学习分析在网络学习生态系统中的价值

学习分析在网络学习生态系统中的价值

[摘要]当今,通过网络进行学习已成为势在必行的一个时代趋势。对于网络学习的探索,我国尚处于起步阶段,各方面都不够成熟,而学习分析这一新兴理论在指导网络学习平台的建设方面已经开始崭露头角。本文旨在围绕网络学习生态系统的建设展开讨论,通过探索网络学习生态系统实际存在的问题,来寻找使用学习分析技术对其进行实践指导的切入点,进而对后续的研究和实践起到指导作用。

[关键词]学习分析;网络学习生态系统;实践指导

一、引言

信息技术、制造和自动化技术、资源保护技术以及卫生保健技术四类技术将影响2030年前的全球。与传统的学习模式相比较,GeorgeSiemens(2009)认为,知识利用网络作为传播媒介,这一变革使知识产生了新的特征。知识经历了从分类、层级到网络和生态的变革。随着知识网络化和生态化的变革,海量数据生成,“大数据”应运而生,利用科学手段收集与分析大数据,挖掘大数据潜藏的真相,预测与干预事物发展成为可能。荷兰行为观察软件商NOLDUS公司的研究结果表明,仅一节40分钟的课堂,一个学生所产生的可归类、标签,并且进行分析的量化数据约有50-60MB,这相当于传统数据领域中积累5万年的数据量总和。教育信息化、网络教育与学习已成为终身教育与终身学习的发展趋势,并且教育数据在不断生成。但是,如何使用这些数据去优化教育过程,如何利用这些数据支持学生学习以及教师教学的问题,如何构建和谐网络学习生态环境,为终身教育服务,以往的方法似乎有些捉襟见肘,学习分析技术为解决这些实践难题开辟了崭新的道路。本文旨在以网络学习生态系统建设的实际情况与所面临的问题为切入点,引入学习分析理论与方法对解决建设过程中的问题进行可行性分析,对网络学习的教育策略产生合理的引导,从而构建和谐网络学习生态系统。

二、学习分析理论与网络学习生态系统理论

(一)学习分析理论研究

Siemens(2011)提出的关于学习分析的定义被学界认可,即学习分析技术就是测量、收集、分析和报告关于学习者及其学习情景的数据,以期了解和优化学习和学习发生的情境。这一定义详细界定了学习分析中所涉及的对象、方法与目的,是引用范围较广的一个定义。学习分析根据不同的学习情境,提出不同的分析框架,作为工具常以“插件”形式嵌入网络学习环境中。虽然各个框架结构和运作方式各不相同,但是基本要素一般包括个体、数据和工具平台三部分。其中,个体通常来讲是数据的来源,也是最终分析结果指导干预的对象,即学习者和教师。作为新兴的研究领域,学习分析得到了全球范围内研究者的广泛关注,研究成果丰富。研究主要集中在理论与技术应用两大方面。学习分析的基础理论研究成果数量最多,此外,学习行为数据可视化和学习分析工具设计与应用研究也是较多研究者探讨的主题。这说明学习分析理论在实际应用过程中存在诸多问题,其中最大的问题是工具的缺乏,因此想要有效利用学习分析对实际教学产生指导作用,必须重视网络平台的搭建和工具的设计。但由于学习分析是学习教学活动和大数据分析技术的交叉领域,因此存在着许多界定不够明确的概念和理论不够严谨的研究结果。其中最严重的两个问题是研究对象泛化和研究目的混淆,即不分对象的滥用学习分析和忽视学习分析最初的应用目的。由美国学习分析研究会提出的SOLAR学习分析系统是一个整合系统。主要包括:分析引擎;适应内容和个性化引擎;干预引擎;仪表盘,报告和可视化工具。这一系统是学习分析领域中结构较为完备,且具有较高参考价值的系统构架之一。鉴于这一系统,有学者提出学习分析系统的技术特征应该包括功能模块化、报告可视化、数据多源化。但现阶段在教育领域中,致力于优化学习服务的学习分析技术,通常过分注重于数据的分析,较少考虑学习者的态度与感受等内隐式的行为信息。研究表明,近80%的数据都为非结构化模式。文本作为教育大数据中大量出现的非结构化数据,往往能最真实、直接地反映学习者的状态。文本挖掘作为辅助学习分析的核心技术之一,可以帮助辨识和解释学习者的心理及行为过程,提取隐藏的关键信息,以便于实时监控学习者的意见和想法,有助于学习者在文本交互中的自动干预和推理。

(二)网络学习生态系统理论研究

“生态”是一个探讨有机体与环境关系的术语,因其追求有机体与环境的平衡、和谐以及可持续发展的观点而极具推广和迁移价值,广泛受到各个领域研究者的追捧。近年来,不断有学者从生态学视阈观察、理解事物,基于生态学观点对网络学习中各个因子及相互关系进行重新定义,从而划分出了经由物质和能量交换所形成的统一整体,即网络学习生态系统。网络学习生态系统是由学习共同体及其物理的和虚拟的学习环境构成的自成一体的实体。在生态学意义上,一个完整的生态系统通常由四个基本因子构成,即生产者、消费者、分解者以及非生物环境。在网络学习生态系统中,网络知识与信息的提供者为生产者,学习者是消费者,对网络中的知识和信息进行维护的人员为分解者,网络硬件设施是非生物环境。同时,需关注的还有网络学习生态系统是不断发展进化的,正如自然界的生态系统存在“进化”现象一样。当网络学习生态系统中某一生态因子的发展水平提高,导致系统失衡时,系统通过自适应调节,最后可能进化到一个更高层次的平衡,这就是网络学习系统的发展进化,而学习者进化是网络学习生态系统进化的最根本标志。针对网络学习生态系统,“进化”的研究也层出不穷。网络学习生态系统理论应用到教育领域,研究关注的焦点有:第一,由于缺乏面对面的互动交流,学习者容易产生孤寂感、焦虑感、挫败感甚至自卑感等心理缺失。因此,通过网络学习生态系统的构建和完善,可以在学习者、网络学习资源建设、学习支持服务这三个主要方面入手,分别做到尊重学习者生态主体地位、整合零散资源、以技术进化支持学习来实现良好的网络学习生态化,并推动其可持续和谐发展。第二,网络学习由于师生、生生间的时空距离,使情感缺失成为影响远程学习者认知效率和效果的最关键因素之一,如何解决这一生态失衡问题也是近年来许多学者研究的热门话题。目前,认可范围较广的方案是建立虚拟学习社区,即将原始的生态系统社会化,在原有的生态系统要素基础上加入人为的干预,进而有效调动个体心理资源,促进个体自主学习。

三、网络学习生态系统构建面临的困难

目前对网络学习生态系统的构建研究,仍然处于不成熟、不完备的状态,面对网络学习本身存在的问题和网络学习生态化过程中所遇到的各种情况仍然缺乏有效的解决方案。主要存在以下三个问题:

(一)网络学习生态环境污染

网络学习以其信息量巨大、信息传递方便快捷、不受时空限制等特点越来越受到人们的关注与青睐,网络学习在其便利的同时,也存在着大量不良信息,影响学习效果。网络学习生态环境污染主要有资源配置污染、资源内容污染、资源传递污染三方面。资源配置污染指网络学习生态环境被人为分割,使相互关联的巨大整体被割裂为数个大小不一的孤立群体,导致在部分群体中生产者和消费者比例失调,进而导致生态失衡。资源内容污染是指不良信息散布者被当做生产者,导致网络学习生态环境中流动的信息内容从原本的学习信息转化为不良信息。资源传递污染主要集中在传递过程中的时效性上,如分解者不及时消除过时的老旧信息,更新升级系统内信息传递的时效性和有效性,就会导致已脱节的陈旧知识被消费者不断吸收。

(二)网络学习生态客体的适应性较差

学习者作为网络学习生态主体,应具备自我调节适应能力以适应网络学习生态环境和网络学习资源生态客体不断的更新。有研究表明,在网络学习生态主体、网络学习生态客体和网络学习生态环境的适应水平上,相比于网络学习生态主体的平均适应水平,网络学习生态客体的平均适应水平要低一些。这表明网络学习者更倾向于自我调节以适应网络学习生态环境,而非发挥学习者自身主观能动性去改造环境,使其利于自身的学习。

(三)网络学习生态系统中学习者定位偏差

在生态学观点中,生态环境的基础是环境和生产者,而消费者是适应和改造环境,并努力创造有利于自身生存环境的主力军。网络学习生态系统中的学习者普遍存在着过分依赖“以教师为中心”的传统教学模式,导致自主学习困难的现象,这一类学习者难以担任健康的网络学习生态环境消费者。在信息传递的过程中,网络学习通常存在情感交互缺失的问题。这是由于学习者在网络学习生态系统中把自我孤立,未与其他学习者进行交互,进而形成消费者群体,导致生态系统内的信息流通受到隔断,影响整体生态的平衡。

四、学习分析应用于网络学习生态系统构建的优势分析

学习分析技术以在线学习环境与学习者学习行为产生的“大数据”为对象,对收集的“大数据”和模型进行分析,探究学习者行为与网络学习生态系统因子的联系,并对学习行为作出预测和干预,以期达到优化学习行为的目的。网络学习的一大特点,就是所有线上学习过程都能够通过技术手段进行记录和可视化处理,通过收集学习者在线学习行为过程数据,分析数据得出结果,帮助教师了解教学过程的有效性。学习分析应用于网络学习生态系统的主要形式,可以有以下四个方面:

(一)结合教育数据挖掘来进行实践应用

教育数据挖掘利用学习分析技术,分析学习行为数据,用显性化模型化展现学习行为,发现网络学习生态系统各生态因子间的相关联系,预测学习者行为发展趋势,合理提出干预手段,优化学习过程。学习分析是通过研究分析学习行为数据,使学校和教师能够根据不同学习者的能力水平和实际需求,为其提供合适的教育机会。数据永远是大数据应用的核心,而网络学习能够将线上学习行为数据通过技术手段进行记录收集,将这些数据合理应用,可以对教育起到优化作用,利用教育数据挖掘进行理论探究,并以学习分析的方法回馈指导网络学习生态系统的构建和维护。通过合理利用工具和理论,了解学习者的个体差异,进而提供个性化教育资源与服务,以实现教育公平。

(二)在线学习行为可视化

仅仅有了理论指导和实践工具还不够,能够将数据结果简单明了地表示出来,使其被接受的范围更加广泛也是这一研究领域的重中之重。数据可视化是探索和理解大型数据集的最有效途径之一。将在线学习行为数据置于视觉空间中,发现其中的数据模式,使其可视化,能同时起到解释在线学习行为和探索远程教育规律的作用,能够为网络教育研究者描述复杂的学习行为或者为制定教育决策提供帮助。学习分析技术的数据来源多样化,能够实现多维度的数据采集与分析。比如,通过网络平台访问行为分析可以重现整个教学过程,进行师生交互分析可以聚焦重点教学活动,借助UCINET社会网络分析工具可以发现是否存在孤立成员等不利于群体平衡的问题等。不同来源、不同意义、不同属性的各类数据都可以通过学习分析得出相应的结果,进而对实际教学进行指导。

(三)建立虚拟学习社区

网络学习生态系统本身就是一个网络学习者们的生存与生活网络空间,在网络学习生态系统中引入个体的社会交互关系,建立虚拟学习社区,对学习者行为实施预测与干预,能够极大地提高网络学习生态系统的稳定性和进化速度,最大化学习有效性。学习分析技术能够对虚拟学习社区的数据进行可视化处理,预测学习者行为趋势,为虚拟学习社区的社会性交互提供了有力支持。通过研究社区派系交互、参与者交互、不同层次参与者内容交互等的分析,将其可视化,能够直观地发现网络学习过程中存在的各类问题,进而进行有效的干预。

(四)构建更高层次的自适应学习系统

网络学习的产生,除了技术进步、理论推动、客观需求等因素的促进作用外,也包含了教育者需要降低投入、提高产出、增大教育效率的主观意愿。目前来说,通过资源和信息的大范围共享,网络学习已经在一定程度上起到了增大教育效率的效果,然而对网络学习的研究和探索才刚刚开始。正如自然界生态系统中存在“进化”现象一样,网络学习生态系统中同样存在“进化”。自然界中,生物进化的结果是产生了人类的智能,网络学习生态系统进化的结果是产生自适应学习系统。自适应就是在处理和分析过程中,根据处理数据的数据特征自动进行算法调整,使其与所处理数据的特征相适应,以取得最佳处理效果的过程。通常在实际应用中,先通过学习分析的方法结合云计算来分析学习者过往网络学习行为所产生的大数据,以其结果结合自适应算法来推荐给学习者个性化的学习策略和学习内容,从而达到内容升级进化和个性化指导的目的。自适应学习系统在结合了学习分析的大数据计算之后,能够很好地充当网络学习生态系统中分解者的作用,有效防止由于信息量过多而产生的学习焦虑,并根据学习者以往感兴趣话题对内容进行筛选,减少网络学习生态系统中的环境污染对学习者造成的影响,同时充分调动个体心理能量,进行主动学习,达到增大教育效率的目的。

五、结语

网络学习作为未来学习与终身教育的主要发展方向,目前已经得到越来越多的教育者和研究者的重视,建立良好的网络学习生态系统是网络学习发展的必经之路。学习分析作为新兴的教育分析技术,在网络学习上的应用价值巨大,合理利用学习分析技术能够对网络学习生态系统的构建和维护起到极大的推进作用。只有在科学完备的理论指导下不断地进行实践探索,才能够真正找出符合中国教育特点的、行之有效的网络教育与学习方法。

参考文献:

[1]科技部.2030年全球趋势:四大技术改变世界[DB\OL].[2013-01-18].

[2][加]G•西蒙斯.网络时代的知识与学习———走向连通[M].詹青龙,译.华东师范大学,2009.

[3]张韫.大数据改变教育———写在大数据元年来临之际[J].上海教育,2013(10).

作者:方宇波 孙云 单位:江苏开放大学