一、引言
21 世纪，信息技术越来越多地融入到我们的生活、工作和学习当中，渗透到社会的方方面面。信息化时代，技术正不断变革教育，传统的教学模式不断受到挑战与质疑，新的教育理念、教育方法正不断冲击现有的教育形式，走向智慧教育是历史的必然趋势。[1]随着技术的发展，MOOC 等网络课程为学习者提供了更多的学习平台与机会，越来越多的学习者把学习地点延伸到了网络，共享同一学习内容的学习者可能存在年龄、职业、文化背景等多种差异。《教育信息化十年发展规划（2011—2020 年）》[2]指出，“全民教育、优质教育、个性化学习、终身学习已成为信息时代教育发展的重要特征”；《国家中长期教育改革和发展规划纲要》[3]中指出，要“注重因材施教，关注学生不同特点和个性差异，发展每一个学生的优势潜能”。
个性化学习是智慧学习环境的基本特征。所以基于学习分析技术记录、分析学习过程数据是必不可少的条件。[4]学习分析被认为是教育信息化的第三波浪潮，越来越受到重视，加拿大的George Siemens 教授认为：[5]“学习分析是对学习者及学习环境的数据进行测量、收集、分析并预报的过程，其目的是为了理解和优化学习以及学习发生的情境”。数据挖掘分析的最终目的是优化学生的学习，提高学习绩效，而在系统预测与提高学习绩效之间，势必有干预措施的实施，学习者的学习才能有所提高。干预机制就像两者之间的桥梁，是学习分析中不可或缺的一个环节。在学习者自主学习时，学习者能否收到来自教师的干预，在很大程度上决定了一个学习者的学习质量以及学习的持续性。在国外，学习分析技术已经投入使用，教师通过邮件为学生提供选课建议或者时间管理的意见，通过这种类型的干预，有相关的数据表明学习者的学习成绩有所提高。为了促进因材施教，方便学习者更好的个性化学习，教师实施有效且个性化的干预措施是非常必要的。学习分析中的干预系统不断寻求更加个性化的、有针对性的干预方法来提高学习效率。
智慧学习环境
智慧学习环境是数字学习环境的高端形态。[6]黄荣怀从学习资源、学习工具、学习社群、教学社群、学习方式、教学方式等方面比较了智慧学习环境和普通数字学习环境的区别，阐述了智慧学习环境的特点，并提到了学习活动的干预。在技术特征的描述中，强调了记录过程，这也是学习分析技术中的重点。陈卫东认为智慧学习环境的目标是使得学习场所能够感知学习情景，识别学习者特征，提供合适的学习资源与便利的互动工具，自动记录学习过程和评测学习成果，以促进学习者有效学习。[7]吴洪艳认为智慧学习环境是在一系列信息技术的支持下，能识别学习者个性特征、适应性地推荐个性化的学习资源及路径，动态分析过程数据，综合评价学习成果，支持灵活的、互动的学习空间或场所。[8]综上可以看出，智慧学习环境更注重学习者个性化的学习，注重学习情境的灵活性与感知性，强调学习过程的跟踪以及行为数据的分析，强调学习方式的多元化。而要使学习者个性的、自主的、有效地学习，学习分析中的干预机制必不可少。
基于学习分析的干预措施的研究现状
为了解研究的现状，我们对中国知网文献检索数据库以“干预”并含“学习分析”为主题词进行检索，检索结果显示18 条，而实际在查看论文时，几乎没有专门介绍学习分析中干预机制的论文。从文献调研上看，对学习分析中干预机制的研究较少，相关的研究资料匮乏。但是干预机制在教育教学中的研究很多，积累了较多的理论与经验。张超博士在《教师远程培训的学习干预研究》[9]中介绍了远程学习干预研究的两种社会学取向，并在结构功能主义取向的基础上，确定了学习干预的分类体系和模型建构。张超博士通过三轮的干预设计研究，从学习动机到认知水平再到学习禀赋结构，不断提炼干预策略，修正理论框架。张超博士借助干预反映原模型设计出了远程培训中的干预反应模型，并且在干预反应模型的基础上构建了干预决策模型，最后探讨了两个模型之间的关系。陈珊将干预设计应用到小学三年级科学课的学习上，证实了干预设计对学生问题解决能力的培养有积极作用。[10]西安交通大学外国语学院的陈丽构建了基于IRT 的英语阅读自适应学习干预系统。总的来说，国内的学习干预系统研究集中关注理论方面，而基于大数据挖掘的学习分析的干预机制的研究还比较少。
相比于国内，国外对学习分析的干预机制研究较早，实证研究比较多，而且已经有成功的案例，如美国的SHERPA 系统能通过对学生的信息分析，为学生提供时间管理与课程选择的建议等；北亚利桑那大学的GPS 系统可以通过发邮件的方式来干预学生等。有证据表明，有些案例中学生的成绩有所提高。但是总体来说，大部分的干预还是教师的人工干预，自动化的干预很少，即使有自动的干预，提供的内容与学习内容之间的关系也不是特别紧密，更多的是时间、课程的建议，但是真正对学习者的学习内容没有提供个性化的干预，所以国外干预研究虽然较多，但是干预机制大部分还没有更好地利用大数据，也还不够个性化。
基于学习分析的干预的内涵与特点
（一）干预的内涵
关于干预的内涵，不同领域有不同的界定。在中文中，“干预”有过问、参与或者涉及的意思；在英文解释中，“干预”的含义更多，其中有解释是通过外在的力或者是强制性的武力来涉入，其目的是为了改正或者阻碍某种行为。从经济学角度看，西方的经济学家刚开始主张无干预的自由主义，但是随着资本主义经济危机的出现，经济学家认为资本主义经济需要国家的干预。所以在经济学中，“干预”是国家调控经济的一种手段，是一种“看得见的手”，能够通过政策来调节和控制国民经济。在医学领域中，医学干预是为了达到某种诊疗效果，在一定的医学理论的指导下由医护人员对病人在诊疗过程中实施的行为。在心理学领域，心理干预是在心理学理论的指导下，采用某些情感手段、药物手段或者两者兼具的方式等为患者存在的心理问题、心理危机提供帮助，使患者逐渐摆脱情感的失衡，达到心理平衡的状态。在教育领域中干预可以发生在课堂上，也可以在网络上，课堂上教师的干预更多的是对学生的管理或者提醒，而网络中，如远程教育中干预是教师为改善学习者的学习绩效和帮助学习者解决问题，而采取的间接介入性策略和行为的总和，其最终目的是帮助教师学员发展特定的知识、技能与态度。
（二）基于学习分析的干预机制的内涵
综合以上各个领域对干预的理解，结合国内外现有对学习分析的阐释，学习分析中的干预应该是在广泛搜集学习者的学习行为数据之后，通过系统算法的自动数据挖掘，发现学习者的学习路径、学习风格与偏好、学习者特征、学习成果等信息，由系统自动根据学习者的行为特点推送适应学习者的学习内容，当然教师也可以在数据分析的基础之上给学生提供人为帮助。
对于学习分析中的干预应用目的，主要是提高学习者的学习绩效，规避学业失败的风险，并且有针对性地指导学习者，在跟踪学习者的学习行为之后，综合学习者能力、风格、偏好等方面的特征信息，给予个性化的指导与帮助，以便实现因材施教。
学习分析中干预措施服务的对象主要有教师和学习者。学习者自然是受到来自系统或者教师的干预，既能够按照自己的意愿实现个性化的学习，又能够提高学习成绩。而在学习分析系统中，由于数据搜集的广泛性，再加上有效的数据挖掘，使得教师不再只凭借经验或者直觉对学习者在学习过程中存在的学习问题实施干预。学习分析中的干预机制为教师提供了方便，甚至有利于教师反思自己的教学过程，不断改进方法、改进教学设计，以便更好地促进学生学习。
对于学习分析中的干预措施在教育中的应用，也是有利于教育公平的。教育公平强调对资源的合理配置，尽量使每个学习者有同样的机会接触到同样的资源。然而许多人都忽视了一种现象，在同一个学习环境中，或许也存在着不公平。每个学习者都有自己喜爱的学习方式，教师也有自己擅长的教学方法，势必导致教师的教学方式适合某些学习者，而不适合另外的一些学习者，这就可能不利于后一类学习者的学习。或者由于教师的能力有限只能对某些学习提供帮助，这也造成了一种隐形的不公平，而基于学习分析的干预可以针对个体提供自动化的帮助，在一定程度上促进了教育公平。
（三）基于学习分析的干预特点
干预存在于多种情境之中，从教育角度而言，远程教育、课堂教学中都存在着教育干预，与以上两种教育干预相比，学习分析中的干预有着其独有的特点。
1. 基于学习分析的干预更加准确、个性化
个性化教育是面对独特的生命个体, 通过适合每个独特生命的手段, 发掘个体生命的潜能, 促进个体生命自由发展的教育。[11] 学习是在一定的情境中发生的，学习者的学习过程势必会在环境中留下痕迹，系统通过对学习者的登录时间、次数、学习轨迹等信息的跟踪，利用数据挖掘技术进行聚类、关系挖掘、预测等。经过一系列的数据的收集、挖掘、分析、预测，学习分析技术使得挖掘的数据更加精确，在此基础之上以个体需求为导向的干预也会变得更具有针对性。George Siemens 认为学习分析的前景之一是移动学习。在未来，学习分析技术还有可能和移动学习相结合，数据收集的范围甚至可以从网络延伸到现实的课堂中或者其他真实的学习情境中，采集的数据形式也多种多样。越来越全面、越来越细化的数据更能提高预测的准确性，使教师的干预更少地依赖于感觉与经
验，从而提高了干预的精确性，增强了个性化。
2. 基于学习分析的干预是系统干预与人为干预相结合
在远程学习中，学习者大部分获得的帮助是来自教师的干预，课堂教学则是人为干预。学习分析中的干预既包括来自系统的干预，也包括来自教师的人为干预。当系统发现学习者的实际能力与课程需求之间存在差距时，系统会按照学习者的特有信息来推送资源，而教师则可以根据自己的经验，采取适当的教学方法来补充系统干预，如课堂上的提问等，系统自动干预和人为干预相结合，干预效果更加全面。
3. 基于学习分析的干预具有及时性
传统的教学或者学习中，学生一般是在作业后甚至是在考试之后才反映出自身的学习问题，教师发现得较晚，干预有时候是心有余而力不足，教师难以给出及时的干预。国外比较受关注的美国普渡大学的信号灯系统，从Blackboard 平台中搜集学习管理系统和学生信息系统中的数据，通过数据挖掘，以红色、黄色、绿色三种颜色分别标志学业成绩处于高度危险、中度危险、轻度危险三种状态。在教师发现学生的学业状况后，就可以有针对地实施干预，不需要等到考试结束后才给予干预，降低了学业失败的风险。
基于学习分析的干预方式
大数据时代，数据海量增长，全民教育、终身学习已成为这个时代的重要特征，网络提供给学习者更多的学习机会。智慧学习环境具有泛在性与终身性的特点，既服务在校学生，又支持社会学习者。[12]在学习情境中根据干预者的不同，可以把学习分析中的干预分为系统干预和人为干预；根据干预者是否与学习者直接接触，可以分为直接干预与间接干预；根据干预时面向的群体不同，可以把干预分为一对多和一对一；根据干预的范围不同，可以把学习分析的干预分为群体干预、小组干预以及个人干预。
系统干预是学习分析系统搜集到学习者特征信息，根据数据挖掘的结果，由系统自适应地推送系统所认为适合学习者的学习资源，并且把学习资源以适合学习者风格、偏好的方式呈现给学习者。人为干预是对系统干预的补充，是教师在学习分析系统预测之后，根据自身经验对学习者进行判断，再结合系统干预为学习者提供帮助。
智慧学习环境下，基于移动、物联、泛在、无缝接入等技术，学习者可以随时、随地、随需地拥有学习机会。[13]随着可穿戴技术、量化自我技术的发展，学习分析系统搜集的数据在将来可以从网络延伸到现实情境中。当教师在现实课堂中直接对学习者进行提问、提醒等行为时，就是直接的干预，当教师和学习者中间存在网络这个桥梁，教师利用网络数据挖掘提供的数据对学生施加帮助，为间接干预。随着技术的发展，学习者的规模可以越来越大，当一位教师为多个学习者提供支持服务时，是一种一对多的干预，这类干预是基础性的干预。随着智慧学习环境中对个性化学习的呼声越来越高，一对一的干预成为必然趋势，一对一的干预是专门为每个学习者制定的适合学习者的帮助与支持。
图1学习分析中干预的方式
图2学习分析中干预的范围图示
群体干预面对的是所有学习者，为所有学习者提供基础的帮助，如技术支持、课前公告、作业发布、成绩反馈、提示提醒等，是一系列为了方便学习者更好地进行学习活动的基础支持措施，学习者个体的指向性不强。小组干预则是在学习分析系统搜集了学习者的特征信息之后，由系统自动根据风格、偏好、成绩、能力等特征进行分组，同一小组中学习者的信息特征可以是相似的，也可以是相异的、互补的，干预时是针对一个小组提供帮助。这类干预较为灵活，可以根据成绩好坏分组，可以根据偏好分组，也可以是由教师出于某种目的将不同特质的学习者分成一组方便交流学习。而个人干预是具有指向性的个性化帮助，这类干预只针对个人，推送的干预资源等帮助都是精确的、面向学习者个体所设计的支持服务。基于学习分析的干预方式及范围如图1、图2 所示。图1 中，椭圆表示所有学习者组成的群体，中等大小的圆圈表示把学习者分成的若干小组，小圈圈表示每个学习者。从图2 中可以看出，群体干预的范围最大，小组干预的范围其次，个体干预的范围最小，随着范围越来越小，干预也越来越个性化。
学习分析中干预的流程
在信息技术高速发展的今天，数据的海量增长，技术的飞速发展，算法的不断完善，使得数据的跟踪、挖掘、分析成为可能。在这些海量数据中隐藏着学习者的学习行为信息，标志着学习者的个性化特征。个性是可以认识、把握的, 个性是可以改变的, 个性修养和教育是无止境的。[14]维果斯基的最近发展区理论指出，学生存在现有水平和潜在的发展水平，教师要注意把学生从当前的水平向更高的水平上引导，这体现了干预的重要性。在学习的整个过程中，包括学习前、学习中和学习后都需要有适当的干预。学习过程的基本干预方式如图3 所示，学习前、学习中、学习后以及继续学习的基本过程中，每个环节提供不同的干预方式。在一门课新开的时候，或者是学习者第一次在网络环境下学习的情况下，数据库搜集不到有关学习者的任何信息，或者是相关信息非常少，学习分析系统难以进行分析、预测，这个时候，面对这些学习者，可以给予群体的干预措施。向学习者演示，例如网络课程学习的使用方式，如何快速地进入课程学习。向学习者介绍课程的主要内容、授课教师、授课时长等信息，给他们发送提示提醒、考核方式等，这些是一门课开始前教师最基本的干预，以教师的人为干预为主。在学习的过程中，为了促进学习者的有效学习，可以由系统或者是教师根据学习者的特点实现分组，可以将相似特质（如年龄、性别、学历、工作等相近）的学习者分为一组，让他们能够快速敞开心扉，展开讨论。也可以按照不同特质分组，让学习者互相取长补短，倾听不同的声音。在学习完成后，有小组干预和个人干预两种，小组干预是在发现学习者的学业问题之后，系统将所有学习者分类，将具有相似特质且学业困难的知识点相似的学习者分为一组，讲解答疑，方便快速。而个人干预则是在小组干预的基础之上，指向单个学习者的帮助措施。下一次学习前的干预，因为系统已经搜集到了一些学习行为数据，可以进行初步的挖掘与分析，所以在下一次学习前，除了针对所有学习者的公告、提醒等帮助，个人干预更为重要。这里的个人干预是在学习分析系统分析及预测的基础之上，根据学习者的特征来推送的适合学习者个人特点的预习内容，实现因材施教，再进行下一环节的学习。“学习前”和“下一次学习前”两个环节的干预是不同的，前者是一门课程的开始或者是在数据库没有学习者数据、系统难以挖掘或者分析的情况下进行的；后者是在数据分析的基础之上，更强调学习者的个性化干预，所提供的预习材料更是根据学习者的能力、态度、风格、偏好等推荐的。
图3学习过程的基本干预方式
图4学习分析中的干预流程
智慧学习环境的一大特点就是满足学习者的个性化需求。[15]智慧学习环境应更好地提供适应学习者个性特征的学习支持和服务。[16]自适应学习是智慧学习环境的一个重要组成部分。[17]在技术变革教育的时代，自主学习、个性化学习是数字时代数字土著们越来越强烈的需求。为了实现个性化的干预，笔者设计了干预流程（如图4 所示）。首先学习分析系统挖掘了大量的数据，例如学习者的基本信息、学习风格、学习态度、学习能力、认知特点等标志着学习者特点的信息，学习者的访问路径、登录时间、视觉关注点等学习者的行为信息，以及隐藏在行为数据之后的学习者的社会网络关系、影响学业成绩的影响因素等隐含信息。当系统将学习者的学业成绩与学习目标相比较，从知识与技能、过程与方法和情感态度与价值观方面对学习者的发展进行考核，当发现两者存在比较大的差距时（这种差距可以由教师按照不同情况设定），系统会给出预测，判定学习者有无学业失败的风险。
当学习者有学习失败风险时，采用基于内容的过滤技术，向学习者推荐相似的资源；当系统判定学习者的风险较低或者没有风险时，采用基于协作的过滤技术，由于它是根据用户的相似性来推荐资源的，所以有可能推荐新的令用户感兴趣的内容，适合学业风险较低的学习者能力的进一步提升。而根据学习分析系统的挖掘分析，系统可以相应地确定进行什么干预。在发现学习者特征等基本信息后，系统可以根据相应的过滤技术推送学习内容，失败风险高时，说明学习者的学习状态不够好，采用内容过滤技术为学习者推荐相似的学习资源，并且根据学习者的风格、偏好等特点，确定干预的形式。例如采用文本形式、图片形式、音频形式、视频形式等，学习者偏爱哪一种就以什么形式推送。根据先验经验、学习能力等信息，确定推送的内容的难易程度，能力高、经验丰富，内容难一些，能力有限、经验不丰富，就推送相对简单的内容。学习分析中回归分析、聚类分析、社会网络关系分析等算法帮助系统干预学习者。系统把处于一个关系子网络中的学习者分为一组或者根据聚类来分组，方便协作学习。对于学习者在网络学习过程中留下的痕迹，也是干预的参考依据。根据学习者访问学习资源的路径、线路，可以知道学习者一般习惯于先学什么知识点，再学什么知识点，由此在干预时可以据此提供学习资源的顺序，使之更符合学习者的学习习惯。根据学习者的视觉关注点的变化，可以发现学习者的眼睛运动的规律，系统由此把重要的内容推送到网页醒目的位置，使之符合学习者的观察习惯。在综合多方面的数据后，把干预的资源利用自适应技术推送给学习者，学习者在进行学习之后，系统将学习者的学习成果自动地与学习目标相比较，如果还存在大的差距，就再次干预学习者，如果已经达到了系统的要求，则可以进入基于协作过滤的相关环节进行学习，干预流程就如此循环，不断优化学习成果。当然智慧的学习环境绝不局限于网络，对现实情境的感知也是智慧学习环境的一大特点，所以在干预的过程中，加入了教师的人为干预，作为系统干预的补充。
结语
随着信息技术的不断发展，智慧教育成为技术变革教育时代发展的主旋律。[18]智慧教育的时代，更关注自主学习和个性化学习，为了促进自主学习和个性化学习有效发生，依托于学习分析技术的干预机制必不可少，自适应的干预技术为数字土著们个性化有效学习的发生提供了保障。
[参考文献]
[1] [12]陈琳,陈耀华,郑旭东,李振超. 智慧教育中国引领[J]. 电化教育研究,2015,04:23-27.
[2] 教育部.教育信息化十年发展规划（2011—2020 年）[Z].2013-12-12.
[3] 中共中央,国务院.国家中长期教育改革和发展规划纲要（2010—2020 年）[Z].2010-07-29.
[4] [8] 吴洪艳.智慧学习视角下个性化在线学习系统设计与应用[J]. 中国电化教育，2015，（6）：127~131.
[5] G. Siemens. What is Learning Analytics [EB/OL]. [2015 -10 -10].http：//www.elearnspace.org/blog/2010/08/25/what -are -learning -analytics/2011-11-20.
[6] [16] 黄荣怀,杨俊锋,胡永斌. 从数字学习环境到智慧学习环境———学习环境的变革与趋势[J]. 开放教育研究，2012，（1）：75~84.
[7] 陈卫东，叶新东，许亚锋. 未来课堂：智慧学习环境[J]. 远程教育杂志，2012，（5）：42~49.
[9] 张超. 教师远程培训的学习干预研究[D].上海：华东师范大学，2010.
[10] 陈珊. 促进问题解决的学习干预设计与应用研究[D].上海：华东师范大学，2013.
[11] [14] 刘献君. 高等学校个性化教育探索[J]. 高等教育研究，2011，（3）：1~9.
[13] 祝智庭，贺斌. 智慧教育：教育信息化的新境界[J]. 电化教育研究，2012，（12）：5~13.
[15] 郭晓珊，郑旭东，杨现民. 智慧学习的概念框架与模式设计[J]. 现代教育技术，2014，（8）：5~12.
[17] 杨俊锋，龚朝花，余慧菊，Kinshuk. 智慧学习环境的研究热点和发展趋势———对话 ET & S 主编 Kinshuk（金沙克）教授[J]. 电化教育研究，2015，（5）：85~88，95.
[18] 杨现民. 信息时代智慧教育的内涵与特征[J]. 中国电化教育，2014，（1）：29~34.
Research on Learning Analytics’s Intervention under the Environment of Smart Learning
TANG Li ,WANG Yun-Wu
[Abstract]With the rapid development of information,smart learning is coming.Under the environment of smart learning,learning is more universal and personalized learning gets increasing attention.The 2015 New Media Consortium Horizon Report points out personalized learning is a difficult challenge for education.Outline for Medium and Long-term Education Reform and Development (2011—2020) also mentions it.In order to realize personalized learning,it is essential to take personalized intervention measures.Under the environment of smart learning,relying on learning analytics,teachers can teach students according to one’s abilities by personalized intervention.This article refers to various interventions’ meaning from different areas,discusses the meaning,pattern and the process of learning analytics’ intervention.And it discusses how to realize personalized intervention measures from different perspectives.
[Keywords]smart learning environment; learning analytics; intervention mechanism; intervention mode; intervention process
*基金项目：江苏高校优势学科建设工程江苏师范大学教育学资助项目（PADA）；江苏省教育科学“十二五”规划2015 年度课题“促进教育变革的智慧学习环境研究”（课题编号：D/2015/01/44）