15、物联网助力学习分析，提升学习效果的机遇与挑战

物联网助力学习分析，提升学习效果的机遇与挑战

1. 情感学习分析方法

情感领域或许是教学中最为关键的部分，因为情绪、学习准备度和学习动机等心理状态，会深刻影响学生的学习效果以及教师的教学成果。较高的学习动机和良好的情绪是学习发生的前提条件。即便教师运用了完美的教学工具、方法和策略，学习者的情感状态仍在教学过程的最终成功中起着显著作用。

因此，识别学习者的学习动机、参与度、情绪以及实现日常学习目标的准备程度是很有必要的。物联网系统，尤其是借助可穿戴设备，能够帮助收集学习者的情感状态数据，并为教师提供实时数据，以便教师据此更好地让学习者为学习活动做好准备。例如，根据学习动机数据，改变学习活动（或其顺序），以克服诸如无聊、缺乏动力、焦虑或绝望等不良情绪。

研究情感问题的领域被称为情感计算。该领域会考虑用户的情绪状态或心情，其常见的操作是“情感检测”，即计算机系统检测学习者情绪或心情的能力。能够识别学习者情绪状态并提供情感反馈的技术被称为“情绪感知学习工具”。情感分析可以支持真实且有意义的学习。情绪可以通过结构化方法（如生物特征信号、语言或视觉量表、访谈）或非结构化方法（如博客、讨论论坛、电子邮件或学习日志中的文本数据）来感知。一旦检测到诸如脉搏、呼吸和眼球运动等身体信号，就能了解学习者当时可能正在经历的相应情绪状态。

2. 伦理问题

个人数据的收集、存储和使用引发了一些伦理问题，因为大多数学生可能不喜欢被学校管理层或教师持续监控，这甚至可能导致一些人产生焦虑。如果能确保收集的数据保持匿名，且不会用于揭示个人身份，这种焦虑至少可以部分消除。学习者的隐私应得到保护，以避免对他们造成任何伤害或不适。更重要的是，收集的数据应确保安全。

为了成功实施学习分析，已经有人努力创建伦理准则框架。例如，英国基于北美、欧洲和澳大利亚的原则制定了一份实践准则，旨在确保大学和学院在学习分析方面的伦理实践。该准则并非规定性的，而是提供一些通用指南，可根据当地情况进行调整和发展。其中涵盖的问题包括：
- 责任：明确谁负责收集和处理数据。
- 透明度和同意：坦诚说明数据的使用方式，并获得学生的同意。
- 隐私：保护个人权利，遵守数据保护法律。
- 有效性：使用有效的测量和流程。
- 访问权限：允许学习者访问数据和分析结果。
- 积极干预：基于学习分析进行积极干预。
- 减少负面影响：克服问题。

这些学习分析的伦理准则可以作为一个框架，在此基础上制定当地的策略和政策。

3. 隐私和数据安全问题（数据收集和存储）

学习分析在教学方面似乎有很大的潜力，但收集物联网设备的数据并将其用于教学目的，使得隐私保护和数据安全成为物联网议程中的重要事项。物联网不仅带来了兴奋，也引发了焦虑。兴奋源于物联网为教师和学习者提供的便利和潜力，而焦虑则来自物联网数据和实践可能遭受网络攻击和数据滥用的可能性。

在高质量的物联网系统中，应仔细考虑数据所有权和访问权限的问题。由于收集的数据可能包含敏感信息，只有经过授权的人员才能访问。对于不再使用或无关的数据，应采用适当的方法进行销毁。当涉及大量数据时，数据安全问题变得尤为关键。

物联网设备作为学习分析系统的一部分，有时会导致隐私保护问题。这些问题可能在以下情况下出现：
- 通过将数据与真实身份关联来揭示学习者的身份。
- 限制学习者对数据披露的控制，从而泄露敏感信息。
- 在学习者同意数据收集时未涉及的信息或推断被生成。
- 学习者在身份管理方面的监督和透明度受到限制。

为了避免收集的数据被滥用或泄露，数据安全必须成为首要任务。以下是一些建议：
- 遵循国际和国家的行为准则，使用国际和国家的网络安全法规来构建安全可靠的用户环境。例如，可使用欧盟通用数据保护条例（GDPR），它有助于平衡物联网提供商和用户的利益。
- 不收集不会用于教育或管理目的的数据。尽可能告知学习者收集的数据类型和用途，并获得他们的知情同意。
- 仅与经过授权查看学习者数据的人员共享数据。
- 确保物联网数据存储在安全的系统中。

4. 物联网和学习分析实施的障碍

尽管物联网，尤其是学习分析，为改善教学和学习提供了一些潜力，但它们的实施并非没有问题、挑战和风险。系统管理员和教师可能会遇到各种问题，这些问题由多种因素引起，包括建立必要基础设施的高成本、缺乏实施学习分析程序的教学和技术知识、处理大量数据的困难、安全问题、时间限制以及隐私问题。

一些挑战与教学环境、教师和学习者直接相关。例如，在一项关于学习分析在翻转课堂中应用的研究中发现，学习分析的数据大多基于鼠标点击，而非反映学习者真实参与度的数据（低质量参与）。还有一些学习者只有在面临测试或获得分数时才愿意进行学习活动或复习学习材料（功利性参与）。此外，学习者在自我调节学习方面存在困难，一些成绩较好的学生不愿意尝试新的学习方法。

教育工作者需要具备适当的知识和技能，以解决学习者参与度问题。系统设计师、教师和其他相关人员应接受培训，以便能够解释收集到的数据，并利用这些数据来提高教学和学习效果。同时，应使用适当的分析方法，以准确反映学习者在课堂上的表现。

学习分析工具目前强调参与度和活动可视化的重要性，能够发出警报并启动干预措施。然而，这些可视化有时无法提供关于如何提高教学和学习效果的线索。一些学习分析实践更侧重于识别可能辍学的学习者，而不是关注教学过程和实践。因此，物联网提供商、技术人员、管理人员和教师需要找到收集数据的方法，以帮助塑造教学实践，而不仅仅关注预测分析。

在伦理方面，虽然许多研究人员建议在数据收集过程中保持透明，但在数据收集和处理过程中存在一些伦理困境。例如，告知学习者数据收集的情况和目的可能会导致“霍桑效应”，即学习者在被观察或监控时会表现得不同，通常会快速完成任务而不充分参与，更注重任务完成而非深度学习。为了减少“霍桑效应”的影响，可以从多个不同来源收集学习者数据，以确保数据的三角验证。

从务实的角度来看，只有当数据收集带来的收益大于侵犯隐私的感知成本时，才能忽略数据收集的侵入性。然而，在某些情况下，侵犯隐私的感知成本可能非常高，甚至无法衡量。因此，安全和隐私问题是一个重要的关注点，但这些困难并非无法克服。通过采取适当的措施，大学可以控制对其网络的访问，并监控设备之间以及设备与人员之间的信息流。

物联网和学习分析的创新需要考虑学习者和教师对隐私的偏好和期望。学习者只有在知道自己的隐私得到尊重和保护时，才会愿意同意数据收集。因此，高等教育机构需要引入创新的物联网和学习分析模式，培养管理未来物联网机制的领导者，并解决与身份、隐私、保护、安全等相关的各种风险。他们还需要制定标准，为学习者和教师提供安全的物联网系统和学习分析。

5. 结论

尽管利用学习者数据来塑造教学实践的想法很有吸引力，但大多数管理人员、机构和教师并未广泛实践学习分析。因此，一个关键问题是这些教育利益相关者是否愿意将学习分析融入他们的日常实践。

实证研究的结果并不十分乐观。例如，一项对252项学习分析研究的分析发现，关于学习分析对学习成果的积极影响、对教学和学习的促进作用、广泛应用以及伦理使用方面的证据都很少。这意味着我们需要进行更多的研究，以了解学习分析在多大程度上可以提高学习者的学习成果。

为了克服这些障碍和挑战，教育机构和教育工作者应采用学习分析工具和系统，以便积累更多关于其实用性的实践经验并进行相关研究。同时，应实施伦理框架，确保在教学和研究活动中遵循伦理原则。此外，教育工作者和学习分析社区的成员应与教育技术、机器学习和数据挖掘等不同领域的专家合作，因为成功实施学习分析需要跨学科的视角。

在未来的教育环境中，学习分析将成为日常教学活动的一部分。因此，建议教师掌握如何收集和使用数据进行学习分析的实用知识。学习分析可以为教育利益相关者（如管理人员、教师、学习者和可能的家长）提供重要的教育数据，以支持他们做出明智的决策。学习分析应成为普通人日常教育实践的一部分，而不仅仅是专家的领域。它也应成为21世纪技能中信息素养的一部分。然而，目前我们对物联网增强型数据分析在实际教育中的应用情况了解还不多，需要进一步探索和研究。

物联网助力学习分析，提升学习效果的机遇与挑战

1. 学习分析的现状与问题

学习分析虽理论上能利用学习者数据优化教学，但实际普及程度低，多数教育管理者、机构和教师未将其融入日常。实证研究也缺乏有力证据支持其积极影响，如对学习成果提升、教学促进、广泛应用及伦理使用等方面。

为更清晰了解学习分析面临的问题，我们来看以下表格：
|问题类型|具体表现|
| ---- | ---- |
|数据质量|多基于鼠标点击，不能反映真实参与度|
|学习者动机|功利性参与，仅为测试或分数学习|
|自我调节|学习者自我调节学习困难|
|教学导向|重预测辍学，轻教学过程|
|伦理困境|“霍桑效应”，数据收集影响学习者行为|

2. 应对策略分析

为解决上述问题，可采取以下策略：
- 知识技能提升 ：教育工作者需提升知识技能，系统设计师、教师等相关人员要接受培训，学会解读数据并用于教学。
- 分析方法优化 ：采用合适分析方法，准确反映学习者课堂表现。
- 数据收集多元化 ：从多源收集数据，减少“霍桑效应”影响，确保数据三角验证。
- 遵循伦理准则 ：实施伦理框架，遵循国际和国家行为准则，如欧盟 GDPR，保护学习者隐私。

下面通过 mermaid 流程图展示数据收集与使用的安全流程：

graph LR
    A[数据收集] --> B{数据是否用于教育或管理}
    B -- 是 --> C[获得学习者知情同意]
    B -- 否 --> D[不收集]
    C --> E[存储在安全系统]
    E --> F{是否授权人员}
    F -- 是 --> G[共享数据]
    F -- 否 --> H[不共享]

3. 未来展望

在未来教育中，学习分析将成为日常教学一部分。教师应掌握相关数据收集和使用知识，为教育利益相关者提供决策依据。学习分析不仅应成为普通人教育实践一部分，还应融入 21 世纪信息素养技能。

以下是未来学习分析发展的关键要点列表：
- 跨学科合作 ：教育工作者与教育技术、机器学习、数据挖掘等领域专家合作，从跨学科视角实施学习分析。
- 创新模式引入 ：高等教育机构引入创新物联网和学习分析模式，培养管理人才，解决各类风险。
- 标准制定 ：制定标准，为学习者和教师提供安全可靠的物联网系统和学习分析。

总体而言，学习分析虽面临诸多挑战，但具有巨大潜力。通过采取有效策略，加强跨学科合作，制定相关标准，有望在未来教育中发挥重要作用，提升教学质量和学习者学习效果。