大数据视角下基于知识地图的自主学习模型构建

蔡荣华+范云霞

摘 要 结合知识地图的特点进行自主学习模型的构建，将该模型分为行为层、学科知识本体库层、数据采集层和信息可视化层，通过可视化的结果进行个性化的学习分析。

关键词 大数据；知识地图；自主学习模型；智慧教育

中图分类号：G652 文献标识码：B

文章编号：1671-489X（2017）05-0079-03

1 教育大数据概述

国际数据公司（IDC）认为，大数据是一种海量数据，具有4V特征：Volume（数据量大）、Velocity（实施性强）、Variety（种类多样）、Veracity（真实性）[1]。在教育领域，“大数据”之“大”并不是表面的所谓的“大容量”，而在于其蕴含的“大价值”。数据越来越可视化，越来越可用，越来越可操作，它越来越精细而全面地反映个人的思维、行为和情感，以及事物的特性及其发展规律。学习者在进行学习时，由于人的感觉具有盲点，思维具有局限性，直觉往往也有主观色彩，大脑对信息的加工能力与计算机相比更是相差巨大。运用数据来对自己的学习行为进行量化、记录和研究，可以帮助学习者发现真实的自己。大数据可以分析某一个学生个体对知识的掌握状态，也可以统计某个学生群体对知识点的掌握情况。“大数据”的“大价值”表现在它可以全面跟踪学习者的学习过程和学习行为，掌握学习者的学习特点，分析出学习者的思维习惯和思考方式，从而使学习者能够进行个性化学习。

随着互联网、智慧教育的发展，个性化学习将成为以大数据为基础的教育技术新范式，也将成为大数据时代数字化学习的新常态。教育信息系统中存储着庞大的粒度不同、形式多样的数据，这些数据可以为学习分析提供客观支持。知识地图可以外化人的大脑中的知识系统，具有知识导航和知识管理的作用。

2 知识地图概述

知识地图这一概念最早出自情报学，知识地图的主要目的是揭示知识节点间的层次以及知识节点间的关系。知识地图可以外化人的大脑中的知识系统，具有知识导航和知识管理的作用。知识地图按构建方法的不同可以分成八类，分别是概念型知识地图、分布式知识地图、流程型知识地图、结构型知识地图、联系型知识地图、生命期知识地图、导航型知识地图和认知型知识地图。这里的知识地图指的是认知型知识地图[2]。无论构建哪种类型的知识地图，都要进行要素识别、要素与要素之间关联分析和将要素及其之间的关系进行可视化显示。

3 基于知识地图的自主学习模型的构建

该数据模型的构建分为以下四层。

行为层 在行为层，知识用户（包括学生用户和教师用户）可以对知识地图关联下的学科知识本体库中的知识进行知识浏览、知识查询和知识选择，来对知识进行学习。

学科知识本体库层 在图1所示学科本体知识库中，知识地图应用在学科教学中时，知识地图的构建就要考虑确定知识点（知识节点语义分析、知识点描述）、对知识点进行关联分析（知识节点间建立连接）、将其知识点和知识点之间的关系进行可视化显示（如图1构建的知识地图）。在对学科知识节点进行语义分析时，需对知识点合理划分，对知识点描述时可以根据布卢姆在认知领域对教学目标的分类，将知识点描述为知道、理解、应用、分析、综合和评价类知识。经过知识点的连接形成的知识地图更加清晰，学习者对每一个知识点的学习目标都非常明确。

在学科知识本体库层的知识地图中，圆圈代表的是知识节点，不同的颜色代表该知识点不同的教学目标（如红色代表该知识点的教学目标是知道，黄色代表该知识点的教学目标是理解）。在行为层，学习者（或教师）对知识地图中的知识节点进行浏览、查询、选择后，对知识点进行学习（或观看）。在学习过程中，学习系统会记录下学习者一系列的学习数据。可视化中心对采集到的数据进行自动处理与分析，然后将数据进行可视化显示。

数据采集层 在学习者学习过程中，需要用数据来记录学习者的学习过程，为了使获得的数据更加完整，需对数据模型进行具体构建。这就需要探索出记录学习数据的各学习要素的字段，以及明确各学习要素之间的关系。这样才能设计出系统的和可行的数据表，挖掘出更多的学习数据，以便做出更好的学习分析。魏顺平在对在线学习的学习分析数据模型进行构建时，以描述一次在线学习行为为例，得出学习行为要素框架，每一种学习行为都有学习者、学习内容、学习情境、学习时间等语义关系，并可能产生学习结果。因此，他根据这个行为要素框架分析出需要五类数据表来记录学习行为信息，分别是学习者数据表、学习内容数据表、学习处所数据表、学习内容数据表、学习结果数据表。这五类数据表以学习行为数据表为中心，从而建立数据模型。这一数据模型是针对传统的在线学习而构建的，也就是说，这一数据模型只记录了与学习内容相关的数据，忽略了学习的情境性问题。因此，对情境数据的收集和学习者特征数据的收集对学习个性化的分析极为重要。本研究对在线学习学习分析数据模型中的表进行重新整理，并对有关学习行为要素的五类表和相关表的字段进行补充，构建新的数据模型，如图2所示。

信息可視化层

1）学习数据可视化。在图1的信息可视化层中是对学习数据的可视化，该层分为学习者个体信息可视化和学习者群体信息可视化两部分。这两部分的知识地图的每一个节点都与学科知识本体数据库层的知识节点一一对应。在学习者个体信息可视化知识地图中，显示的是学习者对每一个知识点的掌握情况；在学习者群体信息可视化知识地图中，显示的是对每个知识点不同掌握程度的学习者所占比例。如第一个知识节点在学科知识本体库层中所要求达到的教学目标是“知道”，在学习者个体信息可视化知识地图中，学习者的掌握程度是很弱；在学习者群体信息可视化知识地图中，可以显示对该知识点掌握很弱、较弱、中等、较强、很强的学习者所占的比例。

在学习者个体信息可视化知识地图中，圆圈代表的是学科知识的知识点，圆圈的不同颜色代表学习者对知识点的不同掌握状态（如棕色代表很弱，粉色代表较强，无色代表还没有学习该知识点，等等）；直线代表的是学习路径，蓝色的直线代表学习者学习到的位置，黑色的虚线代表学习者还没学习的内容；直线连接的两个圆圈代表的是知识点的前后继关系。在教师知识地图中，不同的扇形代表已经不同掌握状态的学习者群体所占的百分比。当学习者看到自己的课程知识地图时，就可以重新选择学习知识点，调整学习计划；教师看到课程知识地图就能调整教学计划。

2）学习者特征数据可视化。数据模型构建中，学习特征数据包括学习者表、学习情境表。其中，学习者表记录学习者的基本信息，学习情境表记录学习者的学习时间、学习地点、学习行为等数据。通过这些表的数据可以对学习者的学习过程进行跟踪记录。学习者每进行一次学习行为，都会产生一组学习特征的可视化数据，如表1所示。学习者可以观看自己学习认知的動态变化过程，从而了解自己、发展自己、规划自己，提高元认知能力和自我效能感。

此外，通过对学习者特征数据的记录，根据同一学习目标类型（比如：知道），可以可视化学习者知识点掌握情况和一天中学习时间的关系。根据图像直观显示，学习者就能够判断自己什么时刻学习效果较好，也可以呈现学习者知识点掌握情况和学习地点的关系。同样，学习者也可以选择学习地点来进行学习。通过可视化信息的展示，就能预测出学习者的学习规律，系统提供个性化的学习指导，真正实现高效率的学习。

4 结束语

每一位学习者在学习过程中都会产生一组属于自己的学习数据，千千万万的学习者的学习数据就构成“教育大数据”。对教育大数据的挖掘是实现教育大价值的必要前提，要实现高效学习，既需要分析学习者的学习习惯以及自身的学习规律，也需要针对每一次学习，判断学习者先前的学习水平；不能采取一刀切的方式，让不同知识水平、不同知识接收能力的学习者来学习相同的知识。本文结合知识地图的特点构建自主学习模型，对数据模型中记录的数据进行信息可视化学习分析，为以后个性化学习研究打好基础。

参考文献

[1]徐鹏，王以宁.大数据视角分析教育变革[J].远程教育杂志，2013（6）：12.

[2]叶六奇，石晶.知识地图的构建方法论研究[J].图书情报工作，2012（10）：30-34.

[3]张艳霞，等.数据表征学习过程及其应用：学习分析数据集国际研究综述[J].中国电化教育，2015（9）：85-93.

[4]魏顺平.学习分析数据模型及数据处理方法研究[J].中国电化教育，2016（2）：8-16.

[5]张玮，王楠.学习分析模型比较研究[J].现代教育技术，2015（9）：19-24.

[6]吴彦文，罗小巧.知识点学习的智能评价[J].中国远程教育，2004（19）：70-72.

[7]姜强，赵蔚，等.个性化自适应学习研究[J].中国电化教育，2016（2）：27.

作者：蔡荣华，湖南师范大学副教授，研究方向为教育信息化系统工程；范云霞，湖南师范大学硕士研究生，研究方向为教育信息化系统工程（410081）。