基于大数据的智慧学习系统模型研究

杨帆静

(集美大学诚毅学院,福建 厦门 361021)

0 引言

智慧学习进行的教学活动都是结合学习者的知识结构和学科培养目标而展开的,能充分展示学习者的个性化特点.数据挖掘是大数据在智慧学习系统的主要应用领域.教育大数据能直观体现学习者的学习现状以及个体需求差异.通过大数据分析,可以诊断出学习者的知识能力水平,再结合学生的兴趣爱好等因素,为学生定制个性化的学习内容.

国内外的众多学者就大数据对智慧学习的积极作用发表了研究成果.魏顺平[1]借助数据分析技术,将教育软件中储存的海量数据转化为知识,为学生学习和老师教学提供有效的指导.舍恩伯格[2]概括出,随着大数据在教育界的深入应用,根据学习者个体差异而定制学习方案将会成为教育界的主流,包括教学内容、学习时间、授课方式.唐斯斯[3]指出,单一的传统教学方式过于单一,老师过度依赖教学经验,大数据的应用,可以帮助教育工作者以教育数据为基础开展教学活动,促进教育由集体化向个性化发展.

本文基于大数据框架,分析了智慧学习系统的生态机理,结合自适应学习系统参考模型,提出了一种基于大数据的智慧学习系统,能让学习者的学习活动更加智能化、个性化.

1 智慧学习系统模型

应用于自适应学习系统的AEHS(Adaptive Educational Hypermedia Systems)通用模型是Peter Brusilovsky提出的,本文中的智慧学习系统模型以此为基础.如图1,AEHS由四个主要组件构成,分别是自适应引擎、领域模型、教育学模型、学习者模型[4].

图1 AEHS主要组件

1.1 学习者模型

学习者模型反映了不同学习者的差异性,是智慧学习系统的核心内容,直接决定了学习内容是否合理.本文构建的学习者模型包括以下几方面内容:个人信息、学习行为、行为偏好、课程体系、知识水平.其中,个人信息包括学习者的姓名、性别、年龄、学校、年级等;学习行为是记录学习者的学习历史,包括学习的课程编号、学习次数、学习时间、学习地点、使用设备、作业完成情况、测试结果等,可以用于挖掘学习者行为偏好,以便更好地了解学习者,从而更精准地预测学习者的学习行为;行为偏好的作用在于通过分析学习者以往的学习行为,分析出其在学习行为上的偏好倾向,用于为其推荐带有个人喜好的课程;课程体系包括学习者学习的课程以及知识点,描述了学习者的知识结构;知识水平用以描述学习者对于学习内容的掌握情况,可通过考试、习题、交流等形式分析得出.

1.2 领域模型

领域模型是领域概念集合,包括了领域概念及其相互之间的关系,通常一个特定的领域概念与不同概念联系后表达了不同的语义.领域模型描述了领域知识结构,应用于不同领域中的学习系统中有着不同的含义,权重也有所差别,发挥着不同的作用.领域模型的主要实现方式是通过定量或定性的方式估算学习者对某一概念的掌握程度并将其储存.

1.3 自适应引擎

自适应引擎可以利用学习者模型分析出学习者的知识水平以及对知识的接受能力,再结合其他模型为学习者安排个性化的学习策略,同时对学习者的学习过程进行监测和调整.本文中自适应引擎的实施方式具体为:1)自适应引擎根据学习者模型(个人信息、学习行为、行为偏好、课程体系、知识水平、学习情绪)和学习目标,定制个性化学习方案;2)跟踪学习者的学习过程,并将学习历史记录;3)学习结束后,对学习者的学习效果进行评价,检验制定的学习方案是否合理；4)对于未能达到理想效果的学习者,需要进行诊断和分析,修改学习策略直至达到学习目标.在大数据的应用背景下,智慧学习系统的自适应引擎需要不断修正和优化规则,不断自我进化.本文主要研究自适应引擎的三项功能:知识结构和水平检测、学习路径推荐与学习效果评价.

1.3.1 知识结构和水平检测

学习者的知识结构与课程体系、领域模型等紧密相关,学习者的知识结构与课程体系、领域模型等紧密相关,学生的知识水平需要通过作业、测试等多维诊断方式才能得出较为准确的结果,因而自适应引擎需要与多个系统模型相连才能综合检测出学生的知识结构和水平.同时，学生的知识结构和水平是一个相对值,需要放在类似群体中与不同个体进行对比.

本文采用项目反应理论IRT(Item Response Theory)为基础架构进行知识结构和水平检测.项目反应理论认为学习者对知识点的理解程度、接受知识的能力、思考方式都会影响他的答题反应,因而可以在个性化测试过程中,评价学习者的反应情况诊断出学习者的知识结构和学习能力,并且可以不断调整题目的难度反复进行测试,已达到逐步贴近实际水平,从而得到准确结果.这样的方式可以有效避免题目与学习者实际情况不匹配的问题,不仅准确率得到大幅提升,而且能有效缩短测试时间,因而得以广泛使用[5].

1.3.2 学习路径推荐

智慧学习系统的核心功能之一就是针对学习者的个性化特征为其推荐最佳学习路径,这也是衡量智慧学习系统功能的重要指标.其中,学习者的特征是算法的输入,以学习者知识结构和水平、行为偏好为输入,学习路径是算法的输出,本文采用了蚁群算法,因为蚁群算法中的启发信息和信息素参数非常适合综合参数的建模.

蚁群算法是一种群体智能算法,通过模拟蚁群觅食的过程来求解最佳路径.具体过程为:蚂蚁边找寻食物边留下“信息素”，信息素会被其他蚂蚁识别,走过的蚂蚁越多则此路径上信息素越多,最佳路径由此形成.可以将蚂蚁觅食的过程应用于学习路径推荐,两者的搜索过程具有极大相似性,可以将学习者视为蚂蚁,学习目标则可以看作食物,学习者对知识点的评分就是信息素,推荐路径可以看觅食的最佳路径[6].

1.3.3 学习效果评价

当学习完成之后,需要对其学习效果进行评价,确定系统向其推荐的学习资源是否合理,从而不断优化系统模型.大数据的应用使得评价依据从主要依靠主观经验判断逐步过渡到依靠客观数据.本文评价学习效果的方法主要分定性和定量两个角度,定量就是从数据的角度客观评价学习效果,通过分析统计数据,计算出可以表示学习者知识能力提高的综合指标;定性就是学习者的主观评价,学习者学习完后进行星级评分.最终的学习效果评价就是二者的权值之和.

1.4 教育学模型

教育学模型用于定义学习者模型访问领域模型各部分信息的规则,这些规则以教育学为基础,依据领域知识设计,具有很强的专业性.

1.5 接口模块

接口模块用于实现学习者与智慧学习系统的交互,同时存储于接口模块的数据也可以预测学习者的个性化特点,从而更新并验证学习者模型.

2 大数据系统架构

在大数据的应用背景下,智慧学习系统的实现机制有了新的发展,本文提出的基于大数据的智慧学习系统架构,可以分为数据层、信息层、控制层、应用层[7],如图2.

图2 大数据系统架构

2.1 数据层

数据层存储的是结构化、半结构的原始数据,数据获取方式是通过接口模块,原始数据的来源可以是历史数据、声音、图像、影像、点击流等.

2.2 信息层

信息层中存储的是有意义的数据集合.利用ETL等技术将数据层中存储的原始数据进行清洗、转换和整合,提炼为有效信息并存储到学习者信息库、学习者行为库、领域模型库、学习资源库、学习工具库、导学策略库等数据库中.同时,数据采集和提炼的过程是持续进行的,增量信息不断形成,不断更新各个数据库的内容.

2.3 控制层

控制层是智慧学习系统的核心应用,自适应引擎根据学习者特征模型和领域模型可以实现学习者个性化学习,学习过程中,不断对学习效果进行评价,从而实现引擎规则的不断完善,达到引擎自我进化的目标.

2.4 应用层

应用层用于为使用者提供服务业务,使用者可以是学习者、教师、领域专家、工具开发者,为其提供学习资源、学习工具、学习路径、学习策略等.

3 系统实现与案例分析

本文选择初中数学作为实现对象来检验智慧学习系统架构的合理性.初中数学智慧学习系统可以为学生提供多种方式的课后自主学习,逻辑框架如图3,主要包括课后自主学习和辅助课堂学习.

图3 智慧学习系统逻辑框架

自主导学是课后自主学习的方式,主要方式为:系统将教师挑选的合适的学习资源,结合学习者模型和推荐规则,推送给学习者,学习者根据自己的实际情况,从推荐的资源库中选择合适的学习路径.自主学习完成之后,学习者需要进行自我检测,学习者根据自己的实际情况选择测试题的难度等级后,系统会根据推送规则形成对应难度的试题.学习者答题结束后,系统会自动批阅学习者的试题并对答题情况进行分析,诊断出学习者在学习中的薄弱环节,从而为其推送更加合适的导学资源.同时将此次导学的过程和结果数据保存,更新系统模型,在后续的学习过程中为学习者提供更加有效地服务.

课前预习和课后复习都是辅助课堂学习,课前预习是课堂教学的热身,课后复习是课堂教学的检验,两者都和课堂学习内容紧密联系,所以本文将其设计为由教师导学.课前预习的过程为:教师根据课堂学习内容,将需要的课前预习资源推荐给学习者,学习者根据自身的情况选择预习路径并自主预习.学习者预习后,由老师选择相应的试题对学习者的预习情况进行检查.课后复习的过程为:教师根据课堂学习内容,将需要的课后资源推荐给学习者.学习者复习后,由老师选择相应的作业对学习者的复习情况进行检查.

在课后自主学习和辅助课堂学习过程中,系统都可以获取学习者的反馈数据,从而不断优化系统,对学生进行个性化、有针对性的指导.

4 结论

随着大数据、云计算的不断发展,数字化校园也得以推进.学习者的学习过程得以保存形成海量的教育大数据,为教育优化提供了重要依据.本文将学习系统模型和大数据框架相结合,设计出基于大数据的智慧学习系统.本文分析了如何在初中数学系统中应用次架构,在后续的研究中,将对各个学科领域的学习系统的差异性进行研究,开发出自适应程度更大的智慧学习系统模型.