唐春玲
摘 要:随着大数据技术的飞速发展,将大数据嵌入在线学习平台中,通过对学习平台的大量学习行为数据进行深度挖掘,分析出学生学习状况和问题,及时给予学习评价,然后根据分析结果反馈干预学习者,对其学习进行个性化有效指导从而提高学习者的学习成效。本文从学习者学习风格、知识模型、学习活动序列进行研究从而提出学习者评价模型。
关键词:大数据;学习风格;学习风格;学习活动序列
中图分类号:G434 文献标识码:A 文章编号:1671-2064(2019)20-0024-02
0 引言
“大数据”一词代表着信息技术发展进入了一个新的时代。数据是记录信息的载体,它能够精准、全面和及时地反映个人的思维、行为、情感和特性。在线学习平台一方面提供了各种类型的学习资源,另一方面也保存了大量的学习状态行为的数据。随着大数据技术的发展,对在线学习行为数据进行有效挖掘,分析出学习者的学习特征和学习状况,对学习者每模块学习情况进行分析评价,推送有助于学习者提高学习成效的学习资源,从而进行个性化学习指导。利用现代化信息技术手段,满足学生的差异认知需求,对不同的学习者使用不同的学习路径,每个人可以按照自己的特征进行学习,从而实现因材施教。将大数据互联网优势与在线学习相结合中建立基于大数据分析的学习者评价模型是重要的研究环节。
1 基于在线学习的学习者评价模型
在大数据与在线学习相结合过程中,建立基于大数据分析的学习者评价模型是重要的研究环节。模型中首先要对学习者建立特征模型,它记录了学习者学习风格、认知水平、情感偏好和个体特征。
1.1 学习者特征的构建
通过采集学习者学习相关数据和个人信息,确定其学习风格。国际上已有很多关于学习者学习风格的研究。VARK模型侧重于学习者怎样运用自己的各种感官有效地学习,其所定义的4种类型分别为视觉型、听觉型、读写型及动觉型,文中采用VARK模型。
1.2 知识模型
模型要为不同特征的学生进行个性化的信息推送首先就要把知识点的联系的呈现给学习者,清楚地表明各个知识点的逻辑关系。知识模型描述领域知识的结构,包括概念和概念间的联系。多类型的可视化学习资源是促进学习者学习效果的保障。除了传统的课件、教材、实训指导书等,还应包含视频、音频、微课,交互式课件等,甚至还有VR体验等不同形式的学习资源。当前最热门的知识模型是知识图谱,知识图谱本质上是一种大规模的语义网络,用来描述事物之间的关系,通常采用实体-关系-实体三元组形式表现。
1.3 学习活动序列
学习活动序列是指为达到学习目标根据不同类型的用户呈现出一套学习方案,这个学习方案包括:知识、技能、素质目标,任务描述,自操自测,知识准备,任务实施、评价机制等,组成了一个有机整体。学习活动序列不仅包含同一知识点的各类资源的组织,还包含知识点之间的学习路径,可以自主选择学习顺序,也可以按照课程推荐的顺序。这里可以使用大数据中的关联分析中的Apriori算法,Apriori算法能够找出数据集中不同项目之间的相关性,通过采集大量学习者知识点学习顺序和学习效果等数据,建立学习者学习经历模型,使用Apriori算法分析学习顺序和学习成绩之间的相关性,找出最佳学习路径,推送给学习者。
1.4 学习者评价模型
评价模型中首先根据学生在线调查问卷的情况对学习者进行初聚类,然后对学生行为数据、知识图谱、活动序列数据进行预处理。然后根据学习者阶段学习数据对学习者进行再分类,对学习成绩低于阈值的学生进行干预,通过分析出学习活动序列跟学习成绩的相关性,推荐其优化的学习路径及资源对其进行督促改进,最后给学生学习过程以平价,如图1所示。
2 模型中的大数据技术
模型中主要采用聚类、分类、关联规则大数据技术。
聚类就是把一组数据按照相似度划分成若干个簇。模型中在根据学习者学情分析调查中,根据学习者的答题情况对学习者进行聚类,给学习者分组。常用的聚类算法有K-Means算法。其算法中心思想是:首先从数据中选择选取N个数据作为聚类的中心,然后计算其余数据到这N个数据的距离,取最小距离把其放入该簇,然后重新计算聚类的中心,把它作为新簇中心,重新计算其余数据到聚类中心的距离重新分簇,直到算法收敛为止。分类是在数据库中根据数据的特征将其划分为不同的类。最常用的分类算法有决策树算法。系统中用来给资源和学习活动序列,学习者二次分类。关联规则就是发掘一个事物和另一个事物之间存在的相关性。模型中主要用来挖掘学习者学习知识点的知识图谱顺序与学习成绩的相关性,找出最佳学习路径反馈给学习者。
3 结语
学习者在线学习过程中產生了大量的宝贵数据,通过大数据技术把隐藏在海量数据背后暗藏的有用信息挖掘出来从而反馈给学习者,增加其自我认知,让教育回归人本身,一定是在线教育的又一个春天。
参考文献
[1] 姜强,赵蔚,王朋娇,王丽萍.基于大数据的个性化自适应在线学习分析模型及实现[J].中国电化教育,2015(1):85-92.
[2] 姜强,赵蔚,王朋娇.自适应学习系统中双向适应交互评价实证研究[J].现代远程教育研究,2013(5):106-112.
[3] 赵慧琼,姜强,赵蔚,李勇帆,赵艳.基于大数据学习分析的在线学习绩效预警因素及干预对策的实证研究[J].电化教育研究,2017(01):65-68.
[4] 王林丽,叶洋,杨现民.基于大数据的在线学习预警模型设计——“教育大数据研究与实践专栏”之学习预警篇[J].现代教育技术,2016(07):78-82.
[5] 朱莹莹.大数据背景下的职大外语课堂教学改革创新模式研究[J].天津职业院校联合学报,2016(10):35-38.
[6] 张艳霞,孙洪涛,李爽,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(09):85-93.
[7] 黄赟茹.基于大数据分析方法的学生在线学习评价研究[D].北京:北京邮电大学,2017.
[8] 姜强.自适应学习系统支持模型与实现机制研究[D].长春:东北师范大学,2012.