狭义教育大数据在英语教学中的应用模式

陈彦君

[摘要]本文结合英语教学的特点，对狭义教育大数据的分析，提出了一系列狭义大数据在英语教学中的应用模式，包括学习者知识模型、学习者行为模型、学习者体验模型、学习者档案、领域知识模型、学习组件分析和教学策略分析，趋势分析，适应性和个性化等应用。

[关键词]教育大数据 英语教学 应用模式

[中图分类号]G434 [文献标识码]A [文章编号]1009-5349（2016）24-0226-03

随着互联网及其衍生物的不断发展，我们可以获得的数据呈几何式增长。大数据的出现，对我们生活的方方面面产生了巨大的影响，也把我们的英语教学带入到一个全新的纪元。数字数据的急剧增长，让我们的学习方式和教学方式带来了重大变革，如何利用大数据，服务于英语教学，是值得我们思考的问题。

一、大数据

（一）教育大数据

教育大数据分为广义大数据和狭义大数据：广义的教育大数据泛指所有来源于日常教育活动中人类的行为数据；狭义的教育大数据指学习者行为数据，主要来源于学生管理系统、在线学习平台和课程管理平台等。[1]教育大数据也满足所有大数据的共同特征，即海量的数据规模（Volume），快速的数据流转和动态的数据体系（Velocity），多样的数据类型（Variety），巨大的数据价值（Value）[2]；除此之外，和传统数教育据相比，教育大数据的优势还体现在实时性、颗粒度、真实性和决策度等方面。[3]

然而，很多案例研究表明，多数教师的决策都依赖于直觉或有限的观察经验[4]，多数的学校管理者及教师不会去系统地分析学校现有数据，或者使用分析结果来改革教学、课程设置或学校运行状况。[5]多数教育数据都用来监测教学过程，而没有用来优化教学结果，学校方面有着丰富的可用数据，但是这些数据却很少被利用起来。[6]充分利用教育大数据，我们可以更加了解英语学习者的学习行为，帮助教学者作出更好的决策，优化学习者英语学习体验，提升目前英语教学的效率。

在教育领域，多所世界一流院校都开设了和大数据相关的研究项目，为了鼓励大数据在教育活动中的应用，美国教育部与2012年10月发布了《通过教育数据挖掘和学习分析促进教与学》（Enhancing Teaching and Learning through Educational Data Mining and Learning Analytics）报告（以下简称报告）[7]，报告通过描述大数据在业内的应用案例，为美国高等院校及K-12学校在“大数据”教育应用方面提供有效指导。

（二）教育数据挖掘和学习分析

教育数据挖掘（Educational Data Ming， EDM）指应用数据挖掘方法从来自于教育系统的数据中提取出有意义的信息的过程，这些信息可以为教育者、学习者、管理者、教育软件开发者和教育研究者等提供服务。数据挖掘技术可应用于招生、就业、后勤、图书馆管理、人事管理、设备管理、师资管理等方面，有助于管理者作出科学的决策。[8]《报告》将“数据挖掘”定义为：综合运用机器学习、数学统计和数据挖掘的方法和技术，对海量教育数据进行处理和分析，建立数学模型，发现和解释学习者的学习结果与学习内容、学习资源与教学行为等变量之间的相关关系，用语预测学习者的未来学习趋势。[9]

2011年，在第一界学习分析与知识国际会议（The International Conference on Learning Analytics and Knowledge， LAK）上，有关专家将学习分析定义为“测量、采集、分析和汇报有关学习者及其学习情景的数据集，用以理解和优化学习及学习情景”[10]。顾小清等人认为，学习分析技术是围绕与学习者学习信息相关的数据，运用不同的分析方法和数据模型来解释这些数据，根据解释的结果来探究学习者的学习过程与情境，发现学习规律；或者根据数据阐释学习者的学习表现，为其提供相应反馈从而促进更加有效学习的技术。[11]

二、教育大数据的应用方向

周若松等人（2015）认为大数据对教育的影响，主要体现在以下四个方面：改变教育研究中对数据价值的认识，方便教师更全面了解每一个学生，帮助学生进行个性化高效学习，增强教师的责任心和强化师德建设。[12]

在《报告》对教育数据挖掘和学习分析的应用领域做了详细的阐述，并指出对教育数据的挖掘和学习分析可以用来解决教学中复杂的实际问题。本文根据报告中提到的视角，结合英语教学的实际情况，对教育数据在英语教学中的应用给出了相应的建议，这些领域可以分为：学习者知识模型、学习者行为模型、学习者体验模型、学习者档案、领域知识模型、学习组件分析和教学策略分析，趋势分析、适应性和个性化。[13]

（一）学习者知识模型

学习者知识模型的建立，主要是为了使系统根据学习者的具体需求，在适当的时间用适当的方法呈现适当的信息。[14]对于不同水平的英语学习者，他们所掌握的具体英语知识不同，希望达到的学习目标也不同，通过学习者知识模型的建立，我们可以使学习者获得最适合其学习需求的学习资源。

根据克拉申二语习得的“输入假说”，学习者是通过对语言输入的理解而逐渐习得第二語言的，其必备条件是“可以理解的语言输入”（comprehensible input），也就是说，语言输入难度稍高于学习者现有水平，才能达到良好的学习效果。[15]学习者知识模型的建立，有助于系统根据学习者的具体英语水平，推荐符合其自身学习情况的学习资源。

（二）学习者行为模型

学习者行为模型主要把学习者的行为分为“与学习任务相关”和“与学习任务无关”的行为，并以此作为学习者参与度的一项重要指标。

学习者行为模型除了英语的课堂教学之外，目前线上英语学习平台也已经非常普遍，而且众多的线上学习平台已经成为教师课堂教学的重要补充。研究表明，在参与线上课程时，学习者的“与学习任务无关”的行为会导致低于平均水平的学习效果[16]，除此之外，学生在现实学习中的出勤情况、课堂反应、测试成绩等数据，都可以用来建模。学习者行为模型的建立，可以帮助线上学习平台及时发现并回应学习者的“与学习任务无关”行为，在课堂教学者，能够有效预测学习者不能完成学习任务的可能性，诊断学生在学习中出现问题的环节，以便教师给予更好的干预。

（三）学习者体验模型

学习者体验模型主要用来评估学习者对学习体验是否满意。学习者体验模型可以根据学习者对学习过程的满意度调查等获取数据。Dawson等人调查了高等院校可以通过学生信息系统、学习管理系统、通讯工具等获取有效数据，来提升学生的学习体验并告知教师是否取得某项特定的学习成果。[17]

学习者体验模型可以用来进行对课程和教师的评估，不仅局限于英语学科，学生自入学开始，学校即可通过全方位的数据追踪及挖掘来分析学习者的整个学习过程。例如，在英语学习中，我们可以细化学习者体验模型到听说读写各个模块，分析学习者在各个模块学习者体验，帮助教师发现学习者体验好与差的课程单元，分析原因，调整授课顺序，优化整体课程设置。

（四）学习者档案

学习者档案是描述学习者所以学习行为的数据总和。学习者的偏好、兴趣、背景及学习目的不同，赵庆红等人的研究显示，大学生英语的“学习需求”总体上表现出多样性和个性化的倾向，呈分散态势。来自不同专业，不同水平学校的同学在英语学习需求方面有着显著的不同。[18]

学习者档案的建立的长期目标是为了个人或群体够提供可适应的个性化学习环境，提高学习效率，优化学习效果。档案建立之后，我们可以根据英语学习者的偏好、兴趣、学习目的、学习习惯等为其分类，方便教学者的课堂管理，也有助于教师给予适当的指导。

（五）领域知识建模

领域知识模型代表的是某个学科或者主题内的关键概念，以及各个概念或者单元之间的关系。领域知识模型的教育数据挖掘和学习分析主要研究不同学习模块和知识点组织方式、组织顺序。

根据赵雯等人的研究，中国大学英语语言能力可以被分为以下能力板块及其组成要素[19]，表1：

表1 大学英语语言能力描述维度及其组成要素

能力组成要素 组成要素

认知能力（ 语言知识） 语言能力、社会语言能力、语用能力

功能能力（ 语言技能） 听、说、读、写、译

策略能力（ 元能力） 学习策略、自我学习能力

社会能力 思辨能力、沟通能力、合作能力、跨文化能力、解决问题能力、创新能力、使用信息、媒体与技术的能力

我们可以根据英语语言能力的构成要素，构建起英语学习的横向领域知识模型。另一方面，我们可以根据不同能力的难度水平，构建纵向的领域知识模型。

（六）学习组件分析和教学策略分析

学习组件分析和教学策略分析可以给英语教学活动提供强大的数据支持。在英语教学中，教学策略分析主要研究教师教学过程中和学生学习过程中的不同组成单元，以及教师或学习系统在不同时间施予不同学生群体的不同种类教学策略。主要试图解决的问题包括：在促进学习效果方面，哪些学习单元更有效，哪种课程设置更有效，哪种类型的教学实践更有效。

早在20世纪70年代，在关于二语习得顺序的研究中就已经指出英语学习者是如何习得英语的语法结构的。[20]通过对语言使用准确度的研究，克拉申提出了语言学习的自然顺序，无论母语是什么，是否受到过训练，第二语言学习的自然顺序是固定的（ing/plural/copula；auxiliary/article； irregular past； regular past/3rd person singular/possessive-s）[21]。

基于自然顺序假说，我们可以进行相关的学习组件分析，并且分析相对应的教学策略是否取得了良好的教学效果。研究证实，对教育数据的挖掘能够帮助研究和改良线上课程，对目前多种多样的线上语言课程和语言学习平台，学习组件分析和教学策略分析就显得更加重要。[22]

（七）趋势分析

趋势分析一般是指在一段时间内对学习者在线学习的相关数据进行采集和分析，观察学习者在这一阶段中学习结果的变化，探寻学习者当前学习行为和未来学习结果之间的相关关系，并且利用己发现的相关关系，基于新增学习者的当前学习行为，预测其未来的学习结果。

被称为大数据核心价值的概率预测，在教育领域中也发挥着至关重要的作用。英语教学作为一门基础学科，涉及的学习者范围广，数量多，从大量学习行为的数据分析中可得出一定的秩序和规律，用于预测未来的学习发展趋势。在实际的英语教学中，如果发现未来趋势中存在某些影响学习效果的因素，教师和教育管理者能够及时在行为管理或纪律约束等方面采取干预措施，防止这些因素演化为更加严重的学习危机。

（八）适应性和个性化

舍恩伯格（Sch?nberger）等认为大数据时代的教育可以打破“一个尺寸适合所有人”的同质性，即通过对知识传递进行的个性化处理，使之更好地适应特定的学习环境、学生能力和学习偏好。[23]姜强提出了从数据与环境（What）、关益者（Who）、方法（How）和目標（Why）等4维度构建个性化自适应在线学习分析模型。[24]

结合英语教学，笔者认为英语学习者的个性化教学模型应该建立在之前的学习者知识模型、学习者行为模型、学习者体验模型、学习者档案、领域知识模型、学习组件分析和教学策略分析，趋势分析结果之上，以学习者为中心，建立英语学习的自适应学习系统（adaptive Learning System）。

三、结语

目前，大数据在商业方面的应用已经日渐成熟，对教育大数据的研究成果也颇丰，我们每个人都是大数据的产生者，也是大数据分析的受益者。英语作为一种被广泛使用的语言，一种交流工具，一门基础学科，是我们日常生活中非常重要的组成部分。通过对英语相关教育数据挖掘和学习分析的研究成果，我们可以建立相应的模型，完善英语学习的自适应系统，在大数据技术的支持下，为广大英语学习者提供个性化的英语学习方案，推送个性化学习资源，具有针对性的解决学习问题，提升英语学习体验及学习效率。

【参考文献】

[1]徐鹏，王以宁，刘艳华，张海.大数据视角分析学习变革——美国《通过教育数据挖掘和学习分析促进教与学》报告解读及启示[J].远程教育杂志，2013（06）：11-17.

[2]Barwick H.The"four Vs"of Big Data.Implementing Information Infrastructure Symposium[EB/OL].[2012-10-02].http：//www.computer-world.com.au/article/396198/iiis_four_vs_big_data/.

[3]张燕南.大数据的教育领域应用之研究[D].华东师范大学，2016.

[4]Ingram， D.， Louis， S. K.， & Schroeder， R. G. （2004）. Accountability policies and teacher decision making： barriers to the use of data to improve practice. Teachers College Record，106（6），1258-1287.

[5]Schildkamp K，Kuiper W.Data-informed curriculum reform Which data， what purposes， and promoting and hindering factors[J].Teaching & Teacher Education，2010，26（3）：482-496.

[6]Stecker， P.M.，Fuchs， L.S.，& Fuchs，D.（2005）.Using curriculum-based measurement to improve student achievement： review of research. Psychology in the Schools，42（8），795-819.

[7][9][13]Enhancing Teaching and Learning through Educational Data Mining and Learning Analytics[DB/OL].[2012-10-12]. http：//www.ed.gov/edblogs/technology/files/2012/03/edm-la-brief.pdf.

[8]李婷，傅钢善.国内外教育数据挖掘研究现状及趋势分析[J].现代教育技术，2010（10）：21-25.

[10]Siemens G，Long P.Penetrating the Fog：Analytics in Learning and Education[J].Educause Review，2011，45（05）：30-32.

[11]顾小清，张进良，蔡慧英.学习分析：正在浮现中的数据技术[J].远程教育杂志，2012（01）：18-25.

[12]周若松，王志娟.浅谈大数据对教育的影响[J].高教学刊，2015（13）：5-6.

[14]Gerhard，F.2001.“User Modeling in Human-Computer Interaction.”User Modeling and User-Adapted Interaction 11：65-86.

[15][20]Krashen S.Principle and Practice in Second Language Acquisition[M].Oxford： Pergamon Press Inc，1982.

[16]Baker，R.S.，A.T.Corbett，K.R.Koedinger，and A.Z. Wagner.2004.“Off-Task Behavior in the Cognitive Tutor Classroom： When Students ‘Game the System.”In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems （CHI '04）. New York， NY： Association for Computing Machinery，383-390.

[17]Dawson，S.，L.Heathcote，and G. Poole.2010.“Harnessing ICT Potential： The Adoption and Analysis of ICT Systems for Enhancing the Student Learning Experience.”International Journal of Educational Management 24（2）：116-128.

[18]趙庆红，雷蕾，张梅.学生英语学习需求视角下的大学英语教学[J].外语界，2009（04）：14-22.

[19]赵雯，王海啸，余渭深.大学英语“语言能力”框架的建构[J].外语与外语教学，2014（01）：15-21.

[21]Dulay H，Burt M K.NATURAL SEQUENCES IN CHILD SECOND LANGUAGE ACQUISITION[J]. Language Learning，1974，24（01）： 37-53.

[22]Baker，R.S.J.D.，and K.Yacef.2009.“The State of Educational Data Mining in 2009： A Review and Future Visions.”Journal of Educational Data Mining 1（01）：3-17.

[23]迈尔·舍恩伯格，库克耶盛杨燕，周涛.大数据时代：生活、工作与思维的大变革： Big data a revolution：that will transform how we live，work，and think[M].杭州：浙江人民出版社，2013.

[24]姜强，赵蔚，王朋娇，王丽萍.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（01）：

85-92.

责任编辑：杨柳