基于大数据的个性化学习模式构建

周显春 谭瑞梅

摘要：随着高等教育的大众化，出现了人才缺少和毕业生过剩的矛盾。如何解决人才供求之间的问题成了一个迫切问题。人类社会已经进入大数据时代，教育部门或组织拥有大量的学习行为、学生习惯等数据。利用大数据技术发掘每个学生的学习潜能，给学生推荐个性化学习资源，满足学生的个性需求，不仅可以缓解学生认知超载、网络迷航等问题，还可以激活学生学习兴趣。

关键词：教育大数据;个性化;学习模式;推荐

中图分类号：G642        文献标识码：A

文章编号：1009-3044（2021）36-0054-03

开放科学（资源服务）标识码（OSID）：

Construction of Personalized Learning Model Based on Big Data

ZHOU Xian-chun1， TAN Rui-mei2

（1.School of Information and Intelligence Engineering，Sanya University， Sanya 572022， China; 2.School of Law and Sociology，Sanya University， Sanya 572022， China）

Abstract： With the popularization of higher education， there is a contradiction between the lack of talents and the surplus of graduates. How to solve the problem between talent supply and demand has become an urgent problem. Human society has entered the era of big data， and education departments or organizations have a large amount of data on learning behaviors and students' habits. Using big data technology to explore each student's learning potential， recommend personalized learning resources to students， and meet students' individual needs，can not only alleviate students' cognitive overload、network lost and other problems， but also activate students' interest in learning.

Keywords： big data in education;personalization;learning model;recommendation

1 基于大數据的个性化学习模式构建的意义

国发〔2015〕32号《国务院关于大力推进大众创业、万众创新若干政策措施的意见》要求全社会推进大众创业、万众创新，提升全民的创新能力，其关键还是人才培养方式。培养创新性人才需要采用个性化教育，对大学生进行个性化教育则是实现这一重要任务的根本途径，唯有因材施教才能使人的潜在能力得到充分发挥[1～2]。

当前，国内外利用机器学习算法对个性化学习研究多集中在个性化学习路径推荐、个性化学习系统、个性化教学方法、个性化学习评价模型等几个方面。姜强等[3]基于大数据背景下，利用大数据技术，如Apriori或其改进算法AprioriAll通过个性信息和群体类似信息挖掘个性化的学习路径。周海波、周清清[4～5]根据对学生基本情况、心理特征分析的基础上给学生推荐适合学生的学习资源，包括学习视频、习题等。牟智佳[6]等为了客观评价学习效果，利用层次性聚类方法构建层次性评价体系。这些研究，无论是学习路径的实现、推荐系统的功能实现，还是个性化学习方法、学习效果的评价方法都忽视一个核心内容，即学生的学习特征，包括学习风格、学习习惯等特征与知识点之间的前后之间是有本质区别的。学生个性化特征不具有时序性，而知识点的学习是有前后关系、并行关系。哪个知识点必须先学，哪些知识点可以随便选择，需要对知识点进行分析，建立知识点图谱，建立他们之间的序列关系，才能推荐更能满足学生个性化的学习资源和学习路径[7]。

2 个性化学习模式核心概念界定

1）知识点题库：与一般题目不同的是以知识点为基本单位的题库，最重要的特征是存储在系统中的知识点是有前后关系，表示知识点循序渐进的关系，完全符合人的认知规律。

2）Apriori算法：最早是由 Agrawal 等人提出的。最初提出的动机是针对购物篮分析问题提出的，其目的是发现交易数据库中不同商品之间的联系规则。这些规则刻画了顾客购买行为模式，可以用来指导商家科学地安排进货，库存以及货架设计等 [8]。而且它也是一种迭代算法，利用它的子项Lk-1来计算出它下一项，反复地迭代直达候选集为空，停止执行[9]。

3）个性化：从教育学的视角出发，个性化是人的个性特质，每个人都有差异，表现为不同学生对同一个学习内容采取的学习行为不同。也就是说，虽然学习目标、内容大同小异，但是每个学生实现的方式、选择途径、使用方法不同，产生的学习效果不同。

4）个性化学习：以学生为主，教师为辅。学生根据自己的具体情况，如知识基础、心理特征、学习态度、学习能力来选择性学习。

5）个性化推荐系统：推荐系统是自动联系用户和物品的一种工具，它通过研究用户的兴趣爱好，来进行个性化推荐。近年来，推荐系统在日常生活中已经广泛应用，如在京东、淘宝、天猫、亚马逊等企业。为了提高推荐效果，如提供用户响应时间和推荐的正确性，很多学者也对基于各种推荐算法（包括深度神经网络）的个性化推荐系统进行的深入研究[10]。

6）学习模式（Learning style）[11]，“学习模式”概念思想阐述产生于20世纪70年代，近年来普及迅速。它含有假定的条件，学生在这种情况下可以让学习效果达到最佳状态，并且学生的学习情况能够被教师评价。

3 基于大数据的个性化学习模式构建内容

基于Apriori算法个性化学习模式的构建，立足学生内心的需求，将大数据技术与教育学原理相结合，在尊重教学规律的基础上，利用先进信息技术让学生找到符合自己需要的资源和匹配自己习惯的学习方式，从而能够有效提升学习效果。

3.1 基于大数据的个性化学习模式构建的目标

首先，完成学生档案、心理特征和个性化学习数据收集、分析，然后对个性化学习模式和实践进行探索，并突出对影响学生个性化学习内容的要素研究与探索，最后以新生学习的计算机应用基础课为案例开展实践活动，研究个性化学习模式的建构及其实践途径。

1）探索个性化学习、基于大数据个性化学习的现状，揭示基于大数据的个性化学习特征。

2）建设个性化学习资源，如以知识点为基本单位建立学习内容题库等。

3）完成学习个性化心理特征与个性化学习内容的相关性分析。

4）通过课题研究，建构一整套科学完善的基于大数据的个性化学习模式。

3.2 基于大数据的个性化学习模式构建的内容

针对学习者个性化学习内容不完善的情况，本研究首先利用Apriori算法研究知识点与个性化特征的关系，分析学习者个性化特征与个性化学习路径的相关性，然后对这种相关性进行验证。具体研究内容如下：

1）分析个性化心理特征内容，如课程学习目标、学习行为习惯、学习兴趣点、学习目标或动机等方面，然后采用问卷调查或访谈的方法收集学习者具体的个性化心理特征，最后把个性化心理特征进行量化处理;

2）完善基于知识点题库建设，构建了序列知识点题库。

3）收集学习者的上线学习、测试、交作业、讨论等学习数据和个人基本信息，还有自评、同学互评、老师评价信息，采用Apriori算法首先分析学习个性化特征与个性化学习内容的关系。

4）对个性化特征与个性化学习内容的相关性进行实证研究。首先对学习者分成两组，第一组学习者自己选择学习内容、控制学习进度，第二组利用大数据技术（如：Apriori算法）挖掘每个学习者的个性化特征，为其提供个性化的学习内容（与该学习者相关的知识点集合），并且在其学习的过程中有一个根据学习情况调整学习内容的过程。在学习期间穿插知识点、单元、期末测试，比较第一、二组的学习成绩。同时收集第二组学习者对个性化系统为其提供内容的满意度，然后通过学习成绩和学习者的满意度来验证相关性的意义。

3.3 基于大数据的个性化学习模式构建方法

1）文献研究法：在CNKI、万方数据知识服务平台查阅“个性化学习模式”“大数据技术”“Apriori算法”等关键词的相关文献和分析，了解此大数据技术、个性化学习及大数据技术在个性化学习中应用理论研究进展和未来发展趋势，熟悉大数据分析技术、个性化学习、学习模式等相关概念，找到当前个性化学习模式存在的问题，总结归纳出研究的理论基础、研究内容和目标，为基于大数据的个性化学习模式研究夯实理论基础。

2）调查法/问卷调查法，调查学生基本情况，包括基本情况、心理特征，课前测试学科知识基础并可以进行不同阶段性的学习情况数据对比，做好数据分析的第一步。学生调查/问卷的内容必须要保证符合教育教学原理，必须科学且有针对性。同时，通过收集学生的阶段性、过程性、水平测试成绩，为实证研究做好数据准备。

3）实验法，可以把同一个年级的一个行政班分为A班和B班或者一个专业分成几个行政班，不同实验班级采用不同的教学方式、教学内容，加强过程性考核并对比其差异性，同时解释差异性产生的原因。

4）行动研究法，根据研究的需要制订教学计划、规划教学内容，采用适当的教学方法，把研究和实践活动结合起来，研究理论紧密联系实际，对研究中出现的任何问题，追索原因并制订解决方案或计划及时解决，从而完善教学研究。通过教学名师、中坚力量教师的“帮、带”的引领 ，以点连成线，线构成面，全面推动教学理论在实践中应用效果研究，教师将根据个人的实际教学情况或者学情调整、修改并总结归纳实践成果，撰写教学论文和申请相关教学课题。利用阶段性教学研究成果逐步完善教学研究内容实现途径，迭代出基于大数据及时的学生个性化学习模式实现路径、方法等。

5）数理统计、分析法，研究所收集的数据采用Excel收集，存储在MySQL数据库，完成数据清理后使用大数据平台进行统计、分析，根据分析结论结合学生个性化需求为学生推荐个性化的学习路径及学习资源。

3.4 基于Apriori算法個性化学习模式构建

从2018年秋学期开始，基于Apriori算法的个性化学习模式构建历经3年设计、实践。该模式基于大数据技术、结合学生的基本特征、学科知识点的逻辑结构关系，分为课前、课堂、课后三部分，具体内容如图1所示。

1）课前部分。首先需要根据学习目标确定完成目标需要掌握的知识点的集合。其次，根据知识点和试题的关联性生成诊断性试卷，对学生进行认知能力测试，得到完成学习目标但是没有掌握的知识点，同时根据所罗门学习风格测试内容、学情调查表判读学生的学习风格、学习能力等特征。再次，根据前一步的知识点集合、学生个性化特征，采用Apriori聚类算法完成个性化路径推荐及对应知识点的资源推荐。主要采用网络学习平台实现，目前采用传智播客的学习平台完成知识的传授。

2）课堂教学。可以通过智能设备收集学生学习状态，如起立、趴桌子打瞌睡、书写、玩手机、阅读、举手、听讲，还有学生表情数据，如中性、愤怒、惊讶、高兴。通过这些数据分析数据学习的专注度。同时，通过学生自学、教师面对面个性化指导、同学互助完成课前预习遇到的问题或疑难。师生互动后，针对没有掌握的知识发送诊断性题目完成知识的转化。

3）课后反馈。温故而知新。课后的习题，不仅仅是巩固已有知识，更多是拓展已有知识，可以和以前的知识点结合，布置综合性试题，培养学生的综合运用能力。对于基础差的同学，课后习题是最后完成学习目标的机会。根据学生完成的情况推荐不同的试题。

4 结论

本文构建了基于Apriori算法的个性化学习模式，能够利用推荐的个性化学习资源进行学习，从构建序列知识点题库并实现、采用Apriori算法分析学生个性化特征与个性化学习内容的相关性、基于Apriori算法的个性化学习模式并实证研究等三方面进行创新，不仅符合学生的个性特点和需要，而且学生自主选择适合自己的学习内容和资源，按照适合自己的方式和进度进行学习。这种学习方式能促使学生个体潜能得到最大限度的发挥，非常符合当前高校人才培养的需求。

从2018年开始在我校大学一年级新生中《计算机应用基础》课程中开展了“基于大数据的个性化学习模式构建及实证研究”实证研究。其研究成果不仅改善了学生学习效率，大幅提升了学生的学习成绩，而且可以缓解学生认知超载、网络迷航等问题。

参考文献：

[1] 刘继勇， 邓敏. 个性化教育：大学生创新能力培养的根本途径[J]. 江西社会科学， 2001（5）：129-131.

[2] 李伟光. 当代大学生个性化教育与创新能力培养[J]. 长春师范大学学报， 2016， 35（5）：141-143.

[3] 姜强， 赵蔚， 李松，等. 大数据背景下的精准个性化学习路径挖掘研究——基于AprioriAll的群体行为分析[J]. 电化教育研究， 2018（2）：45-52.

[4] 周海波.基于自适应学习平台促进学生个性化学习的研究[J].电化教育研究，2018，39（4）：122-128.

[5] 周清清，佘航，平萍.基于大数据评价的个性化学习平台模式构建研究[J].中国教育信息化，2016（15）：13-15.

[6] 牟智佳.电子书包中基于教育大数据的个性化学习评价模型与系统设计[J].远程教育杂志，2014，32（5）：90-96.

[7] 周显春，肖衡，高华玲. 大数据背景下的精准个性化学习路径[J]. 现代计算机（专业版），2018-12-15（12）.

[8] 魏玲， 魏永江， 高长元. 基于Bigtable与MapReduce的Apriori算法改进[J]. 计算机科学， 2015， 42（10）：208-210.

[9] 郝曉飞， 谭跃生， 王静宇. Hadoop平台上Apriori算法并行化研究与实现[J]. 计算机与现代化， 2013（3）：1-4.

[10] 任明.智能信息系统 以关联知识优化数据建模的方法和实践[M]. 杭州浙江大学出版社，2012.

[11]（美）汤白斯.学习模式大发现[M].徐绍知，等，译.上海：上海世纪出版股份有限公司发行中心，2014.

【通联编辑：王力】