基于大數據分析的學習者評價模型

唐春玲

摘 要：隨著大數據技術的飛速發展，將大數據嵌入在線學習平臺中，通過對學習平臺的大量學習行為數據進行深度挖掘，分析出學生學習狀況和問題，及時給予學習評價，然后根據分析結果反饋干預學習者，對其學習進行個性化有效指導從而提高學習者的學習成效。本文從學習者學習風格、知識模型、學習活動序列進行研究從而提出學習者評價模型。

關鍵詞：大數據;學習風格;學習風格;學習活動序列

中圖分類號：G434 文獻標識碼：A 文章編號：1671-2064（2019）20-0024-02

0 引言

“大數據”一詞代表著信息技術發展進入了一個新的時代。數據是記錄信息的載體，它能夠精準、全面和及時地反映個人的思維、行為、情感和特性。在線學習平臺一方面提供了各種類型的學習資源，另一方面也保存了大量的學習狀態行為的數據。隨著大數據技術的發展，對在線學習行為數據進行有效挖掘，分析出學習者的學習特征和學習狀況，對學習者每模塊學習情況進行分析評價，推送有助于學習者提高學習成效的學習資源，從而進行個性化學習指導。利用現代化信息技術手段，滿足學生的差異認知需求，對不同的學習者使用不同的學習路徑，每個人可以按照自己的特征進行學習，從而實現因材施教。將大數據互聯網優勢與在線學習相結合中建立基于大數據分析的學習者評價模型是重要的研究環節。

1 基于在線學習的學習者評價模型

在大數據與在線學習相結合過程中，建立基于大數據分析的學習者評價模型是重要的研究環節。模型中首先要對學習者建立特征模型，它記錄了學習者學習風格、認知水平、情感偏好和個體特征。

1.1 學習者特征的構建

通過采集學習者學習相關數據和個人信息，確定其學習風格。國際上已有很多關于學習者學習風格的研究。VARK模型側重于學習者怎樣運用自己的各種感官有效地學習，其所定義的4種類型分別為視覺型、聽覺型、讀寫型及動覺型，文中采用VARK模型。

1.2 知識模型

模型要為不同特征的學生進行個性化的信息推送首先就要把知識點的聯系的呈現給學習者，清楚地表明各個知識點的邏輯關系。知識模型描述領域知識的結構，包括概念和概念間的聯系。多類型的可視化學習資源是促進學習者學習效果的保障。除了傳統的課件、教材、實訓指導書等，還應包含視頻、音頻、微課，交互式課件等，甚至還有VR體驗等不同形式的學習資源。當前最熱門的知識模型是知識圖譜，知識圖譜本質上是一種大規模的語義網絡，用來描述事物之間的關系，通常采用實體-關系-實體三元組形式表現。

1.3 學習活動序列

學習活動序列是指為達到學習目標根據不同類型的用戶呈現出一套學習方案，這個學習方案包括：知識、技能、素質目標，任務描述，自操自測，知識準備，任務實施、評價機制等，組成了一個有機整體。學習活動序列不僅包含同一知識點的各類資源的組織，還包含知識點之間的學習路徑，可以自主選擇學習順序，也可以按照課程推薦的順序。這里可以使用大數據中的關聯分析中的Apriori算法，Apriori算法能夠找出數據集中不同項目之間的相關性，通過采集大量學習者知識點學習順序和學習效果等數據，建立學習者學習經歷模型，使用Apriori算法分析學習順序和學習成績之間的相關性，找出最佳學習路徑，推送給學習者。

1.4 學習者評價模型

評價模型中首先根據學生在線調查問卷的情況對學習者進行初聚類，然后對學生行為數據、知識圖譜、活動序列數據進行預處理。然后根據學習者階段學習數據對學習者進行再分類，對學習成績低于閾值的學生進行干預，通過分析出學習活動序列跟學習成績的相關性，推薦其優化的學習路徑及資源對其進行督促改進，最后給學生學習過程以平價，如圖1所示。

2 模型中的大數據技術

模型中主要采用聚類、分類、關聯規則大數據技術。

聚類就是把一組數據按照相似度劃分成若干個簇。模型中在根據學習者學情分析調查中，根據學習者的答題情況對學習者進行聚類，給學習者分組。常用的聚類算法有K-Means算法。其算法中心思想是：首先從數據中選擇選取N個數據作為聚類的中心，然后計算其余數據到這N個數據的距離，取最小距離把其放入該簇，然后重新計算聚類的中心，把它作為新簇中心，重新計算其余數據到聚類中心的距離重新分簇，直到算法收斂為止。分類是在數據庫中根據數據的特征將其劃分為不同的類。最常用的分類算法有決策樹算法。系統中用來給資源和學習活動序列，學習者二次分類。關聯規則就是發掘一個事物和另一個事物之間存在的相關性。模型中主要用來挖掘學習者學習知識點的知識圖譜順序與學習成績的相關性，找出最佳學習路徑反饋給學習者。

3 結語

學習者在線學習過程中產生了大量的寶貴數據，通過大數據技術把隱藏在海量數據背后暗藏的有用信息挖掘出來從而反饋給學習者，增加其自我認知，讓教育回歸人本身，一定是在線教育的又一個春天。

參考文獻

[1] 姜強，趙蔚，王朋嬌，王麗萍.基于大數據的個性化自適應在線學習分析模型及實現[J].中國電化教育，2015（1）：85-92.

[2] 姜強，趙蔚，王朋嬌.自適應學習系統中雙向適應交互評價實證研究[J].現代遠程教育研究，2013（5）：106-112.

[3] 趙慧瓊，姜強，趙蔚，李勇帆，趙艷.基于大數據學習分析的在線學習績效預警因素及干預對策的實證研究[J].電化教育研究，2017（01）：65-68.

[4] 王林麗，葉洋，楊現民.基于大數據的在線學習預警模型設計——“教育大數據研究與實踐專欄”之學習預警篇[J].現代教育技術，2016（07）：78-82.

[5] 朱瑩瑩.大數據背景下的職大外語課堂教學改革創新模式研究[J].天津職業院校聯合學報，2016（10）：35-38.

[6] 張艷霞，孫洪濤，李爽，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（09）：85-93.

[7] 黃赟茹.基于大數據分析方法的學生在線學習評價研究[D].北京：北京郵電大學，2017.

[8] 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.