苟江凤 王楠

[摘   要] 随着学习分析技术中一系列道德安全和数据管理问题的出现，学习分析政策研究成为各国研究者关注的热点。为了验证SHEILA框架对我国学习分析政策的制定有指导作用，研究从学习分析政策SHEILA框架的实践性出发，基于文献研究，对国内外学习分析领域存在的挑战和SHEILA框架的应用进行综述，将对已应用SHEILA框架来制定学习分析政策的四个欧洲高等教育机构的案例进行对比分析。结果发现：道德和安全以及制度和管理问题是我国学习分析发展中存在的主要挑战;SHEILA框架可以为政策发展提供证据支持、评估现有学习分析举措质量、促进关键利益者之间的对话和为政策的制定过程提供信息。通过对SHEILA 框架的实践应用的经验总结，本研究提出我国应用SHEILA框架需注重学习分析准备状态的评估、明确利益相关者的责权和加强机构数据管理、提升学校组织信息化领导力和鼓励经验分享及案例推广等四条建议，以期为我国学习分析政策的制定提供理论性指导。

[关键词] 学习分析政策; SHEILA框架; 案例比较; 策略建议

[中图分类号] G434            [文献标志码] A

[作者简介] 苟江凤（1994—），女，甘肃庆阳人。硕士研究生，主要从事STEM 教育、场馆学习及学习分析政策研究。E-mail：gjf0524@126.com。

一、引   言

学习分析技术首次在《地平线报告》（2011年高等教育版）的长期技术中被提出后[1]，逐渐得到发展。而学习分析过程中引发的一些潜在挑战也需要一定的政策约束。国外学习分析政策最早出现是在2014年开放大学（The Open University）提出的“Policy on Ethical Use of Student Data for Learning Analytics” [2]。接着其他高等教育机构也相继推出了约束学习分析使用的政策，如Jisc、 LACE、LEA's Box、NUS等 [3-6]。尽管我国在学习分析的发展过程中还没有提出相应的政策，但发现我国学者在学习分析的综述中，多次提到制定学习分析政策的重要性，以加强对学习分析中伦理和道德问题的管理[7-10]。而学习分析政策如何制定，国外学者Yi-Shan Tsai和Dragan Gasevic使用ROMA映射的方法提出了学习分析政策框架——SHEILA[11]，为高等教育机构学习分析政策的制定提供了理论框架，引起了更多学者对学习分析政策研究的关注。然而，我国学习分析领域的学者目前为止还没有将该框架引入各高等教育机构学习分析政策的制定中，基于此，本研究基于SHEILA政策框架的ROMA模型方法，在国外学习分析研究的基础上，将我国的学习分析政策本土化，分析使用SHEILA框架对我国高等教育机构制定學习分析政策的可行性，以期为我国学习分析政策研究提供理论指导。

二、学习分析存在的挑战和问题

学习分析中面对的挑战和已存在的问题也成为我国学习分析领域应解决的问题之一。国外学习分析在排除数据和系统整合[12-13]方面的技术挑战外，Yi-Shan Tsai和Dragan Gasevic在国外已有的学习分析的实证研究中归纳确定了与战略规划和学习分析政策有关的六大挑战，发现在学习分析领域发展中，其面临的挑战主要表现在：缺乏领导能力、缺乏利益相关者平等参与、缺乏基于教学的方法、缺乏对技术人员充分的培训、缺乏实证研究验证以及缺乏具体的学习分析政策[14]。

为了解我国学习分析存在的挑战，笔者在中国知网以主题“学习分析”and “挑战”or“学习分析”and“问题”，来源类别选择为SCI、核心期刊和CSSCI进行高级检索，共检索到58篇文献，发现国内学习分析存在的挑战与问题主要集中在三个方面：技术问题、制度和管理问题以及道德和安全问题。由于本研究着重体现学习分析中的政策研究，因此，技术方面的挑战作为开发层面在本文中不展开说明，重点集中在我国学习分析实证研究中制度和管理问题以及道德和安全问题两方面的挑战。

（一）制度和管理能力限制

学习分析作为一种新兴技术手段，制度和管理能力限制制约着学习分析的应用。在制度和管理能力限制上主要表现在基础能力欠缺和数据的处理不足两方面。Kimberly E. Arnold等人指出：任何一个学习分析项目要取得成功，都需要相关人士具备相应的能力，其中不仅包括技术层面的，也包括分析层面的，同时还涉及领导能力的问题[15]。

就基础能力欠缺而言，王良周和于卫红从人的干预和优化视角出发，认为在学习分析应用的过程中，传统的教师和管理者缺乏分析和使用数据的能力，不具备学习分析工具的使用技能，而发展适应性和个性化的分析方案是长期的过程，需要不断实践[7]。这也是袁芳和付达杰等认为的学习分析的一大挑战[8]。虽然徐鹏和王以宁从另一个视角——大数据来陈述学习分析应用的挑战，但两者有异曲同工之处，认为缺乏智慧的数据使用者会导致应用开发和研究人员工作困难，造成许多大数据的教育应用难以实现[9]。

而在数据处理不足方面，数据的预处理问题、访问权限以及学习分析的适用性也是学习分析政策较关注的一点。如吴青和罗儒国从学习分析的实证研究论述了学习分析政策的关注聚集的方面，在教育数据预处理问题上，如何从学习者与学习内容、学习者之间、学习者和软件系统之间的交互数据中寻求合适的数据开展分析是学习分析的难点之一;而在数据访问权限上，利益相关者应该拥有何种访问权限，才能避免学习分析手段的滥用;在学习分析适用性上，学习分析主要解释和识别已经存在的客观规律，如何实现确定其适用范围，避免其局限[16]。除此之外，在数据的处理过程中，袁芳和付达杰等从用户视角下强调学习者数据的可信性与准确性的重要性，尤其数据的收集和记录存在不真实情况，会导致学习分析的结果出现错误，因此，需要合理的政策约束[8]。

（二）道德和安全挑战

在我国学习分析的研究中，关于学习分析相关的法律制度、道德引导、安全技术尚未明晰[17]。但不可避免，学习分析在我国的创新应用中依然存在着许多的道德和安全挑战问题，王良周和于卫红认为，学习分析的道德与安全挑战存在数据位置和解释问题以及许可、隐私管理和匿名化问题 [7]。

在数据位置和解释上，数据在收集过程中保持透明性和知情权显得尤为重要。而许可、隐私管理和匿名化问题一直是各国学习分析应用过程中不可避免的挑战，我国的学者针对学习分析应用发展现状，从实证研究中总结出其挑战。如张家华、邹琴等从政策和伦理方面的挑战出发，强调数据的适度开放和可适用范围的局限是隐私管理中应重视的问题，主要表现在网絡数据往往涉及个人隐私问题，在保障师生特别是学生的知情权和隐私的前提下如何进行数据采集和分析已成为该研究领域所面临的一大挑战[18];而裴莹等在张家华的基础上，表示教育大数据隐私领域应得到关注，学生的数据还应取得家长的知情权[19];在涉及利益相关者的责权方面，曹帅和王以宁等认为，收集和使用教育数据的过程必然涉及第三方机构对数据的保护和许可问题， 应关注到“数据权属” [10];袁芳和付达杰等认为，界定利益相关者明确的数据管理权和所有权，应是学界关注的重点问题[8]。除此之外，在学习分析工具仪表盘的应用中，姜强和赵蔚等认为，仪表盘可以进行学习预测、推荐和个性化干预，有效增加个人教育历史数据的透明性，同时，也将会带来一系列的社会伦理道德问题（包括隐私、人文关怀等），必须注意规避相应的政策和法律规定[20]。

综上所述，学习分析实证研究中存在的挑战中的制度和管理能力的限制制约了学习分析的应用，道德和安全挑战限制了学习分析的进一步发展。因此，如何使这种创新技术的应用符合伦理，避免被滥用，笔者认为，问题的解决需要政府与教育管理部门、研究组织、研究者共同努力，制定统一的法律、政策、规范，从而为学习分析的研究与应用提供良好的外部环境与机制。在解决的过程中不难发现，我国学习分析政策的制定还缺乏指导其实践的理论框架，如何制定学习分析政策，需要借鉴国外已有的学习政策研究。而SHEILA框架是国外学者通过实证研究后专门用于学习分析政策制定的框架，对于我国学习分析发展中的制度和管理能力以及道德和安全挑战这两方面问题的解决有一定的指导意义。

三、学习分析政策SHEILA框架

（一）理论基础：学习分析情境中的ROMA模型

ROMA，全称RAPID [（Research and Policy in Development）Outcome Mapping Approach]，由海外发展研究所（ODI）①设计开发，并已被调整为机构层面上指导学习分析的规划和实施的理论基础[21-22]，ROMA模型利用研究证据为国际发展领域的政策进程提供信息[11]，最初旨在支持将科学和经验证据转化为政策。而Young和Mendizabal 认为，政策的制定是复杂的，很少是线性的或逻辑的[23]，与传统的线性工具相比，ROMA模型使用的螺旋箭头能够为复杂环境中的战略选择提供信息，并应对过程中面临的潜在挑战。

ROMA模型首先定义一个总体的政策目标，指导政策制定的若干次迭代。在政策制定的每次迭代中，分为六个具体循环步骤，旨在为决策者提供基于情境的信息，具体如图1所示。

（二）学习分析政策SHEILA框架

1. SHEILA框架的含义和三个关键因素

SHEILA（Supporting Higher Education to Integrate Learning Analytics）是基于ROMA模型开发的学习分析政策框架，由欧盟委员会资助的SHEILA项目部开发，可用于为现实世界环境中的战略规划和政策过程提供信息，尤其用于高等教育环境中大规模的实施[14]。第一个版本在2017年7月以机构访谈收集到数据分析后发布，第二个版本在此基础上，结合机构领导者的访谈、教学人员和学生焦点小组三者收集到的数据，更新了先前版本。

在SHEILA项目内部，通过对高等教育学习分析文献的系统评价、对教学人员和学生形成焦点小组的调查、向专家询问观点等活动的补充，使原来ROMA 模型发生了关键性变化， 表现在ROMA 的六个步骤不再称其为步骤，因其执行过程没有任何特定的顺序，被称为SHEILA框架的维度，并且通常假设可以执行这六个维度，其中一些维度可以并行执行。而SHEILA框架的特点在于，这六个维度中每一维度都是由三个关键要素构成：机构采取的行动、机构可能期望的挑战和机构需要解决的政策问题，如图2所示。其中，行动是指向SHEILA框架的每一步，如文化、道德和隐私、财务和人力资源、基础设施、内部和外部支持、方法、目的和利益相关者参与;挑战是指SHEILA框架每个维度的潜在挑战;政策主要指导制定解决所列行动要点和挑战的政策的问题，即数据管理、方法、政策管理、目的和利益相关方参与[11，24]。

2. SHEILA框架的六大维度

（1）绘制政治背景

绘制政治背景是了解该机构采用学习分析的目的和需求，以便在其他五个维度中推进关键因素行动的实施。具体表现在确定要实现的总体目标后，围绕这一目标绘制政策背景图，并确定可能影响政策进程的关键因素，在确定关键因素的过程中，ROMA模型可以帮助提供一个有用的问题清单，如采用学习分析的原因是什么，学习分析要解决的问题是什么[24]。

（2）确定关键利益相关者

确定关键利益相关者可以实现数据管理层面上的知情同意、数据访问、匿名原则和数据共享，关键利益相关者包括高级管理层的项目发起人、学生、教学人员和专家，以学习分析过程中的具体事例为例，如在学生视角下，学生期望在道德和隐私保护的情况下使用他们的数据;而在教学人员的视角下更关注教学工作。因此，确定不同利益相关者，可以从不同利益相关者视角下的关键利益来制定政策。

（3）确定所需的行为变化

确定所需的行为变化是指通过设定不同的目标，反映使用学习分析的“目的”，主要包括定义对主要用户的影响、识别可能疏忽的后果和明确利益相关者的责任。如在伦理隐私方面，如果分析过程不透明，或者分析模型过于复杂难以理解，就会造成利益相关方不信任分析的结果[24]。

（4）发展参与战略

发展参与战略，也就是需要在此基础上实施政策和感受期望的行为变化，是通过定义实现目标的方法来解决可能面临的挑战，如解决资源、道德和隐私以及利益相关者的参与等方面的问题。学习分析需要与更广泛的制度战略保持一致，同时，确保资金安全，提高建立工作组的意识，对反馈给不同涉众的数据进行合理选择，在用户数据的处理上避免监视的印象并防止数据过载。除此之外，如何触發干预，谁负责，也是发展参与策略应重视的一部分。

（5）分析内部影响变量的能力

分析内部影响变量的能力侧重评估现有资源的可用性，如数据存储、处理和安全评估;人力、财力、基础设施能力评估，从而应对面临的潜在挑战，如隐私权悖论中关于数据隐私的实证研究的处理能力;制度文化中包括数据的信任、基于数据的决策的评估以及对开放性的创新和变革。

（6）建立监测和学习框架

由于学习分析政策尚不成熟，在制定学习分析政策的过程中需要建立合适的定性和定量指标，分阶段确认政策制度的发展过程，通过各种渠道征求主要用户反馈，以实现其监测。                                                                                                                                       四、基于SHEILA框架的学习分析政策案例

为了使SHEILA框架指导我国学习分析政策的制定，本研究选取了已应用该框架的欧洲四个不同的高等教育机构：爱丁堡大学（University of Edinburgh）、塔林大学（Tallin University）、荷兰开放大学（Open University of the Netherlands）和马德里卡洛斯三世大学（Universidad Carlos III of Madrid），选取的四个案例[11]都是使用ROMA模型作为编码方案，将与学习分析有关的活动映射到六个维度和一个总体目标，以确定每个机构采用学习分析的战略方针，即关键行动;而每个维度面临的不同挑战，从侧面反映出学习分析政策SHEILA 框架的应用在不同的机构需要本土化。因此，本研究总结梳理出各机构运用SHEILA框架制定学习分析政策的四项本土化特点，以此为出发点，对已有案例进行对比分析，区分不同国家应用SHEILA框架制定学习分析政策的异同点和侧重点，以指导我国使用SHEILA框架来制定学习分析政策。

（一）SHEILA框架为政策发展提供研究证据支持

SHEILA框架在学习分析政策的制定过程中，能够为当地的学习分析政策的发展提供研究证据的支持，这一特点在爱丁堡大学体现得尤为突出。爱丁堡大学在运用SHEILA 框架制定学习分析政策上不同于其他机构，表现在开发学习分析政策的目的和原则的同时，应用SHEILA框架制定学习分析政策，这种并行的方式可以使得SHEILA框架为学习分析政策的制定提供依据，如SHEILA框架的第四维度（制定参与战略）和爱丁堡大学学习分析政策原则7[25]中的“学习分析产生的数据不会用于监控员工绩效，除非经过额外咨询后获得特别授权”相联系。而在马德里卡洛斯三世大学的学习分析政策的过程中，通过访谈的方式确定初步的学习分析政策，把SHEILA 框架作为下一步政策制定的参考，以提供研究证据的支撑;尽管塔林大学和荷兰开放大学没有明确说明SHEILA框架如何为学习分析政策的制定提供证据的支持，但不难发现，在SHEILA框架用于学习分析政策的过程中，其六个维度下的行动、挑战和政策提示的框架本身的目的是为学习分析政策制定提供证据的支持。

（二）SHEILA框架用于评估学习分析现有的举措质量

衡量学习分析现有的举措质量作为学习分析领域大多数学者关心的问题之一，不仅需要合理的、完整的指标框架来衡量，还需要结合本地的学习分析的发展水平以及应用特点，合理地进行学习分析的举措质量的评估。例如：塔林大学在其举措质量的评估上，对已经开发出的学习分析的解决方案，使用SHEILA框架检查制定的学习分析政策的步骤是否全面以及是否存在缺失。而荷兰开放大学的学习分析政策对于初步构建的政策指标通过完整的SHEILA 框架来评估，对其调整，使得制定的学习分析政策系统全面。除此之外，爱丁堡大学使用SHELA框架对制定的学习分析目的和原则进行评估，以完善学习分析原则和目的。

（三）SHEILA框架促进关键利益者之间的对话

关键利益相关者之间的对话有利于学习分析政策的制定，而SHEILA框架正可以促进关键利益相关者之间的对话。例如：塔林大学通过SHEILA框架开展管理层间的对话，提出学习分析管理层中应面对的挑战;荷兰开放大学从关键利益相关者的对话中，分析学习分析可能产生的后果以及通过SHEILA框架衡量学习分析教学人员和学生的准备程度;马德里卡洛斯三世大学在不同利益者的对话中发现学习分析中个人数据使用面临的挑战以及管理数据的重要性;爱丁堡大学作为51个案例机构之一，在小组焦点访谈的过程中明确了对学习分析的期望以及担忧。从以上不同案例发现，不同关键利益相关者的对话离不开SHEILA框架中的三个关键因素，彼此之间相互支撑，不同关键利益相关者之间的对话是学习分析政策制定的一个重要环节。

（四）SHEILA为政策的制定提供信息

SHEILA框架是由六个维度以及行动、挑战和政策三个关键因素构成，每一个维度下的三个关键因素都为学习分析政策的制定提供了信息，表现在马德里卡洛斯三世大学通过SHEILA框架，发现学习分析中可能面临的道德和隐私的挑战与西班牙的现行法律与欧洲通用数据保护条例[26]要求严格管辖个人数据的使用相吻合;爱丁堡大学利用SHEILA框架发现利益相关者的所有权问题也是较为重要的，并表示界定大学内各专业团体的所有权和责任是很难的，但形成了以数据管理为主的问题清单，确定利益相关者之间数据管理的重点内容;荷兰开放大学在SHEILA框架的使用中，针对个人隐私，依据SHEILA框架第四维度（发展参与战略）中采取的行动，定义了强制执行选择退出选项，可以匿名以及对策略中数据的设置权限访问的权利，有效地实现冲突最小化。

通过以上四个案例的对比分析，发现政策的制定是确定数据收集的范围，并且鼓励“有意义地选择”数据，以突显学习分析不是数据驱动的发展，而是为学习和教学这一目标服务的[14]。不同机构在运用SHEILA框架制定学习分析政策方面呈现出不同的方式，但不难发现，SHEILA框架应用的特点是共同的，每个机构也面临着不同的道德和安全以及制度和管理问题，因此，政策制定和战略规划过程中，需要考虑到关键行动和突出挑战，重视利益相关者之间的对话，针对具体国家的学习分析发展水平，形成SHEILA六维度下的问题清单，以供学习分析政策的指导使用。除此之外，在SHEILA框架的应用中，同样的挑战可以在多个维度中被识别出来，一个行动也可能通过同时考虑多个维度而被告知，这是一个不断迭代的过程，需要借助SHEILA框架明确制定學习分析政策的维度。

五、我国使用SHEILA框架制定

学习分析政策的建议

针对我国学习分析发展面临的道德和安全以及制度和管理问题，应从以下几个方面考虑学习分析政策的制定过程，以推动我国运用SHEILA框架制定学习分析政策。

（一）注重学习分析准备状态评估，推进学习分析政策的本土化

从以上四个基于SHEILA框架的学习分析政策案例研究和实践发现，SHEILA框架在高等教育机构学习分析政策制定过程中的理论和实践都已得到了验证，例如：塔林大学通过SHEILA框架指导学习分析政策的制定，荷兰开放大学使用SHEILA学习分析政策评估学习分析政策的准备状态。尽管我国的学习分析相关政策的研究还处于初步探索阶段，但在学习分析发展的过程中形成了一定的规则，例如，上海对外经贸大学制定的《信息化数据管理办法》[27]、长安大学和武汉大学等制定的《数据共享与安全管理办法》[28-29]，为学习分析政策的制定奠定了基础，只是整体上不够完善和结构化。因此，在学习分析政策的制定上可以借鉴国外SHEILA框架，针对我国高等教育机构学习分析发展现状中所存在的挑战，制定本土化的学习分析政策，为我国的学习分析政策提供理论指导。

（二）明确利益相关者责权，加强机构数据管理

政策的一个关键含义是除了对其产生的影响之外，还要考虑所涉及的每个人的责任和权利。伴随着学习分析技术的特殊性，在数据的收集、分析和解释的各个过程中，都会涉及隐私伦理问题[30]。而我国在数据管理层面区分利益相关者的责任权利不明确，如“数据属于哪一方的利益相关者”“数据管理应由谁负责”等问题依然处于一个模糊的认识过程中，以及2017年5月全球爆发勒索病毒攻击事件，都表明需要明确利益相关者的责权并加强机构数据管理。而使用SHEILA框架制定学习分析政策过程中，利益相关者的参与有助于学习分析发展，正如Yi-Shan Tsai和Dragan Gasevic建议应让学生和教师等利益相关者参与学习解释，并确保他们之间的沟通渠道和支持资源[14]，以提高评估的有效性和建立对机构准备状态的共同理解。因此，学习分析政策在其制定过程中，数据管理应放到首位，各机构在使用学习分析工具时，理应取得教师和学生的知情同意，保持数据的透明性，区分多方利益相关者的权利和责任，保障利益相关者的整体利益。

（三）提升学校组织的信息化领导力，制定学习分析远景规划

高等教育机构作为一个组织机构，实现其组织需求的战略规划是一个长期的过程，而发展战略机构能力是发展战略能力的关键前提，机构领导参与制定学习分析战略和政策，是一个至关重要的环节。尽管我国在机构领导方面早就提出了首席信息官（CIO）制度，但在其实践发展中，发现多数CIO存在着思想认识不足、易受“政策驱动”、实际工作无话语权以及国家层面的人才培养缺失等问题[31]，而国外不论在区域还是学校发展中，都非常重视机构领导力的参与。如爱丁堡大学，机构领导通过组织学生和教学人员形成焦点小组，利用SHEILA政策框架开发机构政策，将学生关心的数据使用的目的、透明度、有效沟通、匿名化、访问权限等，以及教学人员如何改善学习材料、课程和对学生的支持的设计、提供，列为学习分析政策制定的战略方针，实现学习分析的战略远景，从而产生长期影响。

（四）鼓励经验分享及案例推广，缩小学习分析应用差距

评价学习分析的成功与否，展示学习分析的先进性，是一项具有挑战性的任务。因此，建立成功的案例是鼓励各机构制定学习分析政策的必要条件。以我国为例，教育信息化2.0的提出，使区域化发展的差距愈来愈明显，如发达地区与薄弱地区。为缩小区域、城乡和校际差距，教育政策方向的具体实施方案需要分享。而学习分析政策作为教育政策之一，将成功的学习分析案例予以分享，目的是吸纳各个机构的研究结果，以探讨其他利益相关者的意见，促进各机构在讨论交流的过程中进一步完善所制定的学习分析政策。事实上，已有研究充分证明了有益的学习分析案例研究为提高人们的认识和理解提供了可靠的证据，鼓励建立经验分享和案例推广，不仅使资源利用最大化，而且可以实现学习分析的可持续发展。

六、总   结

我国学习分析的最大挑战不仅表现在制度和管理能力的限制上，还缺乏道德和安全政策的约束，可以总结为我国学习分析领域缺乏指导学习分析实践的机构层面的政策，而SHEILA框架作为学习分析政策制定的框架，可以为我国高等教育机构制定学习分析政策提供一定的理论框架，但也需要结合各机构的教育背景以及学习分析的具体实行过程存在的潜在挑战，将伦理隐私和数据管理放在首位，制定合理的学习分析政策进行实践，以实现其长远发展。

[参考文献]

[1] JOHNSON L，SMITH R，WILLIS H，LEVINE A，HAYWOOD K.The 2011 horizon report[R].Austin Texas：The New Media Consortium，2011.

[2] The Open University. Policy on ethical use of student data for learning analytics[R].United Kingdom：The Open University，2014.

[3] Joint Information Systems Committee.Code of practice for learning analytics[R]. United Kingdom：Jisc，2015.

[4] DRACHSLER H，GRELLER W.Privacy and Analytics：It's a DELICATE issue a checklist for trusted learning analytics[C]//Proceedings of the Sixth International Conference on Learning Analytics & Knowledge，Edinburgh，United Kingdom，April 25-29，2016，USA：New York，2016.

[5] STEINER C M，MASCI D，JOHNSON M，TüRKER A，DRNEK M，KICKMEIER-RUST M. Privacy and data protection policy[R].EU： LEA' s Box，2014.

[6] National Union of Students. Learning analytics： a guide for students' unions. national union of students[R].United Kingdom：NUS， 2015.

[7] 王良周，于衛红.大数据视角下的学习分析综述[J].中国远程教育，2015（3）：31-37.

[8] 袁芳，付达杰，许文.基于用户视角下学习分析技术的应用与挑战[J].计算机与现代化，2017（1）：119-122.

[9] 徐鹏，王以宁，刘艳华，张海.大数据视角分析学习变革——美国《通过教育数据挖掘和学习分析促进教与学》报告解读及启示[J].远程教育杂志，2013，31（6）：11-17.

[10] 曹帅，王以宁，徐鹏.学习分析技术的研究现状与未来趋势——基于2011—2015年LAK会议论文的分析[J].中国电化教育，2016（5）：78-84.

[11] TSAI Y S，MORENO-MARCOS P M，TAMMETS  K，KOLLOM K，GAsEVIc  D. SHEILA policy framework： informing institutional strategies and policy processes of learning analytics[C]//Proceedings of the 8th International Conference on Learning Analytics and Knowledge， Sydney，Australia，March 5-9，2018.AUS： The University of Sydney，2018.

[12] ARROWAY P，MORGAN G，O' KEEFE M，YANOSKY R. Learning analytics in higher education[R]. CO：ECAR， 2016.

[13] YANOSKY R. Institutional data management in figher education[R]. CO：ECAR，2009.

[14] TSAI Y S，GASEVIC D. Learning analytics in higher education—challenges and policies：a review of eight learning analytics policies[C]//Proceedings of the Seventh International Learning Analytics & Knowledge Conference，Vancouver，Canada，March 13-17，2017. Canada：Simon Fraser University，2017.

[15] ARNOLD K E，LONN S，PISTILLI M D. An exercise in institutional reflection：the learning analytics readiness instrument （LARI）. Indianapolis[C]//Proceedings of the Fourth International Conference on Learning Analytics and Knowledge，USA，March 24-28，2014 .New York：ACM，2014.

[16] 吳青，罗儒国.学习分析：从源起到实践与研究[J].开放教育研究，2015，21（1）：71-79.

[17] SLADE S，PRINSLOO P. Learning analytics ethical issues and dilemmas [J]. American behavioral scientist，2013，57（10）：1510-1529.

[18] 张家华，邹琴，祝智庭.国内近五年学习分析研究现状的可视化综述[J].浙江师范大学学报（社会科学版），2017，42（1）：117-124.

[19] 裴莹，付世秋，吴锋.我国教育大数据研究热点及存在问题的可视化分析[J].中国远程教育，2017（12）：46-53，80.

[20] 姜强，赵蔚，李勇帆，李松.基于大数据的学习分析仪表盘研究[J].中国电化教育，2017（1）：112-120.

[21] FERGUSON R，MACFADYEN L，CLOW D，TYNAN B，ALEXANDER S，DAWSON S. Setting learning analytics in context： overcoming the barriers to large-scale adoption [J]. Journal of learning analytics，2014，1（3）：120-144.

[22] MACFADYEN L P，DAWSON S，PARDO A，GASEVIC D. Embracing big data in complex educational systems：the learning analytics imperative and the policy challenge [J]. Research & practice in assessment，2014（9）：17-28.

[23] YOUNG J，MENDIZABAL E. Helping researchers become policy entrepreneurs： how to develop engagement strategies for evidence–based policy-making [R].UK：ODI，2009.

[24] TASI Y S，GASEVIC D，WHITELOCK-WAINWRIGHT A，et.al. SHEILA Research Report [R].EU：SHEILA，2018.

[25] The University of Edinburgh. Learning analytics principles and purposes[R].United Kingdom：The University of Edinburgh，2017.

[26] The European Union. Regulation （EU） 2016/679 of the european parliament and of the council[J]. Official journal of the European union，2016，59：1-88.

[27] 上海对外经贸大学.关于下发《上海对外经贸大学信息化数据管理办法》的通知 [EB/OL]. （2018-01-03） [2019-05-10]. http：//itc.suibe.edu.cn/dd/ff/c4349a56831/page.htm.

[28] 长安大学.长安大学数据共享与安全管理办法（试行）[EB/OL]. （2017-09-26） [2019-05-10]. http：//www.jwzx.chd.edu.cn/info/1060/1188.htm.

[29] 武汉大学.武汉大学数据管理办法（试行）[EB/OL]. （2016-10-31） [2019-05-10]. http：//nic.whu.edu.cn/index.php/article/index/id/21/cid/9.html.

[30] 王楠，苟江凤.基于隐私伦理视角的国外学习分析政策分析[J].电化教育研究，2019（5）：120-128.

[31] 张养力.教育信息化2.0视域下中小学首席信息官（CIO）制度的困境及出路[J].电化教育研究，2019（5）：40-47.

[Abstract] With the emergence of a series of problems concerning moral， security and data management in learning analytics， the study of learning analytics policy has attracted great attention of researchers in various countries. In order to verify that SHEILA framework plays a guiding role in the formulation of China's learning analytics policy， based on literature research， this paper starts from the practicality of SHEILA framework， and summarizes the challenges in the field of learning analytics at home and abroad， as well as the application of SHEILA framework. Meanwhile， this paper carries out a comparative analysis of four European higher education institutions that have applied the SHEILA framework to develop learning analytics policies. The results show that ethical and safety issues as well as institutional and management issues are the main challenges in the development of learning analytics in China. The SHEILA framework can provide evidence to support policy-making， assess the quality of existing learning analytics initiatives， promote dialogues among key stakeholders and provide information for the policy-making process. Finally， based on the practical application of SHEILA framework， this study proposes that the application of SHEILA framework in China needs to focus on the assessment of the readiness of learning analytics， the responsibilities of stakeholders and institutional data management， the school leadership of organizing informatization， and experience sharing and case promotion， which provides theoretical guidance for the policy-making of learning analytics in China.

[Keywords] Policy of Learning Analytics; SHEILA Framework; Case Comparison; Policy Suggestions