教育活动中产生和收集的数据的快速增长，蕴含着提升对教学效果认识的巨大潜力。通过创建数据启发（data-informed）的教学环境，学校能够在教学分析和教学设计之间形成协同，实现对数字化的和基于教室的教学环境的实时调整和长期迭代改进。

　　教育者们从教学活动过程中收集到的数据中得到了更有吸引力的机会，来了解为学生而设计的教学经历中，学生的实际参与情况如何。教师们多年来依赖于课堂反馈，而数据提供了一个更加具体、全面和相对公正的版本。利用实时诊断信息的能力可以支持教师们对教学进行即时的、响应式的调整，而且从长期来看可以引导实现教学设计的迭代改进。

　　获得正确的数据

　　什么数据应当被收集用来启发教学设计？这依赖于所涉及的教学环境种类。在数字教学环境的情境中，数据的收集相对更加直接，人们也倾向于考虑此种情境下的教学分析。然而，对数据含义进行解释则并不那么直接。例如，在线学习环境中收集的一种常见数据是“点击流”（clickstream）——即对某人点击的数字对象及点击时间的连续记录。这种数据可以加以汇编，用来观察班级范围中的行为模式，或者是对出现特有行为的个人进行识别；然而，更重要的是思考这些模式对学生的参与和学习有什么意义。线上产生的另外一种数据是“学生产物数据”（student artifact data）。当学生的产物是基于文本的，如短文或者讨论消息的情况下，自然语言处理和机器学习技术就可以被利用来实现识别涉及的共同主题、找出兴趣相近的学生、或评价文本的特定质量的目的。

　　尽管数字教学环境是教学分析的自然场所，从教室的教学环境中也可以收集到类型多样、引人关注的数据。这种做法的重要性在于避免了过分优先于数字领域而忽略了现实世界中发生的重要活动。多模教学分析（multimodal learning analytics）基于物理空间中收集的数据，例如语音、目光或手势。视频数据和计算机视觉技术的结合，以及对教室中形成的学生产物的手写和绘图分析，都有加以利用的可能性。当然，收集这些类型的数据的考虑也面临严峻的伦理和隐私问题。

　　最后一种重要的数据是自我记录的数据，即学生自愿提供的与自身相关的数据。这种数据与此前通过自我报告调查形成的数据相比，其区别在于它是在多个时间点上即时收集的，而不是事后分析的数据。频繁的快速提示可以让学生在学习过程的特定时点指出他们正在进行的学习内容，或者是他们当前对学习材料的信心。这就形成了与学生活动或态度相关的细致数据，比单纯的点击流数据更易于解释，而且随着时间发展能够建立起大量值得受到关注的行为模式。

　　伦理与隐私

　　在谈论数据将如何用来启发教学环境的设计之前，要考虑伦理和隐私等方面。任何时候，只要收集和利用与学生相关的数据，这些问题都会出现。核心问题与所有权（这是谁的数据）、访问权（谁能看到这些数据）、效用（这些数据是用于何种目的）相关。这些问题当然不仅是对高等教育的教学分析产生影响，大量运行在商业部门中的数据追踪和利用行为所受到的监管都是最小化的。高等教育机构对学生负有更高的责任，需要更加谨慎和尽责地对待处理学生数据的行为。在这方面，透明是一项重要原则。

　　大学要有明确和易于理解的政策，使得学生知道被采集到的是哪些数据，以及这些数据将会用于和不会用于什么目的。在访问权方面，一种能获得学生参与的方法是赋予他们审视自己的数据的能力，使他们理解这些数据所带来的洞察力。让学生以为数据是某些不可见的主体在收集，还是让学生参与和投入到数据的利用过程中，这中间有巨大的差异。在笔者的一项研究项目中，研究人员发现，如果能建立充满信任的氛围（本案例中包括了以明确的条款来表明分析是用于提高而不是评价学习效果），那么即便所利用的数据是非常细致的，学生也会认为可以接受。大学也要考虑采用选择性退出和选择性加入的条款是否合适，以及选择不参与的话会对学生本人和学校的整体信息基础造成怎样的后果。尽管没有简单的答案，这些问题仍然是每个教育机构在策划教学分析和利用数据时需要考虑的。

　　数据启发的教学设计

　　从较高层次上看，数据启发的教学环境所带来的首要之事是拥有的大量信息进入到了关于设计教学环境和评估设计意图是否确实得到实现的思考中。很多时候，我们在教学环境的设计过程中怀有良好的意愿，但是在结果是否符合我们的期待方面并没有进行一些检查。在教室教学中，教师或许可以通过对记录的事件进行反思的方式来获得对其中事物的整体认识，但是这也经常会遗失场景中的大量内容。在线上教学环境中要获得学生投入程度如何的认识甚至更加困难。在教学分析中，可以对期望发生在学习经过中的事情设定目标，然后检查它们是否确实发生了。还可以看到设计是否产生了符合意图的效果，是否实现了想为学生创造的那种学习经历，教学分析为人们提供了实现这些目的的强大手段。图1是展示了对研讨论坛的分析结果，包括嵌入在学习系统中和从其中提取的分析。标有颜色的点展示了学生是如何参与到对话中的（深蓝和浅蓝色的点），以及他们没有参与的部分（红色的点）。右侧的数据表表明，大多数学生在阅读他人的观点方面都有投入，尽管有一个特殊的学生在阅览他自己的贡献上花费了大多数的时间。

　　教学分析还形成了识别共同的和重要的行为模式的能力。换句话说，我们可以看到大量学生正在做的事情，评估是否符合要求，并且寻找出那些学生常常获得深入认识或停滞不前的关键时机。只要开始找出这种事件的出现方式，就可以相应地重新设计教学环境。例如，某项有趣的研究观察了学习编程的学生，发现在一些特定时刻，他们努力尝试并解答出问题，而在另一些时刻，这些尝试却导致他们卡在了一个“沉没状态”。换句话说，他们反复尝试一件事情并不断失败，走进了死胡同，明显在原地打转。这些场景一旦被识别，就可以对我们的设计提出多种多样的启示。例如，可以决定不让学生卡在死胡同里，因此就可以设计某种方式避免让他们走向那个途径。或者，根据我们的教学目标，也许会想要允许去探索那个途径，因为让学生意识到那是一条死胡同也非常重要。只要学生发现了死胡同，就巧妙地引导他们走出来。所以，对学生投入学习的模式的研究，为教学分析和数据启发的教学环境设计提供了另外一个途径。

　　分析还可以嵌入到环境中用于对学习过程中的直接启发。可以参考斯坦福大学进行的一项研究，其中目光追踪被用于学生间的协作的研究。其中，两名学生互相不见面，而是要通过在显示在计算机屏幕上的信息和图表来一起学习大脑处理视觉信息的方式。研究者发现，学生们同时注视屏幕的同一个位置的次数越多，他们的协作质量就越高。

　　个性化

　　个性化已经变成了在线学习和教学分析中的流行语。一个为满足需求而独家设计的教学环境，这样的想象确实有些吸引力。其实，这种“量体裁衣”也有多种实现方式。一种是通过“系统调整”，即教学环境根据对学生过往行动的分析自行进行调整。例如，数学课的智能辅导系统可以追踪学生成功解决的题目和遇到了困难的题目，并为他/她选出并提供一组个性化的题目来继续练习。另一种实现个性化的方式是“系统可调整性”，即学生能够在系统中利用分析数据来引导决策、进行调整。例如，一名学生可以看出来他在解答某一类数学题目时存在困难，以选择继续练习相关的技巧。上述第一种方式倾向于代表学生做出选择，不需学生本人的努力就可以建立一条更加优化的学习路径。第二种方式对学生的要求更多，也需要更多的支持，但是也为学生创造了更加有效的机会，使他们在学习过程中更加清楚和活跃。这将支持学生的自我监督学习技能的发展，并导向更好的终身学习策略。

　　自我监督技能也有利于帮助学生改变他们的学习行为，甚至在无需调整教学环境的情况下。这要引入目标设定、行动和反思的循环。这个循环的原理如图2所示，其中表现了支撑这个循环的几项原则：整合（确保学生受到关于教学分析与学习活动如何相关的指导）、参与（给学生机会来对与自己相关的分析结果进行解释和采取行动）、参考框架（为解释分析结果而提供一个或多个比较点）、对话（在学生需要时提供反馈和支持）。例如，研究小组中开展了一项研究，其中要求学生回顾他们认为自己在一个研讨论坛中做了些什么；然后把回顾的结果和他们实际做的事情进行比较。他们认为自己做过的事情和数据显示出来的实际情况之间的差距，成为了促使他们改变自身行为的强烈驱动力。在这个例子中，即使教学环境本身并未发生改变，只是换了一种使用方式，分析结果仍然会对学生有所支持。

　　采用数据策略改进教学环境的三个窍门

　　下面一些步骤可以有助于教育机构制定支持教学环境改进的策略。

　　第一，对要追踪和测量的事物类型进行追踪。要考虑采用一个动态咨询过程与最终用户共同进行，控制住冲动而不要从“这就是我们拥有的数据”这样的视角开始。否则，从出发点上就没有以用户为念，这样的做法是很危险的。动态咨询意味着去找那些你希望会使用这些数据的人们，可能是教师、设计师、管理者或是学生，然后力图理解他们的信息需求——他们会要求用这些数据去解决哪些类型的问题？你还要经常教育人们利用数据可能做到哪些事情，因为他们之中很多人之前并不知道。在数据的用户需要什么和哪些事情是技术上可行之间反复迭代，你会开始能想出来要采集哪些数据以及如何处理它们。这个方法将保证构建出的系统是对人们有用的。现存的大量分析系统展示了很漂亮的仪表板（dashboard），但是这对那些要从系统中获益的人们而言并不必然是有用的。

　　第二，要思考采集到的数据是如何回应用户的问题的。这种思考涉及问题“数据的含义是什么”，要求超越初步汇总报表的思考水平。初级层次的教学分析，尤其当来源于学习管理系统时，存在简单描述“每一件事都做了多少”的危险倾向。这个倾向假定了一个学习模式“越多越好”，但实际并非必然如此。实现这个目的的一个有力工具是历时教学分析。通过采用历时分析来取代对某些事情进行计数的简单数据汇总，我们可以看到，伴随着教学成效高低不一的行动流或者行动序列，教学过程是如何沿着时间而展开的。

　　第三，对数据方案的思考要与教学环境设计相结合。与其问“系统生成的数据已经在这儿了，我们怎么利用它”，不如退后一步，思考一下如何通过教学环境设计来产生有用的数据。这对创建更好的教学分析而言是至关重要的关键点，因为我们在分析中面临的诸多挑战都源于所收集到的数据的限制。

　　未来的思考

　　随着高等教育多样化，学生的学习经历跨越多个教学环境甚至是多个高等教育机构变成了常态。此外，作为学生整体教育的重要组成部分，课外的和非正式的教学活动也开始被赋予更多的关注和价值，受其本质决定，这些事件将会发生在多种多样的、不同的、往往是非正式的教学环境中。这就带来了两难困境。我们想要能够把跨越不同系统的教学数据和技能证明汇集到一起，然而如果过于努力地推进工具和数据结构的统一化，将丧失教学环境的多样化选项所带来的价值。

　　回到有关数据隐私、所有权和学生参与的主题，更加强有力的未来愿景是将多样化的教学环境引入到一个更大的分析生态圈，其中提供了技术基础设施来协助系统之间的有效沟通。这个领域中已经有了若干项目在进行。例如，教学工具互操作性标准已经允许将同样的工具引入到不同的学习管理系统中。在教学分析领域，Apereo基金启动了一项计划来构建一项开放的分析基础设施，能够支持从多种多样的、不同的教学环境中收集和分析数据。我们可以想象，未来的学生掌握的数据中记录他/她一生学习轨迹。这一想象是对许多理念的延伸，而且正是学生自我电子档案、徽章、微学分这些眼前发生的事情背后的那些理念。

　　在启发教学环境设计以及学生在其中参与等方面，数据都蕴含了巨大的机遇。高等教育机构要推动取得这些方面成果，就可以通过与预想的最终用户咨询来构建更有用的分析，以及制定明确和尽责的数据利用策略来实现。

　　（来源：Educause Review翻译：陈强）