基于大数据技术的个性化在线教育系统设计

刘燕

常州铁道高等职业技术学校，江苏，常州，213011

0 引言

从20世纪90年代末开始，随着互联网的发展，在线教育逐渐兴起。经过20多年的发展，在线教育已经渗透到各种教育类型中，被大众普遍接受。2019年7月，教育部、中央网信办等六部门出台了《教育部等六部门关于规范校外线上培训的实施意见》，这是国家第一次对校外的线上培训提出规范要求[1]。2020年初受新冠肺炎疫情影响，为了配合新冠肺炎疫情防控工作，教育部提出“停课不停教、停课不停学”，从中小学到各级高校纷纷响应此号召，将线下教学改为线上教学。在这个特殊的历史时机下，线上教育进入快速发展期。然而，从教师和学生对线上教育教学的反馈效果来看，线上教育教学并没有设想的那么好。一方面教师还是按照之前的教学方式采用直播或录播教学，无法顾及每一位学生的学习需求，互动性也不够；另一方面学生的学习自律性不够，特别对于文字类或长时间教师授课视频出现了“偷工减料式”听课。如何提高学生的学习积极性，帮助学生找到适合的学习方式是在线教育教学发展急需解决的问题。大数据等新兴技术的应用，使得学习分析、个性化推荐，甚至个性化辅导成为可能。为了高效高质地从海量网络学习资源中筛选出符合学生学习要求的教学资源，很多网络企业采用大数据技术进行网络教学资源的数据分析与筛选，大幅提高了个性化在线教育的效率和质量。本文利用大数据技术设计了个性化在线教育系统的结构和模块，来满足不同学生的个性化在线教育需求。

1 个性化在线教育系统整体结构设计

在线教育系统功能要齐全，包含考勤、直播、互动、讨论、提问、作业评测、学习过程分析、成绩导出、学习资源推荐、练习推荐等。根据这些功能需求确定数据层的各个模块，并通过划分不同的用户类型提供相应的功能。

如图1所示，绘制了基于大数据技术的个性化在线教育系统结构，主要包括5个部分，分别是数据层、处理层、功能层、客户端、对象层。

图1 个性化在线教育系统整体结构

1.1 数据层

数据层主要包括学生信息库、课程信息库、学习资源库、考试习题库。其中，学生信息库包括学生的学号、姓名、专业、班级等基本信息，学生的测试和作业成绩，学生对相关知识点的掌握程度，学生课程学习过程中的行为习惯等信息。课程信息库中主要存放了课程的名称、内容、课时等信息。学习资源库包含课程及相关知识点的各种资源，例如文字、PPT、视频等类型。考试习题库包含对应知识点的作业、练习以及综合考试的题库。

1.2 处理层

处理层主要包括数据清洗、数据转换、数据收集、数据维护等功能。数据清洗负责将数据层中无效、冗余或无意义的数据删除、合并。数据转换负责将数据层的数据转换为系统能够处理识别的形式。数据整合负责将不同数据库的信息按照一定的设置方式整合到一起。数据提取是根据指令提取数据层中的数据以供处理。数据维护负责对数据进行备份、管理，保证数据层的安全。

1.3 功能层

功能层主要借用处理层的数据半成品针对不同的对象提供特定的大数据功能。包括学生考勤、作业自动测评、成绩导出、学习资源推荐等。学生考勤主要是通过学生对学习资源完成度来判断。作业自动测评就是自动阅卷功能。成绩导出是指学生的练习完成后教师可以导出成绩进行分析。学习资源推荐是个性化的体现，利用大数据分析学生的弱点来推荐适合学生的学习资源。

1.4 客户端

客户端是利用大数据技术、计算机和电子设备终端创建用于学生、教师和管理者与系统进行交互的界面。

1.5 对象层

对象层主要包括学生、教师、管理者。学生学习、教师授课、管理者又分为系统管理者和教务教学管理者。系统管理者负责系统技术、数据的维护管理，教务教学管理者负责监督教师授课情况、管理课程并及时发现学生在线学习产生的问题。

2 基于大数据技术的个性化推荐设计

在实际的在线教育教学中发现，学生对于同一知识点的掌握程度是不一样的，这种现象在教学中是正常的，在线下的教学中也会出现。但是线上教学与线下教学相比更加缺乏互动性，这主要是线上教学缺乏面对面的情感交流、缺乏归属感。没有足够的面对面互动，教师就不能全面地了解学生对知识点掌握的情况。当前，需要重新审视在线教育的价值，充分发挥在线教育的优势，弥补在线教育的缺陷，以此提升在线教育的质量[2]。

基于大数据技术的在线教育系统可以对网络教学视频和课件等数据信息进行分类，来实现学生的个性化学习需求，提高学生学习兴趣，并延长学生在线教育学习时长，提高在线教育系统用户黏性；并通过分析学生完成的作业以及练习的情况，判断学生的对知识点的掌握程度、学习弱点，根据分析结果为学生推荐适合的练习和学习资料，达到帮助学生学习的目的。

2.1 数据采集模块设计

在线教育中的个性化推荐必须由系统中的历史数据作基础，然而在系统建好的初期是没有可供分析的数据的，除了学生的基本个人信息以外，学习记录都不存在，系统就无法为他提供准确的学习内容。

数据采集模块主要功能是跟踪、记录学生在线学习的过程，并将学习过程量化，将量化后的数据存储于数据库中，根据数据进行个性化推荐。数据采集模块为个性化推荐功能提供数据支持，收集的数据包括学生信息、课程信息、学生学习行为反馈信息。学生信息和课程信息是由系统提前导入的，学生学习行为反馈信息是需要跟踪、记录的。主要是对所学课程的学习资料，包括文本资料和视频资料的学习时长的记录；学生与教师在论坛的提问及发言时长；在线练习和作业的结果。数据采集流程如图2所示。

图2 数据采集模块流程

2.2 数据分析模块设计

数据分析模块负责将数据采集模块采集并存入数据库的数据进行计算处理，呈现出可视化的学生在线学习行为的分析。根据教学反馈与个性化推荐需求，将学生在线学习某课程的整体情况和具体情况按照需求进行呈现。

从数据库中提取学生就某课程在线学习的数据，例如文本资料学习时长、视频资料学习时长、学生与教师互动发言次数、学生与教师互动时长、相关知识点在线练习的成绩等等。而文本资料学习时长中包括开始、结束时间和持续时间，依此类推，经过分析我们可以获得学生的学习时间曲线，学生对于不同类型学习资源的喜好，学生对于知识点的掌握程度、薄弱点在何处。这些数据分析有利于教师全面具体地掌握学生的学习情况，及时调整教学的内容以及进度。

2.3 推荐模块设计

基于大数据技术的在线教育系统可以对网络教学视频和课件等数据信息进行分类，来实现学生的个性化学习需求，提高学生学习兴趣，并延长学生在线教育学习时长，提高在线教育系统用户黏性。在线教育系统能够给学生不同的学习资源，可以满足其不同的学习需求，系统会根据学生的兴趣和需求基于PageRank 算法来从数据库中筛选学生感兴趣和符合学生学习需求的网络教学视频并推荐给学生，从而实现个性化课程推荐功能。

3 系统的实现

3.1 开发环境的创建

在线教育系统的开发环境因功能和设计语言的不同而不同，本文采用具有谷歌搜索引擎功能的Java SDK进行开发设计，该在线教育系统的开发设计步骤如下。

（1）下载jdk，利用jdk来改善开发环境，进行资源优化配置。安装完jdk之后，在cmd.exe中输入指令来检查jdk是否顺利安装。（2）下载Eclpse并解压运行。（3）安装谷歌软件，创建App Engine项目。本设计所应用的大数据技术是根据GAE标准进行系统设计的。

3.2 系统业务逻辑的实现

首先要登录系统界面。利用谷歌SDK搜索引擎来快速登录用户账号，用户不需要复杂的注册步骤，只需要一个手机号就可以注册账号登录在线教育系统，管理员对手机号进行查验，授予用户登录资格，用户选定教师或学生身份在系统中进行教学或学习。

其次是在线教育。此模块是在线教育系统的核心，管理员对教师上传的网络教学视频进行检查与存储，并根据网络教学视频的内容进行分门别类，创建检索连接，能够让用户能够快速检索想要的网络教学视频。管理员和教师都具有上传数据信息的权力，以此来完善在线教育系统的网络教学视频质量和教学内容。教师上传的数据信息需要管理员查验，而管理员上传的数据信息不需要查验。管理员会将上传的数据信息存储到数据库中，以便于学生和教师检索和浏览。

最后是资源管理。管理员对上传的数据信息进行检查，并将数据信息存储到数据库中，让学生和教师来浏览。学生在注册账号后利用三级联动列表对数据库中的教学视频进行检索，就可以找到符合自己学习兴趣和需求的教学资源。

通过使用本次设计的在线教育系统，发现该系统具有良好的可靠性，教师、学生和管理员在登录该系统后能够独立进行自己的模块和界面，各个用户之间的数据传输相互独立，保证了系统各个模块、各个功能的正常使用。

4 结论

随着大数据技术的不断发展以及互联网的普及，人们逐渐发现互联网的价值，并使用互联网来生活和工作，而对于学生而言，也更倾向于在线学习这种新颖和有趣的学习模式。加上近两年传统教育行业受新冠肺炎疫情影响，为了贯彻自我隔离号召，线下教育不断被中断和叫停，使得线上教育成为时代潮流，因此创建符合学生学习需求的个性化在线教育系统是大势所趋。在大数据技术的加持下在线教育系统能够对学生学习行为模式进行深度挖掘，筛选符合学生需求的学习资源，满足学生的高效高质学习需求。本文设计的在线教育系统就是利用大数据技术，深挖个性化教育的核心内容，总结归纳学生学习风格和规律，根据学生兴趣和学习需求自动筛选相应的教学资源和相关练习并自动推送给学生，避免了学生因为在线学习缺乏足够的互动而产生学习滞后的现象，大大提高了在线教育的便捷性和高效性。而且学生、教师和管理者三大对象层的模块设计和功能设计彼此独立、互相促进，能够确保个性化在线教育系统的正常运行，为学生和教师提供良好的学习和教学环境。

大数据技术推动了在线教育的发展，疫情又加快了在线教育的发展。在线教育与传统教育互相影响与改变，希望随着在线教育的进一步发展，能和传统教育互相补充，弥补彼此的缺陷。目前对于大数据应用的探究才刚刚开始，本文为在线教育发展的研究提供了一些建议，对于推荐算法的详细实现还有待进一步的研究。