教育大数据与学习分析 课件 第九章 学习分析研究与实践案例

学习分析研究与实践案例Contents目录010302课堂学习分析在线学习分析教育平台学习分析学习分析研究与实践案例—课堂学习分析1本案例选自：牟智佳，张勤娜，陈思睿.基于行为序列的学习行为模式识别与教学干预[J].现代教育技术，2020，30（05）：74-80学习分析在课程教学中有什么优势？有什么问题？思考课堂学习行为分析问题分析课堂学习空间是促进学习者知识理解与意义建构的主要学习空间，通过分析学习者个体行为解析出其行为模式，进而了解其学习状态，为开展有效教学提供科学依据。课堂学习行为分类行为分类自主性学习行为交互性学习行为操作性学习行为感官性学习行为课堂学习行为编码一级编码二级编码解释A（自主性学习行为）RB（翻看课本）学生翻看课本TD（思考）学生对教师提出的问题进行思考C（交往性学习行为）CL（合作学习）学生与同伴交流讨论QA（回答问题）学生在教师讲解过程中回答教师的问题O（操作性学习行为）NT（记笔记）学生在笔记本或课本上记录笔记DE（做习题）学生按照教师知识做课堂练习一级编码二级编码解释N（自主性学习行为）WA（走神）学生翻看课本OT（其他）学生对教师提出的问题进行思考S（交往性学习行为）LT（听讲）学生与同伴交流讨论ME（修改习题）学生在教师讲解过程中回答教师的问题LN（看笔记）学生在笔记本或课本上记录笔记T（操作性学习行为）LN（看笔记）BA（做习题）学生按照教师知识做课堂练习基于行为序列的学习行为模式分类LT-DE听讲—做习题LT-TD听讲—思考ME-LT修改习题—听讲CL-ME合作学习—修改习题TD-LT思考—听讲依据基于学习行为投入理论，将与学习成绩显著正向相关的12种学习行为序列按照行为投入、认知投入、交互投入、情感投入进行分类分析，构建基于学习行为投入的行为序列分类。基于学习行为投入的行为序列分类行为投入、认知投入、交互投入和情感投入是影响学习成绩的重要原因；根据学生采用学习行为投入方式的偏好，将学生划分为4种课堂表现型依据以课堂学习行为视频为数据来源，利用聚类分析法、相关分析法，以数据处理流程为分析框架，设计了基于课堂表现数据的学习行为模式识别模型。学习行为模式识别模型的构建学习行为采集模块，主要通过教室內的录像设备获取课堂学习行为数据；学习行为模式识别模块，根据学习行为进行分类和聚类，将学生划分为不同类型；行为结果可视化模块，通过饼图、直方图等可视化方式呈现当前班级和学生个人的学习状态基于滞后序列分析法的学习行为序列转换学习行为序列转分析与教学干预基于问题学习行为的教学干预机制设计4种类型学习者的学习行为序列转换分析学习行为是个体学习发生的外显表现，贯穿于学习者学习的整个过程，通过学习行为分析可以进一步优化教学。基于滞后序列分析法的学习行为序列转换学习行为序列转分析与教学干预箭头方向表示转换的顺序；箭头粗细和线条上的数字表示转换的显著程度；（线条越粗，数字越大，显著程度越强）学习行为序列转分析与教学干预4种类型学习者的学习行为序列转换分析课堂综合型学习者的学习行为序列转换具有连续性产生的最长学习行为序列长度是6，学习者在课堂上表现良好；学习行为序列转换较为集中，没有游离的单个行为，说明此类学习者有良好的课堂学习习惯。课堂自主型学习者的学习行为具有独立性产生的最长学习行为序列长度是4，说明此类学习者具有良好的课堂练习习惯；此类学习者出现了单个学习行为序列转换的显著性，说明此类学习者更倾向于在课堂中自主学习。课堂顺应型学习者的学习行为序列转换更为分散出现了单个学习行为序列转换，说明此类学习者可能只是跟随教师进行了浅层学习。课堂游离型学习者的学习行为序列转换在4种类型学习者中最为分散单个学习行为序列转换最多，说明此类学习者在课堂学习中更多地表现为被动学习;虽然此类学习者产生的最长学习行为序列长度是5，其序列转换具有连续性，但由于起始行为是被提问，受教师引导而转变，因此此类学习者良好学习习惯的保持离不开教师的监督。学习行为序列转分析与教学干预基于问题学习行为的教学干预机制设计通过对4种不同类型学习者的学习行为序列转换进行分析，我们发现：课堂自主型学习者缺乏良好的听讲习惯课堂顺应型学习者的注意力分配能力较差课堂游离型学习者在课程进行中极易出现走神的情况此机制以学习者、教师、干预引擎为主体，通过采集、分析学习者在课堂环境中产生的学习行为数据，对学习者在后续课堂学习过程中可能产生的问题学习行为进行预测。案例分析：面向协作学习多重投入特征画像的多模态学习分析本案例选自马志强，孔伶玉，岳芸竹.面向协作学习多重投入特征画像的多模态学习分析[J].远程教育杂志，2022，40（01)：72-80。问题分析多空间融合下的协作学习需要学习者根据协作任务需求自然转换学习空间，并在虚实融合的学习空间中开展交流与协作。本案例探讨如何在多空间融合的学习环境中，利用多感知交互信息来分析协作学习中群体的投入状态。依据文献提取协作学习投入的四个基本维度提取维度确定维度计算权重运用德尔菲法对模型及指标维度进行判断运用层次分析法构建判断矩阵计算协作学习投入分析指标体系的全局权重协作学习学生投入的分析指标设计协作学习投入的数据采集录音笔记录学习过程中的对话交互音频智能录播系统对学习者的表情、眼睛凝视、手势动作等信息的记录交互视频脑电仪、眼动仪、可穿戴设备记录学习者身体活动和生理反应，如脑电波、脉搏生理指标信息在线文档、聊天软件、在线学习平台对学习过程的日志记录，如聊天记录，个人或小组文档交互文本协作学习投入数据的提取与融合原始的信息一般为混合状态的多感知交互信息，先分解成单一感知的数据，如从视频中提取语音、表情等感知信息，再进行筛选与汇聚，至此每个学习者的交互信息都被梳理成基于时间序列的数据链。01浅层投入型这部分参与者在协作知识建构过程中，处于消极投入状态02中等投入型这部分参与者在协作知识建构过程中，处于中等投入状态小组内个体投入描述结果分析03深层投入型在协作知识建构过程中保持全身心投入的状态04调控投入型这部分参与者在协作知识建构过程中，对任务的计划、监控和反思程度相对较高群体投入特征差异性分析02中等投入小组每位小组成员在参与意义分享与协商的互动过程中，都展现出了中等水平的积极、持久的状态，组内成员相互配合共同推动小组知识的发展03低投入小组参与者在协作交互过程中的多维度上，表现出了消极参与的状态。主要由组长来贡献观点或提出关键性问题，组内的观点协商度和观点共建度较低结果分析01高投入小组从该组参与者的知识建构整体情况来看，参与者之间在不同投入维度上的侧重不同，但均处于比较高的投入水平04社交型参与者在协作交互过程中，能够对协作任务保持注意力集中并与同伴协同完成任务，在维护同伴相互依赖关系方面付出了较多精力学习分析研究与实践案例—

在线学习分析2在线学习分析在线学习分析是指以网络环境下的在线学习为分析场景，对学习者在整个学习周期中所产生的各类学习痕迹数据进行分析，以全面刻画学习者，为优化在线学习体验提供依据。案例：面向在线学习者的认知网络分析在线学习环境下，学习者产生大量的互动文本数据，通过这些文本数据分析学习者的认知状态对于改善教学具有重要的现实意义。认知网络分析法能够以网络化关联结构的形式，对学习者的认知乃至更多维的复杂特征加以建模表征。案例选自：杨阳.联通主义学习情境中学习者特征分析研究[D].无锡：江南大学，2021.面向在线学习者的认知编码框架学习者交互文本数据收集案例信息课程信息国内首门基于联通主义的MOOC课程——《互联网+教育：理论与实践的对话》第一期分析对象最终选择了14个持续有效开展联通化学习且有所贡献的典型学习者作为分析对象，对这些学习者在课程第一期间的各类交互文本数据进行收集数据来源从微信、博客、课程平台中的学习者交互文本采集，最终收集到249项语篇数据样本面向学习者特征的认知网络建模分节与数据编码用学习者在第一期內的交互时间作为切片单位，按照时间周期进行分节与整理创建邻接矩阵通过每节中的数据编码创建邻接矩阵，来表示认知编码的共线向量归一化需要对不同分析单元的认知结构进行标准化比较，得到归一化的邻接向量以节为单位的数据累积根据前期制定的认知编码框架，对交互文本中体现框架指标的数据进行二进制编码，最终形成Excel形式的编码表累积不同节的邻接矩阵为了识别数据中认知元素连接的整体结构，将每个分析单元的邻接矩阵累加到同一个累计矩阵中形成网络模型奇异值降维分解为了提高变量在数据中的差异值，将奇异值进行降维分解，将数据中的方差最大化，实现对高维空间的降维微观视角下的学习者认知网络分析宏观视角下的学习者认知网络分析学习者认知网络分析结果图中分布的矩形被称作“质心”，代表了具有不同连接模式的认知网络模型；“质心”间距离的大小反映了认知网络结构差异的大小，距离越近，代表认知网络结构越相似，反之差异性越大。学习者认知网络分析结果微观视角下的学习者认知网络分析两个学习者的认知网络结构均呈现中间连接紧密、四周连接稀疏的特征；两个学习者在高阶核心能力方面，如S.I（创造性）、S.CPS（复杂问题解决能力）、S.D（决策制定能力）存在较大差异。在开展学习分析研究与实践时，如何保护学习者的隐私？讨论学习分析研究与实践案例—教育平台学习分析3教育平台整体概况题目识别与答案匹配题目智能批阅个性化推荐练习题目测评与批改类实时监测，如课堂行为监测依据学习者兴趣推荐短视频英语教学学习勋章和学习积分的激励干预语言学习类智能化推送学习课程和资源题目智能批阅学习结果可视化，如学习时长记录、学习周报展示网络课程类智能化推送学习课程和资源学前诊断智能匹配梯度式难度习题学习结果可视化编程与思维类多模态交互实时计算（智能化推送学习课程和资源智能教育类作业帮小猿搜题猿题库有道乐读51talk沪江词场猿辅导学而思高途课堂有道数学洋葱学院瓜瓜龙思维斑马AI课小猴AI课学而思轻客课教育平台中的智能分析技术光学字符识别技术01智能语音评测技术02自然语言处理技术03个性化推荐系统04教育平台中的智能分析技术光学字符识别指的是首先用电子设备（如扫描仪或数码相机）检查纸上的字符，通过检测暗、亮的模式确定其形状，然后利用字符识别方法将形状翻译成计算机文字描述的过程。光学字符识别技术01教育平台中的智能分析技术智能语音评测技术是指利用计算机自动对学习者的语音进行评价，具体包括发音错误检测、发音水平及口语表达能力评价。朗读评测包括字、词、句、篇的朗读等题型，考察重点是学习者的发音错误情况和发音质量；口头表达评测包括口头翻译、口头复述、看图说话、主题表述等题型，主要考察学习者的逻辑思维能力和语言组织能力。智能语音评测技术02教育平台中的智能分析技术自然语言处理是以语言为对象，利用计算机技术来分析、理解和处理自然语言的一门科学，即把计算机作为语言研究的强大工具，在计算机支持下对语言信息进行定量化的研究，并提供可供人与计算机之间能共同使用的语言描写。自然语言处理技术03教育平台中的智能分析技术个性化推荐是指依据不同用户的个人偏好推荐不同的物品内容，需要开发并维护一个用户模型或用户记录以保存用户的个人偏好。实际上，个性化推荐可以看作一个映射问题，其目标是建立用户需求与物品特征相映射的二元关系。个性化推荐系统04教育平台中的智能分析技术个性化推荐系统04协同过滤推荐系统基于内容的推荐系统基于知识的推荐系统基本思想是利用已有用户群过去的行为或意见预测当前用户最可能感兴趣的物品，将物品特征和用户偏好匹配起来，只需要两类信息就能实现推荐物品特征的描述和用户兴趣的个人记录依据明确的推荐规则而形成的一种推荐系统教育平台中的学习分析应用问题重信息呈现，轻数据挖掘学情数据信息的呈现形式主要停留在单一数据源的采集和汇总层面，仅能反映学习者单一维度的学情信息。重结果评价，轻增值评级多数教育平台关注学习者完成学习后的结果数据，这些数据无法全面记录学习者成长过程中的重要轨迹和关键事件。重学情统计，轻能力分析当前的教育平台侧重于呈现学情数据的统计结果，缺乏对学情数据背后隐含的认知能力、学习投入、学习习惯等深层学习问题的剖析。重智能识别分析，轻思维能力培养拍搜题库类软件虽然具有快捷搜题、秒出答案等特点，但它忽视了对学生专注能力和思维能力的培养，需要进行功能调整。重数据追踪，轻隐私保护教育平台的后台记录并保存了大量学习者的学情数据，学习者面临着数据隐私泄露的诸多风险。重实时诊断，轻学习预测学情数据来源于过程性、即时性的行为与现象记录，无法对学习者未来的学习情况进行有效