德拉甘·加塞维奇 吴志超 卢思旭 孙波 何珺

摘   要：学习分析是指在教学活动中分析教和学活动的过程，是面向未来智能教育跨学科培养人才的关键技术。当前，如何通过对学习环境和学习活动数据的收集和分析，为学生提供新的学习机会，引起教育界前所未有的关注。而人工智能的迅速发展和在教育中的广泛运用，为以学习者为中心的数据分析提供了新的机会和挑战，也为解决教育教学中的许多棘手问题提供了新的可能。文章回顾了近几年国际上学习分析研究和应用方面所面临的挑战和主要成就;探讨未来学习分析发展中，如何从人工智能等相关技术和领域的研究中受益;剖析学习分析框架中数据收集、模型建立及实践应用中的关键问题;并运用大量的实证研究案例，展示学习分析在自主学习、发展学习策略、解决个人和小组合作学习评价问题中的应用潜力。在此基础上，文章从数据使用和获取、模型优化和实施、模型可解释性、学术研究四个层面，提出未来学习分析的研究建议。

关键词：智能教育;学习分析;机器学习;自主学习;教育评价

中图分类号：G434         文献标志码：A         文章编号：1673-8454（2022）03-0005-08

一、引言

学习分析是一个智能计算、大数据与教育教学交叉的研究方向，通过分析与学生学习相关的海量数据，评估学习进程，发现潜在问题，进而了解和优化学习过程及其发生环境。目前，国际学习分析研究主要结合文本分析、过程性数据挖掘、网络社会分析等方法，然而，这些方法大都基于传统数据分析和机器学习方法，并不能很好地适用于当前复合型人才培养的学习分析场景。近年来，中国研究者在关注学习分析理论、大数据在教学管理中应用的同时，也开始将目光转向学习者。例如，华中师范大学构建了以学习分析为中心，学习目标、学习过程、自我评价、同伴评价和反思改进为主体的网络学习评价模型，并应用于研究生新生数字文献阅读，提供学生阅读评价和反思[1];东北师范大学构建了基于大数据的个性化学习体系框架，并就大数据学习分析技术对个性化学习的意义进行了辩证分析和反思[2]。

随着人工智能技术的急速发展，基于人工智能的教学活动实践不断增多。人工智能与教育的融合发展正改变着教育服务模式和资源配置方式，推动教育系统变革[3]。基于人工智能的学习分析研究，为课堂教学、以学习者为中心的培养方式和综合型人才培养方式的改革提供了更多依据和途径。本文从学习分析的发展路径出发，重点介绍现有学习分析框架和学习分析在课堂应用领域的发展，并进一步提出面向学习分析的智能化方案，为未来教育提供启示。

二、学习分析的发展

学习分析被《2013地平线报告（高等教育版）》确定为技术增强型学习和教学中最重要的趋势之一，受到越来越多研究人员的关注[4]。埃利亚斯（Elias）认为，学习分析是通过测量、收集、分析和报告有关学习的数据，了解和分析学习过程并优化学习环境的过程[5]。西门子（Siemens）认为，利用学习分析方法，通过对学习产生的数据建模，可以发现信息之间的联系，从而对学习过程进行预测和建议[6]。随着信息化的发展，学习分析与数字教学的联系越来越紧密。约翰逊（Johnson）等认为，学习分析已经发展成为融合教学研究、计算机科学和统计学的跨学科研究领域[4]。总体来说，学习分析是一个收集学生的学习数据，利用数据分析学习过程，再根据分析结果采取适当措施改善学生的学习体验，并为优化学习环境提供方案的过程。

学习分析的发展分为以数据驱动为中心和以学习者为中心两个阶段。在大数据出现之前，教育机構就已经开始研究和评估学生的行为。1979年，英国开放大学调查研究部跟踪上万名远程学生的学习状态，以分析学生的学习过程，耗时将近十年[7]。随着技术的进步，智能辅导平台（Intelligent Tutoring System）和在线学习平台（Online Learning Platform）可以在短期内收集大量数据供研究分析，教育数据挖掘的研究随即逐渐兴起。教育数据挖掘利用决策树、规则归纳、基于实例的学习、贝叶斯学习、逻辑编程和统计算法等，发现并显示未知但可能有用的数据模式，从而更好地了解学习者的学习状态及其学习环境。帕尔默（Palmer）、罗梅罗（Romero）等通过对学习者的反馈、建议、需求进行适应性响应，来提高其学习成绩[8-10]。为了帮助教师了解学生的学习过程、反思教学方法和进行学习评价，研究人员设计了不同问题，用于采集学生学习数据，利用数据挖掘技术评估不同环境下的学习效果。近几年，学习分析在同伴学习、合作学习和自主学习等方面的研究和应用发展迅速，特别是在强调以学习者为中心的合作学习中，任务或问题以小组形式分配给学生共同完成。这种合作方式能提高学生的学业成绩、培养学生的批判性思维、激发学生的创新性思维等。有效收集合作学习过程中的各种数据并进行分析和反馈，不但能够及时掌握和改善学生合作学习中出现的问题，也能够更准确地评价学生个体在合作学习中的参与情况、群体合作学习的效果，等等。

三、学习分析的应用与挑战

基于传统方法的学习分析表现越来越乏力，人工智能等新技术的出现给学习分析注入了新的活力。利用人工智能评价21世纪技能、智适应学习、大规模个性化反馈等应用不断涌现。然而，人工智能在教育教学中不可避免地面临着监管、伦理和隐私等问题。

传统教学评价中，除考试外，过程性评价主要依赖教师或专家的观察，不仅耗费时间，还带有强烈的主观性，从而影响评价的效度。人工智能时代的到来，为21世纪技能评价提供了新的解决方案。基于人工智能的评价类型不再局限于当前的总结性评价，而是拓展到诊断性评价、过程性评价和形成性评价。通过多元化、多功能的评价，及时、精准、全面地发现教育教学活动中存在的问题，促使教育形成超强的自我纠错和矫正功能。虽然基于21世纪技能的评价还处于初步阶段，但目前已经可以看到人工智能在21世纪技能评价中的巨大潜力。

智适应学习运用人工智能技术，通过搜集和处理学生的学习行为数据，全面了解学生的学习能力，预测学生的学习趋势，并为学生制定最优的学习路径，进而满足学生个性化学习的需求，缓解传统教育模式下难以实现个性化教学和效率低下的困难。在实际应用中，智适应学习系统通过分析学生在线学习数据，对学生的学习过程和状态进行识别，为学习者创造更加个性化的学习环境。皮尔逊（Pearson）指出，利用基于人工智能的工具可以重现学习者的认知和情感状态，让学生参与到积极讨论的学习体验中，促进反思，甚至可以为每个学生创建能够实现知识和技能互补的学习小组[11]。同时，使用机器学习方法对小组讨论的过程及结论进行分析和总结，可以帮助教师及时了解学生是否偏离话题或是否合作失败等。

需要注意的是，隐私作为最基础的伦理，意味着对人的精神和人格的尊重[12]。单纯基于学习过程数据的分析结果，很容易给学生贴上固化标签，而忽视学生的综合发展及其心理、生理上的变化，存在很大的潜在风险，从而陷入伦理困扰。因此，基于人工智能的学习分析尤其要谨慎，确保数据挖掘的科学性和规范性。

四、人工智能在学习分析中的潜力

在过去的十几年里，机器学习和深度学习的广泛运用，展示了大数据在学习分析中的巨大潜力，同时也带来了新的机会和挑战。本文基于莫纳什大学信息技术学院学习分析研究团队（以下简称“研究团队”）的成果，从学习分析框架的数据、模型和应用三个方面进行分析。该框架不仅可以用于各种教育教学组织机构，加强参与学习分析各方人员之间的沟通，还能帮助领导者掌握決策制定中相关依据和关键信息的分析方法。

（一）数据质量

学习分析中，数据是教学活动中教和学过程客观事件的记录。获取数据的目的是了解教学过程中发生了什么，从而为干预行动提供足够的依据。现有的数据分析技术能在数据驱动下给出更加“人性化”“智能化”的结果，但这种情况大多还停留在理想的“学术研究”层面，实际应用中更依赖于数据的质量。

教育领域中，有效的学习设计对获取高质量的数据至关重要[13]。适当的学习设计可以获得学生描述或解释某些类型技能的过程数据。利用如图1所示的工具，可以收集和整合学生在真实学习环境中，关于自我认知和自我效能感的学习报告与感知数据[14]，通过适当的学习设计、选择合适的学习活动评价指标和学习数据的测量指标，辅以眼动仪、网络摄像头等传感设备，可以在获得传统日志数据、学生点击流等信息的同时，获取学生的行为数据、有效学习行为状态，最终得到高质量的多模态学习过程数据[15]。

（二）问题驱动的模型和算法

学习分析关注学生的学习过程，模型和算法应该被教育中的真实问题驱动而不是简单的学生数据，需要教育理论的支撑。同时，模型参数、形式和应用方式的选择也必须考虑教学环境，才能获得预期效果，帮助学生提升学业成绩。

1.模型需要以教育理论作支撑

学习分析要通过教育研究和实践产生结果[16]。缺乏理论指导的学习分析是失败的，没有充分考虑背景因素的分析结果也是不可行的[17]，教学工具的开发需要多学科人员共同参与。有扎实理论基础的教育实践研究者与技术人员携手，才能开发出有实践应用价值的学习分析模型。为此，技术研究者需要同时关注模型的教育学意义，有必要依据教育学理论进行详尽的学习设计，获得必需的学生学习数据，进而在得到有效的学习分析模型后，对学习过程进行评价，帮助教师了解课堂上每个学生的学习状态[13]。

2.教学环境影响模型的性能

教学环境是影响学习分析模型设计的又一重要因素，其中两个重要环节是教学设计和学习模式。研究团队通过教学设计，促使大学一年级9门课程的学生不同程度地使用了学习管理系统（Learning Management System， LMS），并对连续5年的教学数据进行了分析[18]。研究发现：数据差异不仅可以反映学科和课程要求的不同，还体现出不同教学环境中，教学设计意图和学习模式的差异;同时，使用LMS能在一定程度上帮助学生提高成绩。研究人员在实验中采用了两个逻辑回归模型对结果进行预测：仅包含学生特征的广义预测模型（模型一）和增加了课程相关溯源特征的课程预测模型。虽然机器学习模型已经可以很好地表达数据、分析数据的内在联系，但上述两个模型在学生学业水平预测能力上仍存在差异，加入课程特征模型取得了更好的预测效果。可见，在实际应用中，必须考虑技术模型在特定教学环境中的不同应用方式，缺乏对教学环境的关注和评估，会降低模型预测值的精度和有效性。因此，在没有开发出通用人工智能模型之前，利用某特定教学环境开发的模型不能直接迁移到其他教学环境，而需要重新进行模型训练以适应新的教学环境。

3.模型评估学习策略

教学设计包含不同的学习活动，会引发学生多样化的学习策略，而学生的个性化反馈有利于其学习策略的优化。学习策略与学生学业成绩密切相关，是学习设计和学习分析中的关键环节，也是人工智能模型在学习分析领域应用的一个重要方向。

学习策略取决于学习场景、学习内容和学生直觉，可以理解为学习方法，分为表层、深层和战略性学习方法三类[19]。采用表层学习方法的学生通常具有高选择性和低参与度，他们更加重视评估而缺少对内容的理解，更倾向于走捷径来减少学习时间;深层学习方法被认为是最可取的学习方法，采用这种方法的学习者具有高参与性，并通常有使用多样化学习策略的趋势;战略性学习方法结合了表层和深层学习方法，采用该方法的学生通常具有高参与性和高选择性，他们更加注重效率和时间管理。

为了使学习策略研究更深入，研究团队对一系列课程开展比较实验，设计多样不同的学习活动。一组研究人员分别收集了澳大利亚和智利两所大学一年级学生在“计算机工程”“生物学概论”“Python语言”课堂上的数据;利用带时间戳的过程挖掘模型，结合学习事件间的联系，检测学习策略的内容和使用次数，然后用EM聚类算法对学习序列聚类，以保留有效的学习策略。分析发现：当不同课程提供不同形式的学习机会时，学生的学习策略、关注重点和投入时间都有所不同[20]。例如，在“生物学概论”课堂中，学生更多采用阅读导向、实验导向的学习策略，学习时间较短;而在“Python语言”和“计算机工程”课堂上，学生则更多选择练习、讲座导向的学习策略，并投入更多的练习时间。

为了解学习设计在学习分析和教育中的重要作用，研究团队提出一种综合聚类分析、过程挖掘分析和认知网络分析的学习分析方法[21]，并应用到中国慕课网上为职前和在职教师提供的课程中。课程包括教学经验分享、视频观看、文章阅读、测验和作业单元，以及最后的课程评估单元等。研究人员分析了学习策略、学习单元和学习评估方法之间的关系，结果表明：针对不同的学习单元，学习者倾向于采用不同的学习策略。

（三）应用机制

模型分析数据结果如何更好地应用于实践，一直困扰着研究人员。常见的实践应用是创建学习分析工具，如学习分析数据面板（Learning Analytics Dashboards， LAD）、自动反馈（Automatic Feedback）等，帮助使用者利用分析结果，优化学生的学习策略和教师的课程设计，并改善教学的学习环境。此外，政策因素也极大地影响模型的应用。

1.分析工具影响应用的发展

（1）数据面板对教育模型应用的影响

当前，高等教育机构对学习分析数据面板工具表现出了极大的兴趣，这些数据面板通常是由学习系统管理供应商或教育机构开发，为学生提供相关的评级和反思，并为学生的学习体验和质量提供干预措施。2017年，斯坦福大学将学习分析的结果以数据面板形式呈现[22]。数据面板的内容包括学生每门课程的成绩分布，学生自我报告的学习策略和学习时间等，如图2所示。基于该面板随机设置对照试验，将学生分为两组。对于第一组学生，研究人员告知其可以随时访问数据面板，了解自己的学习状态;另一组学生则只是被告知数据面板的存在，并不提供访问功能。最后对学生的课程平均学分绩点（Grade Point Average， GPA）进行统计。结果显示：在研究人员告知下使用数据面板对学生的成绩产生了负面影响。

显然，实验结果对分析工具如何应用于教育场景提出了挑战。通过对以学习分析数据面板作为工具的学习过程进行研究发现，以用户为中心的工具设计是解决上述负面影响的方法之一[23]。研究设计了在虚拟城市规划公司扮演实习生的案例，验证了以用户为中心的学习分析系统，作为工具在教师识别学生对城市规划认知框架上有促进作用。该案例的实习生主要来自5所高中的12组学生，允许教师使用数据面板（过程选项卡）来监测学生群组聊天讨论。过程选项卡（如图3所示）以模拟实习生的群组聊天讨论日志数据为基础，利用自然语言处理（Natural Language Processing， NLP）技术搭建，最后以数据面板的形式展示城市规划知识节点的网络结构。图3中虚线表示认知上的强联系。

（2）反馈在教育模型应用中的潜力

反馈是帮助学生发现差距和评估学习进展的关键因素。在线课程中，反馈变得更加重要，因为它是教师与学生直接互动的资源之一。通过反馈，学生可以及时知道自己知识和技能不充足的部分。当前，自动反馈机制有如下特点[24]：①自动反馈可以提高学生在许多不同类型活动中的表现。②没有证据表明自动反馈可以减轻教师的工作量。③没有证据表明人工反馈比自动反馈更有效。④自动反馈提供的主要方法依赖于与程序预设的目标进行比较。

可以发现：第一，当前研究的不足之处在于理论和应用断层，自动反馈并未被很好地应用于实际系统，且片面关注学生，忽视了教师在反馈实践中的作用。由此，研究提出应该为教师开发一些实用工具，要求教师参与到对学生反馈的改进中来。第二，当前的许多研究都旨在提供自动反馈，很少有研究分析反馈质量，可以考虑借助机器学习强大的推理能力来解决这一问题。第三，当前还没有普遍适用的反馈机制，借助自然语言生成（Natural Language Generation， NLG）技术来产生自动反馈有望提供更有针对性的反馈意见。

2.政策因素影响应用的实施

此外，政策因素也同样影响着模型的应用过程，需要制定学习分析的规范和策略[13]。在世界各地的高等教育机构中，学习分析呈现出不断增长的发展趋势。SHEILA 准则[25]是制定学习分析规范和策略的通用方法，其需要综合考虑6个方面的问题：隐私和透明度、角色和责任（利益相关者）、学习分析的目标（学习者和教师的支持）、风险和挑战、数据管理和研究成果、数据分析。该准则考虑了环境因素和利益相关者参与的重要性，并建立了有效的领导机制推动模型。学习分析系统付诸实践必须解决技术到应用的过渡问题。例如，当系统在实际应用中出现争议时，领导人员要进行斡旋协调，并设立权威机构，制定可行的解决方案。如前文所述，学习分析模型的基础是可靠且安全的数据。因此，技术付诸实践应用之前，相关机构首先要定义数据的严格隐私保护和分析使用规则，解决与隐私和道德相关的问题，从而开发符合应用需求的学习分析工具。获得更全面的学生学习状态反馈，优化学习内容和学习环境，提供个性化教学，有助于形成教和学的正向循环。同时，以数据为依据的教育机构在制定决策过程中还须认识到数据和智能分析的局限性，做到扬长避短。

五、面向未来的学习分析

回顾学习分析近40年的发展轨迹，尽管其最早用于解决高等教育遇到的困难[7]，但随着大数据和人工智能的发展，学习分析已经发展成一个相对宽泛、跨学科的复杂领域。事实上，学习分析在各个学科领域的应用和潜能正在蓬勃呈现，并随著技术的不断成熟，对于教学质量和学生成绩的提升作用更加显著，并有望不断稳步推进教育改革的进步。结合学习分析领域的研究现状，本文提出面向未来学习分析的几个研究方向。

第一，数据使用和获取层面。制定严格的隐私保护规范和学习分析数据使用行为准则，并在实施中严格遵守。进一步地，如何在学习分析中采用人工智能技术将成为技术研究的重点和热点。值得注意的是，作为人工智能技术的基础，数据质量将很大程度影响技术的可靠性和效能。因此，如何综合教育学理论和人工智能技术，提高数据质量，利用数据帮助我们理解和优化人类学习行为也是一个值得研究的问题。

第二，模型優化和实施层面。技术人员和教育工作者需要携手提高学习分析模型质量，在实际应用系统中发挥各自作用。教师需要设计高质量的课程来获取教学数据;技术人员则根据高质量数据和先进模型不断优化系统。另外，模型和系统的部署和实施过程要落实到具体单位和人员，需要包括技术、教育实践多方人士的共同参与。其中，教育实践人员不仅包括教师、学生、记录代表、安全和实践保护员，更需要机构道德审查委员会以及决策层的深度参与。

第三，模型可解释性层面。人工智能模型和学习分析的研究及应用取得了很多进展，但目前对人工智能模型作用原理的分析和解释十分有限，而一个可以从教育学和应用层面予以分析和解释的算法或模型，对教师或学校将更具实用价值。因此，开发出基于教育的可解释模型算法是该领域最前沿的研究方向之一。

第四，学术研究层面。鉴于人工智能方法的研究大都基于单一任务，得到的学习分析模型对教学环境变化尤其敏感，因此，研究通用的人工智能学习分析模型对学术研究人员仍然是一项很有挑战性的任务。

参考文献：

[1]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，2016，34（6）：20-27.

[2]杨雪，姜强，赵蔚.大数据学习分析支持个性化学习研究——技术回归教育本质[J].现代远距离教育，2016（4）：71-78.

[3]张海生.人工智能与教育深度融合发展：逻辑、困境与策略[J].当代教育论坛，2021（2）：57-65.

[4]JOHNSON L， ADAMS S. Technology outlook for Australian tertiary education 2013-2018： an NMC horizon project regional analysis[R]. New Media Consortium， 2013.

[5]ELIAS T. Learning Analytics： definitions， processes and potential[EB/OL].（2011-01-20）[2022-03-01]. http：// citeseerx.ist.psu.edu/viewdoc/download;jsessionid=C017BEEF 67F6E53675F526 D5FB09F29E？doi=10.1.1.456.7092&rep=rep1 &type=pdf.

[6]SIEMENS G. What are learning analytics[EB/OL]. （2016-02-10）[2022-03-01]. http：//www.elearnspace.org/blog/ 2010/08/25/what- are-learning-analytics/.

[7]MCLNTOSH N E. Barriers to implementing research in higher education[J]. Studies in Higher Education， 1979，4（1）：77-86.

[8]ROMERO C， VENTURA S. Educational data mining： a survey from 1995 to 2005[J]. Expert Systems with Applications， 2007，33（1）：135-146.

[9]PALMER S. Modelling engineering student academic performance using academic analytics[J]. International Journal of Engineering Education， 2013，29（1）：132-138.

[10]ROMERO C， VENTURA S. Data mining in education[J]. Wiley Interdisciplinary Reviews： Data Mining and Knowledge Discovery， 2013，3（1）：12-27.

[11]PEARSON. Decoding adaptive report[EB/OL].（2016- 10-23）[2022-03-01]. https：//www.pearson.com/content/dam/one --dot-com/one-dot-com/uk/documents/educator/primary/ Pearson-Decoding-Adaptive-Report.pdf.

[12]刘珊.大数据时代下隐私问题的伦理思考[J].牡丹江教育学院学报，2014（7）：115-116.

[13]GASEVIC D， TSAI Y S， Dawson S， et al. How do we start？ an approach to learning analytics adoption in higher education[J]. International Journal of Information and Learning Technology， 2019，36（4）：342-353.

[14]JOVANOVIC J， GAEVIC D， Pardo A， et al. Introducing meaning to clicks： towards traced-measures of self-efficacy and cognitive load[C]// the 9th International Conference， 2019：511-520.

[15]AZEVEDO R， GASEVIC D. Analyzing multimodal multichannel data about self-regulated learning with advanced learning technologies： lssues and challenges[J]. Computers in Human Behavior， 2019，96（7）：207-210.

[16]BROOKS C， THOMPSON C. Predictive modelling in teaching and learning[M]. Beaumont： Handbook of Learning Analytics， Society for Learning Analytics Research， 2017：61-68.

[17]BEHESHITHA S S， HATALA M， GASEVIC D. et al. The role of achievement goal orientations when studying effect of learning analytics visualizations[C]// Proceedings of the Sixth International Conference on Learning Analytics & Knowledge， 2016：54-63.

[18]GASEVIC D， DAWSON S， ROGERS T， et al. Learning analytics should not promote one size fits all： the effects of instructional conditions in predicting academic success[J]. The Internet and Higher Education， 2016（28）：68-84.

[19]BIGGS J B. Student approaches to learning and studying. Study process questionnaire manual： study process questionaire manual： catalogue No 500fk[J]. Australian Council Educational Research， 1987（6）：11-23.

[20]MATCHA W， GASEVIC D， UZIR N A， et al. Analytics of learning strategies： role of course design and delivery modality[J]. Journal of Learning Analytics， 2020，7（2）：45-71.

[21]FAN Y， SAINT J， SINGH S， et al. A learning analytic approach to unveiling self-regulatory processes in learning tactics[C]// LAK21： 11th International learning analytics and knowledge conference， 2021：184-195.

[22]CHATURAPRUEK S， DEE T， JOHARI R， et al. How a data-driven course planning tool affects college students’ GPA： evidence from two field experiments[J]. Social Science Electronic Publishing， 2018（4）：1-10.

[23]MARTINEZ-MALDONADO R， GASEVIC D， ECHEVERRIA V， et al. What do you mean by collaboration analytics？ a conceptual model[J]. Journal of Learning Analytics， 2021，8（1）：126-153.

[24]CAVALCANTI A P， DIEGO A， MELLO R F， et al. How good is my feedback？ a content analysis of written feedback[C]// In Proceedings of the Tenth International Conference on Learning Analytics & Knowledge， 2020：428-437.

[25]TSAI Y S， SCHEFFEL M， GASEVIC D. SHEILA policy framework supporting higher education to integrate learning analytics[C]// The 8th International Learning Analytics and Knowledge （LAK） Conference， 2017：28-36.

作者簡介：

德拉甘·加塞维奇（Dragan Gaševi[c][']），澳大利亚莫纳什大学信息技术学院学习分析学教授、学习分析中心主任;

吴志超，北京师范大学人工智能学院博士研究生，共同第一作者、同等贡献者;

卢思旭，北京师范大学人工智能学院;

孙波，北京师范大学珠海校区副教务长、未来教育学院副院长、人工智能与未来网络研究院教授;

何珺，北京师范大学人工智能学院副教授，通讯作者，邮箱：hejun@bnu.edu.cn。

Artificial Intelligence and Learning Analytics for the Future

Dragan Gaševi[c][']1，2†， Zhichao WU1†， Sixu LU1， Bo SUN1，3， Jun HE1，3*

（1.School of Artificial Intelligence， Beijing Normal University， Beijing 100088;

2.Faculty of Information Technology， Monash University， Melbourne VIC 3145， AUS;

3.College of Education for the Future， Beijing Normal University， Zhuhai Guangdong 519087）

Abstract： Learning analytics is the process of analyzing teaching and learning activities. It is a key technology of interdisciplinary talent training for future intelligent education. Recently， data collection， analysis of learning environments and learning activities have attracted enormous attention in the educational field. The rapid development of artificial intelligence technology and its wide application in the educational field have provided opportunities for learning-centered data analysis， and it provides a new way to solve many thorny problems in education. This paper reviews the challenges and achievements of learning analytics in recent years; also it discusses how the future development of learning analytics can benefit from artificial intelligence; analyzing the key issues of the learning analytics framework in data collection， modeling and transformation. Finally， a number of empirical cases are used to demonstrate the application and potential of learning analytics in self-regulated learning， learning strategies， solving learning problems between individual and cooperative. Furthermore， the paper suggests four areas of research for future learning analytics， namely： data use and acquisition， model optimization and implementation， model explainability， and academic research.

Keywords： Intelligent education; Learning analytics; Machine learning; Self-regulated learning; Educational evaluation

編辑：王晓明   校对：李晓萍

基金项目：2022年国家自然基金面上项目“基于弱监督和图网络的课堂交互结构化建模与视频描述方法研究”（编号：62177006）;2021年国家自然基金面上项目“基于时空深度神经网络的课堂师生交互情感识别与视频描述方法研究”（编号：62077009）;2022年广东省自然科学基金面上项目“基于多模态融合深度神经网络的启发式教学自动评价方法研究”（编号：2214050002868）;2021年珠海科技计划项目“人工智能教育关键技术研究与示范”（编号：ZH22036201210161PWC）;2021年国家外专项目“人工智能和未来教育前沿问题研究与教学改革探索”（编号：G2021111027L）。