【芥末翻】从学习科学的角度看大数据如何促进学习？

　　【芥末翻】是芥末堆全新推出的一档学术栏目，由芥末堆海外翻译社群的小伙伴们助力完成。我们致力于将全球经典或是前沿的教育、教育技术、学习理论、实践案例等文献翻译成中文，并希望能够通过引进这类优质教育研究，在全球教育科学的推动下，让更好的教育来得更快！

　　编者推荐：互联网为教育带来的可能性之一是“大数据+教育”，通过搜集学生的学习行为数据推断其学习进度和学习状况，给予个性化的指导，是大数据的梦想，那么，从学习科学的角度看，大数据如何改善学习，对学生的学习发挥作用？

　　有关学习的数据收集和分析在教育的各个层面都呈指数级增长的趋势。在认识在线学习及混合式学习方面，数据科学（Data Science）必然有重要的影响。跟学生学习相关的数据被大量搜集，这些数据为深入了解学生学习提供了前所未有的资源。也因此，在未来几年，数据与学习科学将会彼此互相影响。

　　在教育领域，虽然数据科学有其应用潜力，但是最近的一些文章指出，海量收集的学生行为数据并没有全面捕捉学生的学习行为。Roger（Critical realism and learning analytics research,2015）认为，这种对教育的主义分析大体上表明了社会科学存在的问题。虽然在应用数据和分析时引入观点有不可否认的好处，我们认为，目前将数据科学应用于理解学习的能力和目的愈发明显。数据及其分析与学习科学的交汇，能够更好地支持学生的学习。

　　学习分析的概念出现不到十年，它通过对学生数据的分析来改善学习和学习。学习分析涉及多源数据整合以及分析，用来决定下一步的行动。这是一个快速发展的领域，其基础不仅包括数据科学，还包括心理学，商业分析和学习科学。学习分析的研究在许多领域进行，如给予自动化的反馈，以及课程设计来支持学生的学习。

　　作为一个正在成长的研究和实践领域，学习分析的作用在于，随着更多技术在教学和学习中的应用，有关学生行为和参与度的数据量增多，它提升了数据的价值。数据的激增带来了各种可能性，如更好地监督学生的学习进度，及时发现有学习障碍的学生，对于学生行为模式的新洞见，以及在数字化下做出实时干预。这类数据应用同样引起一些质疑，如数据使用，学习分析系统模型的质量，以及对数据的正确解读。这些反对观点说明，通过对学习数据的分析来理解有效学习是一个正在发展中的领域。原因有以下几点，我们将简要地依次阐述。

　　对学习分析（learning analytics）的常见指出，单靠行为数据不能决定学习质量。但在这些评论中被遗忘的是，用行为数据理解学生学习远非什么新方法。类似的推理方式已被学习领域研究者使用了几十年，尤其是心理学家和认知神家。

　　通过精心设计的实验，研究者们能够基于行为数据推断学生的学习进度。学习分析作为一种方可从其中吸收经验。

　　实验研究提供了解释学习如何发生的模型。这些模型可用来理解和预测真实的学习过程。比如，实验室研究表明了在学习活动中学生感到困惑时会出现哪些明显行为。如果这些判断标志在学生真实的线上学习中出现，我们就能有根据地判断：该生可能有困惑。

　　如果识别了学生的潜在困惑，我们就能实施适当的教学干预。这可以是线上学习系统中的自动反馈信息，也可以是某种形式的师生沟通。行为数据还能记录学生的学习方法，比如学习频率和顺序。尽管这些并不能直接衡量学生学习情况，但是通过判定能够提高学生学习计划和学习管理水平的策略，将对学生学习产生积极影响。

　　由数据推断表明，学习科学和学习分析不仅能互相学习，而且相辅相成，相得益彰。尤其是心理学特别能为如何最好地从行为数据中推测学习状况提供选择。而学习分析则为学习科学在真实数字（digital）中理解学习方式的评估提供了新工具。通过收集，整合并分析数据，学习分析为如何进一步检测观察结果从实验室到教室的提供了机遇。在线学习系统的日志文件和审核记录积累了学生在数字中的学习行为数据，这些数据可与实验下收集的数据进行比较。学习分析，或更广泛地说——数据科学，因而能通过“行为”这一焦点，链接教育，心理学和神经科学。

　　在现实的教育中，从数据中创造意义需要参考学习活动是如何设计的。就像实验设计中允许对实验室中的学习进行推测，学习设计也允许对教室中的学习进行推测。这两种场景都给数据赋予意义。参考特定的学习设计来检测学生行为的数据，有助于老师看清学生是否如期地参与到活动中。如果没有，这也许意味着需要对这个设计进行反思和改进。再一次，这表明了学习分析的强项，即通过联系学生行为和学习设计来连接实验室和教室。关于大数据的讨论中，经常有一个假设：数据和分析会自动地给学生学习提供一个“答案”。对于大数据收集的错觉将最终导致确凿的事实，即学习这一挑战必须由学习分析领域来解决。就学习分析目前发展的阶段，很清晰的一点是，教师在连接分析和恰当学习行为的过程中仍然处于中心地位。作为学习活动的设计者，教师被最好地定位以判断学生的行为模式是否符合教学原因，即为什么这些活动导致学生学习。

　　人们常学习分析过度关注孤立的行为标记。的确，如果该领域仅此而已，它的价值真的很有限。然而，学习分析目前包含越来越多样的理解学习的方法。其优势是，如果战略性地使用，它能建立在其他学科的上（特别是教育学和心理学）。计算神经科学也有潜力构建和改进分析模型，从而更好地预测学生学习进展。诚然，学习分析不会提供改善学习的终极答案，但该领域有可能通过提供对真实教育中学生行为的更深见解，弥合教育学、心理学和神经科学间的差距。要让学习分析和行为数据对理解学生学习发挥作用，重要的是确定我们想知道的，已知的，以及这与设计的联系。只有确认这些因素后，我们才能确定所需数据。识别正确的数据对于正确的学习分析、实验室与教室之间的差距弥合至关重要。其中有些数据易得，有些数据不易得。有些易得数据是没用的。大数据很重要，但关于个人和特定学习任务的小数据不可偏废。因此，学习科学在提示学习分析如何随时间改进方面发挥着关键作用。通过将其置于受控条件下，实验室研究有助于验证在现实中看到的学习模式。通过提出将助益于两个领域的理论和方，学习科学能促进学习分析的发展。而学习分析通过提供学生在实验室外学习行为的观察方法可以帮助弥合神经科学、心理学和教育学间的差距。因此，学习分析和学习科学的结合将可能为监督和支持学生学习提供更强大的方法。

　　本翻译仅作了解之用，并非用于学术研究或商业决策。芥末堆海外翻译社群的小伙伴们力求将关键与思想更广泛地至中文区域，故部分表达可能与原文有所差异。如需使用，请查证原文。