LMS-FAIR-India: A FAIR Compliant Synthetic LMS Interaction Dataset from a Private University for Privacy Preserving Learning Analytics

在现代课堂中，学习很少是孤立发生的。它在数字平台上展开，学生通过登录这些平台来观看讲座、下载阅读材料、提交作业并进行测试。每一次点击、每一次暂停和每一次提交都会留下数字痕迹，创造出关于人类如何学习的海量记录。研究人员将这一领域称为学习分析（learning analytics），他们相信通过研究这些模式，可以理解什么有助于学生成功，以及什么会让学生面临风险。然而，一个显著的障碍阻碍了这一进步。那些能够揭示这些模式的数据包含了关于真实学生的深度个人信息。旨在保护隐私的法律（例如印度和欧洲的法律）规定公开分享这些原始数据是非法的。这造成了一个困境：科学家们想要研究数据以改进教育，但如果不触碰这些数据，就会违反所描述的个人的隐私。

为了解决这个难题，来自帕鲁尔大学（Parul University）的研究员桑杰·阿加尔（Sanjay Agal）创建了一种新型资源。该团队没有分享真实的学籍记录（因为这会违反信任和法律），而是生成了一个完全人工合成的数据集，模拟真实学生的行为。这个被称为 LMS-FAIR-India 的集合是一个庞大的虚拟交互库，它看起来和感觉起来与真实情况完全一致，但不包含任何真实的人。它允许研究人员测试他们的想法并构建更好的教育工具，而无需看到任何真实学生的姓名或成绩。这项工作证明，在严格尊重隐私权的同时，实现学习科学的进步是可能的。

该项目的核心是一个合成数据集，本质上是大学学期的计算机生成模拟。研究人员构建了一个典型的印度私立大学模型，其中包括一万名虚拟学生、一百五十门课程和一个为期六个月的学年。他们没有使用任何真实的学生记录来创建这个模型。相反，他们依赖于关于印度大学运作方式的公开规则、关于学生在线行为的通用统计数据以及教职人员的建议，以确保模拟过程具有真实感。其结果是一个包含人口统计细节、课程信息和超过 170 万个记录事件（如登录、视频观看和测验尝试）的数据集合。该数据集中的每一条信息都是由计算机程序遵循统计规则生成的，这意味着不存在识别出真实个人的风险，因为整个过程中从未涉及过真实的人。

该数据集的结构反映了真实学习环境的复杂性。它不仅仅是列出随机事件；它将这些事件逻辑性地连接起来。例如，数据展示了哪些学生注册了哪些课程、他们在平台上的停留时间以及他们在作业中获得的得分。研究人员确保了这些人工数据中的模式与现实生活相匹配。在模拟中，在开始学期前拥有较强学术背景的学生往往在平台上更加活跃，这种模式反映了现实。数据还捕捉到了学生生活的节奏，显示出活动高峰出现在工作日的白天，而在周末则显著下降。通过重现这些自然行为，该数据集为那些想要开发预测哪些学生可能遇到困难的工具，或设计更好方式来吸引学习者的研究人员提供了一个真实的测试场。

这项工作最重要的方面之一是它如何处理隐私问题。过去，研究人员有时试图通过删除姓名或隐藏特定细节来保护真实数据，这一过程被称为匿名化。然而，专家已经证明，如果结合其他信息，即使是匿名化的数据有时也可以追溯到个人。这种新方法完全避免了这种风险。由于数据是从头开始使用随机分布和统计模型生成的，因此不可能将任何记录链接回真实的个体。研究人员通过尝试诱导计算机认为一个虚构的学生是真实的来进行测试，而计算机未能找到任何联系。这种“设计即隐私”（privacy by design）的方法意味着数据可以自由地与世界上的任何人共享，从而实现开放协作，而不必担心法律或伦理违规。

为了使数据对全球科学界有用，研究人员遵循了一套被称为 FAIR 的原则，即可发现（Findable）、可访问（Accessible）、可互操作（Interoperable）和可重用（Reusable）。该数据集托管在一个公共在线存档中，拥有永久的数字地址，因此可以很容易地被找到和引用。它在一种允许任何人使用、修改和分享的许可下免费提供，前提是必须注明创作者。数据被组织成清晰的标准文件，几乎任何计算机程序都可以打开，并且附带一份详细指南，解释了每一个列和数字的具体含义。此外，研究人员还将用于创建数据的计算机代码向公众开放。这种透明度使其他科学家能够验证结果、调整模拟以适应他们自己的大学，或者生成针对不同教育背景的新数据集。

该数据集的价值通过一系列旨在测试其是否能支持真实研究的测试得到了证明。研究人员使用人工数据来训练计算机模型，以预测学生参与度并识别可能退学的学生。这些模型在这些虚假数据上的表现，与以往研究中类似模型在真实数据上的表现一样出色。例如，当研究人员尝试预测哪些学生会完成课程时，系统以极高的准确度正确识别了处于风险中的学生。他们还确认了在模拟中，登录频率与最终成绩之间的关系得到了保留，这与现实世界的调查结果相符。这些结果表明，在开发和测试新的教育技术方面，合成数据是真实数据的可靠替代品。

这项工作填补了学习分析领域的一个关键空白，特别是针对印度高等教育的背景。虽然西方国家有一些公开数据集，但它们往往反映了不同的教育体系和文化背景。LMS-FAIR-India 数据集通过提供一个大规模、真实的印度私立大学模拟，填补了这一空白。它为研究人员提供了一个独特的机会，去研究该特定环境下的学生是如何学习以及如何与技术互动的。通过提供一个既保护隐私又具有科学稳健性的工具，该项目推动了一波新的教育创新。它让科学家能够提出关于学生成功的难题并寻找答案，而不会损害所研究个体的尊严或安全。

这项工作的意义不仅限于这一个数据集。它展示了整个教育研究领域的一条可行路径。通过展示高质量、保护隐私的数据可以被生成并公开共享，研究人员消除了多年来阻碍进步的主要障碍。其他机构现在可以使用相同的方法来创建属于自己的、量身定制的合成数据集，而无需应对复杂的法律障碍。这种方法促进了一种开放与协作的文化，其核心始终在于改善所有学生的学习成果。该数据集证明了保护隐私与推进科学并不是相互对立的目标，而是可以通过细致且富有创造性的设计来实现的互补目标。