基于大数据的智慧学习系统设计

袁飞虎 吴其亮

大数据时代的到来，潜移默化地对社会各个领域产生影响，而社会的发展又对教育提出了新的要求。本文首先介绍了系统的基本功能，随后对个性化学习路线推荐模型中涉及的算法进行了梳理，在此基础上进行智慧学习系统的初步构建。

1引言

教育部于2018年4月发布的《教育信息化2.0行动计划》，明确了教育信息化是我国教育事业改革和发展的战略选择，标志着智慧学习已成为教育界的改革热点和政策导向。经过研究发现部分学习平台对收集的教育数据仅通过简单的统计分析手段进行处理，且在实际应用教育数据时存在数据来源单一、数据挖掘层次浅显和应用面过窄等问题。

2智能学习系统

2.1系统功能设计

智慧学习系统包括如下功能：

①基本学情。提供学生用户以学号注册或登录、基本信息设置以及对第一次使用的学生用户进行学习风格测试。

②课程反馈。通过教室中智能传感器对学生的行为进行识别，综合分析每位同学上课的主动提问、应答及学习热情。

③师生互动。教师通过智能学习系统平台上创建的班级的专业课群，可以上传课程的教学资料，以及提问、签到、小组讨论以及发放随堂测验等操作。

④教学反馈。系统对于课堂上老师提问的回答、学生的接受程度判断、小组讨论情况等进行甄别，经过可视化处理形成教学反馈图表。

⑤学业分析。根据学生的基本学情，系统跟踪学生的学习行为，包括学生浏览的内容、学习视频的点击率、搜索栏关键字和收藏的内容等。将这些信息传送到个性化学习路径推荐模型，进行数据分析，更新学生模型。

⑥学习规划。将一段时间的练习情况和课堂反馈进行分析，将结果再次反馈到推荐模型，通过粒子群算法对学习路径推荐模型不断优化，以巩固学生的学习成果，并对后续学习提供数据支撑。

2.2个性化学习路径推荐模型

根据美国教育部发表的《通过教育数据挖掘和学习分析促进教学》报告，基于教育数据挖掘和學习分析在教学领域的应用进行建模和分析是可行的。2010年8月，Siemens提出学习分析的过程模型，认为学习分析可以通过运用智能数据、学习者数据和分析模型来发现隐藏的信息与社会联系，并对学习做出预测和建议。基于Siemens的学习分析模型，首先收集学生的基本信息，再根据学习风格测试，采用K均值聚类方法对学生行为进行聚类。接着建立学生“画像”对学生进行分类，对于每类的学生采用关联规则算法对学生记录在学习系统中的数据处理，根据不同学生的特点，制定相应的规则，并创立学生个人的学习模型。

基于赵呈领等人在《适应性学习路径推荐算法及应用研究》中将学习路径推荐算法的研究，本系统采用粒子群算法进行学习路线的优化。为了实现个性化推荐服务，利用协同过滤推荐算法推荐个性化学习资源，系统对学生进行分类，再以此为基础对每一类的学生进行关联规则算法，规划其学习路径。对于不同类别的学生分别进行关联规则算法，得到隐藏的、频繁出现的学习路径，形成规则库，提高了数据挖掘的效率。在整个学习周期中，对不断累积的学习数据进行数据集分类，按照80：20比例“喂养”机器模型，随着学生进一步学习，学习路径推荐模型也在不断优化。

3结束语

文章在前人的研究中总结提出基于大数据的智慧学习系统，有助于激发学生学习兴趣，智能化推荐个性化学习资源和学习路线，辅助教师可合理调整教学计划。但后期系统需要进行更多的实证研究，以保证推荐模型的准确性和完整性。