 韩锡斌，清华大学教育研究院副院长 来源：本文根据韩院长2017年1月15日在“第四届北京大学教育信息化创新论坛”上的发言整理。  非常高兴也很荣幸跟大家做一个交流，我今天的题目是“基于网络教学平台的学习分析研究” 。  我今天讲两个内容，一个是我简单的把学习分析目前的一些研究进展从另外一个独特的视角呈献给大家。第二个是我们关于学习分析的一些大概过去3年研究的一点小的进展。 我们去年请到了乔治·西门子，他来我们清华的教育信息化论坛开会，大家都知道他是连通主义学习理论的创始人，也是学习分析国际学会的现任主席。我们跟他在交流的过程当中，我觉得有一些东西形成了共识，虽然是他在报告当中或我们报告之后访谈当中有所提及，现在我把这些做一个简单的综述呈现给大家。  对于学习分析的概念大家都已经很清楚了，它主要是希望通过各种各样的手段，收集学习方面的一些数据，通过这些数据来影响学生的学习决策和教师的教学决策。目前来看，共识大家都很清楚，我不展开，因为我们都是同行，大多都是研究教育技术的。关于数据从采集到分析到呈现模型是一样的，大家看谁的模型都是这样，但是现在看就是差异在哪里？就是学科差异造成的教学法、教学框架、教学方式这些方面的差异。再有一个就是老师关注的点。  第二个就是我们现在需要关注更多的领域。因为学习分析当时是源于教育数据挖掘，还有学术分析。但是今天我们来看我们还要关注神经科学、机器学习、人工智能，我觉得尚老师非常的用心在组织今天的这个论坛，今天看有心理学的，有计算机的到刚才我们教育的脑科学再到我们教育技术，我觉得顺序刚刚好。从我们这个领域来讲我们应该关注更多其他学者的研究，我觉得收获非常大。  还有一个就是西门子强调现在各种各样的数据都可以收集到，不仅仅是在线学习。  现在数据收集渠道很多，那么收集渠道很多的时候就是我们要注意值得研究的问题上。第一个就是多种来源，前面有多领域专家的铺垫，就很好理解了。我们今天学习分析怎么样能采集到数据？当然我们看到了现在主要障碍在哪里？就是在教学的一线，我们应该很容易拿到，而不应该借助各种各样的设备。学生身上都带一些东西的话，非常难，你做实验可以，但是大规模的可能会有问题。  这个是把原来George Siemens的模型做了一个拓展，我就不详细说了，除了他刚才讲到的数据源外，下面还有一些就是如何在教育机构里面去推广实施，他所遇到的一些政策的伦理的一些影响，我就不展开说了。  还有一个就是我们现在的学习，尤其在线上的学习，把它碎片化了。那么碎片化之后，我们怎么把它再次组合起来呢？因为你现在要分析它每个点的时候，这个时候数据好采集，采集完之后每一个点加起来就是对整体的理解吗？可能会有问题。再一个就是发展机遇能力的课程，目前还是基于知识的。  他举了个例子，有一些大的问题，比如说我们的星球是孤独的吗？这个课程的名字是这样，那么我们从生物学的、化学的、物理学的、教育学的角度怎么构筑这样的课程，这是一个综合性的课程。  再一个就是说研究范式了，乔治西门子原来在加拿大阿萨巴萨卡现在聘到了德州大学阿灵顿分校，他建立了一个国际的联合的松散的团队，我们教育技术所也加入他这个研究。所以说目前来看现在因为网络很发达，怎么能够让全球的相关的学者在一起研究共同关心的问题。 那么我觉得第一个挑战就是，目前来看我们现在人才还是比较紧缺。 再一个是我们关注的应该是一个真正的问题，而不是在方法层面来回去说这些方法本身它如何去做？ 对实践的影响是我们需要做完之后要有检测，如果说我们做了大量的东西在教学一线都没有，或者应用的效果不知道的话，这个很难往下再走。 这是他举的一个他怎样做的例子。跟一线的院校跟决策者怎么结合起来做？我今天为什么说到他的例子呢，因为我们这个团队和他研究有大量的共识，我们也是这么想的。 另外一个就是快速的反馈给老师或者学生，这也是个挺大的问题。 再一个如何整合多源数据，刚才讲数据源很多，怎么整合起来形成一个有意义的，而且让师生能很容易理解的符合他思维习惯的这样一个模式。 再一个就是我们基于学习分析之后，我们以往的教学平台怎么能形成自适应的这样一些特征？ 还有一个是刚才讲到的真要应用的话，可能有技术上的问题，人力上的问题。 那么还有一个就是评估，在实施过程中存在的一些挑战，其他学科的专家也应该考虑这个问题，我们把它计算好之后，翻过头来我们所说的是不是我们学习的问题或者教育的问题。 伦理和道德，在国外强调的更多，我觉得在中国其实也应该强调一下，关于研究小孩的时候。 我们的团队大概就是这样，这个研究是基于网络教学平台的，有研究背景、框架、探索3个方面。 因为我们从1999年开始，清华教育在线就开始在普通的本科院校用，后来拓展到高职、中职，现在我们大概有500多个院校在用，150多万门活动课程，1200万师生。就是因为有了这些实施实践的基础，这里面的数据很多，如何对这些数据进行处理，如何能够为教育一线的老师和学生产生影响，最后关键的关注点在哪里？ 关键的关注点实际上你要在平台当中能形成一些工具，这是很方便的。用手机也好，用电脑也好，如果能形成把这些东西研究成果能嵌入这里面，这个意义就比较大了。 这实际上是我们所说的模型，都是一样的过程，采集，分析，呈现，应用。只不过我们把这一套系统跟我们的网络教学平台结合起来。 那么结合起来之后，有了这个数据，采集分析完了之后，直接被我教学模块调用，呈现给师生。当然也可以拿出来，拿出来后我们做研究。后面我们的一些案例就是这样。 第一个案例就是我们刚才讲到的通用数据分析工具的问题。怎么形成联合老师的教学工具，那么这个主要是给老师管理者很容易嵌入其中。 在这个过程当中，我们可以看到它可以分析很多的东西，但我个人目前讲分析的还是比较浅层次的，除了描述性信息之后，比如说他的参与度每次在线的时长和每次学生阅读材料次数，两个简单的维度上来看，气泡越大的地方那应该是学生越多的地方。从这两个维度来看，给老师来看，他的材料弄了这么多时间，学生真正进入的参与度还是很低的，可以给出这样一个东西。 另外就是说你可以分析一下，参与讨论的学生，记笔记的学生，向老师提问的学生，他们平台登录的次数的情况。这是非常简单的，但是你弄成这样一个东西它好用，能够迅速的化为分析。 但是实际上数据有很多的误区，比如说这是一门课程，那么大家看这3个学生其实是对材料的点击次数都是最高的，而且远高于其他同学。但是这3个同学是不是就是一个形态？很难说。因为数据它只能说明一个现象，当然我们后来分析就是说从课堂观察，跟老师分析来讲，这两个学生是完全不一样的，这个是学习能力比较弱，但是其实他很勤奋，这个学生其实反应非常快，进去后他想学习更多的东西，所以这个东西我觉得数据很难把我们问题说清楚。 再有一个大家可以看到在做研究性学习的时候，word的喜欢度要比video的喜欢度要高。难道我们就可以说文字性的东西好于视频吗？好像不符合我们的常识。所以我想说的是，在特定的教育情境当中它很多东西表现是不一样的，所以，由此可以看得出来我们教育的复杂程度非常之高，一旦不去加以教育情境的限制的话，我们把一些东西原则抽象化之后是没有用的，这是我的结论。 第二个是关于我们技术系统不仅有学习平台，还有那种管理的，教务管理的，也是做这样的设计。 这是在北京的一个本科院校做的。分析了大概12年的数据，12年的数据分析下来，可以看到在学院和学校两个层面上，4年必修课的总成绩总学分和高考成绩呈正相关。大一大二大三都是这样，这是一个分析。 另外一个就是男生和女生的问题，不仅仅是文科院系，工科院系女生的表现也比男生好。 那我想就这个东西，它只是个呈现，到底什么原因不知道。我们可以分析、猜测，比如说你这种题目只是考试型，记忆型，男生的优势发挥不出来。 目前我们教学的哪个环节可能出了问题不知道，但是你可以给他呈现出来，这是管理部门特别想知道的，包括西部的管理部门。 第三个就是说我们把那些数据拿出来之后，我们作为研究者，比如说我们这个拿了一个大学一个学期的数据，大概涉及到1480门课，是线上的，是700多个老师和两万多学生之间的行为之间关系。比如说备课是不是影响到他的学生的在线的阅读行为，他在线的指导是不是也有他的反馈。这个我讲的就是常识问题。老师都不可能到线上去，学生怎么到线上去。所以在线MOOC的通过率为什么只有6%-7%呢。 当你一旦把老师的角色撤销之后，学生自主学习的能力和他情绪的自我控制能力，这两个能力根本不可能实现。今天我很高兴听到了进一步在脑科学的一个层面，他们研究的证据好像也指向这个，我们只不过简单的一个数据分析。 我们还发现一个问题，只从那些平台上行为的客观的记录、点击次数、发帖子的情况等，好像也不能说明问题。后来我们又做了一个研究，就是又还原到我们原来从教育心理学的主观测量角度来讲，我们测量一下，我们挖掘一下，看从测量的角度能不能分析出来学生学习和老师教学之间的关系。 那么这个做了一个实验，大概用16年秋季学期的做的第一轮，六门课600多个学生。 到了第二轮以后，紧接着这个学期，八门课，然后一堆学生在做。 结论是什么？这个维度我们叫学生学习投入水平。什么叫学生学习投入水平呢？通过文献分析以往的学习心理学的专家们就归纳了6个维度，说你要描述学习投入你从这六方面描述就可以了。我们今天就分析到这，我们没往下再分析脑科学的东西，我觉得今天启发很大，我们今后可以关联一下。比如说主动学习，它测量主动学习的能力，他跟老师交互的能力，小组协作学习策略的能力、自我管理的能力，情感投入的能力。那么这些能力上大家可以看到黄颜色的是第二轮测，第二轮测基本上在各个指标上都有一些进展。当然有一些是显著性的进展。 什么原因造成的？我们回朔一下，是什么原因造成的？其实我们后来发现，我们最近老师的这两轮的教学正在进行改进，那么教师从哪些方面改进？ 我们还是用这个图。我们也是通过分析发现，说老师你的教学可能会体现在哪里？一个是设计组织教学，比如线上的部分和线下要设计好，精心组织，这是符合我们常识的。其实我们觉得线下的直接指导很关键，所以我们为什么现在各地去倡导，尤其在面向我们自己校内学生要实施混合式教学，混合教学就是这个原因。你缺乏了面对面的直接指导，会有问题。那么你的教学能不能促进学生的参与，你是不是很好的做一些反馈，即时性的、动态性的、个性化的反馈。提供相应的资源以及给予情感支持，都会影响到学习投入水平。 大家可以看到也都有变化，但是其中有一些指标像这两个的反馈和促进参与这两个在两轮，在第二轮有了巨大的改善，我们给老师一说以后老师就调整，调整方案以后，在第二轮呈现出的就比第一轮好。所以我们看到学生在第二轮的投入水平上有变化。 还有一个信息值得我们关注，我们在两轮做完之后做一个聚类，还是刚才那六维度上，把学生分类，大体上可以分成四类，这四类也符合我们常识性。第一类是表现比较好的，就是班里面都我们所有人实验都可以看到，本科的，高职的，中职都是这样，在一个班里面大概有1/3的学生各方面都可以，这就是我们所说的好学生。还有是1/3或者是弱一点的学生方方面面都比较弱，这大家能基本上能够判断出来，中间还有1/3。但是中间1/3我们把它分两组就判断不出来，这是数据我们做分析的。 他又有什么特点？大家看到红的我们叫独立学，就是这类孩子不愿与人交流协作，但是另外一种他是喜欢的，但是他主动性又不强，所以我觉得把这样分类之后，是不是会给今后的老师你要在3周教学、4周教学之后做一个分析，然后我们把孩子分成4类，给予不同的教学支持，给不同的内容以及给不同的标准，学习标准或者学习目标。所以我们刚才讲到的就是大家都讲的因材施教的问题。虽然达不到个性化这个很难的目标，但是我们分组是不是会好一些。 关于分组我们刚才看到的情况，是说它有效而且我现在可以做到。我把这个东西做好了，如果说我们做的不错的话，我们可以做把这个工具就放到平台里面，老师想测的时候测一下，比如60个孩子也好，20个孩子，你测完之后能不能分一下，然后分类。所以我们原来有很多的教育的假设是有问题的，比如说我们不让一个孩子掉队，所有的孩子恨不得都让他得一百分，在我的课上，这很难。我也是老师，很多在座的都是老师，包括我教我们教育学院的研究生，每个人都有很多诉求，不一定就对你的课程有那么大的期望值。我们允许不同的学生在一个课程上的表现是不一样的，只要他达到了一个基准线，你给他通过是没有问题的。所以不能去苛求说我们的学生怎么样？ 所以在这种心理思想指导之下我觉得这种分组就可以人性化的给这些学生来缓解一些压力。然后给他们适当措施。现在我不知道咱们统计过没有，我们在省内的大学，大一大二的学生，每个学期的课程量达到十门。大家想一想十门是什么概念？我们在美国看到的大概4-5门。他怎么能够应对的了，那不就是听一听就完事了吗。从这个分析当中我们可以看到很多。 因为我好像时间也差不多，留一点时间跟大家讨论一下，我总结就是希望把我们的客观的行为跟平台上的和突然间我们发现原来传统教育当中问卷和量表是有用的，现在一说好像大数据把我问的那个教育学的传统的方法给丢掉了，我觉得应该结合起来，各有各的优势。不敢说新的出来就把人家旧的否定了。 |
|
|
