萬昆　劉華

摘 要：未來人工智能、大數據、學習分析等技術被廣泛應用于教育教學中，量化學習將成為新的研究熱點。本研究首先對量化學習的內涵、特征、工具和方法進行概述，然后闡述了量化學習的價值意義和應用案例，進而分析了量化學習發(fā)展趨勢與其面臨的挑戰(zhàn)。

關鍵詞：量化學習；大數據；《地平線報告》（高等教育版）

中圖分類號：G434 文獻標志碼：A 文章編號：2096-0069（2018）02-0045-06

收稿日期：2017-09-12

基金項目：中央財政支持地方高校發(fā)展專項資金資助“大數據智慧教育服務平臺建設”（09925）；江西省社會科學規(guī)劃“十三五”規(guī)劃項目“地方本科高校MOOC推進策略與可持續(xù)發(fā)展研究”（16WT15）

作者簡介：萬昆（1991— ），男，江西南昌人，上饒師范學院物理與電子信息學院助教，研究方向為MOOC、學習科學與技術；劉華（1979— ），女，江西上饒人，上饒師范學院計算機網絡中心講師，研究方向為教育技術學。

近5年《地平線報告》（高等教育版）多次提到學習分析和自適應學習技術，并于2014年首次提出量化自我技術。2017年中國《地平線報告》（高等教育版）也在提出量化自我將成為高等教育未來2—3年所采用的技術之外，還指出學習分析、量化自我在未來高等教育領域具有巨大的潛力，將會對教與學產生重要影響。2012年美國教育部發(fā)布的《通過教育數據挖掘和學習分析促進教與學》的報告提出，隨著教育數據挖掘和學習分析技術的出現，通過對教育大數據的采集與分析，人們將改變傳統(tǒng)教育數據的應用范式[1]。隨著云計算、大數據、物聯網、虛擬現實、學習分析等新技術的興起，借助新技術對教與學過程進行數據采集與分析，為學習者的學習過程進行量化處理提供了可能性，同時為教育決策者、教師的教學決策、學生的學習分析提供了參考。在教育大數據背景下，作為教育大數據時代的學習方式，量化學習引起了研究者越來越多的關注。同時也是基于此，本文將主要回答量化學習面臨的幾個問題：量化學習是什么？量化學習的技術支持是什么？量化學習的價值意義何在？量化學習面臨著哪些發(fā)展和挑戰(zhàn)？筆者期望能與同行研究者進行探討，將量化學習有效、切實地推進于教育改革實踐中。

一、量化學習概述

（一）對歷年《地平線報告》（高等教育版）的分析

通過對2014—2017年間美國新媒體聯盟發(fā)布的《地平線報告》（高等教育版）和2017年中國《地平線報告》（高等教育版）所預測的關鍵技術進行對比分析，筆者發(fā)現新媒體聯盟發(fā)布的《地平線報告》（高等教育版）中的技術每年都會變化，且呈現出教育與新技術不斷融合的發(fā)展態(tài)勢，主要有以下幾個明顯的特征。

1.新技術不斷涌現，高等教育領域中技術應用日新月異

翻轉課堂、學習分析、自帶設備等研究主題在2014—2016年被持續(xù)關注，2017年《地平線報告》（高等教育版）揭示下一代學習管理系統(tǒng)、人工智能、自然用戶界面等新的技術即將涌現。除自帶設備、翻轉課堂、學習分析技術、自適應學習被持續(xù)關注外，物聯網技術時隔兩年也重新獲得關注。2014年《地平線報告》（高等教育版）中學習分析、3D打印技術等技術發(fā)展成熟后，2015年《地平線報告》（高等教育版）指出創(chuàng)客空間、可穿戴技術、自適應學習、物聯網等技術，2016年《地平線報告》（高等教育版）增加增強現實、情感計算、機器人，2017年《地平線報告》（高等教育版）增加移動學習、下一代學習管理系統(tǒng)、人工智能、自然用戶界面等技術?？梢娮赃m應學習技術、智能技術、學習分析技術在未來教育教學中的重要性。研究發(fā)現，學習分析技術將朝著智能化方向，遵循從描述學習行為到診斷學習者的學習過程再到預測和干預學習過程這樣一種思路進行發(fā)展。2017年中國《地平線報告》（高等教育版）所預測的關鍵技術也包括學習分析、自適應學習、增強現實和虛擬現實技術、量化自我、機器學習?？梢?，在教育大數據時代，數據分析技術與智能技術對于高等教育的教與學具有變革性影響，利用數據驅動教育創(chuàng)新與變革是未來教育領域發(fā)展的重要趨勢。

2.量化學習得到持續(xù)關注

隨著人們對個性化學習需求的增長，自帶設備和機器人技術已不能滿足學習者的需求，更為高端前沿的自適應學習和人工智能技術則在2017年《地平線報告》中得以呈現并成為重要的新技術。由于大數據技術的快速發(fā)展，自帶設備、自適應學習和移動學習產生的數據激增，數據驅動的教育教學方式也在變化，2017年《地平線報告》（高等教育版）則直接指出自適應學習技術是一年內將被采用的技術，且更加符合教育大數據時代學習的需求。高等教育教學方式也在不斷深化和發(fā)展，混合式學習從2014—2017年都被認為是推動高等教育技術應用的關鍵力量，混合式學習已經成為學生學習方式的常態(tài)。隨著可穿戴技術、虛擬現實技術、大數據、人工智能等技術的迅猛發(fā)展，教師的教與學生的學等方式正在發(fā)生深刻的變化，當大規(guī)模開放在線課程、翻轉課堂、自帶設備、創(chuàng)客空間等應用于高等教育教學時，線上線下的混合式教學已經變成了高校教學改革和應用的重點。在大數據背景下，量化自我、學習分析等技術興起，量化學習更加關注學習者的學習過程，更加關注人的全面發(fā)展，與教育所提倡的個性化學習發(fā)展理念契合。未來，在教育大數據背景下，量化學習方式將會逐步成為常態(tài)的學習方式。

綜上，《地平線報告》（高等教育版）連續(xù)3年（2015—2017年）都表明了教育領域日益注重學習測量的趨勢，由此不難看出學習測量與教育大數據的重要關系。數據開啟了學習行為新范式，數據正驅動教育教學的變革。積極運用學習分析技術，為學習者實現量化學習提供可能性。數據挖掘技術、在線學習、移動學習和下一代學習管理系統(tǒng)興起并重構學習環(huán)境，如智慧學習環(huán)境、場館學習環(huán)境等。我們可以通過學習分析技術對學習環(huán)境進行可視化分析，使用知識圖譜的方法描述學習者的學習過程，也可以通過學習者的學習行為數據來分析學習者的特征、情感、學習興趣、學習風格、學習效果等。而量化學習的核心環(huán)節(jié)就是全面地分析學習者的行為數據，通過構建模型對學習者的學習行為數據進行分析并給出方法[2]。為培養(yǎng)全面發(fā)展的人，在豐富的技術環(huán)境下，借助學習分析、大數據等技術進行的量化學習將會成為教育大數據時代的學習方式。

（二）量化學習介紹

國內外關于量化學習的研究較少，劉三指出量化學習的內涵主要包括以下三個方面：量化學習的前提是構建數據化認知，核心是提供個性化學習服務，目標是構筑新的學習方式[3]。維羅妮卡（Verónica）通過量化自我設備收集和記錄學習者學習行為方面的相關數據并進行數據分析，引起學習者進行學習反思[4]。邁克·魯斯特（Michael Rust）等人將量化自我設備作為學習工具，通過對量化自我設備獲得的數據進行分析，為學習者提供相關參考和設計理念[5]。綜上，本研究認為，量化學習是在教育大數據背景下，學習者借助新技術、新媒體等手段實現的一種混合式學習，通過學習分析等技術對學習者學習行為所產生的數據進行分析，為實現學習者的個性化學習提供服務。

（三）量化學習的特征

1.量化學習呈現出精準性

實現量化學習的基本要求是學習資源能被精準推送，并能個性化地服務學習者。量化學習呈現出精準性主要體現在學習過程所產生的數據能夠清楚地反映出學習者的學習行為、學習節(jié)點等，可以幫助教師根據學習過程中產生的大數據進行教學內容和形式上的科學調整，基于教育大數據，可以實現以學習者為中心的自適應學習。大數據、量化自我、物聯網、云計算等技術在教育教學中的應用，使學生的學習將具有智能感知、智慧識別、智能推送等特征，而量化學習是借助教育大數據和學習分析技術對學生學習過程和學習結果進行預測，使得教育教學將更加精準化、個性化、科學化，對于促進教育教學質量和培養(yǎng)全面發(fā)展的人具有重要意義。

2.量化學習具有實時性

在教育大數據時代，量化學習的實時性體現在學習反饋的實時性上，學習者在智慧教育服務平臺上的線上學習，可以借助各種學習分析技術迅速地統(tǒng)計出個人的學習情況，線下課堂學習可以借助大數據技術對課堂教學行為、學生學習行為、學生作業(yè)回答情況、師生互動等情況進行分析，且實時反饋給教師、學生、管理者，以便對學習者的學習內容、學習目標等進行優(yōu)化。

3.量化學習將更加關注學生的全面發(fā)展

量化學習在重塑學習方式方面將具有無限的潛能，而潛能的發(fā)揮需要突破現有的學習方式、學習評價，才能助力學生實現巨大進步。當前，學生的學習方式、學習評價、學習過程、學習價值等呈現出一系列的現實難題，而學生的學習方式問題又顯得異常復雜，學生能否實現深度學習、具備核心素養(yǎng)，教師能否更加關注學生的全面發(fā)展等系列現實問題我們無法回避，然而我們將大數據、學習分析、人工智能等新技術與教育教學進行融合，實現量化學習，或許能解決當前一些難題。

（四）量化學習的工具和方法

2015年《地平線報告》（高等教育版）指出，通過數據驅動的實踐和評估的量化學習，將在未來3—5年對高等教育產生極大的影響[6]。隨著量化自我、可穿戴技術等的普遍應用，混合式學習、MOOC學習等新型教學方式的引入，可以順利地獲取學習者的學習過程數據，之后使用學習分析等技術對學習者學習過程產生的數據進行分析。如從學習者特征、學習者情感、學習者態(tài)度、學習者在線行為等方面進行詳細的數據統(tǒng)計，借助學習分析、情感計算、社會網絡分析等技術對學習者的在線學習行為進行分析，教師、家長等可全方位了解學習者的學習過程。學習者在課堂上的線下學習行為可以借助弗蘭德斯互動分析軟件、社會網絡分析、問卷調查、課堂觀察、量化自我設備等進行收集。

教育大數據是特指在教育領域的大數據，即整個教育活動過程中所產生的根據教育需要收集到的數據[7]。通過對收集的教育大數據進行量化分析，可以為學習者量化學習提供幫助，實現個性化推薦資源和服務。其分析方法有聚類K-means分析法、決策樹分析法、UCINET社會網絡分析法、時間序列分析法、知識圖譜法、神經網絡法、情感量化分析法、弗蘭德斯互動分析法等。如聚類K-means分析方法是將數據對象通過不斷的迭代，促使達成聚類的過程；決策樹分析法是用圖形的方式描述某項決策可能出現的情況，用于對學習結果的預測；UCINET社會網絡分析法主要是分析學習者之間的社會關系，適用于中心性分析、子群分析、個體網絡分析；時間序列分析法主要是通過構建時間序列模型，用于學習者學習行為的建模、學習效果的預測等；知識圖譜法是將學習者學習過程的數據進行可視化呈現；神經網絡法可以根據學習者的學習過程識別學習者的學習風格、學習興趣挖掘等；情感量化分析法主要是分析學習者的面部表情、聲音情感等；弗蘭德斯互動分析法是一種對課堂師生互動話語進行量化分析的方法。

二、量化學習的價值意義

（一）為學習者個性化學習提供服務

個性化學習是一種具有自我導向性的學習分析[8]。自智慧城市、智慧教育等理念的提出，智慧校園也逐漸普及，借助大數據、學習分析技術實現學習者的量化學習，在智慧校園的智慧學習環(huán)境中，通過對學習者的學習行為、學習記錄數據分析提供教育決策。如泰勒（Taylor）等人根據edx平臺提供的系統(tǒng)日志、討論區(qū)、學習者特征變量等進行數據收集，通過使用邏輯回歸和分類器等方法工具對數據進行分析，提前一周預測到學習者的退課行為，可以為教師開展教學提供學習支持服務，促進學習者的持續(xù)學習[9]。馬杰等人通過學習分析技術構建了“預測模型”，并將該模型應用于實際教學中發(fā)現，該預測模型有助于教師的教學，教師可以根據預測模型進行關注和預警學生的學習過程，方便教學管理[10]。通過大數據、學習分析等技術實現量化學習，可以呈現學習者學習過程的全部數據分析，滿足教師的教學，也能為學習者的個性化學習提供服務。

（二）可以全面深入了解學習者畫像

學習者畫像是指學習者的標識，是依據學習者的基本屬性和學習過程特征進行標簽化的學習者模型[11]。學習者畫像的核心工作是為學習者打標簽，接著建立相應的數據集市，通過數據挖掘和算法對數據進行分析。因此，通過量化學習可以全面深入了解學習者畫像。學習者畫像通常包括學習者的基本屬性、學習者的學習風格、學習者的學習興趣、學習者的情感等。如陳海建等人對開放式教學下學習者的基本信息、在線學習行為和課堂表現進行分析，結合腦認知、數據挖掘和認知心理視角分析學習者畫像，探討學習者的個性化學習[12]?？唆斈罚↘rum）等人借助學習管理系統(tǒng)，對學習者的在線學習行為進行分析，如提交作業(yè)、瀏覽資源、討論區(qū)發(fā)言及學習者與學習管理系統(tǒng)的交互和點擊等行為，從而更加準確地描繪學習者特征[13]。

（三）幫助學習者實現智慧學習

學習者借助量化自我設備進行學習，教學者可以隨時隨地收集學習者的學習數據，然后通過對這些數據進行量化分析幫助學習者實現過程量化、效果量化、目標量化，從而形成一種目標明確的學習行為[14]。量化學習通過量化的數據使學習者能清楚地認識到自己的水平，從而激發(fā)其學習動機，促進學習者智慧學習的發(fā)生。隨著MOOC學習、場館學習等泛在學習方式的興起，學習者的知識將處于一個連接的狀態(tài)，學習者將不是單個存在的，而是可以借助新技術、新媒體實現社群學習的。量化學習借助大數據技術、可穿戴設備對學習者的學習行為數據進行分析，可以為學習者的學習提供指導、干預、追蹤等，以實現學習者的個性化學習、智慧學習。通過對新媒體聯盟《地平線報告》（高等教育版）中提出的推動高等教育技術應用的關鍵趨勢分析，在云計算、量化自我設備等新技術迅速發(fā)展背景下，數據在“互聯網+教育”時代越來越重要，數據的價值和潛能也將被得到重新認識。

三、量化學習的應用案例

（一）預測學習效果

美國紐約州波基普西市瑪麗斯特學院與Pentaho公司合作發(fā)起了開源學術分析計劃，通過教育大數據來分析課程，通過學生在線點擊閱讀材料、網上論壇發(fā)言情況及每次完成作業(yè)的時長來預測學生完成學業(yè)的情況。在一門新課程開始的兩周內預測哪些學生可能無法完成這門課程。關于學習效果預測的方法包括基于統(tǒng)計分析的學習效果預測、基于統(tǒng)計機器學習的學習效果預測、基于時間序列分類的學習效果預測。通過對學習效果的預測可以更好地為學習者提供支持服務，改善學習效果。

（二）應用學習分析技術支持個性化學習

美國紐約Knewton公司開發(fā)的Knewton系統(tǒng)是一個在線智能適應性學習平臺，通過采用知識圖譜、項目式反應理論、個性化內容推薦等方法，根據學習者的學習情況進行量化和調整。Knewton系統(tǒng)上的內容以知識圖譜的形式存儲和呈現，通過持續(xù)挖掘學生的學習行為、學習成績、學習活動等，采用學習分析技術為學習者提供個性化學習路徑。

（三）應用教育大數據技術支持學習者量化學習

智學網是科大訊飛公司開發(fā)的一個針對在線教學的智能化服務平臺。該平臺主要功能是：第一，通過人工智能技術對過程化教學大數據采集分析，可以智能批改和大數據分析，實現學習者過程性評價，教師和學生根據分析從而可以改進教與學。第二，知識圖譜的個性化學習分析和推薦，通過大數據分析技術、知識圖譜的診斷技術對學習者的學習情況進行分析和診斷，為學習者個性化學習自動推薦資源。第三，探索以學習者為中心的教育評價方式，建立基于問題診斷的基礎教育服務體系，實現以學習者為中心的教育評價[15]。基于以上三個功能，教育大數據和學習分析技術能夠幫助學習者實現量化學習，尤其是能對學習者學習過程、學習效果進行可視化分析，為學習者個性化學習推薦學習資源，可以說是以智學網平臺為代表的較好學習環(huán)境平臺特色功能的體現。

四、量化學習的發(fā)展與挑戰(zhàn)

（一）量化學習發(fā)展趨勢

1.支持教育大數據的全面采集

全面采集教育大數據就可以把握未來教學發(fā)展方向。教育大數據是指在信息技術支持下的教育教學全過程所產生的數據，如結構化數據、半結構化數據、非結構數據所組成的數據集。量化學習在新技術迅猛發(fā)展的背景下，將逐漸成為教育大數據時代的學習方式。與傳統(tǒng)教學不同，量化學習的教師教學過程和學生學習過程都是基于數據的分析，將更加客觀、全面地展現學習者的學習過程。隨著開放教育資源共享的實現，智慧教育的實現，量化學習所產生的數據既包括真實學習環(huán)境中的數據，如場館學習、課堂學習、戶外學習產生的數據，也包括虛擬學習環(huán)境中所產生的數據，如在線學習、基于MOOC的學習、基于學習管理系統(tǒng)的學習等所產生的數據。教育工作者可以根據采集到的教育大數據對教與學全過程進行分析、干預、預警等，對教學過程與方法進行針對性調整，優(yōu)化教育教學過程。

2.量化學習方式將會越來越多樣化

隨著新一輪技術的發(fā)展，如自適應學習技術、人工智能、機器人技術、下一代人工智能、自然用戶界面等技術，未來量化學習方式將會越來越多樣化，如機器學習、智慧學習、自適應學習等得以實現，同時也將會滿足成年人、殘障人士等不同群體在內的學習需求。量化學習的學習環(huán)境也將越來越智慧，如下一代數字化學習環(huán)境，指的是開發(fā)更加靈活的學習空間，支持學習者的個性化學習，使形成性評價發(fā)揮更大的作用，學習者可以在下一代數字化學習環(huán)境實現智慧學習。量化學習將越來越智能，如物聯網通過處理器或內置傳感器在網絡中傳遞信息，它能夠實現遠程管理、狀態(tài)監(jiān)控、跟蹤、報警等功能[16]；自然用戶界面可以通過手勢、面部表情、語音識別等技術實現信息的傳輸與反饋，自然也會有越來越多的學習者將應用這些人工智能設備。

（二）量化學習面臨的挑戰(zhàn)

1.技術發(fā)展問題

為實現教育大數據時代的學習方式——量化學習，大數據技術、學習分析技術在教育領域的應用同樣也存在一些挑戰(zhàn)，如數據收集、存儲、處理、分析等。大數據在教育領域的應用主要是教育數據挖掘和學習分析，教育大數據獲取需要研究機構、專業(yè)數據分析公司、政府、學校等的合作，也需要學校對新技術的接受與積極應用。為實現量化學習，需要將多種數據進行整合，如何對數據進行挖掘，如何準確、客觀、全面地刻畫學習者畫像問題，這些都是未來量化學習技術發(fā)展所面臨的挑戰(zhàn)。

2.數據倫理問題

在開放教育、人人共享的時代，數據的挖掘與獲取對于學習者的學習具有重要作用。教育數據的倫理問題是大數據面臨的又一挑戰(zhàn)。教育數據倫理是對教育數據產生、采集、存儲和分析利用過程中所應秉承的道德信念和行為規(guī)范的理性審視[17]。通過數據改變學習方式，利用教育數據挖掘和學習分析對學習者畫像進行分析，為學習者提供個性化學習資源和服務推薦，將會使學生的整個學習過程透明化，可能會帶來一系列的倫理道德問題。因此，在量化學習方式下，需要建立數據隱私保護模式，如什么數據可以對外開放、什么數據可以共享、誰來保護數據、誰為數據負責等一系列問題確?？梢员恢匾?。建議相關部門加快數據保護法等的制定，保證能夠通過制度機制解決問題。

3.其他問題

隨著自帶設備、智能手環(huán)、可穿戴技術等在教育教學中的應用，量化自我技術所產生的成本問題也是量化學習未來的挑戰(zhàn)之一，可能家長或學校都無法承擔這些設備的費用。大數據、學習分析技術等引發(fā)的學習革命使教育教學正面臨新的挑戰(zhàn)和機遇，也許會帶來一系列其他的問題，如數字鴻溝問題、教育公平問題等。

[1]U.S.Department of Education.Enhancing Teaching and Learning through Educa-tional Data Minging and Learning Analytics [DB/OL].（2014-11-19）[2017-03-08].http：//www.docin.com/p-963991024.html.

[2][14]劉三，楊宗凱.量化學習——數據驅動下的學習行為分析[M].北京：科學出版社，2016.

[3]劉三，李卿，孫建文，等.量化學習：數字化學習發(fā)展前瞻[J].教育研究，2016，（07）：119-126.

[4]Verónica Rivera-Pelayo，ValentinZacharias，SimoneBraun.Applying Quantified Self Approaches to Support Reflective Learning[C].Proceedings of the 2nd International Conference on

Learning Analytics and Knowledge.Vancouver，British Columbia，

April29-May02，2012，New York：ACM，2012：111-114.

[5]RUST M J，MEYER E G，NASIR M.Using Quantified Self as a Learning Tool to Engage Students in Entrepreneurially

Minded Learning and Engineering Design.ASEEs 123rd Annual Conference & Exposition，New Orleans，June26-29，2016.

[6]龔志武，吳迪，陳陽鍵，等.新媒體聯盟2015地平線報告高等教育版.現代遠程教育研究[J].2015，（02）：3-22.

[7]方海光.教育大數據——邁向共建、共享、開放、個性的未來教育[M].北京：機械工業(yè)出版社，2016.

[8]牟智佳，俞顯.知識圖譜分析視角下學習分析的學術群體與熱點追蹤——對歷年“學習分析與知識國際會議”的元分析[J].遠程教育雜志，2016，（02）：54-63.

[9]TAYLOR C，VEERAMACHANENI K，OReilly U M.Likely to Stop？ Predicting Stop out in Massive Open Online Courses.（2014-10-25）[2017-10-18].https：//www.researchgate.net/pro-file/Kalyan_Veeramachaneni/publication/264790759_Likely_to_stop_Predicting_Stopout_in_Massive_Open_Online_Courses/links/54bd26ac0cf218da93919216/Likely-to-stop-Predicting-Stopout-in-Massive-Open-Online-Courses.pdf.

[10]馬杰，趙蔚，張潔，等.基于學習分析技術的預測模型構建與實證研究[J].現代教育技術，2014，（11）：30-38.

[11][12]陳海建，戴永輝，韓冬梅，等.開放式教學下的學習者畫像及個性化教學探討[J].開放教育研究，2017，（03）：105-112.

[13]KRUMM A E，WADDINGTON R J，TEASLEY S D，et al.A Learning Management System-Based Early Warning System for

Academic Advising in Undergraduate Engingeering[M]// LARUSSON J A，WHITE B.Learning Analytics：From to Practice.NewYork：Spring，2014：103-119.

[15]智學網.平臺功能[EB/OL].（2013-05-28）[2017-08-07].https：//baike.so.com/doc/5421577-5659761.html.

[16]ADAMS B S，CUMMINS M，DAVIS A，et al.NMC Horizon Report：2017 Higher Education Edition[R].Austin，Texas：The New Media Consortium.

[17]劉三，楊宗凱，李卿.教育數據倫理：大數據時代教育的新挑戰(zhàn)[J].教育研究，2017，（04）：15-20.

（責任編輯 孫志莉）

Abstract： Technologies like future artificial intelligence，big data，and learning analytics etc. are widely used in education and teaching，and thus quantified learning will become a new research hotspot.This study firstly summarized the connation，characteristics，tools and methods of quantified learning.Secondly，it elaborated on the value and significance of quantified learning and some application cases of it.Finally，it analyzed the development trend of quantified learning as well as the challenges it faces.

Key words： quantified learning；big data；The Horizon Report（Higher Education Edition）