大数据时代量化自我支持的个性化学习研究*

吴金红

（武汉纺织大学 管理学院，湖北 武汉430073）

科技的发展拓展了人类认识世界的能力，而穿戴式传感器、智能手机等移动智能终端的普及，则带来了一种新趋势——量化自我。量化自我是采用技术手段来认识自我的新尝试，与随时随地掌握个体差异的功能与教育倡导的个性化不谋而合，量化自我成为深化发展个性化学习的新契机。2014年，美国新媒体联盟发布《NMC地平线报告》，在报告中指出量化自我将取代可穿戴技术，成为未来4～5年在高等教育领域内的关键技术。[1]目前对于量化自我如何与教育教学相结合成为一个研究热点，本文在解析量化自我的基础之上，探讨了量化自我支持的个性化学习体系及其特征，最后分析了量化自我在个性化学习中应用面临的现实挑战。

一、量化自我的含义

量化自我并不是最近一两年才出现的新概念，早在上个世纪70年代，就有人提出人本主义计算（Humanistic Computing）的理念，提倡运用穿戴式传感器等技术手段来记录人的行为、生理信息，通过这些数据来了解人类的智能、心理和行为。[2]由于当时的信息技术限制，可穿戴装备尚处于概念阶段，这种通过数据量化自我的理念并未受到人们的重视。近年来，随着智能手表、智能手环和电子项链等微型可穿戴设备的发展，使收集自身数据、观察身体状态变化等复杂的过程变得轻松、简便和廉价，量化自我再次进入人们的视野，并逐渐成为了一种社会运动。2007年，《Wired》杂志主编凯文·凯利（Kevin Kelly）正式提出了“量化自我（Quantified self）”的概念：“运用技术手段，对个人生活中有关生理吸收（Inputs）、当前状态（Status）和身心表现（Performance）等方面的数据进行获取。”［3］之后，人们从不同的角度对量化自我进行了阐释，也有人将量化自我称作“自我跟踪”（Self－tracking）、“生理数据”（Body Data）或者“生活骇客”（Life Hacking）等。[4]

目前对于量化自我的研究尚属起步阶段，笔者以量化自我为关键词，搜索WOS和CNKI，得到为数不多的几篇论文。梳理这些论文和当前量化自我的实践，我们可以从以下几个方面来理解量化自我：

1.量化自我的缘起

量化自我缘起于人类对自我探索的渴望和对健康的追求。自古以来，人们对了解自身、认识自我就有很强的探索欲望。社会的进步，财富的积累，使人们越来越关注自身的健康。而同时，专业体育和医疗领域基于身体数据测量与观察的成功案例，也让普通人产生了强烈的量化自我欲望。

2.量化自我的基础

信息技术的发展和智能可穿戴设备的普及是量化自我的基础。普适计算、云计算、移动计算等新一代计算技术，让量化过程无处不在。移动网络、无线网、传感网等泛在网络，让量化数据随时随地可以无障碍传输；电子化的手表、手环、项链、体重秤、眼镜、手机等移动智能终端，让数据收集无处不在；Fitbit、Jawbone UP、Nike Fuelband、Bodymedia、乐疯跑等基于IOS或者Android的APP，让量化自我简便易行。

3.量化自我的手段

总体上看，量化自我的主要手段是穿戴式传感技术与大数据挖掘。前者带来了数据获取范围和方式的变革，后者带来了认知模式的变革。通过可穿戴式传感器，随时随地感知身体和周围的环境变化，自主地获取人体数据并且不打扰个体。而大数据则让人的认知模式发生了变革，运用数据挖掘从大数据中提炼出对事物本质与规律的认识，人们的认知模式由经验驱动变为数据驱动的量化认知模式。

4.量化自我的数据

量化自我的数据包括个体数据和社会数据两大部分。个体数据是个体生理行为的数据，如体重、计步、睡眠时间、消耗食物卡路里、空气质量、压力指数、皮肤电导、血氧饱和度等数据。[5]量化自我最初的目的就是通过对这些数据、可视化、交叉引用分析，来研究分析自身。社会数据是个体与其周围环境交互的数据，包括文字、照片、声音、视频、地理位置和消费记录等数据。

二、量化自我支持的个性化学习

个性化学习是一种以反映学生个性差异为基础，以促进学生个性发展为目标的学习范式，是教育学一直提倡和追求的目标。然而效果一直不够理想，追究其原因，就是对于学习者的个性化差异把握不够。量化自我采用一种数据化的方式来认识自我，为学习系统实时提供学习者个性化的学习需求、学习状态和学习情境，建立个性化的学习兴趣模型。图1是量化自我支持的个性化学习体系的概念图。

图1 量化自我支持的个性化学习体系

量化自我支持的个性化学习体系是一个网状结构的学习网络，通过教学网、知识网、学习网和社交网将学习者、教学者、知识社区和学习资源等各个主体平等地连结在一起。学习者通过量化自我工具实时地收集自身及周遭的生物信息、生理信息、运动信息、迁移信息等，并将这些数据发送到大数据系统中；大数据系统借助云计算和大数据分析技术，构建学习者的个体学习模型，并结合学习者个性化的学习需求、实时化的学习状态和特殊化的学习情境，向教学工作者反馈学习者的兴趣、状态和适当的教学建议；[6]教学工作者根据学习者量化的自我数据，实时调整教学内容、教学方法，并反馈到学习者的移动学习终端；同时，学习者通过无所不在的社交网络，与知识社区中的其他人进行交流，获得支持和更多的知识。

量化自我支持的个性化学习系统中，大数据中心起到关键的作用。这实质上反映了当前教育理念的变革：由任务导向转变为数据导向。以往的学习由一个个教学任务构成，教学资源、教学大纲、教学内容都围绕着完成教学任务，却忽略了教学中最重要的组成部分——学习者。量化自我的个性化学习用量化数据来监测学习者的状态、能力，由个性化的数据来驱动教学内容、教学方案和教学资源的运用。与传统的学习模式相比，它具有以下一些优势：

1.量身定制的因材施教

因材施教一直是为人所乐道的教学圣典，因为它能够根据学习者的学识、能力和状态来安排教学的内容。个性化学习的目标就是要达到这种因材施教的效果。以往的个性化学习系统通常采用用户建模的方式，由学生自行选择或输入自己的兴趣爱好，生成模板，然后为学习者提供相对应的学习资源。这种生成的静态模板不能包含动态变化的学习状态。我们知道，学习状态对学习的效果影响很大，同一个人在不同压力不同环境下学习的效果相差巨大。现实生活中，有经验的教学者会根据学习者学习状态的变化，在教学内容、教学强度、教学方法方面做出针对性的调整，实现因材施教的目标。

而在量化自我的情境下，通过量化自我的工具，教学者可以随时随地收集到与学习者生活方式、学习方式、知识结构以及外部学习环境相关的情境数据，通过分析集成，帮助教学者制定有针对性的、个性化的教学方案。同时，可以根据学习者的生理数据，推断出学习者的学习状态、精神压力，实时地调整教学进程、教学强度和教学方法。最主要的是，这种学习状态变化是以一种很容易理解的方式表征出来，不需要多少经验就可以觉察得到。

2.目标明确的自我超越

技术是人类的延伸，量化自我无限扩展了人的感知本能，人获得了对身体、意识、行为和环境的全视能力，那些非意识领域的不可知都通过数据呈现为可知，同时，通过数据的实时记录和历史记录，让认知过程突破时间性。[7]量化自我借助于信息技术手段来认识自我，将一个个复杂的模糊的过程通过数据呈现出来，成为人可以超越的明确目标。人与动物的区别就是在不断的超越中得到进步，并且在这种超越中获得成就和愉悦。比如，对于期望通过跑步来增强体质的人来说，能够坚持的距离反映着身体的健康程度。身体健康程度用跑步的距离进行量化，这样多跑100米就是一种超越，就会感到身心愉悦，甚至会在社交APP上与好友分享这种喜悦。

学习也一样。南京大学的桑新民教授指出，“学习的本质是人类个体和人类整体的自我意识与自我超越”。量化自我与学习过程相结合有助于帮助学习者清楚地认识自身的知识水平，激发学习者内心的学习动机，获得成功的喜悦，实现不断的自我超越。比如，背单词的APP会记录学习者每天学习的单词数，给出学习者单词量的评估，对于学习者来说，这些量化的数据都是自己要超越的目标，也是继续学习的激励因素之一。量化自我为自主学习提供了一个新的认知模式，过程量化、目标量化、效果量化，复杂模糊的学习转变成目标明确的自我超越过程。

3.认知领域的无限扩展

无所不在的泛在网络将学习网络、知识网络、教学网络和社交网络连结起来，为量化自我的学习者提供了一个无限的知识空间。在这个知识空间中，相互抱团，形成兴趣联盟；教师、公司职员、图书馆馆员或其他人员、机构等自发形成动态的知识社区；MOOCs、可汗学院、精品课程、微课程等通过泛在网络构建无所不在的学习资源网络。任何感兴趣或者必需的知识都可以通过无所不在的泛在网络、学习网络、知识网络得到学习资源，任何时候都可以通过协作性社交网络与兴趣同盟进行交流。更为重要的是，知识空间中的所有个体相互学习、协作和帮助，并且在学习过程中不断聚合，自发形成知识导师（不一定是教师），“认知孤岛”将不复存在，让学习者的认知领域得到无限扩展。

4.极具智慧的学习智能

在量化自我支持的个性化学习中，技术和设备将深度参与到教学和学习中来。可穿戴设备、大数据挖掘、泛在计算等相互协作，每时每刻都在关注着学习者的动态，探测和判断学习者的行为。量化自我工具随时随地记录学习者的显性数据（如体征数据）和隐性数据（如情绪数据），大数据挖掘实时集成和发掘学习者的学习规律和学习状态，提出适当的学习指导、干预、追踪和反馈；泛在计算则不断优化学习资源和知识资源的提供路径，为学习者提供最适合的知识支持。

现代技术的深度参与为学习者提供强大精确的学习智能，将极大限度地提升教学和学习效果。例如，通过对学习者的分析，可以发现其学习习惯中存在的问题，及时地给予技术或者行动上的指导；在学习过程中，根据学生的体征数据，计算学生的情绪状态，及时帮助教师调整教学强度和教学方法等。另外，与以往技术促进教学不同的是，这种技术的深度参与却不会干扰学生，所有的过程都是在悄无声息地自动进行，不会分散学生的注意力。

三、面临的挑战

量化自我将学习者彻底融入到学习过程之中，有望实现真正的基于个体差异化的个性化学习。然而，作为一项跟踪或进行分析个体数据的一种“新运动”和“新潮流”，要广泛应用到个性化学习之中，还面临着众多的现实问题，其中最为困难的有以下几个方面：[8]

1.数据隐私问题

量化自我支持的个性化学习，重点在于将量化自我工具收集的自我数据应用到个体差异分析中，也就是说要分享个人的隐私数据。量化自我的数据存入个性化学习系统的数据库中，成为一笔不可多得的宝贵财富。就像钱存入银行，如何处理它就由银行来决定一样，量化自我数据能否应用到合法的途径，能否被保护不被肆意传播，成为个性化学习首先要解决的问题。

目前，个人隐私数据安全问题不是个性化学习系统独有的挑战，同样是整个大数据时代都要面临的挑战，各国也在加强对互联网隐私的研究和立法。以美国为例，早在1970年，美国就通过了《公平信用报告法》法案，该法案主要是为了应对大型主机对隐私的威胁，规定个人财务信息只能用于信用、保险以及就业等三个方面。1986年颁布了《电子通讯隐私法案》，禁止电子通信服务供应商将服务过程中产生的通讯内容提供给任何未经批准的实体。2014年5月，美国白宫发布2014年度“大数据”白皮书，其中专章解读“美国隐私法案与国际隐私法框架”以及“大数据对隐私法的启示”，意在对已有隐私法更新完善。[9]

2.数据发掘问题

信息系统理论里有一个GIGO（Garbage In，Garbage Out）原则，即输入的是垃圾数据，输出的同样也是无价值的信息。这个原则同样适用于量化自我支持的个性化系统。要使用有效、高质的量化自我数据，首先要解决多源数据的整合问题，如果不能有效地整合，就无法全面、精确地解读学习者，不能真正表征出个体的差异性，就更不能实现真正意义上的个性化学习。目前市面上的量化自我工具五花八门，量化自我的数据类型也多种多样，有文本、图形、图像、声音、视频等多种类型。

其次要解决的是量化自我数据的挖掘问题。个性化学习需要的不是单独的数据，而是从量化自我数据中挖掘出反映个体差异性的特征，那么如何才能挖掘出有价值的知识，又如何评判哪些是有价值的知识呢？同时，个性化学习系统需要近乎实时地获得这些个体差异特征，那么如何从海量的量化自我大数据中，实时地解读出个体差异性特征以及这些特征的动态变化呢？

3.教学模式问题

个性化的关键在于对学习行为的建模、分析与预测，根据学习者的学识、能力和学习状态，及时在教学内容、教学强度、教学方法方面做出针对性的调整，从而为每个学生打造一个量身定做的学习规划。那么如何在教学过程中让学生既要学习体系化的知识，又要在教学中恰到好处地调整教学内容、教学强度和教学方法呢？国外有学者做了一些探索性的研究，如华盛顿大学的研究者Consolvo等尝试以游戏的方式来吸引学生参与到健康活动之中。[10]研究中，Consolvo教授设计了一个虚拟花园，他巧妙地将花园中的鲜花长势与量化自我数据结合起来，量化数据来自学习者，量化自我数据越高，虚拟花园中的鲜花越茂盛。为了鲜花越长越好，学生不断加强锻炼，既身心愉悦，也达到了教学目的。

四、结束语

量化自我是人类认识自我的一种数据化探索，将自我量化数据融入到学习体系之中，能实时自动感知学习者的个体差异，实现真正的个性化学习和教育。本文探讨了量化自我支持的个性化学习的含义、基本体系及主要优势，分析了当前量化自我在学习中应用所面临的挑战。量化自我无疑给教育和学习模式带来了全新的冲击，如何将这种“时尚”和“潮流”正确地引入到教学之中，尚需要深入的研究。相信在不久的将来，智能的可穿戴设备和强大的大数据技术必将给我们的学习带来更加可供决策的数据和创新，我们的教育教学方式也会越来越精准，越来越精彩。

[1]焦建利.《地平线报告》2015高等教育版发布[EB/OL].http：//www.jiaojianli.com/8440.html.

[2]M ann,S.Humanistic computing："W earComp"as a new framework and application for intelligent signal processing[C].New York,USA：Proceedings of the IEEE,1998,86(11)：2123-2151.

[3]Kevin,Kelly."W hat is the Quantified Self?"[EB/OL].http：//www.webcitation.org/66TEY49wv.

[4]陈然,杨成.量化自我：大数据时代教育领域研究新机遇——2014年地平线报告研究启示[J].现代教育技术,2014(11)：4-10.

[5]郑悦.你怎么知道自己不是传感器？[J].IT经理世界,2013(6)：82-83.

[6]张枝实,张吉先,林卉.量化自我技术教育应用的现状和趋势研究[J].中国远程教育,2015(3)：66-72.

[7]刘振声.“量化自我”——从数据化个体的角度重新审视“大数据”[EB/OL].http：//media.people.com.cn/n/2014/0321/c150620-24705386.html.

[8]焦建利.量化自我及其对学习的意义[EB/OL].http：//www.jiaojianli.com/6937.html.

[9]屈一平.大数据：隐私黑洞与苍白立法[EB/OL].http：//finance.eastmoney.com/news/1622,20141010432557332.html.

[10]Consolvo,S.,M cDonald,D.W.,Toscos,etal.Activity sensing in the w ild：A field trial of Ubifit Garden[A].Proceedings of the SIGCHI Conference on Human Factors in Computing Systems[C].Florence,Italy.2008.