本文由《远程教育杂志》授权发布
作者：牟智佳、俞显
摘要
“学习分析与知识国际会议”是反映学习分析研究现状与趋势的一个重要风向标。通过以历年会议论文为研究样本来源，以元分析、知识图谱、社会网络分析为研究方法，从研究者国籍、学科背景、关键文献、关键词、研究主题和研究方法六个方面，对文献进行内容分析。研究结果显示：（1）以美国、英国、加拿大、澳大利亚等为主导的国家引领学习分析的研究热点，并形成了以教育学、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体合作研究态势；（2）历年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；（3）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为代表的研究主题；（4）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的研究方法，呈现为新型研究范式。最后，基于分析结果对学习分析研究热点进行了讨论。
关键词：知识图谱；学习分析；社会网络分析；可视化；研究热点
一、研究背景
在教育大数据、教育云服务和网络学习空间日渐普及的背景下，学习分析的应用价值得到日益凸显，越来越多教育者和管理机构通过学习分析了解学生的学习过程并为其提供更好的支持。自2008年《地平线报告》在中期趋势中提出“数据集成”以来，学习分析经历了从可视化数据分析到量化自我的演变，并在近五年的报告中一直作为影响教育领域的关键趋势之一然而，麦肯锡全球数据分析研究所（Mckinsey Global Institute）在2011年6月发布的《大数据：创新、竞争和生产力的下一个前沿》报告中指出，有策略地应用分析来指导实践这一思想并未在教育领域中得到应用，教育领域的数据已初具规模，但分析却相当薄弱[2]。之后，美国教育部下设的教育技术办公室在2012年发布的《通过教育数据挖掘和学习分析来改善教与学》报告中，对教育数据挖掘和学习分析的研究基础、应用方向、实施挑战等方面进行了深入分析，旨在促进这两类组织的融合并推动其在教育领域的应用[3]。
当前，学习分析已经引起国内外研究者的广泛重视，相关研究者成立学习分析研究协会。该协会下设的“学习分析与知识国际会议”（International Conferenceon Learning Analytics & Knowledge，LAK）旨在为从事学习分析的学术机构、管理者、软件开发者和企业提供一个交流平台，其交流内容逐渐成为反映学习分析研究风向标的一个重要观测点。
二、研究方法与过程
（一）研究样本与研究方法
本研究选取历年“学习分析与知识国际会议”的论文作为研究样本，该会议自2011年2月第一次由加拿大阿萨巴斯卡大学在阿尔伯塔省的班夫举办以来，已经连续举办五届。在此，我们对历届会议的信息进行了汇总，如表1所示。从中可以看出，学习分析议题由初期将学习分析中的技术内容与社会和教育方向相整合走向深人的教育大数据学习分析，与创新，会议主题报告也侧重于通过教育数据分析，获取更丰富的教与学信息。在研究样本的获取上，由于该会议与国际计算机学会电子数据库合作，因此，将通过在线数据库来获取历年会议论文和文献统计信息。在检索过程和结果上，以会议名称为检索字段，在检索结果上剔除每年的会议日程介绍、Workshop安排等非研究性论文，获取到第一年论文27篇，第二年论文52篇，第三年论文45篇，第四年论文54篇，第五年论文84篇，总计262篇。
在研究方法上，本文分别采用元分析、知识图谱、社会网络分析对文献内容进行分析。其中元分析（Meta-analysis）是由Glass于1976年首次提出，它是一种将定性分析和定量分析相结合的文献分析方法，其目的主要是借助统计方法，就同一主题的大量研究结果进行综合分析与评价，探讨研究中存在的规律[9]。通过元分析可以对文献研究主题和研究方法进行分析，而知识图谱是对历年文献中的关键词演变及研究热点进行分析，社会网络则是对研究者合作关系信息进行分析。整个研究通过可视化的知识图谱展现各项分析结果。
研究过程中用到的工具软件有CiteSpacelll、Ucinet6.0、Histcite、Visio2010，其中Ucinet6.0用于描述社会网络中个体之间的关系、角色地位和所属派系等社会学信息[10]；Histcite由SCI的创办人加菲尔德设计开发，能够用图示的方式展示某一领域重要文献及其文献之间的关系[11]，本研究中将用其分析和提取关键文献；CiteSpacelll是由美国学者陈超美领衔开发的可视化分析工具，通过分析可以找出该领域的知识基础、核心作者、研究热点以及研究趋势[12]。
（二）研究过程
文章的研究过程主要包括以下六个方面：（1）汇总近五年“学习分析与知识国际会议”的论文，并按时间顺序对历年会议论文进行编码；（2）提取文献中的研究者姓名、国籍、学科、关键词、题目等信息并进行编码，对同义、单复数、简写关键词进行合并处理，如“visualization”、“visualisation”统—为“visualisation”，SNA统一写为“society network analysis”等；（3）对文献中的研究方法进行内容分析，其方法是两名研究者分别阅读文献确定其方法记录到表格中，并汇总研究方法名称，最后对各类文献方法进行编码；研究主题分析通过知识图谱软件对“主题词”进行聚类分析得到；（4）利用本地引用次数绘制关键文献的引文编年图，并分析其引证关系链；（5）通过知识图谱和社会网络对样本数据进行分析并可视化输出；（6）依据分析结果探讨学习分析的研究热点。
三、研究结果分析
（一）研究者国籍与学术群体分析
1.研究者国籍与研究机构分析
通过研究者国籍分析可以掌握不同国家对某一研究领域的贡献程度以及国家之间的合作关系。将数据导入CiteSpacelll，时间跨度设定为2011-2015年，单个时间分区设定为1年，“Node Types”选择“Country”，“Top N per slice”阈值设定为50，其中前、中、后三个时间分区的阈值（C，CC，CV）分别设定为（3，4，15）、（3，2，15）、（2，2，15），阈值越大符合条件的作者越少，其余阈值由现行内插值来决定，最后获得包含50个节点和113条线的关系图。需要说明的是，阈值设置根据图谱聚类效果而定，若各聚类之间清晰显示要素，聚类之间有少量关键的联系，此类阈值设置符合分析要求[13]。
通过上述分析设定得出如图1的分析结果，其中“圆图”半径代表着国家出现的次数和时间，时间由远至近，从圆的中心向外拓展。可以看出，在学习分析研究领域中，第一梯队是美国、英国、加拿大，其中，美国和加拿大均举办过两届“学习分析与知识国际会议”，英国则以英国开放大学（The Open University）为首的研究机构积极参与到学习分析的理论、发展和应用实践研究中[14]；而澳大利亚、德国、荷兰等国紧随其后；西班牙、比利时、希腊、法国则处于第三梯队。从机构分布来看，英国开放大学、美国密西根大学、加拿大阿萨巴斯卡大学、澳大利亚卧龙岗大学、荷兰开放大学、西班牙卡洛斯三世大学、德国信息技术研究中心等机构是学习分析领域的主要研究机构。此外，美国斯坦福大学、澳大利亚悉尼大学、英属哥伦比亚大学、德国弗劳恩霍夫信息技术应用研究所在学习分析领域的研究也比较突出。
可见，学习分析技术的研究主阵地在欧美国家，图谱显示各国之间呈现合作研究的态势，跨国合作研究是学习分析领域的一个明显特征。
2.学术群体合作关系分析
科学文献的作者是科学研究活动的主体，学科领域内的优秀研究人员往往能够引领学科新的方向，对快速了解该学科基本研究概况大有裨益[15]。此外，对一学科研究团体的关系进行分析，可以掌握该学科研究团体的研究生态情况。“Node Types”选择“Author”“Top N per slice”阈值设定为50，其它阈值依照原有设定不变，运行软件后得到具有164个节点和223条连线的合作网络关系图，如图2所示。
学术群体合作关系图谱显示，图中有大量的关系网络，表明学习分析领域的研究者注重以团体的形式进行合作研究，基本形成了较为稳定的研究团体；各研究团体之间也表现出较紧密的联系，说明各研究团体之间的信息交流较通畅，资源共享程度较高。
其中，以舒姆（Simon Buckingham Shum）为代表的合作团体在学习分析领域占有主要位置，其形成的研究团体在整个学习分析领域有着广泛的影响，是学习分析研究的主力军。舒姆具有社会科学、心理学和计算机科学等学科背景，当前致力于知识提取与表征、社会网络分析、语义文本分析等方面的探索，其团队最新研究是设计计算机支持的辩论可视化工具对学习者在线协作与知识分享建构的能力进行评价[16]。此外，以加舍维奇（Dragan Gasevic）、道森（Shane Dawson）、帕尔多（Abelardo Pardo）和贝克（Ryan S.Baker）组成的研究团队致力于如何利用复杂教育系统中的教育大数据进行教育评价，并在学习分析工具设计、学习策略分析和教育数据挖掘方面有较多探索[17]。以弗格森（Rebecca Ferguson）、德拉克斯勒（Hendrik Drachsler）和拉特（Maarten de Laat）组成的研究团队也具有较高的影响力，该学术群体基于欧洲教育项目实践开展学习分析应用探索，研究内容涉及学习分析理论、个性化推荐系统、教育文本分析等[18]。
（二）研究者学科背景分析
在新兴研究领域，研究者的学科背景分析有助于了解该领域的基本研究内容和专业研究属性。本研究阅读并提取了每篇文章研究者的学科背景信息，之后两名分析者根据所提取的研究者背景信息对其所属学科进行划分，最后利用Ucinet6.0软件构建作者的学科背景邻接矩阵，应用软件分析得到如图3的分析结果，其中，块状节点表示学科，圆形节点表示学科下属的研究方向。
可以看出，当前学习分析领域研究者的学科背景除教育学、计算机科学、统计学等基础学科之外，还涉及人工智能、心理学与认知科学、经济学、艺术设计、管理学、情报学等学科。各学科之间存在交叉联系，特别是教育学、计算机科学与工程、人工智能、心理学与认知科学这四门学科合作密切，这说明研究者试图通过跨学科合作来解决教与学实践中的复杂问题。此外，探索教育数据背后的学习本质、学习者是如何学习的这一基本问题也是学习分析需要探测和解释的，而该问题的解决需要心理学与认知科学的相关理论提供支持。交叉学科研究是产生新学科的沃土和源泉，是获得原创性科学成果的重要途径，也是解决重大技术、社会问题的必然选择[19]。学习分析作为一个新的研究领域，也正因为其多学科交叉的研究背景才有可能在未来给教育教学带来飞跃式的变革。
（三）关键文献的提取与分析
关键文献集中体现了某个学科主题发展的基本信息和主要内容，是针对特定科学主题开展研究的重要入口[20]。文献被引频次反映文献被其他研究者关注的程度，也从一个侧面反映了论文质量和作者科研成果的吸收量，被引频次越高说明此文献在该研究领域中越重要，可被认为是核心文献[21]。将数据导入Histcite，运行软件并选择Graph Maker命令，按LCS（Local Citation Score，本地引用频次，即在当前所搜集的文献中被引用的次数）最高的前40篇文献绘制出关键文献的引文编年图，如图4所示。其中，每一个圆圈中的数字代表一篇文献的编号，圆圈的大小代表该篇文献被引用频次的多少，箭头连线代表之间的互引关系。
从图4中可以看到，2011年度有编号为46、51、50、49、53、52等6篇文献被引用频次较多；编号为102、99的文献则为2012年度被引用频次较多的文献；2013年度有编号为131、141的2篇文献被引用频次较高。整个引文编年图大致有三条引证关系链：引证关系链1主要对学习分析中的学习建模、个性化推荐系统的算法进行深入研究[22]；引证关系链2涉及学习行为数据分析、学习分析可视化以及基于MOOCs的学习分析[23]；引证关系链3集中探讨了学习分析背景下的工具方法、学习设计、基本理论等关键内容[24]。此外，孤立点33、46、206、252、239也有一定量的被引用频次，但与其它高被引文献无互相引证关系。上述10个文献编码对应的原文信息如表2所示。
（四）关键词演变与整体分析
1.对关键词的整体分析
关键词是表述文献主题、内容、思路以及研究方法的关键性词汇，是信息计量研究的重要指标[25]。关键词可以反映本年度的研究热点，并在一定程度上预测今后的发展趋势[26]。在“Node Types”选择“Keywords”，“Top N per slice”阈值设定为50，（C，CC，CCV）前、中、后的设置为（2，3，20）、（3，6，20）、（2，3，20），最后获得包含188个节点和258条线的关键词整体网络分析图，如图5所示。可以看出datamining、MOOCs、social network analysis、visualisation、discourse analytics、predictive analytics、online learning、collaborative learning（CSCL）、society learning analytics、assessment是排在前十的高频关键词，基于网络学习活动行为数据进行分析、可视化表征和预测是学习分析研究的典型特征，这与2011年《地平线报告》对学习分析内涵的描述较为一致[27]。
图5中圆点大小和连线的厚度代表着节点中介中心度及其值的大小，中介中心度反映了一个关键词在网络中的核心桥梁地位。其中MOOCs、education data mining的中介中心度分别达到0.13和0.11，说明这两者在整个学习分析领域具有核心桥梁的地位，连接着整个学习分析领域各部分的内容。大规模开放在线课程作为教育大数据主要来源之一，其数据获取方便、数据结构多样化、数据量大的特点已经成为学习分析研究者的主要研究对象，而教育数据挖掘作为一个独立学术群体开始与学习分析进行合作与交流，两者都侧重基于数据分析为教育系统的计划、干预和决策提供支持[28]。
2.历年文献的关键词演变分析
分析历年文献的关键词演变情况可以帮助读者了解在不同时期某一领域研究者所关注的重点以及整个研究的变化态势。在“Node Types”选择“Keywords”，“Top N perslice”阈值设定为50，“Layout”选择“Timezone”。为了让图谱清晰展示分析结果，在Display Merged界面的“Article Labeling”面板中将“Threshold”设置为3，其它参数设置同上，最后获得包含74个节点和120条线的关键词历年演变关系结果，如图6所示。
从中可以发现，2011年学习分析研究侧重关注社会网络分析、在线学习和计算机支持的协作学习。2012年会议关注点集中在学习分析可视化、预测分析和文本对话分析，此外，研究者开始关注教育评价和学生注意力方面的研究。2013年则集中聚焦在MOOCs和高等教育，受大规模开放在线课程全球范围内的影响，研究者开始探索高等教育环境下的网络学习者群体行为特征和规律。2014年教育数据挖掘和教育数据聚类分析成为该年度会议论文的主要关键词，2012年英国学者维克托.迈尔-舍恩伯格（Viktor Mayer-Schnberger）撰写的《大数据时代》成为了大数据研究的先河之作，此后，军事大数据、医疗大数据、旅游大数据、电商大数据受到了广泛的关注并通过大数据挖掘分析分别取得了一些应用实例，而在当前倡导智慧教育的背景下则需要基于教育大数据的学习分析作为支撑，因此，教育数据挖掘也成为当前学习分析关注的重点和热点。2015年关注的重点包括协作学习共同体、对话文本分析、伦理道德研究等。随着学习数据的搜集和积累，大数据环境下学习分析数据的安全性和个人隐私保护成为了新的研究议题[29]。
（五）研究主题聚类分析
对近五年会议论文研究主题进行分析，可以进一步了解该领域关注的焦点内容和研究取向。在“Node Types”选择“Term”，“Top N per slice”阈值设定为50，“Pruning”选择“Minimum Spannning Tree”，为保证图谱更为清晰，去除“learning analysis”，其它参数设置同上。获得包含74个节点和119条线的聚类图谱，从聚类的情况上看，一共得到八个主题聚类，如图7所示。
聚类#0 generating predictive model（生成预测模型），该类研究是对学习者已学习活动的行为数据进行分析并对其未来学习结果进行预测，对存在问题和学习障碍的学习者进行适当的干预。
聚类#1 pedagogical model（教学模型）通过对学习者的学习行为数据进行分析，总结学习者在学习过程的关键点和规律，从而构建支持有效教学设计的教学模型，而这些模型最终目的是更好地开展差异化教学以满足学习者的个性化学习需求。
聚类#2 automatic essay scoring（自动作文评分）和聚类#3 exploratory dialogue（探索对话）则是对学习者在互动交流中产生的大量对话文本进行分析，通过自动化文本语义分析了解学习者知识掌握程度、学习动机、学习策略等个性特征信息，为调整教学策略和设计提供依据。
聚类#4 knowledge construction（知识建构）和聚类#5 transferable competencies（能力转化）主要是判定学习者知识和能力的掌握程度，并依据分析的结果为学习者提供一定的学习策略和方法以帮助学习者提升掌握知识和应用知识的能力。
聚类#6 dataset-drivenre search（数据集驱动的研究）是基于网络学习平台和系统搜集的数据，采用相关挖掘技术和算法进行分析，发现学习中存在的问题和学习行为特征。
聚类#7 emotional research（情感研究）是对学习者注意力、情绪和态度等方面进行探索。学习者情感态度价值观的研究一直是教育研究领域忽视的板块，特别是在网络环境下教与学活动、教师与学生时空相对分离，学生的焦虑感、孤独感等情绪时有发生，因此，关注学习者情感和动机变化的成因并进行改善有助于提高其学习成效[30]。
（六）基于学科背景的研究方法分析
在研究方法编码上，分别对学科背景和研究方法名称进行数字和字母标识，例如，文献标识LAK13-01，学科背景标识12，研究方法标识A，代表该文献含有教育学和计算机科学与工程两个学科，研究方法为文献研究法。通过数据进行统计分析和可视化输出，得出如图8所示分析结果。
其中，圆圈中的数字代表对应学科采用该研究方法的数量，如，文献研究法对应教育学的圆圈显示为14，表明有14篇教育学背景的研究文献采用文献研究法作为其主要的研究方法；连线表示不同学科背景研究者采用同一研究方法的合著关系，连线上的数字代表其合著过程使用同一研究方法的数量，例如，文献研究法对应的教育学和计算机科学与工程两门学科，其连线上的数字显示为4，表明以教育学和计算机科学与工程为学科背景的合著文章中有4篇采用文献研究法。
在研究方法种类方面，相对于传统的调查研究、实验研究等方法，学习分析侧重开展文本分析、设计研究、聚类分析、眼动分析、连续模式提取、时间序列分析、移动点分析、人工智能等教育数据挖掘和机器学习分析方法，这与前面研究主题分析得出的数据集驱动的研究较为一致。
在研究方法数量方面，文献研究法、基于设计的研究、文本分析法、混合研究法是较多应用的研究方法。其中，文献研究法主要用于介绍学习分析的理论框架、模型设计、技术方法等内容，基于设计的研究侧重学习分析工具的设计、可视化、应用与改善，如，桑托斯（Jose Luis Santos）等研究者设计StepUp学习分析仪表盘以支持学习者自我反馈和意义建构[31]。
文本分析侧重分析虚拟学习社区和网络答疑区中互动文本的提取、分析与社会网络分析。混合研究法则是结合定性和定量两种方式对学习数据的捕获、个性化学习行为和心理特征等方面进行分析。
在学科合作方面，从学科合作曲线密集度可以看出设计研究、混合研究和人工智能等方法涉及教育学、计算机科学、人工智能、心理学与认知科学等多学科的交叉合作，说明跨学科开展工具设计、可视化和教育数据挖掘成为学习分析的一种常态。
四、学习分析研究热点的讨论
（一）学习分析的工具设计与可视化输出
利用学习分析工具对网络学习活动管理系统中的数据进行分析并可视化输出是当前学习分析研究的热点之一。
通过对历届会议论文研究主题的分析可以看出，每年都会有研究者聚焦于学习分析工具的设计与应用。从早期的用于分析学习者社会网络关系的SNAPP（The Social Networks Adapting Pedagogical Practice）工具、对学习管理系统中学生行为数据进行评价和分析的AAT（The Academic Analytics Tool）工具到后面对学习过程和参与行为进行分析的eGraph工具，学习分析工具逐渐从分析学习者群体特征数据走向对个人学习活动过程行为分析的演变[32][33][34]。
而在可视化分析方面，由早期的基本信息呈现走向对学习者活动参与情况、个性化学习路径、学习能力等深层信息进行分析输出。可以看出，未来学习分析工具设计与分析将逐渐走向个性化、智能化和可视化。
（二）基于学习过程的行为数据预测未来学习表现
近年来，研究者逐渐开始探索分析学习者在网络学习系统中的学习活动行为与学习者未来考试表现之间的关系[35]。了解不同学习者的学习过程行为及其所产生的学习结果和表现不仅能够帮助理解学习者做出选择的归因和动机，而且能够帮助教师发现影响学习表现的内外因素，为教学内容的调整和干预提供依据。
这方面的研究主要集中在学习结果预测模型和机制分析、学习者已有知识经验如何影响其未来表现、预测工具设计与应用、学习成败预测分析等。例如，肯尼迪（Gregor Kennedy）等研究者基于大规模开放在线课程中学习者的先前知识、技能和活动预测学习表现，发现学习者的先验知识是其未来学习成功的重要预测指标[36]。安德尔加森（Monika Ander-gassen）等研究者使用Web Usage Mining工具对学习者在考试准备过程中的行为数据与学习结果的相关性进行了分析，发现学习者的时间间隔、练习题和考试题的覆盖范围与成绩成正相关[37]。因此，利用学习者已有行为数据进行预测分析并提供适切的教育干预是当前学习分析的另一个研究热点。
（三）虚拟学习社区中的交互文本与对话挖掘分析
虚拟学习社区中的互动答疑和讨论交流是网络环境下教师与学生以及学习者之间开展异步讨论与协作学习的主阵地，通过对学习者互动交流产生的文本进行分析和挖掘，不仅可以了解其对讨论内容的看法，而且可以了解其知识建构的过程。
然而，鉴于互动文本本身所具有的内容长度较小和情境复杂的特性，很难对其进行有效的分析[38]。传统的文本分析并不能够全面地提取到学习者互动交流内容中所包含的意义和情境信息，且在文本大数据集的背景下通过人工方式对文本内容进行编码分析会耗费大量的时间和精力。当前，教育文本分析侧重通过数据挖掘和机器学习等方式对文本内容进行自动提取和分析。例如，希巴尼（Antonette Shibani）等研究者通过文本挖掘方式自动获取学习者在互动交流中对团队评价的内容并进行分析[39]。在研究群体上，舒姆等研究者在2013年发起了教育文本分析的国际工作坊，以促进从事该主题研究的学者开展交流与合作[40]。
（四）学习者参与度、注意力与情感研究
在学习者广泛注册和学习大规模开放在线课程的现象下，参与度和通过率成为课程学习过程中日益凸显的问题，较少学习者能够坚持学完课程所有内容并获得课程认证[41]。
学习者参与度是影响学习成效的一个重要因素，如何提高其参与度、学习注意力并分析其情感成为研究者逐渐关注的问题。在参与度模式上，研究者丽塔（Kop Rita）及其同事对联通主义理论指导下大规模开放在线课程的学习参与度进行分析，发现由于该类型课程链接了不同类型工具和资源，很难追踪学习者所有的学习活动，但从已有学习行为上分析，可以看出学习者热衷于该类型的课程学习，且这种参与度能获得较好的学习效果[42]。在注意力分析方面，通过采用视频分析和移动点分析，可以了解学生在课堂环境下注意力的变化情况，并发现其注意力层级表现水平，进而为教学策略的改善提供依据[43]。
在情感分析方面，通过眼动和脑电波分析可以了解学习者的课程学习状态，以真实反映其在学习活动中的态度意向，并找到真正影响学习的内在因素[44]。
（五）教育数据挖掘视角下的形成性评价
学习评价是课堂教学活动和网络学习过程的一个重要环节之一，评价内容、方式和结果在一定程度上影响后面的教学过程[45]。《教育信息化十年发展规划（2011-2020）》在“推进信息技术与教学融合”部分提出，要建设智能化教学环境，提供优质数字教育资源和软件工具，鼓励发展性评价[46]。而教育数据的积累和学习分析的出现，为学习者的形成性评价提供了新的分析思路。通过教育数据挖掘的方式对学习者参与的学习活动进行行为分析并分数转化，可以使形成性评价更加科学有效。
这方面比较有代表性的研究是理查兹（Griff Richards）等搜集了学习者在课程学习中的过程性数据，并进行动态性的评价以分析学习活动的有效性和教学设计的适切性，最后，提出了数字化学习环境下开展形成性评价的指导原则[47]。
五、结语
学习分析作为新兴的研究方向，近年来得到研究者的广泛关注和深入探索。本研究通过对历年“学习分析与知识国际会议”文献的研究者信息、关键词、研究主题和方法等进行定量分析以洞悉该研究领域的学术生态结构和焦点内容，为国内研究者了解该领域的研究取向并开展国际合作研究提供铺垫。从文献分析结果中可以看出，学习分析在理论和实践两个层面已经开展了多方面的研究探索，并进行了试验研究，未来学习分析研究应致力于如何利用学习分析工具、教育数据算法、人工智能和机器学习等技术，来更好地改善数字化环境下的教与学，解决教育实践中的关键问题，从而真正地将教育研究成果转化为教育生产力。
基金项目：本文系2014年全国教育科学“十二五”规划教育部重点课题“基于教育大数据的学习分析工具设计与应用研究”（课题编号：DCA140230）、2014年北京师范大学自主科研基金重点项目“电子书包中基于大数据的学生个性化信息挖掘与应用研究”（课题编号+00305-310400080）和2015年国家留学基金委建设高水平大学公派研究生项目的研究成果。
作者简介：牟智佳，北京师范大学教育技术学院在读博士，研究方向：数字化学习技术与环境，系本文通讯作者；俞显，宁波市教育考试院研究实习员，研究方向：教育考试数据挖掘与分析。
联系客服
