学业成就与学业风险的预测

-精选财经经济类资料- -最新财经经济资料-感谢阅读- 1 学业成就与学业风险的预测 【摘 要】 中国论文网 /9/view-12985061.htm 学习分析作为一个从数据中建构 意义的研究领域，在过去几年的发展中 备受学界关注。学习分析领域的核心问 题之一是如何利用数据预测学习者的学 业成功或者失败？围绕这一问题，国内 外学者开展了大量实证研究，取得了丰 富的研究成果。但是，预测指标研究的 相关综述却存在一定局限性，如忽视指 标适用的学习场所和情境、模糊指标匹 配的学习任务类型和参与主体，或是有 些综述缺失了领域内的代表性学者、研 究和应用。因此，本文通过系统的文献 检索和综述，从预测指标适用的学习场 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 2 所和任务类型出发，梳理了倾向性指标、 人机交互指标和人际交互指标三种类型 的常用预测指标。本文详细地介绍了过 往学业表现、初始知识、学习驱动力、 正面或负面学习行为、学习者情感状态、 知识表征事件、人际交互频次、社群意 识等一系列得到广泛验证的关键预测指 标，并将按照“ 学校场所和工作场所 ”和 “个体学习和群体学习 ”两个维度划分的 四个象限，在每个象限中选取一个典型 的学习分析系统进行剖析，这些典型系 统是 Signals 系统、SNAPP 系统、 Learn-B 系统和 Cohere 系统。本文最后 总结了预测分析相关研究的特点和趋势， 并指明了未来研究与实践的注意事项和 潜在的研究方向。 【关键词】 教育大数据；学习 分析；预测分析；预测指标；学业成就； 学业风险 【中图分类号】 G420 【文献标 识码】 B 【文章编号】 1009- 458x（2018）1-005-12 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 3 一、综述的背景与聚焦 大数据（Big Data）发展的核心 动力来源于人类测量、记录和分析世界 的渴望（迈尔-舍恩伯格， 库克耶， 2013） ，教育大数据也正在深刻地影响 和改变着教育。但我们冷静地意识到： 相较于信息产业、医疗领域等，教育领 域对于大数据的测量、收集、分析和汇 总仍然处于不甚理想的境况。麦肯锡 大数据报告在综述了各大社会研究 与应用领域后指出：在大数据飞速发展 的今天，教育领域是在大数据中受益最 少的领域之一，缺乏“ 数据驱动的思维 （Data-driven mind-set） ”是教育领域当 今面临的主要障碍（Manyika， et al.， 2011） ，而学习分析领域的快速发展则 有望扭转这一悲哀的局面。 第一届国际学习分析与知识学术 会议将学习分析定义为：为了理解和优 化学习过程以及学习环境，对于学习者 及其所在情境的数据进行的测量、收集、 分析和汇总工作（Siemens & Long， -精选财经经济类资料- -最新财经经济资料-感谢阅读- 4 2014） 。这一定义明确了学习分析领域 的三个关键特征：旨在解决的问题（理 解和优化学习过程与环境） 、数据的来 源（学习者及其所在情境）和对于数据 可做的处理工作（测量、收集、分析和 汇总） （Siemens & Long， 2014） 。 结合学习分析的定义和国内外学 者对学习分析的阐述，本文形成了对学 习分析领域的三点基本认识： 第一，学习分析是一个领域 （Field） ，而不仅是一种技术、方法或 者工具； 第二，学习分析是基于问题和数 据的研究领域，是一个通过收集、处理 和分析数据进而理解数据、从数据中建 构意义（Sense-making）的过程； 第三，学习分析的主要目标是通 过建模和预测，有效地辨别存在潜在学 习风险的学习者，强调可指导行为的洞 见（actionable insights） 。 而在整个学习分析领域之中，预 测分析则是基础、重要的也是核心的子 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 5 领域（Siemens， 2013） 。国内外学者 围绕”如何预测学习者的学业成功或者 学业失败？” 这一学习分析的核心问题， 开展了大量关于预测指标、建模方法和 干预策略的研究，也有学者对这一问题 进行了综述。 Brown 从学习者的固有指标 （Dispositional Indicators） 、行为表现指 标（Activity and Performance Indicators）和学生作品（Student Artifacts）三个类别，梳理得到广泛验 证的预测指标，并讨论了不同指标的预 测能力和应用案例（Brown， 2012） ； 从预测或解释的对象来看，Berry 归纳 了四类影响学习持续性的指标（社会因 素、心理因素、组织因素和经济因素） ， 以及三类影响学业成就的指标（学业因 素、人口统计学因素和文化社会因素） （Berry ， 2017） 。 具体到学习分析的实际应用， Usamah 通过综述 14 个典型的学习分析 系统和应用，梳理出了学习者往期学业 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 6 表现、课程参与情况、学习者背景、社 交表现等多个预测学业表现的重要指标 （Mat， et al.， 2013） ；也有学者将学 业能力、个人财产情况、学业目标、学 习动机等能够预测学业风险或成就的指 标，视为分属于学生信息系统和课程管 理系统的变量，并在这两个系统内分别 识别存在风险的学习者并开展干预 （Bukralia， 2015） 。Verbert 等人则从 学习分析仪表盘的角度，综述了面授环 境下、小组合作环境下、混合学习环境 下和在线学习环境下可用于表征学习情 况的五类数据源及指标，它们分别是学 习行为（包括学生作品） 、社交互动、 资源使用、花费时间和练习测验结果 （Verbert， et al.， 2014） 。 围绕预测指标这一话题，最近几 年，国内学者则相对更加聚焦于与学习 行为相关的预测指标，例如：武法提和 牟智佳基于学习者行为分析提出学习结 果预测框架（武法提， 等， 2016） ， 并在 MOOC 情境下检验了视频学习次 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 7 数、文本学习次数、评价参与时长等关 键指标的预测能力（牟智佳， 等， 2017） ；李爽等基于W 习者在线学习 行为投入归纳出六个指标维度（李爽， 等， 2016） ；贾积有和于跃洋提出的基 于速度、质量和数量三个维度的在线学 习活动指数（Online Learning Activity Index， OLAI） （贾积有， 等， 2017） ； 贺超凯和吴蒙则通过分析 edX 平台上的 16 门 MOOC，归纳出多维度的学习者 学习行为特征，并对部分典型行为特征 进行了数据挖掘和预测（贺超凯， 等， 2016） 。 上述综述和研究都从 不同的层次和视角增进了我们对于如何 预测学习者成功或失败这一重要问题的 理解，但过去关于学习分析中预测指标 的综述也存在一定的局限性，例如：忽 视学习场所和情境，预测指标对学习结 果的预测能力往往局限在特定的文化背 景、学科背景、学段背景等教学情境中， 不阐明学习场所和情境容易造成预测指 标和模型误用（Shum ， 2012） ；模糊 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 8 学习任务类型和参与主体，预测指标往 往被放置于特定的学习任务类型中发挥 作用，需要注意区分个体学习和协作以 及合作学习任务，并在不同任务类型中 分析预测指标起作用的机制（Wagner & Ice， 2012） ；以往关于预测指标的综述 也出现了缺失某些代表性研究的问题， 特别是对于学习分析领域中某些关键学 者和典型案例的缺失，导致我们对于预 测指标相关研究的认识仍不全面。 本研究的目的正是力图解决上述 问题，通过关注预测指标适用的学习场 所和情境厘清预测指标匹配的学习任务 类型和参与主体，梳理出学习分析领域 代表性研究和典型案例中采用的预测指 标。通过建立学习分析领域的预测指标 体系，为后续围绕预测分析展开的研究 提供参考，也为实践领域对学习进行的 预测和干预提供思路。 二、C 述方法 本综述用学习分析、预测分析、 预测指标等关键词进行了系统的中英文 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 9 文献检索。这些文献绝大多数发表于经 过同行评议的学术期刊和国际学术会 议，并大多发表在 2006 年至 2016 年 这十年间。 为了确保本综述能够覆盖领域中 的代表性学者和典型案例，在基于关键 词的数据库检索之外还单独检索领域内 的主要学者和代表性研究团队的研究文 献。通过统计历届国际学习分析与知识 学术会议的委员会和参与者、学习分析 研究协会的会员和学习分析暑期学校的 主讲人等，本综述初步确定了学习分析 领域主要的学者：Dragan Gasevic、Shane Dawson、George Siemens、Ryan Baker、Simon Buckingham Shum、Phillip Long、Xavier Ochoa、Erik Duval、Rebecca Ferguson 和 Leah Macfadyen 等。通过将代表学者的文章 （116 篇）和关键词检索的文章（183 篇）进行交叉匹配，并按本文综述的聚 焦对文献进行筛选。 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 10 文献筛选的标准：首先，该研究 要有明确的预测对象，即学习者的学业 成就和学业风险以及相关的认知技能提 升等；其次，该研究要阐明其研究的学 习场所和参与主体，对没有介绍教学任 务类型和过程的研究暂不参考；最后， 对文献中研究方法不明确、预测指标介 绍不充分、分析过程不清晰的研究暂不 参考。最终本综述采纳的文献为 83 篇。 在对这 83 篇文献进行阅读、梳 理和归纳时，本综述特别关注了每篇文 献中研究所处的学习场所和情境、任务 类型和参与主体，以及这些预测指标和 研究可能适用的归类框架。 （一） 学习场所和情境 对学习分析研究所在的学习场所 的划分，与学习分析领域的发展历史和 主要团队的研究经历密切相关。早期教 育数据挖掘和学习分析的研究团队，传 承自上世纪 90 年代前后智能导师系统 的研究团队，其关注的应用场景主要集 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 11 中在 K-12 教育中，特别是学校教学场 所下的学科教学。同时，本综述发现学 习分析领域。另外一类代表性的研究团 队来自加拿大、英国、荷兰等国的开放 大学，这类研究的应用场景主要集中在 成人学习和远程学习的环境下，更多地 与学习者具体的工作场所相结合。 学校场所的教学与学科知识密切 相关，而工作场所的教学则往往与实际 问题和专业发展相关，两者的教学目标、 组织形式、内容逻辑和评估方式等都存 在很大的差异。因此，在梳理预测指标 时，本综述在学习场所和情境的维度上 划分为学校场所（School）和工作场所 （Workplace ） 。 （二） 任务类型和参与主体 对学习分析研究所关注的任务类 型和参与主体的划分，则受到领域内使 用的不同技术手段影响。在学习分析领 域，具有坚实数据挖掘技术基础的学者 主要具备两类技术：机器学习的技术和 社会网络分析的技术。机器学习的技术 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 12 主要关注个体行为的数据挖掘，通过训 练机器而达到预测个体行为的目的；社 会网络分析的技术则更关注个体在群体 中的关系、位置和交互模型，常常用来 分析论坛讨论等。因此，不难看出，学 习分析关注的任务类型和参与主体往往 可以分成两大类：个体（Individual，大 多数情况下学习者独自学习）和群体 （Cohort，大多数情况下学习者会在群 体中进行合作学习或协作学习） 。 上文中提到的代表性学者的研究， 都可以从学习场所和任务类型两个维度 进行剖析。例如，Ryan Baker 的早期研 究大多关注课堂教学中师生使用智能导 师系统的学习过程，聚焦在 K-12 阶段 的学科教学（如小学数学） ，多采用数 据分析与田野调查结合的方式开展研究， 关注智能导师系统中个体学习者的正面 或负面行为，并对学习结果进行预测。 Baker 在上述研究情境框架中，分属在 School-Individual 象限。但随着他于 2013 年开设了“ 大数据与教育 ”这门 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 13 MOOC，其研究场所也逐步扩展到 MOOC 等非传统学校教学环境。 （三） 预测指标分类框架 正如上文介绍其他综述时提到的， 不同的学者对预测指标有着不同的分类 方式，并没有形成统一的分类框架或标 准。本文通过分析国内外学者对预测指 标的一般分类思路，经过对文献的梳理 和归纳，将学习分析领域通常归纳为两 大类指标：倾向性指标（Dispositional Indicators）和行为表现指标（Activity and Performance Indicators） 。 倾向性指标主要指学生进入学习 环境时自身已经带有的一些属性，包括 他/她的固有指标（如性别、年龄、种族 等）和过去的经历（如社会经济背景、 上学期 GPA、初始知识等） 。在适应性 学习的文献中，倾向性指标也常被称为 静态指标，即进入学习环境后不会随着 学习过程而改变的指标（斯伯克特， 等， 2012） 。 行为表现指标主 要指学生在学习过程中体现的动态指标， -精选财经经济类资料- -最新财经经济资料-感谢阅读- 14 如浏览在线课程的频次和时长、论坛发 帖的数量、线上讨论的师生和生生交互 程度等。静态指标和动态指标对于学习 结果的预测是相辅相成的，学习初期静 态指标（如初始知识、智力、兴趣）的 预测能力较强（Whitener， 1989） ，而 随着学习过程的推进，倾向性指标的预 测能力明显衰减（如图 1） ，而行为表现 指标则成为核心的预测指标（Park & Tennyson， 1986） 。 图 1 倾向性指标和行为表现指标 预测能力变化 在本研究中，动态指标得到重点 的关注和分析，并被分为人机交互变量 和人际交互变量。因为学习分析研究大 多数为技术辅助的教学，人机交互特指 学习者（有些情况下也包括教学者）与 学习管理系统（LMS ）等计算机环境之 间的交互行为；人际交互变量则包括了 师生和生生之间的问答、讨论等交互行 为。 因此，对预测指标的综述有以下 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 15 三个特点： 第一，在学习场所和情境上，注 重学校场所（School）和工作场所 （Workplace ） ； 第二，在任绽嘈秃筒斡胫魈迳 希分成个体（ Individual，个体学习任 务）和群体（Cohort，合作学习或协作 学习任务）两类； 第三，在梳理预测指标的框架上， 提出了“倾向性指标 -人机交互指标 -人际 交互指标”这样一个分类框架。 下文将重点按照这个分类框架展 示学习分析领域中得到广泛验证的几个 关键预测指标。 三、学业成就和学业风险的预测 指标 （一） 倾向性指标 在学生进入学习环境之初，针对 学生的学业表现，有些倾向性指标就体 现出较高的预测能力，良好的初始知识 和高初期表现的学生往往能够在最终呈 现“成功”的学习状态（Mckay， -精选财经经济类资料- -最新财经经济资料-感谢阅读- 16 Miller， & Tritz， 2012） 。这些研究发 现所处的情境大多数为学校场所下的个 体学习。常用的高预测能力指标就是 GPA 等核算学生过去学业表现的数据指 标，如密歇根大学的 Tim McKay 认为 学期初学生的 GPA 为学期末的学业表 现贡献了近一半的预测能力（Mckay， et al.， 2012） 。在某个单门课程或某个 学习项目表现的预测上，借助决策树等 工具，学习者相关的过往成绩也表现出 一致的良好预测能力（孙力， 等， 2015； Bainbridge， et al.， 2015） 。 在诸多著名的学习分析应用环境 下，如在普度大学的 Signals 系统、密 歇根大学的 E2 Coach 系统、北亚利桑 那大学的 GPS 学习系统中，虽然具体 采纳的数据不同（如学生入学测验综合 得分、过往学期的平均课程得分等） ， 但学生过往的学习成绩都是各系统采纳 的核心预测指标（Arnold & Pistilli， 2012； Mckay， et al.， 2012） 。过往 学习成绩较高的学生往往体现出“优秀” -精选财经经济类资料- -最新财经经济资料-感谢阅读- 17 的惯性，本身也具备较为积极的学习态 度、较强的学习能力，有更大的概率在 今后的学习中继续获得较高的学业成就； 反之，低过往学习表现的学生则存在潜 在的学业风险。 除了表象的学习成绩，学生的知 识掌握情况也是对学业成就强有力的预 测指标。20 世纪 90 年代前后，主流的 适应性学习研究学者认为初始知识是随 后学习最重要的决定性因素（Alexander & Judy， 1988； Glaser， 1983； Tobias， 1994） 。学生在进入学习时具 备的知识储备，在很大程度上决定了其 学习的难易程度、理解的深入程度和应 用的熟练程度，并且对其学习的目标导 向有影响。 除了初始知识之外，学生具备的 其他技能和基础，如语言能力，往往也 会导致学业成就的差异。例如，在美国 中小学阶段的学科教学（Snow & Biancarosa， 2003）或者全球背景下的 MOOC 教学中（Halawa， 2014） ，学 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 18 习成绩的差异往往与语言熟练程度的差 异密切相关。因此，初始知识和技能状 态的高低往往可以作为预测学业表现的 关键指标之一。 倾向性指标除了学生的往期学习 成绩、初始知识等固有的指标，也包括 一些心理学测量出的倾向性指标。例如， Simon Buckingham Shum 和 Ruth Crick 在 2012 年介绍了“learning power（学习 驱动力） ”这个概念，并综述了其用于预 测学业成就以及认知能力的相关研究 （Shum & Crick， 2012） 。研究通过综 述学校场所和工作场所的教学（包括了 个体学习的应用和合作学习的应用）发 现：学习驱动力能够有效地作为预测指 标，估计学习者能否获得较高的测试得 分，也能预测其在学习中和学习后体现 出的自我调节的学习能力（包括制定学 习目标、开展学习评估、进行自我反思 等） ，在有些情况下也与学生能否开展 高阶思维相关（Shum ， et al.， 2012； Crick， et al.， 2015； Godfrey， et -精选财经经济类资料- -最新财经经济资料-感谢阅读- 19 al.， 2013） 。 关于几个关键倾向性指标的梳理， 可参见表 1。 （二） 人机交互指标 在各种技术辅助教学的学习环境 下（如学习管理系统、智能导师系统、 MOOC 等） ，学习者的学习就是其与计 算机发生交互的过程。通过人机交互的 行为数据，进行学业表现和认知能力预 测成为一个重要的研究方向。 人机交互行为的频次和时长往往 能够成为重要的预测指标，因为较高的 交互频次和较长的登录时长往往意味着 学习者花费更多的时间和精力用于内容 学习（努力程度） ，也显而易见地容易 获得较高的学业表现（Brown， 2012； 牟智佳， 等， 2017； 王亮， 2015； 贾积有， 等， 2017） 。但是，这并不 意味着获得高学业表现的学生一定存在 高交互行为，有些获得高分的学生并没 有积极地参与网上学习环节。在线学习 的努力程度如果发生巨大的转折 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 20 （Turing Track） ，比如过去有着丰富人 机交互行为的学生（浏览次数多、发帖 数量多等） ，其浏览数量和发帖数量骤 减，则往往意味着该学生正在离开课程 或存在明显的学业风险（Brown， 2012） 。 Baker 等人也认为负面 的学习行为对潜在学习风险有着较强的 预测能力（Baker， et al.， 2010） 。 Baker 早期的研究聚焦于智能导师系统 中存在的“玩弄系统 ”（gaming the system）行为，玩弄系统行为指的是滥 用帮助和系统性试错等可以不通过思考 而获得正确答案的行为（Baker， et al.， 2004） 。而大量的实证研究表明， 在控制住初始知识和学习能力等变量的 基础上，玩弄系统行为对学习者的学习 成绩有显著的负面影响，是学业风险预 警的关键指标（Baker， et al.， 2004） 。 玩弄系统行为不仅会在短期内（如中学 时的一个学期）造成课程学习的失败， 从长期看来，存在玩弄系统行为的学生 在其大学阶段选择专业时也与其他学生 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 21 存在显著差异：这部分学生更倾向于避 开 STEM 专业，更多地选择商科、社会 学、公共服务等学科（Pedro， et al.， 2015） 。 从学习者行为投入的类型来看， 参与、坚持、专注等外在行为表现也是 内在情感状态的一种反映（李爽， 等， 2016） 。因此，除了具体的行为，学生 在学习过程中体现出的情感状态也是对 学业成就具有较强预测能力的变量。通 过识别和对比六大类学习中常见的情绪 状态（厌倦、受挫、困惑、专注、高兴 和吃惊） ，诸多跨国家（美国和菲律宾） 和学习环境（智能导师系统、对话导航、 教育游戏等）的研究表明：对学习有最 持续、最负面影响的是厌倦的情感状态， 而受挫对学习的负面影响则并不显著 （Baker， et al.， 2010） 。在情绪状态 方面，随着最近几年可穿戴设备的兴起， 也有团队利用可穿戴技术设备监测学习 者的生理状态（如心率、步频等） ，并 借此关联学习者的情绪状态（如学习中 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 22 的抗压能力和应对挑战能力等） ，进而 预测学习产出（Mitri， et al.， 2016） 。 在人机交互指标中，除了主流的 通过 log 数据等代表的客观交互数据， 也有学者开始通过关联分析或语义分析 的技术对学习者的人机交互数据（如在 线写作中表达的观点）进行分析。有研 究发现，在博客或写作作业中能够将教 授的概念和知识形成原创性的新理解并 在新的扩展性质的情境下进行使用的学 生，往往意味着具有较好的理解和应用 能力（Jhann & White， 2012） 。类似 的研究也存在于工作场所中：Ley 和 Kump 通过将学习者的日常学习行为与 潜在知识或技能进行关联，形成的知识 表征事件（Knowledge Indicating Events）l 次被证明是良好的预测指标。 知识表征事件和原创性得分等高级变量 被认为是可以预测高阶思维能力和良好 认知能力的指标之一（Lrusson， et al.， 2012； Ley & Kump， 2013） 。 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 23 关于几个关键人机交互指标的梳 理，可参见表 2。 （三） 人际交互指标 与人机交互指标一样，人际交互 的参与程度也能对学业表现和认知能力 有一定的预测能力，如美国鲍尔州立大 学使用的 MAP 系统将学生在线讨论的 参与频次、发帖数量等作为预测其学业 表现的关键变量之一（Mat， et al.， 2013） 。同样的结论也在国内诸多文献 中得到了验证（郝巧龙， 等， 2016； 牟智佳， 等， 2017； 贺超凯， 等， 2016） 。 除了参与交互的投入程度，在人 际交互中学习者构建的互动链接和体现 出的中心度则能显示成功学生和失败学 生之间的不同（通过最终课程分数判断） （Macfayden & Dawson， 2010） ，如位 于社会网络边缘或无连接的学生普遍存 在一定的学业失败风险，需要引起自身 和教师的关注，并采取特定干预 （Dawson，2010） 。基于这些学生行为 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 24 变量的分析以及数据的可视化，Dawson 等人开发了 SNAPP 系统（Bakharia & Dawson， 2011） ，该系统的工作原理和 效果将在下文进行详细阐述。 交互行为之上，是个体对于交互 的认识、把控和体验。在学习分析领域， 有学者深入研究人际互动中学习者个体 对自我学习的把控能力和学习社区（往 往也可以扩展到实践共同体和探究共同 体的范畴）的参与情况。如在工作场所 的情境下，Gragan Gasevic 及其团队关 注学习者能否浏览他人学习目标和学习 轨迹，并在参与讨论对话的过程中对自 身的自我调节学习技能习得有所帮助 （Holocher-Ertl， et al.， 2011； Gasevic， et al.， 2012） 。研究发现， 学习者能否将自身的学习目标与所在工 作环境的组织发展目标相结合（这往往 需要教学设计者加以引导） ，也就是说 学习者的成就目标取向（Goal Orientation）情况，是其专业发展成功 的影响因素之一。 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 25 而在这些研究中，学习者表现出 的社交意识（social awareness）或社群 意识（Sense of Community）则深刻地 影响了学习者认知能力的发展 （Siadaty， Gasevic， & Hatala， 2016； McMillan & Chavis， 1986） ， 对相关意识的测量也成为潜在的预测指 标。教学者和设计者为学习者提供的技 术脚手架（比如，借助可视化工具让学 习者了解同伴的学习路径、学习目标和 问题解决策略等） ，能够有效地提升学 习者的社交意识，最终促进学习者的学 习过程和学业产出（Siadaty， et al.， 2016） 。同时，这种促进也体现在学生 自我调节的学习策略和技能提升方面 （Gasevic， et al.， 2012） 。 围绕社交意识或社群意识概念， Rovaid 等学者也提出了诸如 CCS 量表 等测量工具，Shane Dawson 等人在学习 分析领域内也进一步实践和验证了这些 测量工具的有效性。但在这里值得指出 的是，社群意识等概念在人际交互中属 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 26 于中介变量的位置，学生的交互频度等 基础指标可以预测其高低，其自身的高 低也能进一步预测学业表现和认知能力 的发展（Dawson， 2004） 。 除了上面谈到的交互行为、中心 度、目标取向和社群意识等预测指标， 体现高阶思维的对话模型（如学术争辩 和探索性对话）也能够较好地预测高层 次认知能力的发展（Shum， 2008） 。 在这方面，Shum 及其英国开放大学的 同事们致力于开发有用并好用的工具 （如 Cohere） ，并深入探讨了这种工具 的设计原则以及应用过程（Shum， 2008） ，该模型将在下文进行详细阐述。 总的来说，Shum 等人发现，研究者通 过话语分析可以寻找到探究性对话的标 志性词汇或者对话模式（包括分享、挑 战、评价或审慎思考等） ，并基于此设 计预测或推荐模型，让师生能够意识到 哪里正在发生有意义的深度对话 （Ferguson & Shum， 2011） 。 本文关于几个关I 人际交互指标的梳 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 27 理，可参见表 3。 四、预测分析的典型应用 上面以具体指标为单位，综述学 习分析领域重要的三类预测指标以及这 些指标适用的学习场所和任务类型。下 面，本文将按照“ 学校场所和工作场所 ” 和“个体学习和群体学习 ”两个维度划分 的四个象限，在每个象限中选取一个典 型的学习分析系统，对预测分析做进一 步的阐述。 （一）学校场所与个体学习： Signals 系统 Course Signals 系统是美国普渡大 学于 2007 年开发的学习预警系统，经 过多年的实践和研究，Signals 系统已经 成为当今学习分析领域最为成功的实践 案例之一（如图 2） 。最初的 Signals 系 统是针对普渡大学大一新生开发的，用 以预测学业表现和学生保留的数据挖掘 工具，服务于师生以达成更高的学习成 功率和学生保留率，属于典型的学校场 所下主要服务于个体学习情境的学习分 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 28 析应用（Arnold & Pistilli， 2012） 。 系统主要依据四个预测指标：表 现行为（课程内截止开展分析时学生获 得的分数） 、努力程度（相较课程评价 水平学生在学习管理系统内交互的频次 等） 、过往学业成绩（包括高中时期的 GPA 分数、标准化考试得分等）以及学 生的基本数据（如年龄、住处等社会经 济背景信息） 。通过特定的学业成功算 法（student success algorithm，SSA ） ， 学生的学习过程状态被划分成红灯（高 风险） 、黄灯（预警）和绿灯（良好） 三个状态。状态通过可视化的手段反馈 给老师和学生，以便老