学习分析工具比较研究【荐读】

本文由《开放教育研究》杂志授权发布

作者：孟玲玲、顾小清、李泽

摘要

近年来，随着智慧学习环境的飞速发展，海量、丰富、多样、异构的学习数据急剧积累，如何有效地利用这些数据引起了学界的广泛关注。学习分析技术应运而生，并成为研究热点。学习分析工具在学习分析过程中具有举足轻重的作用，好的研究工具可以使研究过程事半功倍。本文从多个角度对学习分析工具进行了分类，并从使用环境、数据支持格式、是否可视化等维度详细比较，讨论了24种学习分析工具的特点，旨在为学习分析提供相应的技术支持。

[关键词]学习分析；工具；分类；比较

当前，随着智慧学习环境的飞速发展，海量、丰富、多样、异构的学习数据急剧积累，如何有效地利用这些数据，使之转变成有价值的信息、知识，从而监控学习过程、改进学习实践、优化学习效果，辅助教育决策，并提供更好的教学、学习服务，引起了学界的广泛关注。学习分析技术应运而生。学习分析技术是“测量、收集、分析和报告有关学生及其学习环境的数据，用以理解和优化学习及其产生的环境的技术”(Knewton，2011)。近年来，学习分析已经成为教育领域的研究热点。美国新媒体联盟(NMC)与美国高校教育信息化协会(EDUCAUSE)

合作的“地平线项目”在2010年和2011年年度报告中均预测学习分析技术将在未来四到五年内成为主流(The New Media Consortium，2011；李青，2012)。

学习分析工具目前已有很多，且仍在快速发展之中。例如，Nvivo、Atlas.ti可以对文本内容、多媒体内容等进行标注、编码，还可以进行简短评论；Gephi、JUNG、Guess可以用来进行社会网络分析；WMatrix、CATPAC可以进行学习内容分析；SPSS可以进行数据统计分析等(魏顺平，2013)。当前，已有一些研究者对学习分析工具进行初步研究，但总体来说这些研究较为零散，基本聚焦在社会网络分析工具的比较上(孙洪涛，2013；Huisman et al.，2005；王陆，2009；Hansen et al.，2009；Smith et al.，2009；Kirschner，2012)，缺乏对学习分析工具的总体分析研究。本文综述了当前学习分析领域中可用的24种工具，从多个角度对学习分析工具进行分类，并从使用环境、数据支持格式、是否可视化等十个维度详细比较，讨论了24种学习分析工具的特点，旨在为学习分析提供相应的技术支持。

一、学习分析工具分类

学习分析工具依据不同的规则，可进行不同的分类，如根据专门程度，可分为通用工具和专用工具；根据分析结果的描述方法，可分为可视化的和非可视化的；根据工具的可扩展性，可分为提供开发接口的和不提供开发接口的。本文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。

(一)学习网络分析工具

社交网络近年发展迅速，成为平台中学习交互的重要工具，从而产生了大量数据。学习网络分析工具就是以这些数据为分析对象，重点分析两类问题：

第一，以学习个体为研究对象，关注某个体在学习平台中的活跃程度如何？与哪些学习同伴交互信息？从哪些同伴处得到了哪些启示？对哪些内容存在认知困难？哪些因素影响了学习者的知识建构？等等。

第二，以学习网络作为研究对象，分析网络中各个体之间的关系、角色、网络形成的过程与特点、网络中学习信息的分布以及学习进展等，还可以分析学习者如何在网络学习中建立并维持关系从而为自己的学习提供支持(Haythornthwaite et al.，2010)。

(二)学习内容分析工具

它主要分析两类问题：第一，以学习过程中教师-学生、学生-学生交流所产生的内容作为研究对象，如面对面的对话、网络课程与会议中产生的文本、网上同步、异步交流等。关注学习对话，分析学习交流中话语的文本含义，关注学生知识建构过程，使研究者对学习发生的过程有更清晰的认识(Ferguson，2011)，既可以作定性分析，也可以作定量分析(O'Halloran，2011)。第二，以学生学习内容本身为研究对象，如文本内容分析、多媒体内容分析等，通过对相似内容的分析、标注，发现特征相似的文本内容，从而提供更符合用户需求的学习内容，实现个性化推荐(Little et al.，2011；Clow et al.，2011；Jovanovic et al.，2008)。

(三)学习能力分析工具

它以学习者的学习能力、学习水平为分析对象，通过量表、博客或考试等形式对学生的学习能力、学习水平等维度(如探究意识、创造力、心理弹性等)进行测试，评估学习进展，并将结果以可视化形式(如蛛网、漩涡图、折线图等)反馈给学习者及教师。学习者根据图示了解自身的学习状况并反思，教师依据图示对学习者提供针对性的建议和策略，帮助他提高学习能力。

(四)学习行为分析工具

它以学习者与系统的人机交互数据为研究对象。学习者登录系统的时间、访问时间、完成作业等都被系统自动捕获并记录。研究者通过对这些学习过程数据的分析，以及监测学习者访问系统的行为，了解学习者的学习轨迹，学习特征，挖掘学习者的行为模式，从而了解学习过程的发生机制，分析学习者的学习需求、学习进展等，预测学习者未来可能的行为，从而优化教学，为学习者提供个性化的服务(DeWever.et al.，2006；Chen，2010；顾小清，2010；The New Media Consortium，2011)。

(五)其他综合性分析工具

综合性分析工具通常功能强大，本身具有一定的适用性。它一般从数据挖掘、统计分析、联机分析处理等领域借鉴而来，可以对数据进行预处理、分类、回归、聚合、描述性统计、因子分析、聚类分析等，还可产生报表、可视化显示结果，能与其它数据处理软件进行数据迁移，并支持数据决策。

二、学习网络分析工具比较

常见的学习网络分析工具有：SNAPP、Gephi、NetMiner、UCINET、Pajek、GUESS、JUNG、NodeXL、Cohere。九种工具的比较见表一。

(一)SNAPP

SNAPP可从学习管理系统的论坛中提取数据。例如，根据参与讨论者、参与讨论人数、发帖数、回帖数等，进行自我中心社会网络分析、小团体分析、中心性分析等社会网络分析，并实时以社会网络关系图呈现可视化结果。此外，它关注学习者发帖互动的频率和反应时间，以网络图的形式展现学习者的讨论动态，方便教师了解所有学习者参与讨论的情况，及时对不活跃不积极学习者或小群体进行干预，针对问题调整教学策略。它可与Blackboard、WebCT、Moodle、Desire2Learn等在线学习平台实现无缝对接。

(二)Gephi

Gephi定位于复杂网络分析，主要用于分析各种网络和复杂系统，可分析多达5万个节点、100万条边际的复杂网络。它提供10余种不同的布局算法，可实现实时动态分析、时段动态分析、无标度网络分析、分层图示等交互可视化与数据探测。它还可用作探索性数据分析、链接分析、社交网络分析、生物网络分析、新媒体分析等，具有较强的多媒体展示功能，提供API接口，便于功能扩展。

(三)NetMiner

NetMiner可分析多达100万个节点1亿条边际的复杂网络，可进行可视化、交互式探索数据分析，发掘数据隐藏的潜在联系与结构，具有影响力、结构洞等关系和邻近结构分析、子图布局、中心性分析、派系分析、核分析、社团发现等基本的复杂网络分析功能。此外，它还包含为数众多的基于过程的分析程序，如聚类分析、多维量表、矩阵分解、对应分析、结构对分析等，支持一些标准的统计：描述性统计、ANOVA、相关和回归。NetMiner 4还提供基于Python的脚本编程环境，允许用户通过编辑代码实现复杂分析，也允许没有编程基础的用户，通过各类GUI工具实现复杂分析。社会网络关系可用立体3D可视化地图表示，用户可随意改变观察视角，更方便观察。在展示、调整社会网络布局时，用户可录屏记录，方便回放和结果展示。

(四)UCINET

UCINET是目前被使用最多的网络分析软件，最大可处理32，767个结点的网络数据，适用于子群分析、中心性分析、个体网络分析和角色分析等，还包含许多基于过程的分析，如聚类分析、多维标度、二模标度(奇异值分解、因子分析和对应分析)、角色和地位分析(结构、角色和正则对等性)和拟合中心-边缘模型以及中位数、标准偏差、回归分析、方差分析、自相关、QAP矩阵相关、回归分析、t检验。此外，该工具有强大的矩阵分析程序，如矩阵代数和多元统计等(Huismanm，2005)。

(五)Pajek

Pajek可分析多达1亿个节点的大型复杂网络关系，支持对有向、无向、混合网络，多关系网络，二值网络关系的分析，可同时处理多个网络。此外，Pajek还可处理动态网络，即随时间动态改变的时间事件网络。动态网络分析数据文件可以包含指示行动者在某一观察时刻的网络位置的时间标志，因而可以生成一系列交叉网络，可以对这些网络进行分析并考察网络演化。它具有强大的画图功能，可将分析结果可视化，还可嵌套宏命令进行统计分析，配有R软件接口，能将Pajek的数据探索功能与R强大的统计功能结合起来。PajekXXL是Pajek的加强版，在更高配置环境下可更快速处理网络关系(胡长爱，2010)。

(六)GUESS

GUESS是基于Gython语言的数据探索及可视化分析工具，可直观地对图形结构进行操作，能将输入的文本与可视化对象进行关联分析。该工具适用于社会网络、知识网络、电脑网络、生物网络等分析，支持动态和时间敏感数据，允许操纵图片状态，允许将图形和网络无限放大，提供可视化前端，支持静态图像和动态的视频输出(闫冠韫，2013)。

(七)JUNG

JUNG是基于Java图形处理及可视化API和库，为图形或网络的建模、分析、数据可视化提供了通用、可扩展语言，具有可扩展性，含有多种算法、过滤机制等。用户可通过Java自主编程实现所需功能、动态分析读取数据，支持各种实体及其关系的表示，如定向图、无向图、多模态图和超图等。它提供注释图、实体和元数据关系的机制，方便针对复杂数据集的分析工具创建，包括图论、数据挖掘、社会网络分析等一系列算法，如聚类、分解、优化、随机图形生成、统计分析以及网络距离计算、流量和重要的测量等。该工具可建模数据、分析及数据的可视化呈现，通常用于与社会网络分析、信息可视化、知识发现及数据挖掘相关的数学及算法图形处理。

(八)NodeXL

NodeXL是微软研究院产品，建立在Excel基础上的交互式网络可视化与分析工具。该工具利用Excel作为数据展示和分析平台，能将存储在Excel中的边、顶点数据以网络图的形式呈现并分析，支持Excel2007、Excel2010和Excel2013版本，可定制图像外观、无损缩放、移动图像，动态过滤顶点和边，提供多种布局方式，查找群和相关边，支持直接从多种社交网站或邮件中导入网络关系进行分析。

(九)Cohere

Cohere①是一款在线分享工具，可将网上交流的学习内容进行结构化，也可用于分析学习者相互间的分享联系。用户可创建自己的想法、问题、见解、假设、预测、软件、理论等讯息，可附加提供相关网址、自定义标签。该工具会根据内容的相似程度，自动连接相匹配的用户，帮助用户找到与自己有共同想法的人，并与其建立联系。该在线工具能将同一主题下的用户及相互关系以社会网络关系图可视化展示并进行分析，还能统计出每个用户与他人“连接”的次数，并按次数由多到少排名(Buckingham，2014)。

三、学习内容分析工具比较

常见的学习内容分析工具有：WMatrix、CATPAC、LIWC等。七种工具的比较见表二。

(一)WMatrix

WMatrix是一款在线文本分析工具，可对文本内容进行定量研究。它通过浏览器上传分析文本、语料库，对文本进行自动标注，统计词频并按字母或频数排序，通过查看相应单词的频率，了解单词出现次数是否异常，从而对文本进行语义分析、频次分析，形成频数云。它还可以比较不同目标文本中分类词汇的频次差异，最终形成文字云显示统计结果。字体越大表示单词出现的频次越多，不常用的单词以斜体字呈现。Wmatrix提供11种统计方法用于计算词汇之间的关联强度，以估测目标文本的词汇搭配习惯(O'Halloran，2011)。

(二)CATPAC

CATPAC可识别多种语言，能读取任何文本，不需预编码和语言假设。它通过词频统计、自学习式语义分析等概述文本想表达的关键信息，提供较为精准又客观的文本分析，以类似人神经中枢处理信息的方式挖掘信息间联系，可进行自动聚类、编码、多维度标记。软件自身不具备可视化功能，需通过ThoughtView等软件读取数据，形成概念图。

(三)LIWC

LIWC支持包括中英文在内的多种语言，内嵌近80本词典供文本分析使用。它可根据用户选定的词典统计目标文本中各维度使用的词汇频次，如表达积极消极感情维度、因果关系维度。用户可在给定词典中选择需要分析的维度，也可自定义词典。LIWC每秒能分析数百个标准的ASCII文本或Word文本。

(四)Nvivo

Nvivo是一款质性分析工具，可方便地收集、整理和分析访谈、小组讨论、问卷调查、音频、视频等内容，还可协助处理社交媒体和网页内容，分析无特定结构或半结构化数据，如会话访谈音频、课堂视频、问卷调查、课堂观察、论坛互动等。它支持团队协作编辑分析项目，不仅可以导入多种类型数据，还可以导入EverNote或OneNote笔记作为源数据，能快速对各种源数据创建节点并编码分析，对编码内容添加备忘、链接等。对分析结果的处理，Nvivo能建立可视模型、图表，并将结果网络视图化，也能将结果导入Excel、SPSS等软件进行统计分析，支持团队协作，多用户同时处理同一项目等。

(五)Atlas.ti

Atlas.ti功能与Nvivo类似，擅长对文本和多媒体数据进行专业分析，支持多种研究方法，支持多种半结构化、非结构数据分析，如文本、动态网页链接、图片、音频、视频以及内嵌对象(如Excel表格、PowerPoint幻灯片)等。它可直接访问数据库系统，并能嵌入谷歌地图功能，可直接将谷歌地图图片数据导入工具进行分析，还可同时对多种材料进行编码分析，通过网络编辑器显示编码、引文、备注和其它实例之间的复杂关系，并将结果可视化。目前，它已有可在平板、安卓手机上运行的APP。

(六)Wordle

Wordle是一款在线文字云制作工具。该工具自动统计源文本中词汇出现频次，并将频次统计结果可视化。出现次数越多，该文字越大，且用户可调整字体、布局和配色方案。此外，用户可以输入文本内容，还可以输入网页链接，由Wordle自动到相应的链接上，捕获文本内容。Wordle网站高级应用中也可实现对源文本中词汇、短语的统计，用户可将生成的“文字云”以PDF或SVG的格式保存下来，也可以截屏将文字云保存。

(七)LOCO-Analyst

LOCO-Analyst是运用语义web技术、基于LOCO(learning object context ontology)理念创设的可嵌入到学习平台中的分析工具，也是一款基于网络学习环境的上下文感知学习分析工具，旨在为教师提供反馈信息，帮助教师调整课程内容和结构。该工具可以记录学生的学习轨迹、平台资源使用、学习活动、参与课程、在线学习社区中学生之间互动等，自动标注学生讨论内容方便教师查看，筛除无意义内容。教师还可以此查看群体和个体讨论中运用最频繁的词汇。部分数据能以图表、网络图的形式可视化呈现(JovanovicJ.et al.，2007)。

四、学习能力分析工具比较

常见学习能力分析工具有：ELLIment、EnquiryBlogger、Socrato。三种工具的比较见表三。

(一)ELLIment

ELLIment根据“有效终身学习量表”(Effective Life Long Learning Inventory)将学习者的学习能力分为七维度——改变与学习、探究意识、意义构建、创造力、学习关系、战略意识和心理弹性。学习者在完成量表问卷后，问卷结果会以蛛网的形式反馈给学习者及教师。学习者根据蛛网图了解自身学习水平，明确自身学习弱势，增强提升自主学习意识、自我学习能力、诊断能力。教师可根据蛛网(雷达图)

掌握全班学生的学习能力，依据学习者对自身某一维度或某几个维度的提升意愿，向其提供针对性的建议和策略，以帮助学习者自我调控，提高学习能力。此外，ELLIment将记录教师的所有指导意见及学习者的反思。

(二)EnquiryBlogger

EnquiryBlogger是款博客插件。学习者根据教师提供的基于真实情境的学习任务定期撰写博客、利用标签标记其在探究学习过程中的进度、发布心情状态。该工具可收集学生数据并以蛛网形式展现学习者学习能力的七个维度水平、以漩涡图展示学习者任务的进展程度、以折线图展示学习者不同时期的心情状态。教师通过查看数据结果及相关博客，及时了解学习进展情况，发现问题及时干预，对学习者提供相应指导。

(三)Socrato

Socrato是在线学习评估平台，提供标准化考试题库与相关学习内容。学生可利用平台模拟各类标准化考试，如SAT、ACT、SSAT、MCAS等。平台能迅速反馈诊断性评价。Socrato可为个人或团体快速提供测试成绩及诊断报告，详细指出学习者各部分考试中各知识点的掌握情况，明确标出学习者的优劣势。教师可利用Socrato管理学习者测试成绩、家庭作业，并为学生自动订制个性化的学习计划，发送学习指导寄语。此外，平台还可以记录、跟踪学习者个体、团体学习轨迹，帮助教师生成形成性评价或总结性评价，通过学习数据洞察学习者个体、团体的学习绩效并为学习者制定个性化学习策略，促进学习者提高考试成绩。

五、学习行为分析工具比较

常见的学习行为分析工具有：Google Analytics、Mixpanel。两种工具的比较见表四。

(一)GoogleAnalytics

Google Analytics 20是款通用的Web数据统计分析工具，用于了解学习者访问各学习页面的频率、停留时间、平台内的移动轨迹、用户参与度等。它利用事件跟踪系统，可跟踪所有重要事件，参与流(engagement flow)可直观显示学习者学习的全过程，包括他们实际查看的页面以及进行的操作。此外，该工具还可统计分析移动终端数据。

(二)Mixpanel

Mixpanel也是款能提供实时Web数据分析服务的通用性工具，可实时监测学习者访问行为，记录、分析学习者特征，追踪评论数。教师可选择任一学习者，查看其在平台中浏览的页面，学习历史记录，了解其行为特征，预测行为趋势等。课程管理者可根据不同维度的监测数据、漏斗分析等衡量学习者在平台的学习体验，如运用“漏斗分析”工具，可查看哪些环节、哪些内容学习者的缺失率在上升，进而针对该环节进行课程改进。当学习者长时间未访问网站时，它可发送消息提醒。此外，Mixpanel也可统计分析手机APP中的数据，还可向手机APP用户推送“手机问卷”，收集学习者反馈、记录数据。

六、其他综合性学习分析工具比较

常见的综合性学习分析工具有：WEKA、SPSS、SSAS。三种工具比较见表五。

(一)WEKA

WEKA(Waikato Environment for Knowledge Analysis)是款基于机器学习的数据挖掘工具。它通过对数据的挖掘获取趋势和模式，支持多种经典的数据挖掘任务，可对大规模数据进行预处理、分类、回归、聚类、关联规则分析，具有可视化工具显示所属性的散点图(二维或3D)矩阵，可视化显示知识流，可进行贝叶斯网络编辑。该工具也适合开发新的机器学习模式，但其不能实现多关系数据挖掘，需转换为单表才能在WEKA中实现数据挖掘。WEKA目前不能实现序列建模。

(二)SPSS

SPSS(Statistical Product and Service solutions)集数据输入、编辑、统计分析、图表制作、生成结果报表为一体，可支持从策划到数据收集、分析、报告和部署各环节。该工具包含必须的基础分析模块及15个拓展模块。基础分析模块有数据汇总、计数、交叉分析、分类、描述性统计分析、因子分析、回归及聚类分析等功能。扩展模块可实现高阶的统计分析功能，如分析过程数据、复用小样本数据模拟大样本结果，用二维图与感知图呈现数据关系等进行数据处理与数据挖掘分析。此外，该工具支持Python和R等语言进行编程二次开发。

(三)SSAS

SSAS(Microsoft SQL Server Analysis Services)是微软SQL服务器中的联机分析处理、数据挖掘与报告工具，广泛用于分析多个数据库或不同类表中的信息处理。SSAS可使用来自数据集市或数据仓库中的数据进行更深入和更快速的数据分析，以创建多维数据集。针对不同的操作和编程环境，SSAS可支持不同的API接口、目标模型及多种查询语言。在许多不需要实时而具有海量或需要足够灵活的分析模型中，SSAS有很大优势，比如性能和用户可定制性，可分析多个数据集或不同的数据表。

学习分析工具在学习分析过程中具有举足轻重的作用，不同的工具具有不同的特点，研究者应根据各工具的特点和优势，选择合适的工具并加以有效运用，发挥学习分析技术巨大的应用潜力，实现其学习改进的价值。

[注释]

①Cohere既可以分析内容，也可以分析网络。它通过对学习内容的相似性判断网络关系。本文把它归类到学习网络分析中。

作者简介：孟玲玲，博士，华东师范大学教育信息技术学系副教授，硕士生导师，主要研究方向为学习分析、知识工程、计算机教育应用；顾小清，博士，华东师范大学教育信息技术学系教授，博士生导师，主要研究方向为教学训练系统设计，数字化学习环境及用户行为([e-mail])；李泽，华东师范大学教育信息技术学系在读硕士研究生。