基于学习分析技术的个性化在线学习系统架构设计研究

张松慧

1 研究背景

2010 年，美国教育部发布了“国家教育技术规划2010”，该规划倡导通过技术力量提供个性化学习环境，使持续学习和终身学习成为可能。2012年，我国发布了《教育信息化十年发展规划（2011—2020 年）》，指出“为每位学习者提供个性化的、终身学习的信息化环境和服务”[1]。

智能在线学习系统为每个学生提供个性化的学习环境，推送符合学生认知特点的学习资源对学生进行因材施教，这是全体教育工作者追求的目标。

2 学习分析技术概念

学习分析技术的研究对象是学习者、学习环境，研究基础是海量数据。通过数据挖掘等数据分析技术，诊断和评估学习者的认知水平、学习状态，以提供符合其特点的学习资源、教学策略，提升学生的学习兴趣和学习效果。

学习分析是“收集、测量和分析报告学习者及其学习过程数据，以了解优化学习和学习环境”[2]。学习分析技术旨在利用大数据分析和人工智能等加深对学与教的理解，为学习者提供个性化的学习环境和教学策略。

3 国内外研究现状

近年来，随着大数据分析、人工智能等技术的推广应用，一些在线学习平台基于学习分析技术，实时分析学习者的认知和学习特点，动态地为学习者推送学习资源，这种平台被称为“自适应学习系统”。

自适应学习系统在国外的一些学校已落地实施[3]。例如，美国的Knewton 平台，通过完善每个知识点来构建知识图谱，可以根据每个学生的特点为其推送相应的学习路径、学习资源，目前已有数千万的学生在使用。ALEKS 系统通过不断向学生提问，持续诊断当前学生的认知水平，以便持续为其提供相适应的学习资源。澳大利亚的SmartSparrow，除了可根据学生特点提供学习内容，教师还可为他们的学生规划更适合的学习路径，上传更适合的学习资源。

国内对学习分析相关技术的研究较多。例如，研究国外的自适应学习系统及其采用的关键技术，并进行介绍与述评，较少利用学习分析技术去解决实际教学问题。

4 自适应学习平台的典型特征与实现难点

与普通在线学习平台相比，自适应学习平台有两个典型特征：1）通过学习分析技术，可以根据学生的学习和认知不断调整学习资源，提供个性化的学习路径。例如：有的学习平台，学生只有在达到当前知识点的学习目标后才为其推送后续知识点的学习资源，否则只能继续学习未完成的内容，并继续推送相关资源以进一步加强和深化学习。2）能够判断学生的学习风格，并推送符合学习偏好的学习资源和资源形式。

实现自适应学习平台的难点主要表现在3 个方面，第一是知识库的构建，第二是学习者认知水平的诊断，第三是个性化推送。目前，一些商务平台大多采用协同过滤方法实现个性化推送，效果比较好。知识库的构建，知识库中知识的表示以及知识关联的方式与整个平台的推理模式，运营效率和知识呈现直接相关。不同的平台将使用不同的知识库构建技术，目前主要有知识空间技术和知识图谱技术。学生认知水平的诊断则使用学习分析技术，通过分析学生与平台之间互动的学习行为数据实现[4]。

5 基于学习分析的在线学习系统框架

基于学习分析构建的智慧学习环境，按需推送资源，自动识别学习情境，关注用户体验，多样化评价学习绩效以及干预学习活动是未来教育的发展趋势。

该资源平台系统架构中的学习分析数据来自两个方面：第一个是学习者在移动终端或在线学习平台中，进行各种学习活动所生成的数据；第二个是对课程数据、学习者个人档案信息等汇总数据进行语义化、关联分析等得到的智能数据。采用学习分析技术对收集的数据进行分析、推断，推断学生当前的知识水平，并推送匹配其认知的学习资源。这将为学习者提供有效的个性化学习支持服务，预测学习者的未来表现，及时发现潜在问题。

基于学习分析技术的学习系统框架设计如图1所示。

图1 基于学习分析技术的资源平台系统架构

在此架构下，各个组件的功能如下所述：

5.1 知识库

系统中知识库的构建采用的是知识图谱技术。知识图谱是一种较新的知识库构建技术，存储和管理学习平台中的知识，包括学习资源和关系知识、学科知识。

5.2 学习状态数据库

学习状态数据库中存储了学习者开展各种学习活动的过程性数据，例如记录了：1）学习者访问的学习资源及类型；2）某种资源的访问次数；3）学习的时长；4）学习的路径信息；5）参与讨论的内容和次数；6）完成的单元测试和综合测试等。

5.3 诊断预测模型

诊断预测模型汇总来自：1）学生信息系统的统计数据；2）学习状态数据库的学生学习行为动态数据，跟踪学习进度，诊断分析其学习特点、学习偏好。建立基于回归分析的诊断预测模型，每个知识点对学生进行测试，获得学生对知识点掌握程度的准确判断。

5.4 自适应引擎

自适应引擎基于诊断模型的输出结果，推荐或调整学习资源。根据诊断出的学习者的认知水平、各知识点掌握程度、学习特点、学习偏好等推荐与之相适应的学习资源、学习路径。

5.5 干预引擎

干预引擎用于让教师或管理员对学习过程进行人为干预、调整，以便更好地为学习者提供个性的学习环境。

5.6 信息面板

诊断模型的诊断结果转化为学习支持服务的相关信息后在信息面板显示，以便学习者、教师或管理人员查看。

可以使用各种信息可视化技术显示学习数据的分析结果。例如：饼图可显示学生日学习行为数据的类型分布，以诊断学生喜欢的学习活动的类型；折线图可用于显示学生回答的课程问题和问题的正确率，以便观察学生对学习知识点的掌握程度；直方图可用于指示学生在一天中每天参与的学习活动次数，可用来分析学生的学习参与度、学习习惯；雷达图来指示学习质量的分布，如注意力，好奇心，记忆力，思维力和抗压力。

6 结束语

学习分析技术的核心是学生细致入微的个人数据、学习行为数据的创建，对大量学习行为数据的深入分析，与学生认知、学习特点相适应的学习资源推送。该在线学习系统，记录并分析学习过程数据，使过程数据成为学习诊断预测和学习路径优化的重要依据。