大数据视野下学习预警的应用

■常 莹 李 博/兰州城市学院

进入2020年，我国的教育方向大数据挖掘、AI、数据分析等方面的发展，在技术方面为学习体验的优化提供了支持，物联网、数据采集、图像识别等技术的成熟，让数据采集体量及质量更为庞大。随着数据挖掘和数据分析技术的进步，这些技术也应当开始在学习预警相关研究中进行应用了，即在对学习过程中所产生的的数据动作进行采集和分析后，可以更好地发现问题，提升学习效果。

一、学习预警研究现状

学生的数量在进入知识社会阶段后剧增，这也导致管理学生、完成教学目标的压力比以前更大，因此不同的学习模式以及管理方式也更多地被进行尝试。在教学成本增加、竞争日益激烈的教育环境下，学习预警的重要性凸显出来。根据早期研究，随着学生数量的增长，很多教师无法及时跟进学生的学习成绩，对于逃课、未完成作业等行为，也无法及时发现和干预，而通过对学习预警的预测数据进行分析，可以识别出有以上行为的高危学生，继而对其进行教学干预。在整个教育过程中，基于大数据视野下的学习预警能够提供的东西越来越多，对于学生的正面影响也越来越明显。从国内数据来看，我国的学习预警相关研究从十年前开始增多，其中大多为理论性研究，目的是为了解决随着高校扩招、学分制出现所带来的实际问题。因此我们可以看出，学习预警是一个长期、连续的教学管理方式。

二、学习预警机制设计

学生学习过程中主要涉及到所学知识、学习行为、学习情绪，其中所学知识的掌握情况主要根据学生的答题测试、课堂观察来判断知识掌握程度；学习行为的掌握程度则包括学生的上课频率、与老师的互动频率以及课后的自主学习情况；学习情绪相对抽象，我们可以大略理解为在学习过程中所产生的的情绪感觉，如学习效果不好所产生的的挫败感、取得好成绩后的激动情绪等等。从这三方面进行基于大数据的学习预警，对于问题的发现和解决具有积极作用。

(一)学习知识预警机制设计

学习知识主要考虑到学生对知识的接收掌握程度，如通过试题和知识点等大测试数据来检测学生的知识库，通过大数据以及相关内容的可视化技术来评估学习者的知识掌握程度，在此基础上完成预警呈现。其主要步骤分为三大点，分别是诊断、预测、预警。

诊断模块主要目的是为了判断学习者对于知识掌握的程度，具体措施包括：将试题以及相关知识点进行矩阵关联，描述每一道题的每一个相关知识点明细，在学生学习过程中进行相关测试并采集所有数据，以此构成案例库进行下一步的预测；结合题库以及知识点相关数据构建诊断模型，通过单一学生的测试数据判断其知识掌握程度；记录下知识掌握程度判断结果、学生对自己的认知测试数据、题库数据分析等情况，判断在学习知识过程中所存在的问题。

预测模块主要是将诊断模块中的“知识掌握情况”进行收集记录，具体包括习题库、案例库、知识结构数据挖掘机分析，将这一批的诊断结果与新一批学习者的诊断结果进行比对，根据这前一批次的大数据分析来预测新一批学习者是否需要进行学习预警。结果可以分为2个方面，知识掌握程度差的学生会收到预警信息，掌握程度好的学生会收到具体学习情况。

预警模块，主要是对知识掌握程度差的学生进行精准推送，与此同时也要将这一结果推送给教师和管理者，一边三方都达到知情程度，并及时就那些干预。预警信息推送后，需要有针对性地提出个性化建议，可以系统进行自适应干预，通过大数据分析，整理出个性化资源推送给相关学生，情况较为严重时可以有教师和管理者进行人工干预，依据实际情况和教学管理经验给学生提出。

(二)学习行为预警机制设计

学习行为是指学生在学习过程中所产生的的行为，往往能表达出学生的态度以及学习情况，在很大程度上会影响学习效果，从这一方面进行数据收集和分析，可以提前告知学生其存在的问题并敦促其改正。同样是分为诊断、预测、预警三大步骤。如将学生在学习环境下所表现出的相关行为模式进行收集分析，如课前预习、课中与师生的互动、课后强化练习等行为根据时间和频次进行数据收集和分析，通常来讲学生的学习行为主要分为显性和隐形行为，显性行为主要是操作、交互、解决问题，隐形行为主要是分享观点、深化对问题的认知、构建新的观点，相对而言，隐性行为对于学生的心理认知过程强调得更多，但由于隐形行为的判断难度较大、准确度较低，因此大部分学习行为数据都是显性行为。

更进一步来分析，学习行为参与可以大致分为行为参与、认知参与以及情感参与，这其中行为参与是最为基础的，其频次和时长是判断参与情况的主要标准之一；认知参与更多地指向智慧和思想的参与，这也是深度学习的本质所在；情感参与是学生在教学活动中潜在影响最大的因素，在心理上对学习活动进行参与和拓展。

通过将学生的学习行为数据进行采集和分类，将不同层次的学习行为进行不同角度的区分，以产生全方位、多层次的预警效果。在大数据视野下，不同类别、层次的学习行为都需要进行分析，从而判断某学生的某种行为是否需要进行预警。如果需要预警，则进行信息推送，推送对象分别为教师、管理者、系统以及学生本人。下一步便是根据学生的预警情况进行个性化建议，系统在基于大数据的分析下给学生推荐适宜的资源。

(三)学习情绪预警机制设计

不同的情绪对于学生的学习效果会产生不同程度的影响，教师和学生之间的交流不一定是面对面，也包括图片、视频等媒介的交流，因此学生在学习过程中容易产生情感缺失的现象。从学习情绪的角度设置学习预警机制，就可以提前将学生要面对的情绪问题传达出来并及时解决。基于大数据的情绪统计，一般是视频监控、情感识别、可穿戴设备以及调查对象的网络发表记录的汇总分析，以此来判断学生的情绪是否需要进行干预。目前学习情绪预警可大致分为主观和客观两类，主观预警指的是学生的自我测评，客观预警指的是生理测量和行为测量等方式，多种方法采集到的多种数据，呈现出不同的预警形式，最终反馈出不同的建议。

三、结语

为了提升学习效果，呈现出高质量的学习，在大数据时代进行学习预警的探究意义重大。在知识、行为以及情绪三个方面设计的学习预警机制，可以对学生进行全面的预警，从数据收集和分析过程中，可以看到实用性和方便操作等优点，详细的数据收集方法、分析方法以及预警算法，都为学习预警的实际应用做出了详细的设计和完善，在实际学习中对学生的学习成果管理以及现实情况提供大数据支持，同时在教师和管理者的工作质量提升方面也做出了应有的贡献。但是不得不承认，在大数据采集过程中，仍然存在样本量不足的现象，这有可能导致数据遗漏，但随着科技的进步，数据采集与数据分析工具会越来越便利，对此我们需要在保持乐观心态的同时，也要不断进行调试和数据挖掘，为学习预警机制的完善和使用做好准备。