基于学习分析的自适应网络教学系统设计*

李建伟 苏占玖 黄赟茹 勾学荣



基于学习分析的自适应网络教学系统设计*

李建伟 苏占玖 黄赟茹 勾学荣

（北京邮电大学网络教育学院，北京100088）

文章详细分析了目前国内外现代远程教育的特点和存在的一系列问题，如教师严重不足、学习内容不能及时根据学生需求予以更新、学生无法得到有价值的个性化学习指导等。结合学习分析理论，文章提出了基于学习分析设计自适应的网络教学系统。该系统通过不断的测试，得知学生的实际学习水平，并给学生提供适应其水平的学习策略，激励学生的学习水平螺旋上升；同时，还可以帮助教师及时完善和更新课程的学习内容，并给学生提供有价值的个性化学习指导和主动的支持服务。

学习分析；自适应；网络教学系统

一背景

2012年，随着MOOC（Massive Open Online Course）的兴起，在线学习迅速风靡全球，被大众所关注。在线教育提供了一种全新的知识传播模式和学习方式，将引发全球高等教育的一场重大变革。

网络教学系统是在线学习的基础性技术平台，是开展网络教学或网络辅助教学的必备条件。

目前，对网络教学系统的综合评价一般从工具和功能的角度进行优劣评价，如国际著名网络教学系统（LMS）评估网站Edutools，从用户角度提出了网络教学系统功能的分析指标，并指出该分析指标主要由学习管理工具、系统支持工具、系统技术特性三大部分组成[1]。但是，网络教学系统是用来辅助教学的，应该更多关注网络教学系统的实际教学效果；网络教学系统不是工具和功能点的堆砌，而是教学方法和模式的体现。

随着移动互联网、云计算、大数据等新技术的发展，网络教学系统正向具备“记录学习过程、学习分析、个性化指导和知识快速更新”特征的智慧化学习环境变革。

二现代远程教育的问题分析

现代远程教育除了具有开放性、大规模以及在线学习等优点[2]，在网络教学过程、在线课程和支持服务方面也存在比较突出的问题，这些问题将对学习者的学习体验和学习效果产生极大的影响。

①缺少必要的学习支持。通过调查，大部分教育机构存在教师不足的问题，除了个别学校和机构有少数专职教师，大多数学校和机构都没有自己专职的教师队伍。在网络教学中一门课程会有几百或几千学生选课，而在MOOC中一门课程甚至有几万或十几万学生选课，目前这些机构的学习者基本以自主学习和相互帮助为主，所以学生的学习效果比较差，学生的流失率也非常高。如根据EdX平台上的统计数据，MOOC平台上课程的完成率大多处于5%～10%这样一个较低的水平，计算方法就是用最终完成课程并获得证书的人数除以全部选课人数。

②课程的内容更新很慢，甚至很长时间都不更新。当我们浏览一个新闻类网站时，发现这个网站的内容长时间不更新，那么我们还会有兴趣浏览它吗？目前，学校或机构运营的在线课程要么直接从第三方购买，要么自己请老师和制作团队来制作，课程上线运营后，课程内容很少会根据学生的学习反馈进行及时更新。

③缺少学习过程记录和学习分析。这样一来，教师无法掌握每个学生的学习效果反馈，也就无法给需要帮助的学生提供个性化的学习指导和主动的支持服务。

这三个问题极大地影响着学生的学习体验和学习效果，也是很多学生不能坚持完成在线课程学习的主要原因。那么，如何解决这些问题呢？传统的课堂教学一般采用小班教学的形式，教师可以掌握每一个学生的学习情况，并根据学生的反馈及时调整讲授内容，学生在学习中遇到困难会得到教师的个性化帮助和指导，学生的学习体验比较好，这与远程教学存在的问题形成了鲜明对比，而这也正是很多人质疑远程教育之教学质量的重要原因。

在远程教育中引入了网络教学系统，才使远程教育有了很多传统教育所不具有的优点，但同时它也阻断了师生的交流和互动，带来了如上述所说的那样一些问题。所以，要解决远程教育中的问题，需从改变目前的网络教学系统入手。

三基于学习分析的自适应网络教学系统框架设计

什么是学习分析技术？在首届“学习分析和知识国际会议”上，与会者一致认为：学习分析技术是测量、收集、分析和报告有关学生及其学习环境的数据，用以理解和优化学习及其产生的环境的技术。《新媒体联盟地平线报告（2012高等教育版）》也给出了近似的定义，即学习分析技术是对学生生成的海量数据的解释和分析，以评估学生的学术进展，预测未来的表现，并发现潜在的问题。从这些定义可以看出，学习分析技术分析的对象是学生及其学习环境，目的是评估学生、发现潜在问题、理解和优化学习，基础是海量数据[3]。基于上述远程教育存在的问题，本研究提出了基于学习分析的自适应网络教学系统，其框架设计如图1所示。

图1 基于学习分析的自适应网络教学系统框架设计图

四基于学习分析的自适应网络教学系统详细设计

1 在线课程内容设计

学生首先要学习在线课程内容，否则网络教学系统将无法记录学生的学习过程数据。在线课程内容包括四类：第一类是教师精心设计的在线阅读和观看内容，这类内容学时不长，但要求学生必须学习，相关内容通过课程知识点组织在一起，构成完整的课程体系；第二类是练习类内容，主要包括作业、测试和虚拟实验等，题库和虚拟实验库也通过课程知识点组织在一起；第三类是参考知识类，主要由图片、文本、音频、视频和原理动画等形式的素材组成，这些知识不要求学生必须学习，但对必学内容是有益的补充，并且也通过课程知识点组织在一起；第四类是学生互动积累的知识库，主要包括论坛、问答和实时答疑等，这类知识需要人工筛选，在筛选时，有价值的知识设定相关联的课程知识点。以上四类在线课程内容都必须与课程的知识点相关联，否则在后续的环节无法给学生推荐适合的内容。

2 学习过程数据记录设计

系统从学习成绩、学习时间、学习频率、学习工具使用和学习参与五个维度，记录学生的学习过程[4]。

表2 学习过程数据记录

数据的存储采用Hadoop开源云存储HBase（Hadoop Database）方案。HBase是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，它不同于一般的关系数据库，而是一个适合于非结构化数据存储的数据库[5]。

3 数据统计与分析设计

学习数据分析分为实时分析和非实时分析——实时分析包括学生提交的测试和作业需要立即批改给出成绩、学生的个人学习时长需要及时给出等；非实时分析包括定期统计试题的正确率和每个选项的选择率、在线内容的平均浏览时长、学生的问题知识点的出现次数和频率、课程中每个知识点在线内容的点击率等。

数据的统计和分析采用开源的云计算框架Hadoop。Hadoop框架最核心的设计就是HDFS和MapReduce——HDFS为海量的数据提供了存储，MapReduce为海量的数据提供了计算[5]。

4 自适应学习推荐算法设计

算法通过不断的知识点测试判断学生的实际水平，然后为学生推荐与其水平相适应的课程内容，并能持续激励学生的学习水平螺旋上升。自适应学习算法流程如图2所示。

图2 自适应学习算法流程图

学生开始第一个知识点的学习，首先参加知识点的水平测试，教师为知识点的水平测试设置不同的难度和通过分数，如标准难度、较高难度和最高难度；初次测试难度是标准难度。

如果第一个知识点水平测试通过，系统会询问学生是否尝试更高难度的学习、获得更高的成绩，如果学生选择“是”，系统将依次提供较高难度和最高难度的测试。

如果第一个知识点水平测试不通过，系统会查询学习数据分析统计数据，给学生依次推荐适合其水平、针对其知识弱点的在线阅读内容、自测、参考知识和互动知识，如根据水平测试的统计，给学生推荐与错题相关的在线阅读内容和适合难度的自测题目，精确提高学习水平。然后，学生第二次参加这个知识点的水平测试，如果测试不通过，教师将提供个性化指导，直到学生通过这个知识点的水平测试。

当学生通过第一个知识点水平测试后，如果不参加更高难度的学习或者已经达到了最高难度的学习，系统将引导学生进入下一个知识点的学习，并重复上述学习过程；当学生完成课程要求的所有知识点后，系统给出最终的考核成绩并结束这门课程的学习。

5 内容更新和个性化学习指导设计

（1）课程内容更新

①试题的更新和参数调整。系统定期分析学生的测试记录，统计每道试题的正确率和平均作答时间，自动根据正确率调整试题的难度系数，并根据平均作答时间来调整试题的作答时间。教师根据每个知识点试题的作答正确率分布来决定是否需要增加试题，如果正确率分布不符合正态分布，说明试题的难度分布不合理，就增加相关难度的题目，以适应不同水平的学生学习。

②在线内容的更新。系统定期分析在线内容的观看时间和观看频率，如果某一知识点在线内容的平均观看时间超出教师设定的标准，且平均观看频率也比较高，说明内容的难度偏大，教师补充这些知识点的在线内容，以适应不同水平的学生学习。

③参考知识的更新。系统定期分析问答库中的问题，统计出学生问题中出现次数较多的知识点，这些知识点难度可能较大，目前提供的参考知识还不够，教师补充这些知识点的参考知识库，满足学生的学习需要。

（2）个性化学习指导

如果某个学生在学习某一个知识点时，两次都没有通过该知识点的水平测试，教师就会给这个学生进行学习指导，帮助学生克服学习困难，直到掌握这个知识点并通过测试。

教师还会根据分析统计结果，总结一些难度较大的知识点，并定期组织网上实时答疑辅导，重点给这些学生解答和讲解这些难度较大的知识点。

系统定期分析、统计学生的上网次数和学习频率，学生支持服务的老师可以主动帮助那些一段时间内上网次数较少的学生，帮助他们增加学习的次数和时间[6]，这种方式可以有效地降低学生的流失率。

系统定期分析、统计学生的学业进度，对那些快要达到修学最长年限的学生提出预警，并向支持服务的老师提供学生名单和学业进度，让老师可以主动帮助那些落后的学生加快学业进度，提高学生的按时毕业率。

五结论

学习分析在教育中的应用将对教育产生极大的影响：①学习分析变革教育模式，革新教育思维；②学习分析让教育成为精确化的实证科学。教师和教育研究者可以通过对过程性数据的分析，获得学习者的实际学习水平、预测学习者下一步所需要的教学内容和形式，从而实现因材施教，达到传统实体课堂很难达到的效果[7]。而且，通过学习分析，教师可以知道哪些内容需要不断地更新和变化，以适应学生的学习需求，教师和学生支持服务人员还可以知道学生在学习中遇到的困难，从而可以为学生提供有价值的个性化学习指导和主动的支持服务。

本文设计的自适应网络教学系统就是建立在对学习行为分析的基础上，及时向教师反馈学习者的学习效果，并向学习者推荐下一步的学习内容和学习策略，如来自不同知识库的学习内容、不同难度的学习活动、学习形式和顺序等[8]。目前，对自适应学习系统的研究才处于探索阶段，远未达到设计的理想状态。下一步，我们将继续增加学习过程和行为的数据记录，不断设计新的学生行为分析模型，完善自适应学习算法的设计，并考虑如何在不影响已有的网络教学系统的基础上增加学习分析和自适应学习推荐功能。

参考文献：

[1]韩锡斌,葛文双,周潜等.MOOC平台与典型网络教学平台的比较研究[J].中国电化教育,2014,(1):61-68.

[2]董晓霞,李建伟. MOOC的运营模式研究[J].中国电化教育,2014,(7):34-39.

[3]魏顺平.学习分析技术:挖掘大数据时代下教育数据的价值[J].现代教育技术,2013,(2):5-11.

[4]李建伟.基于引领式在线学习模式的学习管理系统设计[J].中国远程教育,2008,(11):50-53.

[5] Hadoop.The Apache Software Foundation.[OL].

[6]朱珂,刘清堂.基于“学习分析”技术的学习平台开发与应用研究[J].中国电化教育,2013,(9):127-132.

[7]顾小清,张进良,蔡慧英.学习分析:正在浮现中的数据技[J].远程教育杂志,2012,(1):18-25.

[8]张羽,李越.基于MOOCs大数据的学习分析和教育测量介绍[J].清华大学教育研究,2013,(4):22-26.

编辑：小西

Design of Adaptive Network Teaching System based on Learning Analysis

LI Jian-wei SU Zhan-jiu HUANG Yun-ru GOU Xue-rong

In this paper, the characteristics and problems of distance education at home and abroad were analyzed, which included the serious lacks of teacher, timely renewal of learning contents according to the students’ needs, and valuably personalized learning strategies to students. Based on the learning analysis theory, a adaptive network teaching system based on learning analysis was put forward. The system can obtain the students’ real learning level and provide the students with the learning strategies adapting to their learning level by continuous testing, stimulating the spiral rise of students’ learning level. The system can also help the instructors to timely improve and update the contents of the course, and provide students with the valuably personalized learning guidance and support services.

learning analysis; adaptive; network teaching system

G40-057

A

1009—8097（2016）06—0113—06

10.3969/j.issn.1009-8097.2016.06.0017

本文为教育部民族教育发展中心2013年度委托课题“内地民族班学生信息管理系统研究”（项目编号：MJZXWT13007）的阶段性研究成果，并受2015年北京邮电大学院级项目“基于大数据分析的学生在线学习评价研究”（项目编号：2015WY003）资助。

李建伟，讲师，硕士，研究方向为学习分析和网络教学系统，邮箱为jwli321@126.com。

2015年10月8日