从洞察到干预：学习分析与生成式人工智能对学习设计与教育决策的支持

《International Journal of Educational Technology in Higher Education》：From insight to intervention: learning analytics and generative AI support for learning design and educational decision-making

　　

： 学习设计工具、学习分析（Learning Analytics, LA）以及生成式人工智能（Generative AI, GenAI）的最新进展，为教育工作者设计、监测和调整学习体验创造了新的可能。然而，关于这些可能性能否常规性地转化为以学生为中心、包容、个性化且有效的教学实践，现有证据仍然有限。本社论综合了本期特刊中关于学习分析与人工智能支持学习设计及教育决策的四篇论文。在学生、教师、学科和机构等多个层面，研究表明，技术并不会仅凭技术能力本身而具有教育价值。其价值受到学习设计、社区与互动、数字素养、教育者与学习者能动性、伦理适配（ethical fitness）、组织战略、资源以及广泛利益相关者参与的调节。与此同时，现有证据基础仍以横断面研究、自我报告、话语分析和专家判断研究为主。研究人员认为，该领域现在必须从展示关联和提出框架，转向检验因果机制、实施条件、长期结果和分配效应的干预研究。未来的研究议程应将学习分析与GenAI紧密联系教育愿景和教学意图，维护人类与认知能动性，并构建可信赖的社会技术基础设施，使教育者和学习者能够依据证据采取行动。

论文解读文章：

一、研究背景与问题

学习设计研究已走过约二十年历程，学习分析研究也有超过十六年的积累，而自OpenAI发布ChatGPT以来，生成式人工智能（Generative AI, GenAI）进入教育领域已近三年。学习设计工具与可视化技术的进步使教育者能够更便捷地做出创新的学习设计决策，但教育者利用这些数据与洞察来创建和支持以学生为中心、包容且个性化的学习体验的证据仍然有限。同样，学习分析在主流教育环境中通过循证反馈促进学习的应用并不普遍，用于监测和评估学习设计决策的情况更为罕见，而政策制定者和教育领导者依赖学习分析进行课程开发与战略规划决策的证据则更加匮乏。一个持续存在的挑战是，许多学习分析和人工智能支持的技术对于非专业群体而言仍然难以解释和付诸行动。GenAI的出现为学习者和教育者从学习设计与学习分析的进展中获益提供了更大潜力，但技术能力本身并不能自动转化为教育价值，其价值需要通过学习设计、社区互动、数字素养、能动性、伦理适配、组织战略、资源和利益相关者参与等多重因素来中介。正是在这一背景下，本期特刊旨在审视GenAI的最新进展如何帮助支持与增强学习，并为学习设计决策提供信息。

二、研究内容与主要结论

本期特刊从四个互补的视角回应了上述问题。Dong等人（2026）从学生层面出发，通过混合方法设计，结合对400名大学生的两阶段问卷调查、偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modelling, PLS-SEM）、模糊集定性比较分析（fuzzy-set Qualitative Comparative Analysis, fsQCA）以及对12名学生的访谈，考察了基于GenAI的学习分析技术（GenAI-based Learning Analytics Technology, GLAT）如何通过探究社区（Community of Inquiry, CoI）框架影响学习投入。研究结果显示，GLAT与学习投入之间存在直接正向关系，同时通过认知存在感、社会存在感和教学存在感产生部分中介效应。数字素养增强了GLAT与各CoI维度之间的关系，而组态分析识别出多条通往高投入的替代路径。值得注意的是，其中一条路径表明，即使GLAT使用有限，强大的CoI也能维持学习投入。

Tang和Wang（2026）将研究带入电影教育领域，通过顺序混合方法研究，结合来自中国五所院校508名学生的调查数据、对10位电影教育者的访谈以及对10部学生影片的分析，提出了学习分析驱动的教育决策（Learning Analytics-driven Educational Decision-Making, LA-EDM）框架。该框架将技术知识、课程整合、教学知识或学习者-工具适配以及伦理适配与技术-艺术平衡、文化适应性和教育有效性联系起来。研究发现，伦理适配是技术-艺术平衡的显著预测因子，并对教育有效性产生间接贡献。定性研究结果揭示了AIGC（AI Generated Content）的双重效应：一方面赋能学生并提高效率，另一方面可能导致创造性技能退化（creative deskilling）、浅层工作、刻板文化表征以及对算法惯例的依赖。

Claassen等人（2026）将关注点从学生和学科成果转向教育者的学习设计推理。研究人员在澳大利亚一所大型大学组织了11个焦点小组，通过主题分析和认知网络分析（Epistemic Network Analysis, ENA）进行分析，并以自我决定理论（Self-Determination Theory, SDT）作为解释透镜。研究发现，关于学习分析的讨论集中在情境信息、课程层面设计、创造性问题解决、学生支持和活动重新设计等方面；而关于GenAI的讨论则与评估设计、构思、情境判断和为学生的自我决定而设计更紧密相关。在两种技术中，教育者都将技术功能与本地知识相结合，而非将这些学习分析和/或GenAI输出视为不言自明的。

Svetec等人（2026）则将研究提升至机构决策层面，通过初始调查、国际德尔菲法（Delphi process）以及结合层次分析法（Analytic Hierarchy Process, AHP）与网络影响力的群体决策方法，识别并优先排序了将可信学习设计与学习分析转化为教育干预所需的七个使能因素：机构战略导向；教学与研究基础；可用资源；教学支持；伦理与数据治理；利益相关者参与；以及质量保障。最终优先级排序将机构战略导向和可用资源置于首位，其次是教学与研究基础以及利益相关者参与。

三、主要技术方法

四篇论文采用了多样化的研究方法。Dong等人采用混合方法设计，包括两阶段问卷调查（样本为400名大学生）、PLS-SEM、fsQCA以及12名学生访谈。Tang和Wang采用顺序混合方法，包括对508名来自中国五所院校学生的调查、10位电影教育者的访谈以及10部学生影片的分析。Claassen等人采用主题分析与ENA分析11个焦点小组的讨论数据，以SDT作为解释框架。Svetec等人则结合初始调查、国际德尔菲法以及结合AHP与网络影响力的群体决策方法。

四、研究结果

从洞察到干预：学生层面的机制研究。Dong等人的研究通过定量与定性相结合的方法，验证了GLAT与学习投入之间的直接正向关系，并识别出CoI三个维度的部分中介作用。数字素养作为调节变量增强了GLAT与各CoI维度之间的关系。组态分析进一步识别出多条等效路径，其中一条表明强大的CoI可以在GLAT使用有限的情况下维持高投入。这一贡献否定了简单的技术效应模型，将GLAT视为一种需要通过社会与教学过程转化为学习行为的资源。

伦理适配与创造性学习。Tang和Wang的研究通过LA-EDM框架揭示了伦理适配对技术-艺术平衡的显著预测作用，以及对教育有效性的间接贡献。定性分析揭示了AIGC赋能与创造性技能退化之间的辩证张力。该研究将伦理视为生产性条件而非限制性约束，并拓宽了学习分析中证据的范畴，将调查构念、教育者解释与多模态作品相结合。

教育者推理、能动性与创造性问题解决。Claassen等人的研究通过焦点小组的ENA分析，揭示了教育者在学习设计实践中如何将技术功能与本地知识相结合。学习分析讨论集中于情境信息、课程设计、创造性问题解决、学生支持与活动重新设计；GenAI讨论则与评估设计、构思、情境判断和学生自我决定设计更紧密相关。SDT视角下，自主性、胜任感和关联性成为机构设计需求。

通过机构使能因素闭环。Svetec等人的研究通过德尔菲法和群体决策方法，识别并优先排序了七个学习分析干预的使能因素。机构战略导向与可用资源位居首位，教学与研究基础以及利益相关者参与紧随其后。研究人员强调，可信学习分析是干预的前提条件，各使能因素是学习设计中行动的条件而非可信度维度本身。

五、讨论与结论

本期特刊得出五点核心结论。第一，推进循证教育决策需要学习分析、学习设计与GenAI交叉领域的跨学科研究，决策发生在从个体教育者和学习者到机构、教育部门乃至国家与国际系统的多层次互联结构中。第二，学习设计是学习分析证据与教育行动之间的桥梁，数据只有在与教学意图相比较时才具有可解释性。第三，能动性是分布式的但不应被稀释：学生需要数据和AI素养来质疑建议并将反馈转化为学习策略，教育者需要自主性和胜任感来解释证据而非服从自动化处方，领导者需要为负责任的实验创造条件，机构必须对工具、数据和政策负责。第四，伦理与可信度是教育质量的构成性要素，而非最终合规阶段。第五，该领域存在概念成熟度与证据成熟度之间的差距，现有研究多为自我报告、近端结果或从话语和专家判断中推断，缺乏长期教育变革的证据。

未来研究议程应优先推进六个相互关联的方向：从关联研究转向干预与因果解释研究；发展跨学习者、教育者、课程、项目和机构的多层次证据；超越投入与效率衡量教育质量；将GenAI系统视为异质且不断变化的对象；建设参与式、可信赖且文化响应的基础设施；研究专业与组织学习。研究结论强调，学习分析、学习设计与GenAI的融合不应被理解为技术升级，而是教育决策的重新设计。证据只有在教学情境化、社会性解释、伦理治理以及人类与组织能力支持下才具有可操作性。该领域的下一个基准必须是可信且有意义的干预：在不侵蚀能动性、公平性、创造性和专业判断的前提下，实现可证明的教学改进。