高校學習分析實踐的認知、機遇與挑戰

韓慶年 沙恩·道森 卡桑德拉·科爾文

摘? ?要：基于教學數據挖掘的學習分析在大學中的大規模應用已成趨勢，許多大學紛紛尋求提升學生學習的創新方法，以更好地應對未來發展的挑戰。文章在文獻研究和實地考察的基礎上，通過對澳大利亞多所大學的24位學習分析領域專家的深度訪談，并對訪談文本進行編碼分析，結果發現：澳大利亞高校的學習分析實踐基礎條件較好，在國際學習分析研究領域中網絡中心度較高;其總體特征為自下而上的微觀層面的學習分析和自上而下的宏觀層面的學習分析共存;挑戰主要存在于數據、能力與素養、組織協調、經費等方面。澳大利亞高校學習分析方面的實踐和研究已觸及大學組織內部協調機制，促進了大學內部組織機構的變革，也為目前尚處于起步階段的我國高校的學習分析實踐，提供了參考和借鑒。

關鍵詞：澳大利亞;學習分析;數據挖掘;組織變革;學生保留率

中圖分類號：G434? ? ? 文獻標志碼：A? ? ? 文章編號：1673-8454（2022）10-0031-09

一、引言

進入21世紀以來，澳大利亞政府一方面推行“質量標準驅動”的高等教育改革，另一方面信奉新公共管理理念，強調市場的介入，主張采用新自由主義導向、競爭性的高等教育撥款政策，政府對大學撥款占大學經費來源的比例逐漸減少。[1]

在經費來源結構性變化和大學擴招的雙重壓力之下，澳大利亞高等教育面臨巨大的挑戰。主要體現在保持教育教學水平和控制學生流失兩個方面，后者尤甚。據獨立智庫格拉坦研究所（Grattan Institute）發表的報告，澳大利亞有近五分之一的學生不能順利畢業。[2]事實上，因為各個大學之間差異較大，有些大學的學生保留率低至70%以下，即便是悉尼大學、墨爾本大學等世界一流名校對學生保留率也非常擔憂。[3-8]澳大利亞放棄學業的學生比例也大大高于經濟合作與發展組織（Organization for Economic Co-operation and Development，簡稱OECD）的平均水平，這已經成為澳大利亞高等教育界的普遍焦慮。[9]

與歐美國家一樣，澳大利亞教育界更多使用學生保留率來表示學生仍然在學業軌道內，沒有離開、輟學、學業失敗、退學等。盡管壓力重重，但澳大利亞教育界一直努力從積極的視角研究學生保留率滑落的原因，并采取多種措施來提升學生保留率。

據澳大利亞高等教育標準委員會（Higher Education Standards Panel）2017年發布的研究報告所述，學生不能繼續學業的原因主要包括兩個層面：一是院校的問題，比如學習環境問題、教師能力不足、生師比高、學習支持不足等;二是學生個人的問題，如經濟、健康、情感、學習投入等，學生個人因素只能解釋一小部分（22.5%）的問題，機構因素對學生輟學問題的解釋力更大。[10]

因此，大學普遍關注學生的需求，重視收集在校生、畢業生、雇主等利益相關者對大學教育質量的反饋信息，[11]通過收集在校生和畢業生對課程、教學、科研等的評價信息，不斷改進教學和管理水平，優化學習環境，改善學習體驗，盡可能地使學生保留在學習軌道內，成功完成學業。

學習管理系統、學生信息系統、社會化媒體、教學視頻錄制等教育技術的規?；\用，使關于教學實踐的大數據采集和存儲成為可能，[12]這些數字蹤跡能夠被挖掘、分析，用來表征、識別、評估學習。[13]因此，通過學習分析來“測量、收集、分析和報告有關學生和學習環境的數據，以理解和最優化學習及其發生的環境”成為澳大利亞高校的普遍做法。學習分析被視為提高學生保留率的重要戰略，也得到澳大利亞教學辦公室（Office of Learning and Teaching，簡稱OLT）等教育主管部門的眾多項目資助，如表1所示。

二、訪談設計

為進一步探尋當前澳大利亞高校學習分析實踐的進展情況，在前期文獻研究和實地考察的基礎上，課題組對澳大利亞多所大學的專家學者和實踐從業人員開展了系統的文本訪談，較為深入、全面地了解澳大利亞高校學習分析實踐的現狀、發展優勢、存在問題，以期為我國高校實踐提供借鑒。

（一）訪談提綱擬定

課題組圍繞澳大利亞大學學習分析實踐的狀況、發展優勢和面臨的挑戰，設計了5個方面的問題，由受訪者作答：①學習分析的定義;②澳大利亞學習分析發展的驅動力;③澳大利亞學習分析發展的主要優勢和挑戰;④澳大利亞學習分析的國際異同;⑤參與或主持的實際學習分析項目。

（二）訪談對象選擇

訪談對象選擇方面主要考慮要盡可能地囊括學習分析研究人員、大學或有關機構的學習分析實際從業人員，共設計了3個途徑：第一類，通過文獻檢索篩選出以第一作者身份發文兩篇以上的共67名作者。第二類，澳大利亞學習分析特別小組（Learning Analytics Special Interest Group，簡稱LA-SIG）成員。LA-SIG是一個由澳大利亞和新西蘭地區的高校學習分析方面的學者和管理者共同組成的學習分析溝通網絡，其成員遍布澳大利亞各所大學。第三類，由南澳大學項目組共同討論，增補業內專家9人。

（三）訪談稿發放和收集

第一類67名論文作者和第三類9名增補業內專家的訪談提綱由筆者通過電子郵件發出，共涉及澳大利亞33所大學和有關組織機構。第二類訪談對象LA-SIG成員由協會秘書處轉發調查提綱。最終共收到24份完整有效的答卷，其中17份來自論文作者，6份來自增補業內專家，1份來自LA-SIG成員。

（四）訪談稿編碼

盡管訪談提綱中對研究問題列出綱要，但學者們對問題的回答往往表現出其對學習分析的整體認識，對各問題的回答之間的邊界并不齊整?；诖?，筆者借鑒扎根理論方法對訪談稿展開分析，并基于NVIVO 12 Plus軟件對24份訪談稿逐題編碼、分析、提煉。

1.第一輪開放式編碼

對搜集到的文本資料加以概念化和范疇化，即對資料數據逐詞、逐句、逐行、逐段地貼標簽、做摘要，進行現象定義，不斷將這些現象概念化，進而從這些概念中抽象出主題。[20]該階段通過“定義現象—界定概念—命名主題”逐步展開。經兩名研究者共同討論、編碼，此階段共貼標簽386個。經反復考慮、討論、對比與修改，剔除重復次數極少（≦2）的概念以及部分前后矛盾的概念，大致產生68個概念，浮現出11個主題：認知、態度、研究聚焦、驅動力、經費、利益相關者、阻礙、促進、地位、項目、目標等。

例如，“阻礙”這一主題主要表示澳大利亞各高校推行學習分析所面臨的困難或挑戰，受訪者報告出組織協調、組織惰性、數據問題、收益不明、認知不足、倫理約束等6個概念。其中，組織惰性所貼標簽及其受訪者資料描述如表2所示。

2.第二輪軸心編碼

基于第一輪編碼抽象出的主題及概念，進行第二輪編碼，進一步凝練主題和概念。最終，第二階段編碼確定6個主題，編號為A1至A6;抽象出26個概念，編號為a01至a26;參考點共233個。放棄了第一輪編碼產生的利益相關者、目標等主題，如表3所示。

3.第三輪選擇性編碼

選擇性編碼是從各主題中提煉核心主題，并分析核心主題與其他主題的關系。本輪編碼結合原始文本，將第二輪編碼生成的6個主題進一步歸納為3個核心主題，即用AA1認知來概括A1定義、A2態度和A3國際比較，表示澳大利亞大學對學習分析的總體認知;用AA2機遇來概括A4驅動力和A5促進因素，表示澳大利亞大學發展學習分析的優勢或機遇;用AA3挑戰來概括A6阻礙因素，表示澳大利亞高校學習分析實踐面臨的挑戰。

三、編碼分析

結合原始文本，根據三次編碼結果，經共同討論，確立從認知、機遇和挑戰三個維度對結果進行表述、呈現和分析。

（一）認知

1.定義的多樣

受訪者對學習分析的定義表現出多樣性，形成6個難以進一步歸并的概念，即公認定義、多義性、數據、學科、學與教、戰略決策。

①公認定義，表示受訪者完全認同澳大利亞學習分析研究會（Society for Learning Analytics Research，簡稱SoLAR）的定義，沒有進一步闡述。②多義性，表示學習分析的涵義較多，難以一概而論。③數據，表示受訪者認為學習分析是對數據的處理和利用。④學科，表示受訪者認為學習分析應作為一個專門的研究和實踐領域，并成為一門獨立的學科，形成自己的學科內涵。⑤學與教，表示受訪者認為學習分析的主要目的是提升學習和教學水平。⑥戰略決策，表示受訪者認為學習分析是一種用來支持院校進行戰略決策的手段和依據。

可見，對于學習分析這一看似確定的概念，澳大利亞學者之間存在眾多不同的認識，總體上可從兩個層面進行概括：一是微觀層面，將學習分析視為一種技術解決方案，是對學習數據的處理，用來改進學與教。系統提供數據及其分析以支持教師采取行動來診斷、干預和改進學與教，這符合SoLAR對學習分析的定義。二是宏觀層面，從院校的視角將學習分析看作是支持教育決策以應對保留率滑落等問題的策略，將學習分析提升到至關重要的戰略地位。這一類學習分析不局限于對學習數據的分析，而是要對多數據源進行整合，數據量龐大、結構復雜。

從戰略決策的宏觀層面界定學習分析是對微觀學習分析概念的擴展，受訪者認為學習分析有助于支持管理者決策，認為應當在院校層面推動學習分析。

2.態度的撕裂

對概念的不同認知導致受訪者態度方面的巨大分歧。他們一方面認為澳大利亞大學中有許多非常有價值的自下而上的“草根”型學習分析實踐，在許多方面與歐美同行同步;但另一方面有關態度的16個節點中，有14項同時表達了批評態度。典型批評意見如下所示：

·不切實際的期待;

·我并沒有看到多少好好打基礎和投資未來的耐心;

·因為眾多原因，并沒有什么真正尋求變革的決心;

·加劇了一種將有限的經費花在那些最缺乏學習動機和能力的學生身上的現象;

·我懷疑這些工作并不是真正的學習分析;

·老師們并不能持續使用它;

·不幸的是，往往僅僅是由學生保留率驅動的，實際上應該更多著力于改進教學和學習。

可見，學者們對學習分析持批判立場是較為普遍的現象，對院校宏觀層面推行學習分析目的的合理性存在質疑，對學習分析所導致的將有限資源投給那些并不熱愛學習的學生產生擔憂，對教師持續使用學習分析以改進學與教的愿望存在懷疑，對領導層推行學習分析的決策能力有所質疑。

這種批判性態度的形成，一方面固然是因為確有其事，另一方面也來自于學者與國際，尤其是歐美同行的比較。盡管前期文獻研究顯示，澳大利亞學習分析在國際學術領域發文頻次和中心度均位居前列（見表4），在學習分析用于自上而下戰略決策方面的研究具有一定的領先性。但更多的編碼節點也顯示，他們較為普遍地認為澳大利亞學者在相關研究經費方面比歐美同行更“缺錢”，政府投入更少。同時，受訪者還認為學習分析還不夠成熟，跨組織的實踐和研究仍然不多，對學習分析的認知和理解不如英美同行。

（二）機遇

受訪者認為澳大利亞大學學習分析發展有許多優勢，如對學習分析概念有豐富的認知、技術與能力方面有先發優勢、大學普遍重視并愿意去推進、學習分析研究在國際上較為前沿等，具體體現在以下幾個方面：

1.基礎條件好

地域廣闊、人口分散的特點，促使澳大利亞遠程教育起步早，迄今已有100多年的歷史，超過40所傳統公立高校和私立大學在常規教學之外同時提供遠程教育服務。這種雙重辦學模式的傳統，一定程度上使澳大利亞大學普遍關注遠程辦學和信息技術在教育教學中的應用，注重學生學習的過程監控，積累了大量的原始數據，由教學保障部門來分析以支持決策。

受訪者認為澳大利亞大學信息化基礎設施較為先進，普遍使用成熟的學習管理系統，并且嵌入簡單數據分析模塊，教師和管理者對挖掘教學數據具有一定的共識。

2.驅動力強

根據編碼顯示，受訪者主要從兩個維度表達推行學習分析的動力。

（1）微觀層面的教學驅動

出于改進學與教的目的而實施學習分析，具體如“識別”特定類型學生、“理解”教學、“評價”學習、“預測”學生表現和成績、“干預”學習過程、“改進”學習結果，主要聚焦于給予學生反饋、優化學習環境、個性化學習、改進教學策略、提升學習體驗等能夠直接惠及學生的驅動因素。

（2）宏觀層面的管理驅動

受訪者認為推行學習分析的動力主要來自管理者為提高管理效率、效能而實施學習分析，包括改進教學管理、提升管理系統性能、優化組織機構、保持院校競爭力、提升學生保留率、節約成本等驅動力。

兩個維度的驅動力也體現出澳大利亞大學中存在兩種學習分析實踐模式，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學系統層面的，由專門團隊整合多數據源進行數據分析，能夠自動診斷和干預。自下而上的模式一般在班級層面，由教師或專業認識個體或者少數人使用相對較小的數據源，采用社會網絡分析、話語分析、量化自我等方式進行數據分析[21]，如圖1所示。

以上兩種驅動力和實踐模式在澳大利亞大學中都較為普遍。相對而言，澳大利亞大學推行自上而下實踐模式以支持宏觀層面的戰略決策，在歐美同行中也獲得贊譽。

3.科學研究優勢

文獻梳理和訪談均發現，澳大利亞在學習分析的研究中具有明顯優勢，在國際學習分析領域中心度和存在感強。受訪者陳述的研究方面的優勢具體體現在以下幾個方面：

（1）數據積累

如上所述，澳大利亞大學學習管理系統應用普遍，比較重視教學數據的收集、整理，這為學者的研究提供了寶貴的資源。

（2）技術優勢

受訪者認為澳大利亞大學技術人才較多，尤其是教育數據挖掘專門人才多，數據科學家有力地支持了科研人員對研究數據的挖掘。

（3）理論支撐

學習分析研究人員在教學理論、教學設計、教學策略、認知科學、教學評價等方面具有堅實的理論支撐，這使其對數據及分析結果能夠作出有意義的解釋和恰當應用。

（4）研究人員和團體

澳大利亞大學有眾多學習分析專業的研究人員和團體，學習分析研究網絡覆蓋各所大學。自2013年起，澳大利亞學習分析夏季會議（Australia Learning Analytics Summer Institute，簡稱A-LASI）便開始召開年度峰會，研究者、政府部門和企業齊聚一堂，共同界定和發展學習分析領域。各大學和研究機構也紛紛成立專門的學習分析組織，如新南威爾士大學的學習分析和教育數據科學研究會，悉尼科技大學的連接智能研究中心，墨爾本大學、悉尼大學的學習分析研究組，維多利亞大學、塔斯馬尼亞大學、南澳大學的學習分析網絡、LA-SIG等。

（5）科研轉化

澳大利亞大學學習分析的一個顯著特征是研究人員和實踐人員會組成一個團隊，這會促使關于學情分析、學業預警、干預措施等方面的研究成果更容易轉化，從而推動學習分析項目的落地。

（三）挑戰

盡管澳大利亞大學推行學習分析有眾多優勢，在國際領域也位居前列，但受訪者的報告卻表示出對大學學習分析實踐的擔憂，認為高校學習分析存在眾多挑戰。52個編碼節點報告出受訪者認為澳大利亞高校學習分析存在挑戰，挑戰依次來自于：組織協調（17）、數據問題（13）、能力與數據素養欠缺（11）、經費不足（11）等維度。

1.組織協調

共有17個參考點報告出高校學習分析實踐中遇到的挑戰來自于機構的組織協調，具體細分為：

（1）組織惰性?？茖咏M織存在惰性，組織和個體工作負擔重，不愿意改變現狀。受訪者認為這種組織惰性大規模地存在于澳大利亞大學的各個機構中。

（2）責任模糊。作為一個相對新興的、跨學科的實踐領域，應由哪些部門參與、哪個部門牽頭、各自應負有什么樣的責任，在大學里仍較為模糊。更多的人認為這些事應歸信息技術部門負責，而不會深度參與。

（3）協調困難。組織疲乏，行政流程扭曲，各部門之間缺少共識和緊密合作機制，缺少跨組織的連接和交流平臺，基于數據的決策機制不能形成閉環，組織之間的協調非常困難，導致學習分析項目推進困難。

（4）外部連接欠缺。大學內部學習分析實踐與外部的機構、學者缺乏有效連接。

2.數據問題

數據維度的挑戰來自以下幾個方面：

（1）數據質量存疑。受訪者認為大學收集的數據許多時候可能并不是關于學習和學習的發生，數據可能并不能表征學習本身，甚至存在數據陷阱，這極大地挑戰著數據的有意義使用和基于數據的決策。

（2）數據獲取難。數據繁雜異構，許多情況下數據的收集不能自動完成，需要人工集成，研究人員和實踐工作者不一定能接觸到數據，也缺少整合使用數據的能力。

（3）數據的不恰當使用。將學習數據直接用于教學質量保證，用于對師生的教學進行評價，常常會發生對數據的不恰當解釋和引用。

（4）數據倫理約束。澳大利亞的高校對研究和實踐有倫理規制，嚴苛的隱私保護客觀上導致學生數據獲取困難。此外，大數據可能導致的對教育公平和民主的威脅，也使相關大學在有關學生數據的使用方面異常謹慎。

3.能力與素養欠缺

受訪者認為澳大利亞高校學習分析技術仍然欠缺，不如英美同行先進。尤其是相關技術更新快，導致跟進不足，對大的學習分析項目的架構能力也比較欠缺。但他們認為能力與素養的欠缺更為突出地表現在管理者群體身上。數據素養和專業知識的不足，使管理者對大數據存在一種膚淺的認識，對學習分析存在不切實際的期待，將學習分析視作一種“神奇的子彈”，或者說是一種“快修”工具，對執行學習分析項目的代價和成本認識不足，進而對基礎性工作缺少耐心和投入，更缺少對數據進行恰當解釋和運用的能力。

事實上，理解如何使用學習分析技術，如何從龐大復雜異構的學習數據中提取出有價值的信息，對于高校領導者和教職員工來說還是相對比較新的能力，并不容易掌握。[23]因此，許多學習分析項目只停留于實驗室階段和理論研究階段，并不能對所有的教育教學決策作出所期待的貢獻。

4.經費不足

11個參考點報告出大學學習分析實踐的挑戰是經費不足。2016年3月OLT的撤銷，讓許多受訪者認為這可能表明國家層面關注度的減弱，因而導致研發費用縮減，研究資源獲取的競爭性加強，學習分析實踐推進有難度。

四、結論

澳大利亞高校學習分析實踐基礎條件好，研究與實踐均很活躍，與國際同行交流合作廣泛，在國際學習分析研究領域中網絡中心度高。就發展模式而言，基于小規模數據、自下而上、著眼于改進學與教本身的微觀學習分析實踐和基于大數據、自上而下、著眼于學生保留的宏觀學習分析實踐相互并行、補充、融合，形成了澳大利亞高校學習分析實踐的總體特征。

隨著各類學習分析項目的深度推進，也面臨著多重挑戰，主要集中在數據、能力、組織、經費等方面。組織協調成為受訪者重點報告的挑戰，這恰恰說明澳大利亞高校學習分析方面的實踐和研究已觸及大學組織內部協調機制，促動了大學內部組織機構的變革。

喬治·西蒙斯（George Siemens）等提出五階段學習分析采納成熟度模型：①意識，如使用一些學習管理系統中的原始數據形成簡單的報告;②實驗，使用一些較為深入的分析報告和簡單的儀表盤;③對組織、機構和學習產生影響;④組織變革，能夠基于數據生成預測模型，進行個性化學習，組織策略發生效力等;⑤行業領域變革，比如行業數據共享能力的提升、大的行業革新、開放數據、機構層面能夠迅捷作出反應，等等。[15]

綜上所述，澳大利亞高校學習分析發展總體已處于西蒙斯模型的第四階段，即組織變革時期，學習分析的實踐應用已進入深水區，觸及到多重利益相關者，在碰撞中對大學的組織形態和文化產生了挑戰，也重塑著大學的組織形態和文化。

五、啟示

在澳大利亞和歐美等發達國家，學習分析在大學中的大規模應用已成為一種趨勢，各個機構紛紛尋求提升學生學習的創新辦法，以更好地應對就業市場等各方面的挑戰。[21]我國學者和教育實踐人員近年來對學習分析的興趣也在不斷升溫。

2012年以來，學習分析開始進入我國學者和教育管理者的視野，相關文獻呈現逐年遞增的趨勢。其中，絕大部分文獻集中于介紹該領域國外的研究進展，包括學習分析概念、分析框架、分析方法、分析工具、典型應用案例等。

在我國部分高校學習分析實踐也已起步，尤其是在新冠肺炎疫情防控常態化的情形下，在線教學和混合式學習成為教學常態，許多學者、管理者也開始對學習數據，尤其是學生的學習行為數據進行收集、分析、評估、報告，這些相對微觀的學習分析更接近于SoLAR對學習分析的經典定義。高校宏觀層面的大數據挖掘項目往往是整合人事、科研、招生、財務、后勤等各主題軟硬件平臺，建立統一大數據基礎平臺，對來自各主題數據庫的數據進行處理，建立數據倉庫，提供應用服務，如大數據駕駛艙等。

目前，我國高校線上線下相融合的教學模式尚處于發展初期，數字化教學數據分散、異構、繁復，存在較大規模、標準化、系統化的教學數據獲取難、分析難、應用難，教學數據挖掘還不夠深入充分等問題。自上而下的學習分析實踐尚處于起步階段。

對于學習行為數據的研究，我國學者在理念、技術與方法等方面已開展大量研究，但高校實踐中對教育、教學數據的挖掘與學界的研究并不匹配。一方面，微觀層面的學術研究成果缺少在大學里規?；瘜嵺`的檢驗，其可用性不強，對使用者的數據整合、理解、應用等數據素養和能力要求過高，所形成的建議與對策距離轉化為決策有較大差距。另一方面，高校學習分析實踐對教學數據欠缺深入系統的挖掘，缺少恰當可用的理論和方法的指導，亟待開展深入系統的研究，以指導高校學習分析的實踐應用。

總而言之，我國高校應支持一線教學和研究人員的“草根”研究和實踐探索，加強組織和構建跨學科背景的研究團隊，將學者的實驗室研究與學習分析實踐相結合，在實踐中檢驗研究成果的可用性，以利于規?；瘧?。決策者層面的自上而下的宏觀實踐，應在學習科學理論的支撐下統籌開展，可納入高校數據治理業務框架中。主導者需明確大學中的各種價值觀和權力關系，明確內部各組織機構的職責，梳理業務流程和分工策略。[22]各層決策者應對學習分析有恰當的認知和足夠的耐心，不斷加強基礎設施和數據建設，充分理解和把握學習分析的能與不能，方可真正從中受益。

參考文獻：

[1]何曉芳.20世紀80年代以來澳大利亞高等教育政策變遷[J].高教發展與評估，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.澳大利亞大學外部利益相關者信息反饋機制探析[J].江蘇高教，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]李俊龍，單姍，徐彬.提升高校畢業生就業質量路徑的分析與研究——基于江蘇省7所高校的畢業生就業質量報告文本分析[J].中國大學教學，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]陳伯棟，黃天慧.解析學習分析學：一次撬動冰山的嘗試[J].開放學習研究，2017（4）：1-9.

作者簡介：

韓慶年，副教授，碩士，主要研究方向為遠程教育、在線教學評價等，郵箱：hanqingnian@foxmail.com;

沙恩·道森（Shane Dawson），教授，博士，主要研究方向為數字化學習、學習分析等，郵箱：Shane.Dawson@unisa.edu.au;

卡桑德拉·科爾文（Cassandra Colvin），教授，博士，主要研究方向為學習分析、學習投入等，郵箱：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

編輯：李曉萍? ? 校對：王天鵬