摘要：目的：教育數(shù)字化轉型不斷推進，促使教育者利用學習分析技術挖掘學習行為數(shù)據(jù)背后隱含的學習需求，以數(shù)據(jù)驅動教育教學改革和教育生態(tài)重構已成為新形勢下提升教育教學成效的關鍵?；诖?，文章直觀梳理近十年國內外學習分析的研究脈絡，以了解相關領域的研究現(xiàn)狀和未來趨勢，為學習分析的發(fā)展提供重要參考。方法：文章采用文獻計量學方法，以2015—2024年中國知網(wǎng)（CNKI）中文數(shù)據(jù)庫和Web of Science（WoS）英文數(shù)據(jù)庫收錄的學習分析領域的中英文核心文獻為對象，探測國內外學習分析研究的熱點與前沿。結果：研究發(fā)現(xiàn)，近十年國內學習分析領域關注MOOC、多模態(tài)、認知網(wǎng)絡分析、自適應學習和個性化學習等研究主題，國外學習分析領域關注分類指標、嚴肅游戲、智能教學系統(tǒng)、教育公平和區(qū)塊鏈等研究主題。國內學習分析領域的研究前沿包括學習投入、多模態(tài)數(shù)據(jù)、數(shù)據(jù)挖掘和學習行為，與學習行為或教育數(shù)據(jù)有著密切聯(lián)系；國外學習分析領域的研究前沿與分析技術和學業(yè)表現(xiàn)的聯(lián)系較為緊密，包括人工智能、系統(tǒng)性文獻綜述、成就、機器學習。結論：未來學習分析研究可重點關注理實結合，協(xié)同促進學習分析可持續(xù)發(fā)展和學科共建，協(xié)同促進學習分析跨范式融合等重要研究方向。

關鍵詞：學習分析；文獻計量；研究熱點；研究前沿

中圖分類號：G420 文獻標識碼：A 文章編號：1004-9436（2024）13-00-03

0 引言

學習分析借助數(shù)據(jù)收集工具和分析技術，探尋教育大數(shù)據(jù)中隱含的教育規(guī)律，為創(chuàng)新教學服務供給模式和實現(xiàn)大規(guī)模精準教學提供了重要支撐，目前已成為學習科學領域的研究焦點。隨著我國教育數(shù)字化轉型的不斷推進，利用學習分析技術挖掘教育大數(shù)據(jù)背后隱含的學習需求，以數(shù)據(jù)驅動教育教學改革和教育生態(tài)重構已成為新形勢下引領教育生產力發(fā)展的關鍵。因此，本研究對近十年國內外學習分析研究的核心文獻進行系統(tǒng)綜述，梳理分析近十年的研究脈絡，識別其研究動態(tài)與趨勢，剖析其理論與實踐研究的局限性，以期為學習分析的理論深化與實踐探索提供參考。

1 研究設計

1.1 數(shù)據(jù)來源

將中國知網(wǎng)（CNKI）中文數(shù)據(jù)庫和Web of Science（WoS）英文數(shù)據(jù)庫作為本研究的來源數(shù)據(jù)庫。為保證文獻的全面性和權威性，以“學習分析”或“學習行為分析”為關鍵詞在CNKI中文數(shù)據(jù)庫搜索文獻，將檢索時間范圍設為2015年1月1日至2024年6月30日，來源類別限定為北大核心、CSSCI和CSCD，剔除會議、學術資訊和學校簡介等不符合要求的文獻后，得到370篇中文文獻；在WoS英文數(shù)據(jù)庫中，以WoS核心合集為數(shù)據(jù)庫，以SSCI、SCIE和A&HCI為引文索引，以“Learning Analytics”O(jiān)R“Learning Behavior Analysis”為檢索關鍵詞，檢索時間范圍不變，得到363篇英文文獻。

1.2 研究方法

CiteSpace是文獻計量學中最具代表性的知識圖譜繪制工具，可用于發(fā)掘某一領域的研究熱點和研究前沿。因此，本研究采用文獻計量法，選擇CiteSpace 6.3.R3分別對中文文獻和英文文獻的關鍵詞進行聚類和突現(xiàn)分析，將“Node Types”和“Selected Criteria”分別設定為Keyword和g-index（k=25），以獲知國內外學習分析領域的研究熱點和前沿。

2 國內外學習分析研究的熱點與前沿

2.1 關鍵詞聚類網(wǎng)絡分析

關鍵詞代表文獻研究的主題概念。本研究利用CiteSpace的聚類功能對中文文獻和英文文獻的關鍵詞進行聚類分析，分別形成國內外學習分析研究知識圖譜，且所有聚類的平均輪廓值均大于0.7。選取節(jié)點數(shù)量排名前五的聚類為代表，分析近十年國內外學習分析研究的主題。

2.1.1 國內研究熱點

第一，MOOC聚類的研究涉及兩個主題：一是利用大數(shù)據(jù)分析學習行為，如運用大數(shù)據(jù)技術分析MOOC視頻特征與學生跳轉行為之間的關系，評估學習行為作為學習投入測量指標的可行性，并探索如何提高學生學習的投入度［1］；二是學業(yè)成就預測模型的構建，如挖掘典型學習行為特征數(shù)據(jù)，判斷學習者能否完成學習任務［2］。

第二，多模態(tài)聚類的研究主題可被歸納為多模態(tài)學習分析的應用價值和多模態(tài)學習行為的可解釋性。多模態(tài)數(shù)據(jù)之間的互補性能實現(xiàn)對個體特征的精準預測，并將反饋信息以可視化的方式傳輸給教師，實現(xiàn)基于多模態(tài)數(shù)據(jù)反饋的個性化學習［3］。

第三，認知網(wǎng)絡分析聚類的研究涉及兩個主題：一是認知網(wǎng)絡分析的應用和發(fā)展，社會認知網(wǎng)絡分析因融合了社會網(wǎng)絡和認知網(wǎng)絡的優(yōu)勢，能對學習過程進行動態(tài)可視化呈現(xiàn)和分析，備受學界關注［4］；二是群體協(xié)作學習投入特征畫像，如多模態(tài)交互分析方法能融合和表征群體多維投入特征，在行為參與、社會關系和觀點建構等重要指標上刻畫協(xié)作學習參與者的投入特征［5］。

第四，自適應學習聚類的研究涉及兩個主題：一是人工智能時代的教學生態(tài)變遷，未來開放大學2.0應該有序開展智能學習平臺開發(fā)、教學應用和教學研究，探索技術賦能的個性化教學設計和人機協(xié)作教學的新規(guī)律［6］；二是自適應學習研究取向的演變，如具有數(shù)據(jù)隱私保護功能的自適應學習牽引模型［7］。

第五，個性化學習聚類的研究主題可被歸納為開放學習者模型的構建和應用。人機交互、數(shù)據(jù)庫和人工智能技術是構建開放學習者模型的關鍵技術，允許學習者參與模型的構建與控制，對實現(xiàn)學習過程的透明化和支持個性化學習至關重要［8］。

2.1.2 國外研究熱點

第一，classification聚類的研究主題可被歸納為在線學習體驗和學習成果。例如，通過分析學習行為數(shù)據(jù)，抽取參與指標，建立學生行為模型，再運用聚類分析揭示學習者在不同學習階段的行為模式，為學習者提供定制化的教育干預措施［9］。

第二，games聚類的研究主題可被歸納為嚴肅游戲及其應用領域。目前，人工智能和數(shù)據(jù)科學在嚴肅游戲中的應用潛力廣受關注，有望為計算社會科學帶來革命性變化，開展更大規(guī)模、更精準的社會

研究［10］。

第三，intelligent tutoring systems聚類的研究主題可被歸納為智能教學系統(tǒng)的設計開發(fā)。例如，在Moodle中適配專家系統(tǒng)和模糊邏輯的智能輔導系統(tǒng)，自動生成個性化學習計劃，強化學習效果［11］。

第四，education聚類的研究主題可被歸納為對教育公平的關注。盡管教育在塑造社會和推動未來進步中起著關鍵作用，但許多學生仍面臨教育機會不平等的問題。建立健全數(shù)據(jù)質量基礎設施和鼓勵數(shù)據(jù)賦能教育公平的改革可以構建一個更平等的社會［12］。

第五，blockchain聚類的研究主題可被歸納為數(shù)據(jù)科學在教育領域的應用現(xiàn)狀、研究趨勢、局限及未來發(fā)展方向。雖然數(shù)據(jù)科學在提升教育質量、優(yōu)化資源配置等方面具有巨大潛力，但也需要應對數(shù)據(jù)隱私、技術整合等挑戰(zhàn)［13］。

2.2 研究前沿分析

突現(xiàn)詞的詞頻變化能夠反映研究領域的動向。因此，本研究利用CiteSpace的Burstness菜單分別對中英文文獻的關鍵詞進行突現(xiàn)處理，以探明國內外學習分析領域的研究前沿。從突現(xiàn)詞可以看出，近十年國內學習分析研究的前沿與學習行為或教育數(shù)據(jù)有著密切聯(lián)系，而國外學習分析研究的前沿則與分析技術或學業(yè)表現(xiàn)的聯(lián)系較為緊密。

2.2.1 國內研究前沿

從學習投入的高被引文獻來看，未來學習投入研究應重點圍繞決策級數(shù)據(jù)建模與融合方法，設計學習分析工具，刻畫學習投入的多維復雜特征，形成對學習投入的動態(tài)評估能力［14］。從多模態(tài)數(shù)據(jù)的高被引文獻來看，未來的學習分析應充分利用多模態(tài)數(shù)據(jù)，結合腦科學、心理學等領域的研究成果，實現(xiàn)對學習者學習過程的全面、系統(tǒng)、精準分析。從數(shù)據(jù)挖掘的高被引文獻來看，智慧課堂“四建模三分析”教育大數(shù)據(jù)研究方法論能從理論層面為智慧課堂的教學優(yōu)化和學生的個性化學習提供有力支持［15］。從學習行為的高被引文獻來看，滯后序列分析法作為一種有效的學習行為分析方法，能夠幫助研究者和教學者準確把握學習者的行為模式，從行為視角闡釋技術增強學習效果的原因，并有效指導后續(xù)教與學活動的設計與實施。

2.2.2 國外研究前沿

從artificial intelligence、systematic literature review和machine learning的高被引文獻來看，已有不少學者對MOOC、分布式人工智能、數(shù)據(jù)挖掘、學業(yè)預測性分析工具等已取得豐碩成果的研究主題進行系統(tǒng)性回顧和總結，并指出不同領域未來的研究方向，如未來的教育人工智能研究應做到教育技術與倫理并重，加強跨學科合作，以確保其應用能在實踐中發(fā)揮作用以及對學習產生積極影響。從achievement和success的高被引文獻來看，其研究集中在發(fā)掘學業(yè)表現(xiàn)的影響因素和預測指標方面。未來研究應擴大樣本量，提升課程的多樣性，進一步驗證其他變量與學業(yè)表現(xiàn)之間的因果關系。

3 結語

回顧國內外學習分析近十年的發(fā)展脈絡，盡管其最早僅被視作學習科學的研究分支，但隨著新一代信息技術的發(fā)展，學習分析與各學科的融合程度正不斷深化。隨著技術的不斷成熟，其應用價值將更受認可，對教學體驗和學業(yè)表現(xiàn)的積極影響將更加顯著，并有望引領教育生態(tài)重構，促進教育高質量發(fā)展。

基于以上結論，未來學習分析研究可重點關注兩個方面。一是理實結合，協(xié)同促進學習分析可持續(xù)發(fā)展。理論是深刻把握學習分析本質、科學引領學習分析實踐的關鍵。因此，學習分析需要繼續(xù)深耕理論研究工作，不斷優(yōu)化教學體驗，提升教學成效，構建高效的數(shù)字化教育生態(tài)系統(tǒng)，超越工具理性，回歸人本取向，推動教育改革朝著更加包容、高效、公平的方向發(fā)展。二是學科共建，協(xié)同促進學習分析跨范式融合。學習分析研究領域大多數(shù)問題的解決都需要計算機科學、教育學和統(tǒng)計學學科的通力協(xié)作。在新一輪科技革命和產業(yè)變革快速發(fā)展的背景下，開展跨學科研究因符合知識生產的內在邏輯，已成為全球高等教育領域的普遍共識。學習分析必須走出單一學科視角，重視跨學科的思維和視野，在比較、借鑒、融合和改進的基礎上開展跨范式研究。

參考文獻：

［1］ 陳侃，周雅倩，丁妍，等.在線視頻學習投入的研究：MOOCs視頻特征和學生跳轉行為的大數(shù)據(jù)分析［J］.遠程教育雜志，2016，34（4）：35-42.

［2］ 賀超凱，吳蒙. edX平臺教育大數(shù)據(jù)的學習行為分析與預測［J］.中國遠程教育，2016（6）：54-59.

［3］ 陸吉健，周美美，張霞，等.基于MR實驗的“多模態(tài)+人機協(xié)同”教學及應用探索［J］.遠程教育雜志，2021，39（6）：58-66.

［4］ 馬寧，魏曉陽，孫亦凡.在線教師培訓中的群體社會認知網(wǎng)絡特征分析［J］.現(xiàn)代遠距離教育，2022（6）：59-67.

［5］ 馬志強，孔伶玉，岳蕓竹.面向協(xié)作學習多重投入特征畫像的多模態(tài)學習分析［J］.遠程教育雜志，2022，40（1）：72-80.

［6］ 鮑日勤.人工智能時代的教與學變遷與開放大學2.0新探［J］.遠程教育雜志，2018，36（3）：25-33.

［7］ 李鳳英，龍紫陽.從自適應學習推薦到自適應學習牽引模型：“智能+”教育時代自適應學習研究取向［J］.遠程教育雜志，2020，38（6）：10.

［8］ 危怡，胡夢華，胡藝齡，等.開放學習者模型：讓學習者參與構建：訪國際知名教育人工智能專家朱迪·凱教授［J］.開放教育研究，2018，24（3）：4-11.

［9］ 拉布羅維奇，佩特羅維奇，安德爾科維奇，等.在線英語課程中的行為參與模式：聚類分析［J］.高等教育計算雜志，2023（11）：1-26.

［10］ 佩雷斯，卡斯特羅，洛佩斯.嚴肅游戲與人工智能：計算社會科學面臨的挑戰(zhàn)與機遇［J］.美國電氣和電子工程師協(xié)會開源雜志，2023（11）：62051-62061.

［11］ 布拉達奇，斯莫卡，科特爾巴，等.設計一個智能輔導系統(tǒng)：利用專家系統(tǒng)創(chuàng)建個性化學習計劃［J］.巴塞爾應用科學，2022，12（12）：6236-6256.

［12］ 奎羅加，西凱拉，波特拉，等.數(shù)據(jù)驅動的策略以實現(xiàn)學校公平：來自巴西的見解與政策建議［J］.美國電氣和電子工程師協(xié)會開源雜志，2024（12）：101646-101659.

［13］ 拜格，舒伊布，亞德加里德科迪.教育中的大數(shù)據(jù)：現(xiàn)狀、局限性與未來研究方向［J］.國際高等教育技術，2020，17（1）：44-67.

［14］ 張琪，王紅梅.學習投入的多模態(tài)數(shù)據(jù)表征：支撐理論、研究框架與關鍵技術［J］.電化教育研究，2019，40（12）：21-28.

［15］ 孫曙輝，劉邦奇，李鑫.面向智慧課堂的數(shù)據(jù)挖掘與學習分析框架及應用［J］.中國電化教育，2018（2）：59-66.