基于知識點的個性化診斷學習實踐活動設計及效果

周顯春 譚瑞梅 高華玲 梁志勇

摘要：目前，盡管教育體制和人才培養方式很完善，但是隨著高等教育的大眾化，出現了人才難求和畢業生過剩的矛盾。以社會需求為導向，利用大數據技術發掘每個學生的學習潛能，給學生推薦個性化學習資源，發揮學生特長，滿足社會需求。自2018年開始在我校大學一年級新生中《計算機應用基礎》課程中開展了“基于大數據的個性化學習模式構建及實證研究”實證研究。實踐效果顯示不僅改善了學生學習效率和大幅提升學生的學習能力，而且教師的教學素養也得到了提高。

關鍵詞：知識點;個性化診斷;學習模式;學習效果

中圖分類號：TP311? ? ? ?文獻標識碼：A

文章編號：1009-3044（2021）33-0028-04

開放科學（資源服務）標識碼（OSID）：

1引言

當前，國內外利用大數據技術對個性化學習模式研究主要體現在個性化學習路徑推薦、學習系統、教學方法、學習評價模型等幾個方面[3～6]。盡管教育體制和人才培養方式很完善，但是隨著高等教育的大眾化，出現了人才難求和畢業生過剩矛盾。利用大數據技術充分發掘每個學生的學習潛能，給學生推薦個性化學習資源，滿足學生的特性需求，發揮學生特長。自2018年開始在我校大學一年級新生中《計算機應用基礎》課程中開展了“基于大數據的個性化學習模式構建及實證研究”實證研究。

2基于知識點的個性化診斷學習實踐活動設計

回顧近4年的課題研究，我們初步取得了一些研究成果，無論是參與課題研究的老師，還是沒參與的老師，都深切感受到該課題的研究在促進學生的全面發展，提高教育教學質量，提升教師素質等方面都有著重要的作用。

2.1利用大數據技術對學生精準畫像，實現了學生相似度計算

在一個開放性的學習平臺中，學習者學習行為有瀏覽資源、下載資源、上傳資源、提問、評論、答疑、練習、測試等。在智慧教室，教學過程、學習過程數據全面呈現。通過對這些學習行為進行分析，不難得出他們的興趣點;不同的學習行為反映出內在的興趣度和認知能力不一樣，在量化過程中要體現出差異。 特征獲取途徑主要有以下幾種：

1）學習者在注冊時需要填寫學生學情調查表、學習風格調查表。

2）學習者注冊完成后，需要確定學習目標。根據學習目標，系統會生成基于學習目標的知識點序列的試卷。

3）答完試卷后，系統會根據沒有掌握的知識點生成推薦學習路徑和對應的學習資源，完成學習目標。學習者的練習測試能反饋出其對某個知識點 的興趣特征和認知能力特征。

4）學習者瀏覽學習資源，完成過程性作業。

5）在學習的過程中，學習者可以提問、發表評論、留言，或者對同學的疑問進行解答。學習者提問的內容，能較好地反映其興趣 點，問題到概念的映射可以自動標注，也可以強制學習者手動標注學習者對某個學習資源發表評論，說明學習者對該學習資源背后的知識點較為熟悉。學習者能對某個問題答疑，且提問者能根據 其答疑結果決定是否結題，反映出答疑者對此問題具有深入的研究[7]。

6）在智慧教室，可以通過智能設備收集學生學習狀態，如起立、趴桌子打瞌睡、書寫、玩手機、閱讀、舉手、聽講，還是學生表情數據，如中性、憤怒、驚訝、高興。通過這些數據分析數據學習的專注度。

2.2構建知識點序列，為學習路徑推薦提供依據

建設個性化學習資源，以知識點為基本單位建立學習內容試題庫、視頻資源等。如果根據教學內容確定知識點之后，讓學生自我選擇或者根據簡單羅列知識點的前后關系構建學習路徑，既浪費時間也不利于學生對所學知識進行重建。因此，基于學生已有知識基礎的知識以及即將所學知識點之間的邏輯關系建構知識點序列，以此推薦學習路徑。構建知識點序列的步驟如下：

1）提取知識點。根據學習目標，結合學科知識圖譜、思維導圖，利用Jieba分詞工具提取知識點集合。以此為基礎，結合大學計算機基礎課程，將其知識點劃分為起源、發展、定義、基本概念、分類、功能、操作（基本操作）、設置、配置、管理。例如，掌握進制的概念才可以學習進制直接的轉換，接著才可以學習字符編碼，而字符編碼，按照單、雙字節的難易先后順序，先要學習西文字符編碼，再學習漢字編碼。

2）根據知識點的關系構建知識點關系鄰接矩陣。假定知識點之間有關系則“1”表示、沒有關系則用“0”表示，根據知識點前后順序關系構建鄰接矩陣。

3）知識點序列的題庫的建立。除了知識點常規屬性外，另外添加兩張表，有序號、上位[8]屬性和序號、下位[9]屬性，分別表示要掌握該知識點必須先學習的知識點和學完該知識點后緊接著要學習的知識點之間的關系，其值都是知識點的序號。

4）把知識點關系鄰接矩陣轉換成知識點關系有向圖。

5）推薦學習路徑。在知識點關系有向圖中，尋找排除已經掌握的知識點（如果是關鍵點則不能排除）且能夠達到學習目標路徑。如果存在多條路徑，需要采用推薦系統給學生推薦最優的學習路徑。

2.3 建立的以知識點為基本單位的試題庫系統

根據試題庫的形成、考試和管理的實際功能需要， 規劃好功能模塊圖。以此設計和開發各個模塊所對應的功能。主要功能模塊包括題庫管理系統和考試系統。題庫管理系統中最重要的模塊是知識點模塊，它具有創建新的知識點和設置知識點的前后關系、調整已有知識點的前后關系，如果中途取消修改直接退出。考試系統包括試卷生成、刪除已有試卷。

2.4基于學習目標的個性化診斷性試題推薦方法

目前，常用的個性化學生知識能力診斷性試題推薦系統研究主要考慮以下兩個問題：一是如果結合學生個性特征、學習行為特征，試題包含知識點，學生認知水平三者關系中精準實現學生已有知識點掌握的建模，使其能夠用于下一步的診斷試題或試卷的生成？二是如何結合大數據技術，利用海量的教育數據，采用個性類似學生推薦個性化推薦學習路徑和資源，并又要能夠讓推薦的資源或者學習路徑能可解釋性？

個性化診斷試題推薦目的為了了解每個學生的狀態及其能力。本研究將通過相關試題從試題難度程度、知識水平和知識點來評價學生能夠達到學習目標。該推薦方法有兩個方面的應用。一是基于學習目標知識點的學生的學情、學習風格的檢驗學生認知水平的試題，主要目的是檢驗學生還有哪些知識點沒有掌握;另一個是根據學生沒有掌握的知識點、學情、學習風格，精準地對學生的個性化知識點掌握程度進行建模，相關算法和技術能夠輻射到其他學科。

2.4.1 試題屬性量化

每門課程具有知識點集合，不同的試題包含不同的知識點，知識點和試題都有層次性。針對學生提供其合適的試題是難題，它需要考慮學生已有的認知、學習風格、學習能力等因素。通過參考大量的文獻和實踐[10～12]，可以規定試題屬性：

1）試題難易程度：比較復雜，采用得分率來進行衡量，每個學生因知識水平不同而不同，是一個動態值，其值等于知識點做對的次數除以推薦試題中該知識點出現的次數。對于某個學生而言，做完所有推薦試題可以得到關于推薦所有知識點的得分率矩陣。根據給定閾值，難易程度劃分為容易、適當、難。適當是推薦試題的標準。

2）試題認知層次： 1、2、3、4，分別表示識記、 理解、簡單應用和綜合應用。

3）試題題型： 1、 2、 3、4，分別對應單項選擇、多項選擇、填空、判斷題，采用自動化評閱。

4）試題知識點：根據學科、思維導圖提取知識點集合，劃分知識點的難易度、認知度以及知識點直接的關系，不僅考查學生是否掌握知識點，還要考查學生的綜合運用能力。

2.4.2試題推薦方法

為了給學生推薦本門課程最符合學生現有知識水平的試題，即試題不是太難也不是太容易，能夠恰當考查學生的水平。本文綜合考慮三個矩陣： 評分矩陣、難度能力 矩陣和認知能力矩陣，采用以下推薦原則：

1）對于某個知識點，如果學生掌握了，那么它對應的試題難度、認知層次的量化指標都會大于等于4。如果再次推薦試題，那么新的試題中就要盡可能不要出現該知識點，推薦的路徑中也盡可能不要出現，除非該知識點是核心知識點，處于知識點關系中核心位置。

2）否則，推薦試題，如果沒有做對或做過，而且對應的試題難度、認知層次的量化指標都會小于4，則說明該知識點沒有掌握。

2.5完成學習個性化特征與個性化學習內容的相關性分析

現在是大數據、人工智能時代，一切以數據為基礎，用數據說話。通過獲取學生個性特征、學習行為軌跡數據，利用機器學習算法能夠精準識別學習中的個性化特征、推薦優秀的學習資源、學習路徑，預測未來的學習行為、學習結果。對于預測結果欠佳的學習，需要盡早給予個性化學習強制干預、有效指導，讓學習者能克服時空的限制實現自我導航，避免認知過載，提高學習者的學習興趣，激化學習中潛在的學習潛能，最終達到最優的學習效果[13]。

學習路徑生成（如圖1）基于學習知識點序列和學習主體兩方面，學生個性化基本特征、學習風格和知識水平是學習者重要的特征，預示個性化的學習行為產生的根源，是個性化學習路徑及資源推薦的重要依據。個性化學習特征主要從以下三個方面挖掘：

1）學習風格、學情判定。利用所羅門學習風格量表、學情問卷調查和樸素貝葉斯算法分別從顯性、隱形兩個方面挖掘學習風格，為實現個性化學習資源的推薦奠定了學習風格、學情的基礎。

2）已有知識能力的診斷。正確評價學生已有的知識水平是恰當推薦的前提。學生的知識水平是動態的，隨著學習的進行，知識水平一般會呈現上升趨勢。在確定學習目標的前提下，正確診斷學生已有知識點，可以采用大數據技術、人工智能方法推測學生的知識水平，本研究采用學習者直接連續基于知識點的診斷練習題或試卷來評測學生已經掌握的知識點，找到學生沒有掌握的知識點，以此構建學生的學習路徑的基本知識點集合，也是推薦資源的主要依據。

3）個性化學習路徑及資源的推薦。基于學情、學習風格、認知水平，采用Apriori算法，基于相似推薦的原理，為學生推薦個性化學習路徑及資源，解決“學習迷航”“認知過載”等問題，提高學習興趣和提高學習效率，縮短學習時間。

3 基于知識點的個性化診斷學習實踐效果

根據實踐數據顯示學生進步很大，他們基本上能運用信息技術進行學科的個性化學習，開闊了視野，提高了學習興趣和信息技術水平。同樣，教師的信息素養也得到了提高，并形成了初步成果。

3.1有利于培養學生養成自主學習的習慣

課前，要求教師課提前一周，在自主學習平臺中發布學習資料包，包括課件、學習視頻、案例素材以及課前習題;學生則利用一切碎片化的時間來觀看個性化推薦教學視頻完成課前學習任務;課中則采用教師一對一輔導、小組互助學習、教師難點、重點實踐操作，完成任務;課后再次完成布置學習任務，拓展知識點，鞏固、復習所學知識。

個性化推薦路徑或資源受到了絕大部分學生的喜愛，通過圖2統計圖顯示，70%的大學生采用個性化學習模式，可隨時隨地學習以及可按照自己的學習節奏來學習推薦資源，而且能夠完成學習目標，達到預期學習效果。

3.2個性化學習模式效率與滿意度分析

平均學習時間明顯少于后者，學習效率更高。學習結束后，基于推送模式的學生針對學習樂趣、學習成績和學習時間等三個方面滿意度給予評價。以第一章計算機基礎為例進行分析。計算機基礎知識包括計算機起源、發展階段、分類、進制、字符編碼、計算機硬件、軟件。

可知，在是否有利于提高學習動機、激發學習樂趣及縮短學習時間（圖3）等方面，學生給予了高度認可。正如多數學生所說，“有了同伴的參與，學習不再枯燥乏味，不再感覺到孤獨，不但可以制定自己的學習路徑，更可以按照推薦有著相同偏好、能力等特性的同類學習者的學習路徑進行學習，可以少走彎路，避免網絡學習迷航，同時也能增加學習好奇心”。

56%的學生認為個性化推薦路徑和資源對學習非常有幫助，36 %的學生認為有一定的幫助，僅有8%的學生表示完全沒有幫助（如圖4）。

由圖4可知，學生根據個性化推薦的路徑學習、觀看推薦的學習資源對于激發學習興趣有關系，有助于提高學習效果。

3.3學生成績結果分析

根據通用的成績五分制，把實驗班、普通班或者一個專業分成來的兩個行政班學生的考試成績的分數段（優、良、中、及格、不及格）的對比圖，如圖5所示。

從成績可以看出，兩組對照班級中實驗班的優、良、中的比例高，且實驗班的不合格率比對照班的不合格率低，整體來看，基于個性化推薦資源的課堂教學的效果有助于提高學生的學習成績。

3.4減少教師工作量，有利于個性化輔導的實現

針對教師當前教學工作量大、科研任務繁重、身體、精神雙重壓力大的現狀，利用大數據技術改善簡單、重復性工作強度并且提供工作的質量，讓教師提高工作的效率。

運用智能設備獲取數據，詳細記錄每一個學生的學情和成長軌跡。采用大數據分析技術，對獲取的數據進行量化分析。教師對學生的上課的狀態、學習內容掌握情況，還是學生的基本特征，包括學習風格、學習能力等，都能非常精準了解，完成學生的個性化畫像。讓教師對每個學生的輔導也能夠更加精準，個性化學習、輔導得以實現。

4 結論

大數據時代已經到來，大數據技術的廣泛應用勢必給教育領域帶來革命性的變化。但作為一個不太成熟的領域，目前有很多問題需要解決，主要問題是：

1）如何保證數據的及時性與準確性。大數據技術應用的前提條件是要有海量的數據做支撐，目前大部分學校采取的還是傳統的課堂面對面教學方式，教室也主要是傳統式的教室，數據的采集和處理勢必滯后，這樣的數據無法保證分析結果的準確性和可靠性。

2）數據采集的法律和倫理問題目前無法解決。大數據技術有隨時隨地保真性記錄、永久性保存、還原性畫像等強大功能。在采集過程中難免會涉及數據涉及的個人身份信息、行為信息、位置信息甚至信仰、觀念、情感與社交關系等隱私信息;同時大數據的使用引起的失誤或誤導引起的權責問題等。這些一系列的法律和倫理問題，如何解決的這些問題是大數據時代帶來的挑戰。

參考文獻：

[1] 劉繼勇，鄧敏.個性化教育：大學生創新能力培養的根本途徑[J].江西社會科學，2001，21（5）：129-131.

[2] 李偉光.當代大學生個性化教育與創新能力培養[J].長春師范大學學報，2016，35（5）：141-143.

[3] 周清清，佘航，平萍.基于大數據評價的個性化學習平臺模式構建研究[J].中國教育信息化，2016（15）：13-15.

[4] 吳金紅.大數據時代量化自我支持的個性化學習研究[J].中國教育信息化，2015（19）：42-45.

[5] 郭朝暉，王楠，劉建設.國內外自適應學習平臺的現狀分析研究[J].電化教育研究，2016，37（4）：55-61.

[6] 姜強，趙蔚，王朋嬌，等.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.

[7] 林木輝.學習者個性化特征表示及相似度計算[J].中國遠程教育，2014（2）：32-36+95-96.

[8] 賈巍，瞿堃.知識表示視野下網絡課程知識點關系研究[J].繼續教育研究，2008（5）：62-64.

[9] 高琳琦.個性化學習推薦模型的研究[J].黑龍江高教研究，2008，26（3）：135-137.

[10] 萬永權，燕彩蓉，朱明，等.反饋式個性化試題推薦方法[J].計算機應用與軟件，2018，35（7）：81-84，90.

[11] 朱天宇，黃振亞，陳恩紅，等.基于認知診斷的個性化試題推薦方法[J].計算機學報，2017，40（1）：176-191.

[12] 蔣昌猛，馮筠，孫霞，等.基于知識點層次圖的個性化習題推薦算法[J].計算機工程與應用，2018，54（10）：229-235.

[13] 姜強.大數據背景下的精準個性化學習路徑[N].中國信息化周報，2018-02-05（14）.

【通聯編輯：朱寶貴】