基于教育大数据的个性化学习模式分析

摘 要 随着信息技术的飞速发展，大数据迅速成为各领域的研究焦点，基于大数据技术的个性化教育时代已经来临。本文对教育大数据概念和特征进行分析，构建了基于大数据技术的个性化学习模式，以期通过教育大数据的分析对学生学习路径进行干预和改进，最后总结了应用这种学习模式可能会面临的挑战。

关键词 教育大数据 个性化学习 学习路径

教育部2015年工作要点中提出：将进一步推进《教育信息化十年发展规划》中的“三通两平台”建设与应用，力争实现学校互联网全覆盖[1]。教育信息化的推进以及教育基础设施的建设，为大数据技术在教育领域的应用奠定了良好的基础。

大数据技术正在对社会生产生活产生深刻的影响，过去无法收集和分析的数据被大数据技术赋予了新的可能性，其中关于人们行为和喜好的数据挖掘，使大数据成为了教育变革与创新的重要推动力。传统的教育决策通常建立在个人教学经验和简单的数据分析基础之上，无法提供给每个学生最有效的教学方式。而大数据技术对海量教育数据的留存和深度挖掘，能帮助教师更深入地了解学生知识的掌握情况以及学习偏好，有助于教育机构和教育工作者弥补或改变现行教育中的不足，将推动传统以“教师为中心”的教学方式向以“学生为中心”教学方式的转变，真正做到以人为本、因材施教。

一、教育大数据的概念和特征

教育大数据作为大数据在教育领域中的应用，至今国内外还没有教育机构给出明确且统一的定义。教育大数据可以被理解为所涉及的教育数据规模巨大且种类繁多，以至于传统的处理工具无法进行有效的撷取和处理的教育数据集。教育大数据主要有以下几个特征。

1.海量性

麦肯锡对大数据的定义是指那些规模大到传统的数据库软件工具无法进行采集、存储和分析的数据集[2]。因此，数据量大也是教育大数据的首要特征。随着信息化的发展，大部分学校都采用先进的信息管理系统进行教学管理，教学管理与教学资源的全面整合会产生和记录大量的教学信息。另外，越来越多的学习行为在网络上发生，也导致在线学习平台所生成的教育数据量呈爆发性增长的趋势。

2.多样性

德勤公司专家罗伯特指出：“规模并不是常规数据和大数据之间最主要的区别，大数据的重要属性应该是复杂性和多样性。”[3]传统的教育数据具有明显的结构化特征，但随着教学手段和教学工具的飞速发展，教育数据的品种不断增加，数据结构变得更加复杂，形成了多样且异质的教育大数据，如教学视频、音频、日志、邮件等，这些非结构化的数据背后隐藏着大量的信息，比如学生的学习态度、能力和偏好。大数据时代的教育工作者要学会利用和分析这些不同类型的教育数据，以还原学生学习情况的完整性和真实性。

3.动态性

传统的教育数据更专注于静态记录学生的考试成绩，而教育大数据有能力跟踪和掌握学生的学习动态，比如学生注意力集中时间、回答问题次数等。这些数据是动态且高速变化的，教师不仅可以根据实时的教学数据监测，动态地评价学生的学习成绩和学习效果；还可以根据变化的学习数据随时调整教学方案。斯坦福大学吴恩达教授跟踪学生观看视频讲座的行为发现：如果学生中途点击了关闭或快播键，暗示了讲座内容晦涩难懂或学生不感兴趣，教师可以据此对视频内容进行调整，以期通过改善教学内容来提高学生的理解力和兴趣度[4]。

4.价值性

维克托在《大数据时代》中指出：“大数据时代最重要的是从大数据中挖掘价值。”[5]目前学校所产生的教学数据都是由很多学生行为片段组成且处于分散状态，需要使用大数据技术对这些数据进行整合和利用，通过对这些被锁在“数据孤岛”上的海量数据进行处理，获得具有重大价值的学生行为分析结果，并利用它们为改善学生的成绩提供个性化的服务。教育大数据对学生、家长和教师都具有很高的价值，它可以帮助学生提高学习成绩、帮助家长理解学生的学习行为、帮助教师改进教学方案，以确保每个学生获得有效且高效的定制教育。

5.真实性

教育大数据注重提高数据分析的真实性和可靠性，传统的教育数据由于学校为了排名、教师为了业绩等原因可能被修改或粉饰，这样得到的不真实数据就失去了对学生学习情况判断的准确性。而教育大数据由于基数巨大，不是凭借某一个数据对学生进行评价，而是依靠海量的全息数据对学生进行整体评定，即使某些被修改过的错误信息存在，也不会影响对学生的最终评价结果。

二、基于教育大数据的个性化学习模式构建

个性化的学习模式强调“一个尺寸适合一个人”的教学方式，通过大数据技术来实现个性化教学，使知识的传授能够适应特定的教学环境、学习偏好和学生能力。个性化学习模式由以下几个部分组成。

1.学生学习数据库

个性化学习模式强调“大数据驱动”，由学习数据库记录和存储大量实时、可靠的学生学习行为数据，例如学习路径、日志、讨论、作业等。大数据技术的优势就体现在可以对各种非结构化的数据进行采集和存储，课堂教学、在线学习、辅助教学工具都可以作为数据收集的平台，每次学生的点击、讨论版的互动、博客的进入或任何微小的活动都会被记录下来，生成每生每课的数以万计的学习数据，并纵向传递到分析系统，成为下一步个性化学习分析的重要基础资源。

2.学生基础数据库

学生基础数据库包含了学生的各种基本信息（姓名、年龄、专业、爱好等）、学生的历史学习信息（成绩、先导课程、问卷调查等）。要确保为学习者制定最适合的学习路径，不能仅靠学生的学习行为数据，还要参照历史学习数据，这些数据会综合反映学生的知识储备、学习偏好、努力程度等信息，会形成更加立体的学生学习影像。

3.分析系统

分析系统是对学习数据库中跟踪学生学习轨迹所存储的大量数据进行处理和分析。分析的内容主要包括：学生学习表现、课程与教材选择是否正确、教学方法是否合适等。分析过程首先要对原始学习数据进行归纳和整理，去除无关或难以识别的冗余数据，数据的真实性和时效性是保证最终得出准确分析结论的关键。然后通过大数据方法将数据转化成可以被洞察和操作的模式，获取数据当中潜在的、有效的、规律性的、可以被理解的信息，并形成可视化分析报告。

4.自适应系统

自适应系统主要通过分析系统得出的反馈对学习过程进行自我调整和管理，学生基于数据收集和分析的可视化结论来调整学习路径，比如更换选修课程和学习材料。由于学生的个体情况有很大差异，自适应系统会利用人工智能软件根据学生对学习内容的接受程度，自动对学生的学习行为作出响应，帮助学生调整学习方案。在自适应学习系统中，学习不是被动地接受知识的过程，而是在更正学习过程中发现感兴趣和擅长的知识的过程。自适应系统增加了学生学习的主动性，调节了学生的学习状态和独立思考能力，改变了传统学习的被动局面。

5.个性化干预

个性化的学习干预是通过对学习者基础数据库和系统内学习数据库的数据进行整合，基于分析系统得出的可视化分析结论，结合教师的教学经验，对学习者的学习轨迹进行修订和改善的干预服务。对于学习效果较差的学生要通过互动平台及时给予帮助和干预，其目的在于通过修订教学方案和个性化资源推送来提高学习者的学习效率，并对学习者未来的学习行为进行智能化预测。个性化的教学干预摒弃了传统的“合格-不合格”的评价系统，强调通过数据分析来评估学习者的学习情况并掌握学习者思考和解决问题的方式，以便为其提供必要的引导和帮助，最终得到学习者更全面且精准的评价。

由图1可知，个性化学习模式的流程为：由学生学习数据库收集原始学习轨迹数据传递到分析系统；分析系统通过数据预处理、数据分析功能，利用各种大数据技术生成可视化的学生学习行为分析报告；自适应系统通过数据挖掘和学习分析等工具分析出来的报告，评估学生的学习过程，发现潜在的问题并进行智能干预，引导学生对学习内容进行适应性修正；教师整合基础数据库数据和分析系统得出的结论，结合多年的教学经验，通过干预系统对学生的学习路径进行人为的教学干预，对教学方案进行调整和修订，对学生未来的学习情况进行预测，将传统的同质教育演化成适应每位学生个性化需求的定制教育。

三、基于教育大数据的个性化学习模式面临的挑战

大数据技术运用于教育领域，为传统的“批量生产”式的教育模式带来了巨大变革，将引领教育进入全新的高度个性化的时代。但是，个性化学习模式中所有系统相互作用的前提条件是教学数据提供的准确性和及时性，只有在各系统之间保持快速、及时和准确的信息传递的情况下，大数据分析对教学的作用才能凸现出来。但现在许多学校的教学仍然以传统的面对面课堂教学为主，数据的传递、转换和分析可能出现滞后的情况，会影响最终干预系统分析结果的有效性。因此，大数据技术要在教学领域发挥其应有的作用，还需要学校大力推进教育信息化的建设，提高教学数据处理和分析的能力，才能充分发挥个性化学习模式的作用，真正实现教育的个性化培养。

对学生学习轨迹进行跟踪、记录和挖掘，不可避免地涉及到学生信息的保护问题，尤其在现有个人隐私的法律法规不够健全的情况下，教育大数据领域隐私规则的制定变得迫在眉睫。教育管理者要意识到大数据的使用将涉及到来自道德和法律的双重挑战，学生是教育大数据的创造者和所有者，在对教育数据进行采集和分析的时候，应取得学生和家长的认同和信任，同时制定有关学生隐私保护的法律法规，以保证所有收集到的学生数据都应用于改善教学。

参考文献

[1] 教育信息化十年发展规划（2011～2020年）[EB/OL].[2015-10-20].http：//sy.jm.e21.cn/web/content.php？id=6853.

[2] Big data：“The next frontier for innovation competition and productivity”[EB/OL].[2015-09-08].http：//www.infoq.com/news/2011/06/BigData.

[3] 陆璟.大数据及其在教育中的应用[J].上海教育科研，2013（9）.

[4] Viktor Mayer-Sch？nberger.Learning With Big Data[M].Create Space Independent Publishing，2014.

[5] 维克托·迈尔-舍恩伯格.大数据时代[M].盛杨燕，译.杭州：浙江人民出版社，2013.

[作者：裴莹（1980-），女，吉林省吉林市人，西安思源学院讲师，硕士。]

【责任编辑 郭振玲】