基于大数据的学习分析仪表盘研究

本文由《中国电化教育》杂志授权发布

作者：姜强、赵蔚、李勇帆、李松

摘要

大数据时代运用学习分析技术挖掘教育数据背后的知识，优化学习过程成为教育者的共同诉求。学习分析仪表盘实现了知识生成与教育数据挖掘结果可视化，能够支持学生自我认知、自我评价、自我激励和社会意识及未来智慧学习环境。该文采用文献分析法对国内外学习分析仪表盘发展现状进行了梳理，综述了10个学习分析仪表盘案例并分析其特性，实现通过教育数据挖掘技术和可视化技术支持学生和教师。基于Few仪表盘设计原则和Kirkpatrick四层评价模型设计学习分析仪表盘概念框架，并从个人、他人及个人与班级等视角设计了学习分析仪表盘。最后，以美国匹兹堡大学PAWS中心研发的Mastery Grids自适应学习系统为例，采用实验研究法、问卷调查及访谈等方法对学习分析仪表盘进行主观、客观评价。研究结果表明尽管学习分析仪表盘对学习成绩促进作用不显著，但却从本质上提高了学习效率和动机，增强了学生对学习的认知度和对课程学习的满意度。

关键词：学习分析仪表盘；大数据；个性化；可视化

一、引言

伴随着移动互联网及大数据学习分析技术的发展，教育信息化生态环境逐渐变革为能够记录学习过程行为信息的智慧学习环境，通过大数据挖掘和学习分析促进教与学。大数据引领技术领域发展趋势，对大量结构化、非结构化及半结构化数据进行收集、挖掘和分析，进而做出趋势预测，不但能获取学习者的行为信息，还能预测学习者的行为和结果，并以容易理解的可视化方式呈现出来，为学习者提供了发现世界和制定决策的新方法[1]。如今，学习方式发生变化，教育方法变得更加灵活，已迈向差异化及个性化教学的道路，尤其伴随着MOOC的应用，学习者可以实现远程学习，但学习过程的分布式和灵活性带来了新的挑战，教师很难观察、控制和调整学习过程。成千上万名学习者同时在线学习，对于教师而言，难以考虑到每一个个体能力和学习偏好，同时由于学生投入精力有限，久而久之失去学习动机，相对传统课堂教学，便会出现高退学率现象。此外，“互联网+”教育孕育出了“数字土著”，他们更习惯独立思考和批判性思维，形成了个人中心行为习惯和意识，倡导学习过程中体验发现“真、善、美”。

学习分析仪表盘（Learning Analytics Dashboard，LAD）也可以理解为“量化自我”或“监测自我”“自我追踪”，作为大数据时代的一种新型学习支持工具应运而生[2]，在提供差异化及个性化教学上扮演一个相当重要的角色，以学生与学习情境为对象，以教育活动和学习分析过程中产生的海量交互数据（大数据）为基础，智慧地运用学习分析的潜在价值，实现对学习历程中行为、习惯、情绪（如通过视频、传感器等采集表情、姿势与手势数据信息）[3]、兴趣等加以评量、收集、分析和报告，洞悉学生的表现及学习进展，及时可视化呈现详细的学习反馈信息，以评估、预测学习活动，发现潜在问题，解决在线学习中缺少“人性交互”的问题，成为打开学习者学习过程“黑匣子”的钥匙，为教与学提供了有效的指引和激励，促进自我意识、自我反思、自我行为监控和学情追踪，培养和发展学生的高阶思维能力，进而优化和设计学习过程。总之，LAD实现了“大数据、学习分析、仪表盘”三者融为一体，将会是大数据教育革命中下一个演进方向，大数据是促进其发展的源动力，伴随着基于大数据分析生成的学生成长态势以及学生由知识消费者向知识创造者身份的转变，LAD引起了教育研究者们关注的核心和焦点，利于掌握学生的认知规律、找出学生错误行为背后的原因、学生个体差异识别，将成为未来教育研究中一个新的热点[4]。

二、学习分析仪表盘研究进展

马斯洛的需要层次理论强调自我价值实现是内在动机和外在动机共同作用的结果，其中内在动机更多需要考虑个体生理因素，外在动机需要环境刺激产生，LAD作为动机形成的诱因起着至关重要的作用。它持有不同角色和价值，首先，它能够帮助教师及时准确地了解学情，尤其处于在线学习环境中，师生相对时空分离，若采用LAD汇报学习活动，可为学生提供最合适的教学模式和最有效的教学方法及个性化的学习资源与建议；其次，学生通过LAD浏览学习状态和历史，有助于提高自我认知，并修改学习计划和行为，尤其是随着教育数据挖掘技术发展，LAD所呈现的信息能够产生更智能化的决策。例如，一个LAD能够确定学习处于危险的学生，或者预测高成绩者，同时向学生建议适合的反馈意见和指导策略。

国内外许多研究学者对LAD进行了相应的研究，勾勒其广泛的应用前景。其中加拿大学者 Leah P. Macfadyen等人基于LMS（Learning Management System）数据挖掘开发“早期预警系统”，通过系统中设计的仪表盘可视化数据信息可以快速识别处于“危险”的同学，从而给予及时的教学干预[5]；加拿大卡尔顿大学Kasia Muldner基于MathSpring数学智能系统，实验证明了内嵌入的学习仪表盘是一种元认知形式，通过可视化自我监控消减消极情绪状态（厌倦和缺乏学习激情），促进积极情感产生，同时证明了监控学习活动进展，能够提高学习内在动机[6]。美国斯坦福大学的Lytics实验室基于MOOCs平台，采用学习分析仪表盘评估人机交互信息，帮助教师监控学生学习过程，强化个性化教学，从而改善学习效果[7]。韩国学者Kunhee等人研究设计学习分析仪表盘，数据挖掘眼动系统产生数据（如凝视时间、点数、空间密度等），以可视化方式显示学生在线学习活动，实时监控，可以改变学习模式，提高学习成绩，支持智慧学习环境[8]；比利时学者Erik Duval等采用教育数据挖掘和信息可视化等技术跟踪分析移动学习环境（包括增强现实）的学习活动，以学习分析仪表盘方式呈现，促进自我学习分析、自我反思，对学习行为、习惯和想法进行再认识[9]；法国Christine Michel等人提出在基于项目的学习环境中，设计可定制动态仪表盘实现收集、分析及可视化学习活动轨迹，利于自主学习、自我监控、自我评判，促进元认知发展[10]。国内关于仪表盘研究主要集中在汽车研发方面，有必要将研究视角扩展到教育学领域，然而目前研究尚处于起步阶段，天津大学张振虹博士以可汗学院、Duolingo多国语学习平台等为例，阐述了学习分析仪表盘能够跟踪、记录学习行为、习惯、兴趣、情绪等数据信息，通过分析与可视化、个性化的显示学习进度、学习活动报告等，为学生、教师提供多层次的学习支持，帮助学习者实现自我反思、自我认知以及意义建构。

此外，近年来，已有LAD应用相继被开发（如表1所示）[11]，采用图形方式展示学生当前和历史学习信息，支持教师获得更好的课程活动概述（意识），反应他们的教学实践（反思），发现学习“危险”的学生（意会），改变学习行为（影响）。

在上页表1中总结了10个LAD特性，如服务对象、目标、跟踪数据（学习时间、社会交互、文档和工具、产生式资源、练习和测试）及可视化技术等。其中，服务对象有三种类型：教师、教师和学生、学生，不同类型决定了不同预期目标。通常为教师提供服务的LAD能够及时告知他们学生的学习状态，监控学生学习发展，帮助教师有效地执行角色，在班级管理、学习助长中提供反馈、评价。例如，LOCO-Analysis关注学习成绩的实时反馈信息[12]，Desire2Learn和Students Success System 通过分析学习成绩、文档和工具使用以及参与社会化学习程度高低等数据，辨别“危险”中的学生并进行跟踪干预，提供合适帮助[13]。SNAPP是强大的社会网络可视化工具，在可视化论坛中讨论参与者关系，能够显示学生在论坛中的交互信息，并以社会关系网图显示，确认中心点或隔离学生，从而知道哪些学生积极参与讨论，哪些学生消极、不参与，便可及时调整小组成员，使其异质，对处于“危险”中的学生给予有效干预。为学生提供服务的LAD（如Course Signal）能够采用教育数据挖掘和信息可视化方法跟踪学习活动，呈现学生学习行为模式、状态和交互，便于帮助学生修改学习策略，有助于阻止学生辍学，提高学习成绩，促进自我意识和反思。在LAD案例中，有6个（Desire2Learn、LOCO-Analyst、GLASS、SAM、StepUp!和Course Signal）跟踪学习时间；7个（Desire2Learn、LOCO-Analyst、Student Success System、SNAPP、StepUp!、Course Signal和Narcissus）跟踪社会交互，用于洞察、协作和检测出被孤立的学习者；文档和工具使用有9个（Desire2Learn、LOCO-Analyst、Student Success System、Student Inspector、GLASS、SAM、StepUp!、Course Signal和Narcissus）跟踪，用于获取学生努力指标，发现最受欢迎学习文档；有7个（LOCO-Analyst、SNAPP、Student Inspector、GLASS、SAM、StepUp!和Course Signal）从Blog或论坛帖子等数据中捕获产生式资源；有7个（LOCOAnalyst、Student Success System、Student Inspector、GLASS、SAM、StepUp! 和Course Signal）使用练习、测试等评价形式以获得学生成绩信息[14]。

信息可视化视图影响用户心理和行为，LAD利用图表、图形、指示器和预警机制将抽象、复杂信息转变为具体、简单的可见信息，在关系模式中，从大量、嘈杂、凌乱数据集中发现未知、隐含信息，有助于增强人类认知识别，提高学习绩效。通常，可视化技术与LAD中的信息特征相关。例如，关于学习活动的丰富信息可以采用直方图（柱状图）进行有效传递；每周学员登录趋势可以采用折线图表示。一些LAD（如LOCO-Analyst、GLASS）采用标签云可视化分析已掌握的学习知识点。散点图是一种有效可视化策略，用于分析显示个体与同伴信息比较，如Student Success System。作为SNAPP工具，呈现在线交流、学习网络，采用社会网络关系图显示包括节点（学生）和链接（交流、信息交换、论坛帖子回复情况等）。

总之， LAD会因为用户不同，目标也不同，实现教师监控学生和学习自我监控，LAD对教师和学生都有用；其次，LAD展现多种信息，从简单的原始数据，如登录信息（时间、登录次数等）、成绩效果（如练习、测试、作业成绩）、内容使用情况（下载文献、学习资料）以及热点内容显示（文档、帖子）到基于复杂算法的信息输出，依据数据挖掘分析的层次，从描述性到规范性，跟踪数据从正式、封闭扩展到非正式、开放的社会环境；然后，社会网络、“危险”学生预测和信息分析在一些实例中也被尝试，社会网络涉及社会交互，包括讨论行为、内容或信息交换，“危险”学生预测用于警示课程学习处于不及格危险的学生；最后，LAD采用可视化技术来更好地展现学习信息。

可见，已有LAD成果富有成效，然而，LAD发展还有待于进一步完善。其一，试图说明可视化信息和用户反应之间关系，有必要调查用户怎样理解可视化信息及其做出怎样反应；其二，强化反馈信息传递给学生，利用大数据学习分析技术研究学生怎样解读和响应反馈，以及影响学习策略和动机；其三，更多LAD仅仅采用问卷调查方式从有用性、易用性、感知性等方面进行主观评价，缺少调查自我监控学习影响、实验分析LAD对学习成绩的影响以及学习者对LAD的态度（问卷和访谈），有助于学习者行为改变或产生新理解。

三、LAD设计与分析

鉴于已有LAD案例研究和有待完善之处，研究基于Few仪表盘设计原则[15]和Kirkpatrick（柯氏）四层评价模型[16]设计出更有效的学习分析仪表盘，增强人类认知和知觉、视觉感知、情境感知，设计模型如下页图1所示[17]。

模型具有3部分：学习、预测和干预。其中，学习过程由6个部分组成，如学习者自我调节能力、学习心理（认知、动机、社交）、指导、在线学习行为（读、写、点击、下载、交互）、学习者特征（个人信息、知识、技能等）和课程类型，学习受学习者心理特征、自我调节能力和教学策略影响，能够通过学习行为观测，尤其通过记录在系统中的日志信息或调查信息；预测是指通过分析日志数据和测量数据预测学生学习成绩和划分行为干预等级，或聚类学习风格；最后，基于学习风格和预测模型，依据仪表盘为教师和学生提供行为干预、指导。

有效仪表盘设计应该基于理解的所见所想。由于人的有限工作记忆，LAD上的视觉信息块不能过多（通常4或5个），便于有效感知和记忆存储。同时，为了快速感知，要善于利用不同颜色、形状、动作等做标注。此外，根据格式塔（Gestalt）组织原则，LAD设计元素也应考虑邻近原则、相似原则、封闭的原则、连续性原则等。通常，基于xAPI规范采用聚类、挖掘、社会网络分析、可视化等大数据应用技术或方法从学习过程行为中采集各种类型的结构化、半结构化和非结构化的具有大数据特征的数据集，如表2所示。

通过数据来研究学习规律、发现规律，贯穿了人类社会发展的始终，实现个性化教育，有利于关注每一个个体的微观表现。我们从3个角度设计与分析LAD：个人、同伴、个体与班级。

（一）个人LAD

采用图示和文本方式展示学生个性化学习进展和取得成绩报告，比如：已解决问题、策略、知识获取等（如图2所示），能够支持认知或元认知行为，促进学习和自我反思。此外，LAD能够降低个人消极情感（兴趣），有助于自组织学习，避免在学习过程中迷失。

其中，学习进展显示了评价学生问题解决成就，主要依据学习行为（寻求帮助、不正确答案、学习时间等）开展。为了可视化学习进展，使用盆栽植物进行暗喻，比如当知识点已掌握，将显示丰盛的果实，当系统检测出学生缺乏努力时，植物便显得枯萎；学习绩效是根据贝叶斯知识追踪（Bayesian Knowledge Tracing，BKT），基于学生的学习历史数据来测量学生掌握知识点的程度；系统将根据学生学习整体性能和最近行为，提供个性化定制反馈，比如“最后一个问题很难， 恭喜您答对了，是否就像这样尝试继续练习其它问题？”。 再比如当系统检测到学习者用在阅读学习内容上的时间过少时，便提示“你看起来没有认真阅读学习内容，是否知道有个‘跟着读’按钮呢？”；行为导航为学习者提供了多个选项模式，比如复习（重新学习）、继续学习，同时，系统根据学习者的能力及掌握程度来适应性推荐挑战高难问题或者学习新知识点。

（二）同伴LAD

美国社会心理学家利昂·费斯廷格（Leon Festinger）在提出的社会比较理论中指出学生有必要查看同伴信息（如下页图3所示[18]），通过比较他人学习信息，能够看到差异，进步或不足，利于自我评价，自我提高自信心，自我完善[19]。

（三）个体与班级均值比较的LAD

将个人每周的学习成绩（如考试、测试和任务分数）与班级总体均值进行比较（如图4所示[20]），学习者能够清晰地看到自己在整个班级学习所处位置，信息比较客观、精确，从而定位自身存在不足，便于下一步的学习，利于自我改进，提高学习成绩、学习动机及高阶思维能力。

四、LAD有效性评价实证分析

（一）实验分析：LAD对学习成绩影响

笔者在美国匹兹堡大学留学期间，加入了国际著名自适应学习研究专家Peter Brusilovsky教授研究团队PAWS（Personalized Adaptive Web System）中学习，本文选用团队研发个性化自适应学习系统——Mastery Grids，内嵌LAD，具有开放性、可视化等特点，如图5所示[21]。

样本选择2014年秋季（9月到12月，16周）“SQL语言”课程学习班成员，合计53名大学生参与实验，其中，随机选取27人作为实验组，推荐使用LAD，为了防止出现数据“冷开始”现象，将在6周后打开LAD，供学生随意访问和使用；剩余26人为控制组，不使用LAD。期间，系统将记录时间戳、学生名字、学习行为、学习内容（问题及成绩、实例），及访问LAD频率、浏览同伴信息次数等。

表3显示了比较班级A（学习能力弱）和班级B（学习能力强）两个班级的实验组与控制组的学生期末考试学习结果分数均值。尽管每个班级中的实验组成绩（班级A：均值=53.76，班级B：均值=81.02）要高于控制组成绩（班级A：均值=52.01，班级B：均值=80.66），但T检验结果显示统计学意义上二者没有显著差异（班级A：t=0.23，p>0.05，班级B：t=0.17，p>0.05）。因此，实验研究结果表明LAD对学生的学习成绩影响不显著。此外，仍能发现LAD对班级A的影响要强于班级B，可见LAD对成绩弱一些的学生作用效果更好。

（二）调查1：基于LAD的自我监控学习

自我监控属于高层次学习策略，可以监督学习进程，促使学生反思及激发和保持良好的学习情绪状态、动机水平和注意，有效解决“要我学”变为“我要学”问题。根据美国著名心理学家斯腾尔伯格（R. J. Sternberg）提出自我监控策略和班杜拉提出的社会认知理论，从学习活动前、中、后三个方面的计划、准备、意识、方法、执行、反馈、补救和总结等八个维度，设计了基于LAD自控学习调查问卷[22]，统计结果如表4所示。

问卷设计是基于学习过程的视角，其中，计划和准备是基于LAD自我监控学习之前的具体表现，意识、方法、执行是基于LAD自我监控学习中的具体表现，而反馈、补救、总结则是基于LAD自我监控学习完成后的具体表现。从总体统计分析看，多数学生愿意采用LAD进行自我学习监控，尤其在维度8中，能够看出学生除了关注自身学习结果外，对同伴学习情况也非常感兴趣，通过比较他人学习信息，利于激发学习动力，完善自我。总之，LAD成为培养自我监控学习能力有效途径，利于提高学习知识和解决问题的效率，实现自我监察、自我指导和自我强化。

（三）调查2：学生对LAD信息显示效果评

价有必要评价LAD效能，尤其在教学设计领域，一个教育系统需要通过评价进行持续改进，调查关于LAD信息显示的一致性、感知有用性、理解程度以及观点和建议。依据麦肯锡公司巴巴拉·明托提出的MECE分析法（Mutually Exclusive Collectively Exhaustive）确定调查问卷问题，合计25个，其中21个问题采用李克特五分量表法，4个是开放式问题，如表5所示。

27人中有20人完成了问卷，调查结果如表6所示，显示学生对LAD的理解程度值最高（均值=4.20，标准差=0.94），其中最易理解是登录频次和观看学习进程，其次是登录时间，观看仪表盘次数和时间具有相同均值，最低理解程度是登录规律和在线学习活动；相对较低是有用性（均值=3.32，标准差=0.90），其中认为最有用的项是观看知识点学习进展，其次是观看仪表盘次数、在线学习活动、观看仪表盘时间、登录频次、登录时间和登录规律；处于中间层次是一致性（均值=3.79，标准差=0.82），其中登录时间（均值=3.47，标准差=0.93）在一致性方面是最低层次，有很多学生表示仪表盘中显示的登录时间和登录频次与他们认为的不一样。

此外，在4个开放式问题中，多数学生对LAD给出了积极肯定的观点[23]。

问题1：关于学习分析仪表盘的反馈信息影响自我反思。自主学习的自我反思阶段，包括认知判断、情感反应、行为选择、任务和情境评价。当反思LAD中的反馈信息时，其中一个学生描述了认知评价和行为选择，“我不能很好阅读和记忆仪表盘上面的信息，如果有教师直接告诉我，效果或许将会更好”。但是，多数学生表示能够看懂LAD中的反馈数据，表示LAD中的反馈数据比较客观，能精确地反映出学习努力程度和学习成绩。

问题2：关于学习分析仪表盘影响学习动机。大多数学习者表示观看学习分析仪表盘上的反馈信息，利于提高学习动机。共同心声是“我将明确更加努力”“它将使我想做更多”，或者有助于认识进步，比如“它将提高动机，能使我看到我在哪里，取得成绩在班级中所处于位置，我知道应该怎样走下一步”。当然，出现个别优秀学生（成绩位于班级平均成绩之上）表示学习分析仪表盘不能影响他们的学习动机。

问题3：关于学习分析仪表盘影响学习绩效和参与度。通过学习分析仪表盘，能够清晰的看到自己已达到的知识水平及在班级中所处的位置，比如一个学生所讲，“我注意到我的成绩位于班级均值之下，我需要努力赶上”，另一名学生也表示“跟班级均值相比较很有用”。然而，对于个别学生来说，与同伴学习数据进行比较，可能会阻碍学习进步，比如当看到自己的成绩比班级均值稍微高点的时候，会感到非常满意，从而放弃了向获得最高成绩目标而努力。

问题4：关于学习分析仪表盘可视化评价信息。多数学生表示喜欢可视化方式呈现反馈信息。其中某个学生就明确表示喜欢图表形式看到所有评价、在线学习活动信息，同时指出“如果仅仅采用数字标注方式显示与班级均值比较信息，我将不能很清晰地看出区别”。

五、LAD的潜在价值与挑战

LAD所呈现的学习行为信息，能够随时了解学生行为表现，给予所有学生关注，尤其是班级中容易被忽视的学生，实现了一种基于数据证据的教学思维和“以学生为中心”的教学方式；LAD能够促进不同个体特征的学生参与，以量化的方式与学生进行对话，进而实施学习行为上的改进；帮助教师监控学习行为而非学业成绩，聚焦更为全面的健康成长；LAD能够提升学生注意力，促进学习自主成长[24]。诚然，LAD还具有重要的潜在价值，同时也面临着巨大的挑战。

（一）潜在价值：元学习能力培养

“学习学习”中的前一个“学习”即为元学习，既包括对学生自身的监控与评价，又包括对学习策略的创设与判定，还包括对学习心理的调整与优化，实现对学习过程的调节、控制、监督和自我反省[25]。LAD实现个体学习行为和结果信息的可视化呈现，恰好可以满足元学习需求，强化对自己学习状态的认知，已学了哪些知识，掌握熟练程度如何，还有哪些有待进一步学习以及采用最恰当的学习策略是什么等，能够监视现在、计划未来并有效调节学习过程，利于学习者对自我反省或自我意识，增强内在学习动机和自我价值观、知识价值观，推动元学习的能力培养与发展，进而提高学习效率，改善学习质量，完成个性的发展与人格的完善。

（二）挑战：信任与道德危机

心理学中信任关注个人品质，被处理为个体信仰和期待，而社会学中的信任被看做是相互关系。在人机交互系统中，一个关键问题是用户对系统行为、决策或推荐具有充分信任，信任级别由用户决定，进而决定是否采纳系统的建议。对于LAD而言，信任可从数据呈现复杂性（采用概念图、树状图等方式显示）、控制性（可编辑，修改属性，调整知识掌握等级）和开放性（同伴、教师均能看到）等方面考虑。

首先，LAD数据信息的呈现扮演着重要角色，由于不同学习者对信息呈现模式偏好不同，LAD有必要提供自定义样式显示功能，满足学生偏好风格。同时，要考虑到多数学生习惯于接受简单反馈信息，所以，LAD数据呈现不能太过复杂，否则会因为难以理解而对LAD失去信任；其次，若出现LAD呈现信息与自己所想的有分歧时，可能会因为过度自信而降低对LAD的信任，此时要求LAD具有一定控制权，允许学习者自我控制，鼓励学习独立性，能够编辑或修改LAD某些属性值，前提是需要回答一些额外跟主题相关的问题，试图说服系统做出更改。当然，这种做法也存在潜在风险，例如，学习者在自我评价中可能出现低估或高估自身知识能力，向LAD提供不正确的信息，导致LAD的有效性将会受到干扰，进而也会影响到后续连锁反应，产生学习不适应性问题，而弱化对LAD的信任；最后，开放、分享LAD，并能看到同伴LAD信息，进行比较，清晰看到自己在班级学习成绩中所处的位置，数据比较客观，能够使学习者产生信任。

LAD做出了学习预测、推荐和个性化干预，有效增加个人教育历史数据的透明性，同时也将会带来一系列的社会伦理道德问题（包括隐私、人文关怀等），必须注意规避相应的政策和法律规定[26][27]。比如个别学生会因一些学习行为信息暴露对教师或同伴而感到不满，为了解决伦理道德问题，学习者应有权控制LAD，实现哪些数据信息可以分享，哪些不可以。国务院常务会议通过了《关于促进大数据发展的行动纲要》[28]，强调数据开放、数据共享，同时也强调了保护隐私的问题，此纲要将会极大地推动LAD持续化发展。此外，德国著名的脑科学家、精神科医师、哈佛大学客座教授曼弗雷德·施皮茨尔在其著作《数字痴呆化》中，提出数字化社会将会扼杀我们的脑力[29]，如何避免孩子的发育受到“互联网+”时代大数据信息的影响，也将是一个极大的研究挑战。

六、结论

在大数据时代背景下，学习分析仪表盘更加关注个人的学习发展，与倡导的“个性化学习”“因材施教”等理念不谋而合，符合教育的本真形态，将具有广阔而深远的在线教育应用前景。本文基于Few仪表盘设计原则和Kirkpatrick四层评价模型设计了LAD模型，并从个人、同伴、个体与班级等3个角度进行设计与分析LAD。然后，通过采用实验分析、问卷调查等研究方法评价分析LAD。研究结果表明，LAD尽管对学习成绩影响不显著，但对成绩较弱的学生的学习较有效；LAD利于自我监控学习，发展自我；最后，通过对LAD的一致性、感知有用性、理解程度等方面调查，显示学生均对LAD给予高度肯定。此外，通过学生对4个开放式问题的回答，也表明了LAD能影响自我反思、学习动机、学习绩效和参与度及知识可视化作用。总之，大数据学习分析仪表盘实现学习行为数据可以被自己、他人（如教师、同伴）观看，嵌入了元认知和自我监管支持，能够使学习者认识到学习行为（学习时间、效率计划、学习计划、学习求助、提示）、认知力（目标、自我认知、学习策略）、学习动机（对困难的感知、学习兴趣、学习受益）及学习内容，利于提高自我约束能力，最终养成学习中的“元认知”意识。下一步将重点深度分析关于LAD的信任与社会伦理道德问题，或许将会是一个更大的挑战，但不会因为一时的困难就无视未来的美好发展。

作者简介：姜强：东北师范大学，计算机科学与信息技术学院，副教授，硕士生导师，研究方向为个性化自适应学习；赵蔚：东北师范大学，计算机科学与信息技术学院，教授，博士生导师，研究方向为自适应学习、资源聚合、知识可视化；李勇帆：湖南第一师范学院，信息科学与工程学院教授（二级），硕士生导师，研究方向为数据挖掘、情感计算；李松：国家开放大学，教育教学部副研究员，研究方向为远程教育。

基金项目：本文系教育部人文社会科学研究规划基金项目“大数据支持下的个性化自适应学习及教育测量研究”（项目编号：15YJA880027）、教育部人文社会科学研究规划基金项目“基于知识图谱的开放学习资源自主聚合研究”（项目编号：14YJA880103）及基础教育信息化技术湖南省重点实验室（项目编号：2015TP1017）阶段性成果，并得到“中央高校基本科研业务费专项资金”资助。

转载自：《中国电化教育》2017年1月 总第360期 ：112-120（参考本刊文章必须必须注明出处）