国外： 澳大利亚 Wollongong大学领导多个学校的研究人员共同运用学习网络可视化与评估工具（SNAPP）进行对学习者的论坛交流内容，如发帖者、回复对象、讨论话题以及话题范围等数据进行识别， 并以社会网络图的形式呈现分析结果，从而识别出学业面临风险的学习者，最终达到提高学习者成绩的目的。

美国普渡大学的课程警示系统， 运用了预测模型与 ”黑板视野（Blackboard vista）”软件共同提供的数据，通过分析学生的学业表现， 预测出那些成绩处于边缘风险状态的学生， 并为这类学生提供积极的干预。

德雷塞尔大学（Drexel University）利用在线教学管理系统的”视野之星报告（VistaStar Report）”收集学习者的在线学习时间、登录次数、下载量等相关数据并加以评估。

Andrew S. Rosen[1]通过利用来自于RateMyProfessors.com的190006名不少于20次评教的教授数据，运用Python可视化分析教学质量、容易程度、外表吸引力、学科以及性别之间的相关关系。

研究发现，教学质量与容易程度、外表吸引力成正相关。

同时，科学与工程学相关学科的评分平均低于人文艺术学科。

从总体来看，性别对于评价的影响较小，但是对于某一具体学科来看，其影响却又很显著。

这一研究对于我们进行影响学情的主要因素分析提供了一定的方法。

在大数据视角下的学习分析方面，很多外国学者从不同角度为学习分析设计了整体框架。

大多数框架关注的是学习分析可用的数据、利益相关者、分析流程、分析工具、制约与限制等方面。