论文部分内容阅读
摘要：教育大数据代表着教育领域未来发展的方向，我国教育大数据研究与实践整体还处于起步探索阶段。该文以基础教育领域为切入点，探讨了个性化与自适应学习的方法，总结了在国内基础教育现状下实现这些实施目标所面临的挑战，提出了应对这些挑战的一系列解决方案。这些方案作为教育部-中国移动联合科研项目“信息技术支持下的学生学习行为记录、分析与个性化支持”的工作成果，已经在广州市天河区的多所小学进行了试点应用研究，取得了良好的成果，同时也获取了一些宝贵的经验教训。
關键词：教育大数据；数据挖掘；学习分析技术：个性化学习
一、概述
长期以来，我国的教学模式一直较为传统，建立在所有学生都具有同等的知识水平、所有学生接受新知识的能力相同的情况下，难以因材施教、针对学生情况进行个性化教育，所以存在很多弊端：能力较强的学生的学习兴趣、学习积极性被严重束缚；学生的薄弱环节不能得到及时、有效的增强；教学者工作难度大，管理者管理难度大。
个性化教育使学习者的学习能力、学习个性特征与教学环境达到平衡，可以很好的解决上述问题。个性化教育记录与学生学习行为和学习情况有关的数据，如何从这些数据中获得潜在信息并给予指导，为教育大数据的产生创造了有利条件。在教育领域，大数据在学习过程分析、知识表征与学习结果预测等方面大有可为，可以解决传统课堂教学的弊端、增加了教与学的灵活性，为教学模式和学习模式提供了新意。
目前，教育大数据的概念和理论研究较多，然而在实施方面却困难重重，特别是影响最广的基础教育领域。这种现象由两方面造成，一是缺数据，目前学校存储的学生数据多为学籍、入学信息、考试成绩等“静止”的数据，缺乏鲜活的、对教育个性化最重要的学习行为数据；二是缺工具，教师缺乏一个系统化的学习数据分析方法，能够把学习行为数据、学习资源等与学习相关的数据汇集并进行处理分析，以便一目了然掌握每个学生的学习势态。
由此可见，数据和工具是制约基础教育大数据发展的两个重要因素。针对以上两个问题，本文主要从实施层面上研究如何在基础教育领域实现教育大数据。本文依托于教育部一中国移动联合项目“信息技术支持下的学生学习行为记录、分析与个性化支持”和广州市科技和信息化局基金项目，根据前期积累的相关经验，首先介绍了个性化和自适应学习支持方法；然后根据基础教育大数据的实施挑战，提出了渐进式的基础教育大数据实施方案，该方案与广州市天河区教育局进行合作并在天河区多个小学实施，取得了较好效果。
二、个性化和自适应学习支持
每个学生都有不同的学习风格、教育背景和认知水平，对知识的遗忘速率也不同。自适应和个性化学习旨在针对学习者的差异，最大限度满足学习兴趣、学习风格和学习能力。自适应和个性化学习首先要掌握学生的学习风格模型、学习知识模型和学习行为模型。
常见的学习风格模型是Felder-silverman学习风格模型，它从感知、输入、信息加工和理解四个维度将学习风格分为8个类型，并认为将学习风格和学习资源类型、教师教学风格结合，有助于取得较佳的学习效果。
（一）学习者知识模型
学习者知识模型中LKM=[KN，TN，EN，R]，KN表示知识结点，知识结点包括元知识和聚合知识，若干个元知识的集合组成聚合知识。元知识的属性包括优秀、良好、及格和未掌握；EN表示测试结点，测试结点的属性为回答正确、回答错误，回答部分正确、错误次数和持续时间；TN表示练习结点，属性为内容和持续时间。R为各结点之间的关系，关系包括先验结点和后验结点，即学习者需将某结点的先验结点学习完成后，方可学习该节点。学习者知识模型如图1所示。
通过对学习者知识建模，可以了解学生对每个知识点的掌握程度，学生进行练习的内容和持续时间，学生完成测试的正确率、错误率、持续时间等，进而对学生所学知识情况有一个全局的掌握。
（二）学习者行为模型
对学习者行为建模有助于分析学习者学习行为的产生原因及对学习结果产生的影响。学习者行为模型LBM={NB，PB，T}中NB为正常学习行为，PB为问题学习行为，T为NB和PB之间的转换，且NB={LB，MB，HB}。如图2所示。
1.LB为低级学习行为，主要指收集信息的能力，包括浏览、点击、阅读、保存、键入等；
2.MB为中级学习行为，主要指息的加工整理、信息发布和沟通交流；
3.HB为高级学习行为，主要指使用信息的能力，如信息精加工、总结反思、请教、设计等；
4.PB为问题学习行为，包括学习逃离、行为缺失、行为不当和学习时间分配不合理等部分。学习逃离指经常离开学习平台从事其他活动，行为缺失指缺乏必要的学习活动和学习环节，行为不当指学习行为伴随着非学习行为而进行，学习时间分配不合理指学习带有某种突击意味，并非循序渐进。
5.T为NB和PB之间的转换，当学生长时间处于NB学习状态、教师教授内容或网站提供学习内容
与学生兴趣不符、遇到过多问题以致完成学习任务较为困难或其他原因可能导致学习行为由NB到PB转换，而PB到NB的转换则依赖于学生的自主行为、教师的引导行为和网站的监测调控系统。
建立起相关模型后，系统便可对学生的个性化和自适应学习提供支持。系统会根据学习者行为模型记录和分析学习者当前状态、学习偏好，随时更新学习者描述信息以便更好对其模型内容进行调整；个性化推荐组件会根据学习者知识模型和学习者当前学习的知识点进行匹配，获取学习者适宜学习的知识点、学习路径并进行推荐；同时系统将记录学习者整个学习过程及其状态结果等信息，为提供进一步的个性化学习提供参考依据。
三、基础教育大数据的实施挑战
（一）基础教育线下活动的数字化
基础教育数字化的目的是把学校、教师、管理者、家长和学生有机结合，使各方对学习情况有全面细致掌握，然而在基础教育领域数字化的十几年历程中，整个市场的发展却远低于预期，重构教育模式、教学模式和学习模式的愿景始终没有实现。其主要原因包括： 1.核心用户的需求
传统课堂教学环境下，教师是教学活动的发起者、组织者和实施者。学生的学习、作业和活动都是围绕教师的教学活动展开的，教师是基础教育数字化的核心用户。教师的教学过程看似随意，实则每句话、每个动作、每个知识点都有精心设计，力求达到最好的教学质量。如果数字化教学产品和学习工具操作过于复杂，不仅不能帮助教师提高教学质量，反而会干扰教学。因此，基础教育的数字化不仅要考虑学生的需求，更要把教师教学作为整个系统的重点。系统的设计阶段要充分征求教师意见，最大限度满足教师的教学需求。
教学不仅仅指课堂教学，还包括备课、批改作业、考试、批改试卷等多个环节，如何简化数字化系统和工具的操作，在多个环节中实现数字化以完成统计量化分析，是亟待解决的问题。
2.家长的担忧
基础教育数字化中采集课堂学习行为主要依托于电子书等电子设备。这些设备虽内置有各种学习资源和学习软件，整合了电子课本阅读器，但遭到家长反对。家长认为基础教育阶段学生发育尚不完全，电子设备会造成孩子视力、书写和思维能力的降低，也会导致孩子过分依赖于信息技术。所以如何在不改变原有课堂教学模式、不引入过多电子设备的情况下，实现学习的数字化，是面临难题之一。
（二）学习行为记录指导学习个性化
教育大数据的发展最终走向之一是个性化学习。个性化学习记录学习者在线学习过程或课堂学习行为的一举一动，通过数据挖掘和分析构建学习者模型，能够对每个用户在系统中的活动进行实时的响应并根据用户行为推荐适合用户的学习方式、学习资源等。
1.系统的学习个性比支持
虽然诸如分类、聚类、关联分析、预测和推荐等各类数据挖掘方法都已成熟且均可以用于学习行为挖掘和个性化支持，但现阶段各类研究的挖掘结果都只侧重于学习者的某一方面个性化支持，并没有一个统一、系统化、集中的方法把各方面的分析结果联系起来以提供学习者个性化的全面表述，更没有为一项教师提供易用的工具支持以上所有分析结果。
2.数据可视化显示
数据可视化显示可以清晰有效的解读分析结果间的相互关系、传达数据信息。目前常用的数据可视化方法包括柱状图、折线图、饼图、散点图和雷达图等。柱状图为二维图形，适合于只需要比较其中一维的情况；折线图适用于较大的数据集；饼图只适合反映部分和整体关系的情况；雷达图要求数据点不超过6个。
如何综合以上各种可视化方法的优点，完备显示出学生个性化学习中行为间的因果关系，是个性化学习面临的又一挑战。
四、渐进式的基础教育大数据实施方案
教育部一中国移动联合科研项目“信息技术支持下的学生学习行为记录、分析与个性化支持”的总体实现框架如图3所示，主要包括学习行为数据采集子系统、数据整理子系统、海量存储子系统、决策支持子系统和学习行为数据分析子系统。
个性化学习支持子系统通过搜集和分析学习者的个性特征信息，从大量异构的信息中提取适合学习者需求的信息，并选择“时机”主动支持，从而达到主动服务的目的。在本项目中，图4的学习活动记录流图根据时序模式挖掘可视化的显示学习学习的全纪录，图5的知识掌握程度热点图可以清晰了解学生学过的知识点、每个知识点随着时间推移的掌握程度（以周为单位），以便全局掌握学习状态，为学习资源、路径的推荐和学习行为、结果的预测提供依据。
除此之外，为解决基础教育线下活动数字化面临的诸多问题，本项目采用了基于数据融合的课业考试和作业数据采集方案，该方案可以在不改变传统考试和作业习惯的前提下，对学习数据进行采集并加以分析；为使学生个性化学习可视化，本项目提出了知识地图的解决方式，该方式不仅利用了知识地图的优点，使学生对知识点有全局的掌握，同时对学生学习提供了个性化的支持。本章其余小结将对这两种方案的设计思路和创新的进行介绍。
（一）方案1：基于数据融合的课业考试和作业数据采集方案
1.方案设计
现阶段有很多学者对基础教育线下活动数据的采集方案做了研究，研究方案主要有电子设备采集方案、基于图像识别的方案、点阵数码笔方案和高考电子阅卷方案等。在基础教育领域，教学模式依旧以线下板书和纸笔结合的方式为主。在这种教学模式下，教师批改试卷并录入电脑是繁琐的过程，统计题目错误率只能凭借感觉和经验，不能准确把握各个学生情况。以上方案均不是理想的基础教育数据采集方案。
基于上述问题与挑战，本文提出将超声波数码笔与图像识别结合的方案，打造出成本低廉、易用性强、可靠性高的线下数据采集方案。此方案只需为一个教师配备一只超声波数码笔、一个高拍仪或其他图像录入设备即可（如图6所示）。超声波数码笔可以精准的采集到手写笔迹数据，可以对笔记信息加以提取、挖掘，做更深层次的研究利用。结合高拍仪，利用图像识别的长处，解决了超声波数码笔无法识别“翻页”操作的问题，并且教师与学生无需改变原有纸笔结合的教学方式，实现了无缝切换，真正意义上找到了传统课堂教育信息化的方法。
2.优势与创新
本方案有效的解决了基础教育线下活动数字化面临的挑战，满足了核心用户的需求，也解决了家长的担忧。该方案没有改变教师的教学习惯和阅卷习惯，也没有改变学生的学习习惯，同时使教师在阅卷后可以实时看到班级学生的考试情况和分析，极大提高了教师的阅卷效率。
该方案的创新点在于开创式的结合高拍仪与超声波数码笔设备。两者协同工作，全方位多角度的记录教师批改试卷的过程，更好的促进了课堂教学信息化的步伐，较于点阵数码笔方案，只需一支笔和一个高拍仪，快速便捷、成本低廉。
（二）方案2：知识地图提供个性化学习支持
1.方案设计
在线学习在满足学生随时随地学习、方便教师家长了解学生学习状况的同时，也存在一些弊端。对于学生尤其是基础教育阶段的学生而言，学习注意力很难长时间集中，完全开放的在线学习网站中包含学习知识点和各类学习资源，同时也包含论坛、电子邮件和页面中的各种链接。这些功能虽可以丰富学习体验、促进学习协作，但也容易使用户迷失在各种链接中。例如当学生遇到问题要在论坛求助时，发现论坛其他部分存在更有趣的事，注意力从而被吸引，以致逐渐偏离原定的学习目标。为了解决上述问题，本方案采用了基于知识地图的学习路径偏离判断和纠正方法。
知识地图用于表示两个知识点之间的关系。知识点分为前驱知识点和后继知识点以表示知识点之间的相关关系。方案首先根据学科知识绘制知识地图，知识地图中包含最优学习路径、学生自己的学习路径和尚未学习的知识点。最优路径基于学生的历史学习记录和学习能力规划得出，依照最优路径学习可以达到最大的学习效果；学生自己的学习路径是指学生在学习过程中经过的所有知识点。然后依照知识地图和系统预设阀值，判断学生是否偏离了当前的最优学习路径，若偏离，则对学习路径进行引导，从而实现学习过程的个性化支持。在知识地图中颜色的深浅表示知识点的掌握程度，颜色越深表示掌握越好，鼠标单击某知识点可以查看该知识点的属性，即学生具体的学习情况。学习情况包括知识点的掌握程度、学习时间、测试得分等。知识地图界面如图7所示。
2.优势与创新
本方案将知识点之间的关系使用知识地图个性化呈现，使学生对知识点有全局掌握，并有效的解决了学习路径的偏离问题，实现了学习的个性化支持。该方案适应于在线学习环境中，可以根据学生学习情况实时规划学习路线，促进学习效果最大化，也可以使学生实时了解自己的学习情况和学习轨迹。
五、结束语
目前基础教育線下活动数字化的诸多方案不能满足核心用户的需求，也存在家长的担陇问题。为解决这些问题，本文提出了基于数据融合的课业考试和作业数据采集方案和知识地图提供个性化学习支持的方案。该方案教师的教学和阅卷习惯，也没有改变学生的学习习惯，即可对学生的考试数据进行采集和分析。针对教育中不能实现个l生化支持的问题，本文提出了基于知识地图的学习路径偏离判断和纠正方法，该方法可视化显示学科知识点，使学生对知识点有全局的掌握，并可以记录学生的学习行为、判断路径偏离并予以纠正。本文提出的所有方案均已在试点小学进行实施验证，取得了较好的效果。
關键词：教育大数据；数据挖掘；学习分析技术：个性化学习
一、概述
长期以来，我国的教学模式一直较为传统，建立在所有学生都具有同等的知识水平、所有学生接受新知识的能力相同的情况下，难以因材施教、针对学生情况进行个性化教育，所以存在很多弊端：能力较强的学生的学习兴趣、学习积极性被严重束缚；学生的薄弱环节不能得到及时、有效的增强；教学者工作难度大，管理者管理难度大。
个性化教育使学习者的学习能力、学习个性特征与教学环境达到平衡，可以很好的解决上述问题。个性化教育记录与学生学习行为和学习情况有关的数据，如何从这些数据中获得潜在信息并给予指导，为教育大数据的产生创造了有利条件。在教育领域，大数据在学习过程分析、知识表征与学习结果预测等方面大有可为，可以解决传统课堂教学的弊端、增加了教与学的灵活性，为教学模式和学习模式提供了新意。
目前，教育大数据的概念和理论研究较多，然而在实施方面却困难重重，特别是影响最广的基础教育领域。这种现象由两方面造成，一是缺数据，目前学校存储的学生数据多为学籍、入学信息、考试成绩等“静止”的数据，缺乏鲜活的、对教育个性化最重要的学习行为数据；二是缺工具，教师缺乏一个系统化的学习数据分析方法，能够把学习行为数据、学习资源等与学习相关的数据汇集并进行处理分析，以便一目了然掌握每个学生的学习势态。
由此可见，数据和工具是制约基础教育大数据发展的两个重要因素。针对以上两个问题，本文主要从实施层面上研究如何在基础教育领域实现教育大数据。本文依托于教育部一中国移动联合项目“信息技术支持下的学生学习行为记录、分析与个性化支持”和广州市科技和信息化局基金项目，根据前期积累的相关经验，首先介绍了个性化和自适应学习支持方法；然后根据基础教育大数据的实施挑战，提出了渐进式的基础教育大数据实施方案，该方案与广州市天河区教育局进行合作并在天河区多个小学实施，取得了较好效果。
二、个性化和自适应学习支持
每个学生都有不同的学习风格、教育背景和认知水平，对知识的遗忘速率也不同。自适应和个性化学习旨在针对学习者的差异，最大限度满足学习兴趣、学习风格和学习能力。自适应和个性化学习首先要掌握学生的学习风格模型、学习知识模型和学习行为模型。
常见的学习风格模型是Felder-silverman学习风格模型，它从感知、输入、信息加工和理解四个维度将学习风格分为8个类型，并认为将学习风格和学习资源类型、教师教学风格结合，有助于取得较佳的学习效果。
（一）学习者知识模型
学习者知识模型中LKM=[KN，TN，EN，R]，KN表示知识结点，知识结点包括元知识和聚合知识，若干个元知识的集合组成聚合知识。元知识的属性包括优秀、良好、及格和未掌握；EN表示测试结点，测试结点的属性为回答正确、回答错误，回答部分正确、错误次数和持续时间；TN表示练习结点，属性为内容和持续时间。R为各结点之间的关系，关系包括先验结点和后验结点，即学习者需将某结点的先验结点学习完成后，方可学习该节点。学习者知识模型如图1所示。
通过对学习者知识建模，可以了解学生对每个知识点的掌握程度，学生进行练习的内容和持续时间，学生完成测试的正确率、错误率、持续时间等，进而对学生所学知识情况有一个全局的掌握。
（二）学习者行为模型
对学习者行为建模有助于分析学习者学习行为的产生原因及对学习结果产生的影响。学习者行为模型LBM={NB，PB，T}中NB为正常学习行为，PB为问题学习行为，T为NB和PB之间的转换，且NB={LB，MB，HB}。如图2所示。
1.LB为低级学习行为，主要指收集信息的能力，包括浏览、点击、阅读、保存、键入等；
2.MB为中级学习行为，主要指息的加工整理、信息发布和沟通交流；
3.HB为高级学习行为，主要指使用信息的能力，如信息精加工、总结反思、请教、设计等；
4.PB为问题学习行为，包括学习逃离、行为缺失、行为不当和学习时间分配不合理等部分。学习逃离指经常离开学习平台从事其他活动，行为缺失指缺乏必要的学习活动和学习环节，行为不当指学习行为伴随着非学习行为而进行，学习时间分配不合理指学习带有某种突击意味，并非循序渐进。
5.T为NB和PB之间的转换，当学生长时间处于NB学习状态、教师教授内容或网站提供学习内容
与学生兴趣不符、遇到过多问题以致完成学习任务较为困难或其他原因可能导致学习行为由NB到PB转换，而PB到NB的转换则依赖于学生的自主行为、教师的引导行为和网站的监测调控系统。
建立起相关模型后，系统便可对学生的个性化和自适应学习提供支持。系统会根据学习者行为模型记录和分析学习者当前状态、学习偏好，随时更新学习者描述信息以便更好对其模型内容进行调整；个性化推荐组件会根据学习者知识模型和学习者当前学习的知识点进行匹配，获取学习者适宜学习的知识点、学习路径并进行推荐；同时系统将记录学习者整个学习过程及其状态结果等信息，为提供进一步的个性化学习提供参考依据。
三、基础教育大数据的实施挑战
（一）基础教育线下活动的数字化
基础教育数字化的目的是把学校、教师、管理者、家长和学生有机结合，使各方对学习情况有全面细致掌握，然而在基础教育领域数字化的十几年历程中，整个市场的发展却远低于预期，重构教育模式、教学模式和学习模式的愿景始终没有实现。其主要原因包括： 1.核心用户的需求
传统课堂教学环境下，教师是教学活动的发起者、组织者和实施者。学生的学习、作业和活动都是围绕教师的教学活动展开的，教师是基础教育数字化的核心用户。教师的教学过程看似随意，实则每句话、每个动作、每个知识点都有精心设计，力求达到最好的教学质量。如果数字化教学产品和学习工具操作过于复杂，不仅不能帮助教师提高教学质量，反而会干扰教学。因此，基础教育的数字化不仅要考虑学生的需求，更要把教师教学作为整个系统的重点。系统的设计阶段要充分征求教师意见，最大限度满足教师的教学需求。
教学不仅仅指课堂教学，还包括备课、批改作业、考试、批改试卷等多个环节，如何简化数字化系统和工具的操作，在多个环节中实现数字化以完成统计量化分析，是亟待解决的问题。
2.家长的担忧
基础教育数字化中采集课堂学习行为主要依托于电子书等电子设备。这些设备虽内置有各种学习资源和学习软件，整合了电子课本阅读器，但遭到家长反对。家长认为基础教育阶段学生发育尚不完全，电子设备会造成孩子视力、书写和思维能力的降低，也会导致孩子过分依赖于信息技术。所以如何在不改变原有课堂教学模式、不引入过多电子设备的情况下，实现学习的数字化，是面临难题之一。
（二）学习行为记录指导学习个性化
教育大数据的发展最终走向之一是个性化学习。个性化学习记录学习者在线学习过程或课堂学习行为的一举一动，通过数据挖掘和分析构建学习者模型，能够对每个用户在系统中的活动进行实时的响应并根据用户行为推荐适合用户的学习方式、学习资源等。
1.系统的学习个性比支持
虽然诸如分类、聚类、关联分析、预测和推荐等各类数据挖掘方法都已成熟且均可以用于学习行为挖掘和个性化支持，但现阶段各类研究的挖掘结果都只侧重于学习者的某一方面个性化支持，并没有一个统一、系统化、集中的方法把各方面的分析结果联系起来以提供学习者个性化的全面表述，更没有为一项教师提供易用的工具支持以上所有分析结果。
2.数据可视化显示
数据可视化显示可以清晰有效的解读分析结果间的相互关系、传达数据信息。目前常用的数据可视化方法包括柱状图、折线图、饼图、散点图和雷达图等。柱状图为二维图形，适合于只需要比较其中一维的情况；折线图适用于较大的数据集；饼图只适合反映部分和整体关系的情况；雷达图要求数据点不超过6个。
如何综合以上各种可视化方法的优点，完备显示出学生个性化学习中行为间的因果关系，是个性化学习面临的又一挑战。
四、渐进式的基础教育大数据实施方案
教育部一中国移动联合科研项目“信息技术支持下的学生学习行为记录、分析与个性化支持”的总体实现框架如图3所示，主要包括学习行为数据采集子系统、数据整理子系统、海量存储子系统、决策支持子系统和学习行为数据分析子系统。
个性化学习支持子系统通过搜集和分析学习者的个性特征信息，从大量异构的信息中提取适合学习者需求的信息，并选择“时机”主动支持，从而达到主动服务的目的。在本项目中，图4的学习活动记录流图根据时序模式挖掘可视化的显示学习学习的全纪录，图5的知识掌握程度热点图可以清晰了解学生学过的知识点、每个知识点随着时间推移的掌握程度（以周为单位），以便全局掌握学习状态，为学习资源、路径的推荐和学习行为、结果的预测提供依据。
除此之外，为解决基础教育线下活动数字化面临的诸多问题，本项目采用了基于数据融合的课业考试和作业数据采集方案，该方案可以在不改变传统考试和作业习惯的前提下，对学习数据进行采集并加以分析；为使学生个性化学习可视化，本项目提出了知识地图的解决方式，该方式不仅利用了知识地图的优点，使学生对知识点有全局的掌握，同时对学生学习提供了个性化的支持。本章其余小结将对这两种方案的设计思路和创新的进行介绍。
（一）方案1：基于数据融合的课业考试和作业数据采集方案
1.方案设计
现阶段有很多学者对基础教育线下活动数据的采集方案做了研究，研究方案主要有电子设备采集方案、基于图像识别的方案、点阵数码笔方案和高考电子阅卷方案等。在基础教育领域，教学模式依旧以线下板书和纸笔结合的方式为主。在这种教学模式下，教师批改试卷并录入电脑是繁琐的过程，统计题目错误率只能凭借感觉和经验，不能准确把握各个学生情况。以上方案均不是理想的基础教育数据采集方案。
基于上述问题与挑战，本文提出将超声波数码笔与图像识别结合的方案，打造出成本低廉、易用性强、可靠性高的线下数据采集方案。此方案只需为一个教师配备一只超声波数码笔、一个高拍仪或其他图像录入设备即可（如图6所示）。超声波数码笔可以精准的采集到手写笔迹数据，可以对笔记信息加以提取、挖掘，做更深层次的研究利用。结合高拍仪，利用图像识别的长处，解决了超声波数码笔无法识别“翻页”操作的问题，并且教师与学生无需改变原有纸笔结合的教学方式，实现了无缝切换，真正意义上找到了传统课堂教育信息化的方法。
2.优势与创新
本方案有效的解决了基础教育线下活动数字化面临的挑战，满足了核心用户的需求，也解决了家长的担忧。该方案没有改变教师的教学习惯和阅卷习惯，也没有改变学生的学习习惯，同时使教师在阅卷后可以实时看到班级学生的考试情况和分析，极大提高了教师的阅卷效率。
该方案的创新点在于开创式的结合高拍仪与超声波数码笔设备。两者协同工作，全方位多角度的记录教师批改试卷的过程，更好的促进了课堂教学信息化的步伐，较于点阵数码笔方案，只需一支笔和一个高拍仪，快速便捷、成本低廉。
（二）方案2：知识地图提供个性化学习支持
1.方案设计
在线学习在满足学生随时随地学习、方便教师家长了解学生学习状况的同时，也存在一些弊端。对于学生尤其是基础教育阶段的学生而言，学习注意力很难长时间集中，完全开放的在线学习网站中包含学习知识点和各类学习资源，同时也包含论坛、电子邮件和页面中的各种链接。这些功能虽可以丰富学习体验、促进学习协作，但也容易使用户迷失在各种链接中。例如当学生遇到问题要在论坛求助时，发现论坛其他部分存在更有趣的事，注意力从而被吸引，以致逐渐偏离原定的学习目标。为了解决上述问题，本方案采用了基于知识地图的学习路径偏离判断和纠正方法。
知识地图用于表示两个知识点之间的关系。知识点分为前驱知识点和后继知识点以表示知识点之间的相关关系。方案首先根据学科知识绘制知识地图，知识地图中包含最优学习路径、学生自己的学习路径和尚未学习的知识点。最优路径基于学生的历史学习记录和学习能力规划得出，依照最优路径学习可以达到最大的学习效果；学生自己的学习路径是指学生在学习过程中经过的所有知识点。然后依照知识地图和系统预设阀值，判断学生是否偏离了当前的最优学习路径，若偏离，则对学习路径进行引导，从而实现学习过程的个性化支持。在知识地图中颜色的深浅表示知识点的掌握程度，颜色越深表示掌握越好，鼠标单击某知识点可以查看该知识点的属性，即学生具体的学习情况。学习情况包括知识点的掌握程度、学习时间、测试得分等。知识地图界面如图7所示。
2.优势与创新
本方案将知识点之间的关系使用知识地图个性化呈现，使学生对知识点有全局掌握，并有效的解决了学习路径的偏离问题，实现了学习的个性化支持。该方案适应于在线学习环境中，可以根据学生学习情况实时规划学习路线，促进学习效果最大化，也可以使学生实时了解自己的学习情况和学习轨迹。
五、结束语
目前基础教育線下活动数字化的诸多方案不能满足核心用户的需求，也存在家长的担陇问题。为解决这些问题，本文提出了基于数据融合的课业考试和作业数据采集方案和知识地图提供个性化学习支持的方案。该方案教师的教学和阅卷习惯，也没有改变学生的学习习惯，即可对学生的考试数据进行采集和分析。针对教育中不能实现个l生化支持的问题，本文提出了基于知识地图的学习路径偏离判断和纠正方法，该方法可视化显示学科知识点，使学生对知识点有全局的掌握，并可以记录学生的学习行为、判断路径偏离并予以纠正。本文提出的所有方案均已在试点小学进行实施验证，取得了较好的效果。