张莉娜

摘要：通过文献研读对学习分系统研究现状与成果进行分析，该文提出可行的学习分析过程，分析有效的学习分析工具。而后，笔者结合翻转课堂实验教学需求，从课前学习推荐和课后复习干预两个方面入手，设计支持翻转课堂实验教学模式的學习分析系统。

关键词：学习分析；翻转课堂；系统建模

中图分类号：G642 文献标识码：A 文章编号：1009-3044（2017）29-0093-02

软件工程专业课程教学基于翻转课堂展开实验教学具有可行性和必要性，并通过实证研究对其效果进行验证，效果明显。为了更加深入掌握学生课外学习情况，进一步剖析其线上课外学习行为具有一定的必要性。本文将进一步分析设计出支持翻转课堂实验教学模式的学习分析系统的架构

1 学习分析概述

在教育信息技术界，随着学习管理系统和web2.0的普遍使用，学习者产生大量的数字学习轨迹，也就意味着教育机构面临着大数据需要处理，学习分析正是代表了教育中“大数据”的分析与应用。用传统的数据库软件进行捕获、存储、管理和分析是非常困难的，但研究者认为其具有很大的研究价值[1]。于是一个新的研究领域——学习分析（learning analytics）出现了。学术界对学习分析尚未形成统一的定义，在2011年第一届学习分析和知识国际大会（lak11）上，学习分析被定义为“学习分析技术就是测量、收集、分析和报告关于学习者及其学习情境的数据，以期了解和优化学习和学习发生的环境”。

学习分析与知识国际会议从2011年开始每年一届，至今已取得一定的研究结果：学习分析形成了以教育学、计算机科学与工程、人工智能、心理学与认知科学为主导学科的学术群合作研究态势，理念研究关键词分别呈现出社会网络分析、教育文本分析和可视化、大规模开放在线课程、教育数据挖掘和计算机支持协作学习共同体的演变趋势，通过聚类分析，形成了以生成预测模型、数据集驱动的研究，语义对话与自动作文评分、知识建构与能力转化等代表的研究主题，以设计研究法、文本分析法、混合研究法、教育数据挖掘等为代表[2]。

2 学习分析过程与工具

学习分析作为近几年的研究热点，学者已经给出各自的研究成果：布朗在第一次学习分析和知识国际会议上对学习分析进行总结概括，提出学习分析的五要素：数据采集、数据分析、学生学习、听众反馈、干预。学习分析研究协会设计了开放学习分析的集成和模块化平台，包括3个引擎：适应性和个性化引擎、干预引擎、分析引擎（中心）[3]。Bramucci和Gaton展示了一个推荐引擎Sherpa，通过挖掘多种教育数据源，展现包括电邮、语言等个性化服务，如为学生推荐课程、对危机学生进行干预，为学生定制校园信息等[4]。

综合分析以往研究成果，不难看出学习分析系统是一个相对比较复杂的综合系统，该系统基于教育大数据的研究背景，以学习分析为中心，实现学习干预为目的，数据挖掘与处理为主要途径，引入推荐引擎和干预引擎，通过人机个性化智能互动，从而提高学习效果。

参考西门子（siemens）研究出的学习分析过程，本文提出支持翻转课堂实验教学模式的学习分析过程包括以下几个环节： 建立个人学习习惯档案、学习者通过学习输入数据、结合智能数据进行学习分析、得出学习风格预测、智能推荐适应性学习资源。如图1所示：

1） 学习者输入数据：学习者借助移动终端、社会性软件、个人学习环境以及学习管理系统等各种学习软件开展自主学习，将该学习过程所产生的数据记录并存储下来。

2） 学习分析：在智能数据如课程语义数据、关联数据的参与下，对输入数据进行社会网路分析、概念理解，转化为影响成败信号。

3） 形成个人学习档案：根据现存数据或者输入数据形成个人信息档案，用来进行自我鉴定或数据推断。

4） 预测学习风格模型：根据学习分析产生的数据轨迹以及个人档案数据，预测学习者的学习风格模型。

5） 推荐学习资源：基于以上数据分析结果，系统自动推荐适应性学习资源或者教师根据结果实施干预，从而满足不同学习者的个性化学习需求，提高学习效率

学习分析技术在整个过程中起到重要作用，是整个学习分析过程的核心内容，除了大数据处理、数据挖掘的专业技术以外，目前教育教学领域已开发应用的学习分析工具可作为借鉴。

根据各学习工具所侧重的分析对象与类型，将其分为：学习网络分析工具、学习内 容分析工具、学习能力分析工具、学习行为分析工具及其他综合分析工具[5]。

学习网络分析工具的主要对象就是在社交网络中进行的学习交互，会产生大量数据，这些数据，可分为以学习个体为研究对象和以学习网络为研究对象，如个体在平台中的活跃程度或者网络中个体之间的关系角色，代表性工具如Gephi。学习内容分析工具主要分析师生或生生交流所产生的内容，与学生学习内容本身为研究对象，如论坛内容与课程内容等，代表性工具如Nvivo。学习能力分析工具以学习者的学习能力，学习水平为分析对象，如通过量表或博客等形式对学生的学习能力、学习水平进行测试，代表性工具如Enquiry Blogger。学习行为分析工具以学习者与系统的人机交互数据为研究对象，如学习者的登录时间，访问时间，完成作业情况等被系统自动记录代表性工具如Mix-panel。

3 学习分析系统设计

针对本研究课题的需要，基于对学习分析过程与学习分析工具的分析，构建支持翻转课堂实验教学模式的学习分析系统，需要考虑一下几个方面的设计原则：

1） 考虑翻转课堂实验教学需求，系统设计需要考虑课前学习分析与课后学习分析两部分进行设计，基于现实需求，课前分析结果更多的是系统自动进行分析然后推送，课后学习分析则可以较多的实现教师的干预。

2） 学习分析技术工具的选择与使用，要兼顾大数据处理、数据挖掘的专门技术和目前已经存在的比较成熟的学习分析工具。同时要考虑各种工具技术的可视化效果，则需要采用可视化技术来实现，因为可视化的结果对于教师或者管理员的干预特别重要。endprint

3） 学习资源的设计需要考虑个性化学习需求，力求多样化多维度的进行学习资源设计，文本、视频、音频多元化提供给学习者。

4） 学习日至的捕获与记录需要从各个方面去设计，要求涵盖学习网络、学习能力、学习内容、学习行为等各个方面的数据信息。

5） 尽可能利用现存学习分析数据，例如将学生信息系统数据导入参与学习风格模型的推算。

遵循以上原则，对支持翻转课堂实验教学模式的学习分析系统进行设计，架构图如图2所示。

组件1多样化的学习资源，也就是对学习课件、测试题目、交流方式等各个方面的设计力求多样化。如对于课件可提供ppt、视频、word等形式，测试题目可以分为主观题和客观题、包括课前预习自测和课后复习测试，交流方式可以在线互动也可论坛留言等。

组件2多维学习日至数据库，也就是要求学习日至内容多样化，如記录学生登录系统时间点、访问时间段、访问人数、阅读课件驻留时间、测试题目回答情况，得分情况、在线互动人数、内容、论坛留言数据等。

组件3学习分析工具包括数据挖掘与大数据处理技术和常用的学习分析工具，上文已给出部分常用可参考学习工具，其作用就是对组件2 记录存储的数据进行合理分析，从而得出组件4的预测结果。

组件4预测学习风格模型，此处学习风格，侧重指不同学习者的学习偏好，如对不同媒体的敏感程度不同，可以推送不同的学习资源（组件5推荐引擎），学习时间段不同，可以帮助教师决定课程布置得时间（组件7干预引擎）等等，以求学习效果最大化。

组件6呈现可视化信息输出，主要是指预测结果的界面输出，便于管理者或者教师察看，从而提出干预措施。可视化结果对于研究来说特别重要，能够体现出该系统的有效性与必要性。

组件8学生信息管理系统作为一个外部系统，已存现有学生的个人档案，可作为预测学习风格的一种判断依据参与分析。

4 结束语

本研究通过对学习分析概念、过程、技术工具等各方面的分析，结合翻转课堂实验教学模式需求，设计出支持翻转课堂实验教学模式的学习分析系统架构。对于该系统尚处于设计分析阶段，后续需要进一步研究，将其实现并加以应用。

参考文献：

[1] 马晓玲，邢万里，冯翔，等.学习分析系统建构研究[J].华东师范大学学报：自然科学版，2014（3）.

[2] 牟智佳，俞显.知识图谱分析视角下学习分析的学术群体与热点追踪——对历年“学习分析与知识国际会议”的元分析[J].远程教育杂志，2016（2）.

[3] 陈玉芸.基于学习分析技术的个性化在线学习系统开发与应用[J].高教论坛，2017（3）.

[4] BRAMUCCI R，GASTON J.Sherpa：increasing student suces with a recommendation engine[C].LAK，2012：82-83.

[5] 孟玲玲，顾小清，李泽.学习分析工具比较研究[J].开放教育研究，2014（8）：20.endprint