学習分析

学習分析とは、学習とその環境を理解し最適化することを目的に、学習者とその状況に関するデータを測定、収集、分析、報告することです。^[1] 1990 年代以降、特に高等教育の分野でオンライン学習 が普及したことで、学生のデータを取得して分析に利用できるようになり、学習分析の進歩につながりました。^{[2] [3] [4]学習者が}LMSやソーシャル メディアなどのオンライン ツールを使用すると、クリック、ナビゲーション パターン、タスク時間、ソーシャル ネットワーク、情報の流れ、ディスカッションによる概念の発展を追跡できます。大規模公開オンライン コース(MOOC) の急速な発展により、研究者はオンライン環境での教育と学習を評価するための追加データを得ることができます。^[5]

ラーニング アナリティクスに関する文献の大部分は前述の定義を採用し始めていますが、ラーニング アナリティクスの定義と目的については依然として議論が続いています。

コミュニティで以前に議論された定義の1つでは、学習分析とは、インテリジェントデータ、学習者が作成したデータ、分析モデルを使用して、人々の学習を予測し、アドバイスするための情報と社会的つながりを発見することであると示唆されていました。^[6]しかし、この定義は、ジョージ・シーメンス^{[7] [非一次資料が必要]とマイク・シャーキー[8] [非一次資料が必要]}によって批判されています。

ヴォルフガング・グレラー博士とヘンドリック・ドラクスラー博士は、学習分析をフレームワークとして総合的に定義しました。彼らは、学習分析は教育実践と学習者指導、品質保証、カリキュラム開発、教師の有効性と効率性の向上を支援する分析サービスを設定するための便利なガイドとして機能する汎用設計フレームワークであると提唱しました。このフレームワークは、一般形態素解析(GMA) を使用して、ドメインを 6 つの「重要な次元」に分割します。^[9]

より広い意味での「アナリティクス」は、データを調べて結論を導き出し、意思決定に使用して行動の道筋や方針を提示する科学として定義されています。^{[10]この観点から、ラーニングアナリティクスは}アナリティクスの特定のケースとして定義されており、意思決定は学習と教育の改善を目指しています。^[11] 2010年代には、このアナリティクスの定義は、予測モデルを確立し、特定の行動方針の確率を決定するために、意思決定ツリーや戦略マップなどのオペレーションズリサーチの要素を取り入れるまでに進みました。 ^[10]

ラーニングアナリティクスを定義するもう一つのアプローチは、問題の定義と、既存および/またはシミュレートされた将来のデータに対する統計モデルと分析の適用を通じて実用的な洞察を開発するプロセスとして解釈されるアナリティクスの概念に基づいています。 ^{[12] [13]}この観点から、ラーニングアナリティクスは、データ、問題の定義、洞察が学習に関連する アナリティクスの一種（プロセスとして）として浮上します。

2016年に、ニューメディアコンソーシアム（NMC）とEDUCAUSEラーニングイニシアティブ（ELI）（EDUCAUSEプログラム）が共同で実施した調査では、2020年末までに高等教育と創造的表現に大きな影響を与えるであろう6つの新興技術分野について説明されています。この調査の結果、学習分析は、学習者のプロファイリングを目的としたウェブ分析の教育アプリケーション、つまりオンライン学習活動における個々の学生のやり取りの詳細を収集および分析するプロセスとして定義されました。^[14]

2017 年、ガシェビッチ、コバノビッチ、ヨクシモビッチは学習分析の統合モデルを提案しました。^[15]このモデルでは、学習分析はデータ サイエンス、理論、設計の 3 つの分野の交差点で定義されるとしています。データ サイエンスは、データの収集、前処理、分析、およびプレゼンテーションのための計算方法とテクニックを提供します。理論は通常、学習科学、教育、心理学、社会学、および哲学の文献から引き出されます。モデルの設計次元には、学習設計、インタラクション設計、および研究設計が含まれます。2015 年、ガシェビッチ、ドーソン、およびシーメンスは、学習分析が学習を理解し最適化するという約束を果たすためには、学習分析の計算側面を既存の教育研究と結び付ける必要があると主張しました。^[16]

教育データマイニング(EDM) と学習分析 (LA)の分野を区別することは、多くの研究者の関心事である。ジョージ・シーメンズは、教育データマイニングは学習分析と学術分析の両方を包含するという立場をとっており、^[17]前者は学習者や教員ではなく、政府、資金提供機関、管理者を対象としている。ベープラーとマードックは、学術分析を「…選択された機関データ、統計分析、予測モデルを組み合わせて、学習者、講師、管理者が学業行動を変えることができるインテリジェンスを作成する」領域と定義している。^[18]彼らは、プロセスが仮説主導であるかどうかに基づいて、教育データマイニングと学術分析を明確に区別しようと試みているが、ブルックス^[19]は、この区別が文献に存在するかどうか疑問視している。ブルックス^[19]は、EDMコミュニティとLAコミュニティのより良い区別は、それぞれのコミュニティの起源にあると提案しており、EDMコミュニティの著者はインテリジェントな指導パラダイム出身の研究者が中心であり、学習分析の研究者はエンタープライズ学習システム（学習コンテンツ管理システムなど）に重点を置いている。

LAとEDMのコミュニティの違いにかかわらず、この2つの分野は、調査者の目的だけでなく、調査で使用される方法と技術の両方で大きな重複があります。コロンビア大学ティーチャーズカレッジの学習分析の修士課程では、学生はEDMとLAの両方の方法を学びます。^[20]

学習分析は、分野として複数の学問的ルーツを持っています。人工知能（AI）、統計分析、機械学習、ビジネスインテリジェンスの分野は追加の物語を提供しますが、分析の主な歴史的ルーツは、人間の相互作用と教育システムに直接関係するものです。^{[5]さらに具体的には、学習分析の歴史は、時間の経過とともに収束した4つの}社会科学分野の発展と密接に関連しています。これらの分野は、4つの目標を追求し、現在も追求しています。

1. 学習者を定義し理解する必要性をカバーするために、学習者の定義。
2. 知識トレースは、学習プロセス中に発生する知識をトレースまたはマッピングする方法を扱います。
3. 学習の効率性とパーソナライゼーション。テクノロジーを活用して学習をより効率的かつパーソナルなものにする方法を指します。
4. 学習者とコンテンツの比較。学習者の知識レベルと実際に習得する必要があるコンテンツを比較することで、学習を改善します。^[5] ( Siemens, George (2013-03-17)。学習分析入門。テキサス大学オースティン校と Edx の LAK13 オープンオンラインコース。11 分。2018 年 11 月 1 日に取得。）

過去数十年にわたり、多様な分野と研究活動がこれら4つの側面に影響を与え、学習分析の段階的な発展に貢献してきました。最も重要な分野には、ソーシャルネットワーク分析、ユーザーモデリング、認知モデリング、データマイニング、eラーニングなどがあります。学習分析の歴史は、これらの分野の台頭と発展によって理解することができます。^[5]

ソーシャルネットワーク分析（SNA ）は、ネットワークとグラフ理論を使用して社会構造を調査するプロセスです。^[21]ネットワーク構造をノード（ネットワーク内の個々のアクター、人、または物）と、それらを接続するつながり、エッジ、またはリンク（関係または相互作用）の観点から特徴付けます。^[要出典] ソーシャルネットワーク分析は社会学で重要な役割を果たしており、その開発はラーニングアナリティクスの出現に重要な役割を果たしてきました。相互作用をより深く理解するための最初の例または試みの1つは、オーストリア系アメリカ人の社会学者ポール・ラザースフェルドによるものです。1944年、ラザースフェルドは「誰が誰に何について話し、どのような効果をもたらすか」という声明を出しました。^[22]この声明は、今日でもソーシャルネットワーク分析の関心領域またはターゲットとなっているものを形成しています。ソーシャルネットワーク分析は、人々がどのようにつながっているか、相互作用の結果としてどのような洞察が得られるかを理解しようとします。これはラーニングアナリティクスの中心的なアイデアです。^[5]

引用分析

アメリカの言語学者ユージン・ガーフィールドは、科学分析の先駆者でした。1955年、ガーフィールドは、論文間の関連性（引用）（論文の相互参照方法、論文に含まれるリソースの重要性、引用頻度など）を追跡することで、科学の発展をよりよく理解できるという科学構造を分析する最初の試みを主導しました。引用を追跡することで、科学者は研究がどのように普及し、検証されているかを観察できます。これが、最終的に「ページランク」となった基本的な考え方であり、 Googleの初期（21世紀初頭）には、ページのつながりとそのつながりの重要性を見ることで、分野の構造を理解するための重要な方法の1つでした。Googleが使用した最初の検索アルゴリズムであるPageRankアルゴリズムは、この原則に基づいていました。 ^{[23] [24]} Googleの共同創設者であるアメリカのコンピューター科学者 ラリー・ペイジは、PageRankを「特定のリソースの重要性の近似値」と定義しました。^[25]教育的には、引用やリンクの分析は知識領域のマッピングに重要である。^[5]

これらの試みの背後にある基本的な考え方は、データが増えるにつれて、個人、研究者、ビジネスアナリストは、データの背後にある根本的なパターンを追跡し、そこから洞察を得る方法を理解する必要があるという認識です。これは、ラーニングアナリティクスの中心的な考え方でもあります。^[5]

ソーシャルネットワーク分析のデジタル化

1970年代初頭、急速な技術の進化により、ソーシャルネットワーク分析はデジタル環境におけるネットワーク分析へと移行しました。^[5]

1. ミルグラムの6度の実験。1967年、アメリカの社会心理学者スタンレー・ミルグラムと他の研究者は、アメリカの人々の社会的ネットワークの平均経路長を調査し、人間社会は短い経路長を特徴とするスモールワールド型のネットワークであると示唆した。 ^[26]
2. 弱いつながり。アメリカの社会学者マーク・グラノヴェッターによる、いわゆる「弱いつながり」の強さに関する研究。1973年の論文「弱いつながりの強さ」は、社会科学において最も影響力があり、最も引用されている論文の1つである。 ^[27]
3. ネットワーク化された個人主義。20世紀末にかけて、社会学者バリー・ウェルマンの研究は、社会ネットワーク分析の理論に大きく貢献した。特に、ウェルマンは「ネットワーク化された個人主義」の台頭、つまり集団ベースのネットワークから個人化されたネットワークへの変化を観察し、説明した。 ^{[28] [29] [30]}

21 世紀の最初の 10 年間、キャロライン・ヘイソーンスウェイト教授は、メディアの種類が社会的つながりの発達に与える影響について調査し、人間の交流を分析すると、強い交流(つまり、対象に強く関係する人々) ではなく、弱いつながりから新しい洞察が得られることを観察しました。これは、ラーニング アナリティクスに中心的なアイデアを提供します。一見無関係なデータに重要な情報が隠れている可能性があるということです。この現象の例として、求職者は強いつながりよりも弱いつながりを通じて新しい情報を見つける可能性が高くなります。^[31] ( Siemens, George (2013-03-17)。ラーニング アナリティクス入門。テキサス大学オースティン校と Edx の LAK13 オープン オンライン コース。11 分。2018-11-01に取得。）

彼女の研究は、さまざまな種類のメディアがネットワークの形成にどのような影響を与えるかにも焦点を当てていました。彼女の研究は、ソーシャルネットワーク分析という分野の発展に大きく貢献しました。ラーニングアナリティクスには重要なアイデアが受け継がれ、さまざまな指標やアプローチによって、特定のノードの重要性、情報交換の価値、クラスター同士の接続方法、ネットワーク内に存在する可能性のある構造的ギャップなどを定義できるようになりました。^[5]

デジタル学習環境におけるソーシャルネットワーク分析の応用は、シェーン・P・ドーソン教授によって開拓されました。彼は、学生がフォーラムディスカッションに参加する際に[学習管理システム]で形成されるネットワークを評価するためのソーシャルネットワーク適応教育実践（SNAPP）などのソフトウェアツールを数多く開発しました。^[32]

ユーザーモデリングの主な目的は、特にコンピューティングシステムとのやりとりにおいて、ユーザーの特定のニーズに合わせてシステムをカスタマイズおよび適応させることです。コンピューターが個々のユーザーに個別に応答できることの重要性は、1970年代に理解され始めました。エレイン・リッチ博士は1979年に「コンピューターはユーザーを、個性や目標などが異なる個人として扱うようになる」と予測しました。^[33]これは教育だけでなく、パーソナライゼーションが重要な目標である一般的なWeb使用活動においても中心的な考え方です。^[5]

ユーザーモデリングは、人間とコンピュータのインタラクションの研究において重要になってきています。これは、ユーザーがソフトウェアとどのようにインタラクションするかを理解することで、研究者がより良いシステムを設計するのに役立つからです。^[34]個人のユニークな特性、目標、動機を認識することは、学習分析において依然として重要な活動です。^[5]

学習コンテンツのパーソナライゼーションと適応は、学習科学の現在および将来の重要な方向性であり、教育におけるその歴史は学習分析の発展に貢献してきました。^[5]ハイパーメディアは、グラフィックス、オーディオ、ビデオ、プレーンテキスト、ハイパーリンクを含む非線形の情報媒体です。この用語は、1965年にアメリカの社会学者テッド・ネルソンによって書かれた記事で初めて使用されました。^[35] 適応型ハイパーメディアは、コンテンツとインタラクションのパーソナライゼーションを増やすことで、ユーザーモデリングを構築します。特に、適応型ハイパーメディアシステムは、各ユーザーの目標、好み、知識のモデルを構築し、そのユーザーのニーズに適応します。 20世紀末以降、この分野は急速に成長しましたが、これは主にインターネットが適応性の研究を促進したことと、2番目にこの分野での研究経験の蓄積と統合によるものです。次に、学習分析はこの大きな発展の影響を受けています。^[36]

教育/認知モデリングは、学習者がどのように知識を発達させるかを追跡するために適用されてきました。1980年代末から1990年代初頭にかけて、コンピュータは数十年にわたって教育の学習ツールとして使用されてきました。1989年、ヒュー・バーンズは、最終的にはドメイン知識、学習者の知識評価、教育的介入という3つのレベルの「知能」をクリアするインテリジェントなチューターシステムの採用と開発を主張しました。21世紀を通じて、これらの3つのレベルは研究者や教育者にとって依然として重要です。^[37]

1990年代の10年間、認知モデルに関する学術活動は、学生に与えられた問題を、学生が解くことが期待される方法で解くことができる計算モデルを備えたシステムの開発に焦点が当てられました。^{[38]認知モデリングは、インテリジェントまたは}認知チューターの人気の高まりに貢献しました。認知プロセスをモデル化できれば、学習プロセスで学習者をサポートするソフトウェア（チューター）を開発できます。この分野の研究基盤は、最終的に、21世紀の学習分析にとって非常に重要なものになりました。^{[5] [39] [40]}

ビッグデータ分析が教育にますます広く応用される中、ワイズとシャファー^[41]は分析における理論ベースのアプローチの重要性を論じました。認識フレーム理論は、協調学習環境における「世界における考え方、行動、存在の仕方」を概念化しました。具体的には、このフレームワークは、共通の目標、基準、事前の知識とスキルを持つ学習者のグループである実践コミュニティ（CoP）のコンテキストに基づいています。CoPの本質により、要素（学習者、知識、概念、スキルなど）間のつながりを研究することが重要です。つながりを特定するために、学習者のデータ内の要素の共起が特定され、分析されます。

シャファーとルイス^[42]は、モデル、解釈、元のデータの透明性と検証を強調することで、解釈のループを閉じるという概念を指摘しました。このループは、理論上健全な分析アプローチである認識論的ネットワーク分析によって閉じることができます。

アナリティクスの歴史についての議論の中で、アダム・クーパーは、主に21世紀の最初の数十年間に学習アナリティクスが技術を引き出してきたいくつかのコミュニティを強調しています。^[43]

1. 統計学は、仮説検定に対処するための確立された手段です。
2. ビジネス インテリジェンスは、学習分析と類似していますが、歴史的には、データ アクセスを可能にし、パフォーマンス指標を要約することでレポートの作成をより効率的にすることを目的としてきました。
3. Google AnalyticsなどのWeb 分析ツールは、 Web ページの訪問数や、インターネット上の Web サイト、ブランド、その他のキーワードへの参照数を報告します。これらの手法のより「細かい」粒度は、学習リソース (コース、教材など) を通じて学生の軌跡を調査するための学習分析に採用できます。
4. オペレーションズ・リサーチは、数学モデルと統計的手法を用いて、目標を最大化するための設計最適化を明らかにすることを目的としています。このような手法は、実際の応用のために現実世界の行動モデルを作成することを目指す学習分析に関係しています。
5. 人工知能手法（データマイニングに基づく機械学習技術と組み合わせたもの）は、データ内のパターンを検出することができます。学習分析では、このような技術を、インテリジェントな個別指導システム、単純な人口統計学的要因よりも動的な方法での学生の分類、協調フィルタリング技術をモデルにした「推奨コース」システムなどのリソースに使用できます。
6. 情報視覚化は、提供されたデータの意味を理解するための多くの分析において重要なステップであり、ほとんどの技術（上記を含む）で使用されています。^[43]

学習分析に特化した最初の大学院プログラムはライアン・S・ベイカーによって作成され、2015年秋学期にコロンビア大学ティーチャーズ・カレッジで開始されました。プログラムの説明には次のように書かれています。

「(...)学習と学習者に関するデータは、今日、前例のない規模で生成されています。学習分析 (LA) と教育データマイニング(EDM) の分野は、このデータを学生、教師、管理者に役立つ新しい洞察に変換することを目的として登場しました。教育、心理学、健康の分野で世界をリードする教育研究機関の 1 つとして、私たちはテクノロジーとデータ分析を通じて教育を改善することに特化した革新的な大学院カリキュラムを提供できることを誇りに思っています。」^[44]

修士課程は現在、テキサス大学アーリントン校、ウィスコンシン大学、ペンシルベニア大学など、他のいくつかの大学でも提供されています。

学習分析の方法には以下のものがあります。

• 特に学生が作成したリソース（エッセイなど）のコンテンツ分析。
• 談話分析は、学生のやり取りに関する有意義なデータを取得することを目的としています。ソーシャル ネットワーク分析とは異なり、やり取りのネットワークやフォーラムの投稿数などだけではなく、使用されている言語の特性を調査することを目的としています。
• ソーシャルラーニングアナリティクスは、学習における社会的相互作用の役割、学習ネットワークの重要性、意味づけに使用される談話などを調査することを目的としています。^[45]
• 傾向分析は、生徒自身の学習に対する傾向と、それが学習とどのように関係しているかに関するデータを収集することを目指します。^{[46] [47]}たとえば、「好奇心旺盛な」学習者は質問をする傾向が強い可能性があり、このデータは学習分析のために収集および分析することができます。
• 認識論的ネットワーク分析は、学習プロセスにおけるさまざまな概念や要素の共起をモデル化する分析手法です。たとえば、オンライン談話データは、話の順番ごとにセグメント化できます。共同学習における学生のさまざまな行動をコード化することで、ENA を適用して、グループ内の任意の個人のさまざまな行動の共起を識別し、定量化することができます。

学習アプリケーションは、さまざまなコンテキストに適用できますし、実際に適用されてきました。

分析は次のような目的で使用されています:

• 予測の目的。たとえば、中退やコース不合格の点で「リスクのある」学生を特定します。
• パーソナライゼーションと適応により、学生に合わせた学習経路や評価資料を提供します。
• 介入の目的：学生を支援するために介入するための情報を教育者に提供します。
• 情報の視覚化。通常は、データ視覚化ツールを通じて学習データの概要を提供する、いわゆる学習ダッシュボードの形式をとります。

教育機関では、様々な関係者の間で分析に対する認識が広まっているが^[10]、学習分析の定義や実装方法は以下のように多岐にわたる。^[13]

1. 個々の学習者が自分の成績や行動パターンを他者との関係において振り返ることができるようにすること。特に、以下の領域を測定、監視、分析、変更することで、生徒のパフォーマンスを最適化することができます。^[48]
   1. 個々の生徒の成績の監視
   2. 専攻、学年、民族などの特定の特性ごとに学生の成績を分類します。
   3. 早期介入のための異常値の特定
   4. すべての生徒が最適な成績を収められるよう潜在能力を予測する
   5. コースやプログラムからの離脱を防ぐ
   6. 効果的な指導手法の特定と開発
   7. 標準的な評価手法と評価手段（学部試験やライセンス試験など）の分析
   8. カリキュラムのテストと評価。^[48]
2. 特別なサポートと注意を必要とする生徒の予測因子として;
3. 教師やサポートスタッフが個人やグループに対する支援介入を計画するのを支援する。
4. 現在のコースを改善したり、新しいカリキュラムを開発したりすることを目指すコースチームなどの機能グループ向け。
5. マーケティングや採用、効率性や有効性に関する対策などの決定を下す機関の管理者向け。 ^[13]

分析の動機や実装によっては、他のものと矛盾することがある。例えば、個々の学習者と組織の利害関係者に対する分析の間には矛盾が生じる可能性がある。^[13]

現在学習分析に使用されているソフトウェアの多くは、Web 分析ソフトウェアの機能を複製していますが、学習者とコンテンツのやり取りに適用しています。ソーシャル ネットワーク分析ツールは、ソーシャル接続やディスカッションをマッピングするためによく使用されます。学習分析ソフトウェア ツールの例には、次のものがあります。

• BEESTAR INSIGHT:生徒の参加状況と出席状況を自動的に収集し、生徒、教師、管理者に分析ツールとダッシュボードを提供するリアルタイムシステム^{[49] [非一次資料が必要]}
• LOCO-Analyst: ウェブベースの学習環境で行われる学習プロセスを分析するためのコンテキスト認識学習ツール^{[50] [51]}
• SAM:個人学習環境向けの学生活動モニター^{[52] [非一次資料が必要]}
• SNAPP: ディスカッションフォーラムの投稿と返信から生じる相互作用のネットワークを視覚化する学習分析ツール^{[53] [非一次資料が必要]}
• Solutionpath StREAM: 英国を拠点とする主要なリアルタイムシステムで、構造化および非構造化ソースを使用して、あらゆる機関の役割の学生の関与のあらゆる側面を決定する予測モデルを活用しています^{。[54] [非一次ソースが必要]}
• 学生成功システム：学生のパフォーマンスを予測し、関与とパフォーマンスの予測に基づいて学習者をリスク象限にプロットする予測学習分析ツール。ソーシャルエンゲージメント（ディスカッション投稿や返信など）から生じるインタラクションのネットワーク、評価のパフォーマンス、コンテンツへの関与、その他の指標などの視覚化を通じて、学習者が軌道に乗っていない理由を理解するための指標を提供します^{[55] [非一次ソースが必要]}
• 認識論的ネットワーク分析（ENA）ウェブツール：研究者がコード化されたデータセットをアップロードし、単位、会話、コードを指定してモデルを作成できる対話型オンラインツール。^[56]オンラインツール内の便利な機能には、2つのグループ間の比較のための平均回転、接続累積のためのスライディングウィンドウサイズの指定、重み付きまたは重みなしモデル、推奨される記述によるパラメトリックおよびノンパラメトリック統計テストなどがあります。ウェブツールは安定しており、オープンソースです。

学習分析における潜在的な懸念事項として、データ収集、分析、報告、説明責任の倫理が挙げられており、^{[9] [57] [58]、}次のような懸念が挙げられている。

• データの所有権^[59]
• 学習分析の範囲と役割に関するコミュニケーション
• 学習分析システムにおける人間のフィードバックとエラー修正の必要な役割
• システム、組織、利害関係者間のデータ共有
• データクライアントへの信頼

ケイ、コム、オッペンハイムが指摘するように、データの範囲は広く、次のようなものから得られる可能性がある。^[60]

• 記録された活動: 学生の記録、出席、課題、研究者情報 (CRIS)
• システムインタラクション: VLE、ライブラリ/リポジトリ検索、カード取引
• フィードバックメカニズム: アンケート、カスタマーケア
• セクターや共有サービス、ソーシャルネットワークなどの信頼性の高い識別機能を提供する外部システム

このように、法的および倫理的な状況は国によって異なり、次のような影響が生じます。^[60]

• データの多様性: 収集、保持、活用の原則
• 教育ミッション：社会工学やパフォーマンス工学を含む学習管理の根本的な問題
• 分析開発の動機：相互性、企業、個人、一般の利益の組み合わせ
• 顧客の期待: 効果的なビジネス慣行、ソーシャル データの期待、グローバルな顧客ベースの文化的考慮。
• 行動義務：知識から生じる注意義務と、それに伴う学生および従業員のパフォーマンス管理の課題

inBloom の惨事のようないくつかの有名な事例では、^[61]政府、利害関係者、公民権団体によるデータ収集への信頼の欠如により、完全に機能するシステムでさえシャットダウンされました。それ以来、学習分析コミュニティは、信頼できる学習分析の使用を構成する「学習分析の倫理とプライバシー」に関する一連の専門家ワークショップで、法的条件を広範囲に研究してきました。^{[62] [非一次ソースが必要]} Drachsler と Greller は、学習分析に関する倫理とプライバシーの議論をわかりやすくするために、この分野での集中的な研究に基づいた DELICATE という 8 項目のチェックリストを発表しました。^[63]

1. 決定: 機関の学習分析の目的を決定します。
2. 説明: データの収集と使用の範囲を定義します。
3. 合法的: 法的枠組み内でどのように事業を展開しているかを説明し、必須の法律を参照します。
4. 関与: 利害関係者と話し合い、データの配布と使用について保証を与えます。
5. C-onsent: 明確な同意の質問を通じて同意を求めます。
6. 匿名化: 可能な限り個人を特定できないようにする
7. 技術的な側面: 特にスタッフの離職率が高い分野では、誰がデータにアクセスできるのか監視します。
8. 外部パートナー: 外部パートナーが最高のデータセキュリティ基準を提供していることを確認する

これは、すべての利害関係者に利益をもたらすプライバシーに準拠した学習分析を設計および提供する方法を示しています。完全なDELICATEチェックリストは公開されています。^[64]

学生のプライバシー管理の実践は、プライバシーに関する信念とプライバシー関連の行動の間に矛盾があることがわかっています。^[65]学習分析システムには、学生がオプトアウトを選択しない場合にデータ収集を許可するデフォルト設定がある場合があります。^[65] edXやCourseraなどの一部のオンライン教育システムでは、データ収集をオプトアウトする選択肢がありません。^[65]特定の学習分析が適切に機能するために、これらのシステムはCookieを使用してデータを収集します。^[65]

2012年、モハメド・チャッティ教授とその同僚は、次の4つの次元に基づく参照モデルを通じて、学習分析とその主要概念に関する体系的な概要を示しました。

• データ、環境、コンテキスト（何？）、
• 利害関係者（誰？）、
• 目的（なぜ？）、そして
• 方法（どうやって？）^{[66] [67]}

チャッティ、ムスリム、シュローダー^[68]は、オープンラーニングアナリティクス（OLA）の目的は生涯学習環境における学習効果を向上させることであると指摘している。著者らはOLAを、学習分析参照モデルの4つの側面すべてにおける多様性を包含する継続的な分析プロセスと呼んでいる。^[66]

• 学生の参加
• 分析
• ビッグデータ
• データマイニング
• 教育データマイニング
• 教育技術
• 機械学習
• パターン認識
• 予測分析
• ソーシャルネットワーク分析
• テキスト分析
• ウェブ分析

一般視聴者向けの紹介については、以下を参照してください。

• エデュケーズ学習イニシアチブ説明会（2011年）^[69]
• 学習分析に関するEducauseレビュー（2011）^[70]
• ユネスコ学習分析政策概要（2012年）^[71]
• NMCホライズンレポート：2016年高等教育版^[72]

• Society for Learning Analytics Research (SoLAR) – 学習分析の研究ネットワーク
• 米国教育省の学習分析に関する報告書。2012 年
• トピックに関心のある研究者や個人によるディスカッションが行われる、学習分析 Google グループ。
• 国際会議 学習分析と知識
• 学習分析と教育データマイニングに関する会議と人々
• 次世代学習の定義
• データを活用して教育成果の向上をサポートする方法に関する情報を提供する Microsoft Education Analytics。
• 教育データマイニング
• 学習分析に関するEducauseリソース
• 学習分析インフォグラフィック
• ニューメディアコンソーシアム (NMC)