构建基于Sakai的智慧学习平台

2015-12-12毕巧春

中国教育网络 2015年12期

文/毕巧春

构建基于Sakai的智慧学习平台

文/毕巧春

随着互联网和信息技术的飞速发展，人们越来越多的行为发生在网络，个性化服务已成为Internet发展的必然趋势。在商业领域，大数据的研究已经初具规模，其成果正改变着商务活动的营销和运营模式。在教育领域，MOOC、可汗学院等的流行使得越来越多的人们加入到了在线学习的阵营中，从而产生了海量且复杂的在线学习行为数据。现在，迫切需要应用智能技术和自动工具帮助我们处理分析这些“大数据”。通过对这些数据的充分理解，从中获得数据中隐含的信息和内在联系，个性化服务于学习者。

在国内，目前较成熟且广泛的在线学习的手段是开放大学和各学校网络教育学院创办的网络教学平台。网络教学平台也称网络学习平台、学习管理系统或E-Learning平台，是在线学习和教学全过程的支持环境，能够承载在线课程，支持网络环境下的教与学。与MOOC、可汗学院等新兴学习平台相比，Sakai、Moodle、Blackboard等网络教学平台经过多年市场竞争的验证，已成长为比较适合学习者在线学习的基础性技术平台，能够有效地满足网络教学或网络辅助教学等功能。但是，网络教学缺少个性化特征的信息反馈系统，学习者不能得到适当的反馈信息，这一问题极大地制约了网络教育的发展。因此，实现个性化学习和个性化教学是网络教学发展的必然要求。

目前，数字化学习环境正在向具有“记录学习过程、识别学习情景、联接学习社群、感知物理环境”四大特征的智慧学习环境变革。在网络教学平台中使用智能化数据分析技术，自动地进行数据分析处理，就能为学生提供前所未有的丰富的学习资源和灵活的学习方式。为学生提供优质的个性化支持服务。使网络教学平台转型成“智慧学习环境”。

个性化学习平台特征及框架

学习分析五要素

图1 基于大数据的自适应学习系统组成及运行流程

布朗提出学习分析包括五个要素。分别为数据收集、数据分析、学生学习、听众反馈和干预。由此五要素可看出，学习分析不仅仅是对结构化和非结构化学习数据的收集、分析和展示，同时也运用分析结果，实时地、有针对性地向学习者、教师和管理者进行反馈，干预学习者学习动态。当然，学习分析中最重要的环节为数据的处理分析。

个性化学习平台的本质特征

1.数据化

学习分析技术所采用的数据大部分来自LMS(学习管理系统)、CMS(课程管理系统：如网络课程、学习论坛等)和学生档案系统等数据库；来自于学生在传统环境下学习时留下的学习资料、作业、作品；也来自于学生个人的非正式的知识管理系统(如个人主页、博客、微博等)。

学习分析的基础与核心是数据。就网络教学平台而言，系统积累和存储了大量的学习行为信息，包括学习者访问教学资源、与同学、教师的交互等有效数据。这些数据是真实可测的。以此为主要分析来源，能真实地反应学习者的学习行为和学习轨迹。从中得到学习者学习习惯、学习路径、学习风格、学习成效等重要信息，从而为学习者提供有效的学习干预。帮助并促进学习者有效学习。

学习分析工具目的是将海量的学习行为数据转化成有价值的信息并实现高效的信息分析，核心功能模块则是学习行为数据库和数据运算系统。

2.可视化

经处理的分析结果以可视化的方式呈现，最终受益者是学习者、教师和教学管理者。对学习者而言，他既是学习数据提供者，也是数据的最大受益者。学习者可通过分析结果了解自己当前学习状态和未来课程的学习结果，经自我诊断，可自我调整学习状态和学习计划。

对教师而言，根据学生在线数据可视化分析结果，可以及时准确地了解学情，及时调整教学活动，选择最合适的教学模式和最有效的教学方法，并为学生提供个性化的学习资源与建议。

对教学管理者而言，通过分析结果，可进一步改进系统设计以及调整学习资源结构，设计更合理的在线课程。

分析结果可视化是学习分析工具最典型的特征。一方面，可视化图表使信息的传递更加形象直观。美观、规律的可视化设计使重要信息能够更迅速的被捕获。另一方面，可视化图标使信息的解读更精准。单一维度的学习行为通过整合大量的学习信息，最终呈现为相关图表数据，辅以简单文字介绍，能使学习者、教师和教学管理者更精准的解读信息。

3.个性化

图2 学习者学习记录跟踪可视化

图3 学习者同伴信息链接

学习分析的主要目的是通过数据阐释学习者的学习表现，从而为其提供相应的反馈，促进更加有效的学习。学习分析结果的可视化展示，使学习者对个人学习的全过程可进行管理和调控，如根据自身的个性化需求拟定学习目标及路径、确定学习方法与方式等。还可以通过学习分析反馈结果调整并定位自身价值观和学习标准，自主并个性化学习。从教师和教育管理者来说，通过可视化的学习分析报告，教师和教育管理者可以干预并调整学习内容和教学计划、为学习者推送个性化的学习材料、课后练习和阶段性测试等。真正实现个性化的教与学。

学习平台模型

平台设计参考了美国“通过教育数据挖掘和学习分析促进教与学”报告中基于大数据的自适应学习系统的案例。

自适应学习系统运行流程如图1所示，第一步，学生登录学习平台，与学习内容（学习资源）传递模块产生交互，生成学习行为数据；第二步，数据被标记上时间戳，按预先定义的结构存入学习者数据库；第三步，预测模块从学生信息库和学习者数据库中获取数据，并根据不同模型和算法对数据进行分析；第四步，自适应模块根据不同的分析和预测结果，通过内容传递模块为学习者提供合适的学习指导和学习策略；第五步，分析和预测结果传递给显示模块，各类型用户得到反馈；第六步，教师和教学管理者通过干预模块对系统进行干预。

个性化学习平台设计

目前，Sakai、Moodle、Blackboard等网络教学平台均有能力对学

习者学习行为数据流进行记录。通过数据挖掘工具对这些数据进行分析处理，可以得到相应的结果。以Sakai教学平台为例，由于Sakai的系统框架是标准模块化，且具有代码开源、API及开发模式开放性的特点，非常有利于系统功能的扩展，基于学习分析技术，可以在sakai平台上构建自适应的学习分析和个性化推荐系统，有效辅助学习者有效学习、帮助教师和研究者深入研究学习者状态和学习过程，并对学习者进行正向的干预指导。具体包括以下三方面内容：

学习行为数据分析与可视化呈现（学习过程可视化）

在教与学的过程中，“教”“学”“练”“测”“答”等五个环节的学习过程的追踪必不可少。应用大数据学习分析技术，即时量化跟踪学习过程数据并可视化呈现，挖掘数据中隐含的信息，将信息以直观的形式呈现给学习者、教师和教学管理者，使其能更清楚地看到学习过程、学习动态变化、与学习目标的差距，激发学习者的学习动机，积极认知自我、规划自我。

1.学生端

（1）学生学习过程跟踪可视化

可视化学习记录跟踪面板包含两方面信息，一方面为学习者自身学习记录。包括学习时间、学习次数、学习记录、学习进度等，帮助学习者自我认知、自我调整，如图2所示。另一方面为学习同伴信息记录。根据社会比较理论可知，同伴信息是一种榜样效应，可增强学习者学习内在动机。通过链接查看与学习者同组或同课程学习同伴的学习过程信息并与学习同伴分享或求助，在对比和竞争中达到更好的学习效果，如图3所示。但是，考虑到个人隐私问题，系统设计访问权限，学习者需向同伴发送访问其学习记录的请求，学习者可选择开放或拒绝同伴对自己学习记录的访问。

（2）学习者学习细节可视化

学习者学习细节和学习轨迹通过可视化呈现，使学习者全面了解自身学习状态和学习效率。学习者在每章节中各部分的在线时长，比如，浏览文字内容、浏览视频内容、做作业、做测试、讨论区停留时长；学习者解决问题情况，包括做作业时长、修改次数、正确率，测试时长、次数、正确率，讨论区发帖回帖次数等。同时，也可查看自身学习状态与总体学习者整体情况的对比情况。总之，通过学习者学习细节可视化展示，能更容易地了解学习者学习的特征、学习者学习现状、学习行为的影响因素以及学习成效。

（3）知识点结构可视化

联通主义认为，个人的知识组成了一个网络，这种网络被编入各种组织与机构，反过来各组织与机构的知识又被回馈给个人网络，提供个人的继续学习。因此，将课程章节及知识点内容以知识图谱的方式建构，可视化呈现给学习者，使学习者清楚的了解知识点与知识点之间的逻辑关系，促进其对知识的主动建构，激发学习者对知识的深入探索和理解，产生解决问题的需要，激发主动学习的欲望。课程知识结构图谱如图4所示。

2.教师端

图4 课程知识结构图谱

对教师而言，分析结果提供了深入了解学习者学习状况的渠道，可以全面把握学习者整体的学习情况，也可具体关注每个学习者学习过程的细节，从而对学习内容、教学计划做整体性的调整并对单个学习者进行适当的教学干预。

（1）学习者整体学习情况可视化

教师可查看学习者整体学习情况（即学习者学习数据的平均值或区间），如学生平均在线时长、登录次数、测试得分区间等内容，从整体把握课程学习者学习状态和学习效果。也可查看测试题目的分析结果（各个选项的百分比），便于调整题目难度系数和整体测试难度。

图5为学生上网时长分布情况的可视化显示，以星期为周期，统计学生在这一周内每天上网时长，便于分析高频上网时长分布。便于后期课程的调整和干预。还可通过点击具体的圆圈，查看某一学生的学习时长情况。

（2）学习者学习细节可视化

图5 学习者周上网时间分布

教师可查看具体学生的学习细节，并针对其学习情况做个性化

指导。教师可点击具体某一学习者，查看其各项数据，如在线时长、登录次数、观看视频时长/次数、浏览文字内容时长/次数、测试得分、作业正确率、测试或作业中解决并完成一个问题所用的时间、讨论区互动频率等，并可以查看该学习者与学习者整体平均水平的对比，从而准确了解每个学习者的情况，对学习者实行个性化的指导。

个性化推荐

1.基于分组的差异化学习材料推荐

在学习之前设置前测（前测即学习课程内容之前的测试，考察学生对课程或章节的基础。）系统基于成绩高低排序，将学生分成A、B、C三组，还可结合教师根据学生实际表现和个性化特点进行手动调整，其中A组为掌握情况最好的学生，B组次之，C组最次，进行基于群组的个性化学习。系统为不同群组个性化推荐恰当难度的学习材料和相应等级的练习题，避免有效学习时间的浪费。在分层学习后，学习者不仅可以看到自己的学习内容和学习过程数据，学习者之间也可进行交流，或向老师申请进入更高层级的学习序列中学习。其中，基于组别的个性化学习材料由教师在课程开始前设置，个性化测试题则由试题的难度系数区分。

2.基于知识点的学习材料和试题推荐

学习者的学习成效大多通过测试成绩以及最终考试成绩来体现，在学习过程中，则主要由阶段测试成绩体现学习效果。系统根据学习者在测试中的表现，个性化推送最佳学习材料（表现为不同难度系数、重要程度、媒体类型的相关知识点的学习材料）、测试练习题（表现为不同难度系数、重要程度的测试题和联系题）。通过反复学习，最终使学习者掌握知识点。

3.知识点结构可视化推荐

当学习者学习某个知识点时，学习者可以通过知识结构图谱进入相关知识点进行学习，也可以通过自适应学习系统的推荐进行学习。此时，自适应学习系统通过学习者之前学习状态和学习进度，自动推送之前学习知识点的前项、后项和相关知识点的材料和资源。形成新学知识点与原有知识点、即将要学知识点的关联显示，便于学习者对知识的建构。

个性化干预

1.自动干预

（1）学习者学习时长提醒

学习者在线学习时长是测量学习者是否有效学习的重要指标，学习时间过长或过短都不能达到最有效的学习效果，应做弹出窗格提醒，针对学习者的不同情况进行自动化干预。并且，添加脱离页面提醒也十分必要。在学习者脱离网络教学平台，打开其他浏览器页面或长时间不操作的情况下，添加脱离页面提醒并显示脱离时间，使学习者做到学习心理有数，并根据自身情况调整学习时间和学习状态。

（2）通知、提醒、建议、激励等自动化信息推送

图6 教师端查看学习者答题情况

图7 教师进入题库更改试题属性

通过学习分析结果或教师发布新信息等可实时向学生推送个性化信息，包括日程通知、新内容学习提醒、激励、建议等，维持并提高学习者学习热情。如可在打开学习页面时提示从上一次中断的地方学起；推送上次测试的错题和相关知识点等供学习者巩固知识；推送教师对学习者个体的评语等。

2.手动干预

（1）测试题目系数调整

通过学习者测试结果可视化显示，教师在进行分析后可进入题库，对测试题的难易程度、考察范围等做进一步的调整。如图6和图7，教师可观看测试题答题情况，并根据答题结果，进入题库调整试题参数。

（2）留言、打电话等方式进一步与学习者交流与鼓励

教师通过查看学习者学习情况信息，可对学习成绩较差、学习时间较短、与师生交互不积极的学习者做进一步的干预。通过线上留言、线下打电话、发邮件等方式进一步与学习者沟通，了解学习者学习困难，并帮助解决，方便个性化的指导教学。

大数据时代的学习，体现了“因材施教”的教育理念。大数据时代的网络教学平台，正逐渐从简单的关注学习资源、学习进度、学习效果的辅助性教学工具，逐步发展能够全面记录和跟踪学习者学习行为和轨迹、可视化呈现学习者学习特点和学习需求、并为不同类型学习者反馈个性化学习建议等多功能于一身的强大的、集成化的系统。随着网络教学平台中更多功能和形式的创新，学习者将会得到更精确的数据分析结果、更简明的可视化图表呈现，以及更高效的个性化学习支持。使学习者从学习中真正感受到快乐。

目前，本研究借鉴大数据的自适应学习系统的模型，针对网络教学平台做了一系列有关学习分析和自动化推荐系统的设计，但学习者的使用情况以及学习者是否能通过此平台实现更高效、更有效的学习，还需进一步的研究验证。

（作者单位为北京邮电大学网络教育学院）