（一） 改善学生的元知识：从数据中读懂自己，优化学习策略，方法和能力
元认知（Metacognition）是由美国心理学家弗雷维（Flavell）于1976年首次提出的概念，是指对认知的认知，或二级认知（Second-order Cognitions）。元认知与学习能力密不可分，是“授人以鱼，不如授之以渔”中的“渔”，即获得知识的能力、方法和策略。大数据不仅要从知识掌握的精度和速度上给出新的解决方案，更要在学生元知识的改进和强化上给出有力的帮助。不仅要提供给学生基于数据分析的学业诊断报告，还要配合数据分析结果，给学生提出基于学习策略、方法、能力方面的改进建议。
赵蔚等（2015）学者采用知识推荐技术与本体技术，创建学习者知识和知识资源，在教学模式的指导下实现知识资源个性化推荐，并将其应用到某大学C语言的课程中，检验其实际效果。系统经过分析学习前的先导知识、获取学习者的知识背景、判定学习风格、分析学习者知识能力四个过程，挖掘判断学习者的学习偏好、知识能力层级等，并依据这些数据向学习者推荐适宜难度的学习资源，指导学习者认知到原有学习方式的不足，重新调整学习方式，优化学习过程。另外，姜强等（2017）基于Few仪表盘设计原则和Kirkpatrick四层评价模型设计了学习分析仪表盘。系统在收集学习者的基本特征、自我调节能力、学习心理、在线学习行为等客观数据后，进行深度的挖掘与分析，发现学习者的学习规律，并利用图示和文本可视化呈现个性化学习进展与成绩报告，提供个性化的定制反馈。依托学习分析仪表盘形成的学习数据可视化报告，能够帮助学生深度了解自我，认识到学习行为、认知力、学习动机及学习内容，有利于学习中的自我监控、自我反思与自我调节，最终培养学生建立良好的元认知。
（二） 优化学生的社交空间：发现最优同伴
不同学习群体在学习行为中的信息感知维度、信息输入维度、信息理解维度、信息加工维度等方面存在较大差异。针对不同学习风格的学习者，向其推荐恰当的学习伙伴，以便学习者能及时解决学习问题，尽快完成学习任务，提高学习效率与质量。通过对学习者的行为特征进行建模，可以有效判别不同学习者的学习风格，学习风格相似者可以互相作为学习伙伴。
费洪晓等（2017）通过采集待识别学习者的学习行为特征与待匹配学习伙伴学习者的学习行为特征的样本信息，对二者的特征进行提取和变换，建立特征之间的相似关系；然后将待识别学习者的学习行为特征与其相对比，分析判别学习者学习行为特征的匹配程度，为学习者动态匹配出最佳学习伙伴，进而提高学习者的学习质量与学习效率。
李浩君等（2014）在移动技术支持的协作学习环境中，在学习伙伴分组策略需求应用现状分析基础上，剖析学习者的学习风格、认知能力、知识水平、学习需求等个性特征，并充分考虑移动技术支持下的协作学习环境下移动性、情境性等特征，通过最近邻分类法（K-Nearest Neighbor）计算学习者之间的相似度及类别权重，将学习者分类，为活动导学者提供一张可视化的学习伙伴关系图；教师则可根据伙伴关系图，为学习者动态推荐最佳的学习伙伴。
李洪修等（2015）以Moodle平台为基础开展“诗词鉴赏”主题学习。教师和学生通过申请注册和资格审查进入用户界面，教师和学生通过注册申请加入“诗词鉴赏”虚拟学习共同体，在该学习领域中，参与主体大部分为各年级的语文教师和热爱诗词、欣赏古典文化的学生；教师根据情境导入功能和学生共同选择有价值的学习目标，并根据目标进行学习分工，小组学生利用Moodle平台下的多种交互功能开展协作学习。这样学生根据相同的学习兴趣和需求，很容易找到适合自己的学习伙伴，最终在学习的过程中完成知识的建构和形成稳定的共同体文化。
（三） 变革学生的学习方式
当大数据进入学习情境后，学生的学习方式不再只是完成既定的学习任务，根据教师给出的指导意见和评价进入下一阶段的学习，而是可以通过与数据即时互动，佐之以教师的帮助，结合个人特征对症下药，精准学习，实现基于教师经验指导和数据分析结果而形成的多元外力开展学习。
方海光等（2016）探究了基于教育大数据的量化自我MOOC自适应学习系统。该在线学习系统可以挖掘与学习者学习风格偏好、学习方式、学习环境、管理方式、学习结果等相关的数据，记录学习者在学习过程中实时产生的大量数据，包括通过节点数、问题提问数、测试重复率、完成率及正确率、作业得分、置顶（精选）问题数、回答问题花费时间等，产生的数据实时发送给自适应学习推荐引擎。自适应学习推荐引擎根据学习者的交互及其表现水平、学习者特征库、知识图谱及资源库，预测学习者需要在合适时间内依次学习哪些学习内容和资源，由此推荐学习路径才能更为有效地提升学习效果，并且将这个结果可视化呈现在MOOC系统上，动态反馈给学习者当前学习状态，推荐学习路径对学习者的学习行为进行干预。与此同时，学习者可以根据MOOC 系统给予的反馈，结合自身实际情况及学习偏好，实现自主导向进行自适应学习。
大数据支持的过程性评价，既能给教师提供有利反馈，又能让学生认识到自己的优势和不足，实现积极的自我导向的学习方式。作业盒子和一起作业等均是基于作业场景开展学习评价进而精准对接个性化辅导的综合平台。它们以学生的日常作业作为学习评价数据的切入点，相对于非连续性的考试结果数据来说，连续的日常作业数据更有利于在学习过程中及时反馈、及时激励，从而保证评价的积极效果。作业盒子对留作业、做作业、提交、批改、分析、点评、辅导答疑等一系列操作进行了轻松易用的设计，同步采集学生作业中的过程性评价数据，对每位学生的学习进行过程性评价和数据累积分析；同时，基于学生的作业数据，作业盒子能够准确地描绘出学生的知识图谱和能力模型，作为教师给学生提供针对性学习辅导和学生自我评价的依据（陈丽，等，2017）。以测带学的新型学习方式就这样通过大数据支持的学习系统建立起来，并逐渐与课堂教学相结合，成为大数据的新型学习方式。
（四） 打造全新的教学研究范式
大数据时代的到来，使科学研究范式的发展经历了从实验科学范式到理论科学范式，再从计算科学范式发展到数据密集型范式的变化。传统教育研究方法是假说驱动的方法，即发现问题，提出研究假设，数据收集分析，证实或否定假设，得出结论并推广，而科学大数据支持的新型研究范式则是先制定理论模型和相应的数据标准，再对数据进行信息化加工如收集数据、建立数据中心，接下来要进行算法研究，通常是多种数据分析算法的综合或对比使用，然后根据多假说进行迭代筛选，用新的数据对结果进行验证，最后得出结论进行推广。
学习分析属于教育研究的范畴，要符合教育研究的范式发展规律。大数据支持的科学研究创新给学习分析带来了全新的研究模式。如前面提及到的面向全过程全样本数据的全局性研究，如持续收集数据开展纵深跟踪的价值持续性研究、基于失败数据的教学新问题和新规律的研究、基于多模态生物特征数据的因果性研究等。虽然目前教育大数据在学习分析中还处于初步发展阶段，上述多种创新模式还缺少丰富成熟的案例支持，但是可以预见，随着智慧学习空间、学习终端和学习网络的普及，校园混合学习的不断推进，大数据技术支持的学习研究会产生越来越多的创新模式，更加符合学生身心发展规律的研究发现和成果应用，实现智慧地、科学地开展教与学。
联系客服
