論大數據背景下學習資源的精準推動方法

孫小江 周琴

摘要：在信息化、數字化時代到來的背景下，智慧+教育、智慧+資源成為網絡技術與智慧教育融合的外在表現。其中，學習資源在數據挖掘、人工智能、智慧平臺支持下能夠實現智能化、個性化、針對性推薦，為學生學業發展提供助力，對教育事業發展、學生長遠發展具有重要意義。在海量的網絡資源下，學生容易在篩選學習資源時陷入迷茫的狀態，為了讓用戶能夠在有限時間內找到適合的資源，必須要打造服務于資源推送的在線推送平臺，以彰顯教育技術的優勢。本文對大數據背景下學生學習需求進行分析，結合資源推送機制的研究，提出了適用于在線學習資源推送的機制，以促進學習資源向精準化、個性化推送方向發展。

關鍵詞：大數據;學習資源;推送方法

在進入大數據、人工智能時代后，在線學習已經成為諸多群體自我提升、發展的重要途徑。網絡引擎中覆蓋的學習資源、信息量十分龐大，再加上信息時刻都在更新，支持學習者進行即時訪問、瀏覽和共享。但是，網絡系統中容納的海量資源呈現出分散化的特點，未能遵照某種規則形成條理清晰的內容，這就給學習者梳理、查找和整合帶來了挑戰，諸多用戶也容易因此找不到合適的學習資源。由此，在資源建設層面，加強學習資源的精準推動、智能推動是促進在線學習向智能化轉型的關鍵要素，促進教育領域的優質數據量不斷增長，這也是大數據技術與智慧教育融合發展的趨勢。在MOOC、智慧樹、超星學習通等平臺日益發展的同時，越來越多數字型學習資源開始面向大眾，為更多社會群體進行線上資源查找、線上學習提供了大量優質內容。為了讓龐大的學習資源形成系統化的架構，為學生提供清晰的目標資源選擇方案，本文對學習資源的推送機制進行研究和分析。

一、大數據背景下學生的學習需求分析

伴隨網絡信息化發展的日漸深入，智慧教育、未來教育給固定的授課、學習形式帶來了沖擊。在固定的課堂教學環境下，教師理念影響著學生知識接受程度。在轉入信息技術教育環境后，學生學習地點不再被局限在教室中，網絡化在線學習可以讓學生實現自由化、個性化學習，只要擁有終端設備、網絡條件，學生就能進行在線選課、自由選取喜愛的老師，以及相關課程，還能及時下載完成線上作業、參與課程考核等。這樣的情況下，學生的時間更加靈動自由，便于其根據自身實際安排線上學習時間，更能真正發揮優質資源的價值，學生可以對自身學習進度進行了解，更加迅速地完成課程學習，并通過完成課程作業、考核累計學分，順利得到畢業證書。處在這一狀態下，學生可以脫離課堂在網絡上參與學習任務，而教師也可以將更多精力放在自我提升上，不僅要提升自身的授課能力、本領，同時要做好優質微視頻、課件資源的制作，還要做好答疑問題的預測。言而總之，學習資源的選取在學生學習中是不可分割的重要部分，由于繁雜、豐富的學習資源類型和主題，學生實現精準選取、教師把握學生知識掌握進度都面臨著一定的難度。通過運用數據挖掘技術，實現學習資源的精準化“配送”、推送將成為未來教育、智慧學習發展的焦點。

二、關于學習資源推送機制的研究現狀

隨著5G通信技術發展、互聯網覆蓋條件提升，再加上移動智能終端的日漸普及，網絡數據、信息呈現出“爆炸式”增長的趨勢，這就衍生出了“大數據”的概念，使得大量信息資產、資料以海量形式出現，這就需要形成全新的處理技術、手段和平臺。用于學習的資源，可以理解為支持多種學習活動的資源和材料，包括以下教學要素，如支持學習的環境、系統和資料，以及輔導個體進行有效性學習、操作實踐的多種要素。在組合應用數據庫、人工智能技術的基礎上，將機器學習、數據挖掘方法進行融入，能夠對用戶日常信息進行記錄和識別，實現用戶興趣的精準化識別、預測，從而自動化地、針對性地實現用戶信息推送，達到滿足用戶個人需求的目的。在國內外，關于學習資源推送的服務模型主要有兩種，分別為基于協同過濾、基于內容的服務模型。具體而言，在面向內容需求的推送服務模型中，以推送算法在高校課程中運用為依據。首先，要對用戶個人信息和意愿、所學專業課程、參與的職業活動等綜合信息進行搜集，并形成與之對應的特征模型。在實現這一步驟后，要對用戶所學、所選課程進行關聯特征詞匯、信息的提取，以明確課程開展的真實目的。最后，系統需要調取用戶某時間段內的數據方位情況，再對合并形成的操作日志執行特征向量抽取處理，通過算法運算實現初始推送模型的構建，再對初始向量、執行中的訪問序列進行相似度對比，若二者間的閾值關系保持相當，可以判定用戶已經匹配到符合其需求和興趣的課程，就可以實現最后一步的在線學習資源和課程的推送。利用這種服務模型進行推送，系統主要是圍繞在線課程的簡介、關鍵詞展開，所以存在以下不足：由于網絡學習課程的特征存在有限性，此模型對用戶產生的在線課程瀏覽記錄依賴性較強，這就給提取有效特征項增加了難度，系統難以生成最契合用戶需求、傾向的課程信息，限制了資源的推送。從服務模型的原理、過程角度看，基于協同過濾的推送算法則區別于基于內容的推算模型，其關注到人的興趣并非是孤立的。首先，其推送依據主要是所有用戶的共同興趣，并非是課程內容、信息。其次，不再是結合課程內容執行特征值提取、數據處理操作，而是通過搜集用戶反饋的課程推薦項的評分，再以算法運算形式對比其他用戶和當下用戶的相似度，以針對性地推送用戶集。這一推送算法模型，存在三方面的不足：其一，由于需要統計基于興趣評估的用戶數據，對課程評價上存在一定不足;其二，在新課程出現在在線平臺時，由于缺乏一定的用戶評價和反饋，難以通過協同過濾實現學習者傾向預測，精準化推送也就無從實現;其三，若用戶缺乏對課程的了解，容易接收到已掌握知識的課程推送，影響被推送用戶的體驗。

三、基于大數據的學習資源精準推送機制

在大數據技術理念下的學習資源推送，突出了數據挖掘技術的應用優勢，能夠實現學習系統后臺數據庫信息記錄的訪問，還支持對已采集的數據信息技術挖掘、分析，從而得出促進學生學習的信息內容，為學生資源推送打下基礎。具體而言，首先，通過搭建在線教學平臺，圍繞課程知識點進行一系列微視頻資源的打造，并推動后臺數據庫順利運行，實現對學生學習記錄的搜集。然后，采用數據挖掘技術，從分類分析角度的實現后臺數據庫信息，形成特征模型，最后進行多維度對比。這樣，就能獲得以下數據信息：學生順利掌握的知識點內容;學生在學習中出現的疑難問題;整個教學實踐中點擊次數超過一定次數的視頻片段;學生最厭煩/感興趣的片段;課堂測試中出錯/正確頻率最高的知識點;最受學生喜愛的講課/講課/資源推送模式。在對上述信息結果進行分析、整理后，可以形成契合學校、平臺發展的學習資源推送機制：首先，教師要對課前注意事項、重難點知識等上傳至在線平臺，讓學習者通過登錄在線平臺賬號進行瀏覽;然后，在線上教學時，教師可以針對主要問題展開探究活動，并讓大家分組推出解決方案;再者，要在關注整節課教學情況的基礎上，進行重難點課程知識的推送，讓學生獲得相關的設計案例、例題、學習資源包等資料;此外，對于學習進度、掌握進度慢的學生，可以將預先準備的預習資源、資料推出，掌握進度理想的學生則不需要推送;最后，利用數據挖掘技術，可以圍繞接受能力、學習主動型、學習興趣程度等指標對學生進行分類。根據不同學習者的分類情況進行精準化的資源推送，讓學生在合適的資源下迅速完成知識認知目標。

四、學習資源個性化、精準化推送分析

個性化、智能化、精準化學習資源的推送，是基于機器學習、結構化處理體系，以及“行為系統”“知識系統”“特征系統”，根據學習者的知識掌握等級、個性特征、歷史學習行為，構建基于興趣的特征模型，再運用人工智能技術實現個性化、精準化數據資源的推送。這一推送方式契合了大數據技術應用環境需求，巧妙地解決了學習者面對學習資源、檢索能力不足的問題，更能控制知識搜集消耗的時間成本，促進學生線上學習效果提高。“興趣模型”的構建，是促進學習資源智能化、個性化的關鍵，關乎最終學習資源推送結果是否符合學習者的實際需求、個性特點。在整個“興趣模型”的構建中，要從隱性層面、顯性層面進行模型建立，二者分別對應了學習者的行為信息、基本信息。關于學習者的行為信息如下：課程學習風格信息、學習者產生的學習軌跡，能夠反映學習者的學習全過程，以及學習偏好、途徑，是實現智能學習資源方案、策略推薦的前提。關于學習者的基本信息如下：如學習者姓名、年齡、性別、知識程度、受教育水平、學習目標等信息，是支持學習者學習分類的基礎數據，是交互式、協作式學習資源推薦的依據。基于智能推送模型的構建，可以繼續選取智能化推送策略，需要根據“知識系統”形成特定的推薦策略和方案，促進相關匹配資源、學習資料和清單的推送，并調用“行為系統”確保推送資源契合個體的學習偏好、途徑等“特征系統”引入教師協作方式，以多渠道、多維度的方式進行干預，從而進一步地提高資源推送的精準度。

五、結語

綜上所述，加強學習資源的精準化、個性化推送是提高大數據社會服務能力、發掘大數據技術價值的重要途徑。因此，要圍繞學習者個體的知識、行為、特征進行靜態、動態行為數據的搜集，形成適應學生學習資源和路徑偏好的推送機制，不斷地優化學習資源的推送服務機制，促進推送的預測精度、教師干預力度得到有效提高，真正實現在線學習資源推送向智慧化方向發展，提高教育平臺、學校的社會效益。

參考文獻：

[1] 田楓，李欣，劉芳，等.學習資源個性化推薦系統的學習者模型構建[J].教育教學論壇，2020（10）：304-305.

[2] 劉華榮，胡文鵬.學習資源個性化推送對學習效果的影響[J].太原城市職業技術學院學報，2019（8）：151-152.

[3] 孫麗雯，歐陽薈，王藝凝，等.網絡課程學習資源推送平臺研究——以華南農業大學在線教育綜合平臺為例[J].才智，2020（5）：121.

[4] 陳鑫宇，楊冬黎，魯金秋，等.基于學習者模型的文本學習資源推薦算法研究[J].計算機技術與發展，2020，30（6）：77-81.

[5] 曲芷萱，王朋嬌.基于學習分析的學生個性化學習資源推送[J].軟件，2019，40（12）：163-166.

基金項目：本文系海南職業技術學院課題名稱：“大數據背景下基于多維關聯分析的學習資源精準推送方法研究”，課題編號（Hnky2020-67）的研究成果;課題名稱：“熱帶醫學機構知識庫的建設與實踐研究”，課題編號：（Hnky2020-45）的研究成果;新增科研團隊：海南職業技術學院“智能信息技術研究與應用”科研團隊成果。