网络教育在大数据影响下的发展策略及方法研究*

郭 玲，郭泽睿

（1.珠海城市职业技术学院 成教学院，广东 珠海 519090；2.华中师范大学 数学与统计学院，湖北 武汉430070）

网络教育在大数据影响下的发展策略及方法研究*

郭 玲1，郭泽睿2

（1.珠海城市职业技术学院 成教学院，广东 珠海 519090；2.华中师范大学 数学与统计学院，湖北 武汉430070）

网络教育以其教育方式的独特性和教育方法的便捷性不断发展，大数据以其海量的教育资源及信息处理方法为网络教育的模式带来了广阔的拓展空间。文章首先对网络教育的基本特点进行分析，然后对其在大数据环境下进行分层建模。同时，在其资源层设计了拓展网络教育信息资源可调节发展利用周期策略，在其行为层构建了基于大数据的学习行为分析模型，旨在最大程度地使网络教育在大数据环境下呈现智能化和个性化，并构建了网络学习评价指标体系，为网络教育在大数据影响下的发展提供了可靠的评估和保障方法。

网络教育；大数据；资源周期延长；行为分析

一、引言

在大数据的背景下，网络教育的变革顺应了历史发展的潮流，不断根据学习者的学习特点优化改进，能够实现更加高效的学习模式，完善网络学习的学习成果。[1]处在不断变革的网络教育帮助教学者改变教学方式，不断完善自我；帮助学习者提高学习效率、更好成才。传统的网络教育平台积极应用最新的教育理念和教学方法进行变革，有利于网络教育为更多的学习者服务，使网络教育朝向更好的方向发展。[2][3]

互联网的迅速发展也进一步推动了网络教育的发展进程，数据的分析解析也减少了教学者对每一个学生逐一制定学习方案的时间，“数据”让个性化教学和个性化学习变成可能。[4][5]伴随着通信技术的不断发展，国内网民的数量迅速增长，特别是移动互联网用户，根据中国互联网中心（CNNIC）最新发布的中国互联网络发展状况统计报告，相关数据如图1所示，大数据互联网时代无疑为网络教育提供了发展机遇和实施途径。

伴随着大数据的发展，参与学习的人能够通过移动设备更快地接入到网络中进行方便的学习，学习平台通过对学习者学习数据的收集和分析发现学习者学习规律，根据学习者的学习情况找出重难点，合理准确获取自身需要的海量教育资源，同时实现符合学习者行为个性化的学习。[6]本文以大数据为基础，对网络教育进行建模，分析网络教育的资源层和行为层的发展策略。

图1 中国网民数量变化趋势

二、网络教育概述及模型构建

1.网络教育概述

随着网络市场规模逐年递增，网民年龄呈现出年轻化，教育市场规模变化趋势的具体数据如表1所示。

表1 网民教育市场规模变化

由于网络教育覆盖了学历教育与非学历教育，往往会与普通的本科教育和高职高专教育相混淆。事实上，网络教育在办学定位、学生群体、学习途径、课堂组织形式和课程资源共享等方面都有着自身非常显著的特点。[7][8]

（1）办学定位不同

在办学定位上，网络教育不同于本科教育文化传承的教育目的，也与高职高专服务、就业为目的培养高技能人才的目标有很大的区别，网络教育是为在职成人提供不脱产的业余学习的教学模式，为在职学习者提供高等学历教育及资格证书、技能培训等职业教育的个性化继续教育的模式。[9]

（2）学生群体不同

由于办学定位上的巨大差异，网络教育的学生群体也与本科和高职高专有很大的差异。本专科和高职高专院校均是面向高中毕业参加高考的学生进行招生；[10]而网络教育的参与者几乎都是在职人员，基本不能支配出特定的时间在特定的地点完成学习任务，学习者的学习目的往往处于自身的职业需要，是其社会工作实践的拓展，学习的个性化和针对性较强。

（3）教育平台不同

本科和高职高专学生都是在高等学府校园中进行学习，有完备的学习设施和系统的课程安排，并且安排了完整的实习实践，能够在教师、同学的督促下完成学习任务。而网络教育的学习者主要是通过虚拟的网络平台进行学习，必须根据自己的要求和计划，规划好自己的学习目标并沿着目标完成自己的课程安排。[11]

（4）课堂组织形式不同

在课堂组织形式方面，网络教育更具有非常显著的特色。较传统的教育模式，网络教育的便捷性和组织形式的个性化体现在学习者的上课时间、授课地点不再受到具体的限制，能够根据自身的实际情况选择最方便的时间、方式和教学平台，自主选择网上课程内容，并在平台上完成师生、生生交流，完成作业的提交和批改，完成自我评价和互相评价，这些所有的课堂组织都是基于学习者的自主学习。[12][13]

（5）课程资源共享多样

在课程资源共享方面，网络教育有着非常大的优势。本科和高职高专教学都是采用传统的纸质教材，资源浪费而且无法做到实时更新，教师只能辅助多媒体教学对教学内容做出补充。而网络教育基于先进的互联网技术拥有庞大的数据资源，每个人都可以成为教学资源的发掘者为学习推荐合适的教学内容，或者发挥自己的主观能动性提出自己的观点建议，教学内容在一个动态的环境下不断完善，每个学习者通过学习也实现了知识的丰富和拓展。[14]

目前，网络教育的瓶颈主要包括以下四方面：一是网络教育过程监控薄弱，社会认可度有待提高；二是网络课程重复建设，精品率低；三是网络教育考核模式有待进一步完善和多元化；四是网络教育重视理论教学，实践教学缺失。[15]

2.网络教育的模型构建

为了深入探讨大数据对网络教育模型构建过程的影响，本文将网络教育分为以下四个层次，分别是基础层、状态层、资源层以及行为层，具体结构和功能如图2所示。基础层主要负责存储国家教育的基础数据，包括国家在教育方面的相关规定；状态层主要存储教育装备、环境与教育业务的运行状态数据；资源层主要存储大数据下网络中的各种形态的教学资源；行为层主要是在大数据构建的云计算平台里存储教育用户的行为分析。

图2 大数据下网络教育模式

（1）资源层

大数据的本质是对海量数据的存储和利用，其对网络教育模型的资源层和行为层的影响最大。资源层意味着海量教育资源的获取，通过构建基于大数据的云存储平台，对用户提交的请求及时响应，使学生能够方便、快捷、准确地获取自身需要的学习资源。网络教育的数据资源的可调节动态发展利用是一个极其复杂的过程，拓展其动态发展的利用周期，对教育资源的挖掘及丰富、学生学习过程的便捷性等具有十分积极的意义。为了拓展网络教育信息数据资源的动态发展利用周期，最有效的策略是提升对网络教育资源的利用率和再生率，积极引导学生合理利用资源、丰富资源，并对现有资源进行纠正或拓展。在下文中，作者设计了基于大数据的拓展网络教育数据信息资源动态发展利用周期的具体实施方法。

（2）行为层

针对模型的行为层，由于网络教育的本质是互动交流与个性化学习，个性化教育模式是网络教学的最终目的，教育过程中与学生的互动交流是网络教育的基本途径和重要手段。网络教育不仅仅是利用互联网技术对传统的教学内容进行简单加工包装，最主要的是通过网络技术实现全球教育资源的共享；网络教育也不仅仅是基于传统教材的教学内容的优化融合，而是贯彻教育的本质，通过利用大数据互联网技术，构建和谐的学习者与教育者、学习者与学习者间的互动、分享、交流平台。网络教育行为层在大数据环境下的拓展方法就是通过大数据对学生的学习行为进行分析，构建学生的个性化学习模型。

三、大数据下资源层利用周期的延长方法

拓展网络教育信息资源动态发展利用周期策略的设计架构如图3所示，下文将对资源层利用周期延长方法的基本思路进行详细阐述。

图3 拓展网络教育资源动态发展利用周期的实施方法

1.创建优质网络教育信息资源

网络教育资源的异构性、多样性、可再生性以及分布的不规律性，直接关系到网络教育信息资源的动态可持续发展利用效果。网络教育信息资源呈现出架构不同、类目繁多的特点，而且形式不尽相同，各种教育平台环境和交互方式复杂，同时具有不同的教育资源构建标准，这种异构现象在一定程度上制约着网络教育信息资源的动态可持续发展。

网络教育资源的可持续动态发展是在资源的构建、共享、传播以及利用的基础上完成的。因此，在创建教育信息资源时，首先要保证网络教育资源的客观性、全面性、准确性以及科学性；其次，积极拓展和发现逻辑性较强的网络教育信息资源，因为其可以在某种程度上吸引网络学习者的注意；同时，网络教育资源建设应以网络教育资源建设的标准规范为基准，准确地对教育信息资源内容进行描述，降低资源异构性造成的影响。按照规定的标准在网络教育平台发布图片、音频和视频等多媒体资源时，对其进行准确客观的描述，详细介绍教育资源的具体内容，使网络教育学习者能够方便快捷、高效地捕获到符合自身所需的教育信息资源，满足其对知识信息的渴望，只有这样才能拓展网络教育信息资源可持续发展利用的周期。

2.加强用户交互

网络教育信息资源的发展离不开用户的参与。加强与网络教育学习者之间的交互交流，将从两个方面促进网络教育信息资源的动态可持续发展利用，拓展教育资源的发展利用周期：

一方面是网络教育学习者的交互拓展了网络教育信息资源的传播途径和传播范围。网络教育信息资源的传播在一定程度上等价为网络教育资源的发送和教育资源的接收与处理两个过程的融合。在网络教育资源的发送和获取过程中，网络教育学习者在大数据网络环境中的交互能够很大程度地影响网络教育信息资源的生存时间、更新时间、传播规模和效率以及传播潜力等。

另一方面，网络教育学习者之间的交互可以创造丰富的再生资源，对原始教育资源不断完善。网络教育群体中学习者为满足学习、提升及心理需求，对教育信息资源的转载、拓展和评价，或对其他学习者的评论进行反驳、阐述、辩解及评价过程，可以引发用户或群体间的交流讨论。大量的评论信息可以延伸原始教育资源的范畴，深化原始教育资源的内涵。通过学生间的交互交流，网络教育学习者接触到更多用户的真实想法，从多种角度理解和分析原始信息资源，拓展了学习者的思路。网络教育群体在每个学习者构建、获取、共享及拓展教育资源的过程中，不断地将个人自身具备的知识反馈到教育社群内的知识架构中去，拓展了教育社群内的资源和知识范围，用户又可以从社群内吸收更多的相关知识，从而形成良性的个人知识和群体知识转化利用的反馈循环回路。

3.优化再生教育资源

网络教育信息资源动态发展利用的根本目的是在用户利用资源的过程中促进资源的发展和更新。更新和进化不单是指原始教育资源自身的更新，还指衍生出的更多的再生教育资源，补充了原始教育资源的不足。同时，再生教育资源也在此过程中不断地更新和优化。再生教育资源的优化主要涵盖以下两个方面：一方面是指原始网络教育信息资源的再生、优化和更新。网络中必然会存在多类无法实时更新优化的教育资源，不能满足学习者的知识需求，需要通过大数据平台实时更新。另一方面是指再生教育资源的优化，包括构建优质的再生教育资源和再生教育资源的有序化分布两个方面。在目前的网络环境下，由于社交媒体软件的支持，网络教育的学习者可以通过交互方式产生再生资源，完成教育资源的构建。优化再生教育资源需要更多的学习者进行讨论交流，对教育资源给予更加准确、科学的拓展补充，发表具有创造性的阐述和评论。新型互联网技术使用户都可以参与教育资源的构建和优化，吸引了越来越多的人参与、相互协作，进而参与网络教育资源的构建、创新发展、优化和利用。

4.智能化网络存储

大数据技术、数据库技术以及互联网技术的发展使教学资源的智能化存储变成可能，网络资源智能化存储的优势主要表现为：教育资源管理的便捷性和可扩展性，网络存储空间可以根据教育资源所需的容量进行实施调节或扩展；同时具备极高的可靠性和易获取性，而且配置过程较为灵活。网络教育信息资源的智能化存储可以实现高效的资源自我管理及自动修复，这也是网络教育资源在大数据环境下的动态利用得以持续发展的一个必要条件。

在大数据环境下，网络教育信息资源的分级存储可以很大程度地降低网络教育信息资源的总体存储成本，提升检索效率和利用性能；全面提高网络资源持续发展利用的系统性能，有利于网络教育资源的序列化发展，在存储教育资源时可以实现自动保存。由于网络信息资源可能同时具备多种属性，通过相应的关键词来描述和索引这些属性，大数据平台的智能化网络存储能够根据网络教育信息资源的关键词使其与具有类似或相同属性的教育资源建立关联，使用户可以逐级找到所需的网络资源，有利于学习者的信息检索，可以激活处于衰退期的教育资源，在拓展网络资源发展利用周期方面具备十分积极的作用。

四、大数据下行为层的学习行为分析模型

网络教育的学习行为分析模型对学习者的行为数据表示格式和标准进行了设定，如何在大数据环境下客观、全面及实时地收集网络教育学习行为数据，并通过制定规范标准，对学生的学习行为数据进行准确合理的分析，成为网络教育学习行为分析模型中学习者行为特征提取和学习风格优化的关键。

1.模型需求分析

网络学习行为采集与分析模型应具备以下功能和特性：

（1）模型应具备存储记录学习者所有学习行为的功能，不仅要通过大数据的云计算平台服务器获取海量学习行为数据，同时还要收集学习者（指具体通过网络学习的分析对象）全面的客户端学习行为数据；

（2）模型应具备相应的智能性，包括学习者身份验证、学习行为类别的判断以及学习者不规范或者异常学习行为的判断和提醒等；

（3）模型应具备一定的学习行为分析能力，包括个体、群体学习者行为特征挖掘，并能将结果以图形化界面的形式呈现；

（4）模型必须具有一定程度的通用性和稳定性，可以在基于不同操作系统或者开发语言的异构网络教育学习平台中稳定实施运行，而且可以对产生的系统错误进行纠正。

2.模型设计构建

图4描述了网络教育学习行为收集与分析模型的基本结构。该模型主要由三部分组成，分别是数据采集模块、数据处理模块以及数据分析模块。

（1）数据采集模块功能

通过对真实客观的学习行为进行提取和整理，形成规范的学习行为数据。例如，可以通过本学习行为分析模型提取特定网络学习系统的访问量、提交作业次数、交互交流频率、作业完成时间、特定页面停留时间以及在线学习时长等全面的学习行为数据。基于真实的学习者在网络教育平台采集的信息整理得来行为数据，能够更加客观、实时地反映学习者的学习习惯和方式。本模块完成了学习者在网络学习平台的学习行为的存储记录，同时将存储结果传输到数据处理模块和大数据云计算平台。对于在学习者客户端无法进行简单定义的高级学习行为（此类学习行为通常需要与网络教育平台数据库或者大数据平台进行交互），采取大数据服务器端和学习者客户端融合的方式进行数据采集。

图4 大数据下行为层的学习行为分析模型

（2）数据分析模块功能

数据分析模块实现了数据采集模块和数据分析模块间的有效连接和协调桥梁，其主要具备以下功能：一是将数据采集模块发送过来的学习行为数据进行格式化处理和大数据云计算平台的数据库存储；二是将所获取的学习行为数据进行标准规范化，结合大数据平台的相关行为分析数据，生成特定的网络学习行为信息模型，供数据分析模块使用。

（3）数据处理模块功能

此模块的功能是对数据处理模块产生的网络学习行为信息模型进行分析，得到学习者的行为特征。其具备的数据分析功能主要包括：一是教育资源使用情况的分析，分析学生在规定时间内使用资源的频率和持续时间；二是学习者客户端页面跳转情况的分析，分析学生在不同的教学页面间的切换情况；三是交互交流情况的分析，分析学习者在网络教育学习过程中使用交互工具的频率和持续时间；同时还实现了对网络教育平台特殊现象——“空挂机”现象的检测和数据提取。

在数据分析的过程中，根据网络学习者的学习行为和网络教学的特点，根据大数据平台采集的数据，结合传统教育的相关参考文献和标准，本文构建如表2所示的学习者学习评价指标体系。

设学习态度因子为Qlearn，子项目因子为L1、L2…Ln，二级权值为 ωL1、ωL2…ωLn；参与程度因子为 Qjion，子项目因子为 J1、J2…Jn，二级权值为 ωJ1、ωJ2…ωJn；交互性因子为Qaction，子项目因子为 A1、A2…An， 二级权值为 ωA1、ωA2…ωAn。

关于“学习态度”、“参与程度”和“交互性”相关权值的确定，本文通过专门从事网络教育研究的10位专家学者进行相应的权值比重打分：

（1）一级权值的确定。10位专家对“学习态度”、“参与程度”和“交互性”三项的重要性进行打分，然后对专家的打分结果取平均值，结果见表2的“一级权值”列，“参与程度”所占比重最大，约占50%，符合网络教育的特点。

（2）二级权值的确定。分别对三个一级指标进行细分，然后对一级子项目的二级权值进行权值打分，对专家的打分结果取平均值，最终形成表2中的指标权值。

学习态度因子的计算过程如下：

参与程度和交互性的计算方法类似，分别如下式所示：

系统根据学习者的整体评价系数，结合大数据平台的平均评价系数，对学习者的学习情况做出客观的平均，并进行针对性的反馈和辅导，从而形成完整的大数据网络教育闭环模式。

表2 学习评价指标体系

3.实例分析

为了验证本文提出的学习行为分析模型的有效性，笔者以所讲授的《网络数据库》网络课程为例，对开放教育计算机信息专业3个年级共38名学生的学习数据进行采集和学习行为分析。通过课程成绩和学生自我评估，对学习行为分析模型的结果进行检验。以一个班为例，此课程的相关数据分析结果如表3所示。

表3 学习行为分析模型实例分析

从表3的数据可以看出，本文设计的学习行为分析模型能够基本和学生的学习成绩、自我评估相吻合（不排除学生个体差异的影响），更加精确的分析则需要更多的样本采集过程。同时，我们也可以看到，参与程度在本实例中所占的比重较高，与样本取得的成绩相吻合，也验证了专家对权值划分的正确性。

五、总结与展望

在大数据的环境下，网络教育的变革顺应了历史发展的潮流，不断适应着学习者的学习特点，能够实现更加高效的学习模式，完善网络学习的学习成果。网络教育以其教育方式的独特性和教育方法的便捷性不断发展，大数据以其海量的教育资源及信息处理方法为网络教育的教育模式带来广阔的拓展空间。本文首先对网络教育的基本特点进行分析，然后对其在大数据环境下进行分层建模。同时，在资源层设计了拓展网络教育信息资源可调节发展利用周期策略，在行为层构建了基于大数据的学习行为分析模型，旨在最大程度地使网络教育在大数据环境下呈现智能化和个性化，并构建了网络学习评价指标体系，真实地反馈学生的网上学习水平，为网络教育在大数据影响下的发展提供了可靠的保障方法和运行模式。

[1]Armstrong K.Big data:a revolution that will transform how we live,work,and think[J].American Journal of Epidemiology,2014,17(9):181-183.

[2]吴砥,刘清堂,杨宗凯.网络教育标准与技术[M].北京:清华大学出版社,2011.

[3]Mayer-Schnberger V.Big Data:A Revolution That Will Transform How We Live,Work and Think.Viktor Mayer-Schnberger and Kenneth Cukier[M].Houghton Mifflin Harcourt,2013.

[4]王景英.教育评价学[M].长春:东北师范大学出版社,2005.

[5]IBM,ZikopoulosP,Eaton C.Understanding Big Data:Analytics for Enterprise Class Hadoop and Streaming Data[M].McGraw-Hill Osborne Media,2011.

[6]Ting-ting amp L U,Yin J T.Networking Academy as an opportunity to promote the fusion of Vocational network education and professional certification[J].Journal of Wuhu Vocational Institute of Technology,2013,46(1):181-189.

[7]孙华.数据教育:大数据时代网络教育升级的发展理路和理念建构[J].软件导刊(教育技术),2015(4):61-63.

[8]孙华.大数据视域下网络教育研究新范式[J].中国教育网络,2014(8):63-66.

[9]胡水星.大数据及其关键技术的教育应用实证分析[J].远程教育杂志,2015(5):46-53.

[10]杨威,杨陟卓.大学云架构与大数据处理建模研究[J].中国教育信息化,2015(1):16-18.

[11]黄赟茹.大数据时代学习平台的数据统计分析功能研究——以Canvas和Sakai系统为例[J].情报工程,2016(3):043-052.

[12]刘自慧.基于网络学习行为分析的学习风格识别及其实证研究[D].北京邮电大学,2015.

[13]马新强,黄羿,蔡宗模.MOOC教育平台技术及运营模式探析[J].重庆高教研究,2014(1):5-9.

[14]张滨.教育大数据个性化自适应学习模型构建[J].亚太教育,2016(31):283-283.

[15]何悦恒.大数据背景下网络教育发展的困境和出路[D].福建师范大学,2015.

（编辑：王天鹏）

G434

A

1673-8454（2017）13-0021-06

中国成人教育协会“十二五”成人教育科研规划2015年度一般课题“终身学习理念下学历与非学历教育一体化设计研究”（课题批准号：2015-095Y）。