基于大数据的自适应学习模型研究及实现

韦建国 王玉琼

摘 要：大数据时代，高等职業院校传统教育教学模式已不能完全满足社会对新型人才培养的需要，如何将大数据的自适应学习模式与高等职业教育充分融合是当前亟待解决的问题。从大数据自适应学习概念出发，在综述大数据自适应模型及工作流程的基础上，介绍了基于大数据的自适应学习实现过程，并与传统教学进行对比。利用大数据自适应学习，有利于学生对于知识点的掌握，提高学习成绩，并激发学生学习兴趣。

关键词：大数据；自适应学习；高等职业教育

DOI：10.11907/rjdk.172858

中图分类号：G434

文献标识码：A 文章编号：1672-7800（2018）005-0217-03

Abstract：The traditional education teaching model in higher vocational colleges can not fully meet the social requirements of new talent training in the era of big data， and it is an urgent problem to integrate self-adaptive learning with higher vocational education.The conception of big data-based self-adaptive learning is defined， its models and the working flow are reviewed for the introduction of the implementation process and comparison to traditional teaching. To apply self-adaptive learning is helpful for students to master knowledge points， improve academic performance and arouse their learning interest.

Key Words：big data； self-adaptive learning； higher vocational education

0 引言

高等职业教育的发展为社会培养了许多技能型人才，但随着大数据时代的来临，传统教师课堂的面授教育模式已不能满足高等职业院校对于人才培养的需要。因此，探究将大数据理念运用于高职教育教学中具有重要意义[1-2]。传统教育教学模式下，由于学生基础的差异，在教学过程中难免会出现顾此失彼的现象，导致部分学生跟不上进度，产生厌学情绪，一定程度上制约了学生创新思维能力的培养[3]。大数据与互联网的结合为学生的个性化学习提供了有力支持[4]。开展基于大数据的自适应学习，可使每个学生根据自身特点自由选择学习方式，从而充分发挥学生潜能。

1 大数据自适应学习概念

大数据通过收集互联网中的海量数据，并将这些数据分类储存，形成庞大的数据库，便于人们查找和研究，同时通过数据挖掘，能够得到相关行业或领域有价值的信息[5]。大数据自适应学习是指在大数据基础上，将各门类学科知识、各领域研究成果、教师讲课笔记与教学心得、经典教学案例、试题库及答案讲解和读者阅读心得体会等按照学科领域进行归类收集[6]，学生能够通过网络在线学习或离线下载的方式学习知识点，从而开展个性化学习，同时还可在线与教师进行交流与探讨[7]。

2 大数据自适应学习模型

本文提出的基于大数据的自适应学习模型主要用于高职院校学生的在线学习，以及在图书馆及阅览室学习时遇到学科疑难知识点时的现场解决[8]。虽然这种基于大数据的自适应学习模型使用场合不同，但其工作流程相同，具体流程如图1所示。

大数据自适应学习系统建立在数据挖掘与算法分析研究基础上，学生可以在线和离线两种状态对某一课程进行自适应学习。该系统通过对海量数据进行深入分析与处理，找到客观规律，并对相关数据作出总结归纳，从而辅助学生学习。

基于大数据的自适应学习设备如图2所示，其工作原理为：先将若干台基于大数据的自适应学习设备放置在学校图书馆及阅览室，当学生在学习过程中遇到难点时，可以将教科书或难以解答的习题放在基于大数据的自适应学习设备扫描装置正下方，数据处理存储系统将扫描到的模拟信号转变为数字信号，从存储系统中调出相关信息，并在操作界面中以文件形式展示出来。通过操作界面上的提示，学生可以自由选择在线阅读、下载文件或点击打印。基于大数据的自适应学习设备中的所有信息均来自互联网上收集整理的学科知识点，数据处理存储及网络系统会随时进行信息收集及分析处理。

3 大数据自适应学习模型实现

大数据自适应学习系统数据来源于互联网，包括高校精品课程、高校版权著作信息、教授或名师讲课笔记等[9]。利用Spss Modeler软件对潜藏在海量数据中的规律进行挖掘和筛选，以及利用Apriori改进型算法对分析后的大数据作总结性归纳，可使学生学习更具有针对性。同时，学生也可以发表关于本课程的学习心得或体会，大数据自适应学习系统同样将这些观点看法存储起来用于大数据挖据[10]。大数据自适应学习系统模型如图3所示。

图3中，经过挖掘后的数据具有规律性、个体差异性、技巧性和可扩展性4个特点：①规律性。即将隐藏在数据中有用并呈现一定规律的信息挖掘出来，以帮助学生快速理解和掌握课程中的知识点，同时也有助于教师发现教学中的问题并及时改进[11]；②个体差异性。是指通过数据挖掘与算法分析后，将所有教师注释或点评，以及读者心得体会按照不同个性差异总结归纳为若干类，并将每一类个性适合的学习方法进行明确和具体化，学生根据自身特点进行选择；③技巧性。是指将所有关于某课程的学习方法和技巧归纳在一起，以便学生解决实际中遇到的问题；④可扩展性。是指在分析总结所有大数据自适应学习系统特点的基础上，可对系统模型作进一步改进和补充[12]。

3.1 学生知識点理解掌握能力分析

对于知识点理解掌握能力的分析，教师选择某课程中出现的50个知识点，并选取50名学生作为样本考察对象，让每一名学生分别回答这50个知识点，掌握率等于回答正确的知识点除以知识点总数，并将完全利用大数据自适应学习的学生数量记为A，完全不用大数据自适应学习的学生数量记为B，有时用大数据自适应学习的学生数量记为C。测试后经统计，不同类型学生对于知识点的掌握率如图4所示。

由图4可知，完全利用大数据自适应学习学生的知识点掌握率>有时用大数据自适应学习学生的知识点掌握率>完全不用大数据自适应学习学生的知识点掌握率。

3.2 学生成绩验证分析

选取50名学生作为样本考察对象，在验证前的某课程考试中，50名学生均未参加过大数据自适应学习情况下，设定学习成绩80～95分为优秀生，60～79分为中等生，59分以下为差等生，数量分别为E、F、G。将50名学生按照学习成绩相当与人数相等分配成两组，在学习时间相同的情况下，比较采用大数据自适应学习和未采用大数据自适应学生的优秀生、中等生及差等生数量。学习兴趣度即对学习感兴趣（优秀生+中等生）的人数除以样本总人数，验证前后的学生学习成绩情况分别如表1～表3所示。

将表1、表2数据进行比较可知，大数据自适应学习模式下，学生成绩获得了较大提高，学习兴趣度也得到提升，此外该学习模式有助于提高学生分析和解决问题的能力。

4 结语

本文对大数据自适应学习模型与流程进行了分析，并对大数据自适应学习模型的实现进行深入的理论探讨，最后从学生知识点理解掌握能力和学生成绩两个角度分别验证大数据自适应学习系统的优势。学生在大数据自适应学习情况下，学习成绩不仅够得到了快速提升，而且提高了分析和解决问题的能力，并最终使学生对学习产生浓厚兴趣。

参考文献：

[1] 林海伦，王元卓，贾元涛，等.面向网络大数据的知识融合方法综述[J].计算机学报，2017（1）：1-6.

[2] 陆芸婷.基于数据挖掘的高职院校自适应学习系统研究[J].科教文汇，2016（17）：86-87.

[3] 韩林.云存储移动终端的固态缓存系统研究[D].武汉：华中科技大学，2014.

[4] 杨现民，王榴卉，唐斯斯.教育大数据的应用模式与政策建议[J].电化教育研究，2015（9）：54-61.

[5] 陈杰.本地文件系统数据更新模式研究[D].武汉：华中科技大学，2014.

[6] 王大玲，于戈，冯时，等.面向社会媒体搜索的实体关系建模研究综述[J].计算机学报，2016（4）：39-43.

[7] 崔路云.基于大数据时代背景对统计学教育的几点思考[D].北京：首都经济贸易大学，2014.

[8] 王桂林，韩颜波，张仲妹，等.基于云计算的流数据集成与服务[J].计算机学报，2017（1）：107-113.

[9] 刘凤娟.大数据的教育应用研究综述[J].现代教育技术，2014，24（8）：13-19.

[10] 黄凯奇，任伟强，谭铁牛.图像物体分类与检测算法综述[J].计算机学报，2014，36（6）：1225-1240.

[11] 冯翔，余明华，马晓玲，等.基于大数据技术的学习分析系统架构[J].华东师范大学学报：自然科学版，2014（2）：20-29.

[12] 吴存清，任沛阁，王小峰.基于语义的网络大数据组织与搜索[J].计算机学报，2015（1）：1-14.

（责任编辑：黄 健）