，記錄學生參與學習活動的頻率和順序。雖然這並不能直接衡量學生的學習情況，但它可以説明學生優化學習策略，例如改進學習計畫、規範學習方法，從而對學生學習環境產生積極影響。
基於對資料推論的憂慮，學習科學和學習分析不應僅僅相互借鑒學習，還應當合作產出研究成果。 例如，為了更好地從行為資料中推斷學習情況，心理學可以作為一種方式提煉行為資料。同時，學習分析可以被視為學習科學的新型研究工具，通過這些工具來評估這些心理學方法在數位學習環境中的應用效果。
通過收集、整合、分析資料，學習分析提供了進一步將實驗室觀察結果轉化為課堂應用的機會。在數位學習環境中，學生的學習行為資料被保存於線上學習系統的日誌檔和審計記錄中。研究者可以將這些於真實情境下收集的行為資料與實驗室環境的資料進行比對。因此 通過教育學、心理學和神經科學共同關注的“行為”為核心，建立三個學科之間的橋樑，可以更大範圍地應用學習分析和資料科學。
三、資料及教學設計
對實際教學活動中的資料進行分析一般需要參考教學活動設計。與實驗設計需要參考實驗情境下學生採用的學習模式相類似，學習設計必須參照學生們在課堂中的學習表現。這兩個情境都賦予了資料一定的意義。借用一個特定的學習設計研究學生的行為，有助於教師瞭解學生是否以他們所期望的方式參與到教學活動中。倘若答案是否定的，那暗示著教師需要調整和改進教學活動設計。換言之， 教師通過學習分析將學生行為與教學設計聯繫了起來。
在使用大資料進行分析的討論過程中，人們通常會假定資料和分析會自動為學生的學習提供一個“答案”，即幻想著依賴大資料能最終瞭解學的本質，但對學習的分析仍是一個亟待解決的問題與挑戰。現在可以明確的一點是教師仍然是將學習分析與相適宜的教育行動聯繫起來的關鍵。因為教師作為學習活動的設計者，最能理解學生的行為，並判斷何種教學方式能更好地促進學生的學習。
四、教學分析並不能只依託大資料
若人們過於關注個體學生的行為表現，很容易對學習分析進行錯誤的批判。顯而易見，用個體去代表整體，這個個體的代表價值將是非常有限的。然而，現如今學習分析已採用多種途徑為更好地解釋學習的本質。這樣做的優勢在於，如果使用恰當，對學習的理解將建立在其他學科的成果之上，尤其是在教育和心理學方面的研究基礎之上。此外，這也更好地助推了借用電腦神經科學研究，通過建構與提煉學習分析模型，更好地預測學生的學習。雖然學習分析最終並不能提供一個學習改進的方案，但對這一領域的研究也許能幫助人們填補教育、心理學和神經科學之間的鴻溝，從而更深入地瞭解學生在真正教育環境中的學習行為。
既然已瞭解到對學生學習行為資料的分析有助於理解學生的學習，那麼現今研究的重點應轉向我們想瞭解什麼、已瞭解什麼及這些與教學設計間的關係。只有當我們明確了這些研究方向，我們才能確定哪些資料是我們所需要的。 識別出所需的資料對我們進行有指向的學習分析是至關重要的，並為彌合實驗室與教室間（理論與實踐）的鴻溝提供了可能性。 有些資料很容易獲得，有的則不然，那些容易獲得的資料卻不一定都有用。大資料固然重要，但針對個人和特定學習任務的小資料的重要性也不容小視。
因此，學習科學扮演了一個至關重要的角色揭示著學習分析的演變過程。實驗室的研究在部分變數受控的條件下，幫助研究者驗證了真實環境中所見到的教學模式。學習科學可通過促進學習分析的發展，助推學習分析理論與方法論的同步發展。學習分析可以通過提供教師一種在實驗室外觀察學生學習行為的方式來説明彌合神經科學、心理學和教育之間的鴻溝。對學習分析和學習科學的研究將會為監測與支援學生的學習提供更大的支援。
參考文獻：
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).
本文來自芥末堆，創業家系授權發佈，略經編輯修改，版權歸作者所有，內容僅代表作者獨立觀點。[ 下載創業家APP，讀懂中國最賺錢的7000種生意 ]
研究者可以在這些資料的基礎上對學生學習過程做出推論。學習分析作為一種方法論可以借鑒上述經驗。實驗研究提供了學習過程發生的模型，這個模型可以用來理解和預測現實生活中的學習過程。例如，實驗室根據明顯的學生行為類型，對在學習活動中感到困惑的學生提供建議。當學生處於線上學習環境，出現了實驗室研究中提供的相同標記時，我們可以明確地說學生在此線上學習活動中感到了困惑。
當發現學生可能有潛在困惑時，我們可以採取適當的教育干預，例如借助線上學習系統發出回饋消息，或是老師與學生進行交流。行為資料也可以用來跟蹤學生的學習方法。例如，記錄學生參與學習活動的頻率和順序。雖然這並不能直接衡量學生的學習情況，但它可以説明學生優化學習策略，例如改進學習計畫、規範學習方法，從而對學生學習環境產生積極影響。
基於對資料推論的憂慮，學習科學和學習分析不應僅僅相互借鑒學習，還應當合作產出研究成果。 例如，為了更好地從行為資料中推斷學習情況，心理學可以作為一種方式提煉行為資料。同時，學習分析可以被視為學習科學的新型研究工具，通過這些工具來評估這些心理學方法在數位學習環境中的應用效果。
通過收集、整合、分析資料，學習分析提供了進一步將實驗室觀察結果轉化為課堂應用的機會。在數位學習環境中，學生的學習行為資料被保存於線上學習系統的日誌檔和審計記錄中。研究者可以將這些於真實情境下收集的行為資料與實驗室環境的資料進行比對。因此 通過教育學、心理學和神經科學共同關注的“行為”為核心，建立三個學科之間的橋樑，可以更大範圍地應用學習分析和資料科學。
三、資料及教學設計
對實際教學活動中的資料進行分析一般需要參考教學活動設計。與實驗設計需要參考實驗情境下學生採用的學習模式相類似，學習設計必須參照學生們在課堂中的學習表現。這兩個情境都賦予了資料一定的意義。借用一個特定的學習設計研究學生的行為，有助於教師瞭解學生是否以他們所期望的方式參與到教學活動中。倘若答案是否定的，那暗示著教師需要調整和改進教學活動設計。換言之， 教師通過學習分析將學生行為與教學設計聯繫了起來。
在使用大資料進行分析的討論過程中，人們通常會假定資料和分析會自動為學生的學習提供一個“答案”，即幻想著依賴大資料能最終瞭解學的本質，但對學習的分析仍是一個亟待解決的問題與挑戰。現在可以明確的一點是教師仍然是將學習分析與相適宜的教育行動聯繫起來的關鍵。因為教師作為學習活動的設計者，最能理解學生的行為，並判斷何種教學方式能更好地促進學生的學習。
四、教學分析並不能只依託大資料
若人們過於關注個體學生的行為表現，很容易對學習分析進行錯誤的批判。顯而易見，用個體去代表整體，這個個體的代表價值將是非常有限的。然而，現如今學習分析已採用多種途徑為更好地解釋學習的本質。這樣做的優勢在於，如果使用恰當，對學習的理解將建立在其他學科的成果之上，尤其是在教育和心理學方面的研究基礎之上。此外，這也更好地助推了借用電腦神經科學研究，通過建構與提煉學習分析模型，更好地預測學生的學習。雖然學習分析最終並不能提供一個學習改進的方案，但對這一領域的研究也許能幫助人們填補教育、心理學和神經科學之間的鴻溝，從而更深入地瞭解學生在真正教育環境中的學習行為。
既然已瞭解到對學生學習行為資料的分析有助於理解學生的學習，那麼現今研究的重點應轉向我們想瞭解什麼、已瞭解什麼及這些與教學設計間的關係。只有當我們明確了這些研究方向，我們才能確定哪些資料是我們所需要的。 識別出所需的資料對我們進行有指向的學習分析是至關重要的，並為彌合實驗室與教室間（理論與實踐）的鴻溝提供了可能性。 有些資料很容易獲得，有的則不然，那些容易獲得的資料卻不一定都有用。大資料固然重要，但針對個人和特定學習任務的小資料的重要性也不容小視。
因此，學習科學扮演了一個至關重要的角色揭示著學習分析的演變過程。實驗室的研究在部分變數受控的條件下，幫助研究者驗證了真實環境中所見到的教學模式。學習科學可通過促進學習分析的發展，助推學習分析理論與方法論的同步發展。學習分析可以通過提供教師一種在實驗室外觀察學生學習行為的方式來説明彌合神經科學、心理學和教育之間的鴻溝。對學習分析和學習科學的研究將會為監測與支援學生的學習提供更大的支援。
參考文獻：
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).
本文來自芥末堆，創業家系授權發佈，略經編輯修改，版權歸作者所有，內容僅代表作者獨立觀點。[ 下載創業家APP，讀懂中國最賺錢的7000種生意 ]