大数据视野中资源聚合可视化的四维演化规律探究

杨帆，吴晓蒙，赵蔚

（1.东北师范大学 信息科学与技术学院，吉林 长春 130117；2.韩国中央大学，首尔 156-756）

随着信息网络基础设施软硬件的迅速发展与不断完善，以移动互联网、云计算等为代表的信息社会几大核心要件的迭代发展，数字化越来越成为影响社交网络和各种智能化生活的关键特征。无论是教育资源匹配，抑或是教育生态外延拓展，还是教育服务提质增效、教育管理降低能耗，都需要加快推进资源的数字化整合。这对大数据时代的网络学习用户带来前所未有的改变。诚然，网络学习资源日益丰富，为网络自主学习提供坚实基础。但面对浩如烟海的庞大数据储存，我们应该如何高效地进行资源聚合，并利用聚合资源促进学习者的有效学习，已成为众多学者广泛关注的关键问题。为此，我们着眼于关注和发掘聚合对象，尤其是围绕“学习资源”“人际资源”“生成性资源”这些关键词的抽象描述，发掘它们的属性表示，进而揭示其关联关系的演化规律。

目前，线上学习已迈入互联时代，传统学习资源的管理方式也须同步改进与更新。当前的网络学习资源一般包括视频、音频、电子书、电子教案等多种形式，具有共享程度高、信息传输与存储量大、更新速度快等优势。同时，也存在网络资源缺乏秩序、收集困难、管理难度大等问题。基于此，如何利用云数据技术、语义分析技术解决当下网络学习的缺陷，成为时下网络教育关注的重点。

大数据时代的技术背景成为学界的关注焦点，但值得注意的是，网络自主学习尤其是涉及学习资源的聚合分析以及可视化教育等议题的研究进展良莠不齐。学习资源的聚合分析基于一个基本常识，即“学习即知识的连结”，学习并非个体的指向性活动，而是学习者在充分辨识和选择知识基础上，主动衔接和建构完整的知识网络，进而促成学习者与学习环境之间实现信息交流的过程。这并非我们的杜撰之言，国内外相关研究成果可谓明证，基于语义本体论的Dynamic Learning Maps等项目的出现，促成了“以课程内容为中心”的课程资源有效聚合[1]。美国也随之出现了交互式学习的有效方法即社会网络聚合信息法，国内学者也相继提出了学习元理念和数字课程等[2]，并在此基础上愈发完善，兼容和整合出了聚合跨平台的学习资源形式。我们在这里探索的思路正是基于这一研究现状，进而对大数据带来资源聚合可视化的四维规律进行研究。

一、基于图谱、资源与人之间关联的可视化表征律

大数据时代对现代网络学习用户而言，开放的不仅仅是数据资源，而且提供了更多的视觉渠道，带来更多符合图谱化的知识学习选择。这些现象的背后彰显了一套内在逻辑规律，即图谱、资源与人之间形成有效互联的可视化表征规律。人需要数据帮助自我学习，资源借助图谱形成学习元等数据架构。这种逻辑关联的内在理路则是围绕三个主体即“人—资源—图谱”呈现可视化的效应。外在如何表现，内在如何作用，归根到底都是要帮助学习用户获取直接有效的信息，同时有必要对主体的需求形成关照，对信息数据本身进行甄别，对图谱进行把握和提升。我们在这里就是要揭示这种可视化表征律的实质内涵，以便更好地推动学习用户自主辨识知识结构，关心对象化的图谱架构，真正地用好大数据的优势，获得足够的信息反馈和知识收获。为展现这一思路，我们打算从具体细处着眼，探讨内在的各构成环节转换关联机制，最后揭示这一可视化表征律的动态法则。

其中的关键环节，需要揭示数据资源、图谱以及用户主体之间的关联机制。简单来说，图谱、资源和人之间可视化是一种接洽形式。其一，图谱是用图进行话语描述的逻辑形态，这里我们特指的是知识图谱和知识地图。知识图谱是借助图形式来表现客观世界中的概念和实体以及它们之间关系的数据库，它是依托语音辨别、智能搜索和决策辅助等技术来完成上述操作举动的。知识图谱的存在价值是为佐证和描述客观事实，为实现这一目标，它所采用的语言是关联度极高的本体化语言，是用于知识推理、知识图谱的关键技术和定义规则。究其内在规律，离不开两个环节。环节之一是知识图谱的实体抽取信息、关系构存以及语义分析，核心是促成联通主义理念的达成。环节之二是在应用阶段的相关数据收集与推测。众所周知，知识地图是一种基于自我导向的数据关系与知识建构的过程，目的是帮助学习者掌握知识脉络，借助反映出其知识学习的一系列实际情况。知识节点的形成与完善同样离不开数据资源、用户与图谱之间的协同互动，才得以出现合力。其二，面对数字化学习资源数量的突增，依托于网络资源的学习方式逐渐受到教育工作者的广泛关注。联通主义学习理论将学习视为知识的连结，认为学习并非个体单独性的活动，而是学习者自主选择知识、主动构建知识体系的过程，通过与其他学习者、学习环境等元素的不断交互，使学习者个人的内外知识体系得以更新与优化。学习者可以通过多元化的方式构建彼此间的联系。目前，互联网已经成为一个社会化的网络，学习者普遍参与其中，从而实现资源的交流与分享，在这一过程中产生了数量较大的学习资源，这类资源具有突出的生成性特点。面对数量庞大的学习资源，如何在短时间内科学地收集自己所需的信息、搜索相关信息的出处、组织个人的知识体系、满足个性化学习需求等，已成为国内研究者的重心。其三，对资源聚合的趋势分析是当前网络自主学习的关键要求，更为真切地反映出这一大数据运用的方法机制与能力诉求。在新兴技术与创新理念的双重推动下，学习资源的发展方向逐渐趋于可进化、社会化、情境化、开放化和复合化。传统的学习工具与资料已经无法满足泛在化、便捷化学习对资源的实际需求。学习元是一种新型资源的组织方式，符合学习资源的发展趋势，是后期学习资源发展的新样态。

图谱、资源及人之间是基于联通主义的思路建立起来的学习资源对象，这里面涉及的学习对象，本身就是一种辅助学习的思维范式和教育手段。具体来看，就是基于学习元的一种结构方式。余胜泉提出学习元这一单位化的展现方式，是针对人、资源与图谱的线性呈现，这既是一种学习方式的跃迁，更是一种E-learning的描述形态，学习资源—学习者—学习图谱是基于视觉加工认知特性，研究图谱与资源、资源与人、人与人关联的可视化形式、策略及实现等关键问题[3]。核心关键是资源聚合分析和可视化分析（见图1）。

图1 基于图谱、资源与人之间关联的可视化表征律

二、基于学习者模型构建的可视化行为律

本文研究是基于学习者模型构建的可视化行为律。是以一种建构主义视角进行相应的探索式研究，它能够从学习者自身实际出发，模拟学习者汲取学习资源等行为机制，并落脚在可视化的一系列行为规范中。这一过程中我们所要展现的图景是从学习者学习行为数据进行挖掘的，以获取学习者的个性特征与兴趣，建立学习者模型，研究学习者的兴趣和需求因时间和情境变化，产生的兴趣偏移，更新学习者模型。大数据现代，进一步强化了这一学习建构模型的可行性与必要性，并有效地契合其内在的可视化行为规律[4]。

学习者模型建构的过程繁琐但是实效性高，它既是对现有结构的完善同时对用户学习的效率提升有着不可替代的作用。基于此，在上述学习模型的建构过程中，应立足大数据时代背景和相关要求，借助大数据技术和人工智能技术的支撑和逻辑架构，构建起依托学习资源大数据分析技术，提供个性化学习资源服务的智能化推荐模型。智能化推荐模型由学习者、数据源、学习资源、智能推荐引擎和个性化服务五个部分组成，属于一种复合型结构，立足于对学习者的知识储备现状、学习活动以及学习偏好等方面的实际情况，聚焦大数据分析，并在此基础上重点关注对学习资源的类别、属性、功能等方面的分析。此外，还注重相关资源检索、匹配、管理、算法优化和推荐的协同工作，使该模型具有适应性、个性化和易用性的特征。

本文所关注的可视化，并非只是为一时的话语逻辑完整，而是基于学习者掌控资源的各种便捷与实效性。学习者日常生活中接触到的资源类型与广度深度不可预估，但是就从学习者的学习效力目标而言，如何以更为直观的方式促成他们的学习资源聚合，达成预期的学习目标，方便他们更好地将知识掌握与能力养成有机融合起来，这需要极强的模型架构与信息反馈机制才得以实现。在数据整合方面，联通主义理念一直处于高阶的地位，但不容忽视的是，我们在这里关注的背景是大数据得以充分运用，无论是从学习者视角还是从学习资源的提供者角度而言，我们都面临着建模、数据分析以及系统化、体系化资源整合的需求。这些方式方法本身就是一种生态化的语境条件，这一条件必定会以学习者行为彰显为外在特征，以内在知识架构为规律要求得以达成的。可视化是一种规律机制更是一种互通互联的保障体系，我们关注学习者的学习习惯和学习资源聚合，其出发点就是要形成对这一规律机制与保障体系的融合互通，契合学习者掌握信息的各种需要与实际诉求。

学习者模型构架中离不开直接可视化的操作，更脱离不了对待学习者模型的反馈与信息终端处理的把控。具体来说，就是将现有的结构体系，以学习客户的需求为基点，形成数据支撑的架构，同时依托联通主义的理念，从生态数据衔接层面出发，构造系统设计与可视化的方法论，最终形成动态可控的可视化要素关联，进而促成最后的学习者常态模型。

我们在依托大数据的基础上实现对既往数据模型的参考和提炼，学习者的模型构建是借鉴可视化要求的前提下进行的。这样一来，就需要我们关注学习资源的规模性、学习者的习惯以及学习过程的生态化体验，确定维系好这一痛点，实现和促进可视化背后规则性的生成。

本文在归纳总结学习的若干影响因素的基础上，提出可从学习者建模、大数据系统的支持、体系化资源生态的形成、系统设计的多样化呈现、终端模型的有效规范等多方面来实现（见图2）。

图2 学习者分析模型构建示意图

三、资源适应性视角下的可视化需求规律

联通主义情境观念的阐释，为作图提供支持，即大数据本身的要求。在学习过程中，研究如何依据学习者需求及个性特征，适应性呈现可视化、资源和人际关系。笔者通过查阅大量相关文献与研究综述，探讨适应性与自适应学习的关联程度，从相关资源的自适应推送、学情诊断、学习方式的选择与优化三个层面进行重点研究。研究结果表明，智慧环境里的自适应学习可以发现学生之间的差别，以尊重学生的差异性为前提，在此基础上为学生提供个性化、针对性的服务；同时可优化教学方式与教学内容，从而促进高校教育信息化的顺利发展。随着互联网技术在教育领域的深度应用，适应性学习成为该领域的研究热点。设计用户和数据信息的类别是构建智慧型学习体系的关键步骤之一。目前，针对用户画像构建等方面的研究还不够全面，对于资源画像的研究更是少之又少。因此，须针对目前所收集到的静态和动态两类数据，描绘用户和资源的精确特征，并在此基础上构建模型标签，进一步设计出较为精确的用户和数据信息的类别。当前学习者学习是借助于机器本身进行的引导式学习，这就需要搭建一个共同的话语平台。为此，人们专门开发了语义分析这一具有人机对话模式的场景工具。然而，语义分析是实现双向转化的，一方面，要求网络资源可以被电脑等多种机器吸收和存储，甚至是形成自主式辨识与升级，最终的要求是可以促成人的语义信息为电脑所掌握，达到人与电脑之间学习协同工作的愿景。另一方面，我们则需要对电脑的机器语言进行信息整合与智能化引导，促进各种在线学习平台可以适应人的语言系统，形成类似于人机的智能导师系统与升级版的自主学习平台，如此，学习元平台的概念就产生了。学习元平台是一种以实现自主学习为目的的资源整合范式，通过本体与推理技术搭建出涵盖语义层、推理层、标注层三个层面的技术框架[5]。以这一框架为依托，可以对学习元进行动态语义关联、有序进化控制与聚合等方面的探索性研究，同时能有效推动现代用户对于资源聚合本身的需求变化，促成效率提高与质量提升的初衷，最终实现资源的智能优化，创建高级服务体系。上述应用实践表明，语义技术在网络学习系统中的推广与应用，须结合开放、成形的本体和一定数量的高级应用，以此集成针对性强、运行效率高的推理机制。并且，在联合人工和自动标注的基础上，重视学习资源与学习者的语义化表征在情境模型设计中的构建。

我们都知道，当前大数据时代的背景因素，其关键在于如何激发和获取更为高级的算法理论，如何模拟更多数据信号和海量规范的数据整合技巧，我们要达成的目标是一种帮助学习者有效融入数据进而把握数据走向，促成数据服务于管理者和学习初衷的要求。为此，我们理应从数据本身出发，借助于学习者需要，结合学习资源的类型、储存数量和方式，学会将学习者的需求进行有效归类整合，在这一过程中既需要一种关联分析，又需要一种适应性的学习模式。

一方面是关联分析，资源聚合分析本质上就是一种关联度的整合与提升，这需要学习者达成一种自建形态，即学习者共建模式。学习者共建模式是一种围绕同一主题或者同一课程展开的学习创新活动，它要求所有的学习参与者整合各自的信息流，从资源共建共享的视角出发，将自己的网络信息资源进行反复检验，契合选题需要或者课程发展建设需要。同时结合教育对象的思想实际，帮助他们形成持续不断的学习兴趣和思维态势，共鸣的想法需要更多的资源资助，我们期待学习者自己整理学习资源，借助于一定的标准进行整合，在融入各自理解之后，帮助学习者达成自己的需求。需要强调的是，一般情况下相关研究倾向于学习者自身的思想实际与学习实际能力，那么对于学习者的知识结构与水平有一定的标注方式，确保学习过程的完整性和科学性，学习者在网络学习进程中会虚拟环境的作用，特别是背景知识储备等相应的知识依托。归根结底，我们要完成的就是一种自我把控的学习者建构模式，简称学习者共建模式，这样一来的结果是符合预期的。另一方面是指适应性形态，简单来说，就是我们要在树立学习资源与可视化规律之间的互动机制，即学习资源的动态增减与可视化本身之间的存续关系始终处于动态适应周期。这一运动过程并非只推崇学习资源的海量特征，而是要重视可视化规律的地位，促成在适应过程中结合可视化规律的要求，达到行为调试的目标。新数据整合是一项历久弥新的工作，大数据时代更是夯实了这一节奏感，带来更多的无限可能，为此，我们必须从一切真实的数据信息中掌控适应性的信息，最终以可视化的形态将过程与结果予以呈现出来。

我们需要把握的原则有两个，即要体现可视化的呈现需求特征，同时又要折射出学习资源的适应性特征。从特征内容体系看，主要包括用户需求、可视化需求、学习资源的适应性。适应性目标的展现，规律的折射表征，主要有四个方面，即场域适应、方向适应、反馈适应和预期性适应（见图3）。

图3 可视化适应度基础上的行为调试过程

四、基于生成性资源开发与应用的可视化因果律

生成性资源是指学习者在学习活动过程中，依托多种外在信息主动建构自身知识体系，并通过网络与其他学习者相互沟通与交流，发表自己对某一知识领域的理解和认知，以此形成一种具有个性化特征的资源。该资源是学习者主体意识的体现，也是学生在相互交流、互动过程中所产生的动态资源，如学习路径、学习方案等。生成性资源聚集指人际资源与物化资源经过相互连接、交汇从而形成具有生成性特点的资源群，该资源可以依照学习者个性化需求实现资源的聚合。由于生成性资源是在学习活动中产生，或与学习资源发生交互而形成，因此，该资源在形成过程中就与其他相关资源完成了互联（如图4）。

图4 具有生成性特质资源的开发与应用

因果律通常是指基于因果数据关系的法则，在我们的行为习惯阐述中因果规律体现的比较明显。在用户的网络学习活动中，可见即可得的逻辑规则较为常见，通常我们会重视这一法则，但易忽视生成性资源的开发与应用。伴随着现代网络技术尤其是自媒体技术的不断发展，我们逐渐依托于可视化的情景来揭示和运用这一规则。由此，可视化因果律就成为我们的一种现实场景要求。可视化因果律指的是将网络学习有效地运用因果规律进行阐述，阐述的背景是基于可视化的教育范式进行的法则。这既是一种信息科学方式的运用场景，同时也是一种将数理法则与信息科学有效结合的体现。生成性资源开发伴随着现代信息科学和统计学的发展越来越需要与我们的生活实际需要相结合，尤其是网络生成性资源的应用必要性愈发突出，需要从网络学习用户自身需求出发，提出两个层面的要求，其一是如何运用因果关系展现出生成性资源的过程特性与因果逻辑、用户需求的过程性需要与数据整合统一契合。其二是将这种因果关系呈现出更多维度的可视化效果，进而帮助网络信息用户实现更丰富的价值观感和教育体验。这里所涉及的因果律本身是一种跨学科的用法，其出发点在于学习者学习过程中对于资源聚合分析的能力，能在一定程度上促成生成性资源开发与运用的效果，达到一种因果关联背景下的平衡机制。为此，在可视化的场域中，这样的结果必然会是一种集聚理论与实践的效果方法。通常达到这一初衷，是离不开我们的物化资源整合前提的，同样也是基于学习者个性化设计的要求，最后的产物是与学习资源开发过程与应用相契合的[6]。

用户在线学习时，通常需要有辨识和分析诸多信息的能力，辨识是行动的前奏，信息的外在特征是片段化的，结合最深层次的原因，以直接因果关系展现出来。现代系统科学中有专门关于因果律作用机制的描述，比如说上向因果关系和下向因果关系，指向性与内在自洽性是一致的。以中文学生用户为例，他们在教师教学计划指引下，按图索骥琢磨经典文章的背景知识、结构形态以及生僻语法，这都是基于一定方向目标的前提来形成因果效应的。用户获取知识点1，一直到获取知识点N，这其中的过程是渐进模式的，有着自己的方向性和指向特点。如何才能让更多人知晓这个指向性，那么就需要一定的因果关联外在可视化。为此，基于生成性资源的应用与开发过程，离不开因果指向规则，更确切地说就是需要本质意义上的因果律发挥作用，进而促进生成性资源在客户知识学习养成习惯中发挥效力。可视化技术应用于在线学习层面，会进一步解决一直以来我们网络学习者所面对的信息负载及要件迷航等问题，这固然成为我们今后推进自主学习和资源聚合的有效工具。但我们同时也应看到，目前可视化仅仅运用于个别知识的图形结构与表达方式的形象感上，直接关涉到因果关系与内在生成性资源的成分还远远不足，为此我们亟待借助可视化技术更好地实现课程知识结构的升级优化（见图5）。

图5 生成性资源运用机制及可视化因果律过程

综上，大数据时代对于用户学习而言是前所未有的机遇，其带来了巨大的信息选择余地，丰富了我们的知识学习空间，人同资源和图谱之间的关联能够以可视化的情况予以呈现。这固然成为我们认识和学习帮助用户获得更为广泛信息的契机，但海量的信息选择与价值汲取也成为横亘在我们面前的难题，我们确实需要深入思考和探究在大数据背景之下，资源聚合分析过程中的演化规律及机制。为此，我们通过对相应的操作组件以及进度环节进行整合，分别从图谱、资源以及人之间的相互关联行为方式展开分析，逐步尝试揭示基于图谱、资源与人之间关联的可视化表征律、基于学习者模型构建的可视化行为律、基于学习资源适应性呈现的可视化需求律以及基于生成性资源开发与应用的可视化因果律。我们的目的始终是定位于对用户在线学习规律的探究，探索大数据时代带来的学习资源聚合分析背后的规则与机制，尽管未能揭示所有的可能性，但对于生成性的过程环节，尤其是图谱、知识学习而言，形成有效的渐进性方法意蕴，最终为达成在线学习资源的自主可控聚合，奠定了科学规范的方法价值。