大数据下自适应学习系统中预测模型的构建

田 华，何 翼，田 波



大数据下自适应学习系统中预测模型的构建

田 华1，何 翼2，田 波2

（1．铜仁学院 研究生院，贵州 铜仁 554300； 2．铜仁学院 大数据学院，贵州 铜仁 554300）

基于典型的自适应学习系统模型，论述当前学习分析模型的现状，提出了以学习者数据为中心的三分析互联1－3－3的预测模型结构。对预测模型的原理特点及有效性进行了分析，对相关的技术平台的发展进行了探讨，对研究自适应学习系统，特别是学习分析模型如何实现有效预测具有较强的参考意义。

自适应学习系统； 预测模型； 数据挖掘； 学习分析

0．前言

自适应学习系统(Adaptive Learning System)是一种基于现代教育技术的学习模式，其核心在于使用计算机技术和系统进行自适应评估，使得教育素材能够自适应于学生的反馈和表现。自适应学习系统能够为学习者提供更精准的学习策略，更高效和个性的学习方法，而这正是未来教育行业的发展目标。

自适应学习系统运行流程如图1 所示。其流程分为四步：第一步，学习者生成学习行为数据，经过内容传递模块，数据将被标记上时间戳；第二步，数据按照预先定义的结构存入学习者数据库；第三步，预测模块从学习者数据库和学生信息系统中采集数据，根据不同的分析目的，调用不同的分析工具和模型对数据进行分析；第四步，自适应模块根据预测模块中数据挖掘和分析的结果，通过内容传递模块为学习者提供合适的学习指导和学习策略。

自适应学习系统的核心在于预测模块。预测模块的功能是整合系统外部学习者信息系统中的数据和系统内部学习者学习行为数据，通过数据挖掘和学习分析，对学习者未来的学习行为和结果进行预测，为自适应模块提供调整的依据，将结论告知教师或管理者以方便其做出判断，为下一步对学习内容进行调整或干预提供依据。它是整个自适应学习系统的枢纽，对自适应学习系统的核心功能起到支撑作用，预测模型的优劣将直接影响整个系统的运行和功能的实现。

图1 基于大数据的自适应学习系统

目前预测模型是以学习结果预测为基础，其原理是将预测目标作为因变量，预测指标作为自变量，通过分析来探索两者之间的关系。学习结果预测是通过数据分析探索自变量和因变量之间的关系，确定不同测量指标对预测目标的权重。生成的模型包括基于特定理论设计并验证的结构方程模型、基于多元回归分析生成的学习预测参数、决策树分类模型以及数学公式的假设与验证[2]。在学习结果预测目标方面，主要是对学习成绩与等级、学习成败进行预测。在预测变量上，以个人背景信息、过程性测评结果、学习参与状况、学习情绪等方面为主要测量指标[3][4]。其优点在于数据分析相对简洁，预测原理与方法相对成熟，易于得到预测结果。但也存在不足：一是数据来源相对单一，即学习情境不丰富，同时学习行为数据多为外部行为数据，学习者内在行为数据较少，割裂了内在行为与外在行为的关系；二是采用成熟的预测原理与方法多以时序为基础，以多元回归分析和结构方程模型分析为主的线性分析，但实际学习过程及行为与结果之间不是单纯的线性关系，导致预测结果未必可靠；三是对学习者的个性化学习指导力度不够，缺乏激励机制。

针对现有模型的不足，特别是针对割裂了内在行为与外在行为的关系，个性化激励不足的缺陷，文中提出了一种以学习者数据为中心的三分析互联预测模型，在现有模型的基础上，增加学习者内在行为的分析，结合学习者个性特征对学习目标进行预测，能更好的增强学习危机预警，强调有效干预，更好地为学习者自适应学习服务。该模型概括为1－3－3模型，即一个学习者数据挖掘中心，三个分析（外在行为分析、内在行为分析、个性特征分析），三个结果（学习目标预测、自适应处理测算、风险危机预警测算）。

1．三分析互联1－3－3预测模型

1．1．模型结构

学习者数据挖掘中心以自适应学习系统中的学生信息系统和学习者数据库为基础，利用数据挖掘原理和算法实施教育数据挖掘，构建学习者学习模型。三分析通过学习分析模型完成外在行为分析、内在行为分析和个性特征分析。结果是通过学习分析综合得出学习目标预测结果、调整的途径、学习危机和风险是什么，其结构如图2所示。

图2 三分析互联1－3－3的预测模型结构

1．2．预测原理

三分析互联1－3－3的预测模型基于教育数据挖掘原理，教育数据挖掘（EDM）研究涉及计算机领域专家、教育专家、心理学家、统计学专家等。由于以数据挖掘为核心，相关算法和理论在计算机界研究广泛而深入。近年来，EDM 已成为一个独立的研究领域，其目的是分析教育系统中产生的独特类型的数据来解决教育问题。EDM涉及算法的开发、研究及应用，利用算法构建并集成出教育数据模型，并通过模型分析出海量数据背后隐藏的意义。目前，有众多成熟的计算机领域和统计领域设计的数据挖掘算法，有许多优秀的开源工具供教育学家和心理学家使用，如R语言、RapidMiner、KNIME、JHepWork等等，数据的统计与可视化，文本挖掘、WEB挖掘相对成熟可靠，同时新的研究和工具对人的情感个性特征已能进行归类表述，故通过学习者数据挖掘中心形成学习者模型是可行的。

三分析的基础是学习分析模型，国内外众多研究者依据各自实践应用中的目标提出不同的学习分析模型，比如Brown的五要素模型，Wolfgang Greller的五要素模型和G. Siemens的学习分析过程模型。 Brown的五要素包括数据收集(Data Collection)、分析(Analysis)、学习(Student Learning)、受益方(Audience)和干预(Interventions)五大要素[5]。Wolfgang Greller等人从分析目标、数据类型、分析方法、约束条件以及利益相关者等角度构建了学习分析五要素模型[6]。G. Siemens从探究学习分析如何重构教学、学习、管理过程角度，构建了包含收集、分析、预测和适应性调整四个阶段学习分析过程模型[7]。Tanya Elias从技术资源视角出发，提出了以计算机、人力、理论和组织为核心的学习分析模型[8]。国内学者李艳燕等在综合国外现有学习分析模型基础上系统性地提出学习分析概念模型，认为学习分析主要由五大要素构成，即学习过程、学习环境、教育环境、受众以及五个环节（数据采集、数据存储、数据分析、数据表示与应用服务）[9]。结合国内实际，学习分析模型实际建构时主要参考李艳燕的学习分析概念模型。同时，参考Wolfgang Greller的五要素模型中约束条件，即内部约束和外部约束的思想，扩充了内部约束的概念，即不仅仅考虑学习者学习能力和接受度，还考虑学习者情绪、心理相关的正面或负面因素。此外，根据Tanya Elias从技术资源视角出发的观点，强调学习分析是一个循环过程，利用学习分析结果来优化学习过程，并将优化、应用后的分析结果再次分享、反馈，如此循环往复，以达到利用学习分析对整个学习过程中的资源利用，达到持续改善教育、教学效果的目的。

2．三分析互联1－3－3预测模型的特点及有效性

2．1．模型结构

以学习者数据为中心的三分析互联1－3－3预测模型结合目前最新的研究成果，从数据挖掘流程起重视学习者内部因素的影响，结合传统的外部因素影响力，深入考虑学习者的个性特征，对学习者的学习目标进行预测，分析自适应处理的途径，对学习危机风险进行预警干预，同时将三个分析结果传送至学习者、教师、管理者，让三者从内、外、个性选择三个方面进行优化，达到自适应学习的目标。

2．2．模型有效性分析

传统的要素模型较抽象，缺乏具体明确的自适应途径和操作流程。其学习分析过程模型，往往过于追求细节，缺乏宏观的思考和整体优化。

针对上述问题，1－3－3预测模型以学习者数据为中心，重点关注学习过程中的行为、情感、个性，兼顾宏观要素的控制，可以完成自适应学习系统的核心预测功能。现实中，以学习过程为核心对行为和个性进行分析预测的学习系统有成功的案例，如加拿大安大略的Desire2Learn公司是一家领先的企业教学平台提供商，它提供全能在线教育，为受教育者带去统一、均衡的教育平台，该平台的学习分析系统通过收集和分析每个学生与学习相关的教育数据，诊断学生学习情况，及时发现学生知识，以便做出教学调整与规划，该平台不仅为教师提供查看班级表现的整体报表，也能联机实时分析教学报表，获取学生或课程的详细信息，以检视学生的能力、参与度和评估分数[10]，做到以学习过程为核心，这说明该模型是能够取得实效的。成功的案例还有美国Knewton自适应学习平台，该平台以学习过程为主，通过数据收集、推断及建议三部曲来提供个性化的教学，并在推断环节加入了心理测试引擎。总之，1－3－3预测模型的最大优点是以学习过程主，让学习者的学习行为数据作决策，并将心理情感和个性纳入目标分析，系统可以根据分析自动适应学习过程。同时，学习者、教师、管理者可以从外部对学习的目标和内容进行调整，同时可以对学习者的情绪、心理进行干预，从宏观和微观双向保障学习者高效的个性化学习。

3．三分析互联1－3－3预测模型的不足

一是模型对学习者心理情感和个性的数据收集分析有待成熟。预测模型需按当前技术水平对情绪性格纳入学习分析，可能会导致内在行为分析出现缺陷或不平衡。二是模型由于将教师和管理者作为调节干预的要素纳入，会导致干预过度的问题，导致与系统自适应途径不匹配或冲突的问题。对这些问题，有待于进一步进行研究。

4．结语

我们已经进入了一个“数据驱动学校，分析变革教育”的大数据时代，大数据必将改变传统教育的面貌，“数据驱动决策”已经成为教育流行语。文中在分析现有自适应学习系统的工作流程的基础上，提出并讨论了一种以学习者数据为中心的三分析互联预测模型结构。通过对学习者内在行为的分析，结合学习者个性特征对学习目标进行预测，能更好地增强学习危机预警，提高自适应学习系统的有效性。

自适应学习系统的应用将会成为一种趋势，如何从要素角度进行外在调控，将学习者的情绪心理分析作为内在因素，教师与管理者如何从正面进行干预调动，是下一步研究工作的重点。

[1] 徐鹏，王以宁， 刘艳华，张海．大数据视角分析学习变革——美国《通过教育数据挖掘和学习分析促进教与学》报告解读及启示[J]．远程教育杂志，2013，（6）：11-17．

[2] Ramaswami M, Bhaskaran R. A CHAID based performanceprediction model in educational data mining[J]. International Journalof Computer Science Issues, 2010, 7(1):10-17.

[3] AlShammari I, Aldhafiri M, Al-Shammari Z. A meta-analysis ofeducational data mining on improvements in learning outcomes[J].College Student Journal, 2013, 47(2): 326-333.

[4] Nkhoma M, Sriratanaviriyakul N, Pham Cong H, et al. Examining themediating role of learning engagement, learning process and learningexperience on the learning outcomes through localized real casestudies[J]. Education Training, 2014, 56(4): 287-302.

[5] Brown M. Learning analytics: The coming third wave[DB/OL].https://library.educause.edu/resources/2011/4/learning-analyticsthe-coming-third-wave, 2017-12-05.

[6] Greller, Wolfgang Drachsler, Hendrik. Translating Learning intoNumbers: A Generic Framework for Learning Analytics[J]. Journal ofEducational Technology & Society, 2012, 15(3): 42-57.

[7] Siemens G. What is learning analytics[DB/OL]. http://www.elearnspace.org/blog/2010/08/25/what-are-learning-analytics/,2017-12-05.

[8] Elias T. Learning analytics: Definitions, processes and potential[DB/OL]. http://www.learninganalytics.net/Learning AnalyticsDefinitionsProcessesPotential. pdf, 2017-12-05.

[9] 李艳燕，马韶茜，黄荣怀．学习分析技术:服务学习过程设计和优化[J]．开放教育研究，2012，18（5）：18-24.．

[10] 王怀波，李冀红，杨现．目标导向的学习分析模型构建[J]．中国电化教育，2018（5）：96-102．

Research on the Construction of Forecasting Model in Adaptive Learning System under Big Data

TIAN Hua1, HE Yi2, TIAN Bo2

( 1. Graduate School, Tongren University, Tongren 554300, Guizhou, China; 2. School of Big Data, Tongren University, Tongren554300, Guizhou, China)

Based on the model of the typical adaptive learning system, this paper discusses the current status of the learning analysis model, and puts forward the prediction model structure of three analysis interconnected 1 - 3 - 3, which is centered on the learner's data. The principle and effectiveness of the prediction model are analyzed, and the development of the related technical platform is demonstrated. It has great reference significance for studying the adaptive learning system, especially the learning analysis model and the effective prediction.

adaptive learning system, prediction model, data mining, learning analysis

TP391

A

1673-9639 (2018) 09-0050-04

2018-05-17

贵州省教育厅创新群体重大研究项目（黔教合KY 字[2016]051）；贵州省科技厅科技合作项目（黔科合LH 字 [2015]7251）。

田华（1971-），男，贵州铜仁人，硕士，教授、研究方向：数据挖掘，E-mail: 1357134462@qq.com.

（责任编辑毛志）（责任校对谢勇）