教育大數據個性化自適應學習模型構建

張濱

摘要：大數據技術的影響下，針對現在已有個性化學習評價模型的問題，通過面向大數據的學習行為教育建設的理論分析與設計，在實際網絡教育活動中數據分析的學習評價體系的建設中，實現準確高效的學習績效評價模型。

關鍵詞：大數據；數據庫；自適應學習；學習管理系統；行為評價

中圖分類號：G434文獻標志碼：A文章編號：2095-9214（2016）11-0283-01

一、引言

隨著大數據（Big Data）技術和數據密集型科學的發展，數據已經滲透到各個行業和業務功能中，并已成為生產的一個重要因素。美國國家科學基金會提出了教育大數據研究的目標[1]：更好地了解人們在智慧環境中學習；通過對創新技術的教學設計和教學工具的學習過程，提高學習和測試方法；將大數據融入學習環境中。在教育大數據理論的機遇到來時候，帶來了更多困難和挑戰，最突出的挑戰是如何獲得廣泛的教育數據來源。隨著成熟的信息技術環境的大數據技術，學生的學習和評價不僅要關注學生成績的評價，而且要更加重視學生的形成性評價。文獻2中的“促進與信息技術整合的教學建議部分”，認為對智能化教學環境的建設，提供優質數字教育資源、鼓勵評價軟件工具的發展。

二、國內外研究現狀

學習經歷（Learning Experience）指的是在學習過程中發生的任何一種互動或其他經驗，涉及課程，程序或其他教學參與者。既可以在傳統的學習環境中發生，例如學校、課堂，也可以在非傳統的學習環境，更能在像學習者的直接請教老師、教授傳統的交互式教學情況或非傳統的像通過學習游戲和互動應用學習的互動教學情境中。

通過現實生活中的復雜的社會系統的數據的開展探測挖掘，例如使用包括傳感器、GPS定位、智能手機等移動終端收集數據，識別用戶的日常社會背景的活動，然后將實時數據和歷史數據關聯，可以做人際關系的物聯網。學習經驗得到的數據更接近于“相關性”的實時數據流和歷史數據，這些數據將“數據流”在高地產的形式，同時綜合環境信息協會還需要獲取和記錄的數據流，實現環境及個人信息空間。傳統意義上的學習經驗數據采集通常忽略環境信息的處理，個人信息的數據主要是從描述性的反饋、績效信息等任務完成的教育測量方式。

三、教育大數據個性化自適應學習模型

為了實現個性化自適應學習評價數據模型，我們綜合評價內容和評價結果的兩個評價過程，在此基礎上，建立個性化評價模型和自適應評價模型。通過學習活動來確定對學習者的學習行為通過個人評價內容評價的主要信息點，對評價的個性化的學習過程和結果的基礎上的層次評價模型評價和個性化評價的結果，確定其學習水平。

1.通過學習和學習活動為支撐的學習行為評價模型，包括信息的學習行為和學習內容分割聚類分類系統分析不同功能的學習行為的研究內容分析個體學習評價模型的行為，從而建立一個個性化的學習評價模型。該模型的內容包括四個部分：學習評價、評價、評價、考核和評價，以及課外資源的評價。該模型的評價過程涉及到學生的正式學習和日常學習活動，評價內容包括學科知識評價和非學科知識評價，評價方法涉及定量評價和定性分析。

2.基于大數據支持的儀器面板、報表和可視化工具的分析大數據個性化自適應分析方法。學習儀表板提供了數據和報告的可視化分析，方便個人做出關于教學和學習的決策。學習儀表板包括四個用戶視圖：學習者的觀點，教育者的觀點，研究者的觀點，以及組織視圖。不同的視角是不同的，但都是相互關聯的。根據不同利益相關者的需求，提供不同的數據顯示。

四、結論

綜上所述，教育大數據的環境下，論文詳細分析了網絡在線學習環境中師生學習經歷數據的獲取、識別、分析及交流與生成等基本的計算的理論和方法；闡述了大數據分析技術在網絡在線學習模式中學習績效評價需要解決的關鍵科學問題；根據研究成果構建了在線學習中學習績效評價系統。

（作者單位：浙江財經大學）

浙江省哲學社會科學規劃課題（17NDJC179YB），全國教育信息技術研究“十二五”規劃2015年度青年課題（156242644），浙江省教育科學規劃課題（2016SCG195）

參考文獻：

[1]Dean J，Ghemawat S.MapReduce：Simplified Data Processing on Large Clusters.Proc of 6th OSDI.San Francisco：USENIX Association，2004：137-150.

[2]Dean J，Ghemawat S.Experiences with MapReduce：an abstraction for large scale computation Proc 15th Inter-Conf on PACT.Washington DC，2006：1-2.

[3]Dean J，Ghemawat S.MapReduce：a flexible data processing tool.Communications of the ACM，2010，53：72-77.

[4]D.J.DeWitt，R.H.Gerber，G.Graefe，M.L.Heytens，K.B.Kumar，and M.Muralikrishna.GAMMA-A High Performance Dataflow Database Machine.In VLDB 86，pages 228–237，1986.