基于教育大數據的個性化學習模式分析

摘 要 隨著信息技術的飛速發展，大數據迅速成為各領域的研究焦點，基于大數據技術的個性化教育時代已經來臨。本文對教育大數據概念和特征進行分析，構建了基于大數據技術的個性化學習模式，以期通過教育大數據的分析對學生學習路徑進行干預和改進，最后總結了應用這種學習模式可能會面臨的挑戰。

關鍵詞 教育大數據 個性化學習 學習路徑

教育部2015年工作要點中提出：將進一步推進《教育信息化十年發展規劃》中的“三通兩平臺”建設與應用，力爭實現學校互聯網全覆蓋[1]。教育信息化的推進以及教育基礎設施的建設，為大數據技術在教育領域的應用奠定了良好的基礎。

大數據技術正在對社會生產生活產生深刻的影響，過去無法收集和分析的數據被大數據技術賦予了新的可能性，其中關于人們行為和喜好的數據挖掘，使大數據成為了教育變革與創新的重要推動力。傳統的教育決策通常建立在個人教學經驗和簡單的數據分析基礎之上，無法提供給每個學生最有效的教學方式。而大數據技術對海量教育數據的留存和深度挖掘，能幫助教師更深入地了解學生知識的掌握情況以及學習偏好，有助于教育機構和教育工作者彌補或改變現行教育中的不足，將推動傳統以“教師為中心”的教學方式向以“學生為中心”教學方式的轉變，真正做到以人為本、因材施教。

一、教育大數據的概念和特征

教育大數據作為大數據在教育領域中的應用，至今國內外還沒有教育機構給出明確且統一的定義。教育大數據可以被理解為所涉及的教育數據規模巨大且種類繁多，以至于傳統的處理工具無法進行有效的擷取和處理的教育數據集。教育大數據主要有以下幾個特征。

1.海量性

麥肯錫對大數據的定義是指那些規模大到傳統的數據庫軟件工具無法進行采集、存儲和分析的數據集[2]。因此，數據量大也是教育大數據的首要特征。隨著信息化的發展，大部分學校都采用先進的信息管理系統進行教學管理，教學管理與教學資源的全面整合會產生和記錄大量的教學信息。另外，越來越多的學習行為在網絡上發生，也導致在線學習平臺所生成的教育數據量呈爆發性增長的趨勢。

2.多樣性

德勤公司專家羅伯特指出：“規模并不是常規數據和大數據之間最主要的區別，大數據的重要屬性應該是復雜性和多樣性。”[3]傳統的教育數據具有明顯的結構化特征，但隨著教學手段和教學工具的飛速發展，教育數據的品種不斷增加，數據結構變得更加復雜，形成了多樣且異質的教育大數據，如教學視頻、音頻、日志、郵件等，這些非結構化的數據背后隱藏著大量的信息，比如學生的學習態度、能力和偏好。大數據時代的教育工作者要學會利用和分析這些不同類型的教育數據，以還原學生學習情況的完整性和真實性。

3.動態性

傳統的教育數據更專注于靜態記錄學生的考試成績，而教育大數據有能力跟蹤和掌握學生的學習動態，比如學生注意力集中時間、回答問題次數等。這些數據是動態且高速變化的，教師不僅可以根據實時的教學數據監測，動態地評價學生的學習成績和學習效果；還可以根據變化的學習數據隨時調整教學方案。斯坦福大學吳恩達教授跟蹤學生觀看視頻講座的行為發現：如果學生中途點擊了關閉或快播鍵，暗示了講座內容晦澀難懂或學生不感興趣，教師可以據此對視頻內容進行調整，以期通過改善教學內容來提高學生的理解力和興趣度[4]。

4.價值性

維克托在《大數據時代》中指出：“大數據時代最重要的是從大數據中挖掘價值。”[5]目前學校所產生的教學數據都是由很多學生行為片段組成且處于分散狀態，需要使用大數據技術對這些數據進行整合和利用，通過對這些被鎖在“數據孤島”上的海量數據進行處理，獲得具有重大價值的學生行為分析結果，并利用它們為改善學生的成績提供個性化的服務。教育大數據對學生、家長和教師都具有很高的價值，它可以幫助學生提高學習成績、幫助家長理解學生的學習行為、幫助教師改進教學方案，以確保每個學生獲得有效且高效的定制教育。

5.真實性

教育大數據注重提高數據分析的真實性和可靠性，傳統的教育數據由于學校為了排名、教師為了業績等原因可能被修改或粉飾，這樣得到的不真實數據就失去了對學生學習情況判斷的準確性。而教育大數據由于基數巨大，不是憑借某一個數據對學生進行評價，而是依靠海量的全息數據對學生進行整體評定，即使某些被修改過的錯誤信息存在，也不會影響對學生的最終評價結果。

二、基于教育大數據的個性化學習模式構建

個性化的學習模式強調“一個尺寸適合一個人”的教學方式，通過大數據技術來實現個性化教學，使知識的傳授能夠適應特定的教學環境、學習偏好和學生能力。個性化學習模式由以下幾個部分組成。

1.學生學習數據庫

個性化學習模式強調“大數據驅動”，由學習數據庫記錄和存儲大量實時、可靠的學生學習行為數據，例如學習路徑、日志、討論、作業等。大數據技術的優勢就體現在可以對各種非結構化的數據進行采集和存儲，課堂教學、在線學習、輔助教學工具都可以作為數據收集的平臺，每次學生的點擊、討論版的互動、博客的進入或任何微小的活動都會被記錄下來，生成每生每課的數以萬計的學習數據，并縱向傳遞到分析系統，成為下一步個性化學習分析的重要基礎資源。

2.學生基礎數據庫

學生基礎數據庫包含了學生的各種基本信息（姓名、年齡、專業、愛好等）、學生的歷史學習信息（成績、先導課程、問卷調查等）。要確保為學習者制定最適合的學習路徑，不能僅靠學生的學習行為數據，還要參照歷史學習數據，這些數據會綜合反映學生的知識儲備、學習偏好、努力程度等信息，會形成更加立體的學生學習影像。

3.分析系統

分析系統是對學習數據庫中跟蹤學生學習軌跡所存儲的大量數據進行處理和分析。分析的內容主要包括：學生學習表現、課程與教材選擇是否正確、教學方法是否合適等。分析過程首先要對原始學習數據進行歸納和整理，去除無關或難以識別的冗余數據，數據的真實性和時效性是保證最終得出準確分析結論的關鍵。然后通過大數據方法將數據轉化成可以被洞察和操作的模式，獲取數據當中潛在的、有效的、規律性的、可以被理解的信息，并形成可視化分析報告。

4.自適應系統

自適應系統主要通過分析系統得出的反饋對學習過程進行自我調整和管理，學生基于數據收集和分析的可視化結論來調整學習路徑，比如更換選修課程和學習材料。由于學生的個體情況有很大差異，自適應系統會利用人工智能軟件根據學生對學習內容的接受程度，自動對學生的學習行為作出響應，幫助學生調整學習方案。在自適應學習系統中，學習不是被動地接受知識的過程，而是在更正學習過程中發現感興趣和擅長的知識的過程。自適應系統增加了學生學習的主動性，調節了學生的學習狀態和獨立思考能力，改變了傳統學習的被動局面。

5.個性化干預

個性化的學習干預是通過對學習者基礎數據庫和系統內學習數據庫的數據進行整合，基于分析系統得出的可視化分析結論，結合教師的教學經驗，對學習者的學習軌跡進行修訂和改善的干預服務。對于學習效果較差的學生要通過互動平臺及時給予幫助和干預，其目的在于通過修訂教學方案和個性化資源推送來提高學習者的學習效率，并對學習者未來的學習行為進行智能化預測。個性化的教學干預摒棄了傳統的“合格-不合格”的評價系統，強調通過數據分析來評估學習者的學習情況并掌握學習者思考和解決問題的方式，以便為其提供必要的引導和幫助，最終得到學習者更全面且精準的評價。

由圖1可知，個性化學習模式的流程為：由學生學習數據庫收集原始學習軌跡數據傳遞到分析系統；分析系統通過數據預處理、數據分析功能，利用各種大數據技術生成可視化的學生學習行為分析報告；自適應系統通過數據挖掘和學習分析等工具分析出來的報告，評估學生的學習過程，發現潛在的問題并進行智能干預，引導學生對學習內容進行適應性修正；教師整合基礎數據庫數據和分析系統得出的結論，結合多年的教學經驗，通過干預系統對學生的學習路徑進行人為的教學干預，對教學方案進行調整和修訂，對學生未來的學習情況進行預測，將傳統的同質教育演化成適應每位學生個性化需求的定制教育。

三、基于教育大數據的個性化學習模式面臨的挑戰

大數據技術運用于教育領域，為傳統的“批量生產”式的教育模式帶來了巨大變革，將引領教育進入全新的高度個性化的時代。但是，個性化學習模式中所有系統相互作用的前提條件是教學數據提供的準確性和及時性，只有在各系統之間保持快速、及時和準確的信息傳遞的情況下，大數據分析對教學的作用才能凸現出來。但現在許多學校的教學仍然以傳統的面對面課堂教學為主，數據的傳遞、轉換和分析可能出現滯后的情況，會影響最終干預系統分析結果的有效性。因此，大數據技術要在教學領域發揮其應有的作用，還需要學校大力推進教育信息化的建設，提高教學數據處理和分析的能力，才能充分發揮個性化學習模式的作用，真正實現教育的個性化培養。

對學生學習軌跡進行跟蹤、記錄和挖掘，不可避免地涉及到學生信息的保護問題，尤其在現有個人隱私的法律法規不夠健全的情況下，教育大數據領域隱私規則的制定變得迫在眉睫。教育管理者要意識到大數據的使用將涉及到來自道德和法律的雙重挑戰，學生是教育大數據的創造者和所有者，在對教育數據進行采集和分析的時候，應取得學生和家長的認同和信任，同時制定有關學生隱私保護的法律法規，以保證所有收集到的學生數據都應用于改善教學。

參考文獻

[1] 教育信息化十年發展規劃（2011～2020年）[EB/OL].[2015-10-20].http：//sy.jm.e21.cn/web/content.php？id=6853.

[2] Big data：“The next frontier for innovation competition and productivity”[EB/OL].[2015-09-08].http：//www.infoq.com/news/2011/06/BigData.

[3] 陸璟.大數據及其在教育中的應用[J].上海教育科研，2013（9）.

[4] Viktor Mayer-Sch？nberger.Learning With Big Data[M].Create Space Independent Publishing，2014.

[5] 維克托·邁爾-舍恩伯格.大數據時代[M].盛楊燕，譯.杭州：浙江人民出版社，2013.

[作者：裴瑩（1980-），女，吉林省吉林市人，西安思源學院講師，碩士。]

【責任編輯 郭振玲】