학습 분석

Learning analytics

학습 분석은 학습과 학습이 발생하는 환경을 이해하고 최적화하기 위한 목적으로 학습자와 그 맥락에 대한 데이터를 측정, 수집, 분석 및 보고하는 것이다.[1] 1990년대 이후 온라인 학습의 성장은 특히 고등교육에서 학생 데이터를 수집하고 분석에 활용할 수 있게 되면서 학습 분석의 발전에 기여했다.[2][3][4] 학습자가 LMS, 소셜 미디어 또는 이와 유사한 온라인 도구를 사용할 때 클릭, 탐색 패턴, 작업 시간, 소셜 네트워크, 정보 흐름, 토론을 통한 개념 개발 등을 추적할 수 있다. 대규모 오픈 온라인 강좌(MOOCs)의 급속한 발전은 연구자들이 온라인 환경에서 강의와 학습을 평가할 수 있는 추가 데이터를 제공한다.[5]

정의

대부분의 학습 분석 문헌이 앞에서 언급한 정의를 채택하기 시작했지만, 학습 분석의 정의와 목표는 여전히 논쟁의 여지가 있다.

George Siemens는 디지털 환경에서 학습, 네트워크, 기술, 분석 및 시각화, 개방성 및 조직적 효과에 대한 작가, 이론가, 연설가, 연구자. 그는 Connectivism 이론의 원조가자 Connectivism: 디지털 시대를 위한 학습 이론과 지식 알기에 관한 책 - 지식의 변화된 맥락과 특성이 미치는 영향에 대한 탐구.[6][7] 그는 SoLAR(학습 분석 연구 협회)의 창립 회장이다.

예측 모델로서의 학습 분석

커뮤니티가 논의한 이전의 정의에서는 학습 분석은 지능적인 데이터, 학습자가 생산한 데이터 및 분석 모델을 사용하여 사람들의 학습을 예측하고 조언하기 위한 정보와 사회적 연결을 발견하는 것이라고 제안했다.[8] 그러나 이 정의는 조지 지멘스와[9][non-primary source needed] 마이크 샤키에 의해 비판되어 왔다.[10][non-primary source needed]


일반적인 설계 프레임워크로서의 학습 분석

볼프강 그렐러 박사와 닥터. Hendrik Drachsler는 학습 분석을 전체적으로 프레임워크로 정의했다. 이들은 교육실무 및 학습자 지도 지원, 품질보증, 커리큘럼 개발, 교사의 효과와 효율성 향상에 있어 분석 서비스를 설정하는 데 유용한 가이드 역할을 할 수 있는 일반적인 설계 프레임워크라고 제안했다. 일반적인 형태학적 분석(GMA)을 사용하여 도메인을 6개의 "중요한 차원"[11]으로 나눈다.

데이터 중심의 의사 결정으로 분석 학습

더 넓은 용어 "분석학"은 결론을 도출하기 위해 데이터를 검토하고, 의사결정에 사용될 때, 행동 경로나 과정을 제시하는 과학으로 정의되었다.[12] 이러한 관점에서 Learning Analytics는 의사결정에서 학습과 교육을 개선하는 것을 목표로 하는 Analytics의 특정 사례로 정의되었다.[13] 2010년대 동안, 이러한 분석의 정의는 예측 모델을 설정하고 특정 행동 과정의 확률을 결정하기 위한 의사결정 나무와 전략 지도와 같은 운영 연구의 요소들을 통합하기 위해 더 나아가왔다.[12]

분석 애플리케이션으로서의 학습 분석

Learning Analytics를 정의하기 위한 또 다른 접근방식은 Analytics의 개념을 기반으로 하며, 기존 및/또는 시뮬레이션된 미래 데이터에 대한 통계적 모델과 분석을 적용하고 문제 정의를 통해 실행 가능한 통찰력을 개발하는 과정으로 해석된다.[14][15] 이러한 관점에서 Learning Analytics는 데이터, 문제 정의 및 통찰력이 학습과 관련된 분석(프로세스로서)의 한 유형으로 등장한다.

2016년 뉴미디어컨소시엄(NMC)과 ENVERAUSE Learning Initiative(ELI) -ANVERAUSE Program)이 공동으로 실시한 연구에서는 2020년 말까지 고등교육과 창의적 표현에 상당한 영향을 미칠 6개 분야의 신흥 기술에 대해 기술하고 있다. 본 연구의 결과, 학습 분석은 온라인 학습 활동에서 개별 학생의 상호 작용에 대한 세부사항을 수집하고 분석하는 과정인 학습자 프로파일링을 목적으로 하는 웹 분석의 교육적 응용으로 정의되었다.[16]

드라간 가셰비치는 학습 분석의 선구자이자 선도적인 연구자다. 그는 SoLAR(학습 분석 연구 협회)의 설립자 겸 과거 회장(2015~2017년)이다.

데이터 과학 애플리케이션으로서의 학습 분석

2017년 가셰비치, к바노비치, jo시모비치 등이 학습 분석의 통합 모델을 제시했다.[17] 이 모델은 학습 분석은 데이터 과학, 이론, 설계의 세 가지 분야의 교차점에서 정의된다고 주장한다. 데이터 과학은 데이터 수집, 전처리, 분석 및 발표를 위한 계산 방법과 기법을 제공한다. 이론은 전형적으로 학습 과학, 교육, 심리학, 사회학, 철학의 문헌에서 도출된다. 모델의 설계 차원에는 학습 설계, 상호작용 설계 및 학습 설계가 포함된다. 2015년 가셰비치, 도슨, 지멘스는 학습 분석의 계산적 측면이 학습을 이해하고 최적화하겠다는 약속을 전달하기 위해서는 기존 교육 연구와 연계될 필요가 있다고 주장했다.[18]

교육 데이터 마이닝 대비 학습 분석

EDM(교육 데이터 마이닝)과 학습 분석(LA) 분야를 차별화하는 것은 여러 연구자들의 관심사였다. 조지 지멘스는 교육 데이터 마이닝이 학습 분석과 학술 분석을 모두 아우른다는 입장을 취하는데,[19] 그 중 전자는 학습자와 교수진 대신 정부, 기금 조달 기관, 관리자를 대상으로 한다. 배플러와 머독은 학문 분석을 "…기관 데이터, 통계 분석, 예측 모델링 등을 결합하여 학습자, 강사 또는 관리자가 학문적 행동을 변화시킬 수 있는 지능을 창출"하는 영역으로 정의한다.[20] 브룩스는[21] 문헌에 이러한 구별이 존재하는지 여부에 의문을 제기하지만, 그들은 계속해서 그 과정이 가설 중심인지 아닌지에 근거한 학문적 분석으로부터 교육 데이터 마이닝의 모호성을 제거하려고 시도한다. Brooks[21]대신은 이디엠과 LA커뮤니티 간의 더 나은 차이의 각 지역 사회, 저자와 함께 이디엠 사회 연구원들 지적인 과외 패러다임에서 오는에 의해 지배되는 것에 유래된 뿌리에 있고, 학습 anaytics 연구자들이 더 기업 학습 시스템에(예를 들어 learnin에 초점을 맞추는 것을 제안한다.gc온텐트 관리 시스템).

LA와 EDM 커뮤니티의 차이와 무관하게, 두 분야는 조사자의 목적뿐만 아니라 조사에 사용되는 방법과 기법 모두에서 상당한 중첩을 가지고 있다. 컬럼비아 대학교의 교사대학에서 학습 분석에서 MS 프로그램 제공에서 학생들은 EDM과 LA 방법을 모두 배운다.[22]

역사기여부

학습 분석은 한 분야로서 여러 가지 징계 뿌리가 있다. 인공지능(AI), 통계분석, 머신러닝, 비즈니스 인텔리전스 분야 등이 추가 서사를 제공하지만, 분석의 주요 역사적 뿌리는 인간의 상호작용과 교육시스템과 직결된 분야들이다.[5] 특히 학습분석(Learning Analytics)의 역사는 시간이 흐르면서 융합된 4개 사회과학 분야의 발전과 밀접하게 연결되어 있다. 이러한 분야는 다음과 같은 네 가지 목표를 추구하고 있다.

  1. 학습자의 정의, 학습자의 정의 및 이해의 필요성 충족
  2. 지식 추적(Knowledge trace), 학습 과정 중에 발생하는 지식을 추적하거나 매핑하는 방법을 다룬다.
  3. 학습 효율성과 개인화, 즉 기술을 이용하여 학습을 보다 효율적이고 개인적인 것으로 만드는 방법을 가리킨다.
  4. 학습자 – 내용 비교: 학습자의 지식 수준을 숙달해야 하는 실제 내용과 비교하여 학습 내용을 개선한다.[5](.citation q.mw-parser-output.mw-parser-output cite.citation{font-style:상속을 하다;word-wrap:break-word}{말에는")"""\"""'""'"}.mw-parser-output .citation:목표{background-color:rgba(0,127,255,0.133)}.mw-parser-output.id-lock-freea,.mw-parser-output .citation{.cs1-lock-free.배경:linear-gradient(transparent,transparent),url("//upload.wikimedia.org/wikipedia/commons/6/65/Lock-green.svg")right 0.1em center/9pxno-repeat}.mw-parser-output .id-lock-limiteda,.mw-parser-output .id-lock-registration a,.mw-parser-output .citation .cs1-lock-limiteda,.mw-parser-output .citation .cs1-lock-registration{.배경:linear-gradient(transparent,transparent),url("//upload.wikimedia.org/wikipedia/commons/d/d6/Lock-gray-alt-2.svg")right 0.1em center/9pxno-repeat}.mw-parser-output .id-lock-subscription a,.mw-parser-output .citation .cs1-lock-subscription{.배경:linear-gradient(transparent,transparent),url("//upload.wikimedia.org/wikipedia/commons/a/aa/Lock-red-alt-2.svg")right 0.1em center/9pxno-repeat}.mw-parser-output{배경 .cs1-ws-icon:linear-gradient(transparent,transparent),url("//upload.wikimedia.org/wikipedia/commons/4/4c/Wikisource-logo.svg")right 0.1emcenter/12pxno-repeat}.mw.-parser-output .cs1-code{색:상속을 하다;배경:상속을 하다;국경 아무 것도 없고 패딩: 물려받다}.mw-parser-output .cs1-hidden-error{디스플레이:아무도, 색:#d33}.mw-parser-output .cs1-visible-error{색:#d33}.mw-parser-output .cs1-maint{디스플레이:아무도, 색:#3a3, margin-left:0.3em}.mw-parser-output .cs1-format{:95%font-size}.mw-parser-output .cs1-kern-left{.Padding-left:0.2em}.mw-parser-output .cs1-kern-right{padding-right:0.2em}.mw-parser-output .citation .mw-selflink{font-weight:상속}Siemens, 조지(2013-03-17).학습 Analytics에 Intro. LAK13은 텍사스 대학교 오스틴 & 에드x에서 11분 안에 온라인 강좌를 연다. 검색된 2018-11-01)

지난 수십 년 동안 다양한 분야와 연구 활동이 이 네 가지 측면에 영향을 미쳐 학습 분석의 점진적인 발전에 기여했다. 대부분의 결정 요인 분야로는 소셜 네트워크 분석, 사용자 모델링, 인지 모델링, 데이터 마이닝 및 E-Learning이 있다. 학습 분석의 역사는 이러한 분야의 부상과 발전으로 이해할 수 있다.[5]

소셜 네트워크 분석

소셜 네트워크 분석(SNA)은 네트워크와 그래프 이론을 이용하여 사회 구조를 조사하는 과정이다.[23] 네트워크 구조를 노드(개별 행위자, 사람 또는 네트워크 내의 사물)와 이들을 연결하는 넥타이, 에지 또는 링크(관계 또는 상호작용)의 관점에서 특성화한다.[citation needed] 소셜 네트워크 분석은 사회학에서 두드러지며, 그 발전은 학습 분석의 출현에 핵심적인 역할을 했다. 상호작용을 보다 깊이 이해하기 위한 첫 번째 예나 시도 중 하나는 오스트리아계 미국인 사회학자 폴 라자스펠트에 의한 것이다. 1944년 라자스펠트는 "누가 누구에게 무엇을, 어떤 영향을 말하느냐"는 성명을 발표했다.[24] 그 진술은 오늘날에도 여전히 관심 영역이나 소셜 네트워크 분석의 목표로서, 사람들이 어떻게 연결되어 있는지, 그리고 그들의 상호작용의 결과로 어떤 통찰력을 얻을 수 있는지를 이해하려고 노력하는데, 이것은 학습 분석의 핵심 아이디어다.[5]

인용분석

미국의 언어학자 유진 가필드는 과학 분석의 초기 개척자였다. 1955년, 가필드는 논문들 사이의 연관성(시민성)을 추적함으로써 과학의 발전이 어떻게 더 잘 이해될 수 있는지에 관한 과학 구조를 분석하는 첫 번째 시도를 주도했다(그들이 어떻게 서로를 참조하는지, 그들이 포함하는 자원의 중요성, 인용 빈도 등). 과학자들은 인용을 추적함으로써 연구가 어떻게 전파되고 검증되는지 관찰할 수 있다. 이것이 결국 무엇이 '페이지 순위'가 되었는지에 대한 기본적인 생각이었는데, 구글 초기(21세기 초)에는 페이지 연결과 그 연결의 중요성을 살펴봄으로써 한 분야의 구조를 이해하는 핵심 방법의 하나였다. 구글이 처음 사용하는 검색 알고리즘인 PageLank는 이 원리에 기초했다.[25][26] 구글의 공동 설립자인 미국의 컴퓨터 과학자 래리 페이지는 페이지랭크를 특정 자원의 "중요성에 대한 근사치"로 정의했다.[27] 교육적으로 지식영역을 매핑하기 위해서는 인용이나 링크 분석이 중요하다.[5]

이러한 시도 뒤에 숨겨진 본질적인 아이디어는 데이터가 증가함에 따라 개인, 연구원 또는 비즈니스 분석가가 데이터 뒤에 숨겨진 기본 패턴을 추적하는 방법과 데이터로부터 통찰력을 얻는 방법을 이해할 필요가 있다는 깨달음이다. 그리고 이것은 Learning Analytics의 핵심 아이디어 입니다.[5]

소셜 네트워크 분석의 디지털화

1970년대 초, 기술의 급속한 진화에 의해 추진된 소셜 네트워크 분석은 디지털 설정의 네트워크 분석으로 전환되었다.[5]

  1. 밀그램의 6도 실험. 1967년 미국의 사회심리학자 스탠리 밀그램과 다른 연구자들은 미국 사람들의 소셜 네트워크의 평균 경로 길이를 조사하여 인간사회가 짧은 경로길이 특징인 소세계형 네트워크임을 시사했다.[28]
  2. 약한 인연. 미국 사회학자 마크 그란로베터의 저술은 약한 유대관계로 알려진 것의 강점에 관한 것이다; 그의 1973년 기사 "약한 유대관계의 강인"은 사회과학에서 가장 영향력 있고 가장 많이 인용된 기사들 중 하나이다.[29]
  3. 네트워크화된 개인주의. 20세기 말에 사회학자 배리 웰먼의 연구는 소셜 네트워크 분석 이론에 광범위하게 기여했다. 특히 Wellman은 "네트워크화된 개인주의" 즉, 그룹 기반 네트워크에서 개인화된 네트워크로의 변환을 관찰하고 설명했다.[30][31][32]


세기의 첫 10년 동안, Caroline Haythornthwaite 교수는 강한 상호작용(즉, 그 주제와 강하게 관련이 있는 사람들)이 아니라 약한 유대관계에서 새로운 통찰력을 얻기 위해 미디어 유형이 사회적 유대 발전에 미치는 영향을 탐구하였다. 이것은 Learning Analytics에 중심적인 아이디어를 제공한다: 명백히 관련이 없는 데이터는 중요한 정보를 숨길 수 있다. 이러한 현상의 한 예로, 일자리를 찾는 개인이 강한 정보보다는 약한 연결을 통해 새로운 정보를 찾을 수 있는 기회가 더 많아질 것이다.([33]Siemens, George (2013-03-17). 학습 분석 인트로) LAK13은 텍사스 대학교 오스틴 & 에드x에서 11분 안에 온라인 강좌를 연다. 검색된 2018-11-01)

그녀의 연구는 또한 다른 종류의 미디어가 네트워크 형성에 영향을 미칠 수 있는 방법에 초점을 맞췄다. 그녀의 업적은 분야로서 소셜 네트워크 분석의 발전에 크게 기여했다. 다양한 지표와 접근방식이 특정 노드의 중요성, 정보 교환의 가치, 클러스터가 서로 연결되는 방식, 그러한 네트워크 내에 존재할 수 있는 구조적 격차 등을 정의할 수 있도록 중요한 아이디어를 학습분석(Learning Analytics)[5]에 계승했다.

디지털 학습 설정에서 소셜 네트워크 분석의 적용은 쉐인 P교수가 개척해 왔다. 도슨. 그는 학생들이 포럼 토론을 할 때 [학습 관리 시스템]에서 형성되는 네트워크를 평가하기 위해 소셜 네트워크 적응 교육 관행(SNAPP)과 같은 많은 소프트웨어 도구를 개발했다. [34]

사용자 모델링

사용자 모델링의 주요 목표는 특히 컴퓨터 시스템과의 상호 작용에서 사용자의 특정 요구에 대한 시스템의 맞춤화 및 적응이다. 컴퓨터가 사람들에게 개별적으로 반응할 수 있는 것의 중요성은 1970년대부터 이해되기 시작했다. 1979년 일레인 리치 박사는 "컴퓨터는 사용자들을 뚜렷한 성격, 목표 등을 가진 개인으로 취급할 것"이라고 예측했다.[35] 이것은 교육적으로뿐만 아니라 개인화가 중요한 목표인 일반적인 웹 사용 활동에서도 중심적인 생각이다.[5]

사용자 모델링은 사용자들이 소프트웨어와 상호작용하는 방법을 이해함으로써 연구자들이 더 나은 시스템을 설계할 수 있도록 돕기 때문에 인간과 컴퓨터의 상호작용 연구에서 중요해졌다.[36] 개인의 고유한 특성, 목표 및 동기를 인식하는 것은 분석을 배우는 데 있어 중요한 활동으로 남아 있다.[5]

참고 항목: 적응형 하이퍼미디어 § 이력

학습 콘텐츠의 개인화와 적응은 학습 과학의 중요한 현재와 미래 방향이며, 교육 내에서의 그 역사는 학습 분석의 발전에 기여했다.[5]하이퍼미디어는 그래픽, 오디오, 비디오, 일반 텍스트 및 하이퍼링크를 포함하는 비선형 정보 매체다. 이 용어는 미국의 사회학자 테드 넬슨이 쓴 1965년 기사에서 처음 사용되었다.[37] 적응형 하이퍼미디어는 콘텐츠와 상호작용의 개인화를 증가시킴으로써 사용자 모델링을 기반으로 한다. 특히 적응형 하이퍼미디어 시스템은 해당 사용자의 요구에 적응하기 위해 각 사용자의 목표, 선호도 및 지식의 모델을 구축한다. 20세기 말부터 그 분야는 급속도로 성장했는데, 주로 인터넷이 연구를 적응성으로 끌어올리고, 둘째, 그 분야의 연구 경험의 축적과 통합에 기인했기 때문이다. 결과적으로, 학습 분석은 이러한 강력한 개발의 영향을 받았다.[38]

교육/인지적 모델링

교육/인지적 모델링은 학습자가 지식을 개발하는 방법을 추적하는 데 적용되었다. 1980년대 말부터 1990년대 초까지 컴퓨터는 교육에서 수십 년 동안 학습 도구로 사용되어 왔다. 1989년에 휴 번즈는 도메인 지식, 학습자 지식 평가, 교육학 개입의 세 가지 수준의 "지능"을 궁극적으로 통과할 지능적인 튜터 시스템의 채택과 개발을 주장했다. 21세기 동안, 이 세 가지 수준은 연구자들과 교육자들에게 계속 연관되어 왔다.[39]

1990년대 10년대의 인지모델을 중심으로 한 학문활동은 학생들에게 주어진 문제를 학생들이 해결하도록 기대되는 방식으로 해결할 수 있는 연산모델을 보유한 시스템을 개발하려는 시도에 초점을 맞췄다.[40] 인지 모델링은 지적 또는 인지적 튜터들의 인기 상승에 기여했다. 일단 인지 과정을 모델링할 수 있게 되면 학습 과정에서 학습자를 지원하기 위한 소프트웨어(지도사)가 개발될 수 있다. 이 분야에 대한 연구 기반은 결국 21세기 동안 학습 분석과 상당히 관련이 깊어졌다.[5][41][42]


인식론

빅데이터 분석은 교육에 점점 더 폭넓게 적용되고 있는 반면 와이즈와 셰퍼는[43] 분석에서 이론 기반 접근법의 중요성을 언급했다. 인식론적 틀 이론은 협력적 학습 환경에서 "세상에서의 사고, 행동, 존재의 방식"을 개념화했다. 구체적으로는 학습자 모임인 CoP(Community of Practice)가 공동의 목표, 표준, 선행지식과 기술을 가지고 복잡한 문제를 풀어나가는 문맥에 바탕을 두고 있다. CoP의 본질 때문에 요소들 간의 연관성(학습자, 지식, 개념, 기술 등)을 연구하는 것이 중요하다. 연결부 식별을 위해 학습자 데이터에서 요소들의 공통 발생을 식별하고 분석한다.

샤퍼와 루이스는[44] 모델과 해석, 원본 데이터의 투명성과 검증을 강조함으로써 해석 루프를 닫는 개념을 지적했다. 루프는 훌륭한 이론적 음향 분석 접근법인 인식론적 네트워크 분석을 통해 닫힐 수 있다.

기타기여금

분석의 역사에 대한 토론에서 아담 쿠퍼는 학습 분석이 주로 21세기 첫 번째 수십 년간 기법을 이끌어낸 여러 커뮤니티를 강조한다.[45] 여기에는 다음이 포함된다.

  1. 가설 검정을 다루기 위한 잘 확립된 수단인 통계.
  2. 역사적으로 데이터 액세스를 가능하게 하고 성과 지표를 요약하여 보고서 작성을 보다 효율적으로 하는 것이 목표였지만 학습 분석과 유사한 비즈니스 인텔리전스.
  3. 웹 분석, Google Analytics와 같은 툴은 웹 페이지 방문에 대한 보고서, 웹 사이트, 브랜드 및 기타 주요 용어에 대한 참조를 인터넷을 통해 제공한다. 이러한 기법 중 더 많은 "미세 곡물"이 학습자원을 통한 학생 궤적 탐구를 위한 학습 분석에서 채택될 수 있다(자재, 자료 등).
  4. 수학적 모델과 통계적 방법의 사용을 통한 목표 극대화를 위한 설계 최적화를 강조하기 위한 운영 연구. 그러한 기법은 실제 적용에 대한 실제 행동의 모델을 만드는 학습 분석과 관련되어 있다.
  5. 인공지능 방법(데이터 마이닝에 구축된 머신러닝 기법과 결합)은 데이터의 패턴을 탐지할 수 있다. 학습 분석에서 이러한 기법은 지능적 튜터링 시스템, 단순한 인구통계학적 요인보다 더 역동적인 방식으로 학생 분류, 협업 필터링 기법을 모델링한 "제안된 과정" 시스템과 같은 자원에 사용될 수 있다.
  6. 정보 시각화(Information visualization)는 제공된 데이터 주변의 감지 작성을 위한 많은 분석에서 중요한 단계로, 대부분의 기법(위의 기법 포함)에 걸쳐 사용된다.[45]


학습 분석 프로그램

특히 학습 분석 위주의 첫 번째 대학원 과정은 Ryan S에 의해 만들어졌다. 베이커, 2015년 가을 컬럼비아 대학교의 교사 대학에서 개강했다. 프로그램 설명에 다음과 같이 나와 있다.

"(...)학습과 학습자에 대한 데이터가 오늘날 유례없는 규모로 생성되고 있다. 학습 분석(LA)과 교육 데이터 마이닝(EDM) 분야는 이 데이터를 학생, 교사, 관리자에게 이익이 될 수 있는 새로운 통찰력으로 변화시킬 목적으로 등장했다. "교육·심리·보건 분야의 세계적인 교수·연구기관으로서 기술과 데이터 분석을 통한 교육 향상에 전념하는 혁신적인 대학원 교육과정을 제공할 수 있어 자랑스럽다."[46]


분석 방법

학습 분석 방법:

  • 내용 분석, 특히 학생들이 만드는 자료(예: 에세이)
  • 담화 분석은 (소셜 네트워크 분석과 달리) 학생 상호작용에 대한 의미 있는 데이터를 수집하는 것을 목표로 하며, 단지 상호작용 네트워크나 포럼-포스트 카운트 등이 아닌 사용된 언어의 속성을 탐구하는 것을 목적으로 한다.
  • 학습에 있어 사회적 상호작용의 역할, 학습 네트워크의 중요성, 센스메이킹에 사용되는 담화 등을 탐구하기 위한 소셜 학습 분석.[47]
  • 학생의 자신의 학습에 대한 성향과 이러한 성향과 학습과의 관계에 대한 데이터를 수집하려고 하는 처분 분석.[48][49] 예를 들어, "귀여운" 학습자들은 질문을 더 많이 하는 경향이 있을 수 있으며, 이 데이터는 학습 분석을 위해 캡처되고 분석될 수 있다.
  • Episticanic Network Analysis는 학습 과정에서 서로 다른 개념과 요소가 공존하는 것을 모델링하는 분석 기법이다. 예를 들어, 온라인 담화 데이터는 대화의 전환으로 분류될 수 있다. 학생들의 서로 다른 협업 학습 행동을 코딩함으로써 ENA를 적용하여 그룹 내 모든 개인에 대해 서로 다른 행동의 공존을 식별하고 계량화할 수 있다.

적용들

학습 어플리케이션은 현저한 수의 컨텍스트에 적용될 수 있고 적용되어 왔다.

일반목적

분석은 다음을 위해 사용됨:

  • 예를 들어, 중퇴 또는 과정 실패의 관점에서 "위험" 학생을 식별하기 위한 예측 목적.
  • 개인화 & 적응: 학생들에게 맞춤형 학습 경로 또는 평가 자료를 제공한다.
  • 교육자가 학생을 지원하기 위해 개입할 정보를 제공하는 개입 목적.
  • 정보 시각화(일반적으로 데이터 시각화 도구를 통해 개요 학습 데이터를 제공하는 소위 학습 대시보드)의 형태로 이루어지는 정보 시각화.

이해관계자에 대한 혜택

다양한 이해 당사자에 대한 교육 기관 전반에 걸쳐 분석에 대한 인식이 넓지만,[12] 학습 분석의 정의 및 구현 방법은 다음을 포함하여 다양할 수 있다.[15]

  1. 개인 학습자가 타인과 관련된 자신의 성과와 행동 패턴을 성찰할 수 있도록 한다. 특히 학생들의 성적을 최적화하기 위해 측정, 모니터링, 분석 및 변경을 위해 다음과 같은 영역을 설정할 수 있다.[50]
    1. 개별 학생 성과 모니터링
    2. 전공, 학년, 민족성 등 선택된 특성으로 학생성적을 세분화한다.
    3. 초기 개입을 위한 특이치 식별
    4. 모든 학생이 최적으로 성취할 수 있도록 잠재력을 예측하는 것
    5. 과정 또는 프로그램의 소모 방지
    6. 효과적인 교육 기법의 식별 및 개발
    7. 표준 평가 기법 및 도구 분석(예: 학과 및 면허 시험)
    8. 커리큘럼의 테스트 및 평가.[50]
  2. 추가적인 지원과 관심이 필요한 학생의 예측 변수로서,
  3. 교사 및 지원 직원이 개인 및 단체와의 개입을 지원할 수 있도록 지원
  4. 현재 과정을 개선하거나 새로운 커리큘럼 오퍼링을 개발하려는 과정 팀과 같은 업무 그룹
  5. 마케팅 및 채용 또는 효율성 및 효과성 조치와 같은 문제에 대한 결정을 내리는 기관 관리자용.[15]

분석의 동기 부여와 구현은 예를 들어 개별 학습자와 조직 이해당사자 간의 잠재적 충돌을 강조하는 등 다른 학습자와 충돌할 수 있다.[15]

소프트웨어

참고 항목: 소셜 네트워크 분석 소프트웨어 및 학생 정보 시스템

현재 분석 학습에 사용되는 소프트웨어의 대부분은 웹 분석 소프트웨어의 기능을 복제하지만, 내용과의 학습자 상호작용에 적용한다. 소셜 네트워크 분석 도구는 일반적으로 사회적 연결과 토론을 지도하는 데 사용된다. 학습 분석 소프트웨어 도구의 몇 가지 예는 다음과 같다.

  • BEESTAR Insight: 학생의 참여와 참석을 자동으로 수집하고 학생, 교사 및 관리를[51][non-primary source needed] 위한 분석 툴과 대시보드를 제공하는 실시간 시스템
  • LOCO-분석학: 웹 기반 학습 환경에서[52][53] 수행되는 학습 프로세스의 분석을 위한 상황 인식 학습 도구
  • SAM: 개인 학습 환경을[54][non-primary source needed] 위한 학생 활동 모니터
  • SOFT: 토론 포럼 게시물 및 응답으로[55][non-primary source needed] 인한 상호 작용 네트워크를 시각화하는 학습 분석 도구
  • 솔루션 경로 StREAM: 예측 모델을 활용하여 모든 기관 역할에[56][non-primary source needed] 대해 정형 및 비정형 소스를 사용하여 학생 참여의 모든 측면을 결정하는 선도적인 영국 기반 실시간 시스템
  • 학생 성공 시스템: 학생의 성과를 예측하고 참여 및 성과 예측을 기반으로 학습자를 위험 사분면으로 플롯하는 예측 학습 분석 도구로, 사회적으로 발생하는 상호작용 네트워크와 같은 시각화를 통해 학습자가 궤도에 오르지 않는 이유에 대한 이해를 발전시킬 수 있는 지표를 제공한다. 참여(예: 토론 게시물 및 응답), 평가에 대한 성과, 컨텐츠에 대한 참여 및 기타 지표[57][non-primary source needed]
  • ENA(Epistic Network Analysis) 웹 도구: 연구자가 코드화된 데이터 집합을 업로드하고 단위, 대화 및 코드를 지정하여 모델을 만들 수 있는 대화형 온라인 도구. [58] 온라인 도구 내의 유용한 기능에는 연결 축적을 위한 슬라이딩 윈도우 크기, 가중치 또는 가중치 없는 모델, 제안된 쓰기 등을 명시하는 두 그룹 간의 비교를 위한 평균 회전이 포함된다. 웹 도구는 안정적이고 오픈 소스가 있다.

윤리 및 프라이버시

학습 분석의 잠재적 관심사로 데이터 수집, 분석, 보고 및 책임의 윤리가 제기되었으며,[11][59][60] 이에 대한 우려는 다음과 같다.

  • 데이터 소유권[61]
  • 학습 분석의 범위 및 역할에 대한 커뮤니케이션
  • 학습 분석 시스템에서 인간 피드백 및 오류 수정의 필요한 역할
  • 시스템, 조직 및 이해관계자 간의 데이터 공유
  • 데이터 클라이언트에 대한 신뢰

케이, 콤, 오펜하임이 지적하는 바와 같이, 데이터의 범위는 넓으며,[62] 잠재적으로 다음으로부터 파생될 수 있다.

  • 활동 기록: 학생부, 출석부, 과제, 연구자 정보(CRIS)
  • 시스템 상호 작용: VLE, 라이브러리/리포지토리 검색, 카드 트랜잭션
  • 피드백 메커니즘: 설문 조사, 고객 관리
  • 섹터 및 공유 서비스, 소셜 네트워크 등 신뢰할 수 있는 식별 기능을 제공하는 외부 시스템

따라서 법률 및 윤리적 상황은 도전적이고 국가마다 다르며,[62] 다음 사항에 대한 함의를 제기한다.

  • 다양한 데이터: 수집, 보존 및 활용 원칙
  • 교육 미션: 소셜 및 성과 엔지니어링을 포함한 학습 관리의 근본 문제
  • 분석 개발 동기: 상호성, 기업, 개인 및 일반 재화의 조합
  • 고객 기대: 효과적인 비즈니스 관행, 소셜 데이터 기대, 글로벌 고객 기반에 대한 문화적 고려 사항.
  • 행동 의무: 지식에서 발생하는 주의 의무와 학생과 직원 성과 관리의 결과적 어려움

인룸 재해와 같은 몇몇 두드러진 사례에서는 정부, 이해관계자, 민권단체의 데이터 수집에 대한 신뢰 부족으로 완전한 기능 시스템마저 폐쇄되었다.[63] 이후 학습 분석 커뮤니티에서는 신뢰할 수 있는 학습 분석의 활용을 구성하는 「윤리 & 프라이버시 4 학습 분석」에 관한 전문가 워크숍을 잇달아 열어 법적 조건을 폭넓게 연구해 왔다.[64][non-primary source needed] Drachsler & Greller는 학습 분석과 관련한 윤리 및 프라이버시 토론을 강조하기 위해 이 분야의 집중적인 연구에 기초하여 DEARTY라는 8개 항목의 체크리스트를 발표했다.[65]

  1. D-종료: 해당 기관의 분석 학습 목적을 결정하십시오.
  2. E-xplain: 데이터 수집 및 사용 범위를 정의하십시오.
  3. L-예규: 법률 프레임워크 내에서 어떻게 작동하는지 설명하고, 필수적인 법률을 참조하십시오.
  4. I-nvolve: 이해관계자와 대화하여 데이터 배포 및 사용에 대한 보장을 제공하십시오.
  5. C-onsent: 명확한 동의 질문을 통해 동의를 구하라.
  6. 익명: 가능한 한 개인을 식별하지 않음
  7. T-기술적 측면: 특히 직원의 전환이 많은 영역에서 누가 데이터에 액세스할 수 있는지 모니터링하십시오.
  8. 외부 파트너: 외부 업체가 최고 수준의 데이터 보안 표준을 제공하는지 확인

그것은 모든 이해당사자에게 이익이 될 수 있는 프라이버시 준수 학습 분석을 설계하고 제공하는 방법을 보여준다. 전체 DIECIAL 체크리스트는 공개적으로 이용할 수 있다.[66]

학생들의 프라이버시 관리 관행은 개인의 프라이버시 신념과 프라이버시 관련 행동 사이에 차이를 보였다.[67] 학습 분석 시스템은 학생들이 선택을 취소하지 않을 경우 학생들의 데이터 수집을 허용하는 기본 설정을 가질 수 있다.[67] edX나 Coursera와 같은 일부 온라인 교육 시스템은 데이터 수집을 중단할 수 있는 선택권을 제공하지 않는다.[67] 특정 학습 분석이 제대로 기능하기 위해 이들 시스템은 쿠키를 활용해 데이터를 수집한다. [67]

개방형 학습 분석

2012년에는 학습 분석과 그 핵심 개념에 대한 체계적 개요를 모하메드 채티 교수와 동료들이 4차원에 기초한 참조 모델을 통해 제공하였다.

  • 데이터, 환경, 컨텍스트(무엇?),
  • 이해관계자(누구?),
  • 목표(이유) 및
  • 방법(어떻게?[68][69]

채티, 무슬림, 슈뢰더[70] 교수는 개방형 학습 분석(OLA)의 목적은 평생학습 환경에서 학습 효과를 향상시키는 것이라고 지적한다. 저자들은 OLA를 학습 분석 참조 모델의 모든 4차원에서 다양성을 포괄하는 진행 중인 분석 과정으로 언급하고 있다.[68]

참고 항목

추가 읽기

일반 청중 소개는 다음을 참조하십시오.

  • Educause 학습 이니셔티브 브리핑(2011)[71]
  • 교육 분석 검토(2011년)[72]
  • 유네스코 학습 분석 정책 개요(2012년)[73]
  • NMC Horizon 보고서: 2016 고등교육판[74]


참조

  1. ^ "Call for Papers of the 1st International Conference on Learning Analytics & Knowledge (LAK 2011)". Retrieved 12 February 2014.
  2. ^ Andrews, R.; Haythornthwaite, Caroline (2007). Handbook of e-learning research. London, UK: Sage.
  3. ^ Anderson, T. (2008). The theory and practice of online learning. Athabasca, Canada: Athabasca University Press.
  4. ^ Haythornthwaite, Caroline; Andrews, R. (2011). E-learning theory and practice. London, UK: Sage.
  5. ^ a b c d e f g h i j k l m Siemens, George (2013-08-20). "Learning Analytics: The Emergence of a Discipline". American Behavioral Scientist. 57 (10): 1380–1400. doi:10.1177/0002764213498851. ISSN 0002-7642. S2CID 145692984.
  6. ^ 지멘스, G, 커넥티비즘: 디지털 시대를 위한 학습 이론, International Journal of Instructional Technology and Distance Learning 2 (10), 2005.
  7. ^ George., Siemens (2006). Knowing knowledge. [Place of publication not identified]: [publisher not identified]. ISBN 978-1-4303-0230-8. OCLC 123536429.
  8. ^ 지멘스, 조지 "학습 분석이란?" 2010년 8월 25일 얼린스페이스. [1] 웨이백머신에 2018-06-28 보관
  9. ^ "나는 이 정의에 다소 동의하지 않는다. 분석을 기존 교육 모델에 대한 지원 구조로 사용한다면 이는 도입 개념의 역할을 할 수 있다. 고급적이고 통합된 구현에서 학습 분석은 조립 전 커리큘럼 모델을 없앨 수 있다고 생각한다." George Siemens, 2010년 8월, Learning Analytics Google Group 토론
  10. ^ "학습 분석의 설명에서 우리는 "성공 예측"을 위해 데이터를 사용하는 것에 대해 이야기한다. 우리 데이터베이스를 뒤져볼 때 난 그것 때문에 고생했어. 성공에 대한 견해/수준이 다르다는 것을 깨닫게 되었다. Mike Sharkey, 2010년 8월, Learning Analytics Google 그룹 토론에서 Phoenix University의 Acadical Analytics
  11. ^ a b Greller, Wolfgang; Drachsler, Hendrik (2012). "Translating Learning into Numbers: Toward a Generic Framework for Learning Analytics" (PDF). Educational Technology and Society. 15 (3): 42–57. S2CID 1152401. Archived from the original (PDF) on 2019-01-11. Retrieved 2018-11-01.
  12. ^ a b c Picciano, Anthony G. (2012). "The Evolution of Big Data and Learning Analytics in American Higher Education" (pdf). Journal of Asynchronous Learning Networks. 16 (3): 9–20. doi:10.24059/olj.v16i3.267.
  13. ^ Elias, Tanya (January 2011). "Learning Analytics: Definitions, Processes and Potential" (PDF). Unpublished Paper: 19. S2CID 16906479. Archived from the original (PDF) on 2019-01-11. Retrieved 2018-11-02. Lay summary. {{cite journal}}: Cite는 사용되지 않는 매개 변수를 사용한다. lay-url= (도움말)
  14. ^ Cooper, Adam (November 2012). "What is Analytics? Definition and Essential Characteristics" (PDF). The University of Bolton. ISSN 2051-9214. S2CID 14382238. Archived from the original (PDF) on 2019-01-11. Retrieved 2018-11-01.
  15. ^ a b c d 파월, 스티븐, 그리고 쉴라 맥닐. 기관별 분석 준비 상태 브리핑 백서. CETIS Analytics Series. JISC CETIS, 2012년 12월. : CS1 maint: 제목으로 보관된 사본(링크)
  16. ^ Johnson, Larry; Adams Becker, Samantha; Cummins, Michele (2016). NMC Horizon Report: 2016 Higher Education Edition (PDF). The New Media Consortium. Texas, Austin, USA. p. 38. ISBN 978-0-9968527-5-3. Retrieved 2018-10-30.
  17. ^ Gašević, D.; Kovanović, V.; Joksimović, S. (2017). "Piecing the learning analytics puzzle: a consolidated model of a field of research and practice". Learning: Research and Practice. 3 (1): 63–78. doi:10.1080/23735082.2017.1286142. hdl:20.500.11820/66801038-daf6-4065-b4a0-54848ad373ab.
  18. ^ Gašević, D.; Dawson, S.; Siemens, G. (2015). "Let's not forget: Learning analytics are about learning" (PDF). TechTrends. 59 (1): 64–71. doi:10.1007/s11528-014-0822-x. hdl:20.500.11820/037bd57b-858f-4d21-bd29-2c6ad4788b42.
  19. ^ 지멘스, D. 가세비치, C. Haythornthwaite, S. Dawson, S. B. Shum, R. 퍼거슨, E. 듀발, K. 버버트, 그리고 R. S. J. D. 베이커. Open Learning Analytics: 통합 및 모듈화된 플랫폼. 2011.
  20. ^ Baepler, P.; Murdoch, C. J. (2010). "Academic Analytics and Data Mining in Higher Education". International Journal for the Scholarship of Teaching and Learning. 4 (2). doi:10.20429/ijsotl.2010.040217.
  21. ^ a b C. 브룩스. 향상된 기술 학습 환경의 교육 개입을 지원하기 위한 데이터 지원 접근법 박사학위 논문. 2012년 캐나다 Saskatchewan 대학교 Saskatchewan, Saskatoon, Saskatoon 2012.
  22. ^ "Learning Analytics Teachers College Columbia University". www.tc.columbia.edu. Retrieved 2015-10-13.
  23. ^ Otte, Evelien; Rousseau, Ronald (2002). "Social network analysis: a powerful strategy, also for the information sciences". Journal of Information Science. 28 (6): 441–453. doi:10.1177/016555150202800601.
  24. ^ Lazarsfeld, Paul F. (January 1944). "The Election Is Over". Public Opinion Quarterly. 8 (3): 317. doi:10.1086/265692.
  25. ^ Sullivan, Danny (2007-04-26). "What Is Google PageRank? A Guide For Searchers & Webmasters". Search Engine Land. Archived from the original on 2016-07-03.
  26. ^ Cutts, Matt. "Algorithms Rank Relevant Results Higher". Archived from the original on July 2, 2013. Retrieved 19 October 2015.
  27. ^ Page, Lawrence; Brin, Sergey; Motwani, Rajeev; Winograd, Terry (1999). "The PageRank Citation Ranking: Bringing Order to the Web" (PDF). Stanford InfoLab.
  28. ^ Milgram, Stanley (May 1967). "The Small World Problem". Psychology Today.
  29. ^ Granovetter, Mark S. (May 1973). "The Strength of Weak Ties" (PDF). The American Journal of Sociology. 78 (6): 1360–1380. doi:10.1086/225469. JSTOR 2776392.
  30. ^ Networks in the global village : life in contemporary communities. Wellman, Barry. Boulder, Colo: Westview Press. 1999. ISBN 978-0-8133-1150-0. OCLC 39498470.{{cite book}}: CS1 maint : 기타(링크)
  31. ^ Wellman, Barry; Hampton, Keith (November 1999). "Living Networked in a Wired World" (PDF). Contemporary Sociology. 28 (6). doi:10.2307/2655535. JSTOR 2655535. Retrieved 2018-11-02.
  32. ^ 배리 웰먼 "물리적 장소와 사이버 공간: 네트워크화된 개인주의의 대두." 국제 도시 및 지역 연구 저널 25,2 (2001년 6월) : 227-52.
  33. ^ Haythornthwaite, Caroline; Andrews, Richard (2011). E-learning theory and practice. London, UK: Sage. doi:10.4135/9781446288566. ISBN 978-1-84920-471-2.
  34. ^ Dawson, Shane. (2010). "'Seeing' the learning community: An exploration of the development of a resource for monitoring online student networking" (pdf). British Journal of Educational Technology. 41 (5): 736–752. doi:10.1111/j.1467-8535.2009.00970.x.
  35. ^ Rich, Elaine (1979). "User modeling via stereotypes" (PDF). Cognitive Science. 3 (4): 329–354. doi:10.1207/s15516709cog0304_3.
  36. ^ Fischer, Gerhard (2001). "User Modeling in Human^Computer Interaction". User Modeling and User-Adapted Interaction. 11: 65–86. doi:10.1023/A:1011145532042.
  37. ^ Nelson, T. H. (1965-08-24). "Complex information processing". Complex information processing: a file structure for the complex, the changing and the indeterminate. ACM. pp. 84–100. doi:10.1145/800197.806036.
  38. ^ Brusilovsky, Peter (2001). "Adaptive Hypermedia". User Modeling and User-Adapted Interaction. 11 (1/2): 87–110. doi:10.1023/a:1011143116306. ISSN 0924-1868.
  39. ^ Burns, Hugh (1989). Richardson, J. Jeffrey; Polson, Martha C. (eds.). "Foundations of intelligent tutoring systems: An introduction". Proceedings of the Air Force Forum for Intelligent Tutoring Systems.
  40. ^ Anderson, John R.; Corbett, Albert T.; Koedinger, Kenneth R.; Pelletier, Ray (1995). "Cognitive tutors: Lessons learned" (PDF). Journal of the Learning Sciences. 4 (2): 167–207. doi:10.1207/s15327809jls0402_2.
  41. ^ Koedinger, Kenneth; Osborne, David; Gaebler, Ted (2018). Forbus, K.D.; Feltovich, P.J. (eds.). "Intelligent Cognitive Tutors as Modeling Tool and Instructional Model" (PDF). Smart Machines in Education: The Coming Revolution in Educational Technology: 145–168.
  42. ^ Koedinger, Kenneth (2003). "Toward a Rapid Development Environment for Cognitive Tutors Interactive Event during AIED-03" (PDF). Artificial Intelligent in Education.
  43. ^ Shaffer, David Williamson; Collier, Wesley; Ruis, A. R. (2016). "A Tutorial on Epistemic Network Analysis: Analyzing the Structure of Connections in Cognitive, Social, and Interaction Data". Journal of Learning Analytics. 3 (3): 9–45. doi:10.18608/jla.2016.33.3. ISSN 1929-7750.
  44. ^ Shaffer, David Williamson; Ruis, A. R. (2017), "Epistemic Network Analysis: A Worked Example of Theory-Based Learning Analytics", Handbook of Learning Analytics, Society for Learning Analytics Research (SoLAR), pp. 175–187, doi:10.18608/hla17.015, ISBN 9780995240803
  45. ^ a b 쿠퍼, 아담 분석의 간략한 기록 A 브리핑 문서. CETIS Analytics Series. JISC CETIS, 2012년 11월. http://publications.cetis.ac.uk/wp-content/uploads/2012/12/Analytics-Brief-History-Vol-1-No9.pdf.
  46. ^ "Learning Analytics". www.tc.columbia.edu. Retrieved 2015-11-03.
  47. ^ 버킹엄 썸, S.와 퍼거슨, R. 소셜 학습 분석. Education Technology & Society(학습 & Knowledge Analytics, Eds. G. Siemens & D) 가셰비치), 15, 3, (2012), 3-26. 개방형 액세스 Eprint: http://oro.open.ac.uk/34092
  48. ^ Brown, M, 학습 분석: 개념에서 실천으로 이동. EDERVAUSE 학습 이니셔티브 브리핑, 2012. http://www.educause.edu/library/resources/learning-analytics-moving-concept-practice
  49. ^ 버킹엄 슈움, S. 및 디킨 크릭, R. 학습 배치 및 전달 가능한 역량: 교육학, 모델링 및 학습 분석. 인: Proc. 제2차 학습 분석 및 지식 국제 컨퍼런스(Vancouver, 2012년 4월 2일) ACM: 뉴욕. pp.92-101. doi:10.1145/2330601.2330629 Eprint: http://oro.open.ac.uk/32823
  50. ^ a b "Analytics for Achievement" (PDF). Ibm, S.a.: 4. February 2011. Retrieved 2018-11-01.
  51. ^ "Archived copy". Archived from the original on 2013-11-10. Retrieved 2013-11-19.{{cite web}}: CS1 maint: 타이틀로 보관된 사본(링크)
  52. ^ Ali, L.; Hatala, M.; Gaševic, D.; Jovanovic, J. (2012). "A qualitative evaluation of evolution of a learning analytics tool". Computers & Education. 58 (1): 470–489. CiteSeerX 10.1.1.462.4375. doi:10.1016/j.compedu.2011.08.030.
  53. ^ Ali, L.; Asadi, M.; Gaševic, D.; Jovanovic, J.; Hatala, M. (2013). "Factors influencing beliefs for adoption of a learning analytics tool: An empirical study" (PDF). Computers & Education. 62: 130–148. doi:10.1016/j.compedu.2012.10.023.
  54. ^ "Billets pour le parc d'attraction disneyland Paris". Archived from the original on 2017-04-15. Retrieved 2011-11-27.
  55. ^ "Social Networks in Action – Learning Networks @ UOW". Archived from the original on 2012-03-21.
  56. ^ "Homepage".
  57. ^ "Brightspace Performance Plus for Higher Education Learning Analytics Features Brightspace by D2L".
  58. ^ Arastoopour, Golnaz; Chesler, Naomi; Shaffer, David; Swiecki, Zachari (2015). "Epistemic Network Analysis as a Tool for Engineering Design Assessment". 2015 ASEE Annual Conference & Exposition Proceedings. ASEE Conferences: 26.679.1–26.679.19. doi:10.18260/p.24016.
  59. ^ 슬레이드, 샤론, 프린슬루, 폴 "학습 분석: 윤리적 문제와 딜레마" (2013), 57(10), 페이지 1509–1528. http://oro.open.ac.uk/36594
  60. ^ 지멘스, G. "학습 분석: 연구 분야와 실천 영역을 구상하는 것." 2012년 4–8, 제2차 국제 학습 분석 및 지식 컨퍼런스 진행 중. http://dl.acm.org/citation.cfm?id=2330605.
  61. ^ Kristy Kitto, 데이터 소유를 위한 매니페스토 http://www.laceproject.eu/blog/towards-a-manifesto-for-data-ownership/
  62. ^ "Privacy Fears Over Student Data Tracking Lead to InBloom's Shutdown". Bloomberg.com. 2014-05-01. Retrieved 2020-10-05.
  63. ^ "Ethics and Privacy in Learning Analytics (#EP4LA)".
  64. ^ Drachsler, H. & Greler, W. (2016) 개인 정보 보호 및 분석 – 민감한 문제임. 신뢰할 수 있는 학습 분석을 설정하기 위한 체크리스트. 2016년 4월 25~29일 영국 에든버러에서 열린 제6차 학습 분석 및 지식 컨퍼런스.
  65. ^ "DELICATE checklist – to establish trusted Learning Analytics". 2016-01-25.
  66. ^ a b c d "Student privacy self-management: implications for learning analytics". dl.acm.org. doi:10.1145/2723576.2723585. Retrieved 2020-07-05.
  67. ^ a b 모하메드 아민 채티, 안나 리아 디크호프, 울릭 슈뢰더, 헨드릭 튀스(2012년). 학습 분석의 참조 모델. IJTEL (International Journal of Technology Enhanced Learning), 4(5/6), 페이지 318-331.
  68. ^ 채티, 엠에이, 루카로프, 브이, 뷔, 튀스, H, 무슬림, A, 유세프, A. M.F, 와히드, U, 그레벤, C, 차크라바티, A., 슈뢰더, U. (2014) 학습 분석: 과제 및 향후 연구 방향. 이스 10. http://eleed.campussource.de/archive/10/4035
  69. ^ 모하메드 아민 채티, 아함 무슬림, 울리크 슈뢰더(2017년). 개방형 학습 분석 에코시스템을 지향한다. 고등교육의 빅데이터 및 학습 분석(pp. 195-219)에서. 스프링거 인터내셔널 퍼블리싱.
  70. ^ Eli (2011). "Seven Things You Should Know About First Generation Learning Analytics". EDUCAUSE Learning Initiative Briefing.
  71. ^ Long, P.; Siemens, G. (2011). "Penetrating the fog: analytics in learning and education". Educause Review Online. 46 (5): 31–40.
  72. ^ Buckingham Shum, Simon (2012). Learning Analytics Policy Brief (PDF). UNESCO.
  73. ^ Johnson, Larry; Adams Becker, Samantha; Cummins, Michele (2016). NMC Horizon Report: 2016 Higher Education Edition (PDF). The New Media Consortium. Texas, Austin, USA. ISBN 978-0-9968527-5-3. Retrieved 2018-10-28.

외부 링크