大數據視角下基于知識地圖的自主學習模型構建

蔡榮華+范云霞

摘 要 結合知識地圖的特點進行自主學習模型的構建，將該模型分為行為層、學科知識本體庫層、數據采集層和信息可視化層，通過可視化的結果進行個性化的學習分析。

關鍵詞 大數據；知識地圖；自主學習模型；智慧教育

中圖分類號：G652 文獻標識碼：B

文章編號：1671-489X（2017）05-0079-03

1 教育大數據概述

國際數據公司（IDC）認為，大數據是一種海量數據，具有4V特征：Volume（數據量大）、Velocity（實施性強）、Variety（種類多樣）、Veracity（真實性）[1]。在教育領域，“大數據”之“大”并不是表面的所謂的“大容量”，而在于其蘊含的“大價值”。數據越來越可視化，越來越可用，越來越可操作，它越來越精細而全面地反映個人的思維、行為和情感，以及事物的特性及其發展規律。學習者在進行學習時，由于人的感覺具有盲點，思維具有局限性，直覺往往也有主觀色彩，大腦對信息的加工能力與計算機相比更是相差巨大。運用數據來對自己的學習行為進行量化、記錄和研究，可以幫助學習者發現真實的自己。大數據可以分析某一個學生個體對知識的掌握狀態，也可以統計某個學生群體對知識點的掌握情況。“大數據”的“大價值”表現在它可以全面跟蹤學習者的學習過程和學習行為，掌握學習者的學習特點，分析出學習者的思維習慣和思考方式，從而使學習者能夠進行個性化學習。

隨著互聯網、智慧教育的發展，個性化學習將成為以大數據為基礎的教育技術新范式，也將成為大數據時代數字化學習的新常態。教育信息系統中存儲著龐大的粒度不同、形式多樣的數據，這些數據可以為學習分析提供客觀支持。知識地圖可以外化人的大腦中的知識系統，具有知識導航和知識管理的作用。

2 知識地圖概述

知識地圖這一概念最早出自情報學，知識地圖的主要目的是揭示知識節點間的層次以及知識節點間的關系。知識地圖可以外化人的大腦中的知識系統，具有知識導航和知識管理的作用。知識地圖按構建方法的不同可以分成八類，分別是概念型知識地圖、分布式知識地圖、流程型知識地圖、結構型知識地圖、聯系型知識地圖、生命期知識地圖、導航型知識地圖和認知型知識地圖。這里的知識地圖指的是認知型知識地圖[2]。無論構建哪種類型的知識地圖，都要進行要素識別、要素與要素之間關聯分析和將要素及其之間的關系進行可視化顯示。

3 基于知識地圖的自主學習模型的構建

該數據模型的構建分為以下四層。

行為層 在行為層，知識用戶（包括學生用戶和教師用戶）可以對知識地圖關聯下的學科知識本體庫中的知識進行知識瀏覽、知識查詢和知識選擇，來對知識進行學習。

學科知識本體庫層 在圖1所示學科本體知識庫中，知識地圖應用在學科教學中時，知識地圖的構建就要考慮確定知識點（知識節點語義分析、知識點描述）、對知識點進行關聯分析（知識節點間建立連接）、將其知識點和知識點之間的關系進行可視化顯示（如圖1構建的知識地圖）。在對學科知識節點進行語義分析時，需對知識點合理劃分，對知識點描述時可以根據布盧姆在認知領域對教學目標的分類，將知識點描述為知道、理解、應用、分析、綜合和評價類知識。經過知識點的連接形成的知識地圖更加清晰，學習者對每一個知識點的學習目標都非常明確。

在學科知識本體庫層的知識地圖中，圓圈代表的是知識節點，不同的顏色代表該知識點不同的教學目標（如紅色代表該知識點的教學目標是知道，黃色代表該知識點的教學目標是理解）。在行為層，學習者（或教師）對知識地圖中的知識節點進行瀏覽、查詢、選擇后，對知識點進行學習（或觀看）。在學習過程中，學習系統會記錄下學習者一系列的學習數據。可視化中心對采集到的數據進行自動處理與分析，然后將數據進行可視化顯示。

數據采集層 在學習者學習過程中，需要用數據來記錄學習者的學習過程，為了使獲得的數據更加完整，需對數據模型進行具體構建。這就需要探索出記錄學習數據的各學習要素的字段，以及明確各學習要素之間的關系。這樣才能設計出系統的和可行的數據表，挖掘出更多的學習數據，以便做出更好的學習分析。魏順平在對在線學習的學習分析數據模型進行構建時，以描述一次在線學習行為為例，得出學習行為要素框架，每一種學習行為都有學習者、學習內容、學習情境、學習時間等語義關系，并可能產生學習結果。因此，他根據這個行為要素框架分析出需要五類數據表來記錄學習行為信息，分別是學習者數據表、學習內容數據表、學習處所數據表、學習內容數據表、學習結果數據表。這五類數據表以學習行為數據表為中心，從而建立數據模型。這一數據模型是針對傳統的在線學習而構建的，也就是說，這一數據模型只記錄了與學習內容相關的數據，忽略了學習的情境性問題。因此，對情境數據的收集和學習者特征數據的收集對學習個性化的分析極為重要。本研究對在線學習學習分析數據模型中的表進行重新整理，并對有關學習行為要素的五類表和相關表的字段進行補充，構建新的數據模型，如圖2所示。

信息可視化層

1）學習數據可視化。在圖1的信息可視化層中是對學習數據的可視化，該層分為學習者個體信息可視化和學習者群體信息可視化兩部分。這兩部分的知識地圖的每一個節點都與學科知識本體數據庫層的知識節點一一對應。在學習者個體信息可視化知識地圖中，顯示的是學習者對每一個知識點的掌握情況；在學習者群體信息可視化知識地圖中，顯示的是對每個知識點不同掌握程度的學習者所占比例。如第一個知識節點在學科知識本體庫層中所要求達到的教學目標是“知道”，在學習者個體信息可視化知識地圖中，學習者的掌握程度是很弱；在學習者群體信息可視化知識地圖中，可以顯示對該知識點掌握很弱、較弱、中等、較強、很強的學習者所占的比例。

在學習者個體信息可視化知識地圖中，圓圈代表的是學科知識的知識點，圓圈的不同顏色代表學習者對知識點的不同掌握狀態（如棕色代表很弱，粉色代表較強，無色代表還沒有學習該知識點，等等）；直線代表的是學習路徑，藍色的直線代表學習者學習到的位置，黑色的虛線代表學習者還沒學習的內容；直線連接的兩個圓圈代表的是知識點的前后繼關系。在教師知識地圖中，不同的扇形代表已經不同掌握狀態的學習者群體所占的百分比。當學習者看到自己的課程知識地圖時，就可以重新選擇學習知識點，調整學習計劃；教師看到課程知識地圖就能調整教學計劃。

2）學習者特征數據可視化。數據模型構建中，學習特征數據包括學習者表、學習情境表。其中，學習者表記錄學習者的基本信息，學習情境表記錄學習者的學習時間、學習地點、學習行為等數據。通過這些表的數據可以對學習者的學習過程進行跟蹤記錄。學習者每進行一次學習行為，都會產生一組學習特征的可視化數據，如表1所示。學習者可以觀看自己學習認知的動態變化過程，從而了解自己、發展自己、規劃自己，提高元認知能力和自我效能感。

此外，通過對學習者特征數據的記錄，根據同一學習目標類型（比如：知道），可以可視化學習者知識點掌握情況和一天中學習時間的關系。根據圖像直觀顯示，學習者就能夠判斷自己什么時刻學習效果較好，也可以呈現學習者知識點掌握情況和學習地點的關系。同樣，學習者也可以選擇學習地點來進行學習。通過可視化信息的展示，就能預測出學習者的學習規律，系統提供個性化的學習指導，真正實現高效率的學習。

4 結束語

每一位學習者在學習過程中都會產生一組屬于自己的學習數據，千千萬萬的學習者的學習數據就構成“教育大數據”。對教育大數據的挖掘是實現教育大價值的必要前提，要實現高效學習，既需要分析學習者的學習習慣以及自身的學習規律，也需要針對每一次學習，判斷學習者先前的學習水平；不能采取一刀切的方式，讓不同知識水平、不同知識接收能力的學習者來學習相同的知識。本文結合知識地圖的特點構建自主學習模型，對數據模型中記錄的數據進行信息可視化學習分析，為以后個性化學習研究打好基礎。

參考文獻

[1]徐鵬，王以寧.大數據視角分析教育變革[J].遠程教育雜志，2013（6）：12.

[2]葉六奇，石晶.知識地圖的構建方法論研究[J].圖書情報工作，2012（10）：30-34.

[3]張艷霞，等.數據表征學習過程及其應用：學習分析數據集國際研究綜述[J].中國電化教育，2015（9）：85-93.

[4]魏順平.學習分析數據模型及數據處理方法研究[J].中國電化教育，2016（2）：8-16.

[5]張瑋，王楠.學習分析模型比較研究[J].現代教育技術，2015（9）：19-24.

[6]吳彥文，羅小巧.知識點學習的智能評價[J].中國遠程教育，2004（19）：70-72.

[7]姜強，趙蔚，等.個性化自適應學習研究[J].中國電化教育，2016（2）：27.

作者：蔡榮華，湖南師范大學副教授，研究方向為教育信息化系統工程；范云霞，湖南師范大學碩士研究生，研究方向為教育信息化系統工程（410081）。