基于大数据的协同学习干预模型的研究

许 旻，孙 赢，秦晗阳

(苏州市职业大学 计算机工程学院，江苏 苏州 215104)

随着现代信息技术的不断发展，社会已步入大数据时代。人们的思维、生产、生活等方式正受到大数据技术的深刻影响。技术发展带来了教育模式的变革，新技术让个性化学习、自主学习的门槛降低，更加灵活的协同学习模式在教育领域应用更为广泛。

2015年国务院印发的《促进大数据发展行动纲要》指出：“探索发挥大数据对变革教育方式、促进教育公平、提升教育质量的支撑作用”。2016年教育部印发的《教育信息化“十三五”规划》强调，发挥大数据在教育管理与学习空间中的重要作用[1]。以大数据技术弄“懂”教育规律与模式、信息与知识，正成为大数据时代教学模式改革的一个重要方向。

1 协同学习平台基本模型

协同学习是一种新的知识表征、传递、衍生模式，它来源于协同学，从观念上讲起源于系统学，它强调系统之间的相互作用及系统之间整体或者合作的效应。学习者在云计算的支持下，组成学习共同体，并在 “深度互动”“汇聚共享”“多场协调”的学习过程中，互相影响及构建[2]。基于云计算技术特性对协同学习系统进行改造，打破传统教育的垄断和边界，让教师、学生、家长等教育参与者在该环境下进行专业教学和协作学习[3-4]。

马相春等[5]提出了适用于大数据采集的学习系统架构，把学习系统分为感知层、数据层、信息层、控制层和应用层。感知层主要完成各类学习数据获取，由智能终端、信息采集设备以及各种管理系统构成；数据层对感知层产生的数据进行采集，如教学、管理、科研和教育活动中产生的学生信息、学习资源、教育管理、课程教学等数据，形成与学习行为有关的原始数据池；信息层完成信息的筛选存储，通过对数据层的数据进行整合、转换、清洗，将数据转化为信息，存储到学习行为信息库等数据库中；控制层根据学习者特征和领域进行分析，识别学习者状态进行学习干预；应用层主要面向用户群的各类应用程序及服务，如学习内容呈现、学习工具、学习情境、策略等。其中，控制层的学习干预机制直接关系学习平台的学习效能。

2 基于教育数据的学习干预机制构建

传统的学习干预指教师对教学活动中的课堂教学、实验实践环节、作业完成、考试考核等情况进行判断，并通过调整授课方式、开展个别辅导及其他学习活动改变人工教学方式和策略。与传统学习干预相比，大数据环境下的学习干预更侧重于对学习者对象及学习行为产生的数据进行分析，根据学情分析预测潜在问题，并通过干预引擎模型[6]向教师有针对性地提供关于学习者群体或个体情况的教学改进建议，或向学生提供学习形式改进方案，从而提升学习效能。

本研究所支持的协同学习平台模型，如图1所示。学习干预机制模型包括学习者对象模型，学习者状态模型，学习干预引擎模型，干预策略库对象模型。其中学习干预引擎模型是控制层核心，学习者对象模型、学习者状态模型、干预策略库对象模型是开展干预实施的关键[7]。

图1 学习干预机制模型

2.1 学习者对象模型

学习者对象模型可定义为：学习者对象(基本信息，学习路径，知识结构，成绩数据)，其中：1) 基本信息主要包括姓名、性别、年龄、班级、专业、联系方式等个人信息；

2) 学习路径主要包括获取学习资源、工具的途径，学习时间分布，交互习惯等学习特点；

3) 知识结构主要包括课程、知识点等学习者已掌握或同期学习的知识结构情况；

4) 成绩数据主要包括课程成绩、测试成绩、作业成绩等各项得分情况。

2.2 学习者状态模型

学习者状态模型可定义为：学习者状态(学习方式，学习进度，互动水平，学业水平)，其中：

1) 学习方式指对学习者在协作学习系统中的学习时间、资源使用类型偏好、学习频次等进行分析的所得学习风格；

2) 学习进程指通过对学习者的学习路径、已学知识点等数据分析获得的学业进度；

3) 互动水平指根据学习者参与学习的交互频次、交互内容质量及被关注度；

4) 学业水平指对学习者整体成绩水平、薄弱点记录及学习时长等进行评估所得的课程学习水平。

2.3 干预策略库对象模型

干预策略库对象模型可定义为：干预策略库对象(干预策略，干预时机，干预方式)，其中：

1) 干预策略指能够根据不同学习状态进行个性化指导的方法；

2) 干预时机指通过干预引擎判断学习者所处的学习阶段；

3) 干预方式指干预实施的范围、时间、频次等。

2.4 学习干预引擎模型

学习干预引擎模型是针对学习者学习情况，通过策略匹配算法从干预策略库中筛选出对应的干预策略，以合适的方式推送给学习者，并进行跟踪分析，判断干预效果，必要时实施新一轮干预，依次循环往复[8]。

引擎完成干预策略匹配后，可以通过自动或手动方式对学习者进行学习干预。自动干预实施需事先做好受众范围，干预时间、频率、频次等实施规则的设定，无需授课、辅导人员参与具体实施过程。手动干预指由教师、教辅人员等对学生进行个性化的学习指导。干预实施后，干预引擎持续对学习者的学习状态进行跟踪，分析实施效果，判断学习者当前状态是否需要再次干预，直至有效改善。根据每次干预结果，及时调整干预方式，不断提升干预的精准性，提升协同学习平台整体效能。

3 基于协同学习平台的干预模型的实例研究

以苏州市职业大学泛雅网络教学综合服务平台为干预机制模型研究的基础，获取学生参与学习活动的数据，对每项数据指标进行细化，并设置相应的权重，从学习进度、学习交互、学习内容、学习报告等方面进行学情分析并预测学生的学习情况，根据学习情况实施相应的干预策略，干预的方式可以通过学习平台发送消息或教师线下干预，干预的时机可以采取立即预警、自动预警、单次督促和循环督促等，具体如图2所示。

以某班级学生学习“计算机信息技术”课程为例，实施基于协同学习平台的干预机制：教师设置课程视频学习数量及时长、访问次数、讨论次数、作业平均分、考试平均分、签到情况和课堂互动等环节为学情分析指标，并分别设置相应的权重，定期统计学生的学习情况，具体如表1所示。

图2 基于协同学习平台的干预模型

表1 学生各项学习数据

进一步查看学生课程完成情况见图3。从而对学生进行相应的干预策略匹配。如果学习者当前学习进度与平均进度相比慢，则对其进行信息提醒；如果学习者的交互参与水平低，则提醒互动少的学习者；如果学习者的学习成绩在当前班级的相对水平比较低，则向其推荐好的学习方法和学习资源。根据各项综合指标，教师也可以根据学习结果对教学资源进行调整，对各层次学习者提出合适的学习方案。

图3 学生课程完成情况

在筛选出相应的有学业困难的学习者后，可以通过发送消息来对学习者进行学习预警，消息发送的学习干预方式如图4所示。如果单次督促无明显效果，也可以设置定期自动预警，或者教师线下面对面沟通，以端正学习者的学习态度和推进学习进度。

图4 消息发送的学习干预方式

4 结论

随着大数据技术的发展，以及教育大数据的快速增长，越来越多的教学行为被数字化，大量数据为教学模式革新、教学效果提升提供重要的决策依据。本研究在教育大数据视角下，对云协同学习模式下的学习干预机制进行了分析，从学习者对象模型、学习者状态模型、干预策略库对象模型以及学习干预引擎模型进行了设计与实施，为协同学习系统的实现和应用提供了理论依据。在后续的研究中，要进一步对每个环节的实现和实际应用效果进行探讨和完善。