基于数据分析的初中生自适应学习系统的设计与开发
2019-06-27袁霄陈俊文沈一峰
袁霄 陈俊文 沈一峰
摘 要：现有网络学习系统提供千篇一律的学习资源，不能根据用户特性动态地呈现个性化学习内容，而构建自适应学习系统是满足学生需求个性化与教学资源动态化的有效方案。文章以电子书包为载体，构建初中生学习者模型和知识模型，设计并开发基于数据分析的初中生自适应学习系统，发现学习规律，根据每一个学习者的需求和能力为其提供个性化学习服务。
关键词：数据分析;学习者模型;知识模型;自适应学习系统;自适应推荐
中图分类号：TP391 文献标志码：B 文章编号：1673-8454（2019）10-0087-04
一、引言
当下初中生学业负担调查结果显示，学习压力大、课业负担重已經成为初中生普遍存在的问题。尽管我国的素质教育制度提出减负提质要求已久，但由于受到教育价值观和家长、社会等多方面因素的制约，初中生学业负担重的问题一直无法得到改善。
移动互联、大数据、云计算、人工智能等新兴技术的出现，将智慧教育提升到一个空前瞩目的阶段，也为解决学生过重的学业压力问题提供了新的策略。信息技术在课堂教学中应用的日益深入，促进了传统课堂教学形式的变革，对提升学习者的学习质量与效率产生了积极影响。利用大数据技术采集和分析学习者学习所产生的数据，可对学习者在学习过程中的努力程度、学习态度、智力水平、领域能力、交互协作等多维度进行测量[1]，通过深层次挖掘有价值数据信息，揭示其内在的学习规律。将大数据技术引入到教育领域势必带来新一轮的教育变革，利用教育大数据分析技术，可对学生的学习效果做出及时准确的反馈，提供个性化服务干预，有利于促进教与学[2]。
本研究以电子书包为载体，尝试开发基于数据分析的初中生自适应学习系统，根据每一个学习者的需求和能力为其提供个性化学习服务，以期减轻初中生学业负担。
二、学习者模型、知识模型构建
1.学习者模型构建
学习者模型是对学习者状态特征信息的抽象描述，涉及学习者的基本信息以及学习过程中呈现的兴趣偏好、认知能力、学习态度等状态量。如何准确描述和量化学习者模型，直接影响自适应学习系统资源推荐质量及自适应学习是否能实现[3]。本研究结合中学生核心素养，采用动态反馈数据和历史行为数据相结合的数据表示方式，预测学习风格，发现学习规律，为学习者提供个性化的学习服务。本研究提出的学习者模型数据维度包括基本信息、兴趣偏好、认知能力、信息素养、学习态度和学习历史，该模型根据动态试题难度算法和认知能力更新算法不断对学习者个体肖像进行动态更新，如图1所示。通过采集字段，可以对学习者模型的6个维度进行重新定义。基本信息包括学生个人和所在班级、学校的情况，兴趣偏好指学生在学习过程中对不同类型资源的使用偏好，信息素养指学生利用电子书包等信息工具与资源的能力，认知能力通过学生做题情况进行评价，学习态度从学生课前、课后学生预复习情况进行评估，学习历史包括学生所有的在线学习轨迹。
将该模型应用于自适应学习系统的开发，实现基于学习者认知能力、学习态度等进行个性化推荐的功能，难点在于确定学生认知水平和试题难度。试题难度分为绝对难度和加权难度两类，绝对难度由题目的正确率决定，不同的题目之间通过布置的作业形成了一个网状结构，利用PageRank等分布算法，从绝对难度构成的矩阵V0可以推算出题目的加权难度Vn。
2.知识模型构建
知识模型是关于领域知识的元认知模型，是自适应学习系统研究和应用的依据，本研究将知识属性作为知识模型的核心要素。结合学习者的学习目标，构建网状结构的知识树，以树状进行关联，可以计算不同知识点之间的亲密程度，知识树最末端的知识点会链接不同难度的题目资源，其具体框架如图2所示。以各学科知识树为基础，以知识点为节点链接题目资源，并形成“知识点-习题”多层次的管理机制，如图3所示。其中，题库的知识点标签化是整个知识模型构建的重点和难点，自适应学习支持系统在题库标签化的过程中，采用大数据和人工智能相结合的方法，自动输出题目的知识点标签，具体步骤如图4所示。对采集的题目进行数据预处理和人工标签后，采用机器学习方法，根据题目文本信息对题目进行自动化的标注。
三、自适应推荐
自适应推荐是自适应学习系统的核心功能，其基础是形成基于学习者个体的动态化的知识图谱，以显示学习者与不同知识点之间的关联性。知识图谱的本质是将不同种类的信息链接得到关系网络，将复杂的学习者和知识点以多对多的关系通过数据挖掘、信息处理、知识计量和图形绘制显示出来[4]，来显示学习者个体的知识动态发展规律。
本研究使用Neo4J表示知识点的关联关系和掌握程度，形成学习者学习能力模型，如图5所示：圆点表示每个学生，矩形框表示知识点，每条连线上的grasp为学生对某个知识点的掌握度。基于学习者学习能力模型，构建动态化可实时更新的知识图谱，以表现学习者个体不同级别的知识点的掌握程度，基于学习者个体的知识图谱，有利于学习者进行查漏补缺。
基于知识图谱，本研究采用了两种自适应推荐方法进行个性化学习内容的推荐：
推荐1：基于学习者个体知识薄弱点的自适应推荐
该方法分析学习者的学习行为，通过对题目关键词的抓取，了解学习者知识点掌握情况（包括学习具体知识点及对应题目难度），更新学习者知识图谱，并根据多目标下的排序匹配算法推荐个性化的学习内容，如图6所示。
其具体推荐步骤如下：
（1）提取学生的相关薄弱知识点，按知识点掌握程度由低到高进行排序。例如有三个弱知识点a、b、c，aster_score（a） （2）从题库中提取相关的知识点的题目，按如下算法进行选择：①先从题库中选择包含a、b、c三个知识点的题目，放入待选列表;②再从题库中选择a、b、c两个相关知识点的题目，放入待选列表;③最后从题库中选择只包含一个知识的题目，放入待选列表。 （3）在待选列表中对题目的相关难度进行判断，选择该题目首次做题正确率作为判断依据。 （4）对学生在对知识点的掌握程度和题目难度进行ELO的概率计算。 （5）如果做题正确概率大于0.5，则表示学生有较大的可能作对该题目，可以进行相关推荐。 （6）按正确概率的高低选择，可以对题目的整体难度进行控制。 推荐2：基于学习者同伴的协同推荐 如图7所示，该方法结合学习者的学习行为，对学习者的个体特征进行分析，挑选具有高相似度的学习同伴，基于学习同伴的错题集进行协同推荐。 具体推荐步骤如下： （1）根据被推荐学生的做题情况，每个学生对所有题目进行向量编码 （2）根据学生的做题情况的向量，找出最相似的K个学生，向量的相似度可以使用的余弦夹角进行。 （3）从选择的K个学生的做题向量中，找出被推荐学生没有做过（标记为0）。但是其他学生做错的题目（标记为-1），有一个学生推荐则次数加1。 （4）把题目按K个学生的推荐总次数排序推送给被推荐学生。 四、自适应学习系统的开发与构建 1.自适应学习系统技术框架 本研究设计开发的自适应学习系统以平板为载体，服务端采用微服务架构，客户端采用MVP模式和组件式架构，支持离线和实时模式的大数据分析，学习系统以分布式集群部署，分为基础设施平台建设、平台服务建设、接入层建设、服务层建设、应用层建设和管理后台建设，功能独立又具有关联性，具有强可靠性。具体技术框架如图8所示。 基础设施平台建设（IAAS）：建设云端虚拟化计算和存储基础平台。 平台服务建设（PAAS）：包括高可用的关系数据库系统（RDS）、分布式NoSQL数据库系统、高性能高可用高可扩展的分布式缓存系统、文件存储系统、分布式消息系统、内容分发网络（CDN）、分布式数据索引及检索系统、日志系统、服务发现机配置系统、系统监控等平台化服务的建设。 接入层建设：包括API网关、开放数据接入、实时连接接入和门户网站等的建设。 服务层建设：包括用户、设备、应用、题库、微课、资源文件、消息等一系列基础服务的构建。 应用层建设：针对课前、课堂、课后、课外等一系列应用的构建。 管理后台建设：包括运营后台系统、学校前台管理系统、运维平台的构建。 2.自适应学习系统流程 自适应学习系统借助AI进行题目知识点标签化，同时采集学习者日常的学习日志，以形成动态化知识图谱，用于学习者个性化的推荐和学情监测下教师个性化教学补充，流程如图9所示。 五、自适应学习系统的实证研究与成效 为验证自适应学习系统实际使用效果，本研究分别选取了杭州绿城育华中学、丽水东渡中学等14所中学开展为期两年的实证研究。教学实践表明，与对照班相比，实验班成绩较以往有较大提升，学优生与学困生的成绩也都有所提高。此外，本研究研发的初中生自适应学习系统辅助教师完善了课堂教学，形成了一系列优秀教学案例，推动初中教师在数学、英语、科学等学科的课堂教学改革，落实勇于探究、理性思维、勤于反思等核心素养。 本研究借助初中生学习者模型、知识模型及教育大数据分析技术等开发了可以较为精准地测量学习者真實学习水平及个性化推荐学习资源的自适应学习系统，打破了“一个尺寸适合所有人”的同质性[3]。该系统目前已在全国数百所学校投入使用，8万余名学生在自适应学习系统的辅助下进行个性化学习。通过实证研究，自适应学习系统能够有效提高课堂教学的效率和质量。 参考文献： [1]李敏，陈小莉.大数据环境下的自适应在线学习平台学习分析模型设计——以重庆广播电视大学为例[J].科技资讯，2018，16（6）：169-170+172. [2]张欣泉.大数据在高等教育领域中的应用研究[J].山东科技大学学报（社会科学版），2016，18（6）：103-109. [3]袁路妍.自适应学习系统个性化知识推荐技术研究[J].中国教育信息化，2018（24）：94-96. [4]胡凯，胡茳茳.国家理科基地教育教学问题研究二十年回眸——基于知识图谱的科学计量学分析[J].高等理科教育，2014（02）：26-31.（编辑：鲁利瑞）
