我院韩锡斌、程建钢等老师翻译的译著《教育领域学习分析》（Learning Analytics in Education）近期出版发行。该书为全面系统论述学习分析（Learning Analytics）的最新专著，汇集了来自斯坦福大学、宾州大学、西北大学、卡内基梅隆大学、匹兹堡大学、加州圣迭戈分校、马里兰大学等名校学者的理论研究成果，以及来自硅谷教育机构和企业一线业界专家的实践探索经验。梳理了学习分析的理论与方法基础，论证了学习分析的价值和意义，从多个方面揭示了学习分析对教育教学的变革作用，如促进学习者投入、提升学生学业成就、增强多元学习评价等，讨论了学习分析的隐私、伦理及相关政策问题，展示了学习分析的实践应用。本书是教育领域跨学科研究与实践的最新尝试，为学习分析领域提供了最新的概念框架、分析方法、实践指南和应用案例，对深度理解学习的过程，技术带给学习、教学及其评价的机会和挑战都有重要的意义，对各个层次和类型教育的研究者和实践者都有重要的参考价值。

学习分析（Learning Analytics）可以为学生、教师和教育机构提供更多的实证性依据，以支持学习、教学和教育决策，是当前发展最为迅速的技术促进学习的研究领域之一。学习分析在近几年的快速发展表明了研究者和实践者对其重要性的共识，即对未来教育影响最大的因素是数据及其分析。该领域的研究可以回溯到上世纪及更早的多个研究领域，如十八世纪的统计方法，上世纪50年代的运筹学、商业智能技术、人工智能与数据挖掘、社会网络分析，60年代的文献统计学和科学计量学，70年代的信息可视化，90年代的网络数据分析等。世纪交替之际，互联网开始大规模普及应用，教育领域的数据可以动态便捷地从网络上获取，学习分析领域的研究和实践才真正兴起。2011年召开了第一届学习分析与知识国际会议（The International Conference on Learning Analytics and Knowledge, LAK）并成立了学习分析研究学会（Society for Learning Analytics Research (SoLAR)）。会议对学习分析的概念进行了阐述，即学习分析旨在测量、收集、分析、报告学习者及其学习情境的相关数据，以促进对学习过程的理解，并对学习及其发生的环境进行优化。另外一个紧密相关领域是教育数据挖掘（Educational Data Mining，EDM），源于对网络日志数据挖掘的研究，试图借助数据挖掘、机器学习、统计学等领域的技术发展一套针对教育数据的分析方法，理解学习过程，并通过构建技术系统影响学习。第一届国际教育数据挖掘会议（The International Conference on Educational Data Mining，EDM）于2008年召开，2011年基于教育数据挖掘国际研究组成立了国际教育数据挖掘学会（International Educational Data Mining Society）。

2011年秋季学期译者在美国斯坦福大学教育学院访学，师从罗伊•皮（Roy D. Pea）教授。皮教授是斯坦福大学学习科学和技术设计博士项目的创始人，曾任国际学习科学学会的主席，是2010年美国教育部《国家教育技术计划》的编制者之一，参与撰写了2000年发布的第一个系统阐述学习科学的报告《人是如何学习的》（How people learn: Brain, Mind, Experience, and School）以及迄今为止最为完整系统地论述学习科学的《学习科学手册》（The Cambridge Handbook of the Learning Sciences）。2018年4月他发邮件询问是否有出版社愿意将他们的新作Learning Analytics in Education翻译成中文出版。感谢清华大学出版社对前沿研究的敏锐眼光，他们欣然同意购买版权并出版此书。

本书译者团队曾于2017年对学习分析国内外文献做过综述，该领域研究涉及学习分析的概念与综述、系统构成与概念模型、方法与技术、组织实施和效果评价五个方面。概念与综述类、系统构成与概念模型的论文各占近三分之一，方法与技术类的论文占近20%，而组织实施和效果评价方面的研究各占不到10%，表明该领域的研究还在做概念辨析和梳理，更多地聚焦于方法与技术，比较缺乏对教育教学真实问题的解决，理论体系的形成还需更多努力。

本书原版（Learning Analytics in Education）于2018年出版，基于美国教育领域近些年来研究和实践的总结，试图给学习分析领域绘制一个整体框架的蓝图，为下一步努力提供指南。译者认为有以下五个特点值得关注。

01 面向教育教学的真实问题

从对学习分析的内涵及其构成模型来看，学习分析都需要收集数据、分析数据和呈现数据，然而很多研究在迷恋这些方法和技术的时候，却忘了“为什么分析以及分析结果面向哪些人”这一核心问题。好的研究都是始于一个好的问题, 而不是方法与技术。着力于找到“我希望研究什么问题？”比“我要追寻何种方法和技术更为重要？”为了分析数据而构建的模型和开发的算法，需要对教育实践产生影响才有真正的价值。本书共计九章，其中六章讨论的是如何借助学习分析破解教育教学中的难题，如第二章提供了两个案例，一个是中学代数和几何教学中如何自动识别每个学生学习掌握程度并给予个性化指导，另一个是自动检测学生的学习参与度和情绪并提供个性化干预。第三章在学习动机领域做了探索，学习分析试图捕捉学生学习时的坚持信息，并为每个学生提供个性化的支持。第四章探索了有别于传统测试的评价方式，可以跟踪学生开放性学习作品的构建轨迹，从而评估学生的学习效果，为理解学生学习提供了新的视角。第五章讨论了一个极具挑战的主题，试图基于学习分析为学习者建模，据此描述学习者的知识、技能和情感等方面的状态，从而促进学习者投入学习。第六章探讨了教师难以动态、全面把握课堂上产生的话语信息的难题，试图从师生的话语中自动提炼出学生学习状态和效果的信息，支持教师进行有效教学。

02 围绕理论与方法的努力

形成独特的理论与方法体系是所有研究领域学术活动的核心目标，而学习分析属于多学科交叉领域，涉及计算机科学、语言学、教育学、计量科学、认知科学、动机和社会心理学、机器学习、神经科学等多个学科和领域，独立的理论与方法尚未成型。本书的第一章梳理了用于指导学习分析研究与实践的理论与方法，这些理论与方法不是对特定问题的具体答案，而是看待学习分析领域未知问题的四个方面宏观视角和指导原则。第一个方面涉及我们所处的全新社会技术背景。在互联网时代，人和数字终端的互动成为生活、工作和学习的有机组成部分，各种各样的人类经验能够被大量地自动采集和记录，并近乎实时地被传输、转化、总结以及“学习”。需要对研究学习、教学和教育的方法论做相应的调整。新的方法不是仅仅衡量特定的知识和技能，还需要关注学习者的多样化属性（如元认知、动机、个性、社会情感等）；不仅仅关注学习成绩，也需要关注学习过程中痕迹信息和个人特征；不仅仅针对单一教学活动进行设计，也需要在教学中整合不同活动和时间的信息；跨越正式和非正式情景的学习，关注游戏、模拟以及其它与学校教育无关的学生行为等。第二个方面涉及社会历史背景。教育教学都是在宏观和微观的社会历史背景下发生的，需要围绕教学活动的个人和社会意义进行讨论。文化历史活动理论（cultural-history activity theory, CHAT）提供了一个分析框架，可以据此将教学活动置于文化历史背景中思考，并研究典型的教学活动结构和过程。第三个方面涉及从数据到推论的论证逻辑思路。以证据为中心的设计（evidence centered design, ECD）框架是一种设计与实施教育评价的方法，可以用来从大量不同来源、形式多样、准确度不同的数据中理解真实的教育评价问题，提出评价过程中从观测到推论推理的总体逻辑原则。第四个方面涉及数据分析方法。相比经典统计学方法面向解决特定概率模型的问题，数据分析（data analysis, DA）和探索性数据分析（exploratory data analysis, EDA）提供了一个更为宽广的分析框架，用来基于各种“经验记录”如测试分数、活动痕迹、元数据和并行数据等，理解这些数据的各种可能意义，并对计算结果尝试进行不同于事前预期的、其他可能的解释和形式表达。通过考虑更广泛的合理的替代解释，持续迭代改进结论。本书的后续章节从不同角度探讨特定的教育教学问题，试图构建具体的分析模型和理论原理。

03 开展大规模的组织实施

学习分析的研究成果要提升教育教学绩效，除了需要方法与技术来获取、储存、分析数据及呈现结果外，更多地需要考虑利益相关者群体及其诉求、内部限制和外部约束等多个方面的组织实施要素。本书第八章讨论了美国各州、学区和学校建立并提高学习分析能力的努力，包括创建基于数据改进教育教学的决策文化、构建良好的基础设施和技术系统、培养具有学习分析和技术能力的专业人员、为管理者和教学者提供专业学习机会等。还介绍了联邦政府、各州和学区开展学习分析的政策及应用案例。第七章讨论了机构伦理审查委员会（IRBs）在信息时代进行学习分析相关研究审查面临的新问题和新挑战，尤其是需要在获取数据以发挥学习分析的潜能和对数据隐私保护两者之间做好平衡。第九章将学习分析作为一项多层次的社会技术活动进行讨论，涉及微观的教学活动、宏观项目和措施、底层的数字化基础设施、相关政策保障等。

04 关注应用效果的评价

大多数研究项目只是收集了学习者使用学习分析后的反馈，或者教学管理者利用分析结果后提供的反馈，实际上还需要进行更全面深入的“分析的分析”。正如本书“概述”中指出的“作为一个教育领域久远的难题，我们很难证明，获取更多的数据对于学习有大规模的显著提升”, “对此有许多解释，最有可能的一种是，向教育者提供的数据——尤其是大规模评价数据——并未总是清晰地指出基于这些数据应采取的行动。同时，这些数据也不能保证教师或其他任何人有能力、权力、时间或资源来采取有效行动。”本书第二章在讨论学习分析对于基础教育的价值时提出了学习分析成效证明案例的三个标准，即应该基于学习分析而不是基于常识或者其他方法、展示出学习分析对学习变量产生可测影响的显著潜力、以及基于学习分析干预措施的开展程度。第三章在讨论各类测量和分析的有效性问题时指出，基于新技术（如点击次数分析、眼动跟踪测量、模式识别、机器学习等）给学习分析方法提供了许多可能性，但是这些方法的创新并不能免除为了预期目的而验证它们结果的必要性。没有理由认为，点击数据本身比其它评价信息（如多项选择题答案）更有效。数据挖掘可以帮助每个学生找到大量课程内容的最佳学习序列，但是如果该内容的大部分很平庸或者没有效果，那么最佳解决方案可能也是平庸的。同时提出告诫，根据不准确和不可靠的信息做出的决定，最好的可能结果只能是无效的和浪费时间的，最坏还有可能对学生未来的学术和职业生涯造成伤害。第九章指出，基于数据分析进行行动需要构建教育教学活动、技术环境和社会组织条件等，因而获取学习分析影响教育教学的证据仍然是该领域研究者必须应对的最大挑战之一。第八章描述了美国国家、州和学区三个层面开展学习分析应用的一些案例及政府的政策措施，这些应用虽然处于初始阶段，但为大规模、长时间评估学习分析的效果提供了应用基础。另一个需要关注的应用效果议题是数据分析带来的隐私和伦理问题，本书在多个章节都提及该问题，并在第七章集就如何应对该挑战做了集中讨论。

05 构建跨学科的研究与实践共同体

本书的作者既有来自斯坦福大学、宾州大学、西北大学、卡内基梅隆大学、匹兹堡大学、加州圣迭戈分校、马里兰大学等名校的著名学者，还有来自硅谷教育机构和企业的业界专家。在各章讨论中都贯穿一个主张：学习分析是一个复杂的、多层面的研究与实践领域，其成功需要利用并设法融合来自各方参与者的知识和技能，包括计算机科学家、认知科学家、教育评估专家、教师和教育政策研究者等。如果这种跨越学科界限的交叉融合无法发生，相反地，学习分析中各个研究群体还是没有相互联系，而是各自为政、独自发展，却忽视其他群体的进展，那么这个领域将无法取得它应得的成果，也无法向一个统一的学科迈进。本书的作者们尝试通过构建合作共同体的方式开展跨学科研究与实践。2012年在比尔和梅琳达盖茨基金会（Bill and Melinda Gates Foundation）和约翰和凯瑟琳麦克阿瑟基金会（John D. and Catherine T. MacArthur Foundation）资助下成立了学习分析工作组（Learning Analytics Workgroup，LAW）。该工作组项目的目标是为建立学习分析领域提供一个概念框架，为理解如何建立学习分析领域界定关键问题，阐明学习分析领域相关的新工具、新方法、新政策、新市场和新的学术项目并划分优先顺序，确定解决优先事项所需的资源，规划如何实行领域创建政策以及如何评估进展等。该工作组还致力于研究如何建立一个创新的、可持续的生态环境，组织了工作坊、小组讨论会以及为学习分析筹集资源的众包活动。还创办了第一所学习分析暑期学校（LASI，2013），并就建立学习分析领域的各个关键问题，委托编制了白皮书，其中许多成果被汇编到本书中。

学习分析领域的兴起不到十年时间，学术论文成倍增长，发展非常迅猛，然而若要让学习分析取得大规模的教育教学成效，就需要通过定位真实的教育教学问题、不断完善基础设施、培育组织文化、变革体制机制等，从而产生越来越可靠的数据，成为不同层次的教育工作者工作不可缺少的组成部分。这是学习分析发展的愿景，也学习分析领域研究者和实践者共同努力的未来。

在翻译本书中，为了让意思更加明确，采用了意译的方式，尤其是根据正文内容对原书一、二级标题做了修改。感谢北京开放大学原副校长张铁道教授和美国雪城大学教育学院教学设计、开发和评价系主任雷静教授对译稿的审校。感谢清华大学教育研究院教育技术研究所教师和研究生的支持。感谢优慕课在线教育科技（北京）有限责任公司的深度参与。感谢清华大学出版社马庆洲老师的精心编辑。

目 录

第一章 学习分析的理论与方法基础

第一节 核心概念形成的社会和历史背景

第二节 数据、数据分析和经验记录

第三节 理解学习分析的四个理论和方法框架

第四节 正在出现的“数字海洋”

第五节 理解情景：文化、历史和相关活动体系

第六节 理解证据性原理：以证据为中心的设计

第七节 数据分析与探索性数据分析

总结——依靠流沙下的坚实基础

第二章 基础教育领域学习分析的价值

第一节 理想的证明案件应该有什么特点？

第二节 两个证明案例

第三节 讨论和结论

第三章 学习分析提升学生学习持久力

第一节 可用且有用的学习分析

第二节 学习持久性:操作性定义

第三节 学生能学会坚持吗？

第四节 什么影响了持久性？

第五节 支持在线教学的持久性

第六节 有效性问题

第四章 多模式学习分析增强基于开放性学习任务的评价

第一节 多模式学习分析的研究动机

第二节 新型评价方法与技术领域现状

第三节 开放性学习任务评价的案例研究

总结

第五章 基于学习分析的学习者建模促进学习者投入

第一节 为什么对学习者建模？

第二节 对于学习者和学习生态模型的哪些方面建模

第三节 如何测量学习和学习生态系统

第四节 对学习者建模的目标与挑战

第五节 如何表示学习者模型

总结：未来工作的建议

第六章 课堂学习中的话语分析

第一节 对话教学有效性的证据

第二节 对话教学产生的学习效果

第三节 为分析复杂的对话互动而进行机器学习

第四节 利用话语分析促进学习

第七章 改革机构审查委员会促进学习分析生态发展

第一节 学习分析生态系统

第二节 研究相关的机构审查概述

第三节 IRB审查的类型及其存在问题

第四节 学习分析相关研究给机构审查提出的新问题

第五节 应对新问题的建议

第六节 结论

第八章 实施学习分析所需要的政策支持与能力建设

第一节 学习分析的新兴应用

第二节 实施学习分析的能力

第三节 创建基于数据改进教学的决策文化

第四节 开展人力资本建设

第五节 为管理者和教育工作者提供专业学习机会

第六节 国家、州和学区开展学习分析应用的范例及发展趋势

第七节 实施学习分析的政策保障

第九章 理解不同教育实践中的学习分析

第一节 学习分析：一个新兴教育数据科学

第二节 政策在学习分析发展中的作用

第三节 寻找影响的证据

第四节 宏观、微观、和基础设施的分析方法

第五节 作为设计科学的学习分析

第六节 学习分析的影响