面向精準教學的教育大數據采集分析平臺設計

畢夏安 邢兆旭 胡溪 周雯燕

摘? 要：人工智能技術與大數據的飛速進步為當代教育行業帶來新發展條件，而現階段的教育大數據存在采集困難、利用率低等問題。為此，搭建了一種面向教育大數據的采集分析平臺，該平臺能夠采集并整合學生數據與教學數據，并通過Hadoop、Spark等大數據分析框架全面挖掘學生的個性化學情信息。進一步地，提出了一種大數據驅動、線上線下指導相協調的精準教學實踐模式。研究內容有助于大數據技術與高校教學質量的協同發展，促進精準教學實踐模式在大數據背景下的發展。

關鍵詞：人工智能;教育大數據;精準教學

中圖分類號：TP311? ? ?文獻標識碼：A

文章編號：2096-1472（2021）-09-48-03

Abstract： The rapid progress of artificial intelligence and big data has brought new development conditions for contemporary education industry. At present， however， educational big data has problems such as difficult collection and inadequate utilization. Accordingly， this paper proposes to build a collection and analysis platform for educational big data that can collect and integrate student data and teaching data to comprehensively mine students' personalized learning condition through Hadoop， spark and other big data analysis frameworks. Further， this paper proposes a precision teaching practice mode driven by big data and coordinated by online and offline guidance. The research content contributes to the collaborative development of big data technology and college teaching quality， and promotes the development of precision teaching practice models in big data era.

Keywords： artificial intelligence; educational big data; precision teaching

1? ?引言（Introduction）

大數據時代為當代教育模式的創新發展提供了新的發展環境，如何全面、協調地利用教育大數據促進教育模式的發展具有重要的時代意義[1]。一方面，教學過程中產生的大量異構數據能為教學質量的精準分析與評估提供依據。目前教學分析的主流方法面臨著信息采集不全、信息采集難度高等多方面的難題[2-3]，近年來教育大數據的采集與分析方法在國內開始逐漸受到人們的重視，并有了較為可觀的進展[4-5]，但總體上還有諸多技術上的細節沒有處理好。另一方面，教育大數據能助力精準教學模式發展。精準教學相關研究在國外擁有較長時間的積累[6]，而國內由于受高等教育人群的擴張以及理論、技術等方面的客觀限制，相關理論研究與應用實踐舉步難行。目前已有人嘗試利用線上的教育平臺和教學資源推行精準教學實踐，并取得了一定的成果[7-8]，但這些嘗試本質上只是將一些本來在線下進行的活動移至線上，而沒有充分挖掘并利用教育大數據中蘊含的豐富信息。基于上述背景，本文設計了一種教育大數據采集與分析系統，并提出了一種基于教育大數據的精準教學實踐模式。

2? 教育大數據采集與分析平臺的設計（The design of collection and analysis platform for educational big data）

作者結合多年來積累的大數據分析經驗，針對高校教學過程中的教學模式與實際需求，提出了一種教育大數據的采集分析平臺。該平臺共分為四個部分：教育大數據采集模塊、教育大數據存儲與分析模塊、教育大數據服務模塊和教育大數據管理模塊，后面會對這幾個模塊進行具體介紹。平臺的整體架構如圖1所示。

2.1? ?教育大數據采集模塊

教育大數據無論從來源、類型，還是采集方式方面都呈現出顯著的多樣性特點。本文將眾多數據大致概括為兩類。一類數據來自學校已有的各種管理系統，在這其中能夠獲得的數據大致有三類：一是學生檔案信息、學業信息等固定不變或更新速度緩慢的數據;二是學生日常活動信息、輿情信息等具有顯著時效性的數據;三是監控視頻等流式數據。另一類數據來自線上教育平臺，平臺分別為教師與學生提供接口，使得系統獲取師生在線上的各個教學環節中產生的各種各樣的數據，包括操作日志、教學資料、線上作業等。

2.2? ?教育大數據存儲與分析模塊

教育大數據具有顯著的異構性特點，適合用分布式結構實現數據的存儲、管理與分析。教育大數據存儲與分析模塊的主要作用是采用分布式的結構對搜集到的教育大數據進行存儲與管理，并對其進行深度的模式挖掘。該部分采用Hadoop+Spark的結構實現，下面分別介紹這兩個組成部分。

一方面，由Hadoop構成的分布式文件系統HDFS擁有Data Node與Name Node兩種不同的存儲節點，前者用來存儲數據的實體，后者存儲的則是文件系統樹等元數據。HDFS在完整性、持久性方面表現突出，能夠以高容錯率實現對日志、會話、知識結構、視頻流以及環境感知等高吞吐量數據的實時高效存儲[9]。

另一方面，Spark集群負責的是大數據的計算與分析工作。具體地，該部分運行前要在Cluster Manager中設置Spark Context文件的內容，包括集群工作方式、數據分析算法以及抽象彈性分布式數據集的創建等。

2.3? ?教育大數據服務模塊

通過運行部署后的Spark運算集群，便能夠充分利用教育大數據中蘊含的豐富信息來指導教學過程的改進，這一部分的具體實現需要借助教育大數據服務模塊來完成，其中包括多種具體服務，大致分成三類。

（1）評價總結類服務

這一部分包括對教育數據及分析結果的可視化展示、教學效果評估、學生畫像等。該部分信息呈現的客體主要是教師，作用是使教師能全面地了解教學的實際效果，并且通過每一位學生的畫像了解他們各自的特長與實際情況，從而進行教學模式與教學內容的調整。

（2）建議展望類服務

這一部分主要包括一些建議信息，服務的客體包括教師和學生。教學建議面向教師，主要在教學形式、教學思路等方面為教師提供可能的方案;學習建議則面向學生，主要是基于學生在這一段時間表現的評估，結合學生的自身情況，為學生下一步的學習過程提供合理指導意見，同時也在一定程度上起到督促學習的作用。

（3）線上教育平臺服務

這一部分包括一個線上教育平臺，教師可以在該平臺上進行教學資源共享并在線批改作業;學生則可以在該平臺上進行知識點的學習與回顧，也可以通過線上的實驗平臺拓展思維，提高實踐能力。此外，基于對當前學習效果的評估，系統會個性化地向學生推送互聯網上的相關學習資料，供學生在課程之余補充學習。

2.4? ?教育大數據管理模塊

大規模數據的管理包括許多繁雜的細節，且貫穿數據采集、分析與應用的全過程，為此有必要設計單獨的模塊進行教育大數據管理。本模塊主要包括四個部分：數據倉庫系統負責清洗、整合并按照主題實現數據管理，目的是為后續的大數據分析過程提供高質量數據;數據更新系統負責對高并發設備獲取的實時數據進行初步的整理與暫存，并按時檢測、更新時效性較強的數據;元數據管理系統則主要負責文件存儲位置、文件記錄、歷史數據等元數據的存放與修改;數據安全系統則主要負責保護教育大數據的安全，尤其是對學生隱私信息的保護。

3? 精準教學實踐模式設計（Design of precision instruction practice mode）

基于所提出的教育大數據采集分析平臺，下面將探討高校教育中精準教學的實踐模式設計問題。本文所設計的實踐模式很好地實現了教育大數據分析與精準教學的有機融合，總體框架如圖2所示。

總體來說，就是在傳統的線下式課堂教學的基礎上，將各教學環節產生的數據與學生的個人數據結合成教育大數據，為每個學生生成個性化學習分析報告。這既能讓教師發現現有教學安排中的問題，也可以促進教師對學生特長與特點的深度了解，進而可以讓教師在線下根據每個學生的實際情況進行相應的指導，在提升教學質量的同時實現了人才的全方位培養，有效做到了教學相長。

為了在實際教學環境中構建出可穩定運作的精準教學實踐模式，本文在此提出了三條具體的教學模式改革措施。

3.1? ?實現學生的多維度精準指導

傳統教學模式通常只會以知識點的掌握情況作為判別學習質量好壞的唯一依據，而忽略了學生實踐能力的培養與思維層面的提高，造成了大量“高分低能”的情況。通過對教育大數據的深度挖掘，教師能更全面地掌握學生的學習情況，通過學生畫像指導每一位學生在能力上和思維上產生實質性的進步。

在能力層面，教師應充分發揮線上教育平臺與產學研服務平臺的作用，根據學生實際學習情況，布置難度適宜、實用性強的實踐任務，切實保證學生所學是工作所用，學生所練是工作所需。計算機專業因其特殊性，多數實踐任務可以安排到線上完成，因此也更容易通過教育大數據平臺實現學生的能力培養。在學生的實踐過程中，平臺可以及時捕獲學生在實踐過程中反饋的信息，準確評判學生的能力水平。

在思維層面，教師在精準教學的實踐過程中應多鼓勵學生圍繞特定問題展開開放性思考，注重學生思維高度的提升。同時教育大數據分析系統可以從不同的側面檢驗學生的思維提升情況，為學生有針對性地推送補充學習資料。

3.2? ?全面推行本科生導師制

導師制從本質上講就是要在一名導師和幾名特定學生之間實現高度個性化的交流。目前，本科生導師制已在北京科技大學、東南大學等國內著名高校試行，總體效果反映良好。通過這一制度，既可以拉近學生與教師之間的距離，讓導師幫助特定的學生制定更清晰的學業與事業規劃，也能讓導師及時發現學生學習期間的各種問題，從而進行有針對性的指導，而這恰與精準教學的目的一致。

精準教學要求教師充分結合每一位學生的實際情況“因材施教”，但在實踐過程中，考慮到國內多數專業的學生數目眾多，某一門課的任課老師可能難以承擔上述全部工作，因此，若要全面推行精準教學，則有必要在本科范圍內全面推行導師負責制。

3.3? ?推動教育大數據服務生態建設

精準教學的需求推動了教育大數據的發展，而對教育大數據的分析又能夠為實現精準教學提供指導，二者在邏輯上相輔相成，因此，教育大數據的服務生態建設對精準教學的全面推行與長久發展有著至關重要的作用。

本文為面向精準教育實踐的教育大數據服務生態建設提供了一種新的思路。首先，在提出的架構中，大數據分析系統與眾多校內管理系統深度結合，促進了高校教學管理空間服務數據化;同時，基于教育大數據的分析結果，為精準教學提供了全面的自動化服務，實現了數據與分析技術的有機結合;最后，通過推行精準教學模式，促進教育大數據的發展，為學校與相關企業長期合作提供了機遇。

教育大數據服務生態建設并不是一個一蹴而就的過程，需要進行較長期的嘗試與摸索，其中諸如怎樣實現異構數據規范化、怎樣保證大規模教育數據的安全等都是有待進一步解決的問題。我們相信，生態建設是精準教育與教育大數據融合發展的必由之路。

4? ?結論（Conclusion）

大數據與人工智能技術的崛起正深刻影響著教育行業的變化，在這樣的背景下實現精準教學，必定離不開對教育大數據的深入分析與挖掘。本文構建了一個大數據采集與分析平臺和精準教學模式相互結合的體系，既有利于提高高校教學質量，也能夠實現人才的多維度培養。在將來的發展中，一方面要注重整合更加豐富的數據，從而實現更加全面的教學分析;另一方面要考慮到行業發展的客觀需要，因需制宜進行教學計劃的靈活調整;除此之外，也要提升教師的數據意識，逐漸形成用數據輔助教育的理念。

參考文獻（References）

[1] 楊現民，郭利明，王東麗，等.數據驅動教育治理現代化：實踐框架、現實挑戰與實施路徑[J].現代遠程教育研究，2020，32（02）：73-84.

[2] 李葆萍，周穎.基于大數據的教學評價研究[J].現代教育技術，2016，26（06）：5-12.

[3] 鐘紹春，唐燁偉.人工智能時代教育創新發展的方向與路徑研究[J].電化教育研究，2018，39（10）：15-20.

[4] 華春杰，于雅楠，李慧蘋，等.基于端到端表情識別方法的課堂教學分析[J].天津職業技術師范大學學報，2021，31（02）：26-31.

[5] 肖知亮.基于智能數據采集與處理的教育信息融合方法研究[J].現代電子技術，2020，43（24）：140-143.

[6] BRANCH A， HASTINGS R P， BEVERLEY M， et al. Increasing support staff fluency with the content of behaviour support plans： An application of precision teaching[J]. Journal of Intellectual & Developmental Disability， 2018， 43（2）：?213-222.

[7] 張超.“互聯網+教育”背景下智慧課堂精準教學模式的構建與實踐——以《Flash動畫制作》課程為例[J].宿州教育學院學報，2019，22（06）：102-106.

[8] 馬曉艷，陳英.大數據驅動下精準教學模式的構建及應用[J].創新創業理論研究與實踐，2021，4（10）：110-112.

[9] ZEEBAREE S R M， SHUKUR H M， HAJI L M， et al. Characteristics and analysis of hadoop distributed systems[J]. Technology Reports of Kansai University， 2020， 62（4）：1555-1564.

作者簡介：

畢夏安（1981-），男，博士，教授.研究領域：大數據分析與應用，腦科學與人工智能.

邢兆旭（1997-），男，碩士生.研究領域：大數據分析與應用，腦科學與人工智能.

胡? 溪（1998-），女，碩士生.研究領域：大數據分析與應用，腦科學與人工智能.

周雯燕（1998-），女，碩士生.研究領域：大數據分析與應用，腦科學與人工智能.