韩庆年 沙恩·道森 卡桑德拉·科尔文
摘 要：基于教学数据挖掘的学习分析在大学中的大规模应用已成趋势，许多大学纷纷寻求提升学生学习的创新方法，以更好地应对未来发展的挑战。文章在文献研究和实地考察的基础上，通过对澳大利亚多所大学的24位学习分析领域专家的深度访谈，并对访谈文本进行编码分析，结果发现：澳大利亚高校的学习分析实践基础条件较好，在国际学习分析研究领域中网络中心度较高;其总体特征为自下而上的微观层面的学习分析和自上而下的宏观层面的学习分析共存;挑战主要存在于数据、能力与素養、组织协调、经费等方面。澳大利亚高校学习分析方面的实践和研究已触及大学组织内部协调机制，促进了大学内部组织机构的变革，也为目前尚处于起步阶段的我国高校的学习分析实践，提供了参考和借鉴。
关键词：澳大利亚;学习分析;数据挖掘;组织变革;学生保留率
中图分类号：G434 文献标志码：A 文章编号：1673-8454（2022）10-0031-09
一、引言
进入21世纪以来，澳大利亚政府一方面推行“质量标准驱动”的高等教育改革，另一方面信奉新公共管理理念，强调市场的介入，主张采用新自由主义导向、竞争性的高等教育拨款政策，政府对大学拨款占大学经费来源的比例逐渐减少。[1]
在经费来源结构性变化和大学扩招的双重压力之下，澳大利亚高等教育面临巨大的挑战。主要体现在保持教育教学水平和控制学生流失两个方面，后者尤甚。据独立智库格拉坦研究所（Grattan Institute）发表的报告，澳大利亚有近五分之一的学生不能顺利毕业。[2]事实上，因为各个大学之间差异较大，有些大学的学生保留率低至70%以下，即便是悉尼大学、墨尔本大学等世界一流名校对学生保留率也非常担忧。[3-8]澳大利亚放弃学业的学生比例也大大高于经济合作与发展组织（Organization for Economic Co-operation and Development，简称OECD）的平均水平，这已经成为澳大利亚高等教育界的普遍焦虑。[9]
与欧美国家一样，澳大利亚教育界更多使用学生保留率来表示学生仍然在学业轨道内，没有离开、辍学、学业失败、退学等。尽管压力重重，但澳大利亚教育界一直努力从积极的视角研究学生保留率滑落的原因，并采取多种措施来提升学生保留率。
据澳大利亚高等教育标准委员会（Higher Education Standards Panel）2017年发布的研究报告所述，学生不能继续学业的原因主要包括两个层面：一是院校的问题，比如学习环境问题、教师能力不足、生师比高、学习支持不足等;二是学生个人的问题，如经济、健康、情感、学习投入等，学生个人因素只能解释一小部分（22.5%）的问题，机构因素对学生辍学问题的解释力更大。[10]
因此，大学普遍关注学生的需求，重视收集在校生、毕业生、雇主等利益相关者对大学教育质量的反馈信息，[11]通过收集在校生和毕业生对课程、教学、科研等的评价信息，不断改进教学和管理水平，优化学习环境，改善学习体验，尽可能地使学生保留在学习轨道内，成功完成学业。
学习管理系统、学生信息系统、社会化媒体、教学视频录制等教育技术的规模化运用，使关于教学实践的大数据采集和存储成为可能，[12]这些数字踪迹能够被挖掘、分析，用来表征、识别、评估学习。[13]因此，通过学习分析来“测量、收集、分析和报告有关学生和学习环境的数据，以理解和最优化学习及其发生的环境”成为澳大利亚高校的普遍做法。学习分析被视为提高学生保留率的重要战略，也得到澳大利亚教学办公室（Office of Learning and Teaching，简称OLT）等教育主管部门的众多项目资助，如表1所示。
二、访谈设计
为进一步探寻当前澳大利亚高校学习分析实践的进展情况，在前期文献研究和实地考察的基础上，课题组对澳大利亚多所大学的专家学者和实践从业人员开展了系统的文本访谈，较为深入、全面地了解澳大利亚高校学习分析实践的现状、发展优势、存在问题，以期为我国高校实践提供借鉴。
（一）访谈提纲拟定
课题组围绕澳大利亚大学学习分析实践的状况、发展优势和面临的挑战，设计了5个方面的问题，由受访者作答：①学习分析的定义;②澳大利亚学习分析发展的驱动力;③澳大利亚学习分析发展的主要优势和挑战;④澳大利亚学习分析的国际异同;⑤参与或主持的实际学习分析项目。
（二）访谈对象选择
访谈对象选择方面主要考虑要尽可能地囊括学习分析研究人员、大学或有关机构的学习分析实际从业人员，共设计了3个途径：第一类，通过文献检索筛选出以第一作者身份发文两篇以上的共67名作者。第二类，澳大利亚学习分析特别小组（Learning Analytics Special Interest Group，简称LA-SIG）成员。LA-SIG是一个由澳大利亚和新西兰地区的高校学习分析方面的学者和管理者共同组成的学习分析沟通网络，其成员遍布澳大利亚各所大学。第三类，由南澳大学项目组共同讨论，增补业内专家9人。
（三）访谈稿发放和收集
第一类67名论文作者和第三类9名增补业内专家的访谈提纲由笔者通过电子邮件发出，共涉及澳大利亚33所大学和有关组织机构。第二类访谈对象LA-SIG成员由协会秘书处转发调查提纲。最终共收到24份完整有效的答卷，其中17份来自论文作者，6份来自增补业内专家，1份来自LA-SIG成员。
（四）访谈稿编码
尽管访谈提纲中对研究问题列出纲要，但学者们对问题的回答往往表现出其对学习分析的整体认识，对各问题的回答之间的边界并不齐整。基于此，笔者借鉴扎根理论方法对访谈稿展开分析，并基于NVIVO 12 Plus软件对24份访谈稿逐题编码、分析、提炼。
1.第一轮开放式编码
对搜集到的文本资料加以概念化和范畴化，即对资料数据逐词、逐句、逐行、逐段地贴标签、做摘要，进行现象定义，不断将这些现象概念化，进而从这些概念中抽象出主题。[20]该阶段通过“定义现象—界定概念—命名主题”逐步展开。经两名研究者共同讨论、编码，此阶段共贴标签386个。经反复考虑、讨论、对比与修改，剔除重复次数极少（≦2）的概念以及部分前后矛盾的概念，大致产生68个概念，浮现出11个主题：认知、态度、研究聚焦、驱动力、经费、利益相关者、阻碍、促进、地位、项目、目标等。
例如，“阻碍”这一主题主要表示澳大利亚各高校推行学习分析所面临的困难或挑战，受访者报告出组织协调、组织惰性、数据问题、收益不明、认知不足、伦理约束等6个概念。其中，组织惰性所贴标签及其受访者资料描述如表2所示。
2.第二轮轴心编码
基于第一轮编码抽象出的主题及概念，进行第二轮编码，进一步凝练主题和概念。最终，第二阶段编码确定6个主题，编号为A1至A6;抽象出26个概念，编号为a01至a26;参考点共233个。放弃了第一轮编码产生的利益相关者、目标等主题，如表3所示。
3.第三轮选择性编码
选择性编码是从各主题中提炼核心主题，并分析核心主题与其他主题的关系。本轮编码结合原始文本，将第二轮编码生成的6个主题进一步归纳为3个核心主题，即用AA1认知来概括A1定义、A2态度和A3国际比较，表示澳大利亚大学对学习分析的总体认知;用AA2机遇来概括A4驱动力和A5促进因素，表示澳大利亚大学发展学习分析的优势或机遇;用AA3挑战来概括A6阻碍因素，表示澳大利亚高校学习分析实践面临的挑战。
三、编码分析
结合原始文本，根据三次编码结果，经共同讨论，确立从认知、机遇和挑战三个维度对结果进行表述、呈现和分析。
（一）认知
1.定义的多样
受访者对学习分析的定义表现出多样性，形成6个难以进一步归并的概念，即公认定义、多义性、数据、学科、学与教、战略决策。
①公认定义，表示受访者完全认同澳大利亚学习分析研究会（Society for Learning Analytics Research，简称SoLAR）的定义，没有进一步阐述。②多义性，表示学习分析的涵义较多，难以一概而论。③数据，表示受访者认为学习分析是对数据的处理和利用。④学科，表示受访者认为学习分析应作为一个专门的研究和实践领域，并成为一门独立的学科，形成自己的学科内涵。⑤学与教，表示受访者认为学习分析的主要目的是提升学习和教学水平。⑥战略决策，表示受访者认为学习分析是一种用来支持院校进行战略决策的手段和依据。
可见，对于学习分析这一看似确定的概念，澳大利亚学者之间存在众多不同的认识，总体上可从两个层面进行概括：一是微观层面，将学习分析视为一种技术解决方案，是对学习数据的处理，用来改进学与教。系统提供数据及其分析以支持教师采取行动来诊断、干预和改进学与教，这符合SoLAR对学习分析的定义。二是宏观层面，从院校的视角将学习分析看作是支持教育决策以应对保留率滑落等问题的策略，将学习分析提升到至关重要的战略地位。这一类学习分析不局限于对学习数据的分析，而是要对多数据源进行整合，数据量庞大、结构复杂。
从战略决策的宏观层面界定学习分析是对微观学习分析概念的扩展，受访者认为学习分析有助于支持管理者决策，认为应当在院校层面推动学习分析。
2.态度的撕裂
对概念的不同认知导致受访者态度方面的巨大分歧。他们一方面认为澳大利亚大学中有许多非常有价值的自下而上的“草根”型学习分析实践，在许多方面与欧美同行同步;但另一方面有关态度的16个节点中，有14项同时表达了批评态度。典型批评意见如下所示：
·不切实际的期待;
·我并没有看到多少好好打基础和投资未来的耐心;
·因为众多原因，并没有什么真正寻求变革的决心;
·加剧了一种将有限的经费花在那些最缺乏学习动机和能力的学生身上的现象;
·我怀疑这些工作并不是真正的学习分析;
·老师们并不能持续使用它;
·不幸的是，往往仅仅是由学生保留率驱动的，实际上应该更多着力于改进教学和学習。
可见，学者们对学习分析持批判立场是较为普遍的现象，对院校宏观层面推行学习分析目的的合理性存在质疑，对学习分析所导致的将有限资源投给那些并不热爱学习的学生产生担忧，对教师持续使用学习分析以改进学与教的愿望存在怀疑，对领导层推行学习分析的决策能力有所质疑。
这种批判性态度的形成，一方面固然是因为确有其事，另一方面也来自于学者与国际，尤其是欧美同行的比较。尽管前期文献研究显示，澳大利亚学习分析在国际学术领域发文频次和中心度均位居前列（见表4），在学习分析用于自上而下战略决策方面的研究具有一定的领先性。但更多的编码节点也显示，他们较为普遍地认为澳大利亚学者在相关研究经费方面比欧美同行更“缺钱”，政府投入更少。同时，受访者还认为学习分析还不够成熟，跨组织的实践和研究仍然不多，对学习分析的认知和理解不如英美同行。
（二）机遇
受访者认为澳大利亚大学学习分析发展有许多优势，如对学习分析概念有丰富的认知、技术与能力方面有先发优势、大学普遍重视并愿意去推进、学习分析研究在国际上较为前沿等，具体体现在以下几个方面：
1.基础条件好
地域广阔、人口分散的特点，促使澳大利亚远程教育起步早，迄今已有100多年的历史，超过40所传统公立高校和私立大学在常规教学之外同时提供远程教育服务。这种双重办学模式的传统，一定程度上使澳大利亚大学普遍关注远程办学和信息技术在教育教学中的应用，注重学生学习的过程监控，积累了大量的原始数据，由教学保障部门来分析以支持决策。
受访者认为澳大利亚大学信息化基础设施较为先进，普遍使用成熟的学习管理系统，并且嵌入简单数据分析模块，教师和管理者对挖掘教学数据具有一定的共识。
2.驱动力强
根据编码显示，受访者主要从两个维度表达推行学习分析的动力。
（1）微观层面的教学驱动
出于改进学与教的目的而实施学习分析，具体如“识别”特定类型学生、“理解”教学、“评价”学习、“预测”学生表现和成绩、“干预”学习过程、“改进”学习结果，主要聚焦于给予学生反馈、优化学习环境、个性化学习、改进教学策略、提升学习体验等能够直接惠及学生的驱动因素。
（2）宏观层面的管理驱动
受访者认为推行学习分析的动力主要来自管理者为提高管理效率、效能而实施学习分析，包括改进教学管理、提升管理系统性能、优化组织机构、保持院校竞争力、提升学生保留率、节约成本等驱动力。
两个维度的驱动力也体现出澳大利亚大学中存在两种学习分析实践模式，即自上而下的模式和自下而上的模式。自上而下的模式一般是大学系统层面的，由专门团队整合多数据源进行数据分析，能够自动诊断和干预。自下而上的模式一般在班级层面，由教师或专业认识个体或者少数人使用相对较小的数据源，采用社会网络分析、话语分析、量化自我等方式进行数据分析[21]，如图1所示。
以上两种驱动力和实践模式在澳大利亚大学中都较为普遍。相对而言，澳大利亚大学推行自上而下实践模式以支持宏观层面的战略决策，在欧美同行中也获得赞誉。
3.科学研究优势
文献梳理和访谈均发现，澳大利亚在学习分析的研究中具有明显优势，在国际学习分析领域中心度和存在感强。受访者陈述的研究方面的优势具体体现在以下几个方面：
（1）数据积累
如上所述，澳大利亚大学学习管理系统应用普遍，比较重视教学数据的收集、整理，这为学者的研究提供了宝贵的资源。
（2）技术优势
受访者认为澳大利亚大学技术人才较多，尤其是教育数据挖掘专门人才多，数据科学家有力地支持了科研人员对研究数据的挖掘。
（3）理论支撑
学习分析研究人员在教学理论、教学设计、教学策略、认知科学、教学评价等方面具有坚实的理论支撑，这使其对数据及分析结果能够作出有意义的解释和恰当应用。
（4）研究人员和团体
澳大利亚大学有众多学习分析专业的研究人员和团体，学习分析研究网络覆盖各所大学。自2013年起，澳大利亚学习分析夏季会议（Australia Learning Analytics Summer Institute，简称A-LASI）便开始召开年度峰会，研究者、政府部门和企业齐聚一堂，共同界定和发展学习分析领域。各大学和研究机构也纷纷成立专门的学习分析组织，如新南威尔士大学的学习分析和教育数据科学研究会，悉尼科技大学的连接智能研究中心，墨尔本大学、悉尼大学的学习分析研究组，维多利亚大学、塔斯马尼亚大学、南澳大学的学习分析网络、LA-SIG等。
（5）科研转化
澳大利亚大学学习分析的一个显著特征是研究人员和实践人员会组成一个团队，这会促使关于学情分析、学业预警、干预措施等方面的研究成果更容易转化，从而推动学习分析项目的落地。
（三）挑战
尽管澳大利亚大学推行学习分析有众多优势，在国际领域也位居前列，但受访者的报告却表示出对大学学习分析实践的担忧，认为高校学习分析存在众多挑战。52个编码节点报告出受访者认为澳大利亚高校学习分析存在挑战，挑战依次来自于：组织协调（17）、数据问题（13）、能力与数据素养欠缺（11）、经费不足（11）等维度。
1.组织协调
共有17个参考点报告出高校学习分析实践中遇到的挑战来自于机构的组织协调，具体细分为：
（1）组织惰性。科层组织存在惰性，组织和个体工作负担重，不愿意改变现状。受访者认为这种组织惰性大规模地存在于澳大利亚大学的各个机构中。
（2）责任模糊。作为一个相对新兴的、跨学科的实践领域，应由哪些部门参与、哪个部门牵头、各自应负有什么样的责任，在大学里仍较为模糊。更多的人认为这些事应归信息技术部门负责，而不会深度参与。
（3）协调困难。组织疲乏，行政流程扭曲，各部门之间缺少共识和紧密合作机制，缺少跨组织的连接和交流平台，基于数据的决策机制不能形成闭环，组织之间的协调非常困难，导致学习分析項目推进困难。
（4）外部连接欠缺。大学内部学习分析实践与外部的机构、学者缺乏有效连接。
2.数据问题
数据维度的挑战来自以下几个方面：
（1）数据质量存疑。受访者认为大学收集的数据许多时候可能并不是关于学习和学习的发生，数据可能并不能表征学习本身，甚至存在数据陷阱，这极大地挑战着数据的有意义使用和基于数据的决策。
（2）数据获取难。数据繁杂异构，许多情况下数据的收集不能自动完成，需要人工集成，研究人员和实践工作者不一定能接触到数据，也缺少整合使用数据的能力。
（3）数据的不恰当使用。将学习数据直接用于教学质量保证，用于对师生的教学进行评价，常常会发生对数据的不恰当解释和引用。
（4）数据伦理约束。澳大利亚的高校对研究和实践有伦理规制，严苛的隐私保护客观上导致学生数据获取困难。此外，大数据可能导致的对教育公平和民主的威胁，也使相关大学在有关学生数据的使用方面异常谨慎。
3.能力与素养欠缺
受访者认为澳大利亚高校学习分析技术仍然欠缺，不如英美同行先进。尤其是相关技术更新快，导致跟进不足，对大的学习分析项目的架构能力也比较欠缺。但他们认为能力与素养的欠缺更为突出地表现在管理者群体身上。数据素养和专业知识的不足，使管理者对大数据存在一种肤浅的认识，对学习分析存在不切实际的期待，将学习分析视作一种“神奇的子弹”，或者说是一种“快修”工具，对执行学习分析项目的代价和成本认识不足，进而对基础性工作缺少耐心和投入，更缺少对数据进行恰当解释和运用的能力。
事實上，理解如何使用学习分析技术，如何从庞大复杂异构的学习数据中提取出有价值的信息，对于高校领导者和教职员工来说还是相对比较新的能力，并不容易掌握。[23]因此，许多学习分析项目只停留于实验室阶段和理论研究阶段，并不能对所有的教育教学决策作出所期待的贡献。
4.经费不足
11个参考点报告出大学学习分析实践的挑战是经费不足。2016年3月OLT的撤销，让许多受访者认为这可能表明国家层面关注度的减弱，因而导致研发费用缩减，研究资源获取的竞争性加强，学习分析实践推进有难度。
四、结论
澳大利亚高校学习分析实践基础条件好，研究与实践均很活跃，与国际同行交流合作广泛，在国际学习分析研究领域中网络中心度高。就发展模式而言，基于小规模数据、自下而上、着眼于改进学与教本身的微观学习分析实践和基于大数据、自上而下、着眼于学生保留的宏观学习分析实践相互并行、补充、融合，形成了澳大利亚高校学习分析实践的总体特征。
随着各类学习分析项目的深度推进，也面临着多重挑战，主要集中在数据、能力、组织、经费等方面。组织协调成为受访者重点报告的挑战，这恰恰说明澳大利亚高校学习分析方面的实践和研究已触及大学组织内部协调机制，促动了大学内部组织机构的变革。
乔治·西蒙斯（George Siemens）等提出五阶段学习分析采纳成熟度模型：①意识，如使用一些学习管理系统中的原始数据形成简单的报告;②实验，使用一些较为深入的分析报告和简单的仪表盘;③对组织、机构和学习产生影响;④组织变革，能够基于数据生成预测模型，进行个性化学习，组织策略发生效力等;⑤行业领域变革，比如行业数据共享能力的提升、大的行业革新、开放数据、机构层面能够迅捷作出反应，等等。[15]
综上所述，澳大利亚高校学习分析发展总体已处于西蒙斯模型的第四阶段，即组织变革时期，学习分析的实践应用已进入深水区，触及到多重利益相关者，在碰撞中对大学的组织形态和文化产生了挑战，也重塑着大学的组织形态和文化。
五、启示
在澳大利亚和欧美等发达国家，学习分析在大学中的大规模应用已成为一种趋势，各个机构纷纷寻求提升学生学习的创新办法，以更好地应对就业市场等各方面的挑战。[21]我国学者和教育实践人员近年来对学习分析的兴趣也在不断升温。
2012年以来，学习分析开始进入我国学者和教育管理者的视野，相关文献呈现逐年递增的趋势。其中，绝大部分文献集中于介绍该领域国外的研究进展，包括学习分析概念、分析框架、分析方法、分析工具、典型应用案例等。
在我国部分高校学习分析实践也已起步，尤其是在新冠肺炎疫情防控常态化的情形下，在线教学和混合式学习成为教学常态，许多学者、管理者也开始对学习数据，尤其是学生的学习行为数据进行收集、分析、评估、报告，这些相对微观的学习分析更接近于SoLAR对学习分析的经典定义。高校宏观层面的大数据挖掘项目往往是整合人事、科研、招生、财务、后勤等各主题软硬件平台，建立统一大数据基础平台，对来自各主题数据库的数据进行处理，建立数据仓库，提供应用服务，如大数据驾驶舱等。
目前，我国高校线上线下相融合的教学模式尚处于发展初期，数字化教学数据分散、异构、繁复，存在较大规模、标准化、系统化的教学数据获取难、分析难、应用难，教学数据挖掘还不够深入充分等问题。自上而下的学习分析实践尚处于起步阶段。
对于学习行为数据的研究，我国学者在理念、技术与方法等方面已开展大量研究，但高校实践中对教育、教学数据的挖掘与学界的研究并不匹配。一方面，微观层面的学术研究成果缺少在大学里规模化实践的检验，其可用性不强，对使用者的数据整合、理解、应用等数据素养和能力要求过高，所形成的建议与对策距离转化为决策有较大差距。另一方面，高校学习分析实践对教学数据欠缺深入系统的挖掘，缺少恰当可用的理论和方法的指导，亟待开展深入系统的研究，以指导高校学习分析的实践应用。
总而言之，我国高校应支持一线教学和研究人员的“草根”研究和实践探索，加强组织和构建跨学科背景的研究团队，将学者的实验室研究与学习分析实践相结合，在实践中检验研究成果的可用性，以利于规模化应用。决策者层面的自上而下的宏观实践，应在学习科学理论的支撑下统筹开展，可纳入高校数据治理业务框架中。主导者需明确大学中的各种价值观和权力关系，明确内部各组织机构的职责，梳理业务流程和分工策略。[22]各层决策者应对学习分析有恰当的认知和足够的耐心，不断加强基础设施和数据建设，充分理解和把握学习分析的能与不能，方可真正从中受益。
参考文献：
[1]何晓芳.20世纪80年代以来澳大利亚高等教育政策变迁[J].高教发展与评估，2013（1）：62-69.
[2]NORTON A， CHERASTIDTHAM I， MACKEY W. Dropping out：
the benefits and costs of trying university[M]. Melbourne：
Grattan Institute， 2018：3.
[3]BARNES S， MACALPINE G， MUNRO A. Track and Connect：
Enhancing student retention and success at the University of Sydney. A Practice Report[J]. The International Journal of the First Year in Higher Education， 2015（6）：195-202.
[4]COLVIN C， ROGERS T， WADE A， et al. Student retention and learning analytics：
a snapshot of Australian practices and a framework for advancement[R]. Canberra， ACT：
Australian Government Office for Learning and Teaching， 2016.
[5]BOWLES T V， BRINDLE K A. Identifying facilitating factors and barriers to improving student retention rates in tertiary teaching courses：
a systematic review[J]. Higher Education Research & Development， 2017，36（5）：903-919.
[6]KAHU E R， NELSON K. Student engagement in the educational interface：
Understanding the mechanisms of student success[J]. Higher Education Research & Development， 2018（1）：58-71.
[7]BORNSCHLEGL M， CASHMAN D. Improving distance student retention through satisfaction and authentic experiences[J]. International Journal of Online Pedagogy and Course Design （IJOPCD）， 2018，8（3）：60-77.
[8]TIGHT M. Student retention and engagement in higher education[J]. Journal of Further and Higher Education， 2020（44）：689-704.
[9]OECD. Education at a Glance 2019：
OECD Indicators[R]. Paris：
OECD Publishing， 2019.
[10]Higher Education Standards Panel. Final report-Improving retention， completion and success in higher education[R]. Canberra ACT：Australian Government Department of Education and Training， 2017.
[11]焦磊，謝安邦.澳大利亚大学外部利益相关者信息反馈机制探析[J].江苏高教，2011（4）：153-155.
[12]CAMPBELL J P. Utilizing student data Within the course management system to determine undergraduate student academic success：
An exploratory study[D]. West Lafayette City：
Purdue University， 2007.
[13]PARDO A， KLOOS C D. Stepping out of the box：
towards analytics outside the learning management system[C]//Proceedings of the 1st International Conference on Learning Analytics and Knowledge， New York：
ACM， 2011：163-167.
[14]SIEMENS G， DAWSON S， LYNCH G. Improving the quality and productivity of the higher education sector：
policy and strategy for systems-level deployment of learning analytics[R]. Canberra， ACT：
Australian Government Office for Learning and Teaching， 2016.
[15]HODGES B， BEDFORD T， HARTLEY J， et al. Enabling retention：
Processes and strategies for improving student retention in university-based enabling programs：
final report 2013[R]. Canberra， ACT：
Australian Government Office for Learning and Teaching， 2013.
[16]FISHER J， VALENZUELA F， WHALE S. Learning analytics：
A bottom up approach to enhancing and evaluating students online learning[C]. Higher Education Research & the Student Learning Experience in Business（Office of Learning and Teaching Dissemination）， 2013.
[17]NELSON K J ， CLARKE J A ， STOODLEY I D， et al. Establishing a framework for transforming student engagement， success and retention in higher education institutions[R]. Canberra ACT：
Australian Government Office for Learning and Teaching， 2014.
[18]WEST D， HUIJSER H， LIZZIO A， et al. Learning Analytics：
Assisting Universities with Student Retention[R]. Canberra ACT：
Office for Learning & Teaching， 2015.
[19]HICKS M. Impact evaluation of key themes funded by the Office for Learning and Teaching 2012-2016[R]. Department of Education and Training， Canberra， ACT：
Australian Government Office for Learning and Teaching， 2016.
[20]李俊龙，单姗，徐彬.提升高校毕业生就业质量路径的分析与研究——基于江苏省7所高校的毕业生就业质量报告文本分析[J].中国大学教学，2021（6）：87-96.
[21]VIBERG O， HATAKKA M， B?LTER O， et al. The current landscape of learning analytics in higher education[J]. Computers in Human Behavior， 2018，89：98-110.
[22]陈伯栋，黄天慧.解析学习分析学：一次撬动冰山的尝试[J].开放学习研究，2017（4）：1-9.
作者简介：
韩庆年，副教授，硕士，主要研究方向为远程教育、在线教学评价等，邮箱：hanqingnian@foxmail.com;
沙恩·道森（Shane Dawson），教授，博士，主要研究方向为数字化学习、学习分析等，邮箱：Shane.Dawson@unisa.edu.au;
卡桑德拉·科尔文（Cassandra Colvin），教授，博士，主要研究方向为学习分析、学习投入等，邮箱：Cassandra.Colvin @unisa.edu.au。
Recognition， Opportunity and Challenge of Learning Analytics
in University Based on Interviews from 24 Australian Experts
Qingnian HAN1， Shane DAWSON2， Cassandra COLVIN2
（1.Deans office， Jiangsu Open University， Nanjing Jiangsu 210036;
2.Teaching Innovation Unit， Unversity of South Australia， Adelaide5000， Aus）
Abstract：
The large-scale application of Learning Analytics （LA） based on instructional data mining has become a trend in Australian tertiary. Meanwhile， universities have started to explore innovative ways to enhance student learning， so as to better meet the challenges in the future. Based on literature review and field investigation， the authors conducted the email-based text interviews with 24 experts in the field of LA from Australia universities. After in-depth coding and analysis of texts， this paper reaches the following findings. Australian universities have a comparatively solid infrastructure in LA， and present quite active and high centrality in international LA research network. LA in Australia universities has two co-existing modes， including bottom-up mode and top-down mode. Challenges mainly come from data source， data literacy， LA competency， organization and lack of funding， etc. The practice and research of LA in Australian universities have touched on the coordination mechanism within the university and promoted the internal reform of the university administration. The practice of LA in Chinese universities is still in its infancy. It is urgent to strengthen LA research focusing on infrastructure and data construction， so as to find out a practical path to adopt LA.
Keywords：
Australia; Learning analytics; Data mining; Organizational change; Student retention
編辑：李晓萍 校对：王天鹏
猜你喜欢组织变革学习分析数据挖掘探讨人工智能与数据挖掘发展趋势大众投资指南(2021年35期)2021-02-16基于并行计算的大数据挖掘在电网中的应用电力与能源(2017年6期)2017-05-14组织变革中的人力资源管理策略探析大经贸(2016年11期)2017-01-06大数据思维下教学过程数据分析及应用研究中国远程教育(2016年11期)2016-12-27在线学习过程管理大数据的建设与应用中国远程教育(2016年11期)2016-12-27企业互补资产与技术创新绩效关系研究现代商贸工业(2016年28期)2016-12-27简析小学劳动与技术教育的有效合作学习新课程·小学(2016年10期)2016-12-12浅析大数据在教育中的应用人间(2016年28期)2016-11-10校本研学共同体：激发教师多层次发展的组织变革成才之路(2016年12期)2016-05-09一种基于Hadoop的大数据挖掘云服务及应用信息通信技术(2015年6期)2015-12-26
