研究 | 揭秘美国教育部如何以大数据视角分析学习变革

数据驱动学校分析、变革教育”的大数据时代已经来临。2012年，美国国家教育部发布了《通过教育数据挖掘和学习分析促进教与学》报告，用大数据视角分析学习变革。  

通过对教育大数据的获取、存储、管理和分析，构建学习者学习行为相关模型，分析学习者已有学习行为，可以对学习者的未来学习趋势进行科学预测，并为教育教学决策提供有效支持。   

2013年2月6日，美国国家科学基金会宣布将额外投入一千万美元，以激励社会及人文科学中的大数据研究。国际著名学术期刊Nature和Science分别在2008年和2011年推出大数据相关专刊，“大数据”已经得到了世界各国学术界、工业界和政府机构的高度重视。  

在教育领域，耶鲁大学、哈佛大学、斯坦福大学等世界知名高校启动了教育大数据相关研究计划，美国学校管理者协会携手学校网络联合会，以及全球性的信息技术研究和咨询公司Gartner共同实施了一个名为“ClosingtheGap：TurningDataintoAction”的项目，旨在促进大数据在学生信息系统和学习管理系统中的使用。  

为了更好地促进美国国内“大数据”教育应用，为美国高等院校及K-12学校在“大数据”教育应用方面提供有效指导，美国教育部在2012年10月发布了《通过教育数据挖掘和学习分析促进教与学》报告，（以下简称《报告》）。  

《报告》主要包括以下五个方面内容：个性化学习解读、教育数据挖掘和学习分析解读、自适应学习系统中大数据应用介绍、美国教育数据挖掘和学习分析应用案例介绍、美国的大数据教育应用挑战和实施建议。《报告》内容主要来源于以下三个方面：对公开发表或未公开发表的教育数据挖掘和学习分析相关文献的综述、对教育软件和学习管理系统开发公司中15位数据挖掘和分析方面专家的采访、8位数据挖掘和学习分析领域学术专家讨论的总结。

其中，教育数据挖掘和学习分析典型应用领域主要包括：学习者的知识、行为和经历建模、学习者建档、领域知识建模、学习组件分析和教学策略分析、趋势分析、自适应学习系统和个性化学习。  

学习者知识建模  

研究者通过采集学习者与在线学习系统的交互数据，包括学习者系统应答正确率、回答问题花费时间、请求帮助的数量和性质，以及错误应答的重复率等，这部分数据来自于课程层面、学习单元层面和知识点层面。通过数据挖掘和分析，构建学习者知识模型，自动或人工反馈，为学习者在合适的时间选择合适的方式，提供合适的学习内容。  

学习者行为建模  

研究者通过采集学习者在网络学习系统中花费的学习时间、学习者完成课程学习情况、学习者在课堂或学校情境中学习行为变化情况、学习者线上或线下考试成绩等数据，探索学习者行为与结果的关系，构建学习者学习行为模型。  

学习者经历建模  

研究者通过采集学习者的学习满意度调查问卷或量表数据，以及其在后续单元或课程学习中的选择、行为、表现和留存率数据，构建学习者体验模型，利用该模型对在线学习系统中的课程和功能进行评估。  

学习者建档  

研究者采集在线学习系统中学习者相关数据以及线下基本信息数据，通过数据挖掘和机器学习算法，构建学习者个人学习档案，分析学习特征，对学习者进行聚类和分组，最终为不同类型的学习者提供个性化的学习环境，促进其有效学习。  

领域知识建模  

研究者通过对教育大数据的挖掘和学习分析，对现有领域知识模型进行重构，探索课程、学习单元和知识点的学习内容组织方式与学习者学习结果之间的相关关系。  

学习组件分析和教学策略分析  

研究者通过采集和分析学习者在在线学习系统中的相关数据，探索在线学习系统中学习组件的功能、在线教学策略与学习者学习结果的相关关系，进而实现对在线学习系统的评估。  

趋势分析  

研究中通过对大量学习者一段时间内学习相关数据的采集和分析，探索学习者在这一阶段学习过程中的学习结果改变，发现学习者当前行为和未来结果的相关关系。并利用已建立的相关关系，依据新学习者的当前行为，预测其未来的趋势和结果。  

自适应学习系统和个性化学习  

这部分应用属于教育数据挖掘和学习分析的高级应用，是教育大数据相关研究的终极目标，通过对教育大数据的采集、处理和分析，最终实现学习者自适应和个性化学习环境的构建。