基于學習分析技術的個性化在線學習系統架構設計研究

張松慧

1 研究背景

2010 年，美國教育部發布了“國家教育技術規劃2010”，該規劃倡導通過技術力量提供個性化學習環境，使持續學習和終身學習成為可能。2012年，我國發布了《教育信息化十年發展規劃（2011—2020 年）》，指出“為每位學習者提供個性化的、終身學習的信息化環境和服務”[1]。

智能在線學習系統為每個學生提供個性化的學習環境，推送符合學生認知特點的學習資源對學生進行因材施教，這是全體教育工作者追求的目標。

2 學習分析技術概念

學習分析技術的研究對象是學習者、學習環境，研究基礎是海量數據。通過數據挖掘等數據分析技術，診斷和評估學習者的認知水平、學習狀態，以提供符合其特點的學習資源、教學策略，提升學生的學習興趣和學習效果。

學習分析是“收集、測量和分析報告學習者及其學習過程數據，以了解優化學習和學習環境”[2]。學習分析技術旨在利用大數據分析和人工智能等加深對學與教的理解，為學習者提供個性化的學習環境和教學策略。

3 國內外研究現狀

近年來，隨著大數據分析、人工智能等技術的推廣應用，一些在線學習平臺基于學習分析技術，實時分析學習者的認知和學習特點，動態地為學習者推送學習資源，這種平臺被稱為“自適應學習系統”。

自適應學習系統在國外的一些學校已落地實施[3]。例如，美國的Knewton 平臺，通過完善每個知識點來構建知識圖譜，可以根據每個學生的特點為其推送相應的學習路徑、學習資源，目前已有數千萬的學生在使用。ALEKS 系統通過不斷向學生提問，持續診斷當前學生的認知水平，以便持續為其提供相適應的學習資源。澳大利亞的SmartSparrow，除了可根據學生特點提供學習內容，教師還可為他們的學生規劃更適合的學習路徑，上傳更適合的學習資源。

國內對學習分析相關技術的研究較多。例如，研究國外的自適應學習系統及其采用的關鍵技術，并進行介紹與述評，較少利用學習分析技術去解決實際教學問題。

4 自適應學習平臺的典型特征與實現難點

與普通在線學習平臺相比，自適應學習平臺有兩個典型特征：1）通過學習分析技術，可以根據學生的學習和認知不斷調整學習資源，提供個性化的學習路徑。例如：有的學習平臺，學生只有在達到當前知識點的學習目標后才為其推送后續知識點的學習資源，否則只能繼續學習未完成的內容，并繼續推送相關資源以進一步加強和深化學習。2）能夠判斷學生的學習風格，并推送符合學習偏好的學習資源和資源形式。

實現自適應學習平臺的難點主要表現在3 個方面，第一是知識庫的構建，第二是學習者認知水平的診斷，第三是個性化推送。目前，一些商務平臺大多采用協同過濾方法實現個性化推送，效果比較好。知識庫的構建，知識庫中知識的表示以及知識關聯的方式與整個平臺的推理模式，運營效率和知識呈現直接相關。不同的平臺將使用不同的知識庫構建技術，目前主要有知識空間技術和知識圖譜技術。學生認知水平的診斷則使用學習分析技術，通過分析學生與平臺之間互動的學習行為數據實現[4]。

5 基于學習分析的在線學習系統框架

基于學習分析構建的智慧學習環境，按需推送資源，自動識別學習情境，關注用戶體驗，多樣化評價學習績效以及干預學習活動是未來教育的發展趨勢。

該資源平臺系統架構中的學習分析數據來自兩個方面：第一個是學習者在移動終端或在線學習平臺中，進行各種學習活動所生成的數據；第二個是對課程數據、學習者個人檔案信息等匯總數據進行語義化、關聯分析等得到的智能數據。采用學習分析技術對收集的數據進行分析、推斷，推斷學生當前的知識水平，并推送匹配其認知的學習資源。這將為學習者提供有效的個性化學習支持服務，預測學習者的未來表現，及時發現潛在問題。

基于學習分析技術的學習系統框架設計如圖1所示。

圖1 基于學習分析技術的資源平臺系統架構

在此架構下，各個組件的功能如下所述：

5.1 知識庫

系統中知識庫的構建采用的是知識圖譜技術。知識圖譜是一種較新的知識庫構建技術，存儲和管理學習平臺中的知識，包括學習資源和關系知識、學科知識。

5.2 學習狀態數據庫

學習狀態數據庫中存儲了學習者開展各種學習活動的過程性數據，例如記錄了：1）學習者訪問的學習資源及類型；2）某種資源的訪問次數；3）學習的時長；4）學習的路徑信息；5）參與討論的內容和次數；6）完成的單元測試和綜合測試等。

5.3 診斷預測模型

診斷預測模型匯總來自：1）學生信息系統的統計數據；2）學習狀態數據庫的學生學習行為動態數據，跟蹤學習進度，診斷分析其學習特點、學習偏好。建立基于回歸分析的診斷預測模型，每個知識點對學生進行測試，獲得學生對知識點掌握程度的準確判斷。

5.4 自適應引擎

自適應引擎基于診斷模型的輸出結果，推薦或調整學習資源。根據診斷出的學習者的認知水平、各知識點掌握程度、學習特點、學習偏好等推薦與之相適應的學習資源、學習路徑。

5.5 干預引擎

干預引擎用于讓教師或管理員對學習過程進行人為干預、調整，以便更好地為學習者提供個性的學習環境。

5.6 信息面板

診斷模型的診斷結果轉化為學習支持服務的相關信息后在信息面板顯示，以便學習者、教師或管理人員查看。

可以使用各種信息可視化技術顯示學習數據的分析結果。例如：餅圖可顯示學生日學習行為數據的類型分布，以診斷學生喜歡的學習活動的類型；折線圖可用于顯示學生回答的課程問題和問題的正確率，以便觀察學生對學習知識點的掌握程度；直方圖可用于指示學生在一天中每天參與的學習活動次數，可用來分析學生的學習參與度、學習習慣；雷達圖來指示學習質量的分布，如注意力，好奇心，記憶力，思維力和抗壓力。

6 結束語

學習分析技術的核心是學生細致入微的個人數據、學習行為數據的創建，對大量學習行為數據的深入分析，與學生認知、學習特點相適應的學習資源推送。該在線學習系統，記錄并分析學習過程數據，使過程數據成為學習診斷預測和學習路徑優化的重要依據。