基于内容分析法的学习分析国内研究综述.doc

基于内容分析法的学****分析国内研究综述
摘 要:随着教育大数据的快速发展,利用学****分析技术挖掘其潜在价值受到越来越多学者的关注。以CNKI数据库中核心期刊为数据来源,基于内容分析法,对107篇相关文献进行分析,从学****分析研究领域高的关键词输出,导入Excel中进行频次统计,得到高频关键词列表(见表2)。
内容分析
采用内容分析法,对107篇学****分析期刊论文进行内容分析,根据研究主题不同进行梳理,了解目前国内学****分析领域研究现状。
2 分析结果
高频关键词
通过对高频关键词分析,可以初步了解目前国内学****分析领域的研究热点。从表2可以看出,目前国内学****分析领域主要聚焦于促进个性化学****在线学****可视化、教育数据挖掘、社会网络分析等方面。此外,大数据、教育大数据以及MOOCs是与学****分析密切相关的研究领域。
内容
结合高频关键词,对107篇相关文献进行内容分析后,将目前国内学****分析领域的研究重点按照研究主题划分为基于学****分析的理论研究、基于学****分析的应用研究、基于学****分析实现个性化学****研究、学****分析关键技术、自适应学****分析系统设计与应用、基于学****分析的综合评价参考模型研究六大类(见图1)。 基于学****分析的理论研究
该类研究主要是国内学者对目前国内外学****分析领域的研究现状、未来发展趋势、在教学中运用学****分析技术的发展与出路、面临挑战等方面进行剖析,为学****分析技术的应用提供理论指导。郭炯等[2]基于文献分析法对国内外学****分析领域的研究现状进行分析,将研究重点划分为理论框架、模型研究、学****分析技术基础、学****分析工具、应用研究和面临挑战六大类;郑旭东等[3]通过文献综述,分析了学****分析在高等教育领域应用的进展、挑战以及出路。
基于学****分析的应用研究
根据学****分析在应用过程中分析对象不同进行整理,将研究对象主要划分为学****者、教师、在线学****过程、协作学****过程。从研究对象、数据类型、数据来源以及应用目的4个维度对目前学****分析技术应用的特点进行整理(见表3)。
基于学****分析实现个性化学****研究
(1)构建自适应学****分析模型,提供个性化学****服务。该方面研究主要是构建自适应学****分析模型,对学****者学****行为数据进行分析,参照模型,对不同学****者提供个性化学****资源及合适的学****路径,并可以帮助学****者了解知识掌握程度,及时调整学****进度,进而达到优化学****者学****过程、提高学****质量的目的,让教师为学****者提供个性化指导与干预等。姜强等[4]从数据与环境(What)、关益者(Who)、方法(How)和目标(Why)等4个维度构建个性化自适应在线学****分析模型。岳俊芳等[5]从个人信息、学****风格、学****兴趣和知识模型4方面构建远程学****者模型,该模型可以实现个性化资源推送、个性化学****路径和远程督导服务。武法提等[6]以内容个性化、学****活动个性化、学****方式个性化和学****评价个性化为分析维度构建了基于电子书包大数据的学生个性化分析模型。
(2)构建预测/干预模型,提供个性化干预措施。该方面研究主要是为了避免课程学****失败,参照构建的干预模型,通过分析及时识别出存在风险的学****者,及时发出预警信号并针对性地实施干预措施,真正实现因材施教以帮助学****者提高学****效率。李彤彤等[7]构建了以干预引擎為核心的“状态识别—策略匹配—干预实施—成效分析”4环节循环结构干预模型。赵慧琼等[8]利用多元回归分析法判定影响学生学****绩效的预警因素,在此基础上构建了干预模型;金义富等[9]提出了一种基于离群数据挖掘与分析的课程、课堂、课外“三位一体”预警信息发现与生成模型 (Model of Learning Alert Based on Outlier Mining and Analysis,LAOMA),建立了学业预警两类六级信号系统及反馈机制。
学****分析关键技术
学****分析技术完成数据的分析、处理以及呈现过程,是学****分析的核心存在。孟玲玲等[10]对学****分析工具进行了梳理,将其分为学****网络分析工具、学****内容分析工具、学****能力分析工具、学****行为分析工具及其它综合分析工具。本文基于文献阅读,对国内学者使用频率较高的学****分析方法进行了梳理。
(1)教育数据挖掘技术。聚类分析、决策树分析等数据挖掘技术可以分析与解释学****行为数据,例如完成对学****者分类、预测学****者课程表现、发现风险学****者、对影响学****者学****因素相关性进行分析等。孙洪涛等[11]对252门MOOCs的在线交互状况进行了聚类分析;舒忠梅等[12]采用逐步回归和决策树分析等教育数据挖掘技术对大学生满意度数据进行了分析。
(2)社会网络分析法。该方