学习者特征在线测评系统设计

摘 要：大数据时代的来临，数据分析为自适应学习提供了更有力的支持。对学习者的学习动机、学习风格等特征分析，成为自适应学习的必要环节。为了帮助教学决策者对学习者的特征进一步的了解，设计了一套动态测评游戏和在线问卷测评为一体的测评系统。两大测试系统由基于ASP.NET MVC Web开发的在线调查问卷系统和基于Unity3D游戏引擎开发的Web端动态游戏测试系统组成。关于学习者的风格分析往往是以单一的问卷形式呈现，从未出现有与客观游戏相结合的形式。

关键词：学习者特征；个性化自适应学习；测评系统

Abstract： With the advent of the era of big data， data analysis provides more powerful support for adaptive learning. Analysis of learners' motivation and style has become an essential part of adaptive learning. In order to help teaching decision-makers to further understand the characteristics of learners， a set of evaluation system for dynamic evaluation game and online questionnaire evaluation was designed. The two test systems consist of an online questionnaire system based on ASP.NET MVC Web development and a web-based dynamic game test system based on the Unity3D game engine. Style analysis about learners is often presented in the form of a single questionnaire， and there has never been a form of integration with objective games.

Keywords： Learner Characteristics；Individual Adaptive Learning； Evaluation System

1、引言

數据时代的快速发展，通过对数据的记录、获取、分析等让教学决策者能够在更宽的领域和更深的层次中获得学习者更多潜在的信息。在“以人为本”、“因材施教”等的教育理念中，大数据时代让这些教育理念的更好的运用到教学过程中。依赖大数据的支持，个性化自适应学习逐渐显现其优势，这一优势也让学习者在学习过程中所产生的数据也得到进一步的充分利用。根据荷兰著名的行为观察软件商NOLDUS公司的研究， 在一节40分钟的普通中学课堂中一个学生所产生的全息数据约为5～6GB， 而其中可归类、标签、并进行分析的量化数据约有50～60MB， 这相当于他在传统数据领域中积累5万年的数据量总和。[1]如何更加合理的使用这些数据，让学习者的这些数据能够更好的物尽其用是当前研究领域的一大重难点。这种情况下学习分析技术的优势又一次突显出来。

姜强[2]等人认为在数字化学习环境中，个性化自适应学习是指基于学习者个性特征差异提供个性化的学习服务，记录、挖掘和深入分析学习行为历史数据信息，以可视化方式呈现数据结果，用于评估学习过程、发现潜在问题和预测未来表现，并进行个性化干预、指导，促进有效学习的发生。这一定义中的学习者个性特征，在建构主义学习理论中早有涉及，建构主义以学习者为中心，强调要发挥学习者的主动性及情境创设的重要性。如何深入分析学习者的特征也就成为个性化自适应学习中必不可少的一个环节。张家华[3]等指出关于学习者特征的一个模型概念，学习者模型： 是对学习者的若干特征信息的抽象描述，包括其在学习过程中呈现出来的知识状态、目标、背景、认知风格和爱好等。对于学生学习风格信息的收集均有两种方式：一种是通过在线量表收集， 这种方式较为常见， 另外一种方法是在学生学习的过程中的操作和活动， 运用某种算法挖掘和提取学生的学习风格信息， 这种隐性的方式让学生避免了填写冗长的量表。[4]

2、学习者特征在线测评系统

学习者特征在线测评通过学习的自测来了解学习者自身的学习风格，对于自身学习风格的界定模糊，会导致学习者学习方法选择不符合自身需求。通过学习者特征测试系统，学习者进一步了解到吱声的学习风格，同时测定结果提供给教师或相关从业人员，以便其为学习者推荐或选择适合其学习特征的学习方式，制定合理的学习策略。测量数据结果提供基于教育领域相关行业，也给教育大数据提供更多真实数据。系统包括在线调查问卷系统采集主观学习风格等数据，又包括相关游戏采集动态的学习行为特征数据。两部分数据的结合让教学决策者更好的掌握学习者的特征，以便调整教学策略和教学方案，进行更适宜的个性化设计。系统数据流图，如图 1所示.

图 2数据流图

2.1动态游戏测评系统

动态游戏测评部分是基于Unity3D游戏引擎开发的Web端动态游戏测试系统。动态游戏测评分为迷宫和叉车两个模块，分别进行注意力和工作记忆测试。工作记忆在个体的认知行为中起了不可替代的作用， 是个体在复杂认知行为中表现差异的重要的甚至是核心的因素。[5]学生课堂注意力和记忆力的好坏直接影响教师的教学效果， 注意是人的心理活动对一定对象或活动的指向和集中。[6]学生注意力与记忆力的影响在学生学习过程中的影响不容小觑，迷宫游戏和叉车游戏的测评能够将学习者个人特征以真实准确的数据表现。

迷宫游戏分为迷宫训练和迷宫测试两部分，测试模式中会减少在训练环节中的提示部分。二者的测试数据结果都将在最后为教育领域的相关从业人员提供分析依据。

迷宫游戏中测试的主要记录学习者观察地图的时间、游戏通过的时间，闯关成功次数、关卡的路径节点个数等数据。学习者在游戏过程中能够在再次打开提示地图进行观察或者选择停止游戏，但这些操作数据最终都将会记录到测试的结果数据中。测试的难度也会随着学习者在关卡中的表现而提升，这一功能主要由路径节点数来调整，路径节点数越多，难度越大。

叉车游戏同样也分为测试和训练模块，叉车游戏以同色的叉车进入车库的数量为主要测试方式。游戏的难度提升会随着单位时间内出现的小车数量和速度逐步提升，这种难度测试也将会为不同程度的学习者的能力加以区分。叉车游戏记录学习者的用时，叉车进入车库的正确数量，及错误数量。

2.2在线问卷测试系统

客观问卷测试分为两部分，由成就动机和学习风格两部分组成。成就动机量表采用挪威心理学家Gjesme？T和T？Nygard于1970年编制，我国上海师范大学教科所叶仁敏译制修订的版本。学习风格采用镶嵌图形测试题来进行学习风格的划分。两部分测试的结果将学习者成就动机和学习风格做出划分。

2.3数据结果处理

数据处理结果在游戏测试环节的数据，每次均在游戏结束时已将结果显示，客观题测试在结束时根据测试的要求和条件给出学习者的关于学习风格和成就动机的判定结果。最终的数据结果可以导入电子表格中供教学决策者做进一步的分析，也供教师为学习者制定个性化学习方案。

3、结束语

学习者特征测试仅为自适应学习的部分环节，但其重要性不容忽视。学习者的特征涵盖范围很广，该测试系统区别于目前已有的测试系统，特点在于其运用主观的游戏测试数据与客观的量表测试数据相结合。改变以往仅使用部分数据作为分析依据的状况。以往关于学习者的风格分析往往是以单一的问卷形式呈现，从未出现有与客观游戏相结合的形式。在游戏领域也尚未出现专门用于学习者特征方面的应用。游戏测试的设计，可以进行工作记忆、注意力、专注度等方面的测试。在线调查问卷系统的內容选择将对学习者的学习风格特征进行分析。数据时代，如何利用数据，来设计更适应不同个人特征的学习模式已逐渐进入人的视野。该系统游戏量表结合为个性化自适应学习中学习者特征提供新的研究方向。

参考文献：

[1]张韫.大数据改变教育[J].内蒙古教育，2013（17）：26-30.

[2]姜强，赵蔚，李松，王朋娇.个性化自适应学习研究——大数据时代数字化学习的新常态[J].中国电化教育，2016（02）：25-32.

[3]张家华，张剑平.适应性学习支持系统：现状、问题与趋势[J].现代教育技术，2009，19（02）：18-20.

[4]高虎子，周东岱.自适应学习系统学习者学习风格模型的研究现状与展望[J].电化教育研究，2012，33（02）：32-38.

[5]赵鑫，周仁来.工作记忆：人类高级认知活动的核心[J].北京师范大学学报（社会科学版），2010（05）：38-44.

[6]江虹.学生课堂学习注意力和记忆力调查分析及教学讨论[J].贵州教育学院学报（社会科学），2005（03）：14-16+99.

作者简介：

莫才莲，1997年，女，大学本科，西北民族大学，教育科学与技术学院。