基于大数据的高校个性化画像教学模型构建研究

曾志宏，陈振武，黄　婷

（龙岩学院　信息工程学院，福建　龙岩　364000）

基于大数据的高校个性化画像教学模型构建研究

曾志宏，陈振武，黄婷

（龙岩学院信息工程学院，福建龙岩364000）

本文从大数据的内涵及应用入手，分析高校个性化教学存在的问题，利用大数据分析原理，从个性化画像信息标签收集、大数据分析建模、画像构建及教学应用等4个步骤进行高校个性化画像教学模型构建.该模型借鉴大数据分析的全面性以及潜在价值，并在深入研究高校教学过程的相关规律的基础上，为大数据技术在个性化画像教学中的应用提供干预服务与参考，促进高校个性化教学质量的不断提高.

大数据；个性化；标签；画像；教学应用

1　引言

我国现有的高等教育体制存在一个共性问题，就是在教育教学过程中学生是“配角”，而教师是“主角”.教师在教育教学中过多考虑完成自己的教学任务［1］，却很少去考虑学生的接受能力，缺乏从学生的各个维度去考虑激发学生能动性，从而导致大学课堂存在教师“硬灌”，学生“生吞”却汲取不到养分，同时，多数教师只侧重于讲解“共性”的理论而缺少“个性化”知识点，无法提出一套很好地根据大学生兴趣、社会需求等来为数目庞大、兴趣能力差异极大的学生量身定制的学习方案，导致高校培养的学生与社会需求存在脱节，与我国一直宣扬的“因材施教”［2］的理念背道而驰.

关注高校教学的有识之士，也都在努力探索如何实现行之有效的教学方法，遗憾的是仍然未找到合理的解决方案，究其主要原因在于：（1）高校学生流动性大，兼具社会及学生相关属性，无法充分掌握信息；（2）无法动态地跟踪学生的学习，不能及时地更新调整应对策略.因此，面对潜在且日益高涨的学习需求，必须要有一种通过以学生认知及需求差异为中心的个性化教育教学方式，以实现学生个人能够按照自己的方式、需求、认知的最优化模式去获取知识，这也是高校教育教学面临着严峻挑战的原因之一.

近年来，随着移动互联的快速发展，网络信息爆发式增长，大数据前沿技术应运而生.由于数据本身具有较强的客观性和真实性，通过相关的数据可以呈现出对应客体自身各方面的真实性、规律性及个性化特征，因此，寻找出获取某种客体个性化特征的相关技术已成为研究某种客体的一个重要创新.伴随大数据的应用，通过大数据技术挖掘高校大学生的各维度的信息，即个性化标签，我们就可以通过这些标签从时间、空间和内容等多个维度勾勒出在校大学生立体化的个性化场景，形成个性化画像，准确反映出每位学生的真实需求动态，教师能够通过对个性化画像的分析中得出对学生最需要的能力培养，真正实现“因材施教”的教育教学理念.

2　大数据特点及来源

2.1数据特点

数据是通过相关实验、统计等方式获得的能够体现某些客观事物相应特征，并用于相关验证、决策等目的的数值，是相关客观事物信息的载体.如果通过长期、大规模地对某种客观事物的特性进行测量、存储、分析，得到海量的相应数据就是大数据.大数据除了具备海量特性外，还具有潜在性，因此，任何数据真实性只能看到一小部分，而大部分的数据还需要进一步挖掘，正如IBM指出大数据具有Volume（大量）［3］、Velocity（高速）、Variety（多样）、Value（价值）、Veracity（真实性）的特性.

建立大数据时代的高校个性化画像教学模式首先必须寻找出最能够准确反映学生客观需求的评价画像，而生理学实验表明，任何人的感觉都存在盲区，直觉是不可信任的，一个人的思维也是有局限性，纵使记忆力超人，也未必达到对大数据的信息加工能力，无法得出最客观、最适合的评价画像.因此，高校教育教学中的大数据分析要有与时俱进的思维，对教学过程中的各个微观角度进行衡量，如从学生的课堂表现、团队合作、学习态度等进行深层次的挖掘，具体应该包括教师信息、学生信息、学校信息、社会信息以及由于这些信息之间的相互关联而产生的附属信息，这些信息都需要基于大数据分析技术，建立一个合理的分析模型，并通过不断地收集信息、不断更新修正模型，从而全面掌握跟踪学生的学习动态过程，了解每个学生薄弱环节，掌握教育教学的主动权，以达到“因材施教”的目的.

近年来，英美等国家的高等教育，已有相关研究人士通过学生在线浏览视频、在线阅读、访问图书馆等记录采用大数据进行学习提前预警机制，进行及时地干预指导，进而改善教学方式、提高学习成效，比如美国哈佛和麻省理工推出的大数据学习分析EDX平台［4-5］.

2.2数据来源

我国对大数据的应用研究目前已有涉及到许多领域，如网易的“云音乐”可以针对用户的喜好、心情推送符合用户的歌曲，甚至可以通过用户的走路快慢及时修正播放的音乐；“今日头条”也是通过大数据技术推送给不同的用户所关心的内容，但利用大数据进行教育教学研究的人员比较少，采集的数据规模较小，无法全面客观的分析学生的需求画像.因此，采用基于大数据技术的背景下构建个性化画像的高校教育教学模式，通过大数据技术对收集的数据进行深度挖掘归纳，使得高等教育教学在学生个性化教育方面能够走出一条崭新的路径.

常规信息收集主要来自于学校所建立的老师和学生档案、相关评价、师生相关网络访问记录以及其他渠道来源.相关评价主要是师生之间评价、同事之间评价、同学之间评价；师生相关网络访问记录通过校园网络出口，得到师生相关网络社交记录、相关消费记录、电子课堂教学记录等；其他数据源主要是社会上公开的衡量评价学校的相关指标性信息，比如获奖、科研等.

本文提出构建一个基于大数据的高校个性化面像教学模型，研究分析如何在大数据的背景下建立一个合理的高校学生个性化画像教学模型的基础上，对模型相关数据进行不断深入挖掘、分析、修正，进而真正地达到高校能够实现教师“因材施教”、学生“个性学习”的教育教学创新模式.

3　基于大数据的高校个性化画像教学模型

个性化画像核心就是要给个体贴上相应的标签.这里所说的标签，就是语义相当精炼的能够被直接识别的特征标识，一般具备两个特征：一是语义精炼、容易理解，每个标签就只含一个确定含义，这能够很好地满足建模需求，比如年龄标签：23岁；二是文本长度短，无需做过多的文本预处理等操作，如身高标签：175cm，血型标签：A型.

高校个性化画像教学模型的各相关标签中，就是针对在校大学生的社会属性、学习、生活习惯以及消费行为等相关信息逐步抽象出来的一个个标签，通过标签之间的相关联建立相关模型，进而生成学生的画像.因此，构建个性化画像教学关键就是建立“标签”，而标签则是通过对在校大学生的相关信息进行大数据分析得到的具有高标识度的特征值.如某学生经常根据自己所学专业需求上网购买对应专业的参考书，则可以给这位学生贴上“对专业学习的热爱”标签，这相当于给这位学生建立了面像中的某一面，可以通过不断建立标签的方式，以达到不断丰富学生的个性化面像，最终对学生给出一个较为准确的总体评价画像.

本文提出构建基于大数据的高校个性化画像教学模型主要包括收集个性化信息、数据分析建模、画像构建、教学应用四个组成部分，具体结构如图1所示.

图1　个性化面像教学模型结构图

3.1个性化信息

数据类型、数据的客观性、数量性是真正能够对分析结果起重要作用的因素.由于数据类型具有广泛多样性、不同数据类型之间存在重复交叉性，因此，在学生个性画像数据采集过程中，要能使个性化数据真正还原所要分析学生的真实面目，采集的个性化信息数据来源须尽量多、尽量全，才更能反应学生的各个面，才能更客观地得到个性化教学所需要解决的关键所在.本文所提出的学生个性化标签信息类型分为两部分：一是静态信息；二是动态信息.

（1）静态信息，就是相对稳定不变的信息，包括学校、学生和教师基本信息；

学校信息主要是有关学校的相关特征信息以及能够对学生学习产生影响的相关信息，结构如图2所示.

图2　学校信息

学生信息主要就是学生个人特征信息以及在学习过程中产生的信息，包括个人特征以及学习信息，结构如图3所示.

图3　学生信息

教师信息主要是教师基本个人信息以及教学过程的信息，结构如图4所示.

图4　教师信息

（2）动态信息，就是影响教学的不断发生变化的信息，主要分为网络访问、网上交易、人际交往三类数据.网络访问数据主要是指学生对网络访问的页面浏览量、相关页面停留时间、访问网站的途径及时间、站点的激活人数以及社交软件的访问人数等相关统计信息；网上交易是指学生在相关购物网站或者相关社交软件上进行的一系列交易过程的信息，如贡献率、回头率、购买均价、品牌偏好、浏览/收藏内容、评价内容等；人际交往是指学生的日常社会交往过程中产生的相关信息，如同学之间评价、人际关系好坏程度、交往人群等信息.

3.2数据分析建模

构建高校学生个性化画像就是为了给教学提供相关参考指导信息，因此必须通过采用大数据技术对收集个性化信息进行建模，会涉及到文本挖掘、深度学习、聚类预测等一系列数据挖掘方法［6］，分析并得出个性化标签，如教师或者学生的消费习惯、兴趣爱好、人际特征、学习能力以及心理状况［7］.

3.3画像构建

通过收集静态和动态信息，并利用大数据分析技术进行建模，数据分析出个性化标签，并对个性化标签给以一定的权重w，表示该信息需求可信度，进而提出高校教学个性化画像（Pr ofile）模型：

Label为建模分析后得到的个性化标签，Time为事件发生时间，Place事件发生的地点，Action为事件的动作，也就是教学个性化画像受到了这些因素的影响才会产生某种场景效果.

3.4教学应用

通过大数据分析，建立教学个性化画像后，可以使用其对教学［8］进行教学个性化应用，在以下几个方面进行教学个性化应用：（1）利用文本挖掘、聚类预测得出家庭环境、兴趣爱好、性格特征类似的学生和教师进行合理搭配，从而与现行高校按专业班级分配有着个性化的不同；（2）在教学的方法、内容上可以对学生进行个性化教学，从而提高学生兴趣及接受程度；（3）学校整体评估［9］也可以依据个性化的班级分配进行个性化的评估，没有必要用千篇一律的制度进行评估，与传统评估有着本质的不同，更符合现行注重个体的个性化.（4）培养出更加符合社会、企业需求的高校人才，依据学生个性来进行个性培养，充分挖掘出学生个体潜能，培养出社会需求的人才.

4　总结

利用大数据挖掘与分析技术，对于分析高校的个性化教育教学规律具有极大的价值，本文提出了一种基于大数据的高校个性化画像教学模型的构建模式，分析了学生个性化信息分类的构成，采用相关的大数据分析技术得到个性化标签，并通过建立画像模型来指导高校教育教学方案的实施，从理论上将大数据技术与高校学生个性化教学应用相结合，拓展了大数据技术的应用研究范畴，丰富高校个性化教育教学的模式.本文教学模型的构建揭示了各相关信息之间的隐含关系，对了解高校个性化教育教学的规律，掌握学生的个性化学习规律，及时地对学生进行全面客观评价以及个性化教育教学的开展，具有重要的现实意义.

〔1〕张晓东，蒋少卿，刘晖，田国鹏，翟小刚，马康峰.物理课堂教学生活化现状调查报告［J］.中学物理，2012（18）：56-57.

〔2〕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（1）：85-92.

〔3〕喻小继.基于大数据应用的个性化教学信息服务平台构建研究［J］.情报科学，2015（11）：53-56.

〔4〕Anthony G.Picciano.The Evolution of Big Data and Learning Analyticsin American HigherEducation［J］.Journal of Asynchronous Learning Networks，2012，16（3）：9-20.

〔5〕Yanqing，D.，Guangming，C.，One，V.and Woolley，M.Big Data in Higher Education：An action research on managing student engagement with business intelligence［A］.Fehmida Hussain.Second International Conference on Emerging Research Paradigm in Business and Social Science［C］.Dubai：Middlesex University，2013.26-28.

〔6〕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，2013，23（2）：5-11.

〔7〕孙志梅.浅析大数据环境下的学习分析及应用［J］.信息通信，2014（11）：119-120.

〔8〕张进良，何高大.学习分析：助推大数据时代高校教师在线专业发展［J］.远程教育杂志，2014（1）：56-62.

〔9〕刘英杰.大数据环境下高校教师的困境分析及应对策略［J］.消费导刊，2015（10）：278-283.

G642

A

1673-260X（2016）10-0233-03

2016-06-04

福建省自然科学基金项目（2015J01587）；福建省教育厅A类项目（JA09229）；龙岩学院教改项目（2014JY36）；龙岩学院校立服务海西项目（LYXY2011067）