刚刚过去的2012年，大数据（big data）一词越来越多地被提及，人们用它来描述和定义信息爆炸时代产生的海量数据，并命名与之相关的技术发展与创新^[1]。国际数据公司（IDC）的研究结果表明，2008年全球产生的数据量为0.49ZB，2009年的数据量为0.8ZB，2010年增长为1.2ZB，2011年的数量更是高达1.82ZB，相当于全球每人产生200GB以上的数据。最早提出“大数据”时代到来的是全球知名咨询公司麦肯锡，麦肯锡称：“数据，已经渗透到当今每一个行业和业务职能领域，成为重要的生产因素。人们对于海量数据的挖掘和运用，预示着新一波生产率增长和消费者盈余浪潮的到来。”在教育领域，《2013NMC地平线报告（高教版）》将“学习分析”选为两到三年内将对高等教育领域的学习、教学和创新研究产生影响的新兴技术之一，并指出学习分析与教育大数据紧密相关，学习分析就是从教育大数据中对学与教过程的模式和趋势进行解释^[2]。

在首届“学习分析和知识国际会议”上，与会者一致认为：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的环境的技术。《2012NMC地平线报告（高教版）》也给出了近似的定义，即学习分析技术是对学生生成的海量数据的解释和分析，以评估学生的学术进展，预测未来的表现，并发现潜在的问题。从这些定义可以看出，学习分析技术分析的对象是学生及其学习环境，目的是评估学生、发现潜在问题、理解和优化学习，基础是海量数据。

事实上，在“学习分析技术”概念出现之前，与之相关的技术、工具及其应用研究已经开展起来。2004年在高等教育中出现的“智能导师系统”和“人工智能系统”掀起了“教育数据挖掘”研究的热潮，也促使学术分析技术这一关注学习者行为的分析技术的诞生^[3]。Romero&Ventura（2007）以及Baker &Yacef（2009）对10余年的教育数据挖掘研究进行分析，归纳出5类教育数据挖掘方法，它们是统计分析与可视化；聚类（聚类、离群点分析）；预测（决策树、回归分析、时序分析）；关系挖掘（关联规则挖掘、序列模式挖掘、相关挖掘）；文本挖掘^[5]。另外，随着网络学习及相关学习管理系统的不断普及，数据挖掘方法在学习管理系统中得到应用，并开启了利用网络分析技术对学习者行为加以分析的研究，Romero,C.等人（2005）对Moodle学习平台的日志分析是这方面研究的典范^[6]。记录在学习管理系统中的学习者行为数据，经过聚集、分类、可视化以及关联规则分析等操作，生成实时的数据报告，或者利用从行为数据中反映出的常模来生成预测模型。随着学习分析研究与实践的不断深入，除了数据挖掘方法外，一些原本属于社会科学领域的方法如社会网络分析法、话语分析法、内容分析法等也得到成功应用并成为学习分析的关键技术，这些方法的典型应用之一是师生交互行为分析。

国内外多位研究者的研究实践证明，学习分析技术对于学生、教师、管理人员、研究人员以及技术开发人员均具有重要价值：（1）对于学生而言，学习分析技术可以从学习者行为角度了解学习过程的发生机制，并用来优化学习，以基于学习行为数据的分析为学习者推荐学习轨迹，开展适应性学习、自我导向学习^[2]。（2）对于教师和管理人员而言，学习分析技术可用来评估课程和机构，以改善现有的学校考核方式，并提供更为深入的教学分析，以便教师在数据分析基础上为学生提供更有针对性的教学干预^[4]。（3）对于研究人员而言，学习分析技术可作为研究学生个性化学习的工具和研究网络学习过程和效用的工具^[8]。（4）对于技术开发人员而言，借助学习分析技术发现的学习管理系统各模块使用频次以及使用路径，优化学习管理系统界面设计，并且根据其他人员开展学习分析的需要优化学习管理系统日志功能。

另外，学习分析技术在网络高等教育领域大有可为，有助于监控学习过程，保障教育质量。学习分析的开展有赖于系统化、结构化的海量数据，恰好网络高等教育由于其全面采用学习管理系统和教育管理信息系统，已经积累了大量的系统化、结构化数据。自1998年教育部开展现代远程教育试点工作以来，我国网络高等教育得到了迅猛发展。据教育部统计数据，2010年网络高等教育本、专科招生数达166万人，在校生数达453万人，分别占当年全国高等教育招生数和在校生数的16%和14%，由此可见网络高等教育在我国高等教育中的重要地位。近年来出现的网络高等教育学生考试集体作弊事件让社会对网络高等教育质量提出质疑，因此，着力提高网络高等教育的质量应该放在更为突出的位置。应用学习分析技术，调查网络高等教育中学习者网络学习的现状，包括学习者的主要特征、网络学习行为特点、学习行为的影响因素及其所带来的学业结果，有助于掌握成人网络学习规律，从而优化学习过程，改进学习效果，提升教育质量。

学习分析关键技术涉及内容分析、话语分析、社会网络分析、系统建模等技术以及统计分析与可视化、聚类、预测、关系挖掘、文本挖掘等一系列数据挖掘方法。

常见的学习分析工具有很多，如支持对原始帖子进行标注或编码、交叉引用和简短评论的工具包括Nvivo、Atlasti；支持基本的基于词典的文本分析的工具，如CATPAC、LIWC；专门的内容分析工具，如北京师范大学知识工程研究中心开发的智能化内容分析工具VINCA；专门的社会网络分析工具，如UCINET；用于系统建模的工具，如Coordinator系统建模工具；专门的数据挖掘工具，如SQL SERVER 2005 Analysis Service（SSAS）、Weka、SPSS等等。

[1]黄荷. 今日谈：大数据时代降临[J]. 半月谈,2012,(17).

[2]Johnson,L.,AdamsBecker,S.,Cummins,M.,Estrada,V.,Freeman,A.,and Ludgate,H. (2013).NMC Horizon Report: 2013 Higher Education Edition. Austin,Texas:TheNewMediaConsortium.

[3]Siemens,G.1^st International Conferenceon Learning Analytics and Knowledge 2011[EB/OL].

<https://tekri.athabascau.ca/analytics/about.>

[4]Johnson,L.,Adams,S.,andCummins,M.(2012).The NMC Horizon Report: 2012 Higher Education Edition.Austin,Texas:TheNewMediaConsortium.

[5]Baepler, P. & Murdoch, C. J.(2010). Academic Analytics and Data Mining in Higher Education. International Journal for the Scholarship of Teaching and Learning, 4(2). 170-178.

[6]Chen.E.,Heritage,M.&Lee,J. Identifying and Monitoring Students’ Learning Needs With Technology[J].

Journal of Education for Students Placed at Risk,2010 (3) :309-332.

[7]Romero & Ventura. Educational Data Mining:A Survey from 1995 to 2005[J]. Expert Systems with Applications.2007，(33):125-146.

[8]Romero, C.,Ventura, S.,& Garcia, E. (2005). Data mining in course management systems: Moodle case study and tutorial. Computers & Education,51(1),368–384.

[9]顾小清,张进良,蔡慧英.学习分析:正在浮现中的数据技术[J]. 远程教育杂志,2012,(1):18-25.

[10]葛道凯,张少刚,魏顺平.教育数据挖掘:方法与应用[M].北京:教育科学出版社, 2012:29-30.