大數據環境下的自適應在線學習平臺學習分析模型 設計

李敏　陳小莉

摘 要：通過大數據分析，教育管理者能夠通過學習平臺全面地記錄、跟蹤、掌握不同學習者的學習特點、學習需求、學習基礎和學習行為，從而為不同的學習者建立學習模型，打造“個性化”的學習空間，并利用大數據分析結果動態地推薦學習路徑、學習資源。推動實現“因材施教”。建立合理的自適應在線學習分析模型是大數據技術在教學平臺實現的基礎。

關鍵詞：大數據 自適應 學習平臺 學習分析模型

中圖分類號：G71 文獻標識碼：A 文章編號：1672-3791（2018）02（c）-0169-03

大數據、移動互聯網等信息新技術的出現，將遠程教育、在線學習提升到一個空前矚目的階段。現在普遍使用的網絡學習平臺有 Blackboard、Web CT、Moodle、Sa Kai、Learning Space等[1]，這些學習平臺注重教師課程管理和教學管理，能夠為學習者提供學習服務，但千篇一律的學習界面，學習活動順序和學習資源難以調動學生的學習內源驅動力，學習效果往往不能達到期望值。隨著大數據技術的引入，使遠程教育的規模化和個性化達到統一平衡[2]。通過大數據分析，教育管理者能夠通過學習平臺全面地記錄、跟蹤、掌握不同學習者的學習特點、學習需求、學習基礎和學習行為，從而為不同的學習者建立學習模型，打造“個性化”的學習空間，并利用大數據分析結果動態地推薦學習路徑、學習資源[3]。由此可見，大數據分析能夠推動實現“因材施教”。

1 大數據分析及應用現狀

大數據技術能夠從海量數據中找出有價值的數據，其核心并不在“大量”，而在于“價值”。當前大數據技術的商業應用在中國已經非常普及，百度、阿里、騰訊、優酷、美團等，都采用它并取得了較好的商業效果。

大數據技術引入到教育領域勢必帶來教育新變革。在教育中采用大數據可以對學習者在學習過程中的努力程度、學習態度、智力水平、領域能力、交互協作等多維度進行測量，通過深層次挖掘有價值數據信息，揭示其內在的學習規律。在線學習平臺通過大數據可以打造“個性化”學習空間，成為一種新型的自適應學習平臺。

我們認為，大數據在教育領域應用現狀與期望值還有較大的差距。在國內，大數據技術并沒有廣泛應用于在線學習，究其原因，在于現今沒有一個公認的科學合理的自適應在線學習分析模型作為技術實現的基礎，這是我們本文研究的目的。

2 基于大數據的個性化自適應在線學習分析模型研究

2.1 基于大數據的個性化自適應學習過程結構

美國《通過教育數據挖掘和學習分析促進教與學》簡報中給出了學習者自適應學習結構及數據流程[4]。該結構包含六大模塊：內容傳遞模塊、學習者數據庫、預測模塊、顯示

模塊、自適應模塊、干預模塊。我們以此為參考結合我校現狀設計出如圖1所示的學習過程結構：

該結構以傳統“在線學習平臺”為業務核心，增加“大數據分析模塊”和“個性化學習推薦引擎”，構成了“基于大數據分析的個性化自適應平臺”，另外引入我校“歷史數據庫”參與大數據分析，提高數據分析的價值。

2.1.1 歷史數據庫

重慶電大建校近30年來，現有學員11萬人，開設本科、專科課程上千門，擁有豐富的歷史數據，經過數據挖掘，其結果可以基本反映在線學習的普適特征。

2.1.2 在線學習平臺

重慶電大擁有重慶電大開放學習平臺、重慶成人教學平臺、Moodle平臺等眾多在線學習平臺，這些平臺均能提供學習內容（知識點、案例、測試、練習等可視化信息），能管理、維護、傳遞學習內容與評價給學習者，以支持學習者的學習行為。這些平臺對應了電大不同時期、不同層次的教學任務，反映了不同的在線學習特征（學歷教育、繼續教育等）。在線學習平臺的數據存放在“在線數據庫”里，在特定時期進入“歷史數據庫”。

2.1.3 大數據分析模塊

大數據分析模塊將來自“歷史數據庫”的數據、“在線數據庫”的在線學習行為數據和課程歷史數據經大數據方法分析，便能得到基于本課程的個人學習行為特點及預測結果。

2.1.4 個性化學習推薦引擎

根據大數據分析結果和預測結果給學習者推薦他們感興趣的學習內容、形成學習路徑，推薦學習序列。

2.2 基于大數據的個性化自適應學習模型的設計

本研究以大數據分析為契機，設計出基于學習環境、學習分析、學習參與者、學習策略、目標等5個層次構建的個性化自適應在線學習分析模型，如圖2所示。

2.2.1 學習環境

自適應學習是一種個性化的學習，它不是獨立的學習系統，需要學習環境中有良好的組織反饋。這里的學習環境包含了學習資源、學習平臺、學習工具等，其中不僅有專用的自適應學習平臺，還有學習所依賴的外部環境，如各種社交媒體（博客、維基）等。學習參與者通過各種交互在學習環境中產生海量數據，經過大數據分析可以為預測、學習干預、處理學習行為提供依據。

2.2.2 學習分析

學習分析不僅針對自適應學習平臺，還針對與它相關的系統及相應的歷史數據，如我校其它學習平臺的歷史數據通過大數據分析可以產生具有普適特征的學生學習行為定義，可以成為自適應學習平臺的基本行為定義模板。大數據分析方法主要采用統計法、知識可視化、個性化推薦、數據挖掘和社會網絡分析等。

2.2.3 學習參與者

學習參與者包括學習的主體學習者、還有可以指導學習者學習、進行學習干預的教師、管理人員以及學習平臺自身（如自適應學習平臺中的信息推送直接參與了學習過程）。

2.2.4 學習策略

在自適應性學習系統中，學習者一般采用三種學習策略，如傳授式、探索式和協作式[5]，我們主要采用協作式學習策略。不同的學習參與者通過學習策略來實現協作。

2.2.5 目標

這里的目標指的是所有學習參與者均需要達到的目標。對系統平臺來說，自適應與個性化推薦是兩個最重要的實現目標。自適應是學習者主動地適應遠程學習方式，實現學習者自我組織，制定并執行學習計劃、自主選擇學習策略，對學習進行自我評估；個性化推薦是系統主動向學習者注入資源的學習方式：通過大數據分析結果實施相應的教學策略，適應性呈現個性化、可視化的學習路徑、學習資源、同伴、工具等[1]。

3 基于大數據的個性化自適應在線學習平臺實現

基于以上的設計思想，我們以Moodle平臺為基礎開發了相應的自適應學習平臺。如圖3所示，可以看到當學生單元測試成績不理想時，系統會自動為學生推送新的學習序列。

4 結語

基于大數據分析的自適應在線學習平臺能夠實現真正的“因材施教”，不同的學習者可以采用不同的學習策略，通過平臺自適應功能創造不同的學習情境，滿足“個性化學習”的需要。我們通過對自適應在線學習過程及學習分析模型的研究，開發出了基于大數據分析的自適應在線學習平臺，在實際應用中取得了較好的效果。

參考文獻

[1] 姜強.自適應學習系統支持模型與實現機制研究[D].長春：東北師范大學，2012.

[2] US Depart of Education， Office of Educational Technology.Expanding Evidence Approaches for Learning in a Digital World[EB/OL].

[3] 姜強，趙蔚.自適應學習系統述評及其優化機制研究[J].現代遠距離教育，2011（6）：57-63.

[4] Enhancing Teaching and Learning through EducationalData Mining and Learning Analytics [DB/OL].

[5] 余勝泉.適應性學習-遠程教育發展的趨勢[J].開放教育研究，2000（3）：12-15.