个性化视域下在线教育平台优化策略研究*

黄铭晖 梁斌 张少琪

广州大学教育学院 广州 511400

0 引言

在国家新一轮课程改革的指导下，个性化学习已经成为培养符合当今社会所需要的多元化综合型人才的一种重要方式。个性化学习能够更好地激发学生自主性，培养学生的高阶能力。目前，在线教育成了很多学习者的选择。在线课程相比于传统的线下课程，有着“一名教师同时教授多名学生”“单向互动”等特点；在线教育平台本身个性化学习系统不够完善，因而造成系统无法根据学生情况设置课程难度、学生与教师交流困难、无法分层教学等问题，影响着学生的个性化学习。本文提出在线教育平台的优化策略，旨在促进在线教育平台学习者的个性化学习。

1 概念定义

1.1 个性化学习

个性化学习是根据各个学习者的差异，制定不同的、适合学习者的学习策略与符合学习者最近发展区的学习方法，以此来让学习者有效学习。有了人工智能技术的加成，线上教育相比与线下教育，更容易实现个性化学习。

1.2 在线教育平台

在线教育平台是网络技术与教育教学融合的产物，是一种新型的教育工具，教师能够对学生在在线教育平台开展教学。目前在信息社会的大环境下，在线教育平台百花齐放。在线教育平台上有着大量的课程资源，学习者能够根据自己的需求，选择自己感兴趣的课程进行学习。

2 在线教育平台个性化学习存在的问题

不同的在线教育平台有着不同的个性化学习服务提供给学习者，在线教育平台中的个性化学习应该考虑到学习者具有自身独特性、差异性、发展性，以技术助力学生的个性化发展。但是目前的在线教育平台距离提供适应不同学习者需求的优质课程,从而达到对个人潜力的最大化发挥[1]还有一定差距。本文基于个性化学习分析了中国大学MOOC平台、网易公开课，发现了以下五个影响在线教育平台个性化学习的问题。

2.1 学习者缺少长期学习目的规划

在在线教育平台中，学习者学习课程有三种情况。1）直接搜索：学习者是先确认自己想学习的课程在搜索栏搜索相关课程。2）已确认课程类别：学习者有确定的想学习的课程类别，在在线教育平台类别中找到想学的分类，再找相应的课程。3）无具体目的：学习者没有具体学习目的，在在线教育平台的课程分类和课程推荐中寻找自己感兴趣的课程进行学习。综上所述，第一、二种情况，学习者都有一个短期的学习目的，第三种情况学习者没有学习目的。

学习目的能够指引学习者坚持学习[2]。经对比分析，在线教育平台一般将课程按照学科和学习目标两种主要方式分类。其中，网易公开课是以学科对课程进行分类，将课程分成文学、哲学、法学、经济学等类别。中国大学MOOC平台以学科分类和学习目标相结合进行分类，分为三个大类：大学、升学/择业、终身学习。从以上分析可得，这两个在线教育平台将课程按照学习目的或者学科进行分类，能够方便学习者对课程进行查找，更好地进行个性化课程的学习。这些分类，只是学习者的一个短期学习目的或者想学习的某门课程。而个性化学习是一个终身学习过程，具备短期目标是不够的。

因此笔者认为在线课程平台需要从持续学习、终身学习的角度出发，通过个性化学习的过程，实现学习者全面、个性的持续发展。

2.2 个性化学习推荐忽略了学习者具有发展性

个性化学习推荐是智能学习的一个研究领域，其目标是在学习平台上给特定学习者提供有效学习资源，从而提升学习积极性与学习效果[3]。经分析，相关课程栏目主要的推荐方式有三种：1）为用户推荐目前的热门课程；2）为用户推荐与其相似的其他用户的相关课程；3）推荐与所学习课程类似的相关课程。

从上述三种方式得出，目前在线教育平台都是基于当下现状的，从学习者目前的群体或者目前所学的课程进行推荐。但是，学习者是一个发展中的人，学习者的兴趣可能会随着时间、兴趣等相关因素变化，学习者的个性化学习也具备发展性。因此，一个静态的推荐无法满足学习者的个性化学习。个性化学习推荐不仅需要能够对学习者的学习进行引导，还应该让学习者对课程进行更深入的学习。

2.3 问题答疑有所欠缺

在各个在线教育平台中，主流的答疑方式为学习者在答疑区发布问题，再人工进行答疑。人工答疑分为教师答疑和学习者互助答疑。

2.3.1 学习者互助答疑

由于同课程学习者比较多，所需要等待的时间相对较短。学习者互助答疑对提问者要求比较高，需要提问者本身具备批判性思维，从而对回答进行有效性区分。经数据分析显示，学习者受教育水平参差不齐，所以无法确保回答的可靠性。

2.3.2 教育者答疑

由于一名教师需要对多名学生，问题可能会多次重复，教师工作量巨大。学习者所需要等待的时间也比较长。

综上所述，在问题答疑环节，问题的数据量比较大的情况下，光采用人工答疑效率比较低，建议在此环节引入机器人教师。

2.4 作业环节不够个性化

2.4.1 发布作业环节

相同的课程，不同受教育水平学习者获得的学习成绩也大有不同。而在在线教育平台中，作业的分数占据总成绩一定比例。中国大学MOOC平台、网易公开课这两个在线教育平台，发布作业均为统一发布。根据2021年中共中央办公厅、国务院办公厅印发《关于进一步减轻义务教育阶段学生作业负担和校外培训负担的意见》中的“鼓励布置分层、弹性和个性化作业”可知，作业分层和个性化作业成为大势所趋。

2.4.2 评价环节

在各个在线教育平台中，作业评价一般为机评和互评。其中，机评是指学生完成作业后，由计算机去批改作业并且给出得分。互评是指学生完成作业时候互相评价。机评存在的缺点是对于主观题不能有一个很好的判断。互评的缺点是学生本人不知道答案正确与否，却要求批改同伴的作业，否则影响课程的完成。笔者认为，对作业有及时的错题归因和总结，可以促进学生的发展。

笔者认为，在线教育平台作为教育与技术的结合体，应首当其冲，以技术为加持，以个性化作业推进学生个性化学习。

2.5 课后反馈过分强调分数忽略学习者个性发展

经分析，目前在线教育平台对学习者课后的反馈主要分为单元检测成绩、单元作业成绩、课程讨论成绩、期末考试成绩四个大类。其中，单元检测部分为检测学生对所学单元掌握程度的测试，一般以客观题为主。单元作业部分为学习该单元时教师所布置的作业，一般以客观题为主。课程讨论部分一般根据学习者在讨论区发布的有效帖子评分，由教学团队对发帖情况进行监控。期末考试部分为检测学生对这门课程掌握情况的测试，在在线教育平台中，题目一般以客观题为主。

3 在线教育平台的个性化学习优化策略

针对上述提出的五个问题，本文结合教育理论、机器学习等理论和技术，给出以下优化策略建议。

3.1 签订学习契约，履行个人学习计划

一个明确的学习计划能够为学习者的学习提供导向，还能提高学习者的元认知。一份理想的学习计划能帮助学习者明确学习目标，合理安排时间，提高学习积极性和学习效率，让学习者把学习的动力转化为实际行动[4]。平台可以让学生定制个性化学习计划，学习计划由长远目标与短期计划组成，平台再根据算法技术将这些计划切割成每日的任务。由于学习契约能够有效地促进学生学习[5]，因此，切割完任务后，需再由学习者确认，从而达成契约。

学习者进入软件后，会出现计划定制页面，在线教育平台需要提供选项去帮助学习者定制长期计划，定制好后再提供选项帮助学习者定制短期计划，在线教育平台的系统需要根据特定算法对学习者的长期计划和短期计划进行任务的划分，划分出来后，学习者确认任务，如果学习者对任务不满意，则重新定制计划或者根据在线教育平台提供的自定义任务页面对任务进行修改，如果学习者对任务满意，则签认承诺书，完成个人计划定制。定制个性化学习计划的流程如图1所示。

图1 个性化学习计划流程图

3.2 完善个性化推荐，积极落实减负增效

学习者的数字画像是个性化推荐中重要的数据来源。学习者的数字画像是计算机根据学习者在学习过程中所产生的大量数据，经过机器学习后，给予学习者各种标签的标签总和。数字画像能够让平台更精准地对学习者提供个性化学习服务。平台可以在新用户注册的时候开始完善用户画像，首先通过用户的注册信息和用户提供的兴趣点等数据对用户的数据画像进行初始化，根据用户数据事先将课程进行聚类。在用户进入课程平台的时候，利用先验数据和从事先聚类中的分类中选出代表，给用户推荐热门课程和用户兴趣点相关课程，再根据用户的反馈逐渐优化用户的数字画像。个性化推荐流程如图2所示。

图2 个性化推荐流程图

除此之外，用户的行为信息、社交网络数据、所学课程数据等都可以用来做推荐算法。笔者认为，个性化推荐不能仅仅做横向推荐，还要做纵向推荐。除了推荐与目前学习者状况有关的课程、资料，还需要考虑学习者兴趣爱好会随着学习的过程而变化，个性化推荐也应符合学习者的发展，随着人的发展而变化。针对上述问题，本文提出将强化学习与推荐系统融合，可以让在线教育平台在学习者的动态变化中动态推荐。强化学习主要针对计算机在不断变化的因素中进行机器学习。本质是通过智能体与环境的不断交互，并在观察其行为的结果后，根据环境的变化得到相应的奖励，以此调整自身的动作策略[6]。本文强化学习与推荐系统融合思路为，强化学习的动作是选择不同的推荐算法，用动态推荐算法去推荐内容，如果推荐课程用户点进去浏览一定时间，赋予奖励，否则赋予惩罚，并且更换推荐算法。

3.3 开展个性化问题答疑，关注全体学生发展

问题答疑的最大的难点是学习者众多，问题五花八门，教师人数相对较少。笔者试图提出问题答疑采取人机协同+“三步走”形式。第一步，先询问机器人教师，机器人教师从数据库搜索相关解决方案，若问题解决，答疑完成，否则进入第二步。第二步为根据机器人教师给出的解决方案在讨论区与其他学习者针对该问题进行讨论，若问题解决，答疑完成，否则进入第三步。第三步，由计算机将学习者提出的问题进行聚类和分类，找出共性和异性，再提交人类教师进行答疑。

第一步：询问机器人教师

学生遇到问题，首先可以询问机器人教师，由机器人教师进行答疑。机器人教师由智能问答系统构成。机器人教师的训练数据样本可由真实教师与学生答疑中获得。而学生在询问机器人教师的时候，也产生了大量数据，也能用于机器人教师的模型优化，从而使机器人教师模型逐渐完善，能够解决越来越多的问题。

第二步：同伴探讨

同伴探讨需要平台方设置一个专门的答疑区，为了确保探讨的有效性，如探讨出问题答案得到众人满意，即可获得积分，如果不认真答，则扣分。与此同时，教师通过奖励学生良好行为和批评学生不良行为来组织学生的学习，进而培养学生形成良好的学习品质的一种基本教学思想[7]。

第三步：教师解答

由计算机通过机器学习去对问题进行聚类和分类，分出共性问题和异性问题。教师需要对共性问题在课程上或者公告上进行解答，对异性问题需要与学生共同探讨。个性化问题答疑流程如图3所示。

图3 个性化问题答疑流程图

3.4 生成个性化题库，错题归因

笔者认为，个性化题库需要满足错题归因，精准推荐和举一反三这三个特点。个性化题库的可用性取决于底层的知识追踪模型。知识追踪是一项有监督的序列学习任务，根据学生的历史学习情况来评估学生对知识点的掌握水平，预测学生将来的表现[8]，从而更好地为其提供个性化题库作好诊断，更精准地为学习者进行题目推荐，并且举一反三，在发现错题的时候，还能够为学习者进行错题归因分析。

个性化题库首先需要给学习者提供常规的题目，学习者完成题目后，使用知识追踪方式对学习者的错题进行错题归因呈现给学习者。与此同时，生成学习者做题的相关数据，利用历史做题的序列数据，通过分析，得出学习者当前的学习掌握状态以及题目信息，分别归类，利用算法对学习者将会在题目中的表现进行预测，通过预测得出个性化题库。再用学习者在学习过程中产生的其他数据以及学习者数据画像，对个性化题库进行优化，最后生成个性化题库。个性化题库流程如图4所示。

图4 个性化题库流程图

3.5 生成个性化反馈，对症下药

个性化反馈能够一定程度上提高学习者自我效能感。但是在线学习随着课程人数的增加，教师为每个学生个体制定个性化反馈需要大量的时间和精力，在在线教育平台中，一名教师需要对多名学生，但是教师的时间和精力是有限的，人工个性化反馈很难落实。因此，可由计算机按照一定的时间段自动生成个性化反馈，满足定时反馈，对症下药。个性化反馈需要针对学习者的过去、现在、将来这三方面来开展。个性化反馈中的学习者数据需要在数据库中提取，学习者数据库设计如图5所示。

图5 学习者数据库E-R图

1）过去

过去部分需要展示学习者所获得徽章、完成的课程、学习的时长、学习过程中的笔记、错题归因、讨论精彩时刻。个性化反馈的实现中，过去的情况需要首先从在线教育平台的数据库中提取用户的学习时长、所得徽章的时间、完成的课程、学习的时长、学习过程中的笔记和错题归因数据提取出来，进行可视化分析，再对学习者展示。

2）现在

现在部分需要呈现学习者正在学习的内容、需要注意的问题、目前的由短期目标划分的任务。现在的情况需要从数据库中提取学习者当前所学课程，并且对当前课程的学习者存在的问题进行聚类，找出问题共性，呈现给当前学习者，提醒当前学习者需要注意这些问题。并且对当前学习者目前的短期计划进行罗列，给予学习者直观展示。

3）将来

将来部分需要罗列长期目标，长期目标以进度条形式展示，可视化展示目标完成情况。与此同时，从数据库匹配适当语句鼓励学习者前行。

4 结束语

在线教育平台中的个性化学习应该从学生中来，到学生中去。在教学过程中，由教学者、受教育者、教学内容这三大要素产生了大量教育大数据。个性化学习需立足教育大数据，基于数据挖掘、数据分析、深度学习等技术去优化个性化学习推荐模型，以技术去促进个性化学习的效果。

作为平台方，在学习者个性化学习方面最应该重要视也最不能忽视的是学生是一个发展中的人。个性化学习要横纵向两手抓，注重学习广度的同时，也要注重学习的深度，为学习者提供动态推荐，才能更好地为学习者提供个性化服务。除此之外，还要注重人机协同。在线教育平台是技术与教育的融合，虽然学习过程是一个相当复杂的过程，人类教师必不可少，但是机器人能过够为人类教师减少重复、单调的劳动，能够用数据去了解学习者，为学习者进行精准推荐、知识追踪等。当然，真实的学习是一个复杂、烦琐的一个过程，受诸多因素影响，但是在线教育平台中的个性化学习在慢慢地进步，笔者相信真正的个性化学习在不久的将来一定能够实现。