过去的几十年里，各领域都出现了大规模的数据增长，如：最近快速发展起来的大规模开放在线课程MOOC(Massive Open Online Classes)，数以万计学习群体的学习数据都将被实时互动的MOOC教学模式平台及时记录，产生各种结构化、非结构化和半结构化等数据类型，如何将巨大的数据资源转换为有用的知识与信息资源?这是当下亟待解决的问题，也是教育工作者、管理者和学习者们所关注的话题，学习分析技术是测量、收集、分析和报告有关学生及其学习环境的数据，用以理解和优化学习及其产生环境的技术，运用相应的学习分析技术对学习者的基本信息数据和学习数据进行分析可以更深入、具体地了解教师的学习行为，找出影响培训效果的因素，从而有效地监控、预测学习者的学习过程，给予学员以恰当的学习指导，提升培训效果。为进一步分析中国大学MOOC课程的学习情况，本研究旨在作为中国大学MOOC课程的学习者和研究者对如何把学习分析技术更好地应用到MOOC当中，进行探究。

　　1.学习分析

　　最早的学习分析定义源于EDUCAUSE的“下一代学习挑战”，其中将学习分析定义为“使用数据和模型预测学生收获和行为，具备处理这些信息的能力”。很多学者也给出了不同的见解，加拿大阿塞巴斯卡大学的G. Siemens 教授于2012年对相关定义进一步提炼之后提出：认为学习分析是“关于学习者以及他们的学习环境的数据测量、收集、分析和汇总呈现，目的是理解和优化学习以及学习情境”，刘清堂教授认为“学习分析”(Learning Analytics)指大范围收集学生的学习数据并加以分析，从而评价学生的学习进度，预测其未来的学习表现，并查找潜在问题。著名的《地平线报告》在2012版中将学习分析定义为：通过收集学生的大量数据进行分析，从而对其学习表现进行评价和预测，并发现潜在的问题。本研究认为学习分析由数据整理、信息加工、知识转换、智慧调整四部分构成，如图1所示。

图1  学习分析概念图示

　　(1)数据整理：包括声音、图片、文字、邮件等各种结构化、非结构化和半结构化数据，乃至多媒体数据，并对数据进行筛选、搜集等。

　　(2)信息加工：通过各种技术、算法、教学理论等各种技术手段过滤、处理、加工和分析数据，表现为数据之间的联系。

　　(3)知识转换：提取有意义有价值的数据，转换为有用的知识和信息资源，强调数据转换知识。

　　(4)智慧调整：富有洞察力、综合分析能力，在了解各方面信息后，能够预测学习规律和学习行为的发生并采取行动进行干预。

　　可见，学习分析技术针对海量数据的搜集整理，采用不同的技术手段、分析方法、教学理论以可视化的方式解读数据，提取有价值的数据，从而发现学习规律，为其学习行为，教学模式，课程设计等方面提供及时反馈，促进有效学习。

　　2.学习分析系统的构成

　　学习分析系统集成了信息技术与教育信息化的深度融合，它实质上是一种数据化、支持各种技术、算法服务的信息系统，与大数据平台结合并使之转化为有价值信息的系统。通常比较完善的学习分析系统由信息库、在线支持服务系统、交互式测试系统、软件与校对工具、预测和干预引擎、监测系统等部分构成，并集成在统一的用户平台，如图2所示。学习分析系统的各个子系统具有不同的支持服务。

图2 学习分析系统的构成

　　(1)信息库：提供学习者的所有数据与信息，以便于搜索与获得。

　　(2)在线学习支持服务系统：提供在线学习平台，高等教育相关课程，使用技能课程等的学习计划、题库、技能图谱等功能。

　　(3)交互式测试系统：提供自我控制、结构化及互动的学习方式，帮助学习者完成学习任务所需的知识和技能。

　　(4)软件与校对工具：帮助学习者完成特定任务，并进行校对，提供所需工具支持。

　　(5)监测系统：跟踪学习者观看视频、作业和讨论等学习行为表现，评价学习者的学习绩效。

　　(6)干预引擎：进行学习者进程追踪和自动化以及人工干预。

　　(7)预测引擎：综合来自学生信息的统计学数据和学生信息库的学习行为数据，跟踪学习者的学习进展情况，预测未来学习者的学习状况。

　　1.“中国大学MOOC”的发展现状

　　面对世界范围内MOOC的急速发展，我国高校继2012年与edX、Coursera和Udacity签约合作后投入了大量人力物力于中国大学MOOC建设中，希望能树立起自己的民族资源品牌。2014年4月由重庆大学组织成立的“WEMOOC东西部高校课程共享联盟”成为中国最大的MOOC式在线互动学堂;上海教委发起建设的大型在线教学服务平台“上海高校课程中心”已经在发展中国本土化的MOOC方面有一些前期实践积累。2014年5月8日，网易云课堂承接教育部国家精品开放课程任务，与“爱课程网”合作推出的“中国大学MOOC”项目正式上线。首批上线来自16所“985工程”高校的56门课程，截止8月份已有100门(包括已开课程和待开课程)课程，涵盖北大、浙大、中科大、复旦大学等20所知名高等学府，课程的讲师为各个领域内的顶级名师，“中国大学MOOC”将根据成绩，把证书分为合格和优秀两类。

　　2.中国大学MOOC的一般教学模式

　　中国大学MOOC的课程分为七大模块：评分标准、教学安排、课件、测验与作业、考试、讨论区、分享，如图3所示，不同的课程有不同的评分标准和教学安排，每门课程相关的课件、测验、作业与讨论是课程的主要模式包括：

　　(1)观看视频：课程会提供几段教学视频，每段视频都会讲解重要知识点和教学内容，学习者可以有选择性和目的性地观看。

　　(2)讲间练习促进知识内化：视频中增加一些小练习题，以单项和多项选择等形式，让学习者对视频所学内容进行消化并吸收。

　　(3)随堂交互：有些视频结束学习者可以在讨论区与教师、学习者随堂交互，讨论相关学习内容，发表自己的想法和理解。

　　(4)完成回顾性测验并提交作业：每周也安排了单元小测验，让学习者对本周所学重要内容进行回顾练习，在线提交以获得老师的批改反馈，也能让教师及时了解阶段教学的结果和学生学习的进展情况、存在的问题等，以便及时反馈、及时调整和改进教学工作。

　　(5)讨论区：中国大学MOOC大部分课程每周都会提供学习者讨论的话题，让学习者在讨论区讨论，学习者也可自主的在老师答疑区、课堂交流区、综合讨论区和老师同学之间进行交流，或者可以自发形成讨论组私底下再度学习探讨，讨论在有的课程中会作为课程计分的一部分。

　　(6)中期测验：在课程结束时，会有针对课程内容、讨论话题、提交作业等结业考试。

图3  中国大学MOOC的一般教学模式

　　3.基于中国大学MOOC的学习分析系统应用的框架设计

　　图4描述了在中国大学MOOC教学过程中，教学者、管理者和系统通过学习分析技术对学习者进行实施干预，首先学习者需要在网易云课堂上申请注册，选择参与课程进行学习，体验预先设计好的课件，完成测验与作业，在讨论区和教师、学生相互讨论问题，在此过程中系统会通过一种“反馈学习”的机制，利用自己产生的数据判断自身算法和参数选择的有效性，并实时进行调整，持续改进自身的表现。另一方面对于MOOC学习者产生的学习行为数据，都将即时地以网页点击流方式记录下来，存储在学习者用户数据库。

　　学习分析系统对学习者在中国大学MOOC课程的学习数据研究常用方法：

　　(1)社会网络分析

　　社会网络分析(social network analysis),是由社会学家依据数学方法、图论等研究出来的一种定量分析方法,对网络学习过程进行系统的分析,强调信息的分布和个别学习进展，需要使用很多相关的工具和方法。例如可以用Mzinga工具来分析学习者在这门课程学习中的参与程度，影响学习者个性化学习过程的情景因素;可以用Gephi工具可视化处理各种数据，判断学习者在哪方面有学习认知的困难。

　　(2)文本分析

　　文本是最常见的存储信息形式，如电子邮件、教学文件到网站页面等.文本分析是从各种格式结构的文本中提取有用的信息和知识的过程。例如：在中国大学MOOC中的测验和考试环节主要用于处理如何寻找给定问题的最佳答案，它涉及问题分析、答案检索和提取、回答演示方面的不同分析。

　　(3)内容分析

　　内容分析(Content Analysis),是指对于明显的传播内容进行客观而有系统地量化并加以描述的一种研究方法。它通过特征分析、发展分析和比较分析对某一对象在不同问题、不同时期和不同样本资料等情况下进行内容分析，判定对象的特征、发展趋势及与其他对象之间的异同。ROST content mining工具,是一个大型的内容分析工具平台，对学习内容、成绩考核、作业完成情况等量化处理生成可视化的分析结果,研究学生的思想、意图和动机，预测学生的行为动态。

图4  基于中国大学MOOC的学习分析系统框架

　　教学者和管理人员根据学习分析系统对学生学习行为数据的分析情况，预测和干预学习者的学习表现及下一步所需要的教学内容和形式，同时做出有效调整，以不断达到理想中的结果，使教学、学习效果更优化，从而实现因材施教。例如：适应性学习系统就是建立在对学习行为的数据采集和分析基础上，及时向教师反馈学习者的学习效果，并向学习者推荐下一步的学习策略(包括学习内容的难度、学习环节的形式和顺序等)。在这个过程中，学生通过自我组织、制订并执行学习计划，从而控制整个学习过程。

图5  拉斯维尔模型与传播研究领域

　　本研究以哈罗德·拉斯维尔传播模型所揭示的教育技术研究五个方面的重要研究领域，如图5所示为主要依据，针对图4的中国大学MOOC，从应用项目、研究问题和所需分析的数据三方面列出学习分析技术在这重要研究领域的应用设计，如表所示。

　　随着中国MOOC本土化的快速发展，海量数据的产生、挖掘、统计和分析也成为新的挑战和机遇，学习分析技术以学习数据为分析对象综合运用各种相应的分析工具，建立数据结构与知识信息的联系。

　　(1)在MOOC这种动态、开放、大规模的学习环境中，学习分析技术很好的观察反映出学生在学习内容、发现问题、解决问题的过程性结果，学习者需要依据结果对自身的学习质量做出评判和校正，实现教学中的知行统一。

　　(2)学习分析技术通过统计处理的方式对学习数据进行量化分析，全面、客观、准确地描述教学现象和规律，深入挖掘隐藏在复杂的数据后面的知识，使对中国大学MOOC学习过程的研究结果更为真实、系统、科学，从而提高研究结果的水平。

　　(3)基于中国大学MOOC的学习，教师只能通过各种类别的数据来判断学生的掌握程度，学习分析技术的应用可以促使教师利用图形和可视化工具解析复杂的、海量的数据，同时教师也可以诊断自己的教学效果，如美国加州大学开发了QSP(the Quality School Portfolio)，目的是促进教师对学生绩效的可视化分析能力。

　　由此，如美国圣地亚哥州立大学副校长依山·辛格 (Ethan Signer)校长在一次访谈中所说：“‘数字排放’(Digital Exhaust)中有成千上万名学生留下了他们参与MOOC的学习数据，这是我们进行大数据分析并设计有效教学的宝贵资料。”学习分析技术在MOOC领域的应用潜力是有待更深地挖掘，大部分学者对学习分析的研究集中在表述现象，而对学习分析应用的研究相对较少，就目前中国大学MOOC的本土化发展现状来说，学习分析技术的应用是极具研究价值的。