本书汇集了快速发展的学习分析领域相关专家的最新成果。这些专家阐明他们的研究方法、描述实例并指明该领域新的理论基础，从而阐释日益增多的由学习者体验产生的证据并从中获益的途径。他们的研究结果显示：深入理解每个学习者独有的，由学术、社会情感、动机、个性、元认知等方面构成的情境，能够揭示这个新兴的领域有着显著增进学习者成功的潜力。学习分析不仅仅是“分析学习数据”，还需要深入理解哪些学习活动是有效的，它们对谁有效，以及在什么时间有效。
本书为对学习的未来前景感兴趣的各类专业人士提供基础框架、指导和实例。如果你已经在进行学习分析，或尝试用越来越多的证据来理解学习者的进步，这些本领域中的卓越专家可能会给你新的见解。如果你从事着任何学段的教学工作，或在为这个新兴的、技术日益增强的学习世界培训未来的教师，并希望了解技术能为你的教学和学生带来的潜在机会（和隐患），这些高瞻远瞩的领头羊们能够启发你的想象。如果你正在参与有关技术的应用、改进学习评估方法、优化用证据促进学习的方法的研究，或试图更深刻地理解人类学习的本质，你可以在这里从本领域最好的专家处得到更多想法和见解。如果你参与过有关学习的行政或政策决策，你会发现，教学设计和实施方式，结果评估方式，以及我们对学生、教师、开发者、管理者和政策制定者提供反馈的方式在不可避免地发生变化，而这些变化会将新的想法（和难题）带到你的面前。对于所有的参与者来说，关键是如何最大限度地利用这些新进展来高效且有效地提高学习表现，而不要被那些与人类实际学习和发展脱节的华而不实的技术分散注意力。
由于学习证据种类繁多，人类发展维度多样，并且存在来自各处的不同干扰，必须从计算机科学、语言学、教育学、计量科学、认知科学、动机和社会心理学、机器学习、认知神经科学等多学科着手，才能最大限度地从学习分析中获益。这些不同的学科结合起来，才能开展有效的、基于证据的 “学习工程”（learning engineering）式的学习分析。
理想情况下，好的学习分析是公平地促进学习成功的第一个关键步骤。除了无差别地获得各类资源外，学习分析可以帮助每个学习者了解自我，并指导他们在提高效率和自我实现方面达成关键学习目标和计划。这些目标可以是关于传统意义上的重要问题的，比如在（更好设计的）学习环境中提高学习持久性，提高教学传授的效率，以及取得更好的学习成果。除此之外，随着时间的推移，学习分析将能帮助解决人类发展中的重要问题，例如如何以新的职业发展观念适应快速变化的工作任务，以及如何培养在过去的学习环境中只能自发形成的社会性和情感性技能。
本书各章中描述的课题和方法的范围展示了“学习分析”有关成果的广泛性。数据收集和建模技术能够涵盖教育和学习实践的所有要素，最终能够实现对每个学习者的兴趣、能力、个性、社会和情感状态，以及动机状态的个性化服务。证据可以在多个层面进行收集，包括网页点击路径、运动位置数据、语音流、眼动数据、生物感应和大脑探测数据，并从所有这些数据中提取的更抽象的特征集（如话语分析、情绪状态、推理方法以及个性和情感特征等）。
需要注意的是所有这些数据也表明隐私领域需要新的应对方法。我们希望利用每个学习者的信息使其受益，而不会产生个人信息风险，比如将一个学习者贴上“难以成功”的标签，而不是关注如何使该学习者成功，这将造成糟糕的后果。从道义上来讲，我们要利用这些信息促进所有人的学习，而从伦理上来说，我们要保护每个人的隐私数据。对数据负责的使用需要在这两点之间进行平衡，但做好确实很难。许多基础政策和法律问题必须得到解决和宣讲——例如，《家庭教育权力和隐私法案》并未禁止学习分析，但要求确保证据传输和使用的安全性。机构伦理审查委员会的许可不一定需要几个月（批准正常的教育实践研究），但要求确保证据的收集和报告是以保护学生的方式谨慎进行的。
越来越多的技术应用并不局限于教育干预——它还能够简化/流水线化批准流程、提供加快测试和对照的基础设施、为教师和其他人员的行动提供即时建议，等等。
学习分析在为（学习者、教师、家长和其他人员的）行动服务时，能取得最好的效果——不是单纯地标记/预测失败，而是根据学习者个体和整体在情境中的证据流，主动提供不同的行动方向。根据经过充分处理的信息，教学将成为教师和学习者之间的反复对话，并使得学习者可以基于证据进行决策和行动。
正如本书中一个章节指出的，“太少的数据”的时代已经过去，我们如今正站在数据汪洋大海的岸边。与此同时，一个关键点是学会在这即将到来的大海上航行。整个学习分析领域的一个弱点在于缺少能够指导我们的评测方法，这种方法必须设计良好、有效并可靠，能够评价基于绩效的学习者能力。研究者和实践者均逐渐发现，除了更好的对于学业成绩的评估方法（例如，重视解决问题的过程，或使用有说服力的交流方式，而不仅仅评价“对/错”或“A/B/C”），更好的对于有关个性、社会情感因素、元认知理解以及其他动机因素的技能和反应的评估方法，同样对我们的生活有着重要影响。这种影响涉及经济生活和个人生活，特别是在当今社会，简单认知任务的自动化程度增加，这使得复杂的情感和社会性决策成为人们体现价值的重要环节。正确地判断这些维度可以为我们提供关键证据，帮助我们理解学习者的起点和（跨越所有这些维度的）行进轨迹，以及如何改进它们。
在多维度上提供证据，使得我们能够剖析学习者多个纵向的、多维度的变化轨迹。我们可以在这一高维度空间中寻找模式和分类、定向干预的新机会，以及验证这些机会在人类多维度发展中的有效性证据。
我们还需意识到，有专门技能的成年人在这个证据丰富的新兴学习环境中可以发挥关键作用。实际上，收集教师和家庭之间互动的证据需要成为用来理解每个学习者的确切经历及其影响的巨大数据海洋的一部分。失败的或糊涂的老师对学生的阻碍好比设计不当的干预，或是丧失兴趣的学习者。我们需要利用我们对学习的理解来帮助教师快速改变他们的做法，正如我们需要教我们的学生如何改变他们的做法一样。
最终，学习分析应当是可被理解的——我们不应该接受，从我们日益丰富的数据中得出的解决方法始终是黑箱状态（虽然它们最初可能是这样的）。具体行为及其原因应该不断被认识，进而被更好地解释。这些行为机制的原理，能够如同一个透明的盒子一样，被明晰地检视。（作为类比，精密医学不应是一个黑匣子——人们将数据科学应用于医学治疗的丰富数据中，并联系对生物机制的深刻认知，不断寻求对于精密行为机制的理解，以及对于这些行为的新建议。）
我们应从学习分析出发，更好地理解学习者的误区，以及学习者多维度（包括学术、社会情感、动机、元认知、个性等）之间的冲突和强化。所有这些将进一步产生全新的假设，这些假设从学生参与优化的学习环境中获得更多证据，从而不断增强对人类发展的理解，并在人类个人发展轨迹的层面上做出大规模改进。
博罗·萨克斯伯格(Bror Saxberg)
陈·扎克伯格创新基金会(Chan Zuckerberg Initiative)概述教育领域学习分析
戴维·涅米(David Niemi)，卡普兰公司（Kaplan, Inc.）
罗伊·D.皮（Roy D. Pea），斯坦福大学（Stanford University）
菲利普·皮泰（Philip Piety），马里兰大学（University of Maryland）
本书面向想要了解学习分析这个新领域，并借此促进学习的人士。我们希望本书为学习分析绘制的蓝图能够为各方面的读者提供帮助——正在本领域，或计划进入本领域工作的研究者和学生，在特定领域拥有高水平专业知识（但在其他领域，甚至是密切相关的领域是个新手）的专家，教育从业者，需要知道怎样运用学习分析产生的信息（以及哪类信息最有用）的决策制定者，以及所有单纯对本领域发生的事情以及它的发展方向感到好奇的人。我们的目标不是让每一位读者都成为学习分析的专家——任何一本书都不可能做到这一点——而是要向读者讲解本领域的基础，以便读者以此为依据获得更深入的理解和专业知识，也便于领域本身以此为基础继续前进。
首先，界定“学习分析”的操作性定义可能对读者有帮助。Siemens（2011）提供了一个广泛包容的定义：
学习分析对学习者及其情景的数据进行测量、收集、分析和报告，以便理解并优化学习行为及其发生环境。
这个定义没有具体说明任何特定方法或分析技术，而是广泛涵盖了各种方法、策略和技术。它将学习分析定义为一系列活动，而不是围绕定义中的目标形成的研究领域。本书中的章节以这个定义为基础，并最终超越了这一定义。为了建立超越“理解并优化学习行为及其发生环境”的统一独立的研究领域，这些章节将探讨面临的问题和挑战。
现在说学习分析在教育领域有着光明的未来，几乎是老生常谈。但实现这个未来的挑战性，很可能像人们对它的雄心一样巨大。这个未来中的一个重要部分是，通过在金融、医疗、科学和其他领域成功应用的数据挖掘、机器学习、人工智能和其他新奇技术，新兴数字技术及其产生的庞大“大数据”流可以用来改善学习和教学。作为一个教育领域长久的难题，我们很难证明，获取更多的数据对于学习有大规模的显著提升。经过几十年的努力，仍然鲜有（基于精心设计的研究的）令人信服的论证，能够证明向教师、教职人员和管理者提供大规模评估数据（或任何数据）对学习和教学有着积极作用。对此有许多解释，最有可能的一种是，向教育者提供的数据——尤其是大规模评估数据——并未总是清晰地指出基于这些数据应采取的行动。同时，这些数据也不能保证教师或其他任何人有能力、权力、时间或资源来采取有效行动。例如，分析仅能预测特定群体的学生比其他群体退学的可能性大，却不能确保教师或其他人知道对此应采取什么措施。
在复杂背景和类别的学习者中展示学习分析对于学习和教学的影响是一个巨大的挑战。为了成功应对这一挑战，我们认为这一领域需要利用并设法融合来自各方参与者的知识和技能，包括但不限于计算机科学家、认知科学家、教育评估专家、教师和教育政策研究者。如果这种跨越学科界限的交叉融合无法发生——相反地，如果学习分析中，各个研究群体还是没有相互联系，而是各自为政，独自发展进步，却忽视其他群体的进展——那么这个领域将无法取得它应得的成果，事实上，它将不值得被称为一个统一的学科。
复杂研究领域的整合
许多新兴研究领域——例如，教育心理学、社会语言学和生物信息学——是在两个或多个已经建立的研究领域的交汇处进行研究时建立的。这些交汇处形成了Galison所说的“贸易区”（Galison，1997，p.783）。他用这个比喻解释了不同范式的物理学家如何相互协同，并与工程师们合作，共同制造出粒子探测器和雷达。即使各方赋予交流中的核心对象和概念不同的意义，最终仍然可以达成局部合作。
从历史上看，这些交叉领域往往遵循kuhn（1970）和其他人描述的历史进程。它们会不断发展，并随着时间的推移，获得学术学科的传统特征，包括专业协会、会议、期刊和学位项目。学习分析已经具有了不少这样的特征，但它的最终目标应该不仅限于成为一门学术学科：许多本领域的参与者，包括本书的作者们，希望学习分析能够通过有效的、有说服力的证据证明它的影响，为教育领域带来巨大的变革，而不仅仅是大肆吹捧和宣传。
学习分析从一开始就涉及不止两个相关领域，这使其与上面提到的有两个母领域的学科不同，而与认知科学这样的多学科领域更为相似。事实上，认知科学的历史提供了一个可借鉴的例子，表明一个复杂的新兴领域能够如何发展，并如何对教育领域产生影响（Gardner，2008）。这段历史不仅说明了，来自完全不同领域的信息能够整合起来，成为一个独立自主、能够自我维持的新领域，更说明了发展共同的理论和模型能在这个统一的过程中起到催化作用。许多人认为，认知科学的一个分水岭事件是1956年在麻省理工学院举办的一场报告会，它聚集了一批计算机科学家、语言学家、心理学家、哲学家和其他学者，共同探讨了关于人类大脑如何工作的新理论和证据。一些人（Bruer, 1993; Gardner, 2008; Miller, 2003）认为，那次报告会上提出的想法和模型，尤其是计算机和人脑之间存在有意义类比的想法，开创了认知科学的新领域。围绕这些强大的新模型和新理论形成的共识，不仅推动了特定学科（例如心理学、语言学、哲学和学习科学）的发展，也在多年来启发了许多实践发现，这些发现已经或可能会显著促进各学段的学习和教学（更不用说，认知科学家目前正为学习分析做出重要贡献）。学习分析能实现这样的目标吗？它核心的模型和原理又会是什么呢？
本书的各个章节从不同角度探讨上述关键问题，但是它们有着同样的看法：如果学习分析能够成为一个更加统一的领域，将产生最大化的影响。而这种统一需要淡化学科的边界和领域内的看法，需要不同学科的专家合作，建立一套共同的指导原则、研究策略、分析方法和报告标准，朝着改进学习和学习环境的目标前进。
学习分析工作组
在许多重要的方面，本书的统一愿景借鉴并扩展了由学习分析工作组（Learning Analytics Workgroup，LAW）多年积累的观点。学习分析工作组于2012年由比尔及梅琳达·盖茨基金会和约翰与凯瑟琳·麦克阿瑟基金会共同创立。学习分析工作组项目的目标是：编写一份报告，为建立学习分析领域提供一个概念框架；为理解如何建立学习分析领域界定关键问题；阐明学习分析领域相关的新工具、新方法、新政策、新市场和新的学术项目，并划分优先顺序；确定解决优先事项所需的资源；以及规划如何实行领域创建政策，及如何评估进展。
学习分析工作组作为一个多部门组织，致力于研究如何扩展该领域，以建立一个创新的、可持续的生态环境，为使所有孩子做好大学和职业准备，改进学习数据和学习分析的现状。该项目规划并组织了工作坊、会议小组展示，以及一次从本领域为学习分析筹集资源的众包活动。它还创办了第一所学习分析暑期学校（LASI，2013），并就建立学习分析领域的各个关键问题，委托编制了白皮书。其中许多问题最终被改写成了本书中的章节。可以合理想见，学习分析工作组的成果和本书的章节一道——如同麻省理工学院的讨论催生了认知科学的建立一样——将最终帮助催化学习分析领域的创建。
各 章 概 述
本书的九个章节阐释了我们一直主张的观点：学习分析是一个复杂的、多层面的研究与实践领域，其成功需要应用多种技术、方法和知识类型。最好情况下，研究学习分析的合作小组应具备以下方面的知识和经验：教育实践的复杂性；学习、认知和学习评估的研究和理论；逐个区域的、基于研究的学习和评估的基础设施的设计和开发；隐私保护法律和适当的数据管理的应用；教育管理和领导；以及在教育环境中有效应用并发展新的数据收集和分析方法的能力。对于以上每个方面，本书的作者们都说明了其中的机遇、挑战、障碍以及通向解决办法的道路。
正如第一章“学习分析的理论与方法基础”中阐释的，无数数字工具产生的数据流为我们带来丰富的，几乎是过度的信息。然而在我们尝试解释这些信息并据此采取行动时，关于证据质量和方法严谨性的根本问题却不容忽视。很少有人问，为了应对一些教育上的挑战，数据是否能被探索、挖掘并利用，以及如何被利用。更加困难的问题是，数据为什么不能被用来应对这些挑战。贝伦斯、皮泰、迪赛博和米列维进一步提出了关于建立这个领域所需的原则和实践方案的问题。他们提出了在未来能够帮助学习分析领域的三个启发性领域：第一个是探索性数据分析（Exploratory Data Analysis，EDA）（Tukey, 1977），第二个是由Cole and Engestrm（1993）推广的文化历史活动理论（CHAT），第三个是以证据为中心的设计（ECD），这是一种构想和设计教育评估的方法，同样能够应用于其他信息流中（Mislevy, Almond, & Lukas, 2003）。
随着学习分析领域的创建，正如所有可能改进教育事业的复杂努力一样，它面临着相关性的问题。它能提供什么新的启示？它对谁有帮助？它如何应用在实践中？第二章“基础教育领域学习分析的价值”中，贝克和柯丁格展示了在一个有着明确的认知步骤顺序的领域中，学生活动的痕迹如何揭示学生在掌握知识和技能的过程中面临的挑战。这一章为学习分析制定了高标准，因为它在一个特定的课程领域，关于认知过程和应用分析的顺序有着坚实的研究基础。
有几章将学习分析视为观察学习者的透镜。涅米、克拉克和萨克斯伯格等观察学生们在教育背景下如何进步，以及如何用分析来为未进步的学生提供帮助。他们的那章“学习分析提升学生学习持久性”，关注情感领域，并将其与更常被评估和分析的认知领域联系起来。他们帮助我们了解关注学生，及其激励自己坚持度过困难的动机的重要性。他们描述了数据和信息如何用于支持、确认、并挑战人类对学生学习的判断，以及它们如何为全体学生最大限度利用。
布利克斯坦和沃斯利的“多模态学习分析增强基于开放性学习任务的评价”一章提供了一个未来的愿景，重新审视了什么可以被视为学习分析的人造基底。虽然（往往来自单项或多项选择题的）考试成绩能够方便地建立数据组，但这些评估本身并不总是反映学习的基本活动，这使得我们对基于这些评估的推论和决策的合理性产生质疑。这一章中，我们看到了学习分析的一些前沿部分，其中重要的是理解并考虑到教育实践中——尤其是在学生表达中经常出现的学科领域和主题中——各式各样的模式。
在“基于学习分析的学习者建模促进学习者投入”一章，比恩科夫斯基称，“使用学习分析的研究者和开发者应该设法运用分析信息，使得学习者不断地、更积极地投入自己的学习”（p.114）。她认为，一些现有的学习者模型不足以应对学习过程的复杂性，也不承认学习者有能力在自己的教育过程中发挥积极作用。
虽然学习发生在学生的大脑中，而且我们已经发展出一些方法来获取有关他们的概念、误解和思维过程的重要信息，但是很多帮助学生学习的重要方法是关于社会性和情景性的，作用于师生间、学生群体中的对话中。在“课堂学习中的话语分析”一章中克拉克、雷斯尼克和罗斯向我们展示了如何用技术描述并充分利用教学环境中发生的复杂的社会性互动。他们还提醒我们，教育研究中发展的理论和技术可以为学习分析提供信息，并提供关键的基础。有两章讲述了有时会被忽视的，政策在学习分析中起到的作用。哈马尔的“改革机构审查委员会促进学习分析生态发展”一章呼吁我们着眼未来，关注制定信息隐私政策时数据的力量。哈马尔认为在以数字为媒介的教育活动中，研究具有重要作用。她建议教育机构的伦理审查委员会（Institutional Review Board, IRB）要平衡学习分析的好处和利用学生学习数据的风险。她认为有可能使学习分析更快进行，同时实现“负责任地使用数据”，并提供法律和道德要求的保护。在“实施学习分析所需要的政策支持与能力建设”一章中，沃尔夫、琼斯、霍尔和怀斯展示了目前数据及其分析政策的整体情况，显示了美国各州如何发展利用数据系统和政策建议，以此获得更大价值。
最后，皮泰和皮的一章“理解不同教育实践中的学习分析”比较了在不同场景、使用不同分析数据来分析教育数据的传统方式和学习分析间的不同，探讨了学习分析的基本特征。他们讨论了学习分析不同于教育评估领域的几个方面，包括“有教育意义的数据”含义的扩展，被认为重要的研究问题种类的拓宽，以及学习分析研究获取并分析的信息越来越细化的短时特性等。他们注意到在机构层面有组织地借助系统性技术和基础设施，使学习分析测评日益复杂的学习成为可能，但这也为学习分析能否为有效支持教育评估和决策提供有意义的信息这一问题带来新的挑战。
展 望 未 来
在我们考虑教育领域学习分析的未来时，加速变化的趋势十分明显。随着教育持续发生根本性的变革，传统的模拟工具正在被数字系统和分析工具取而代之。这个过程使可用于解释、分析和可视化的数据流大大增加。不仅数据量丰富，收集和分析的成本也越来越低。从前收集教室和教育机构内部情况的信息是成本高昂的，需要特别设计的评价工具或问卷。很多情况下，这些工具和问卷需要手工的计分和数据录入方法，甚至需要复杂的音像记录和计分系统来记录师生互动对学习的贡献（Goldman, Pea, Barron, & Derry, 2007; Kane, Kerr, & Pianta, 2014）。数字革命带来了支持教学和学习的新工具，也有能力以极低廉的成本提供关于教学实践及其有效性的大量信息。没有哪个领域在开始利用数据进行决策后，又放弃数据的使用。虽然教育领域与其他发展出新型数据收集和分析技术的领域在许多重要的方面有所不同，但我们希望教育领域在这方面遵循惯例。然而学习分析必须面对新的数据来源和分析方法带来的挑战，同时不能放弃从教育研究、认知和学习科学、以及评估方法得来的来之不易的见解、原则和方法。基于本书的作者们提供的令人信服的论据和例子，我们相信学习分析将会被持续应用。
这是一个令人兴奋的时代——我们有机会在早期，对一个仍在发展的新领域进行研究。而对于所有感到这种兴奋的人，有什么比本书中经验丰富的作者们提供的专业指南更好的呢？其中许多都是在各自领域享誉世界的专家。他们为理解并建立这个领域提供了路标、地图和工具。他们谈到了学习分析发展中重要的问题，以及哪些问题会被强调，而哪些不会。许多问题仍然存在：那些带来了更高的产品在线销售额、更丰厚的保险条款利润、更好的医学疗法和结果的分析方法，那些在其他情景中行之有效的分析方法，是否也能带来更有效的教育实践，和更好的学生表现？基于大规模数据收集和分析方法，教育的哪些领域能够最有效地利用信息，哪些领域不太容易取得进展？学习分析引导的新型教育设计是否能实现我们长久以来寻找的、在教育结果上实现跨越种族、阶层、性别和其他可识别差距的平等机会，换言之，是否能实现人人享有社会性公平教育的期望？（Moss, Pullin, Gee, Haertel, & Young, 2008）虽然本书的作者们可能还未给出这些问题，以及学习分析领域发展中的其他重要问题的全部答案，但他们已经使读者们准备好去思考如何找到这些答案。
参 考 文 献
Bruer, J. T. (1993). Schools for thought: A science of learning in the classroom. Cambridge, MA: MIT Press.
Cole, M., & Engestrm, Y. (1993). A cultural\|historical approach to distributed cognition. In G. Salmon (Ed.), Distributed cognitions: Psychological and educational considerations (pp. 1\|46). New York, NY: Cambridge University Press.
Galison, P. (1997). Image and logic: A material culture of microphysics. Chicago, IL: The University of Chicago Press.
Gardner, H. E. (2008). The minds new science: A history of the cognitive revolution. New York, NY: Basic Books.
Goldman, R., Pea, R., Barron, B., & Derry, S. J. (Eds.). (2007). Video research in the learning sciences. New York, NY: Routledge.
Kane, T., Kerr, K., & Pianta, R. (2014). Designing teacher evaluation systems: New guidance from the measures of effective teaching project. New York, NY: Wiley.
Kuhn, T. S. (1970). The structure of scientific revolutions (2nd ed.). Chicago, IL: University of Chicago Press.
LASI. (2013). The Learning Analytics Summer Institute at Stanford, July 1\|5, 2013. Retrieved from https://solaresearch.org/events/lasi/lasi2013/.
Miller, G. A. (2003). The cognitive revolution: A historical perspective.Trends in Cognitive Sciences, 7(3), 141\|144.
Mislevy, R. J., Almond, R. G., & Lukas, J. F. (2003, July). A brief introduction to evidence\|centered design. ETS Research Report Series. Princeton, NJ: Educational Testing Service. Retrieved from https://www.ets.org/Media/Research/pdf/RR\|03\|16.pdf
Moss, P. A.,Pullin, D. C., Gee, J. P., Haertel, E. H., & Young, L. J. (Eds.). (2008). Assessment, equity, and opportunity to learn. Cambridge, MA: Cambridge University Press.
Siemens, G. (2011).Learning and Academic Analytics. Retrieved from http://www. learninganalytics.net/?p=131.
Tukey, J. W. (1977).Exploratory data analysis (Vol. 2). Reading, PA: Addison\|Wesley.致谢教育领域学习分析
本书主编要感谢比尔及梅琳达·盖茨基金会（BMGF）和约翰与凯瑟琳·麦克阿瑟基金会（MacArthur），他们支持了学习分析工作小组（LAW）的工作，该学习小组的工作最终促成了本书的写作。我们要特别感谢BMGF“为大学准备：下一代模型”小组的高级项目官员Stephen Coller，负责研究的高级项目官员Ed Dieterle，“为大学准备”小组中主管创新和市场的Stacey Childress，MacArthur的教育主任Connie Yowell。他们都在构想、发展和支持LAW计划中发挥了重要作用，这一点在本书的前言中有更详细的介绍。
我们还要感谢Joanne Michiuye和Kimberly Hayes，他们在本书出版时，为编辑和汇编材料提供了专业的帮助。
