基于大数据的个性化学习方案设计

米春桥， 彭小宁， 赵嫦花， 黄隆华， 唐锦涛

1 背景介绍

在新的信息社会时代，传统教育模式已经不能适应现代教育的需要，传统教育在培养目标上，按统一模式培养所有学生，重知识传递轻能力发展，不利于具备创新思维与能力的创造型人才的成长；在教学内容上，教材是学生的唯一学习内容，是学生知识的主要来源；在教学方法上，是注入式、满堂灌，只研究教师如何教，不重视学生如何学，考试主要靠死记硬背，不利于调动学生的学习积极性[1]；在教学形式上，只是课堂一个渠道，单一化、模式化，忽视因材施教和课堂外渠道；在师生关系上，重教师作用，教师是主动的施教者，忽视学生的主动性，学生是知识传授对象，是外部刺激的被动接受者[2].因此，传统教育具有一定的保守性和封闭性，不能很好地满足学生的能力发展需求，也不能让学生适应新时代创新型人才发展的需要.

个性化教育是现代教育理念积极倡导的教育模式，它以学生的发展需求为中心，以学生的个性差异为基础，强调尊重学生的个性发展，基于大数据的个性化学习是根据学生在学习过程中产生的行为数据分析而实施的有针对性的适合个体特征需要的个性化的自主学习方式.相比于传统学习方式，基于大数据的个性化学习方式一方面让文字、音频、视频、链接等多媒体资源都能拿来制作丰富的教学内容，其趣味性和形象性都有很大的提高，另一方面对每位学生所提供的学习资源都是专门针对学生个体差异而设计的，能最大程度地满足学生的真实需要，尊重其个性能力发展，而传统的教学模式采用一刀切的教学方法，完全忽略了受教育者的个性发展需求.基于大数据的个性化学习方案是在已有的学习管理平台基础上增加数据分析和相应的预测模块，根据学生在平台上产生的相关特征数据，对学生个性特征进行比对分析，及时了解学生的学习时间、学习风格、登录情况、测试结果、问题反馈，并预测学习中薄弱的知识环节及相关危机风险，为学生及时调整学习策略提供建议方案，从而为学习者提供更全面、更适合自己的个性化学习服务[3].

2 现状分析

美国教育部发布的《通过教育数据挖掘和学习分析促进教与学》报告，指出目前教育领域中大数据的应用主要有教育数据挖掘和学习分析两大方向[4].利用教育数据挖掘进行教育数据分析，从大数据中提取价值的技术主要有：预测、关系挖掘、聚类、模式发现等，可以极大地促进大学生个性化学习资源的构建、个性化学习共同体的建立和个性化学习风格的形成，并为大学生提供个性化学习服务和为教师制定个性化教学方案提供较为准确的依据[5].因此，教育大数据挖掘有利于促进个性化教育的具体实现[6].

然而要真正实现个性化教育，首先，需要对学生的个体差异有充分的了解，即个性化教育的前提基础是对学生个性特征的全面了解与认知，相关的研究如大数据时代下量化自我支持的个性化学习研究[7].其次，需要有丰富的与学生个体特征相适应的学习资源服务，相关的研究如关于大数据的智慧型个性化学习服务研究[8-10].最后，对个性化学习效果的检验，还需要有个性化的学习评价方法，相关的研究如利用多元化的方法和手段，采用适合于学习者的个体学习特点的评价方式，对学习者的学习过程和学习结果进行科学、个性化的评价，以最大限度地促进具有不同个性特征的学习者自主、创造性的发展[11，12].然而当前的相关研究大都是针对个性化教育的某一个环节的论述，缺乏对个性化教育整体方法体系的探索与研究，本文利用现代信息技术，基于学情大数据分析，设计与构建了一套完整的个性化学习方案体系，有利于促进个性化教育理念的实践与发展.

3 方案设计

3.1 学生个性特征认知方案设计

个性化学习需要建立在对学生个体特征充分认知的基础之上，包括学生的学习目标、风格、兴趣、偏好、习惯、动机、过程行为等都需要事先了解清楚才能开展有针对性的个性化学习服务，据此本文设计的学生个性特征认知方案如图1所示，具体包括如下四个方面.

（1）学生个性特征数据规划.结合各学校关于数据收集基础设施条件的差异，基于心理学关于学生的感知方式、知觉风格、理性水平等有关理论，构建最能体现学生个体个性化特征的有关数据指标，从而为学生个性认知指明具体需要用到哪些相关数据，比如：学生的家庭背景、学籍、历史成绩、个人学习习惯、课程学习行为过程数据以及学生对某一知识点学习时间长短的记录数据等.

（2）学生个性特征数据收集.对高校的教务管理系统中关于学习过程、教学过程及教学管理过程的相关数据进行全面收集，整理并收集教学辅助系统和图书馆管理系统中的相关数据，采集可穿戴设备如智能手环等对学生行为活动感知所产生的数据以及在线学习系统对学生学习过程产生的数据等.然后将有关个人隐私的敏感数据进行脱敏处理后存入数据库中.

图1 学生个性特征认知方案图

（3）学生个性特征数据处理.对收集到的相关基础数据进行清洗加工处理，对其中的异常值进行检测与标记、对缺失值依据相关的规则进行修补或者替换、剔除等处理，处理后得到精准的、有价值的高质量基础数据，为学生的个性特征分析与挖掘提供基础.

（4）学生个性特征分析与挖掘.基于学生基础数据库，采用聚类分析、回归分析、概率预测等算法，利用相关软件和自主编程相结合进行数据分析和挖掘建模，从而得出学生的个性特征.

3.2 个性化学习资源推荐方案设计

个性化学习的核心是不同的学生个体按需学习最符合自身需要的学习资源，达到最高效的学习时间利用与学习资源利用.因此利用现代信息技术，根据学生的个性特征与兴趣需求模型进行对应的个性化学习资源推荐是实现个性化学习重要的环节之一.个性化学习资源推荐可以以学生的兴趣需求为基础，通过一定的修正模式，挖掘出学生的真正学习兴趣，从而根据学生兴趣为其推荐相应的学习资源.据此，本文在借鉴前人相关研究成果[13，14]的基础之上，所采用的个性化学习资源推荐方案如图2所示，具体可描述分为如下四个方面.

（1）由学生个性特征认知方法得到学生的个性特征信息，然后通过兴趣识别算法分析出学生的兴趣模式与兴趣需求，基于学生的兴趣需求进一步形成基础的兴趣模型A.

（2）在基础的兴趣模型A的基础上，通过学生长期在网络学习平台上的活动，平台模型将对学生的学习行为进行跟踪、监控和检测，生成学生对于所接触的学习资源及话题讨论的动作日志，通过对日志的分析以及数据信息的转换，利用关联规则和聚类算法等数据挖掘技术得出学生的初步的兴趣模型B.

（3）在初步的兴趣模型B的基础上，根据学生的进一步网上学习动作行为对模型B进行动态修正，从而得出改进的兴趣模型C.这样可以降低模型A的主观因素干扰和模型B的噪声干扰，尽量贴近学生的真实兴趣.系统平台模型将学习资源与兴趣模型C进行关联，找出学生真正感兴趣的资源进而推荐给学生.学生在得到推荐结果后，系统模型将对推荐的结果进行判断，如果学生对推荐的学习资源产生了进一步的收藏及下载等行为，则认为学生对系统模型的推荐结果是满意的，系统模型将继续推荐一些新的相关兴趣模型C的学习资源.

（4）如果学生没有对所推荐的资源进行点击，或者只是进行了点击的行为，但很快关闭了资源页面，则认为所推荐的学习资源并不是学生感兴趣或者真正需要的，那么系统模型将根据学生与系统平台的互动行为对学生兴趣模型C进行进一步的调整，并根据学生所在集体的相同群体特征的相似性原理，采用与该学生兴趣最近的个体的兴趣特点对学生兴趣模型C进行进一步的增补与修剪，得到最终的兴趣模型D，从而重新推荐一些相关的学习资源给学生，并保持继续跟踪学生的动态，最终形成对学生精准化的个性资源推荐.

3.3 学习行为与学情风险预警方案设计

图2 个性化学习资源推荐方案图

图3 学习行为过程预警方法流程图

为保证个性化学习的质量，必须对个性化学习的过程进行全程监控，对学生有可能遇到的学业危机与风险进行提前预警，以帮助学生更好地认识自己的学习过程，在出现偏差时及时调整学习方式与策略，促进个性化学习质量的提高，体现个性化学习高效率的本质特征.据此，本文采用大数据的全样本及关联分析等数据分析技术，以学生课程表现等学情大数据为切入点，基于学生的个人基本信息（性别年龄等）、历史基础信息（高考成绩等）、课程参与度信息（考勤等）、上课积极度信息（作业等）等课程全过程及学生全方位的数据信息的挖掘与关联分析，设计构建了学习行为与学情风险预警方案，如图3所示，对学生在学习全过程中的表现做出实时评价，并基于数据挖掘算法对学生的学业风险进行及时提示预警，以便学生及时调整相关学习方法与策略，提高学生学业成功率，增强学生学习自信心与自主力.具体包括如下五个方面.

（1）通过学生个性特征认知方法所收集到的数据经过脱敏后进行集成与规范入库，对收集到的基础原数据进行清洗加工处理，对其中的异常值进行检测与标记，对缺失的数据依据相关的规则和方法进行修补或替换、剔除等处理.

（2）采用相关分析、因子分析等方法结合定性分析与定量分析对影响学情风险的关键因素进行识别并计算其相关的特征值.

（3）基于关键因素及特征值，分别构建学业质量危险性、学习基础脆弱性、学习风险适应力等学情风险衡量模型，并进行相关的量化计算.

（4）根据学业质量的危险性、学习基础脆弱性、学习风险适应力等学习主体风险，结合课程内容复杂性及课程往年挂科率等学习客体风险，结合学生历史学情数据及当前的状态数据，采用逻辑回归、支持向量机、决策树、朴素贝叶斯等数据挖掘算法构建学情综合风险预警模型，并自主编程实现相关计算.

（5）根据学情模型计算得到的风险值的高低，分别建立红、黄、绿三级警示信讯，并分别面向学生、教师、学校建立三级应对措施机制，确保警示信讯及时准确到达学生，并对学生如何采取补救措施提供建议方案.

3.4 多维度个性化学习评价方案设计

个性化学习结果的效益如何，同样需要用个性化的学习评价方法进行分析.学习评价是对学生在学习系统中的学习过程与结果进行评定，多维度的学习评价从多个角度多个方面去评价学生的学习，个性化评价打破了传统上评价标准单一且只注重学校、教师对学生校内表现、考试成绩等分值化的评价现状.据此，本文设计的多维度个性化学习评价方案如图4所示，具体包括如下三个方面.

图4 多维度个性化学习评价方案图

图5 个性化学习综合服务信息系统框架图

（1）评价目标多样化.看待一个学生的学习成果，并不单单只从分数这一个方面，而从平时成绩、处理问题能力、思维方式、动手能力、心理状况、身体状况、交际能力等多个方面进行考察、分析与评价，有利于个性化人才的发现、成长与发展.

（2）评价方式多样化.用学生自评、学生互评、家长评价、教师评价等方式进行多方面的评价[15].通过学生的自我评价，能够较为清楚地了解学生对本人诸多学习行为的认识，促进学习者本人反思自我行为，并逐渐形成反思反馈机制，这种评价方式在很大程度上尊重了学生的个性发展，克服了过去教师的评价代表一切的一刀切式评价的缺陷；通过学生互评，可以地让最熟悉评价对象的旁学者充分发表自己对同学的建议，形成更为中肯的评价意见，同学之间的互评还能一定程度上加强学生在学习过程中的参与感与互动性，通过评价他人达到更好地认识自我的效果；通过家长评价，可以准确地反馈学生在家中的学习情况，因此家长的反馈和辅助对于学习评价也是非常必要的；通过教师评价，可以在评价主体多元化的同时，兼顾教师评价的主体地位，便于形成对学生最直接的意见和建议措施.

（3）评价结果反馈化.通过数据库技术实时记录对评价结果的反馈，基于各种反馈的积累，形成更加精准和符合学生个体需要的学习资源推荐，促进学生更好的自主学习，同时又为下一次的评价提供了更好的基础，从而形成评价与进步的良性循环效果.

3.5 个性化学习综合服务信息系统设计

个性化教育的精准性与高效性必须借助现在信息系统作支撑才能实现.因此，本文最后综合学生个性特征认知、个性化学习资源推荐、学习行为与学情风险预警、多维度个性化学习评价等方案，结合大数据、数据库、Ajax、可视化、消息推送等信息技术，基于HTML、CSS、JavaScript、J2EE等程序开发技术，设计了个性化学习综合服务信息系统，如图5所示.系统整体上包含四层架构，即用户层、技术架构层、功能层和底层平台层，系统的运行以学生的个性特征为前提，对具有不同学习特征的学生给予个性化资源推荐，并对学生的学习过程进行学情危机风险分析，制定相关的预警方案，在学习完成之后，建立完善的学生对教学和学习的反馈机制及多维度的个性化学习效果评价机制，从而为个性化学习所有环节提供信息技术支持与服务，提高个性化学习的效率.

4 总结与展望

本文在大数据的背景下提出了个性化学习方案的设计，并指出了基于大数据的个性化学习有利于解决传统教育中存在的学习对象认知不充分、学习资源难以满足个性需求、学情分析缺乏预警机制、学习评价方式单一、缺乏综合信息系统支撑等问题，并有针对性地设计了各种具体的解决方案，有利于提高个性化学习的学习效率和学业成功率，有利于个性化人才的识别、培养与发展.未来随着可穿戴设备、虚拟现实等新兴信息技术的成熟及其在教育领域中的广泛深入应用，可为教育研究提供更细致的学生个性化数据与学习过程化数据，加上大数据分析技术在教育数据挖掘中的进一步深入应用，可使本文所设计的个性化学习方案得到进一步的完善与实践，从而实现更好地了解学生的个性特征、更精准地推荐个性化学习资源、更全面地了解学情风险、更客观地评价学习成效等，促进基于大数据的个性化学习实践，促进教育现代化与智慧化的发展.

[1]孙建.高中思想政治高效课堂之我见[J].剑南文学：经典阅读，2012（5）：235-235.

[2]杨恩浩.高效课堂的探索与实践[J].语数外学习：高中语文教学，2014（3）：80-81.

[3]周清清，佘航，平萍.基于大数据评价的个性化学习平台模式构建研究[J].中国教育信息化，2016（15）：13-15.

[4]胡弼成，王祖霖.“大数据”对教育的作用、挑战及教育变革趋势——大数据时代教育变革的最新研究进展综述[J].现代大学教育，2015（4）：98-104.

[5]王盛.教育数据挖掘促进高校学生个性化学习途径分析[J].考试周刊，2014（34）：176-176.

[6]马德坚.大数据支持下的个性化教育实现[J].软件导刊·教育技术，2016，15（2）：52-53.

[7]吴金红.大数据时代量化自我支持的个性化学习研究[J].中国教育信息化，2015（19）：42-45.

[8]赵苗苗，陈琳.基于大数据的智慧型个性化学习服务研究[J].教育导刊，2015（10）：64-67.

[9]张雪燕.基于开放教育平台的个性化学习服务系统研究[J].中国教育信息化，2016（1）：89-93.

[10]杨超.基于粒子群优化算法的学习资源推荐方法[J].计算机应用，2014，34（5）：1350-1353.

[11]李星，杨瑾，肖梦雄，徐晴.基于网络学习行为的个性化评价研究[J].电脑知识与技术，2012，8（3）：1704-1707.

[12]解冬青.网络学习的个性化评价系统的研究与设计[D].上海：华东师范大学，2010.

[13]王倩.基于社交网络模式的个体个性化学习资源的推荐方法研究[J].计算机光盘软件与应用，2014（7）：50-50.

[14]田久乐.数字化终身学习中基于学习者兴趣的个性化学习资源推荐机制研究[D].长春：东北师范大学，2012.

[15]李小玲.实践中多维度发展型学生评价体系构建措施新探[J].理科考试研究（初中版），2016，23（3）：41-42.