网络化高等教育中的学习分析仪表板：对学生学习成效、自我调节学习和学习投入影响的元分析

《The Internet and Higher Education》：Learning analytics dashboards in Internet-enabled higher education: A meta-analysis of effects on student outcomes, self-regulated learning, and engagement

　　

摘要

学习分析仪表盘（LADs）在互联网化高等教育中可视化学习者数据，但关于仪表盘本身效果的元分析证据稀缺。依据PRISMA 2020准则，检索了五个数据库中2013年1月至2026年3月间的实验和准实验研究。经与原始报告核实后，22项研究符合纳入标准（N=33,409），其中21项被纳入合并分析。嵌入自适应辅导或密集自动反馈的仪表盘被排除。面向学生和面向教师的仪表盘分别作为不同的因果路径进行合成（g=0.287，k=16；以及g=0.260，k=5）；面向教师的估计值较为脆弱，仅基于非随机化研究及一项超大规模研究。所有21项研究的合并估计值仅作为文献的描述性基线报告，而非预期回报（Hedges' g=0.276，95% CI [0.162, 0.390]）；在高等教育样本中g=0.295，在随机试验中g=0.219。重新纳入两个存在混杂的系统使基线膨胀至g=0.461。异质性较高（I2=79.2%），95%预测区间[-0.161, 0.712]跨越零点，因此某项实施可能毫无收益。在学业成绩（g=0.237）和完成率（g=0.122）上效果显著，但在基于日志的参与度、自我报告的学习自调控或动机方面无显著效果。没有设计、受众、时代或模态调节因素显著，修剪填充法提示偏倚校正后的均值接近g=0.17。各机构应将LADs视为实施条件依赖型：以使用量遥测进行试点，谨慎使用规范比较，并在规模化之前进行评估。

引言

高等教育中互联网化学习环境的扩展，包括学习管理系统（LMS）、大规模开放在线课程（MOOCs）和混合式平台，持续产生关于学生互动、行为和表现的数据（Long & Siemens, 2011；Siemens, 2013）。自2011年首届学习分析与知识（LAK）会议以来，学习分析已发展为一个成熟的领域（Ferguson, 2012；Ga?evi? et al., 2015；Greller & Drachsler, 2012），而仪表盘已成为分析输出到达最终用户的主要界面（Verbert et al., 2013；Verbert et al., 2014）。本文将学习分析仪表盘（LAD）操作性地定义为一种互联网交付的可视化系统，它将关于学习者、学习过程和学习环境的数据整合在一个或多个显示界面上，使利益相关者能够监控、解释并基于教育数据采取行动（Few, 2006；Schwendimann et al., 2017）。当代仪表盘涵盖从对历史活动的描述性展示，到显示基于模型的风险预测值的预测系统，再到推荐具体行动的处方型系统（Bodily & Verbert, 2017；Yoo et al., 2015）。

由于本综述针对的是互联网化教育，该构念需要操作性定义，而非被笼统等同于完全在线交付。在本元分析中，当仪表盘干预本身通过基于互联网的平台（LMS、MOOC平台或网络化定制应用）交付，且其可视化数据是由学生的技术中介学习活动中产生的，该设置即被归类为互联网化设置。该定义有意涵盖三种配置：完全在线、远程和MOOC课程；混合式和翻转式课程；以及学习活动通过基于互联网的平台流动的传统校园课程。仪表盘在所有三种配置中通过相同的数字层运行，但各配置不假设为可互换的：每项研究的课程交付模态均被编码，并作为调节因素进行了检验（2.5 数据提取与编码；3.5 调节因素分析（RQ3）），以便跨模态差异通过实证检验而非静默合并。

LAD并非单一干预。该标签至少涵盖两类因果路径根本不同的干预类别，这一区分构成了整个分析的结构框架。面向学生的仪表盘通过自调控发挥作用：通过外部化进度信息，其假设能够支持学习自调控（SRL）中的预先思考、表现监控和自我反思阶段（Winne & Hadwin, 1998；Zimmerman, 2000），在学习行为与其可见后果之间闭环反馈回路（Butler & Winne, 1995；Panadero, 2017；Winne, 2017）。其对学业成绩的影响在某种意义直接，因为看到展示的即是行为需要改变的学生本人。面向教师的仪表盘则通过间接的教学链发挥作用：展示改变了教师注意到的内容，教师随后采取行动（发送反馈、调整教学、联系高风险学生），唯有该行动才能改变学生结果（Herodotou et al., 2019；Wise & Jung, 2019；Xhakaj et al., 2017）。学生可能从未见过该仪表盘。

这些对比路径有三个方法论后果。第一，面向学生和面向教师的仪表盘在本综述中分别合成，各有其合并估计值。第二，仍报告跨所有受众的估计值，但仅作为整个文献的描述性基线。它总结了可分离仪表盘已发表实验证据的当前状态，并作为敏感性分析、偏倚分析和调节因素分析的参照点。它并未被呈现为机构可以预期的回报，因为机构为特定受众采用特定仪表盘，跨两个不同机制的干预类别的均值不描述其中任何一个。该基线也不意味着效果是同质性的，因此它与其预测区间一同报告。第三，两个亚组之间无统计学显著差异绝不被解释为功能等效性：鉴于面向教师的研究数量极少，此类检验几乎没有效力，且无证据并非证据之无（第4.3节）。

互补的理论视角为调节因素分析提供依据。反馈干预理论预测，引导注意力到任务的反馈支持表现，而引导注意力到自我的反馈可能产生反作用（Kluger & DeNisi, 1996）。认知负荷理论（CLT）告诫，密集或组织不良的展示会施加额外负荷（Cheng et al., 2024；Lim et al., 2021；Sweller, 1988）。技术接受模型（TAM）识别感知有用性和感知易用性作为采用条件（Davis, 1989）。这些框架共同预测仪表盘效果应取决于设计特征、受众和情境，而非均匀一致。

在叙事性文献中，已存在一个广泛的定性共识，即仪表盘平均而言有轻微益处（Bodily & Verbert, 2017；Ifenthaler & Yau, 2020；Matcha et al., 2020）。仅以单一合并数字替代这一共识的元分析将增添甚微。本文追求贡献在于不同且三重的方面。第一，构念纯化：该综述执行干预可分离性标准，将仪表盘与可视化与自适应辅导或密集自动反馈捆绑在一起的系统区分开来（Molenaar & Knoop-van Campen, 2016；Zheng et al., 2022），并量化此类共同干预对仪表盘表观效果的膨胀程度。第二，离散度而非均值：分析突出95%预测区间，表达真实效果在不同实施中如何广泛变化，而非任何单一实施可能经历的均值。第三，条件边界：仪表盘代际（静态描述型、预测型、处方型）、交互性、交付模态、受众，以及已记录的无效和负面发现（第4.2节）作为有效性的候选边界条件进行检验。

本综述之前有多项合成研究。Bodily和Verbert（2017）对面向学生的仪表盘进行了描述性综述；Schwendimann等人（2017）对学习仪表盘研究进行了系统综述；Matcha等人（2020）从自调控视角综述了仪表盘；Valle, Antonenko, Dawson和Huggins-Manley（2021）对面向学习者的仪表盘进行了系统综述；Kaliisa等人（2024）对仪表盘在成就、动机、参与和态度方面的影响进行了系统综述，报告了研究层面效果值而未合并；Alfredo等人（2024）综述了以人为中心的学习分析和人工智能。这些综述均未合并效果值。本研究与先前综述在三个具体方面有所不同：它是定量的，估计带异质性、预测区间和偏倚评估的合并效果；它执行上述干预可分离性标准；并按受众逻辑模型、技术代际和交付模态划分证据。相邻文献的元分析提供了解释基准：反馈干预（d=0.41；Kluger & DeNisi, 1996）、形成性评估（加权均值d=0.20，基于计算机的系统d=0.28；Kingston & Nash, 2011）、教育技术整体（d=0.33至0.35；Tamim et al., 2011），以及ChatGPT辅助学习（学业成绩g=0.71；Deng et al., 2025）。

四个研究问题指导了分析。RQ1：面向学生和面向教师的仪表盘分别考量时，可分离LADs对学生结果的合并效果是什么，整个文献提供何种描述性基线，以及真实效果在不同实施中如何离散？RQ2：效果在不同测量工具类别测量的结果构念间如何不同（学业成绩；自我报告的SRL；基于日志的参与度；课程完成率；动机与情感）？RQ3：哪些设计和情境特征调节有效性：分析代际、交互性、交付模态、教育水平、学科领域、干预持续时间和平台整合、发表时代？RQ4：是否存在发表偏倚或小样本研究偏倚的证据，校正后如何改变估计值？

研究设计片段与报告准则

本元分析按照PRISMA 2020准则进行和报告（Page et al., 2021），完成的PRISMA核对表见附录A。本元分析未进行预注册；为支持透明度和可重复性，完整分析数据集、编码和转换决策以及重现所有估计值和图表的R脚本作为本文补充材料提供。所有分析决策，包括效果量计算方法和转换决策……

纳入研究的特征

22项纳入研究发表于2015年至2026年间，其中15项（68.2%）发表于2021年或更晚。研究来自九个国家和两个多国MOOC样本，共33,409名参与者（范围37至14,128；中位数=130.5）；纳入合并分析的对比基于这些参与者中的28,381名，因为某些效果仅使用部分组别或样本子集（附录E）。8项研究（36.4%）为随机对照试验，14项使用准实验……

主要发现摘要

一旦仪表盘与其伴随的共同干预分离，关于学习分析仪表盘已发表证据指向对学生结果的小效果：面向学生的仪表盘g=0.287，面向教师的仪表盘g=0.260，文献整体描述性基线g=0.276（高等教育子集中g=0.295，随机试验中g=0.219，偏倚校正后约g=0.17）。95%预测区间跨越零点。综合来看，结论……

本元分析旨在量化仪表盘本身在互联网化教育中对学生结果贡献了多少。答案有两面性。在整个已发表文献中，可分离学习分析仪表盘与小正效果相关（面向学生g=0.287；面向教师g=0.260；描述性基线g=0.276；高等教育g=0.295；随机试验g=0.219；偏倚校正后约g=0.17），偏倚诊断提示……

生成式AI和AI辅助技术在稿件准备过程中的声明

在准备本文期间，作者使用了Claude（Anthropic）帮助核对提取的数据与原始报告是否一致、重新运行分析脚本和编辑语言。使用此工具后，作者根据需要审阅和编辑了内容，并对已发表文章的内容承担全部责任。

CRediT作者贡献声明

Rivan Gestiardi：撰写——初稿，监督，方法论，调查，概念化。Yuniawatika：撰写——审阅与编辑，撰写——初稿，验证，方法论，调查，数据管理。

资助

本研究未获得公共、商业或非营利部门任何资助机构的专项资助。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

Rivan Gestiardi是一名位于印度尼西亚玛琅的独立研究者。他持有马来西亚师范大学基础教育部博士学位。他的研究考察去殖民理论、生成式人工智能和批判教育学在南方国家小学和基础教育情境中的交汇。

Rivan Gestiardi | Yuniawatika

独立研究者，印度尼西亚玛琅瓦吉尔