基于学习分析的学生个性化学习资源推送

摘  要： 随着社会的发展，人们进行学习的方式也变的越来越多样化，随着移动学习、慕课等学习方式的出现，网络学习也进入人们的视野。由于互联网上的资源数量庞大、类型丰富，学习者检索困难，因此，对于个性化学习的资源推送的要求越来越高。本文构建了一个具有数据收集层、数据分析層和资源推送层的个性化学习资源精准推送模型，通过对学生的学习行为数据进行分析，进而找到最适合学习者特点的专属资源推送给学习者，来进行对学习效率的提高。

关键词： 学习分析;个性化;资源推送

中图分类号： G434    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2019.12.036

本文著录格式：曲芷萱，王朋娇. 基于学习分析的学生个性化学习资源推送[J]. 软件，2019，40（12）：163166

Personalized Learning Resource Delivery For Students Based on Learning Analysis

QU Zhi-xuan， WANG Peng-jiao

（School of Computer and Information Technology， Liaoning Normal University， Dalian 116000， China）

【Abstract】： With the development of society， people's learning methods have become more and more diverse. With the emergence of mobile learning， classes and other learning methods， online learning has also entered people's horizons. Because of the huge amount of resources on the Internet， the rich types of resources， and the difficulty of learner retrieval， the requirements for personalized learning resources are increasingly high. This paper constructs an accurate model of individualized learning resources with data collection layer， data analysis layer and resource push layer. Through analyzing the student's learning behavior data， we find the exclusive resources that are most suitable for learners to push to learners. To improve learning efficiency.

【Key words】： Learning analysis; Personalization; Resource delivery

0  引言

随着现今社会计算机和网络技术的迅速发展，MOOC、智慧课堂、教育大数据等新型的教育词汇与技术不断地出现在人们的视野之中，而这些也吸引了教育者对教育教学方式的思考。在我国当前信息技术飞速发展的今天教师和学生在进行教学活动的时候，有越来越多的媒体可以作为教学资源进行使用，计算机就是其中一个。目前，教师即使并不具备先进的计算机技能，智能的计算机软件也能够为教师提供制作数字课程的功能。而且在“互联网+教育”在出现在大众的视野后，随之而来的我国的有关教育部门对于个性化学习也投入了很大的关注。

由于每一个学生在学习方面都有自己个人的偏好，所以每个学生的特殊性都是值得考虑的。因此给学习者推送的学习资料是针对每个人的特性时，学生往往有更好的学习体验。对于个性化学习来说，受到的教育研究者对其的关注日益增多，同时所受到的重视也逐渐提高，而对于实施个性化学习所要达到的目标，就是为了将符合每一个学习者个人特点的相关学习资源提供给学习者。个性化推荐系统是根据用户的个性化信息进行建模，然后将相关的资源推荐给用户，以满足用户多元化个性化的需求[1]。

随着网络技术越来越发达，各种在线学习平台层出不穷，这些在线学习平台的自身特性使得获取学习者学习相关的数据更加便利。对于现在市面上存在的在线学习平台来说，传统的协同过滤方法在数据稀疏的情况下，用户推荐准确率不高[2-3]。大部分都是仅仅只分析学习者在使用在线学习平台的时候出现的学习习惯数据，并不能针对学习者当前已经掌握的知识进行分析，基于此进行的资源推送难以做到具备很高的精准度。因此，本文利用学习分析对学习者的学习数据进行分析处理，进而建构了学习资源精准推送的模型，来将学习资源对学习者进行精准推送。

1  理论基础

本文的理论基础是以学习分析和个性化教学为指导，对教学资源的精准推送的模型进行建构。

1.1  学习分析

学习分析是近年来新出现的热点，而且在教育技术的研究领域内是最近才被越来越多的人研究和关注的，学习分析是通过利用一些比较先进的方法工具来推算、判断学习者通过进行学习活动得到的学习成果所出现的问题，同时优化学习效果的一类教学技术的集合[3]。直到今天，在学术界还不能够针对“学习分析”给出一个具体而明确的定义，不同的专家学者和组织机构对学习分析的含义都有着不同的理解。在首届学习分析技术与知识国际会议上对于“学习分析”所给出的定义为：“收集、测量、分析、报告与学习者以及学习情景有关的数据集，来理解、优化学习与其发生情景”[4]。华东师范大学的顾小清教授将“学习分析技术”定义为：“学习分析技术是测量、收集、分析和报告有关学生的学习行为以及学习环境的数据，用以理解和优化学习及其产生的环境的技术。”[5]同年北京邮电大学的李青副教授则对“学习分析”下的定义为：“学习分析是一类运用先进的分析方法和分析工具预测学习结果、诊断学习中发生的问题、优化学习效果的教学技术”[6]。

在学习分析中常见的分析方法有社会网络分析法、话语分析法、内容分析法、统计分析法等分析方法。

社会网络分析法是针对学习者在使用系统进行学习的整个过程中出现的一系列的相关数据的计算，得出学习者的数据结果，进而建立一个该学习者的社会关系模型，進而分析出学习者之间的关系，得出社会关系网络图，可以方便了解到学习者与学习者之间的一些交流对学习者所产生的影响。

话语分析法最开始是在语言学研究领域中进行应用的，主要对学习者之间进行交流的时候所使用的话语的结构形式、规则等进行分析。对学习者在进行在线学习时，在平台上使用的语言，进而分析学习者的学习特征和情感态度情况[7]。

内容分析法是对学习者的数据进行定量分析，得出学习者对知识的掌握程度和在学习过程中产生困难的原因。

统计分析法是对学习者在进行在线学习的过程中所产生的可量化数据进行统计，从而分析这些数据结果的相关性。

1.2  个性化教学

关于个性化，最早是出现在我国的春秋战国时期的孔夫子，他在进行游历讲学的时候提出了“因材施教”这一理论，其意思是指当教师在进行教学的时候要充分考虑到每一个学生的不同情况，对学生进行教学，以便能够最大限度的开发学生的各种能力，提高学习效率。

对于个性化学习，其根本含义是教育者可以充分地了解到各个学习者之间的异同，并根据这些差异针对每一个学习者的特点进行选择相应的资源、策略和教学活动等提高学习者的学习效率的过程。而实施个性化教学就是教师可以结合了解到的学生对于其已经学习过的知识点的掌握情况，来进行有针对性的教学。能够使教学活动不再是过去的“填鸭式”教学，而是有针对性的进行教学，极大地提高了教学效率，并且能够很好的促进学习者的全面发展。但是现阶段的一些在线学习平台通过对学习者的学习习惯数据的计算，无法得出学习者的现有知识结构和对知识的掌握程度，对于学习者需要的资源推送的精准度不高，因此本文构建了一个运用学习分析技术根据学习者在学习过程中产生的数据进行分析的模型，来对教学资源给学习者进行精准推送。

2  基于学习分析的个性化资源精准推送 模型

资源精准推送模型构建的目标是能依据平台针对学生所建立的学习者模型进行计算了解到的学习者的学习行为数据，并且能够精准的为学生选择出符合学生所需要的学习资源。个性化学习资源精准推送模型的基础运行原理如图1所示。

图1  基础运行原理

Fig.1  Basic operating principle

资源推送模型的作用是根据所收集到的学生在进行学习活动的时候所产生的学习行为数据，运用学习分析技术了解到学生的学习情况和特点，并自动为学生提供适应其个人特色的个性化学习资源。学生学习过程中产生的数据包括学习者的检测分数、累计线上学习时长、知识点的学习频次、不同课程间学生的成绩差异等可量化数据。以及学生浏览过的资源种类、学习者做过的题、学习者的错题记录等。本模型所推送的资源包括教师讲解视频、习题、案例、拓展知识等。如图2，模型总共包含三个层次结构。

图2  个性化学习资源精准推送模型

Fig.2  Personalized learning resource

precision push model

2.1  数据采集层

数据采集层是以可视化人机交互界面的形式呈现的，以便于学习者进行使用。数据采集层是学习者运用这个平台时填写的所罗门学习风格问卷以及进行学习的过程中进行人机交互的时候，记录下学习者的学习动态数据的层级。这些动态数据主要是学生在第一次使用平台时进行注册所填写的注册信息，比如基本的姓名、年龄、职业、收入、学历、学习动机、对学习的期望、社会背景等;学习者在使用平台的过程中使用搜索功能进行检索信息时所产生的搜索记录;学习者在使用平台的过程中浏览的感兴趣的学习资源所产生的浏览历史包括浏览次数、频率、停留时间等。系统依据这些数据构建出学习者模型，建立学习者模型的流程如图3所示。

图3  学习者模型建模过程

Fig.3  Learner model modeling process

随着学习者在进行学习活动时，能够熟练运用的知识层次随时发生变化，数据采集层的数据采集系统需要不断跟踪学生的学习行为，并且保存这些数据到学生信息数据库中，不断根据最新的数据，为学生筛选出符合的资源并进行精准推送。

2.2  数据分析层

数据分析层主要包括基本信息分析模块、学习分析模块、资源推送模块和系统管理模块。

基本信息分析模块是对收集到的注册信息、搜索历史、浏览记录和错题记录等信息进行分析。、包括对数据进行关键词的提取、分析、去重和过滤等过程。关键词提取这一过程主要是对学习者的浏览、搜索过程中的关键词进行提取，在将学习者搜索过程中的关键词提取出来之后，将这些关键词根据其所属科目进行分类，在分类的过程中同时对这些数据进行分析，将重复的、冗余的数据进行整合，然后将整合之后的数据存入数据库中。同时存入数据库中的数据还有根据学习者在做题过程中产生的错题所生成的关键词。在这些关键词都存入数据库中之后，再对这些数据进行数据的清理，使数据在数据库中节省所占用的空间，方便接下来对数据的调用。

学习分析模块是对学习者的成绩、在线学习时长和单个知识点的学习次数等数据进行分析。根据分析结果从资源库的海量资源里选出适合学生个人特色的资源，并且进行精准推送给学习者。

系统管理模块的核心功能是对学生在学习过程中不断产生的数据进行持续更新替换。由于学生是始终处于持续的学习状态，学习者所掌握的知识结构和对知识的把握程度是不断变化的，

资源推送模块是根据基本信息分析模块和学习分析模块得出的数据，再进行整理分析从教学资源数据库中选择出适应学生的个性化特征的资源推荐给学习者。

在将这些数据资料处理完成之后，接下来进行的就是依据学习者在进行学习活动所产生的各种数据进行处理，并得出相应的结论。数据分析主要就是对将学习者在浏览、搜索以及错题记录等。数据分析层的主要功能是通过对学生更加倾向的学习类型所具有的特点进行分析，同时再依据学生登入系统平台是填写的学习风格问卷对学生进行学习者特征构建。而且数据分析层还必须对学生。数据分析层同时也要将学生当前的学习状态、在学习过程中的互动情况、学习内容的完成度以及学习者对知识学习的路径进行分析，最后系统进行建立学习者的模型库、学习者学习行为数据库等。其中，学习者特征模型库的主要功能是对学习中的学习偏好和学习风格等进行记录;学习者的学习行为数据库的核心功能是将学习者当前对于学习内容的完成情况进行统计记录并存在MySQL数据库中。

2.3  资源推送层

资源推送层的主要工作是先根据数据分析层使用学习分析技术对学生在进行学习活动的时候所产生的一系列的数据进行分析，在分析完成之后系统能得出具有学生个人特色的个性化特征，将这些分析出的个性化特征数据发送到资源推送层，然后资源推送层根据分析层分析出来的结果與资源库里的资源进行匹配。在建立的学习资源的数据库中，学习资源的存储结构是以树状结构存在的[8]，最上面的知识节点代表了一级知识节点，在一级知识节点下方分出了若干的知识节点，这表示二级知识节点，在从二级知识节点下方分支出了若干的分支，这表示三级知识节点，以此类推。数据分析层分析出来的结果传送到资源推送层之后，由资源推送层依次根据知识点的层级结构，依据该学习者的特点从资源库中选出相匹配的资源主要是根据学习者的特征和与之相匹配的资源特征进行推送，从而达到学习资源的精准推送。

3  学习资源精准推送模型应用案例

以某一学习资源推送平台上的某一学习者为应用研究对象。

该学习者进入平台进行了一系列的个人信息输入以及检索、浏览等操作后，平台根据获取到的该学生的一般特征和学习者进入系统是所填写的学习风格问卷进行分析，进而构建出学习者模型。系统根据所建立的学习者模型给学习者实行资源推送，根据该学习者所填的学习风格问卷可以得知，该学生的学习风格为沉思型、直觉型、视觉型、序列型[9]，所以对学习者进行资源推荐的顺序为学习提纲——学习资源——单元练习——案例分析——单元总结——单元测试——讨论。因为学习者为沉思型，所以将讨论环节放在了最后的一个环节来进行，以减小学习者由于讨论环节所带来的压力;由于学习者为直觉型，善于发现事物之间的关系，所以可以呈现一些与所学知识点相关联的知识点进行学习;而且学习者的学习风格还是视觉型，因此可以进行资源推送时，优先推送图表、流程图、影片等内容;该学生的学习风格为序列型，这是代表学习者的在进行知识点的学习时所习惯的学习路径和学习习惯，所以平台根据当前该学生的学习特征，按照序列型进行筛选资源从而给学习者进行推送，该学生在进行学习活动时也可以按照自己在学习时的习惯和喜好对知识点来自主选择。当系统所推送的资源无法符合该学生的学习需要时，学习者可以自主地进行点击相关的知识点进行学习，进而建立具有个人风格的知识结构和学习风格。

该学生已经研究了一段时间之后，资源推模型分析基础上，学习者进行学习时的数据和学习者模型进行更新。在当前状态下，该学生的学习风格更新为沉思型、直觉型、视觉型、综合型。在该学生进入平台之后，系统根据当前的学习风格结合所要学习的知识点，为该学习者选择的学习活动顺序为学习提纲——学习资源——案例分析——单元练习——单元总结——单元测试——讨论。学习者的学习风格进行了变化，由之前的感悟型变成了直觉型，同时先前的序列型也变成了综合型，由于该学生的学习习惯有了变化，系统推送的学习活动顺序也发生了变化，先进行案例分析之后再进行单元练习。与此同时，系统在进行资源推送的过程中，资源的推送的先后顺序也进行了改变。在进行学习活动时，所有的资料选择都基于该学生在学习时产生数据和实际的教学需求。构建的学习者模型仅适用于当前的学习者对某一知识点的学习需求。

4  总结

随着数字校园、智慧课堂等新型课堂授课方式的推行，有越来越多的学生的学习情况被数字化转化成数据从而记录下来，这些大量的学生的学习行为数据就汇聚在一起，组成了大数据。而伴随着基于网络的教学方式正在逐渐普及，关于个性化资源的推送也日渐成为热点话题。

参考文献

[1]张小波， 付达杰. 网络信息资源个性化推荐中隐私保护的研究[J]. 软件， 2015， 36（4）： 62-66.

[2]安政磊， 姚文斌. 一种基于用户购买意向的个性化推荐模型[J]. 软件， 2015， 36（12）： 80-82.

[3]申晋祥， 鲍美英. 基于 Hadoop 平台的优化协同过滤推荐算法研究[J]. 软件， 2018， 39（12）： 01-05.

[4]李青， 王涛. 学习分析技术研究与应用现状述评[J]. 中国电化教育， 2012（08）： 129-133.

[5]吴永和， 陈丹， 马晓玲， 曹盼， 冯翔， 祝智庭. 学习分析： 教育信息化的新浪潮[J]. 远程教育杂志， 2013， 31（04）： 11-19.

[6]何克抗. “学习分析技术”在我国的新发展[J]. 电化教育研究， 2016， 37（07）： 5-13.

[7]顾小清， 张进良， 蔡慧英. 学习分析： 正在浮现中的数据技术[J]. 远程教育杂志， 2012， 30（01）： 18-25.

[8]刘清堂， 王洋， 雷诗捷， 张思. 教育大数据视角下的学习分析应用研究与思考[J]. 远程教育杂志， 2017， 35（03）： 71-77.

[9]代超， 邓中亮. 基于Netty 的面向移动终端的推送服务设计[J]. 软件， 2015， 36（12）： 01-04.

[10]许益通， 张冰雪， 赵逢禹. 基于学习风格的自适应学习内容推荐研究[J]. 软件， 2018， 39（4）： 01-08.