基于知识点的个性化诊断学习实践活动设计及效果

周显春 谭瑞梅 高华玲 梁志勇

摘要：目前，尽管教育体制和人才培养方式很完善，但是随着高等教育的大众化，出现了人才难求和毕业生过剩的矛盾。以社会需求为导向，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，发挥学生特长，满足社会需求。自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。实践效果显示不仅改善了学生学习效率和大幅提升学生的学习能力，而且教师的教学素养也得到了提高。

关键词：知识点;个性化诊断;学习模式;学习效果

中图分类号：TP311       文献标识码：A

文章编号：1009-3044（2021）33-0028-04

开放科学（资源服务）标识码（OSID）：

1引言

当前，国内外利用大数据技术对个性化学习模式研究主要体现在个性化学习路径推荐、学习系统、教学方法、学习评价模型等几个方面[3～6]。尽管教育体制和人才培养方式很完善，但是随着高等教育的大众化，出现了人才难求和毕业生过剩矛盾。利用大数据技术充分发掘每个学生的学习潜能，给学生推荐个性化学习资源，满足学生的特性需求，发挥学生特长。自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。

2基于知识点的个性化诊断学习实践活动设计

回顾近4年的课题研究，我们初步取得了一些研究成果，无论是参与课题研究的老师，还是没参与的老师，都深切感受到该课题的研究在促进学生的全面发展，提高教育教学质量，提升教师素质等方面都有着重要的作用。

2.1利用大数据技术对学生精准画像，实现了学生相似度计算

在一个开放性的学习平台中，学习者学习行为有浏览资源、下载资源、上传资源、提问、评论、答疑、练习、测试等。在智慧教室，教学过程、学习过程数据全面呈现。通过对这些学习行为进行分析，不难得出他们的兴趣点;不同的学习行为反映出内在的兴趣度和认知能力不一样，在量化过程中要体现出差异。 特征获取途径主要有以下几种：

1）学习者在注册时需要填写学生学情调查表、学习风格调查表。

2）学习者注册完成后，需要确定学习目标。根据学习目标，系统会生成基于学习目标的知识点序列的试卷。

3）答完试卷后，系统会根据没有掌握的知识点生成推荐学习路径和对应的学习资源，完成学习目标。学习者的练习测试能反馈出其对某个知识点 的兴趣特征和认知能力特征。

4）学习者浏览学习资源，完成过程性作业。

5）在学习的过程中，学习者可以提问、发表评论、留言，或者对同学的疑问进行解答。学习者提问的內容，能较好地反映其兴趣 点，问题到概念的映射可以自动标注，也可以强制学习者手动标注学习者对某个学习资源发表评论，说明学习者对该学习资源背后的知识点较为熟悉。学习者能对某个问题答疑，且提问者能根据 其答疑结果决定是否结题，反映出答疑者对此问题具有深入的研究[7]。

6）在智慧教室，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，还是学生表情数据，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。

2.2构建知识点序列，为学习路径推荐提供依据

建设个性化学习资源，以知识点为基本单位建立学习内容试题库、视频资源等。如果根据教学内容确定知识点之后，让学生自我选择或者根据简单罗列知识点的前后关系构建学习路径，既浪费时间也不利于学生对所学知识进行重建。因此，基于学生已有知识基础的知识以及即将所学知识点之间的逻辑关系建构知识点序列，以此推荐学习路径。构建知识点序列的步骤如下：

1）提取知识点。根据学习目标，结合学科知识图谱、思维导图，利用Jieba分词工具提取知识点集合。以此为基础，结合大学计算机基础课程，将其知识点划分为起源、发展、定义、基本概念、分类、功能、操作（基本操作）、设置、配置、管理。例如，掌握进制的概念才可以学习进制直接的转换，接着才可以学习字符编码，而字符编码，按照单、双字节的难易先后顺序，先要学习西文字符编码，再学习汉字编码。

2）根据知识点的关系构建知识点关系邻接矩阵。假定知识点之间有关系则“1”表示、没有关系则用“0”表示，根据知识点前后顺序关系构建邻接矩阵。

3）知识点序列的题库的建立。除了知识点常规属性外，另外添加两张表，有序号、上位[8]属性和序号、下位[9]属性，分别表示要掌握该知识点必须先学习的知识点和学完该知识点后紧接着要学习的知识点之间的关系，其值都是知识点的序号。

4）把知识点关系邻接矩阵转换成知识点关系有向图。

5）推荐学习路径。在知识点关系有向图中，寻找排除已经掌握的知识点（如果是关键点则不能排除）且能够达到学习目标路径。如果存在多条路径，需要采用推荐系统给学生推荐最优的学习路径。

2.3 建立的以知识点为基本单位的试题库系统

根据试题库的形成、考试和管理的实际功能需要， 规划好功能模块图。以此设计和开发各个模块所对应的功能。主要功能模块包括题库管理系统和考试系统。题库管理系统中最重要的模块是知识点模块，它具有创建新的知识点和设置知识点的前后关系、调整已有知识点的前后关系，如果中途取消修改直接退出。考试系统包括试卷生成、删除已有试卷。

2.4基于学习目标的个性化诊断性试题推荐方法

目前，常用的个性化学生知识能力诊断性试题推荐系统研究主要考虑以下两个问题：一是如果结合学生个性特征、学习行为特征，试题包含知识点，学生认知水平三者关系中精准实现学生已有知识点掌握的建模，使其能够用于下一步的诊断试题或试卷的生成？二是如何结合大数据技术，利用海量的教育数据，采用个性类似学生推荐个性化推荐学习路径和资源，并又要能够让推荐的资源或者学习路径能可解释性？

个性化诊断试题推荐目的为了了解每个学生的状态及其能力。本研究将通过相关试题从试题难度程度、知识水平和知识点来评价学生能够达到学习目标。该推荐方法有两个方面的应用。一是基于学习目标知识点的学生的学情、学习风格的检验学生认知水平的试题，主要目的是检验学生还有哪些知识点没有掌握;另一个是根据学生没有掌握的知识点、学情、学习风格，精准地对学生的个性化知识点掌握程度进行建模，相关算法和技术能够辐射到其他学科。

2.4.1 试题属性量化

每门课程具有知识点集合，不同的试题包含不同的知识点，知识点和试题都有层次性。针对学生提供其合适的试题是难题，它需要考虑学生已有的认知、学习风格、学习能力等因素。通过参考大量的文献和实践[10～12]，可以规定试题属性：

1）试题难易程度：比较复杂，采用得分率来进行衡量，每个学生因知识水平不同而不同，是一个动态值，其值等于知识点做对的次数除以推荐试题中该知识点出现的次数。对于某个学生而言，做完所有推荐试题可以得到关于推荐所有知识点的得分率矩阵。根据给定阈值，难易程度划分为容易、适当、难。适当是推荐试题的标准。

2）试题认知层次： 1、2、3、4，分别表示识记、 理解、简单应用和综合应用。

3）试题题型： 1、 2、 3、4，分别对应单项选择、多项选择、填空、判断题，采用自动化评阅。

4）试题知识点：根据学科、思维导图提取知识点集合，划分知识点的难易度、认知度以及知识点直接的关系，不仅考查学生是否掌握知识点，还要考查学生的综合运用能力。

2.4.2试题推荐方法

为了给学生推荐本门课程最符合学生现有知识水平的试题，即试题不是太难也不是太容易，能够恰当考查学生的水平。本文综合考虑三个矩阵： 评分矩阵、难度能力 矩阵和认知能力矩阵，采用以下推荐原则：

1）对于某个知识点，如果学生掌握了，那么它对应的试题难度、认知层次的量化指标都会大于等于4。如果再次推荐试题，那么新的试题中就要尽可能不要出现该知识点，推荐的路径中也尽可能不要出现，除非该知识点是核心知识点，处于知识点关系中核心位置。

2）否则，推荐试题，如果没有做对或做过，而且对应的试题难度、认知层次的量化指标都会小于4，则说明该知识点没有掌握。

2.5完成学习个性化特征与个性化学习内容的相关性分析

现在是大数据、人工智能时代，一切以数据为基础，用数据说话。通过获取学生个性特征、学习行为轨迹数据，利用机器学习算法能够精准识别学习中的个性化特征、推荐优秀的学习资源、学习路径，预测未来的学习行为、学习结果。对于预测结果欠佳的学习，需要尽早给予个性化学习强制干预、有效指导，让学习者能克服时空的限制实现自我导航，避免认知过载，提高学习者的学习兴趣，激化学习中潜在的学习潜能，最终达到最优的学习效果[13]。

学习路径生成（如图1）基于学习知识点序列和学习主体两方面，学生个性化基本特征、学习风格和知识水平是学习者重要的特征，预示个性化的学习行为产生的根源，是个性化学习路径及资源推荐的重要依据。个性化学习特征主要从以下三个方面挖掘：

1）学习风格、学情判定。利用所罗门学习风格量表、学情问卷调查和朴素贝叶斯算法分别从显性、隐形两个方面挖掘学习风格，为实现个性化学习资源的推荐奠定了学习风格、学情的基础。

2）已有知识能力的诊断。正确评价学生已有的知识水平是恰当推荐的前提。学生的知识水平是动态的，随着学习的进行，知识水平一般会呈现上升趋势。在确定学习目标的前提下，正确诊断学生已有知识点，可以采用大数据技术、人工智能方法推测学生的知识水平，本研究采用学习者直接连续基于知识点的诊断练习题或试卷来评测学生已经掌握的知识点，找到学生没有掌握的知识点，以此构建学生的学习路径的基本知识点集合，也是推荐资源的主要依据。

3）个性化学习路径及资源的推荐。基于学情、学习风格、认知水平，采用Apriori算法，基于相似推荐的原理，为学生推荐个性化学习路径及资源，解决“学习迷航”“认知过载”等问题，提高学习兴趣和提高学习效率，缩短学习时间。

3 基于知识点的个性化诊断学习实践效果

根据实践数据显示学生进步很大，他们基本上能运用信息技术进行学科的个性化学习，开阔了视野，提高了学习兴趣和信息技术水平。同样，教师的信息素养也得到了提高，并形成了初步成果。

3.1有利于培养学生养成自主学习的习惯

课前，要求教师课提前一周，在自主学习平台中发布学习资料包，包括课件、学习视频、案例素材以及课前习题;学生则利用一切碎片化的时间来观看个性化推荐教学视频完成课前学习任务;课中则采用教师一对一辅导、小组互助学习、教师难点、重点实践操作，完成任务;课后再次完成布置学习任务，拓展知识点，巩固、复习所學知识。

个性化推荐路径或资源受到了绝大部分学生的喜爱，通过图2统计图显示，70%的大学生采用个性化学习模式，可随时随地学习以及可按照自己的学习节奏来学习推荐资源，而且能够完成学习目标，达到预期学习效果。

3.2个性化学习模式效率与满意度分析

平均学习时间明显少于后者，学习效率更高。学习结束后，基于推送模式的学生针对学习乐趣、学习成绩和学习时间等三个方面满意度给予评价。以第一章计算机基础为例进行分析。计算机基础知识包括计算机起源、发展阶段、分类、进制、字符编码、计算机硬件、软件。

可知，在是否有利于提高学习动机、激发学习乐趣及缩短学习时间（图3）等方面，学生给予了高度认可。正如多数学生所说，“有了同伴的参与，学习不再枯燥乏味，不再感觉到孤独，不但可以制定自己的学习路径，更可以按照推荐有着相同偏好、能力等特性的同类学习者的学习路径进行学习，可以少走弯路，避免网络学习迷航，同时也能增加学习好奇心”。

56%的学生认为个性化推荐路径和资源对学习非常有帮助，36 %的学生认为有一定的帮助，仅有8%的学生表示完全没有帮助（如图4）。

由图4可知，学生根据个性化推荐的路径学习、观看推荐的学习资源对于激发学习兴趣有关系，有助于提高学习效果。

3.3学生成绩结果分析

根据通用的成绩五分制，把实验班、普通班或者一个专业分成来的两个行政班学生的考试成绩的分数段（优、良、中、及格、不及格）的对比图，如图5所示。

从成绩可以看出，两组对照班级中实验班的优、良、中的比例高，且实验班的不合格率比对照班的不合格率低，整体来看，基于个性化推荐资源的课堂教学的效果有助于提高学生的学习成绩。

3.4减少教师工作量，有利于个性化辅导的实现

針对教师当前教学工作量大、科研任务繁重、身体、精神双重压力大的现状，利用大数据技术改善简单、重复性工作强度并且提供工作的质量，让教师提高工作的效率。

运用智能设备获取数据，详细记录每一个学生的学情和成长轨迹。采用大数据分析技术，对获取的数据进行量化分析。教师对学生的上课的状态、学习内容掌握情况，还是学生的基本特征，包括学习风格、学习能力等，都能非常精准了解，完成学生的个性化画像。让教师对每个学生的辅导也能够更加精准，个性化学习、辅导得以实现。

4 结论

大数据时代已经到来，大数据技术的广泛应用势必给教育领域带来革命性的变化。但作为一个不太成熟的领域，目前有很多问题需要解决，主要问题是：

1）如何保证数据的及时性与准确性。大数据技术应用的前提条件是要有海量的数据做支撑，目前大部分学校采取的还是传统的课堂面对面教学方式，教室也主要是传统式的教室，数据的采集和处理势必滞后，这样的数据无法保证分析结果的准确性和可靠性。

2）数据采集的法律和伦理问题目前无法解决。大数据技术有随时随地保真性记录、永久性保存、还原性画像等强大功能。在采集过程中难免会涉及数据涉及的个人身份信息、行为信息、位置信息甚至信仰、观念、情感与社交关系等隐私信息;同时大数据的使用引起的失误或误导引起的权责问题等。这些一系列的法律和伦理问题，如何解决的这些问题是大数据时代带来的挑战。

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，2001，21（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] 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.

[4] 吴金红.大数据时代量化自我支持的个性化学习研究[J].中国教育信息化，2015（19）：42-45.

[5] 郭朝晖，王楠，刘建设.国内外自适应学习平台的现状分析研究[J].电化教育研究，2016，37（4）：55-61.

[6] 姜强，赵蔚，王朋娇，等.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.

[7] 林木辉.学习者个性化特征表示及相似度计算[J].中国远程教育，2014（2）：32-36+95-96.

[8] 贾巍，瞿堃.知识表示视野下网络课程知识点关系研究[J].继续教育研究，2008（5）：62-64.

[9] 高琳琦.个性化学习推荐模型的研究[J].黑龙江高教研究，2008，26（3）：135-137.

[10] 万永权，燕彩蓉，朱明，等.反馈式个性化试题推荐方法[J].计算机应用与软件，2018，35（7）：81-84，90.

[11] 朱天宇，黄振亚，陈恩红，等.基于认知诊断的个性化试题推荐方法[J].计算机学报，2017，40（1）：176-191.

[12] 蒋昌猛，冯筠，孙霞，等.基于知识点层次图的个性化习题推荐算法[J].计算机工程与应用，2018，54（10）：229-235.

[13] 姜强.大数据背景下的精准个性化学习路径[N].中国信息化周报，2018-02-05（14）.

【通联编辑：朱宝贵】