話說「學習分析」

線上學習平台發展的同時,平台產生的資料持續成長與累績,這些超出傳統資料庫儲存架構的資料量,逐漸形成了大數據的研究基礎,相關的大數據研究包含了擷取、儲存、管理、發佈、與分析等各個面向[1]。

若應用領域的平台或成果可產生巨量資料、或可長時間累積資料時,便可透過一些資料擷取的機制以累積原始數據,再經過統計分析、資料探勘、或是機器學習等計算機方法解析得出資料潛在的圖譜或趨勢,利用這些資料所呈現的證據結果,改善既有應用的服務模式,或是進一步產生各式的加值服務。

目前國際上一些主要的線上學習平台,也逐漸導入這種巨量資料的分析研究[2],以平台上的資料為基礎進行資料處理,再根據計算結果進行分析後,進而發展新的服務或推薦模式,形成一套基於學習分析(Learning Analytics)的研究流程。例如:以學生觀看教學影片時所產生的學習行為歷程,經由資料探勘等方法分析其學習特徵,這就是學習分析的概念

分析學習者學習資料的「學習分析」

學習分析是近期興起的研究領域,主要研究對象是以學習者為主體,搜集分析相關的學習資料,進而評估學習結果或是優化學習的過程與環境[3],經由系統自動擷取線上平台的互動資料,可產生使用者的學習歷程

而這些學習歷程經過分析後,可作為研究學習或認知理論的數據、探討使用者對於學習平台的回饋、評估學生的學習狀態或結果、改善線上平台上的學習資源、或是可進一步改善平台的服務模式,以及產生個人化的推薦服務[4]。

laframework

由於數位學習平台上的使用者具有多種角色,包含學生、教師、家長、教育決策者、平台供應/維運者、教材內容提供者等,這些不同角色的使用者在平台上的需求並不相同[5],因此學習分析的研究面向是多元的,即使是同類型的學習歷程資料經過分析後,可用不同觀點進行資料解讀,再佐以適當的視覺化呈現數據的結果,針對各種角色的使用者需求發展平台上的服務。相關的學習分析研究角度可參考如圖。(資料來源:A Generic Framework for Learning Analytics[7]

「學習分析」的各個面向圖

目前國際上已經有數個研究團隊,在學習分析的研究議題上,是以平台所累積的影片觀看資料,分析與解讀資料。

例如在edX平台上的影片學習歷程上,針對影片的長度、編排位置、內容、或是講者的風格或聲調進行統計,討論何種類型的影片較能提高學生的參與度,並提出相關的建議給予教學影片的製作者[6]。

而在Coursera的影片素材上,也有研究團隊試圖探討使用者在播放影片時是否真的專注於影片上,因此他們藉由分析使用者在播放影片時的操作行為與順序,來判斷使用者觀看教學影片時的實際參與度[7],相關的方法可用來推估學生是否確實在進行學習,有助於實際學習狀況的判斷。

由於在數位學習平台上最主要的資源是教學影片,學生花費較多的學習時間也偏重在影片的觀看上,因此若能在學習平台上進行觀看歷程的分析,從教材提供者的角度可了解影片的品質,提供作為影片改善的參考,而從學生的角度則有助於了解學生的學習狀況,可提供適當的後續資源給學生

[參考資料]

  1. J. Manyika, M. Chui, B. Brown, J. Bughin, R. Dobbs, C. Roxburgh, and A. Byers, Big data: The next frontier for innovation, competition, and productivity,” May 2011.
  2. A. G. Picciano, The Evolution of Big Data and Learning Analytics in American Higher Education,” Journal of Asynchronous Learning Networks, vol. 16, no. 3, pp. 9–20, Jun. 2012.
  3. G. Siemens and P. Long, Penetrating the Fog: Analytics in Learning and Education,” EDUCAUSE Review, vol. 46, no. 5, p. 30, Jan. 2011.
  4. G. Siemens, Learning Analytics: Envisioning a Research Discipline and a Domain of Practice,” in Proceedings of the 2Nd International Conference on Learning Analytics and Knowledge, New York, NY, USA, 2012, pp. 4–8.
  5. W. Greller and H. Drachsler, Translating Learning into Numbers: A Generic Framework for Learning Analytics,” Journal of Educational Technology & Society, vol. 15, no. 3, pp. 42–57, Nov. 2012.
  6. P. J. Guo, J. Kim, and R. Rubin, How Video Production Affects Student Engagement: An Empirical Study of MOOC Videos,” in Proceedings of the First ACM Conference on Learning @ Scale Conference, New York, NY, USA, 2014, pp. 41–50.
  7. T. Sinha, P. Jermann, N. Li, and P. Dillenbourg, Your click decides your fate: Inferring Information Processing and Attrition Behavior from MOOC Video Clickstream Interactions,” presented at the 2014 Empirical Methods in Natural Language Processing Workshop on Modeling Large Scale Social Interaction in Massively Open Online Courses, 2014.