基于教育大数据的在线教育适应性学习模型及其应用研究

摘    要：通过教育大数据的在线教育适应性学习模型的构建，可以准确了解和掌握学生的学习情况、学习规律，并能根据每一位学生的实际需求为其提供适应性的学习方法。综述了教育大数据的概念和特点，分析了教育大数据之“大”并不是表面的“大容量”,而是教育大数据的在线教育适应性学习模型的全面性和“大价值”。基于教育大数据，分别从不同的维度描述了适应性学习模型的构建方法。研究结果表明：基于教育大数据的在线教育适应性学习模型构建及应用，可以为学生提供科学合理的学习路径，可以准确反馈学生的学习效果，进而为学生提供个性化的服务，更有利于促进教师的教和学生的学。

关键词:教育大数据;在线教育适应性学习;模型;应用;

Research on Online Education Adaptive Learning Model Based on Education Big

Data and Its Application

Zhou Hongwei

Graduate School, Huaqiao University

Abstract：Through the construction of online education adaptive learning model on the basis of education big data, we can accurately understand and master students' learning situation and learning rules, and provide adaptive learning methods for each student according to their actual needs. This paper summarizes the concept and characteristics of education big data, and analyzes that the “big” of education big data is not a superficial “large capacity”, but the comprehensiveness and “great value” of online education adaptive learning model of education big data. At the same time, based on the education big data, the methods of constructing adaptive learning models are described from different dimensions. The research results show that the construction and application of online education adaptive learning model based on education big data can provide students with scientific and reasonable learning paths, accurately feed back students' learning effects, and then provide personalized services for students, which is more conducive to promoting teachers' teaching and students' learning.

Keyword：Education big data; Online education adaptive learning; Model; Application;

随着科学技术、信息技术以及互联网技术不断发展，大数据已经成为各个行业领域中的焦点，基于教育大数据的在线教育适应性学习的时代已经来临。2015年，教育部门颁布的《教育信息化十年发展规划》提出的“三通两平台”(宽带网络校校通、优质资源班班通、网络学习空间人人通，教育资源公共服务平台、教育管理公共服务平台)开始推广和普及，其根本目的就是实现大中小学互联网的全面覆盖，教育大数据的推进为在线教育适应性学习模型的构建和应用奠定了坚实的基础。

一、教育大数据的概念和特征

(一)教育大数据的概念

教育大数据作为当前教育领域中的一个重要组成部分，国内外的教育机构并没有对其给出一个准确的定义。教育大数据只能被理解为教育数据规模大、种类多的一种教育资源，是传统的教育工具无法比拟和处理的教育资源集。

(二)教育大数据的特征

1.海量性。

海量性是大数据的主要特征之一，在信息化日新月异的大背景下，大部分学校都采用了先进的信息管理系统，实施和开展着教学管理，教学管理和资源的整合产生了大量的数据信息，越来越多的学习内容通过网络来实现，使得教育资源公共服务平台和教育管理公共服务平台生成的教育数据信息呈现出了爆发式的增长态势[1]。

2.规模性。

有学者和专家指出，所谓的规模并不是常规数据和大数据之间主要的衡量标准，教育大数据的特点是复杂性和多样性，传统的教育模式具有显著的结构型特点，但随着教学模式的改革和新型教学工具的应运而生，教育数据的种类也在不断增加，使得教育数据的结构变得愈加复杂，逐渐形成了多元化和异质性的教育数据，比如，教学视频、音频、邮件等，这些非结构化的教育背后隐藏着海量的信息数据，比如，学生的学习态度、习惯、能力和偏好，等等。基于教育大数据的在线教育适应性学习，不论是教师还是学生都要能学会利用和分析不同类型和结构的教育数据，确保学习结果的实效性和高效性。

3.动态性。

传统教学模式更注重的是学生的考试成绩，而教育大数据更注重的是学生的学习态度，比如，注意力集中的时间、回答问题的频次等，这些数据信息是动态和高速变化的，教师不仅可以及时地评价学生的学习效果，还可以根据动态的变化数据及时调整自己的教学方法。美国斯坦福大学的吴恩达教授在一个月时间里通过对1500名学生的跟踪调查发现：如果学生在观看视频的过程中点击了快播键或者是暂停键，就暗示着视频内容难懂或者学生根本对教学内容不感兴趣，此时教师就可以根据视频内容进行调整，以期通过改善教学方法激发学生的学习兴趣。

4.价值性。

《大数据时代》提出，在大数据时代背景下，最重要的就是从大数据中挖掘有价值的数据信息。根据教育大数据信息显示：很多学生的学习行为基本是处于分散状态下的，需要通过教育大数据对产生的数据信息进行整合与优化，通过对这些海量数据信息的整理和归纳，从中得到具有重要价值的信息，并合理利用它们来为学生提供更加优质的服务。教育大数据对于学生、家长和教师来说其重要性是不言而喻的，它可以帮助学生养成良好的学习习惯、帮助教师优化教学模式、帮助家长引导学生，进而确保每一位学生都能获得高效、实效的教育。

5.真实性。

教育大数据更注重的是数据信息的真实性与可靠性。由于传统教育模式下学校为了排名、教师为了业绩等原因，忽视了对学生真实情况的了解和判断；而教育大数据由于基数大，不是凭借某一个数据就去对学生进行评价，而是借助有价值的数据信息对学生实际的学习情况进行评定，即使其中有某些被修改过和粉饰的信息数据，甚至有错误的信息存在，也不会对学生最终的评价结果带来任何影响。

二、教育大数据在线教育适应性学习的重要性

从基础教育到中职教育再到高等教育，尽管教育体制一直在不断优化和完善中，并起到了重要的教书育人目的，但其中依然存在很多的问题，比如，教师依然按照传统的教学方法授课、未能综合考虑到学生的接受能力，缺乏有针对性的措施激发学生在学习中的积极性和主动性，导致学生的思维能力和创新能力逐渐丧失，主动获取知识的欲望被削减。究其原因，还是由于学校、教师和家长都未能真正地关注到学生的个体差异和实际需求，未能遵循“因材施教”的原则。基于此，很多专家、学者乃至地方学校的教育工作者都在努力地探寻一种高效的教学路径，但遗憾的是，至今仍未有统一的答案和标准[2]。

随着科学技术、信息技术以及互联网技术不断发展，知识的传播方式和获取途径都发生了翻天覆地的变化，基于教育大数据的在线教育适应性学习逐渐得到了教师、学生、家长以及社会各界的认可。教育大数据的在线教育适应性学习不仅可以实现终身学习，还可以从时间和内容维度为学生勾勒出立体化的学习情境，使学生可以真正地感受到教育大数据中推送的优质教学资源[3]。通过教育大数据的在线教育适应性学习，既可以深入挖掘学生的潜能，也可以帮助每一位学生按照自己的学习方式和偏好进行学习，高效和扎实地掌握所学习的知识。

基于教育大数据的在线教育适应性学习，可以准确记录、掌握和跟踪学生的学习需求和学习行为，为不同个性特点的学生建立学习模型，打造个性化的学习方式。由此可见，教育大数据的在线教育适应性学习让教育变得千人千面，遵循了“因材施教”的理念，促进了个性化学习朝着人性化学习方向转变，使学生真正地体验到了学习的乐趣。

三、教育大数据在线教育适应性学习模型构建

(一)学生学习数据库的在线教育适应性学习模型构建

教育大数据的在线教育适应性学习，通过借助大数据驱动，由学习数据库记录学生的学习行为方式，比如，学习路径、日志和讨论，等等。教育大数据的一个显著优势就是可以更方便地搜集各种非结构数据信息的采集和存储，比如，课堂学习、在线学习以及辅助的教学工具都可以作为数据信息的搜集渠道，学生每一次点击、互动、课堂活动都可以被及时地记录下来，从而转化成数以万计的学习数据，作为下一步在线教育适应性学习的重要资源。

(二)学生基础数据库在线教育适应性学习模型构建

学生基础数据库包括学生各种各样的信息，比如，姓名、年龄、年级、爱好、成绩等，要想为学习者制定最科学合理的学习方法，不仅需要学生单方面的学习成绩，还要综合考虑历史学习数据。这些数据会综合反映学生的知识储备情况、努力程度以及学习偏好等，会形成更加立体的学习影像。

教育大数据的在线教育适应性学习模型的构建还需要综合考虑是否利用学生基础数据向所有的学习者推送与其相关的学习信息。其目的是要保证：整个学习过程既实现与学习者的互动、自我安排时间的学习、教师的针对性指导，又实现平台可以根据学习者的适应性推送适当的学习资源。

(三)分析系统

分析系统是对学生在学习过程中产生的大量数据进行分析和处理的系统。分析系统的主要内容包括学生日常的学习表现、所学课程、教材的选择以及教师的教学方法是否正确合理。首先，需要对原始的数据信息进行归纳和整理，剔除其中存在的冗余数据，数据的真实性与可靠性是保证最终结论的关键所在；其次，借助大数据将其转化为可洞察和可操作的模式，并生成可视化的报告。从基于教育大数据的在线教育适应性学习模型结构可知：学习模型的构建既需要综合考虑每一位学生的个性特点，又要能从海量的数据信息中挖掘具有重要价值的学习方法。以自主学习、适应推荐和计算机学科为基础，分别从数据与环境、关益者、方法、目标等四个维度构建基于教育大数据的在线教育适应性学习模型。

1.数据与环境。

数据与环境是教育大数据的在线教育适应性学习模型、社会媒体、传统学习工具、开放学习平台等，学习者与学习者、学习者与教师以及学习者与平台在交流后生成海量数据信息，其中大部分的信息是来自适应性学习模型中的读、写、说、练等数据，教育大数据的应运而生为预测学生成绩、学生养成良好习惯奠定了坚实的基础。将从数据环境中生成的碎片化信息数据进行有机整合，尽最大努力地满足学习者实际的学习需求，引导学生积极主动构建知识资源，促进学习者在线自主学习。

2.关益者。

按照作用来划分，基于教育大数据在线教育适应性学习模型的关益者主要包括学生、教师、教育机构、模型构建人以及系统的设计师等等。其中，前三项对适应性学习模型构建的影响最大。从学生角度来看，平台需要保护学生的基本信息，防止学生的基本信息泄露；从教师角度来看，根据学生在平台上的学习情况可以及时调整自己的教学方案，并对学生实施干预；对于教育机构来说，可以根据学习者的兴趣、偏好以及知识水平等，推荐适合学习者的学习资源和学习方法；对于模型构建人来说，可以及时了解学生在学习过程中存在的问题，合理预测学生的期中和期末成绩，提高学生的出勤率、降低学生的辍学率。

3.方法。

为更加全面地了解和掌握学习者的个性特点、学习的实际需求、学习的基本情况，为不同类型的学习者打造不同的学习模型，教育大数据的在线教育适应性学习模型的构建方法主要包括统计法、知识可视化、个性化推荐、数据信息挖掘以及社会网络分析，等等[4]。统计法通过回归分析得出影响学习者学习的因素，起到十分重要的预警作用；知识可视化可以帮助学习者掌握所学习的知识内容，促进学习者对知识的主动构建和迁移；个性化推荐确保了平台可以根据学习者的个性特点、学习时间和学习方式推送自适应的学习资源和学习方法；数据信息挖掘包括预测挖掘、聚类挖掘以及关联挖掘等，从中提炼出有价值的数据信息，了解学生已经掌握了哪些知识，还没有掌握哪些知识，然后实施干预教学，从而改进自己的教学方法；社会网络分析不仅可以了解学习者在平台中如何进行学习，还可以判断学习者从同伴那里获得了哪些学习启示，学习者在哪些学习环节中遇到了困难，哪些影响因素影响了学习者的学习计划，等等。当然，最重要的还是如何运用以上技术，借助教育大数据为促进学生学习习惯的养成、帮助学生学习成绩的提高提供重要支持，确保在线教育适应性学习模型能够具有可操作性和可扩展性。

4.目标。

基于教育大数据的在线教育适应性学习可以发现和利用学生已经隐藏的学习信息，提供给不同层次的学习者，实现方式主要包括监控与分析、预测与干预、授导与适应、评价与反馈，等等。其中，授导与适应是适应性学习模型构建中最重要的目标，需要满足学习者在适应性学习过程中的两个基本需求：第一，学习者主动学习的需求，学习者是否可以主动地适应远程学习方式，实施自我组织，制订和执行学习计划，自主选择学习方法，对自己的学习情况进行评估；第二，适应性学习的需求，适应性学习指的是一个系统主动地向学习者推送学习资源，即该系统能够通过聚类、决策树以及菲尔德—希尔弗曼学习模型预测和判断学习者的学习方式、偏好、知识掌握情况以及学习者的个性特点，在此基础上实施有计划和有目的的教学策略。预测与干预也是教育大数据在线学习适应性模型构建中的关键目标，主要用来干预和预测学习者当前的学习情况、学习行为和成绩，自动生成学习报告，并构建出一个预测模型，有助于教师对学生的学习情况、学习习惯和学习过程进行干预，同时也为下一步的活动计划作出重要的决策[5]。相比于这些目标，监控与分析、评价与反馈的功能要弱一些，需要学习者根据自己在学习过程中产生的数据信息进行自我评价、修正和量化自我等，教师也可以根据与学习者的沟通，反思自己的教学方法是否适合不同个性特点的学生。

四、教育大数据在线教育适应性学习与应用

数据指的是记录信息的载体，是知识的源头。数据信息的快速增长，说明了人类的记录、测量和分析等的范围正在不断扩大，知识的边界正在不断扩展和延伸，数据中具有的可视性、可操作性和可用性既可以准确地反映人的思维、行为和情感以及事物的变化规律，也可以更有效地提升人的生产能力和生活品质。目前，国外大部分学者都是从宏观层面来研究教育大数据的，并认为教育大数据的应用需要全新的处理模式，才能拥有更强的决策力、洞察力、高效率和多元化的信息资产，也就是4V的特点(数据信息量大、实用性强、种类繁多、真实可靠);也有一小部分学者认为，在其中还应当再加入2个V(价值、可视化)。如果仅仅从宏观角度并不能真正地认识到教育大数据的内涵和应用价值，特别是大数据在教育行业领域中的应用，更需要从微观角度去理解大数据的内涵，它既是一种价值观也是一种方法论。教育大数据之所以“大”并不在于其表面的“大容量”而在于其中存在的“大价值”,对于教育大数据的应用需要以全新的思维对学生在学习过程中的微观表现进行处理，并能从多个角度看待，比如从学生的学习态度、努力程度、交际能力以及智力水平等层次中深入地挖掘有用的数据信息，揭示学生潜在的价值并以可视化的方式呈现出来。一方面帮助教师根据学生的学习情况制订适应性的学习方案；另一方面，全面跟踪和了解学习者的个性与特点，明确学生的学习需求，为不同个性特点的学习者推送和提供多元化的教育资源和学习方法，不断优化知识结构、促进学生的全面发展。

其实，教师的行为举止、一言一行以及学校里发生的事情，都是可以转化成数据信息的，也就是说每一位在校读书的学生都能运用自己独特的方式去学习，比如上课、做笔记、实验和讨论问题等这些都是教育大数据的一个重要来源。与之相对应的是学生能够利用这些资源在网络上与同学互动、分享，这些都是教育大数据的关键所在。有心理学研究表明：人的感觉是存在盲点的，直觉并不是完全可以信任的，理性思维也是具有一定的局限性的，人即使有超强的记忆能力，也未必会有惊人的信息分析能力，因此不论是对学生的学习需求的评价，还是对学生学习习惯的评价，都需要基于大数据去自我量化、分析自己的在线学习行为。只有这样，才能找出自身存在的问题，真正认识和提高自己。

有很多国外学者通过教育大数据分析了学生在线课程学习、作业提交、考试测验情况，了解了导致学生学习成绩不理想的信息，提出了优化和改进的意见和建议，给出了一些有益的指导，以确保学生可以以最高效的学习方式改善学生的辍学率、改进教学和提高学习成绩。国外的一些企业也对大数据在教育行业中的应用进行了实践研究。比如，美国的“梦盒学习”公司和“纽顿”公司，已经建立了大数据的适应性学习系统，为数以万计的学习者提供了优质的学习服务，向他们提供了可靠和真实的学习数据，也试图鼓励学校能够运用这些数据提高教师的教学质量、提高学生的学习成绩和降低学校的教学成本[6];加拿大的“渴望学习”企业专门为高校学生推送了“学生成功系统”,全面地分析了每一位学生在线学习的实际情况，及时地分析了其中存在的问题，提出了有针对性的改进意见，并合理地预测了学生的期中和期末成绩。

相比较而言，国内学者针对大数据在教育领域中的应用研究少之又少，仅仅有一小部分学者从理论层面上提出了大数据促进高校教育工作者专业发展的研究。国内也有一小部分企业利用大数据从事在线教育，比如利用梯子网全程跟踪学生的学习轨迹，检测学生在学习过程中存在的薄弱环节，最终为学生制订有针对性的学习方案。同时，还可以让家长通过可视化的方式了解自己孩子的学习和考试情况。

五、基于教育大数据在线教育适应性学习面临的挑战

大数据应用于教育领域，使得传统教学模式中的“批量生产”发生了巨大的变革，教育大数据必然会引领教育领域进入新时代。适应性学习模型构建的基础和前提条件是数据信息的准确与可靠，只有在各类数据信息能够保证及时准确的基础上，大数据在教育中的作用才能凸显出来。纵观我国大部分学校中的教学依然是以传统的教学模式为主，数据信息的转化、共享和传递出现了滞后的情况，在一定程度上影响了模型分析数据结果的有效性。因此，大数据要想在教育领域中得到推广和应用，学校需要大力推进信息化建设力度，充分发挥适应性学习模型的作用，真正促进学生的全面发展。而对于学生学习情况的跟踪、挖掘和记录会涉及学习信息被泄露的问题，特别是在个人隐私的法律法规并不完善的情况下，教育大数据的隐私条款知识变得更加重要，作为教育者要能深刻地认识到大数据在教育领域中应用将面临的道德与法律的挑战[7]。学生是教育大数据在线教育适应性学习的使用者，在对教育数据进行采集和分析的过程中，需要得到学生的认同和信任，健全和完善保护学生隐私的法律法规，保证所搜集到的数据信息全部应用到教学中。

参考文献

[1] 张舸，周东岱，葛情情.自适应学习系统中学习者特征模型及建模方法述评[J].现代教育技术，2012(5):16-18.

[2] 宗阳，郑勤华，陈丽.中国MOOCs学习者价值研究——基于RFM模型的在线学习行为分析[J].现代远距离教育，2016(2):14-16.

[3] 郑勤华，等.基于学习分析的在线学习测评建模与应用——学习者综合评价参考模型研究[J].电化教育研究，2016(9):11-12.

[4] 彭文辉，杨宗凯，黄克斌.网络学习行为分析及其模型研究[J].中国电化教育，2006(10):60-61.

[5] 李莎莎.面向任职教育的“数据挖掘与机器学习”课程教学研究[J].高等教育研究学报，2019(9):32-33.

[6] 黎孟雄，郭鹏飞，黎知秋.基于情绪识别的远程教学自适应调节策略研究[J].中国远程教育：综合版，2015(11):69-70.

[7] 孙歆，王永固，邱飞岳.基于协同过滤技术的在线学习资源个性化推荐系统研究[J].中国远程教育：综合版，2012(8):18-19.