基于大数据的学生个性化学习行为与精准教学策略研究

吴传荣，刘雅杰，黎建新，何 昊

（长沙理工大学经济与管理学院 湖南 长沙 410015）

人才是国家发展的重要战略资源，科技创新是实现高质量发展的保证。党的二十大报告指出，教育、科技、人才是全面建设社会主义现代化国家的基础性、战略性支撑。近年来，科技的迅速发展为教育改革提供了坚实的后盾。利用互联网、大数据、人工智能等前沿科技，推动教育教学现代化发展，优化教学策略，完善人才培养模式，为满足学生个性化学习的需求制订精准的教学策略。应用大数据技术采集、分析学生的学习记录数据，能形成包含知识水平、学习情境、学习行为等特征的个性化学习画像，提供有效的具体学习反馈，量身定制高质高效的学习策略。全面实施精准教学为学生全面发展和个性化发展提供了现实路径，对促进教育公平和培养创新人才具有重要的研究意义和广泛的应用价值。

1 基于大数据的个性化学习行为特征分析

精准识别学习者的个性化特征是实现个性化学习的起点。学习行为特征最重要的描述指标包括过往经验、学习动机、学习能力、学习习惯以及个体特征等，随着网络学习平台的发展和个性化学习研究的深入，原先简单的考查特征逐步拓展到学习者行为特征、知识背景、学习动机、学习方法、学习风格、情感表现，甚至价值体系等方面。对学习者个性化特征进行系统化描述可以从三个方面入手：学习动机、学习资源与学习风格。网络个性化学习行为受学习者主观判断影响较大，学习者偏向于使用方便的学习资源，对资源的价值关注程度更低。

大数据技术丰富了学生获取信息的途径与方式，引起了教学思维的转变和教学结构的变革。大数据挖掘技术是开展个性化教学的重要技术之一，收集学习过程中的文本、图像、视频等数据，刻画学习者的学习习惯和学习兴趣画像，建立体现在线学习行为特征的标签体系，主要包括前段投入程度高、相较视频更喜文本、考核起到明显督促作用、缺乏主动有效反思等特点，绘制出学习者的行为模型，从而满足学生个性化学习的需求。大数据分类技术运用神经网络、深度学习、决策树等方法，预测学习成绩、学习需求和学习风险等学习行为特征，为精准拟定高适用性的学习方案奠定基础。大数据分析技术关注学习行为之间的关联性，理解和优化学习及其产生情境，为学习者提供高度相关的学习主题设定和资源推送。

2 学习情境对个性化学习行为的影响研究

情境学习理论（Situated Learning）认为，学习行为不仅仅是学习者的情感认知、观念等个体意识重组的心理过程，还是学习者与外部环境发生信息交流、活动干预的参与过程。学习实质上是学习者在与学习情境互动中收获知识、形成学习者自身意识的过程。

2.1 学习情境影响学习投入程度

在不同的学习情境中，学习者的学习行为呈现显著差异，学习投入程度深浅不一。例如，在个体性情境中，情感需求更为重要，学习者的注意力和兴趣诉求明显地影响学习活动；在任务性情境中，学习者的风格习惯对学习效果产生重要影响；在社会性情境中，学习者的角色身份体现其社交网络面貌。学习情境对学习者的心理状态产生显著影响，外部学习情境转换会导致内部心境变化，影响学习者的记忆强度，进而影响学习者的投入程度。

2.2 学习情境影响学习意图行为

学习情境对于学习意图行为的影响十分显著。借助网络这一现代化平台开展学习的学生，其学习意图与课堂学习者存在较大差异。在个性化学习行为中，学习情境较学习态度更为直接地作用于学习动机和具体行动的转变。网络学习平台为学生提供易于获取、种类丰富、形式多样的学习资源，持续吸引学习者的兴趣，学习者更加主动地参与网络学习过程。

2.3 学习情境中学习行为的识别

学习者是主动处理信息的角色，而不是接收到外部刺激后被动反应的对象。厘清学习者与学习场景各对象之间的关系，正确理解因学生学习行为触发的事件之间的并发、串行或交叠关系。以事件作为学生学习行为分析的依据，通过构建事件驱动的学生学习行为描述模型，实现学习场景中学生学习行为的认知与识别。

课堂学习场景中较为典型的几项学习者行为特征：动作幅度小、重复率高、相似性大。通过对学习者行为的语义分析和场景描述，采集处理语音、图像和视频三类信息形成学习者行为数据库，刻画和区分学习者的细微动作行为，准确标注学习者行为所触发的事件，使学习场景和个性化学习行为一一匹配。

3 考虑学习情境的个性化学习关键技术研究

现有的基于教育大数据的个性化学习技术研究主要集中在个性化学习行为分析、学习资源的个性化推荐，以及学习行为评估预测方面，为个性化学习的实现提供了强有力的支持。

3.1 机器智能技术

机器智能技术与教学相融合，可以优化学生的学习体验，提高学生的学习效率：语音技术处理语音识别和合成，搭建云端知识库，呈现出学习者的学习特征；图像视频识别和数据采集技术收集学生学习过程中的表情、眼动、姿势等多维数据，便于刻画学习画像；在线课堂和虚拟课堂提升教师和学生的教学体验，针对不活跃型、低活跃型、任务型、阅览型和高活跃型五类学习行为，提供特别定制的学习课程，实现真正的个性化学习；E-Learning推荐系统不仅可以根据个体学习者的具体需求提供个性化内容的推荐服务，还可以面向学习小组提供群体推荐服务；虚拟/增强现实和人机交互等技术，搭建了一个全新的学习场景，为学习者有针对性地提供智能化、个性化的定制学习服务；自适应技术建立反馈循环，实时分析诊断学习者的动态，根据学习者的兴奋点和关键障碍推荐个性化学习路径。

3.2 深度强化学习

深度强化学习是将深度学习与增强学习结合起来，简单地输入感知信息经过神经网络的处理，直接输出动作。深度Q 网络在没有人工提取的条件下，原始输入图像也能达到人类实际控制的效果。在多重门限机制下，同一时刻进行多线程学习，大大缩短了深度强化学习的训练时间。利用分层编码技术，可以生成序列到序列的通用回答。基于深度强化学习改进网络资源分配方法，实现价值网络学习。

3.3 学科知识图谱构建

学科知识图谱可以为个性化学习模式的形成与发展提供丰富的理论基础和坚实的技术支撑。学科知识图谱形成系统性、有序性的知识点数据库，建立知识点之间丰富的关联关系，在教育数据分析、学习特征画像、学科资料整理和知识体系搭建等方面发挥重要作用，帮助学习者由学习简单知识向发展逻辑思维转变。学科知识图谱为个性化学习资源库建设提供支撑，提升网络平台个性化学习服务能力，促进学习者实现终身学习。

4 面向个性化学习行为的精准教学策略研究

4.1 学生学习行为触发的事件表示

针对学习场景和学习者行为的多样化特性，研究学习场景与学习行为的类别层次划分。针对视频持续时长和学习者动作具有变化幅度小、持续时间短、相似度高、变化复杂等特点，研究学习者行为过程中行为触发事件的标注规则和结构化语义描述规则，建立典型学习场景下以学习者为中心的“对象、区域描述、属性、关系、区域图、场景图、场景类别”学习者行为视觉基因知识集，为后续建立学习者行为语义描述模型奠定基础。

基于聚类分析，将网络学习者行为划分为高沉浸性型、较高沉浸性型、中沉浸性型、低沉浸性型四种代表类型。利用机器学习算法对学生学习行为进行了聚类分析，基于采集加工的数据将学生的学习行为特征可视化，归纳总结出每种类型学生的代表性特征，同时根据代表性特征自动识别出五种事件触发类型。论证一种自动适应学习者兴趣、习惯和认知基础的推荐模型的可行性，根据学习者的具体特点向其推荐合适的学习计划。

4.2 基于事件驱动的学习者行为描述方法研究

针对以学习者为中心的长时间视频中，因学习者行为动作上的并发性和变化幅度小、发生频率高和动作相似性大等特点所导致的事件描述问题，研究基于事件时空关系和深度递归网络的事件描述方法。针对事件间所具有的时空关系，研究基于事件语义信息和深度特征的视频描述模型，基于堆叠深度递归网络，分析学习者行为的内涵和联系，为后续基于语义的学习者行为分析奠定良好的基础。建构一个网络学习行为系统概念模型，使用架构图描述一个逻辑缜密、结构完备的系统模型，将教学过程中人们关注的概念、要素及其之间的关系形象地展示出来，为描述其他形式的学习者行为提供概念基础。

4.3 基于深度强化学习的学生个性化学习反馈机制研究

个性化学习是在对学生个体全面评估的基础上，发掘并处理学生当前存在的缺陷和不足，为学生制订适合个人成长的学习方案。分析、加工整理数字化校园的教育大数据，可以针对不同学生的学习行为特征制订出适合学生个人的学习策略和学习方法。目前的个性化学习还仅是对学习者进行简单的分类，然后基于学习规律的关联形成个性化推荐。构建基于深度强化学习的个性化学习系统，通过对学生学习行为效果的样本训练，形成高效准确的个性化学习决策模型，然后根据学习环境、学习行为及学习状态制订出最佳的个性化学习策略。

深度学习系统根据录入的学生基础信息和学习记录制订个性化学习计划，并根据进一步的学习效果反馈提前预测并不断修正每一位学生的学习课程设置，提供高适配性的学习资源。学生在个性化学习过程中，不仅达到注意、识记和理解的基础目标，还提升批判学习知识、重新组织知识并解决问题的能力。

5 大数据诱发教学深度变革的策略

大数据技术赋能精准教学策略变革，在精准分析学生个体学习特征的前提下，帮助教师从传统的知识传授者向新型的学习辅助者转变，教学全过程中主客体发生变化，诱发教学活动在思维与结构层面发生深度变革[20]，促进每一位学生的个性化发展。

5.1 精准制订教学目标

精准定位教学目标旨在设定合适的方针，保障教学活动有序进行。在全面剖析学生认知水平、情感态度、学习状态的基础上，将每一位学生的学习行为数据化，形成具有个人特点的学习要素指标体系，比较发现各项指标与教学目标之间的差距，进而优化教学目标的设立，使教学目标个性化、全局化。

5.2 精准优化教学内容

精准优化教学内容是指以学生学习过程中体现的行为特征为基础，为学生规划适合其个性化发展需求的教学内容。基于学习者的个人学习画像，分析每一位学生的个性化学习数据，综合行为特征、教学评价及情感态度等方面的数据信息，突破纸质教学资料的限制，充分利用大数据提供的海量教学资源，选择关联性高、针对性强的教学知识，丰富教学内容的形式和范围，对教学材料进行分类归纳和重构，形成符合教学目标和学情的教学内容计划，为学生提供因材施教的学习方法论知识和情感培育方案。

5.3 精准实施教学活动

精准实施教学活动是设计并落实符合学生个性化发展要求的教学安排。以学习者特征为出发点，改变传统的群体性教学计划，分层实施有针对性的教学安排，丰富学习模式和学习手段，方便学生根据个人情况选择最佳方案，优化教学活动设计和组织。

5.4 精准评价教学效果

教学评价包括过程和结果两个方面。教师依据教学全过程中学生行为的反馈，结合个人经验，对学生学习全过程进行细致客观的评价，为精准干预学生的学习行为提供可靠参考。在教学过程中，教师通过收集和分析教学过程与结果两个方面的数据，总结学生学习行为的规律和特征，并对教学效果进行精准评价。

5.5 精准强化教学反馈

精准强化教学反馈是针对学生学习过程中表现出来的行为、状态、情感等方面的特征，分析其优势与不足，从而对每一位学生进行个性化指导。这种及时的教学反馈有助于提升学生的学习效果。目前的个性化学习还仅是对学习者进行简单的分类，然后进行学习规律的关联形成个性化推荐。构建基于深度强化学习的个性化学习系统，通过对学生学习行为效果的样本训练，形成高效准确的个性化学习决策模型，然后根据学习环境、学习行为及学习状态制订出最佳的个性化学习策略。

6 结语

个性化学习是符合现代教育理念和学生个性化发展需求的新型学习模式，在大数据的技术支持下得到长足发展。运用大数据技术收集分析学生个体的学习行为特征，服务于学生的个性化学习。从教学各环节入手，实施全过程教学变革，实现精准教学，加强师生互动，满足学生学习的个性化需求，提升素质教育的水平，推动学生全面个性化发展。