论文部分内容阅读
摘 要：通过大数据分析，教育管理者能够通过学习平台全面地记录、跟踪、掌握不同学习者的学习特点、学习需求、学习基础和学习行为，从而为不同的学习者建立学习模型，打造“个性化”的学习空间，并利用大数据分析结果动态地推荐学习路径、学习资源。推动实现“因材施教”。建立合理的自适应在线学习分析模型是大数据技术在教学平台实现的基础。
关键词：大数据 自适应 学习平台 学习分析模型
中图分类号：G71 文献标识码：A 文章编号：1672-3791（2018）02（c）-0169-03
大数据、移动互联网等信息新技术的出现，将远程教育、在线学习提升到一个空前瞩目的阶段。现在普遍使用的网络学习平台有 Blackboard、Web CT、Moodle、Sa Kai、Learning Space等[1]，这些学习平台注重教师课程管理和教学管理，能够为学习者提供学习服务，但千篇一律的学习界面，学习活动顺序和学习资源難以调动学生的学习内源驱动力，学习效果往往不能达到期望值。随着大数据技术的引入，使远程教育的规模化和个性化达到统一平衡[2]。通过大数据分析，教育管理者能够通过学习平台全面地记录、跟踪、掌握不同学习者的学习特点、学习需求、学习基础和学习行为，从而为不同的学习者建立学习模型，打造“个性化”的学习空间，并利用大数据分析结果动态地推荐学习路径、学习资源[3]。由此可见，大数据分析能够推动实现“因材施教”。
1 大数据分析及应用现状
大数据技术能够从海量数据中找出有价值的数据，其核心并不在“大量”，而在于“价值”。当前大数据技术的商业应用在中国已经非常普及，百度、阿里、腾讯、优酷、美团等，都采用它并取得了较好的商业效果。
大数据技术引入到教育领域势必带来教育新变革。在教育中采用大数据可以对学习者在学习过程中的努力程度、学习态度、智力水平、领域能力、交互协作等多维度进行测量，通过深层次挖掘有价值数据信息，揭示其内在的学习规律。在线学习平台通过大数据可以打造“个性化”学习空间，成为一种新型的自适应学习平台。
我们认为，大数据在教育领域应用现状与期望值还有较大的差距。在国内，大数据技术并没有广泛应用于在线学习，究其原因，在于现今没有一个公认的科学合理的自适应在线学习分析模型作为技术实现的基础，这是我们本文研究的目的。
2 基于大数据的个性化自适应在线学习分析模型研究
2.1 基于大数据的个性化自适应学习过程结构
美国《通过教育数据挖掘和学习分析促进教与学》简报中给出了学习者自适应学习结构及数据流程[4]。该结构包含六大模块：内容传递模块、学习者数据库、预测模块、显示
模块、自适应模块、干预模块。我们以此为参考结合我校现状设计出如图1所示的学习过程结构：
该结构以传统“在线学习平台”为业务核心，增加“大数据分析模块”和“个性化学习推荐引擎”，构成了“基于大数据分析的个性化自适应平台”，另外引入我校“历史数据库”参与大数据分析，提高数据分析的价值。
2.1.1 历史数据库
重庆电大建校近30年来，现有学员11万人，开设本科、专科课程上千门，拥有丰富的历史数据，经过数据挖掘，其结果可以基本反映在线学习的普适特征。
2.1.2 在线学习平台
重庆电大拥有重庆电大开放学习平台、重庆成人教学平台、Moodle平台等众多在线学习平台，这些平台均能提供学习内容（知识点、案例、测试、练习等可视化信息），能管理、维护、传递学习内容与评价给学习者，以支持学习者的学习行为。这些平台对应了电大不同时期、不同层次的教学任务，反映了不同的在线学习特征（学历教育、继续教育等）。在线学习平台的数据存放在“在线数据库”里，在特定时期进入“历史数据库”。
2.1.3 大数据分析模块
大数据分析模块将来自“历史数据库”的数据、“在线数据库”的在线学习行为数据和课程历史数据经大数据方法分析，便能得到基于本课程的个人学习行为特点及预测结果。
2.1.4 个性化学习推荐引擎
根据大数据分析结果和预测结果给学习者推荐他们感兴趣的学习内容、形成学习路径，推荐学习序列。
2.2 基于大数据的个性化自适应学习模型的设计
本研究以大数据分析为契机，设计出基于学习环境、学习分析、学习参与者、学习策略、目标等5个层次构建的个性化自适应在线学习分析模型，如图2所示。
2.2.1 学习环境
自适应学习是一种个性化的学习，它不是独立的学习系统，需要学习环境中有良好的组织反馈。这里的学习环境包含了学习资源、学习平台、学习工具等，其中不仅有专用的自适应学习平台，还有学习所依赖的外部环境，如各种社交媒体（博客、维基）等。学习参与者通过各种交互在学习环境中产生海量数据，经过大数据分析可以为预测、学习干预、处理学习行为提供依据。
2.2.2 学习分析
学习分析不仅针对自适应学习平台，还针对与它相关的系统及相应的历史数据，如我校其它学习平台的历史数据通过大数据分析可以产生具有普适特征的学生学习行为定义，可以成为自适应学习平台的基本行为定义模板。大数据分析方法主要采用统计法、知识可视化、个性化推荐、数据挖掘和社会网络分析等。
2.2.3 学习参与者
学习参与者包括学习的主体学习者、还有可以指导学习者学习、进行学习干预的教师、管理人员以及学习平台自身（如自适应学习平台中的信息推送直接参与了学习过程）。
2.2.4 学习策略
在自适应性学习系统中，学习者一般采用三种学习策略，如传授式、探索式和协作式[5]，我们主要采用协作式学习策略。不同的学习参与者通过学习策略来实现协作。
2.2.5 目标
这里的目标指的是所有学习参与者均需要达到的目标。对系统平台来说，自适应与个性化推荐是两个最重要的实现目标。自适应是学习者主动地适应远程学习方式，实现学习者自我组织，制定并执行学习计划、自主选择学习策略，对学习进行自我评估；个性化推荐是系统主动向学习者注入资源的学习方式：通过大数据分析结果实施相应的教学策略，适应性呈现个性化、可视化的学习路径、学习资源、同伴、工具等[1]。
3 基于大数据的个性化自适应在线学习平台实现
基于以上的设计思想，我们以Moodle平台为基础开发了相应的自适应学习平台。如图3所示，可以看到当学生单元测试成绩不理想时，系统会自动为学生推送新的学习序列。
4 结语
基于大数据分析的自适应在线学习平台能够实现真正的“因材施教”，不同的学习者可以采用不同的学习策略，通过平台自适应功能创造不同的学习情境，满足“个性化学习”的需要。我们通过对自适应在线学习过程及学习分析模型的研究，开发出了基于大数据分析的自适应在线学习平台，在实际应用中取得了较好的效果。
参考文献
[1] 姜强.自适应学习系统支持模型与实现机制研究[D].长春：东北师范大学，2012.
[2] US Depart of Education， Office of Educational Technology.Expanding Evidence Approaches for Learning in a Digital World[EB/OL].
[3] 姜强，赵蔚.自适应学习系统述评及其优化机制研究[J].现代远距离教育，2011（6）：57-63.
[4] Enhancing Teaching and Learning through EducationalData Mining and Learning Analytics [DB/OL].
[5] 余胜泉.适应性学习-远程教育发展的趋势[J].开放教育研究，2000（3）：12-15.
关键词：大数据 自适应 学习平台 学习分析模型
中图分类号：G71 文献标识码：A 文章编号：1672-3791（2018）02（c）-0169-03
大数据、移动互联网等信息新技术的出现，将远程教育、在线学习提升到一个空前瞩目的阶段。现在普遍使用的网络学习平台有 Blackboard、Web CT、Moodle、Sa Kai、Learning Space等[1]，这些学习平台注重教师课程管理和教学管理，能够为学习者提供学习服务，但千篇一律的学习界面，学习活动顺序和学习资源難以调动学生的学习内源驱动力，学习效果往往不能达到期望值。随着大数据技术的引入，使远程教育的规模化和个性化达到统一平衡[2]。通过大数据分析，教育管理者能够通过学习平台全面地记录、跟踪、掌握不同学习者的学习特点、学习需求、学习基础和学习行为，从而为不同的学习者建立学习模型，打造“个性化”的学习空间，并利用大数据分析结果动态地推荐学习路径、学习资源[3]。由此可见，大数据分析能够推动实现“因材施教”。
1 大数据分析及应用现状
大数据技术能够从海量数据中找出有价值的数据，其核心并不在“大量”，而在于“价值”。当前大数据技术的商业应用在中国已经非常普及，百度、阿里、腾讯、优酷、美团等，都采用它并取得了较好的商业效果。
大数据技术引入到教育领域势必带来教育新变革。在教育中采用大数据可以对学习者在学习过程中的努力程度、学习态度、智力水平、领域能力、交互协作等多维度进行测量，通过深层次挖掘有价值数据信息，揭示其内在的学习规律。在线学习平台通过大数据可以打造“个性化”学习空间，成为一种新型的自适应学习平台。
我们认为，大数据在教育领域应用现状与期望值还有较大的差距。在国内，大数据技术并没有广泛应用于在线学习，究其原因，在于现今没有一个公认的科学合理的自适应在线学习分析模型作为技术实现的基础，这是我们本文研究的目的。
2 基于大数据的个性化自适应在线学习分析模型研究
2.1 基于大数据的个性化自适应学习过程结构
美国《通过教育数据挖掘和学习分析促进教与学》简报中给出了学习者自适应学习结构及数据流程[4]。该结构包含六大模块：内容传递模块、学习者数据库、预测模块、显示
模块、自适应模块、干预模块。我们以此为参考结合我校现状设计出如图1所示的学习过程结构：
该结构以传统“在线学习平台”为业务核心，增加“大数据分析模块”和“个性化学习推荐引擎”，构成了“基于大数据分析的个性化自适应平台”，另外引入我校“历史数据库”参与大数据分析，提高数据分析的价值。
2.1.1 历史数据库
重庆电大建校近30年来，现有学员11万人，开设本科、专科课程上千门，拥有丰富的历史数据，经过数据挖掘，其结果可以基本反映在线学习的普适特征。
2.1.2 在线学习平台
重庆电大拥有重庆电大开放学习平台、重庆成人教学平台、Moodle平台等众多在线学习平台，这些平台均能提供学习内容（知识点、案例、测试、练习等可视化信息），能管理、维护、传递学习内容与评价给学习者，以支持学习者的学习行为。这些平台对应了电大不同时期、不同层次的教学任务，反映了不同的在线学习特征（学历教育、继续教育等）。在线学习平台的数据存放在“在线数据库”里，在特定时期进入“历史数据库”。
2.1.3 大数据分析模块
大数据分析模块将来自“历史数据库”的数据、“在线数据库”的在线学习行为数据和课程历史数据经大数据方法分析，便能得到基于本课程的个人学习行为特点及预测结果。
2.1.4 个性化学习推荐引擎
根据大数据分析结果和预测结果给学习者推荐他们感兴趣的学习内容、形成学习路径，推荐学习序列。
2.2 基于大数据的个性化自适应学习模型的设计
本研究以大数据分析为契机，设计出基于学习环境、学习分析、学习参与者、学习策略、目标等5个层次构建的个性化自适应在线学习分析模型，如图2所示。
2.2.1 学习环境
自适应学习是一种个性化的学习，它不是独立的学习系统，需要学习环境中有良好的组织反馈。这里的学习环境包含了学习资源、学习平台、学习工具等，其中不仅有专用的自适应学习平台，还有学习所依赖的外部环境，如各种社交媒体（博客、维基）等。学习参与者通过各种交互在学习环境中产生海量数据，经过大数据分析可以为预测、学习干预、处理学习行为提供依据。
2.2.2 学习分析
学习分析不仅针对自适应学习平台，还针对与它相关的系统及相应的历史数据，如我校其它学习平台的历史数据通过大数据分析可以产生具有普适特征的学生学习行为定义，可以成为自适应学习平台的基本行为定义模板。大数据分析方法主要采用统计法、知识可视化、个性化推荐、数据挖掘和社会网络分析等。
2.2.3 学习参与者
学习参与者包括学习的主体学习者、还有可以指导学习者学习、进行学习干预的教师、管理人员以及学习平台自身（如自适应学习平台中的信息推送直接参与了学习过程）。
2.2.4 学习策略
在自适应性学习系统中，学习者一般采用三种学习策略，如传授式、探索式和协作式[5]，我们主要采用协作式学习策略。不同的学习参与者通过学习策略来实现协作。
2.2.5 目标
这里的目标指的是所有学习参与者均需要达到的目标。对系统平台来说，自适应与个性化推荐是两个最重要的实现目标。自适应是学习者主动地适应远程学习方式，实现学习者自我组织，制定并执行学习计划、自主选择学习策略，对学习进行自我评估；个性化推荐是系统主动向学习者注入资源的学习方式：通过大数据分析结果实施相应的教学策略，适应性呈现个性化、可视化的学习路径、学习资源、同伴、工具等[1]。
3 基于大数据的个性化自适应在线学习平台实现
基于以上的设计思想，我们以Moodle平台为基础开发了相应的自适应学习平台。如图3所示，可以看到当学生单元测试成绩不理想时，系统会自动为学生推送新的学习序列。
4 结语
基于大数据分析的自适应在线学习平台能够实现真正的“因材施教”，不同的学习者可以采用不同的学习策略，通过平台自适应功能创造不同的学习情境，满足“个性化学习”的需要。我们通过对自适应在线学习过程及学习分析模型的研究，开发出了基于大数据分析的自适应在线学习平台，在实际应用中取得了较好的效果。
参考文献
[1] 姜强.自适应学习系统支持模型与实现机制研究[D].长春：东北师范大学，2012.
[2] US Depart of Education， Office of Educational Technology.Expanding Evidence Approaches for Learning in a Digital World[EB/OL].
[3] 姜强，赵蔚.自适应学习系统述评及其优化机制研究[J].现代远距离教育，2011（6）：57-63.
[4] Enhancing Teaching and Learning through EducationalData Mining and Learning Analytics [DB/OL].
[5] 余胜泉.适应性学习-远程教育发展的趋势[J].开放教育研究，2000（3）：12-15.