22、用于元认知支持的学习分析中的机器学习

用于元认知支持的学习分析中的机器学习

一、学习分析的发展背景与趋势

学习分析近年来基于大数据、机器学习、深度学习和数据挖掘技术得以发展。从功利主义角度出发，长期的学习分析概况如何有助于提高教学指导质量和学习者的元认知意识，是一个值得探讨的问题。

（一）教育创新范式

当前存在五种主导的教育创新范式，其核心是“主动学习”，并由建构主义、合作学习、真实学习和有意学习四个范式所支撑。学习分析及其所需的大数据与这五个维度的相关参数紧密相连。
| 教育创新范式 | 特点 |
| ---- | ---- |
| 建构主义 | 强调学习者主动构建知识 |
| 合作学习 | 注重学生之间的合作互动 |
| 真实学习 | 学习内容与实际生活紧密相关 |
| 有意学习 | 学习者有明确的学习目标和意图 |
| 主动学习 | 学生积极参与学习过程 |

（二）学习方式的转变

1. 工作与学习、游戏的融合 ：学习领域正朝着将工作和游戏方法融入学习的趋势发展。通过移动学习，学习变得无处不在，反映了对终身学习的重视。例如，“替代学习”理念的复兴，强调学习者不仅要进行协作学习，还要从他人的学习中学习。问题式学习在替代学习方面表现出显著优势，学生在互补学习任务中能相互受益。
2. 游戏对学习的积极影响 ：传统上，游戏被视为学习的准备阶段，但如今游戏元素已进入学校、职业培训甚至应对职业倦怠的领域。为了让学生适应终身学习，课堂中应允许有游戏元素，否则从学校到职业的过渡可能会受到阻碍。

（三）学习分析的技术支撑

学习分析依赖于大数据、深度学习和机器学习等技术。其目标是通过收集、整理和报告学生的互动数据，更好地了解学生的学习过程，优化学习条件和个性化辅导。教师常用的“仪表盘”就是与数据分析结果进行交互的常见方式。

graph LR
    A[大数据] --> B[学习分析]
    C[机器学习] --> B
    D[深度学习] --> B
    B --> E[优化学习过程]
    B --> F[个性化辅导]

二、学习分析的多方面影响

（一）学习分析的进化意义

学习心理学家如赫尔曼·艾宾浩斯和爱德华·桑代克曾提出利用过去数据可以更好地安排学习。学习需要以先决技能和知识为基础，记录的互动数据成为优化学习过程的有价值资产。

（二）文化与自然学习的差异

学校教育很大程度上依赖于一些传统惯例，如“集中注意力”“减少非教学渠道的感官刺激”等，这是“文化”层面的学习。而“自然”学习则涵盖了身体和大脑产生的心理、生理和情感等全方位的因素，例如慢波睡眠对巩固前一天印象的作用、通过食物提取物优化学习条件以及利用正念帮助学习者达到更好的专注和反思平衡。学习分析使教学设计者能够考虑更多维度，找到理想的组合。

（三）学习分析的隐私问题

学习分析涉及收集、整理和报告学生的互动数据，其目标是优化学习条件和个性化辅导。然而，学生数据被外部方（如潜在雇主和保险公司）利用的情况引发了争议。荷兰议会已要求教育部限制出版商和课件提供商使用学习分析数据，并确保数据匿名化。目前，学习分析的主要应用在于直接支持教师，例如检测预测学生辍学的因素。

（四）学习分析在个性化教育中的应用

1. 教师的关注点 ：教师在关注学生的学习情况时，不仅要关注学生的动机、总体成绩和特定领域的不足，还应重视学生的校外情况，如缺勤、家庭问题、医疗因素和同伴关系等。
2. 学习分析的数据类型 ：学习分析可以提供描述性、诊断性、预测性和规定性数据。前两者侧重于回顾，后两者则更具前瞻性。随着数据挖掘和机器学习的复杂性增加，其结果的价值不一定随之提高。在进行大规模趋势分析和学校干预之前，关键是帮助教师诊断和补救个别学习者的问题。

（五）学习分析的要素

机器学习在模糊决策和规则复杂的游戏等领域展现出优势。可采用的分析方法包括多元回归、博弈论、控制理论、运筹学、信息论、基于模拟的优化、多智能体系统、群体智能、统计学和遗传算法等。为了实现人机协同，透明度和对内在元认知的解释至关重要。

（六）学习范式

人类和机器学习大多基于自下而上的特征分析，如主成分分析和稀疏字典学习。学习是一个极其多样的过程，本质上是“改变自己的意愿”。元认知被认为是“学会学习”的最佳候选，它能为构建可持续的学习分析系统提供认知支架。

（七）学习分析与医疗优化的类比

学习分析的干预目前大多停留在教师支持系统层面，常见的界面隐喻是“仪表盘”系统。机器学习在从表面症状到潜在病理机制以及患者护理方面有较长的应用历史。在数据科学中，BERT NLP模型曾是首选，但新证据表明LSTM模型可能表现更优，因此在NLP项目中可能需要同时评估这两种方法。

（八）机器学习的机制

机器学习有三种主要机制：
| 机制类型 | 特点 | 示例 |
| ---- | ---- | ---- |
| 无监督学习（深度学习） | 通过降维挖掘关键变量，即使没有明确假设也能找到强大的关键变量簇 | 发现学生的内在动机与父母的学术成就和发散性思维相关 |
| 监督学习 | 寻找协变量和中间变量，以提高解释方差，基于回归模型减少噪声因素 | 对学习情况进行分类和趋势判断 |
| 强化学习 | 将与学习结果和有效性相关的特征组合标记为“成功”，并推广为学习环境的“有利”特征 | 确定某些学习特征对学习效果的积极影响 |

（九）元认知表征对学习分析的作用

机器主要依赖数学优化和降维，而人类学习依靠过去生活中建立的联想空间。元认知表征有助于学习分析诊断学习顺序模式，帮助教师发现学生的学习缺陷及其随时间的变化。例如，概念映射可用于表达学生的先验和中间知识状态，学习分析可以通过分析学生对中心概念和外围概念的关注程度，了解学生的学习风格。

（十）递归分析与算法复杂性

在学生的学习过程中，“星座式”（网络结构）比“顺序列表”能提供更多理解。例如，教师关注学生在不同主题概念依赖方面的投入。然而，网络中的循环关系可能会给学习分析引擎带来算法复杂性。通过定义节点的一阶和二阶关系，可以确定节点的结构状态。

graph LR
    A[节点A] -- 一阶关系 --> B[节点B]
    A -- 一阶关系 --> C[节点C]
    B -- 一阶关系 --> D[节点D]
    C -- 二阶关系 --> A
    D -- 二阶关系 --> B

三、学习分析在实际应用中的表现

（一）学习分析在教学支持中的应用

学习分析在教学支持方面发挥着重要作用，教师通过“仪表盘”查看学习分析结果，能更好地了解学生的优势、劣势和学习风格，从而进行个性化的指导。例如，当数据显示某个学生存在社交方面的问题时，教师可以在教学中加入更多的情感和社交引导措施。

（二）不同学习风格的体现

学习分析可以揭示学生的学习风格。线性认知风格的学生可能会从起始节点直接深入到某个分支的外围概念；而整体风格的学生则可能采用广度优先或同心圆模式，尝试将新知识与旧知识联系起来。以下是不同学习风格在学习过程中的表现对比：
| 学习风格 | 学习表现 |
| ---- | ---- |
| 线性认知风格 | 从起始节点直接到分支外围概念，有明确的学习路径 |
| 整体风格 | 采用广度优先或同心圆模式，注重知识的关联和整合 |

（三）学习分析对学生学习状态的诊断

学习分析不仅能记录学生的学习内容，还能揭示学生在学习过程中的心理状态，如是否担心能否记住所学内容，是否愿意在掌握整体知识前深入细节等。通过对学生知识结构的分析，学习分析可以对学生的学习风格、习惯、焦虑、失败原因以及动机（内在/外在）和抱负等进行更复杂的推断。

（四）学习分析在应对新教育实践中的作用

当出现新的教育实践，如基于游戏、移动或虚拟现实的学习方法时，传统的解释可能不再适用。无监督学习机制在这种情况下具有很大的潜力，它可以在没有明确假设的情况下，挖掘新的关键变量，帮助理解和适应新的学习方式。

四、学习分析的未来发展方向

（一）人机协同的深化

为了实现更有效的人机协同，需要进一步提高机器学习的透明度，让人类能够更好地理解机器的思维过程。同时，要加强对元认知的解释，使人类能够与机器思维伙伴同步，共同优化学习过程。

（二）多维度数据的整合

学习分析应考虑更多的维度，包括学生的校外情况、自然学习因素等。通过整合更多的二级和三级数据源，可以增加意外发现有价值关系的可能性，从而更全面地了解学生的学习情况。

（三）隐私保护与合理应用的平衡

在利用学习分析数据的同时，必须重视隐私保护。未来需要在确保学生数据安全和匿名化的前提下，合理应用学习分析数据，为学生提供更好的学习支持。

（四）适应新教育模式的发展

随着新的教育实践不断涌现，学习分析需要不断适应和发展。例如，针对基于游戏、移动或虚拟现实的学习方法，开发更合适的分析模型和工具。

graph LR
    A[人机协同深化] --> B[学习分析未来发展]
    C[多维度数据整合] --> B
    D[隐私保护与应用平衡] --> B
    E[适应新教育模式] --> B
    B --> F[优化学习支持]

学习分析在教育领域具有巨大的潜力，它可以帮助教师更好地了解学生，优化教学过程，同时也能促进学生的元认知发展。然而，在应用过程中，需要充分考虑各种因素，包括技术的发展、隐私保护和新教育模式的需求等，以实现学习分析的最大价值。