大数据环境下的自适应学习模型构建

王玉琼

（阜阳职业技术学院 安徽省阜阳市 236001）

因为大数据技术以及密集型科学的迅速发展，可以在社会各个领域之中，成为各学科生产的主要因素，美国学科基金会提出了大数据研究项目，从而使得人们进入到智慧环境中学习，针对教学设计以及内内容进行创新和改进，提出规范化学习模式，新时期要注重将大数据融入到教学中。不过大数据教学模式遇到了前所未有的挑战，最主要方式是如何获取数据资源。新时期需要针对学生学习学习做出合理评价，高度重视学生形成性评价，基于大数据环境下构建自适应学习模型，引导学生自主学习，从而不断提升教学效果。

1 国内外研究现状

学习经历主要是学习过程中出现的不同互动形式，以及获取的经验，主要是课程学习、编程编写和其他教学参与过程，在传统教学环境中经常出现，比如学校、课程都是在传统学习环境中完成的，主要是学习人员直接或者间接向教师请教，在互动式教学模式中对知识进行学习。

基于现实社会环境中对各种数据进行挖掘，可以使用传感器以及GPS定位等技术对用户生活情况进行定位，对实时数据进行分析。学习经验获得的数据内容和相关性存在联系，主要是实时数据和历史数据，各种数据混合起来，形成数据流，能够为综合环境具体分析，为人们提供广泛个人信息空间。传统意义上学习经验数据都是通过采集完成的，对工作环境完全忽略，个人信息数据主要是对反馈和绩效内容进行分析，从而可以更好的完成任务。

2 分析自适应学习模式特征以及有效性

2.1 模型结构特征

以学习者数据为主的互联网自适应学习模式，在新时代提倡的一种教学模式，从数据挖掘角度上高度注重学生内部因素带来的影响，结合传统外部因素影响力具体研究和分析，针对学习者个性特征深入探究，从而可以更好的对学习目标进行预测。还要确立自适应处理模型，对学习危机以及风险进行合理预测，有效预警干预，将实际结果传送给学习者，使得教师、学生和管理人员能够从内而外联合起来学习，对各方面结构深度优化和改进，从而可以达到自适应学习基本目标。

2.2 模型有效性分析

传统要素模型对于学生来说是比较抽象的，对于自适应方式和操作步骤并未有效明确，对学习分析过程更加规范和具体，追求细节严格性，不过缺少对整体的思考和分析，从而使得优化效果无法

达到学生学习需求。对于自适应学习模型出现的问题具体分析，将学生作为模型中心，时刻关注学生学习过程中行为、表现、情感以及个性等，对各种要素进行合理控制，使得学生学习中行为以及个性受到教师引导，进而可以成为成功教学案例。为学生提供在线学习模式，构建良好教学平台，做好分析和数据收集工作，对学生学习情况进行诊断和分析，从而可以及时发现学生学习过程中存在的问题，结合具体情况有效调整和优化，为学生提供良好报表内容，联合实时具体分析，从而使得学生可以获取课程详细内容，对学生学习能力以及参与度合理分析。并且以学生学习过程为主，从而可以展示模型运行有效性。尊重学生个性化发展，为学生提供适合的教学模式，做好数据收据和诊断工作，从而可以达到良好教学模式。模型的最大优势就是将学生学习过程作为基础，基于学生行为基础上作出决策，将心理情感以及个性化发展纳入到教学中，学习人员、教师和管理者可以针对性分析，做好调整工作，注重关注学生情绪，对学习心理心理进行干预，从宏观和微观角度上对个性化学习内容进行分析[1]。

3 构建大数据环境下的自适应学习模型方式

3.1 自适应学习系统流程构建

大数据环境下自适应模型可以分为四个步骤，第一步是学习者在学习过程中可以形成行为数据内容，通过内容传递模块知识，对数据进行标记，将时间作为依据。第二步，数据结合预先定义基础结构保存到学生学习数据库中[2]。第三步，预测模块是从学习人员数据库以及信息系统中采集基本数据内容，结合不同时期分析基本目的，对工具和数据进行全面分析。第四步，自适应模块结合预测模块中学数据深度挖掘，对结果进行分析，以内容基础为学习人员提供适合的指导以及对策等[3]。

3.2 个性化自适应学习过程结构

在学习分析促进教育学简报中提出学习者自适应学习结构以及数据流具体内容，此结构主要包含六个主要内容，主要是传递模块、学习数据库内容和预测模块、显示、自适应和干预等，所以将其作为自适应依据具体分析和研究，此模块结构主要是在线学习平台为主的业务核心内容，充分展示出大数据分析和个性化学习引擎，进而可以形成一种适合学生学习的个性化自适应平台，并且将其引入到历史数据库中研究，提升书数据分析价值。

（1）历史数据库的成立，很多学校内部都拥有很多历史数据，对这些数据进行深度挖掘，可以展示出在线学习的主要特征。

（2）在线学习平台，借助教学平台、Moodle等平台开展在线学习，进而可以为人们提供更多真实学习内容，比如知识点、案例和测试以及练习等各种可视化信息内容，做好管理、维护和传递学习工作，从而可以更好支持学生学习行为发展，并且各种平台的构建需要在不同时期和不同层次开展，完成学习任务，和特征。

（3）大数据分析模块，主要来自于历史数据库中，在线数据库以及在线学习行为数据等不同方向，进而可以得到基础课程个人学习行为特征预计预测基本结构。

（4）个性化学习推荐引擎，结合大数据分析结构以及预测结构为学习人员提供更多感兴趣的学习内容作为参考，在学生内心可以形成一定学习路径，进而可以推荐给学生一定学习序列。

（5）学习对策，自适应性学习系统中，学习人员一般采用三种学习形式，比如讲授式、也探索式和协作式，在实际教学中可以采用协作式教学方式，对不同学生提供不同教学对策，进而可以完成学习过程。

3.3 构建核心预测模块

预测模块基本功能是对外部学习人员收集的信息内容以及数据等进行整合，还要分析内部学习人员行为，结合数据深度挖掘和预测达到合理化结果，对于学习人员行为和结构进行预测，为自适应模块提供合理化依据，将结论全部传送给教师以及管理者，便于教师和管理人员迅速做出判断，为下一步工作内容做出合理化调整和干预。是整个自适应系统的媒介，对自适应学习系统功能运作具有支撑价值，预测模型的好坏直接影响了整个系统运作功能是否可以有效实现[4]。

3.4 以学习结果作为基础

构建此模型的原理是将预测目标作为因变量，预测指标作为自变量，通过分析有效探索两者关系，学习结果预测是以数据分析合理探索自变量和因变量关系，保证不同测量结果对目标的权重。生成的模型主要是理论设计，对模型进行验证，使用多元回归分析法，对学习预测参数进行预测。在学习结果预测上，需要将学生学习成绩和等级，以及成败等作为预测内容，在预测变量上，将个人背景作为基本信息，做好过程性指标预测工作，针对学习参与状况和情绪具体分析，优点在于数据分析过程十分简洁，制作原理比较简单和成熟，可以准确化得到预测结果[4]。同时也存在一些问题，数据来源过于单一，学习情境不够多元，并且学习行为都是外部数据决定的，学习人员行为数据严重不足，彻底否定了内外行为之间关系。可以采用成熟预测原理和方法作为基础，以多元化回归分析和方程作为线性分析内容，在实际学习过程中对行为和结果具体研究，使得结果更加真实和具体[5]。还要对学习人员的个性化进行指导和研究，结合学生具体情况成立奖励机制。将学生人员数据作为中心，构建互联网预测模型，基于原模型基础上作出分析，提升学习人员内在行为效果，为学生提供个性化学习目标和内容，通过预测为其提供合理化教学内容，提升学生学习危机意识，注重给予学生学习过程中干扰内容，从而可以更好的符合自适应学习，提供最佳服务形式。在实际构建过程中注意将学生作为中心和基础，分为外在行为、内在行为和个性特征有效分析，结果则是对目标、处理和风险危机预警进行预算，从而可以达到最好效果[6]。

3.5 学习要素分析

学习分析要素分为五个方面，过程、学习和教育环境等等，需要结合国内外发展内容具体研究，构建自适应学习模型，参考五要素模型中约束条件，转变内外约束思想，拓展内外约束内容，不能要充分考虑学生接受能力以及学习能力，还要对学生倾诉和心理因素具体研究。模型中体现学生学习是一个循环过程，以学习结果作为依据不断优化和升级，从而可以对改进后的结果再次分享和反馈，如此反复循环，对整个学习过程中有用资源进行利用，达到一种改善教育效果，使得教学目标得以提升[7]。

3.6 基于数据支持下仪器面板可视化

学习仪表板为人们提供真实数据和报道内容，将其可视化方式呈现出来，便于人们对学习内容进行观察和分析，学习仪表板主要为学生提供个性化学习内容，不同人员对待学习发表的观点是不同的，不过也是存在联系的，所以需要结合人员需求提供适合内容，显示符合数据信息，从而可以有效提升自适应模型构建效果[8]。

4 结束语

总而言之，大数据环境下，对网络在线学习模式中师生学习经历数据获取、识别、分析和传达进行深度挖掘，以固定教学方法和理论知识，针对大数据网络中存在的在线学习模式个评价内容做出分析，针对问题深度研究，从而可以形成不同结果，从而使得在线学习成为评价学习的基础，提升学生综合能力和素养，同时可以推动高职教育行业发展。