大数据技术在学习分析中的运用

黄援生

（厦门大学图书馆 福建 厦门 361005）

1 引言

近年来，大数据技术在创新领域的关注度不断攀升，已成为许多行业应用的焦点，这其中就包括学习领域。数字化正在逐渐改变我们的日常生活及社会的各个层面。通过访问互联网，可以随时随地获取信息。互联网用户根据自己的需求进行导航，在这里点击、评论、购买、收藏和学习，由于许多可追踪的小行为带来了大数据的宇宙，在这个时代，所有的东西都可以测量。建模。货币化。可操作和预测。大数据的应用范围很广，从营销到科学，再到可持续发展和健康领域，以及本文关注的学习分析领域[1]。学习环境离不大数据，而学习平台产生的数据仍未得到充分利用。随着物联网的迅速兴起，“教育大数据”的时代已然到来。

2 大数据技术在学习分析中运用的优势

大数据学习在世界范围内正在成为一种新兴趋势，尤其是在高等教育中。通过使用智能手机、WIFI连接、教育内容管理平台、数字通信服务、协作工作工具和社交媒体，许多学习过程会产生可收集和分析的数字痕迹。这些痕迹可能来自：提供数据（学生的背景，结果，需求和偏好）的教学管理系统；指示使用时间和持续时间；测试结果以及所查询内容列表的电子学习环境；多个设备提供的地理位置数据；外部服务和工具，例如云存储应用程序、阅读数字教科书和模拟；使用设备的识别和连接速度的技术信息；社交网络等。为了给每个学生提供最好的资源，以适应他们的学习模式，许多高等教育机构都在使用分析来改善他们的学习过程。通常，大学和机构通过注册。、考试、数字学习环境或图书馆借阅系统收集有关其学生（学习者）的大量信息，这些系统会自动生成数据。因此，随着教育技术的出现，数字化在教育中的普遍使用可以捕获、存储、研究、共享、分析和可视化。海量数据或大数据必须将基于技术、数据分析和计算机功能的新方法整合到学习过程中，以满足学生的需求，尤其是在个性化、参与性和学习动机方面的需求，满足教师更好地理解每个学生的个性化方面的需求。大数据技术的兴起和数字工具的广泛应用，使得有可能根据学生的行为建立大量的数据。现在可以测量、收集、分析和处理这些数据，以便更好地了解学生的需求，然后优化学习[2]。例如，我们可以对学生单击学习平台上的按钮的次数、在该平台上花费的时间、MOOC（大规模开放式在线课程）的动机以及对课程的保留程度等进行关注，改善学习过程的大数据分析种类繁多。而教师能够更好地评估学习过程，对使用这些学习信息源进行大量的研究，目的是充分利用学生留下的数字痕迹，以更好地了解他们的行为并优化学习过程[3]。

3 大数据技术在学习分析中的具体运用

互联网已经渗透到我们社会的各个方面。IT工具的出现导致数据爆炸，数字时代已经改变了学习过程的各个阶段：从电子学习到社会学习，再到MOOC等形式的出现。大数据技术是学习机构日益追求的一种方法。这是一个值得关注的策略问题：他们要面向什么样的学生？他们提供什么类型的学习？答案来自基于数据分析的学习工具，该工具反映了大数据的全球术语。这些学习工具的设计依据来自于学生使用反馈产生的大数据。通过对学生行为轨迹的数据收集和分析，学习机构可以确定哪些学生可以针对性地进行教学干预。预测算法可以通过提供行为信息来激发学生的个性化干预措施，以确保更好地训练和技能。只要学生在一个平台上连接，便会立即收集数据。这些工具有助于更好地了解该学生，并为他提供个性化的推荐。为此，大数据使用机器学习算法来处理产生的所有数据。随着大数据的出现而开展的研究工作，导致了许多技术和算法的发展，主要包括以下四方面。

3.1 数据挖掘

在试图从数据中提取和获取有用的知识之前，理解、发现新知识的整体方法和过程很重要。数据挖掘与大数据相关联。大数据是指由于规模大而不能手动管理的数据，必须使用计算机方法进行数据处理和分析。数据挖掘被认为数据库中的知识发现过程的子步骤，通过从数据挖掘算法中发现知识来改进教学方法，因此，随着教育数据挖掘的发展过程，出版物的数量呈指数级增长[4]。该过程定义了一系列步骤（最终反馈），应遵循这些步骤来发现数据中的知识。为了成功推进每个步骤，我们必须应用有效地数据收集、描述、分析和解释。通常通过可用的软件工具来实现每个步骤。数据挖掘技术是探索大量数据的基础。算法的发展可能起源于学习分析和教育数据挖掘学科的兴起。这是根据学生的行为预测学生的具体知识和技能。在学生的知识不断发展的过程中，这种方法与通常的心理测量模型有很大的不同，因为它具有交互性的特征。

3.2 预测分析

预测分析是使用从相似的过去数据构建的模型来预测以前看不见的数据中存在的未来事件和行为。它在金融、教育、医疗保健和法律等不同领域具有广泛的应用。这种机制完全适用于学习环境。主要方法是基于内容的推荐和项目之间链接的协同过滤。

预测方法也可以应用于社会学习。社交推荐机制类似于内容推荐，但依赖于围绕社交网络图组织的特定数据。图形是代表网络中不同对象之间的连接的数据结构：成员、内容、讨论、社交活动等。这些方法可用于确定要提交给网络成员的相关对象：要关注的其他成员、相关讨论、共享内容等[5]。

3.3 社交网络分析

对社交网络的活动及其动态的深入理解可以更好地推动学习过程。社交学习分析依赖于对社会网络的分析。识别网络中的内聚子集；调查这些网络的密度。由网络管理并围绕图表组织的数据的特殊性质定义了新的适应措施。

随着诸如微信、微博、抖音之类的社交网络的出现，使用了几种定义和统计工具。这些概念局部地描述了社交网络，并确定了它们的重要元素，例如影响者和中介。

检测社交网络上的社区或群体的主要技术基于计算之前的连接。这项措施的重要意义在于，这种联系将两个不同的社区联系在一起。通过对网络连接之关的值，施加一个阈值，我们获得了网络在社区中的分割[6]。

3.4 自然语言

对社交网络成员的贡献的自动分析需要一种基于自然语言处理技术特定的方法。在这种情况下实现的具体技术可以是主题分类和自动“标签”；可能是该领域中最流行的应用之一，它允许将每个贡献关联到一个或多个标签，这些标签是由集中分类法或由学习者提出的。这种丰富的数据可以稍后用于改善内容搜索或社交推荐模块[7]。

4 大数据技术带来学习分析变革

大数据技术革新了教育机构分析和评估学习经历的方式。对学生来说，这种方法可以支持他的学习过程，对教师来说，大数据让教师更多地定位为学生的向导。

4.1 大数据技术对学生的影响

学生将是基于大数据的学习方法的第一受益者。数据驱动方法将提供的新用途，使学生能够遵循适合其需求的高度个性化的培训设备，并从大规模的“量身定制”方法中受益。了解可检测承诺不足的系统，以及谁能够适应这些状态以使学生重返学习环境中。

这些好处对学生而言具有相同的目标。它可以在整个过程中优化知识的获取和保留，并最终改善其运营绩效。

4.2 大数据技术对教师的影响

大数据将为学生的学习提供前所未有的个性化服务。这将使教师更加确定每个学生的设施、努力、进度或遇到的困难：谁有困难？在哪些课程中？在哪些练习上？因此，由于不断收集数据，大数据技术可以进行干预，并立即采取行动，以解决所发现的问题。教育也需要不断保持警惕，以找出任何差距并尽快予以纠正。这些实时监控机制为实验和测量新教学方法的有效性提供了理想的环境。

5 结语

面对数字化在专业领域带来的挑战，高等教育在学习过程中合理整合数字化元素。其目的是应对所需技能的快速发展。大数据分析可以帮助提高教学支持并增强学习分析过程。有许多类型的数据需要交叉和分析：那些与数字使用和教育学生活动有关的数据，更好地识别他们的学习状况，创新教学和科学研究数据。使用教育工具（技术）产生的数据还可以为教育团队提供指标。这些指标使它们能够更好地评估学生，优化学生的知识获取并发展他们的技能。