大数据背景下大学生个性化自适应学习研究

许睿

摘要：大数据时代的来临，对大学生实施个性化自适应学习，促进大学生各方面能力的均衡发展，引领大学生学习方式发生变革。该文综述了大数据的内涵及应用，对个性化自适应学习的起源和发展等方面进行了阐述，具体分析了基于大学生个性化自适应学习的学校教育和在线学习两个方面，针对大学生学习行为进行数据分析，及时反馈学生的学习效果，推荐合理的学习路径与恰当难度的学习资源，提供个性化自适应服务，促进教与学的和谐发展。

关键词：大数据；个性化自适应学习；学校教育；在线学习

中图分类号：G642 文献标识码：A 文章编号：1009-3044（2017）31-0153-02

Research on Personalized Adaptive Learning of College Students from the Perspective of Big Data

XU Rui

（School of Information Engineering， Henan Institute of Science and Technology， Xinxiang 453003， China）

Abstract： With the advent of Big Data era， the personalized adaptive learning of college students promotes the balanced development of all aspects of college students， which leading them to change their learning styles. This paper summarizes the connotation and application of Big Data， expounds the origin and development of personalized adaptive learning and analyzes two aspects of schooling and online learning Based on personalized adaptive learning of college students. According to the data analysis of college students' learning behavior， the results show that personalized adaptive services which timely providing the feedback of the students' learning effect， recommending reasonable learning paths and resources can promote the teaching and learning.

Key words： Big Data； Personalized Adaptive Learning； Schooling； Online Learning

1 概述

教育是人类文明发展的动力和基础。我们正处于人类教育历史的第三次根本性变革之中，从规模化教育向生命化、网络化、分散化、生态化的个性化教育转变[1]。当前高等教育的教育模式下，教育体制已经基本完善，但是存在一个非常关键问题，就是忽略了大学生的个性化教育。传统的大学学校教育多采用大班教学，教师只会按照个人思路进行授课，完成教学任务，受限于教师能力和有限封闭的教学资源，很少考虑学生的接受能力，忽略学生在学习能力、知识水平等方面的个性差异，严重影响学生的学习兴趣，伤害了学生学习的自觉性和主动性，造成大学生群体求知欲望降低、创新能力消减[2]。从教育界专家学者到地方高校的教师，都在苦苦探索如何在改变学生多样性、个性化学习等方面取得突破，要全力为每位学生提供个性化的、符合自身发展的学习环境及服务[3]。

随着大数据、互联网+、物联网等技术的高速发展，教育信息化的普及与深入，引发了学习的思维方式、教学方式、认知模式等方面的变革。人们在生活与学习中的各种行为方式、认知习惯、思维特征等都以数据的形式记录下来，随着有效数据越来越多，我们正在逐渐地步入一个大数据的时代。个性化自适应学习立足于大数据，记录、挖掘和深入分析学习行为历史数据信息，依据学习者个性特征差异提供个性化的学习服务[1-2]。

2 大数据内涵与应用

大数据一词出现于1997年，目前多数国内外学者将其定义为需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。大数据的价值不在于“大”，而在于“有用”，利用云计算、机器学习、数据挖掘、人工智能等研究方法获取有价值的信息，以数据为基础进行研究，并做出决策[2，3]。

大数据应用需要经历数据收集、数据分析和数据可视化等三个必要阶段。数据收集是挖掘大数据价值的第一步，可以采用并行处理技术、分布式框架采集工具、网络数据采集工具等手段，采集获取海量数据并收集整理存储在各种数据库中；将数据转换为可用的形式后，分析数据间的隐含关系，挖掘出有用信息，随着数据类型日趋多样化，管理和分析数据成为一个非常复杂的过程；数据可视化是大数据应用的最后阶段，将数据分析的结果，提供给用户一种可说明的形式，集成到现有的流程中，最终辅助用户进行决策[4]。

大数据与传统数据相比，具有两方面的价值，即预测价值和科研价值[5]。预测价值是大数据的核心价值，将挖掘算法完美地应用到海量数据中，预测事物发生的可能性[2]。其实校园里一切事物，无不可以转化为数据，学生在终端上阅读、写笔记、做作业、实验、讨论问题等就是教育大数据的一个来源。学生学习的努力程度、学习态度、智力水平、领域能力、交互协作等也都可以进行量化，转化为有价值数据信息。在教学过程中，教师利用这些有价值的数据，全面跟踪和掌握学生的学习行为和学习过程，分析出学生的思考方式和思维习性，从而精确地了解学生的学习情况和状态，把握每位学生的性格特点，为其设置针对性的教学方案，提供良好的個性化教育环境，提高学生的学习质量和学习效率[6]。

3 个性化自适应学习的起源和发展

在大数据背景下，个性化自适应学习表示根据学习者个体差异提供个性化的学习服务。对于学习者学习行为的数据信息，进行学情分析，依据学生的学习行为数据挖掘其中潜在的关联关系，准确地预测学生的学习路径及其发展趋势，并将最终结果以可视化的形式呈现出来，评估现有的学习效果，进行个性化干预，给学生定制特有的学习方法和学习策略，促进学生个性化发展[1，4]。

个性化自适应学习兴起于美国，匹兹堡大学的Peter Brusilovsky教授在研究适应学习者与系统交互过程中的个性化学习需求的过程中，对实验对象的学习背景、知识水平和兴趣喜好进行建模，开发了InterBook、ELM-ART和Knowledge Sea等自适应学习系统。之后，国内外许多学者都进行卓有成效的工作，澳大利亚墨尔本皇家理工大学Wolf教授研发了iWeaver系统；北京师范大学余胜泉教授较早开始研究自适应学习，动态地组织学习过程中的三个关键环节学习内容、学习诊断及学习策略，提出了适应性学习模式；浙江大学张剑平教授在著作《网络学习与适应性学习支持系统研究》中，详细阐述了关于学习能力、用户模型、知识可视化及自适应测试等概念；东北师范大学赵蔚教授团队将信息技术与学科教学的融合，根据学习特点进行因材施教，研发出“以学习者为中心”的个性化自适应学习系统[7]；深圳大学曹晓明等通过全面地记录、跟踪、掌握和可视化学生的学习行为，获取学生的量化自我的反馈经验，实现以学生的认知需求为中心，提出面向大数据量化自我的自适应学习MOOC系统的模型[8]。个性化自适应学习的技术手段不断创新和发展，会对学生的学习产生积极的影响。

4 个性化自适应学习的学校教育

大数据背景下，学生的学习习惯、学习进度、学习状况等指标被有效地量化和收集，基于学生的大数据环境逐渐形成，通过数据分析和数据挖掘，准确诊断出学生的学习需求，给在校大学生提供更加个性化、精确的、合理的、科学的个性化教育。利用大数据和个性化自适应学习将会成为教育发展的趋势，有助于解决因材施教这一难题。个性化自适应学习的学校教育主要包括以下四个过程：

4.1 前期准备阶段

教师在实施个性化教学前，要对每位学生建立学生档案，对学生进行全面、充分的认知。首先，了解学生的家庭背景、成长经历、兴趣特长、性格特点等；其次，收集学生智力、学业成就等方面的数据；最后，最重要的是掌握学生的行为数据、情感数据等。

大数据技术的进步，使得情感数据和行为数据的收集成为可能。一些先进的传感器设备可以用来检测学生的情感状态，如情绪仪表、姿势分析座椅、压力鼠标、皮肤电导传感器等设备可以比较精确地反映学生的学习状态[4]。多种技术和设备的应用，有助于教师在前期对每个学生建立完整的个性化档案。

4.2 学习分析阶段

学习行为是影响个性化学习的主要因素。对所有学生的学习过程行为数据以及学习结果进行大数据分析，可以全面充分地把握每个学生的真实学习水平、学习进度、学习状况和学习积极性等，尤其是课程中重点难点的掌握情况，是基本理解？是完全掌握？还是可以举一反三，灵活运用？[6]。基于大数据的分析，可以帮助教师发现个性化教学存在的问题，便于及时调整教学策略，遏制学生不良的学习习惯，以避免在学生最后考核不及格时才被发现。

4.3 优化决策阶段

在传统的大学教育体系中，教师是某门课程的设计者和执行者，他们可以根据教学大纲、教学计划、学生需求以及突发情况等自行修改或删减教学内容。个性化自适应学习正在改变教育决策中教师的角色，教师从知识的传授者、决定者的角色向学习的指导者角色转变，引导学生主动获取知识[4]。

大数据技术跟踪记录学生的学习进展，甚至精确地记录每位学生使用学习资源的过程细节。教师通过大数据分析，全面掌握学生的学习行为特点，结合课程特点和教学资源，将学习行为和学习习惯相似的学生划为一类，为他们分别制定专用的教学方案，同时提供个性化学习资源和进度安排，满足学生不同的接受能力和特定的学习路径，实施有效地因材施教。

4.4 考核反馈阶段

针对每个学生的个性化自适应教学计划不是一成不变的，学生学习情绪的波动、学习环境的变迁、外界环境的影响和学习资源的变化等都有可能对学生的学习过程产生不利的影响，这就需要教师适时地变更学生的学习计划。

有别于传统教学模式，大数据技术可以准确地记录每个学生的学习轨迹，并将学生的学习行为、学习情绪、外界环境等数据收集保存在数据库中，根据数据挖掘算法和学习分析模型，为教师提供及时的反馈，指导教师适当地修正教学计划，调整学习路径，合理地设计教课内容，提升了个性化学习的效率。

5 个性化自适应在线学习

个性化自适应在线学习是学生在课下进行自我学习自我提高的一个重要学习平台，他可以记录并分析学生的学习过程，指导和改善学生的学习行为，提供个性化学习服务[6]。传统的自适应学习平台多数处于科研试验阶段，主要的参与者是本专业的学生或者是本学院的学生，用户数量未达到大数据的规模要求。随着大数据和云计算的发展，个性化自适应学习的在线学习平台可以与本校的选课系统、成绩系统以及其他学习系统互通，获取广泛的学生数据。在大数据分析的帮助下，该平台可以感知学生的学习需求，全面记录和掌握学生的学习特点、学习方式、学习行为等数据，通过分析集成，为不同类型的学生推荐最适合的学习内容和学习路径，定制有针对性、个性化的学习方案。有效地利用个性化自适应学习的在线学习将极大限度得提升学习效果，例如，通过对学生学习行为的分析，可以发现其学习过程中存在惯性问题，及时地给予指导或干预。动态地适应调整教学的内容、时间、方法等，可提高学生的学习效率，所有的过程都是自行实现，不会分散学生的学习注意力。在线学习平台不只是单纯地为学生提供个性化学习服务，而且收集整理不同学生的学习效果等数据，自我调整平台自身的分析算法参数，随着平台学生数据的不断丰富，该平台的综合分析能力也在逐步提升、不断进化，使得预测和挖掘能力更加强大。

6 结论

大数据背景下，个性化自适应学习通过量化学习行为而实现学习的数据化，采集学生的学习数据，掌握学生的学习需求和学习态度，深度挖掘学习行为，了解学生的学习现状，有助于全面地认知学生，为学生提供个性化学习指导，优化学习过程，提升学习能力，培养学习兴趣，做到因材施教。大数据和个性化自适应学习是未来教育的助力，可以极大地促进个性化教育长久有效地发展。

参考文献：

[1] 姜强，赵蔚，李松等. 个性化自适应学习研究——大数据时代数字化学习的新常态[J]. 中国电化教育，2016（2）：25-31.

[2] 姜强，赵蔚，王朋娇等. 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] 祝智庭，沈德梅. 基于大数据的教育技术研究新范式[J]. 电化教育研究，2010 （10）：5-13.

[4] 杨雪，姜强，赵蔚. 大数据学习分析支持个性化学习研究——技术回归教育本质[J]. 现代远距离教育， 2016（4）：71-78.

[5] 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.

[6] 祝智庭，贺斌，沈德梅. 信息化教育中的逆序创新[J]. 电化教育研究， 2014（3）：5-12+50.

[7] 方海光，罗金萍，陈俊达等. 基于教育大数据的量化自我MOOC自适应学习系统研究[J]. 电化教育研究， 2016（11）：38-42+92.

[8] 曹晓明，朱勇. 学习分析視角下的个性化学习平台研究[J]. 开放教育研究，2014（5）：67-74.