基于MOOC平台的课程资源推送服务研究

， ，

(1.2.陕西广播电视大学 资源建设中心；3.陕西广播电视大学 财务管理学院，陕西 西安 710119)

一、MOOC平台的课程资源推送服务

2018年教育部颁布了《教育信息化2.0行动计划》，数字教育资源的服务已进入高速发展阶段，各高校积极与MOOC平台合作，建设了大量的在线开放课程，拥有众多的校内外学习者。

高校MOOC课程建设是数字资源服务普及行动的重要组成部分，其中MOOC课程资源生成和课程资源推送这两个要素直接决定了资源的服务对象和受众规模，也从根本上决定了开放课程应用效率和效益。一般而言，学习者与课程资源之间存在上传、下载及使用三种关系，而资源推送就是根据学习者在平台上完成的学习任务和交互操作情况，在资源与学习者之间建立的一种有效关联。

推送技术的发展，改变了资源的获取方式。分析课程资源推送，本质上是指信息的推送服务。国外的信息推送研究开始比较早，在20世纪90年代中后期即探讨网络环境与个人信息需求的问题。相比之下，国内的相关研究则起步稍晚。近年来，推送应用已从商业领域拓展到教育领域，形式亦日趋多样化，RSS、Tag、数据挖掘等技术成为信息推送的研究热点。信息推送服务方式，主要有两类：一类是由智能软件完成的，即全自动化信息推送服务；另一类则是借助于电邮、并依赖人工参与的信息推送服务。

二、主动推送服务的提出

在课程推送方面，很长时间都采用频道式、邮件式这两种方式。当学习者选择定义为频道的网页时，系统会推送相应课程资源信息，或者能主动根据用户列表用电子邮件向其发送相关课程信息。对用户而言，这类资源推送方式带来了被动接受的资源服务，所推送的资源并非全部是用户需要的资源，这无形中增大了课程资源推送的损耗，也降低了学习体验效果。学者米海燕、顾小清提出借助推送技术，提供个性化的网上信息推送服务，逐渐递进三种形式的服务包括：个性化的推送或定制、个性化的推荐、个性化的知识决策。在信息推送的工具方面，研究者已经从计算机延伸至移动终端，如手机、pad等。余胜泉、杨现民等人提出了基于情景感知的信息推送服务模式，并根据用户使用的情况，将信息推送至不同的终端。在资源服务模式方面，陈琳、任友群等提出了资源超市的服务模式，实现了资源服务的三个转变，即：服务理念以资源为中心向以用户为中心转变，资源获取方式从被动接受资源向主动选取资源转变，服务模式从统一化向个性化转变。

当前大数据技术得到快速发展与广泛应用，体现在社会生活的方方面面，如网络购物与电子商务领域，信息的主动推送服务、个性化推送服务已屡见不鲜。在教育信息化领域，人们在MOOC学习平台设计中也已经关注和探索实践资源主动推送服务，但总体而言其应用还不够普遍。

MOOC平台汇聚了大规模的课程学习资源及学习者，面对巨量的学习资源，不同的学习者的学习需求亦不相同，当出现迷航现象、学习效率较低等情况时，如果能提供以学习者为中心，能满足其个性化的学习需求，主动呈现的精准推送，即采用课程资源主动推送服务模式，学习效果将会得到较大的提升，这也是解决学习差异性的极为有效的一种途径。随着数字化学习和泛在学习的日益普及，课程资源主动推送服务亟需从理念走向普遍实践，也亟需确立以用户为中心的资源主动推送服务模式，对推送机制进行深入系统的分析和研究。

三、课程资源主动推送服务的研究

在传统的教学过程中，获取学习行为数据费时费力，在这个漫长的过程中，研究者通过观察记录、调查对比等手段来逐一搜集整理信息，尽管付出很多，但很难保证数据的全面性。而借助MOOC平台，学习者在注册学习后，所有的学习痕迹都会自动在后台数据库中记录储存，比如：登录了多少次、学习了多长时间、都学习了什么内容、作业完成情况、交流互动情况、成绩评价等诸多学习行为。目前，一些具有较强学习分析功能的平台也已涌现，推动了教育分析学领域的发展。

目前网络技术深入发展，大规模数据处理方法日益成熟，研究者能够快速及时的获取相关数据，并进行准确的分析与处理。与传统教学研究通常包含较少量学习样本不同，基于在线数据的研究可以包含大量的学习者样本，这使得研究者更易进行数据比较分析，研究结果也更具有普遍性。

在线开放课程上线运行后，即拥有海量的学习信息，储存在后台数据库中，平台根据主动推送需求，会提取相应的数据来分析。数据的采集主要依据学习者的学习行为来进行，针对客户端会有不同的采集方案，将学习行为进行数据分析后与推送行为对应起来。采集方案是针对全流程的，也就是一点一滴的记录会从不同的接口源源不断地进入并储存在庞大的数据库中，详尽的记录会默认按照时间索引排序，根据不同需求调用指令组成分析阵列，经过对各种学习行为进行系统化分析，构建出不同学习者的模型，选择相应的推送内容，实现个性化主动推送服务。通常情况下，重点采集的数据区域包括：测试成绩、评价信息、各章节的任务点、在某功能模块学习点击量、浏览时长、学习动作类型、参与讨论与个人热点等。

通过学习分析技术研究，得出推送依据点，即通过信息提炼、分类、组合、对比等操作，形成个性需求数据。比如：对学习者学习进度、访问情况的统计，包括课件学习、视频观看、作业完成、讨论等数据，根据分析结果对学习者推送相应的“学习进度”提示信息。统计学习者针对本门课程在具体章节数、课程任务点数，发言活跃度、拓展浏览等方面的行为数据，根据数值分析主动推送相应的“课程推荐”、“资源推荐”信息，向不同学习者提供最适合的频道。对学习动作类型分析亦得出相应推送依据，如学习者在视频任务中暂停、快进快退、回看等操作，结合学生成绩采样，进行链接分析后，会得到“重要提示”的推送点；当操作行为与同层次采样群体数据对比分析后，得到快速定位“重点区域”的推送点。对学习者动态学习的数据进行统计分析后，成为预置的各种资源推送策略的依据，进而执行推送点操作。教学者使用平台主动推送服务，能够显性或隐性地推送相关资源，智能化服务于课程应用。

通常MOOC平台技术支持相应的主动推送，学习者能及时获取动态信息内容。在这个过程中，实现主动推送需要解决“如何推送”和“如何呈现”这两个关键问题。因此必须建立面向用户需求的主动推送服务机制，由“建用相对分离”向“建用主动关联”转变，深层次提升资源服务和使用效能，使得信息技术与教学实践深度融合。基于学习者的差异性，平台为了满足教师与学生的需求，在客户端打开的同时，数据引擎开始工作，提供给它可访问的接口，获取客户相关数据，记录在已建立的不同的类库中，随后对记录的各种数据信息进行分析，建立对应关系后选择不同方式个性推送。由于学习记录是动态变化的，因此推送内容也是需要实时更新的，平台根据预设算法机制完成推送任务。

在教育大数据环境下，从学习者个体的角度出发，立足于学习活动过程中产生的各种学习行为的动态数据，根据学习者特征模型、资源推送模型，融合云端数据分析处理技术进行主动推送。有了大量的优质资源，通过个性化的推送服务，将大大提升各级各类资源服务平台的应用效益。越来越多的用户在选择MOOC平台时，更看重其服务功能，尤其是具有强大的数据统计分析模块、特征匹配迅速、资源推送实现途径明确、个性与共性混合响应及时、学习者反馈效果好的平台拥有更广泛的应用空间。当然，除了资源的优质程度和推送服务效率这两个先决条件，课程学习效果还会受到教师结构、评价方式、学习者因素的多重影响，所以要加强大数据技术和学习行为分析技术支持下的实证研究进行相关验证和探索，构建更为科学高效的学习分析与资源推送数据模型，最终形成全方位的MOOC平台课程资源生成和推送的整体“解决方案”。

课程资源主动推送服务机制的研究方案如下：首先要构建资源生成机制和推送模型，解决好课程资源的生成渠道和来源问题，即解决好“推送什么资源”的问题，保证有足量、优质的资源支撑推送服务。其次，需要深入研究支持课程资源主动推送服务的四个关键系统，包括交互界面(UI系统)、学习行为日志存储系统、资源推荐系统和推送系统，构建高效精准的课程资源主动推送工作机制，解决好“如何推送和呈现资源”的问题。第三，深入分析当前课程在MOOC平台的应用效果，提出个性化推送策略，解决好“如何跟踪资源应用绩效”的问题。

四、结语

随着在线教育模式迅速发展，越来越多的高等院校加入MOOC3.0 平台的建设应用中。以能够实现全流程记录、大数据分析的全国性MOOC平台为研究对象，以实名注册的学习者为样本，综合运用问卷调查、现场访谈和大数据分析结果，考察学习者在线课程的学习行为，形成课程资源生成、课程资源推送、课程资源学习等各个环节之间的“反馈回路”。从评价方式、技术方案、课程质量、教师队伍等各方面综合来看，当形成以学习者为中心的、具有普遍适用意义的在线课程主动推送机制后，优化提升了平台课程资源配置效益和服务水平，真正让优质课程资源通过MOOC平台面向全体学生和社会公众自由共享，从根本上提升高校课程资源服务效益，对学校层面的学习者来讲，学校的信息化教学绩效得到快速提升，对社会层面的学习者来讲，泛在学习绩效改善显著。