基于学习分析视角的在线学习行为可视化分析与案例研究
王苗+刘志超
摘 要：工具支持下的学习分析技术以其多维度的数据采集、自动化的数据分析、可视化的分析结果等优势为在线学习行为分析提供了新的思路。文章首先对在线学习行为及可视化技术进行概述性描述并系统的梳理了在线学习行为分析的现状，在此基础上对国外学习分析技术典型应用项目进行分析，最后对工具支持下的学习分析与可视化技术对于在线学习行为分析的重要意义做出总结与展望。
关键词：在线学习行为：可视化；学习分析；案例研究
中图分类号：G434 文献标志码：A 文章编号：1673-8454（2015）09-0010-04
一、引言
学习分析技术是以海量的数据为基础，利用数据挖掘的成果，对在线学习环境及学生的在线学习为对象，对学习者产生的数据和分析模型探究信息和社会的联系，并且对学习作出预测和建议。[1] 在大数据背景下，学习分析逐渐成为教育工作者研究的热点。
国内外远程教育研究者对学习分析技术展开了一系列的研究，英国马里兰大学在Blackboard平台中的课程管理模块中开设了“自我行为检查”的工具，帮助学生自我诊断与评估[2]；比利时鲁汶大学和哥伦比亚大学则分别运用学习分析技术创建应用程序内嵌到在线学习平台中，对学生在线学习进行可视化分析来帮助学生了解学习情况[3]；美国普渡大学的“信号预警系统”对学生的学习行为进行监控，对学绩较差的学生以邮件的形式给予预警并提供帮助。[4]我国对于学习分析技术的研究处于理论、技术及应用趋势的研究层面，如华东师范大学的顾小清教授（2012年）系统的分析了学习分析技术的发展脉络以及学习分析技术中的关键技术在此基础上指出学习分析技术的应用趋势[5]，北京邮电大学的李青（2012年）从学术界对学习分析的几种权威定义出发探讨学习分析的主要分析方法与工具，并学习分析技术的典型案例进行综述性研究[6]，南京大学的李逢庆（2012年）对学习分析的内涵、过程、工具和方法做了深层次的解读，并从推动大学教学创新的视域下阐释学习分析促进大学教学信息化深入发展的重要价值与深远影响[7]。最近的研究表明，我国远程教育研究者展开了学习分析技术应用于在线学习平台的案例研究。例如，中央民族大学孙洪涛（2013年）通过一个案例展示了在开源平台和工具的支持下学习分析对于远程教学交互研究的意义[8]，国家开放大学魏顺平（2013年）通过中央广播电视大学的网上教学实例从不同的用户角度探究了学习分析技术对于挖掘大数据时代下教育数据的价值。[9]
二、在线学习行为分析及数据可视化
1.在线学习行为概述
目前国内外关于在线学习行为的概念尚无明确的界定，与其相似的概念有“网络学习行为”、“”远程学习行为“数字化学习行为”等，沿用较多的定义为杨开城（2002年）的“在线学习行为是指学习者在由现代信息技术所创设的、具有全新沟通机制与丰富资源的学习环境中，开展的远程自主学习行为。”[10]其特征是一个运用现代技术手段开发的多维度多层次的学习系统，学习者的学习行为较传统学习更为独立自主。[11]在线学习强调利用网络在线学习平台所提供给的网络学习环境以及开发的课程资源、学习者按照自己的学习目标、学习计划、学习进度、学习时间等展开自主学习活动，在线学习过程中可以借助“BBS论坛”、聊天工具等与其他学习者进行协作学习，在线学习过程中，教师对学生的学习行为进行监控跟踪，及时给与奖励或预警，避免学生在放任的状态下学习。
2.在线学习行为分析
目前国内外研究集中在对线平台网络日志进行描述以及研发跟踪监控软件实时监控学习者的在线学习行为。例如，]Karin Anna Hummel 等通过分析数据库访问记录和日志文件，分析学习者的在线学习行为。[12]Romero等使用数据挖掘技术对Moodle平台中的日志进行分析，对学习者学习情况进行分析和预测，将分析结果反馈给学习者及教师，便于学习者掌握自己的学习情况，便于教师调整教学计划，作出科学的教学决策。[13]
国内学者关于在线学习行为分析的研究尚处于初步探索阶段，较多以文献研究、问卷调查等方式采集学习者行为信息，对在线学习行为分析模型以及分析平台进行研究，彭文辉，杨宗凯等（2006年）给出一个基于网络学习行为分析的学习平台结构模型，对学习者学习行为进行分析，奠定了对学习者的行为评价和学习智能化、个性化调整的基础。[14]彭文辉，杨宗凯等（2007年）通过对网络在线学习者进行问卷调查，利用数据分析工具分析在线学习者的行为，为在线学习平台、在线学习资源的设计与开发提出针对性的建议。[15]一些学者通过分析在线学习平台的数据库和网络日志等对在线学习行为进行实证性研究。袁明，陈伟杰采用统计分析法和聚类分析法对华东师范大学网络教育学院的每天访问课程人数及月平均值、学习者到访比例、在线测试题完成情况等方面进行了研究分析。[16]魏顺平以2010年春季学期江苏电大9369名新生选修的中央电大开放教育入门课程“开放教育学习指南”，采用数据挖掘的方法得出登录、资源浏览、作业、测试等在线学习行为的特点及其影响因素，为网络课程的设计以及优化在线学习评价效度等提出合理化建议。[17]
本文将尝试将学习分析和数据可视化技术应用于在线行为分析研究中，弥补传统在线行为分析的不足。
3.数据可视化
探索和理解大型数据集，数据可视化是最有效的途径之一。把数字置于视觉空间中，更容易发现其中潜藏的模式。[18]笔者按照处理数据类型的不同将其输出形式总结如图1所示。
一般而言，数据可视化分为探索性可视化和理解型可视化[19]，探索型可视化是在不确定从数据集中能够获取到何种信息试图探索数据所潜藏的信息，理解型可视化是最直观、最清晰的方式生成便于用户能够理解的形式，增强处理效率。
三、学习分析技术应用于在线学习行为分析的优势
1.多来源、多维度的数据采集有利于深层次挖掘在线学习行为信息
学习分析技术的数据来源广泛：①可以从Blackboard、Moodle、Sakai等主流的学习管理系统中采集数据；②可以从微博、MSN、QQ等社交工具中采集学习者与他人交互的数据；③通过实时监控软件获取学习者的与学习相关的面部情绪、注意力集中程度等信息；④从传统课堂学习中的课本、作业、试卷等采集信息。
学习分析技术能够实现多维度的数据采集：①独立操作产生的数据：登录时间、浏览网页、资源下载、发帖子、做笔记等；②交互行为产生的数据：论坛、聊天室、社交工具讨论、与教师的互动、与其他学习者互动等；③复杂关系网络数据：鼠标链接关系网络、社交网络、生物网络、地理位置网络等。对在线学习行为数据进行多来源、对维度的采集，有利于挖掘出深层次的信息。
2.自动化的数据处理过程简化了数据处理繁复的工作量
随着数据处理量的不断增大，一些一键可视化的学习分析工具开始不断的出现，如Gephi、NodeXL等，这些工具技术门槛低，操作便捷，功能强大，支持不同的数据格式，运用此类分析工具再加上简单的编程技巧即可自动化的生成不同格式的可视化图表，满足各种需求，极大的减少了数据准备、处理、可视化等繁复的工作量。
3.可视化的分析结果有利于描述复杂的学习行为及制定科学的教育决策
将在线学习行为数据可视化同时起到解释在线学习行为和探索远程教育规律的作用，对在线学习行为数据进行可视化研究，往往能够从中发现一些通过常规统计方法很难挖掘到的信息，很多情况下这些信息能够成为远程研究者描述复杂的学习行为或者制定教育决定提供帮助。远程教育研究者可将可视化作为寻求问题以及探索在线学习行为数据集新特征的一种方式。
四、案例研究
尽管学习分析技术得到教育界的普遍关注，各国纷纷展开学习分析技术的应用实践，包括学习分析系统和工具的研发等，但目前投入到教学实践中的项目并不多，笔者通过文献研究了解到如下国外最具代表性的两个项目。
1.澳大利亚Wollongong大学领导的“可视化网络：网络学习可视化评估”项目
（1）项目研究内容
澳大利亚学与教委员会（ALTC）启动了“解决采集和可视化学生网络学习交互数据的巨大开支问题的计划”简称ALTC计划，该计划试图通过发展专业的学习分析工具来解决设计和评估学与教实践的巨大财政开支问题，以Wollongong大学为主多个大学积极响应，共同参与研发了基于学习分析技术的“网络学习可视化评估”（SNAPP）工具，该工具能够将Blackboard或其他学习管理系统中论坛的发帖回的学习者关系以可视化的图表形式输出，帮助教师迅速诊断学习者的学习模式，为教师网络学习评估提供有力支持。
（2）SNAPP系统业务流程
SNAPP系统从LMS论坛中获取数据建立关系网络的过程类似于网络中继聊天，实质上是将论坛讨论者与其他讨论着的关系可视化，论坛关系参与水平以两个节点（教师和学习者）作为指示器。SNAPP工具可以从Blackboard或WebCT的论坛交互行关系直接导出也可以导入到更复杂的社会网络分析工具（GraphML/NetDraw等）中做更深入的分析。SNAPP安装后以书签的形式添加到浏览器的菜单栏中，其业务流程如图2所示。
（3）研究成果
“可视化网络：网络学习可视化评估”项目组对参与者进行的问卷调查显示，SNAPP工具在教学实践中表现出较以往评估方式更好的效果和价值。该项目的研究成果还包括：①验证了SNAPP工具的有效性和优势；②归纳出网络学习者论坛交互的一般模式；③学习网络分析结果指导教师了解学习者的学习动机、表现以及在线参与情况；④借助于Web2.0技术将SNAPP业务扩展其他学习管理系统中；⑤对SNAPP未来研发方向提出展望，后续工作将开发网络学习情况的自我评估工具。
2.美国普渡大学的“课程信号”项目
（1）项目研究内容
为了提高课堂学习效果，美国普渡大学研发“课程信号”项目，该项目通过跟踪学习者的学习进程，在学习者学绩达到标准要求的临界点之前今早给出预警信号，警示学习者在某方面需要加大学习力度。“课程信号”项目具有如下优势：为学习者提供实时的反馈信息；干预措施从课程开始第二周即开始，及早跟踪学习者的学习进程；提供连续的不间断的反馈信息。
（2）“课程信号”项目的业务流程
“课程信号”项目以在线学习系统中的海量学习行为数据为基础，通过实时的数据分析出哪些学习者处于学绩危险状态，并依此作为学习者在某门网络课程中的努力程度判定标准。
（3）项目总结与展望
项目组计划在未来的18个月内将使用“课程信号”项目的学生再扩大20000人，此计划得到了普渡大学高层教学管理者的大力支持。此项目数据处理的算法和使用情况还用一定的局限性，有待于进一步提高，“课程信号”项目将继续为学习者提供更加细化的反馈结果，进一步帮助学习者提高学习成绩。
五、总结与展望
学习分析技术为在线学习行为分析提供了新的视角，将可视化技术融入在线行为数据分析之中，使分析结果更具有科学性，学习分析的多维度数据采集、自动化的数据处理过程、可视化的分析结果等特点得到了充分的体现。大数据时代背景下工具支持下的学习分析技术及可视化技术彰显出巨大的教育应用价值，具有巨大的发展潜力。
学习分析技术在国外得到了广泛的关注，本文对国外基于学习分析技术的两个典型项目做了案例分析，以期为我国研究者提供参考，由于时间和精力有限并未展开实证研究，在后续的研究中，笔者将展开学习分析就是支持下的在线学习行为可视化的实证研究，进一步挖掘学习分析及可视化技术巨大的教育价值。相信在不远的将来，我国的教育领域也会有更多的学习分析技术实证研究与教学实践。
参考文献：
[1]G.Sienens，What is learninganalytics[EB/OL].http：//www.elearnspace.org/blog/2010/08/25/what-are-learning-analytics/，2013-05-12.
[2]UMBC.”Check My Activity”Reports for Students Now Available Inside Blackboard[EB/OL].http：//www.umbc.edu/blogs/oit-news/reports/，2013-05-14.
[3]Macfadyen，L.P.&Dawson，S.Mining LMS data to develop an “early warning system ”for educators：A proof of concept，Computers & Education，2010，54（2）：588-599.
[4]Iten，L.Arnold，K，&Pistilli，M.Mining Real-time Data to Improve Sdudent Success in a Gateway Course[EB/OL].http：//www.bio-purdue.edu/bootcamp/，2013-05-14.
[5]顾小清，张进良，蔡慧英.学习分析技术：正在浮现中的数据技术[J].远程教育杂志，2012（1）.
[6]李青，王涛.学习分析技术研究与应用现状述评[J].中国电化教育，2012（8）.
[7]李逢庆，钱万正.学习分析：大学教学信息化研究与实践的新领域[J].现代教育技术，2012（7）.
[8]孙洪涛.开源工具支持下的社会网络分析——NodeXL介绍与案例研究[J].中国远程教育，2012（2）.
[9]魏顺平.学习分析技术：挖掘大数据时代下教育数据的价值[J].现代教育技术，2013（2）.
[10]杨开城，李文光.现代教学设计的理论体系初探[J].中国电化教育，2002（2）.
[11][14]彭文辉，杨宗凯，黄克斌.网络学习行为分析及其模型研究[J].中国电化教育，2006（10）.
[12]Karin Anna Hummel，Helmut Hlavacs.Anytime，Anywhere Learning Behavior Using aWeb-Based Platform for a University Lecture[DB/OL].www.ani.univie.ac.at/hlavacs/publications/ssgrr_winter03.pdf.
[13]Romero，C，Ventura，S.，& Garcia，E.Data mining in course management systems：Moodle case study and tutorial[J].Computers & Education，51（01）.
[15]彭文辉，杨宗凯，涂山青，李念.网络学习者的学习行为调查及分析[J].中国电化教育，2007（12）.
[16]袁明，陈伟杰.网络教育学习者在线学习行为分析研究[J].浙江现代教育技术，2006（4）.
[17]魏顺平.在线学习行为特点及其影响因素分析研究[J].开放教育研究，2012（8）.
[18]Nathan Yau著，项怡宁译.数据可视化指南[M].北京：人民邮电出版社，2012.
[19]李志刚，朱志军.大数据：大价值、大机遇、大变革[M].北京：电子工业出版社，2012.
（编辑：王晓明）
摘 要：工具支持下的学习分析技术以其多维度的数据采集、自动化的数据分析、可视化的分析结果等优势为在线学习行为分析提供了新的思路。文章首先对在线学习行为及可视化技术进行概述性描述并系统的梳理了在线学习行为分析的现状，在此基础上对国外学习分析技术典型应用项目进行分析，最后对工具支持下的学习分析与可视化技术对于在线学习行为分析的重要意义做出总结与展望。
关键词：在线学习行为：可视化；学习分析；案例研究
中图分类号：G434 文献标志码：A 文章编号：1673-8454（2015）09-0010-04
一、引言
学习分析技术是以海量的数据为基础，利用数据挖掘的成果，对在线学习环境及学生的在线学习为对象，对学习者产生的数据和分析模型探究信息和社会的联系，并且对学习作出预测和建议。[1] 在大数据背景下，学习分析逐渐成为教育工作者研究的热点。
国内外远程教育研究者对学习分析技术展开了一系列的研究，英国马里兰大学在Blackboard平台中的课程管理模块中开设了“自我行为检查”的工具，帮助学生自我诊断与评估[2]；比利时鲁汶大学和哥伦比亚大学则分别运用学习分析技术创建应用程序内嵌到在线学习平台中，对学生在线学习进行可视化分析来帮助学生了解学习情况[3]；美国普渡大学的“信号预警系统”对学生的学习行为进行监控，对学绩较差的学生以邮件的形式给予预警并提供帮助。[4]我国对于学习分析技术的研究处于理论、技术及应用趋势的研究层面，如华东师范大学的顾小清教授（2012年）系统的分析了学习分析技术的发展脉络以及学习分析技术中的关键技术在此基础上指出学习分析技术的应用趋势[5]，北京邮电大学的李青（2012年）从学术界对学习分析的几种权威定义出发探讨学习分析的主要分析方法与工具，并学习分析技术的典型案例进行综述性研究[6]，南京大学的李逢庆（2012年）对学习分析的内涵、过程、工具和方法做了深层次的解读，并从推动大学教学创新的视域下阐释学习分析促进大学教学信息化深入发展的重要价值与深远影响[7]。最近的研究表明，我国远程教育研究者展开了学习分析技术应用于在线学习平台的案例研究。例如，中央民族大学孙洪涛（2013年）通过一个案例展示了在开源平台和工具的支持下学习分析对于远程教学交互研究的意义[8]，国家开放大学魏顺平（2013年）通过中央广播电视大学的网上教学实例从不同的用户角度探究了学习分析技术对于挖掘大数据时代下教育数据的价值。[9]
二、在线学习行为分析及数据可视化
1.在线学习行为概述
目前国内外关于在线学习行为的概念尚无明确的界定，与其相似的概念有“网络学习行为”、“”远程学习行为“数字化学习行为”等，沿用较多的定义为杨开城（2002年）的“在线学习行为是指学习者在由现代信息技术所创设的、具有全新沟通机制与丰富资源的学习环境中，开展的远程自主学习行为。”[10]其特征是一个运用现代技术手段开发的多维度多层次的学习系统，学习者的学习行为较传统学习更为独立自主。[11]在线学习强调利用网络在线学习平台所提供给的网络学习环境以及开发的课程资源、学习者按照自己的学习目标、学习计划、学习进度、学习时间等展开自主学习活动，在线学习过程中可以借助“BBS论坛”、聊天工具等与其他学习者进行协作学习，在线学习过程中，教师对学生的学习行为进行监控跟踪，及时给与奖励或预警，避免学生在放任的状态下学习。
2.在线学习行为分析
目前国内外研究集中在对线平台网络日志进行描述以及研发跟踪监控软件实时监控学习者的在线学习行为。例如，]Karin Anna Hummel 等通过分析数据库访问记录和日志文件，分析学习者的在线学习行为。[12]Romero等使用数据挖掘技术对Moodle平台中的日志进行分析，对学习者学习情况进行分析和预测，将分析结果反馈给学习者及教师，便于学习者掌握自己的学习情况，便于教师调整教学计划，作出科学的教学决策。[13]
国内学者关于在线学习行为分析的研究尚处于初步探索阶段，较多以文献研究、问卷调查等方式采集学习者行为信息，对在线学习行为分析模型以及分析平台进行研究，彭文辉，杨宗凯等（2006年）给出一个基于网络学习行为分析的学习平台结构模型，对学习者学习行为进行分析，奠定了对学习者的行为评价和学习智能化、个性化调整的基础。[14]彭文辉，杨宗凯等（2007年）通过对网络在线学习者进行问卷调查，利用数据分析工具分析在线学习者的行为，为在线学习平台、在线学习资源的设计与开发提出针对性的建议。[15]一些学者通过分析在线学习平台的数据库和网络日志等对在线学习行为进行实证性研究。袁明，陈伟杰采用统计分析法和聚类分析法对华东师范大学网络教育学院的每天访问课程人数及月平均值、学习者到访比例、在线测试题完成情况等方面进行了研究分析。[16]魏顺平以2010年春季学期江苏电大9369名新生选修的中央电大开放教育入门课程“开放教育学习指南”，采用数据挖掘的方法得出登录、资源浏览、作业、测试等在线学习行为的特点及其影响因素，为网络课程的设计以及优化在线学习评价效度等提出合理化建议。[17]
本文将尝试将学习分析和数据可视化技术应用于在线行为分析研究中，弥补传统在线行为分析的不足。
3.数据可视化
探索和理解大型数据集，数据可视化是最有效的途径之一。把数字置于视觉空间中，更容易发现其中潜藏的模式。[18]笔者按照处理数据类型的不同将其输出形式总结如图1所示。
一般而言，数据可视化分为探索性可视化和理解型可视化[19]，探索型可视化是在不确定从数据集中能够获取到何种信息试图探索数据所潜藏的信息，理解型可视化是最直观、最清晰的方式生成便于用户能够理解的形式，增强处理效率。
三、学习分析技术应用于在线学习行为分析的优势
1.多来源、多维度的数据采集有利于深层次挖掘在线学习行为信息
学习分析技术的数据来源广泛：①可以从Blackboard、Moodle、Sakai等主流的学习管理系统中采集数据；②可以从微博、MSN、QQ等社交工具中采集学习者与他人交互的数据；③通过实时监控软件获取学习者的与学习相关的面部情绪、注意力集中程度等信息；④从传统课堂学习中的课本、作业、试卷等采集信息。
学习分析技术能够实现多维度的数据采集：①独立操作产生的数据：登录时间、浏览网页、资源下载、发帖子、做笔记等；②交互行为产生的数据：论坛、聊天室、社交工具讨论、与教师的互动、与其他学习者互动等；③复杂关系网络数据：鼠标链接关系网络、社交网络、生物网络、地理位置网络等。对在线学习行为数据进行多来源、对维度的采集，有利于挖掘出深层次的信息。
2.自动化的数据处理过程简化了数据处理繁复的工作量
随着数据处理量的不断增大，一些一键可视化的学习分析工具开始不断的出现，如Gephi、NodeXL等，这些工具技术门槛低，操作便捷，功能强大，支持不同的数据格式，运用此类分析工具再加上简单的编程技巧即可自动化的生成不同格式的可视化图表，满足各种需求，极大的减少了数据准备、处理、可视化等繁复的工作量。
3.可视化的分析结果有利于描述复杂的学习行为及制定科学的教育决策
将在线学习行为数据可视化同时起到解释在线学习行为和探索远程教育规律的作用，对在线学习行为数据进行可视化研究，往往能够从中发现一些通过常规统计方法很难挖掘到的信息，很多情况下这些信息能够成为远程研究者描述复杂的学习行为或者制定教育决定提供帮助。远程教育研究者可将可视化作为寻求问题以及探索在线学习行为数据集新特征的一种方式。
四、案例研究
尽管学习分析技术得到教育界的普遍关注，各国纷纷展开学习分析技术的应用实践，包括学习分析系统和工具的研发等，但目前投入到教学实践中的项目并不多，笔者通过文献研究了解到如下国外最具代表性的两个项目。
1.澳大利亚Wollongong大学领导的“可视化网络：网络学习可视化评估”项目
（1）项目研究内容
澳大利亚学与教委员会（ALTC）启动了“解决采集和可视化学生网络学习交互数据的巨大开支问题的计划”简称ALTC计划，该计划试图通过发展专业的学习分析工具来解决设计和评估学与教实践的巨大财政开支问题，以Wollongong大学为主多个大学积极响应，共同参与研发了基于学习分析技术的“网络学习可视化评估”（SNAPP）工具，该工具能够将Blackboard或其他学习管理系统中论坛的发帖回的学习者关系以可视化的图表形式输出，帮助教师迅速诊断学习者的学习模式，为教师网络学习评估提供有力支持。
（2）SNAPP系统业务流程
SNAPP系统从LMS论坛中获取数据建立关系网络的过程类似于网络中继聊天，实质上是将论坛讨论者与其他讨论着的关系可视化，论坛关系参与水平以两个节点（教师和学习者）作为指示器。SNAPP工具可以从Blackboard或WebCT的论坛交互行关系直接导出也可以导入到更复杂的社会网络分析工具（GraphML/NetDraw等）中做更深入的分析。SNAPP安装后以书签的形式添加到浏览器的菜单栏中，其业务流程如图2所示。
（3）研究成果
“可视化网络：网络学习可视化评估”项目组对参与者进行的问卷调查显示，SNAPP工具在教学实践中表现出较以往评估方式更好的效果和价值。该项目的研究成果还包括：①验证了SNAPP工具的有效性和优势；②归纳出网络学习者论坛交互的一般模式；③学习网络分析结果指导教师了解学习者的学习动机、表现以及在线参与情况；④借助于Web2.0技术将SNAPP业务扩展其他学习管理系统中；⑤对SNAPP未来研发方向提出展望，后续工作将开发网络学习情况的自我评估工具。
2.美国普渡大学的“课程信号”项目
（1）项目研究内容
为了提高课堂学习效果，美国普渡大学研发“课程信号”项目，该项目通过跟踪学习者的学习进程，在学习者学绩达到标准要求的临界点之前今早给出预警信号，警示学习者在某方面需要加大学习力度。“课程信号”项目具有如下优势：为学习者提供实时的反馈信息；干预措施从课程开始第二周即开始，及早跟踪学习者的学习进程；提供连续的不间断的反馈信息。
（2）“课程信号”项目的业务流程
“课程信号”项目以在线学习系统中的海量学习行为数据为基础，通过实时的数据分析出哪些学习者处于学绩危险状态，并依此作为学习者在某门网络课程中的努力程度判定标准。
（3）项目总结与展望
项目组计划在未来的18个月内将使用“课程信号”项目的学生再扩大20000人，此计划得到了普渡大学高层教学管理者的大力支持。此项目数据处理的算法和使用情况还用一定的局限性，有待于进一步提高，“课程信号”项目将继续为学习者提供更加细化的反馈结果，进一步帮助学习者提高学习成绩。
五、总结与展望
学习分析技术为在线学习行为分析提供了新的视角，将可视化技术融入在线行为数据分析之中，使分析结果更具有科学性，学习分析的多维度数据采集、自动化的数据处理过程、可视化的分析结果等特点得到了充分的体现。大数据时代背景下工具支持下的学习分析技术及可视化技术彰显出巨大的教育应用价值，具有巨大的发展潜力。
学习分析技术在国外得到了广泛的关注，本文对国外基于学习分析技术的两个典型项目做了案例分析，以期为我国研究者提供参考，由于时间和精力有限并未展开实证研究，在后续的研究中，笔者将展开学习分析就是支持下的在线学习行为可视化的实证研究，进一步挖掘学习分析及可视化技术巨大的教育价值。相信在不远的将来，我国的教育领域也会有更多的学习分析技术实证研究与教学实践。
参考文献：
[1]G.Sienens，What is learninganalytics[EB/OL].http：//www.elearnspace.org/blog/2010/08/25/what-are-learning-analytics/，2013-05-12.
[2]UMBC.”Check My Activity”Reports for Students Now Available Inside Blackboard[EB/OL].http：//www.umbc.edu/blogs/oit-news/reports/，2013-05-14.
[3]Macfadyen，L.P.&Dawson，S.Mining LMS data to develop an “early warning system ”for educators：A proof of concept，Computers & Education，2010，54（2）：588-599.
[4]Iten，L.Arnold，K，&Pistilli，M.Mining Real-time Data to Improve Sdudent Success in a Gateway Course[EB/OL].http：//www.bio-purdue.edu/bootcamp/，2013-05-14.
[5]顾小清，张进良，蔡慧英.学习分析技术：正在浮现中的数据技术[J].远程教育杂志，2012（1）.
[6]李青，王涛.学习分析技术研究与应用现状述评[J].中国电化教育，2012（8）.
[7]李逢庆，钱万正.学习分析：大学教学信息化研究与实践的新领域[J].现代教育技术，2012（7）.
[8]孙洪涛.开源工具支持下的社会网络分析——NodeXL介绍与案例研究[J].中国远程教育，2012（2）.
[9]魏顺平.学习分析技术：挖掘大数据时代下教育数据的价值[J].现代教育技术，2013（2）.
[10]杨开城，李文光.现代教学设计的理论体系初探[J].中国电化教育，2002（2）.
[11][14]彭文辉，杨宗凯，黄克斌.网络学习行为分析及其模型研究[J].中国电化教育，2006（10）.
[12]Karin Anna Hummel，Helmut Hlavacs.Anytime，Anywhere Learning Behavior Using aWeb-Based Platform for a University Lecture[DB/OL].www.ani.univie.ac.at/hlavacs/publications/ssgrr_winter03.pdf.
[13]Romero，C，Ventura，S.，& Garcia，E.Data mining in course management systems：Moodle case study and tutorial[J].Computers & Education，51（01）.
[15]彭文辉，杨宗凯，涂山青，李念.网络学习者的学习行为调查及分析[J].中国电化教育，2007（12）.
[16]袁明，陈伟杰.网络教育学习者在线学习行为分析研究[J].浙江现代教育技术，2006（4）.
[17]魏顺平.在线学习行为特点及其影响因素分析研究[J].开放教育研究，2012（8）.
[18]Nathan Yau著，项怡宁译.数据可视化指南[M].北京：人民邮电出版社，2012.
[19]李志刚，朱志军.大数据：大价值、大机遇、大变革[M].北京：电子工业出版社，2012.
（编辑：王晓明）
