基于大数据智慧学习系统模型分析与构建——以初级程序设计课程为例

文 燕，李 敏，叶 煜

（成都农业科技职业学院，四川 成都611130）

1 引 言

智慧学习是达成学习知识目标的同时促进思维的培养和发展，学习者的学习过程就是智慧的生成过程，智慧教育是教师的教学过程就是培养智慧的过程，学习者可以进行智慧学习为目标。随着“互联网+教育”深入应用，在线学习已经全面展开，也面临不少问题，严重阻碍了在线学习的有效开展。通过对各阶段学习者在线学习系统的调研分析，发现目前运行的在线学习系统主要存在一下几个方面问题：

（1）线上线下学习衔接缺乏有效衔接机制。大部分学习者在利用信息技术在线学习的过程中，将在线学习与课堂教学视为两个孤立个体，缺少将二者有效的衔接机制，以至于出现内容重叠，导致学生课后的在线学习和课堂学习不能互为补充，学习时间也不成比例，学习质量和效果都不理想。

（2）学习资源单调无法刺激学习者的学习兴趣。由于各个阶段的学习者的学习行为与风格差异明显，传统单一模式和手段教学，则难以激发学生兴趣，导致学习效果不理想。教师缺少支撑在线教学智慧学习的系统和软件资源，智慧教育和智慧学习理念不能够得到推广应用，也不能挖掘学生个性化探究学习，从而影响了学生的兴趣的提升。

（3）现有系统不能够充分挖掘和利用学习者个性化学习数据。在教学活动进行中，师生普遍希望信息技术能够帮助实现个性化学习。由于学习者的特征和思维方式各不相同等条件限制，教师很难及时发现每个学习者学习过程中遇到的问题以及班级总体知识掌握和运用的情况，也就不能根据具体情况有针对性地进行指导和推荐学习资源。从而导致好学生“吃不饱”，困难生“跟不上”，不能够实现分层教育，使得课堂学习质量和教学效果大打折扣。

文章针对现有在线学习系统面临的问题并分析其原因，结合智慧教学和智慧学习推广应用，亟待设计一个基于大数据的学智慧学习系统，从学习系统生态圈的视角对系统进行建模，力求将线上、线下学习进行有效衔接，构建“导、学”一体化的智慧学习系统，利用教育大数据和学习分析技术，为学生学习、教师导学提供信息援助和技术支撑。

2 智慧学习系统模型的分析

对于自适应学习系统参考模型的研究起源比较早，专家们提出了自适应超媒体应用模型、自适应超媒体分层创作模型、增强型自适应应用模型以及自适应学习系统通用模型等模型。通过对这些模型的分析，文章选择Peter Brusilovsky 团队提出来得自适应学习系统（AEHS）作为智慧学习系统模型的基础模型，AEHS 模型由教育学模型、领域知识模型、自适应引擎、学习者模型和接口模块5 个部分组成，如图1 所示。

图1 自适应学习系统通用模型

2.1 领域知识模型

领域知识模型是学习资源推送和学习效果的诊断必备条件，也是智慧学习系统的核心。领域知识模型是对领域知识的教学结构化描述，包含整个学科的知识体系，以保证知识实体及知识实体间关系的有序性。由于学习者多元知识结构，对于相同的学习资源，也会因不同学习者学习偏好、学习发展状态不同，产生的学习效果也会因人而异；同时领域知识还确定知识点之间的关系、知识点与学习对象的关系、知识点与问题的关系，并根据知识点进行诊断问题，学习引擎利用问题库和学习者完成问题的情况，诊断出学习者知识掌握情况和能力水平。

2.2 学习者模型

学习者模型是不同学习者差异性的体现，建立智慧学习系统的基础和核心组成，直接决定学习者个性化学习内容的合理性。学习者模型包括学习者的个人基本信息、知识与能力水平、行为偏好、学习风格、课程体系等5 个方面信息（详见表1），并且将这些反应其学习状态的信息通过结构化表示建立数学模型进行存储，进而对学习者的状态进行预测和评估。学习者模型的构建由学习者信息的获取与存储和学习者信息的分析与整理两个环节进行。

表1 学习者信息

每一个学习者根据其自身特征建立自己的学习者模型，该模型会随着学习者的每一次学习不断的自适应调整；在大数据背景下的智慧学习系统中也存储了大量学习者的特征信息，通过考虑群体信息对每一个学习者模型的影响，从而也要不断反馈给学习者模型进行修正。因此，文章提出的学习者模型是在个体因素和群体因素双重影响下修正的模型，这种模型对于给学习者推送符合其个性的学习路径和相应学习资源有更大的参考价值，也更加科学有效。

2.3 教育学模型

教育学模型是用来定义学习者模型访问以教育学为基础，依据领域知识设计的领域知识模型各部分信息的规则，这些规则具有很强的专业性。

2.4 自适应引擎

自适应引擎是用来定义智慧学习字体自适应规则，是系统服务的输出机构和总枢纽。自适应引擎利用学习者模型分析出学习者的知识水平以及对知识的接受能力，再结合其他模型为学习者安排个性化的学习策略，同时对学习者的学习过程进行监测和调整，文章从学习者的知识结构和水平诊断、学习路径推荐、导学信息援助和资源与工具评价四个方面进行分析设计：

（1）知识结构与知识水平诊断。知识结构是学习者知识与能力模型组成，知识结构与课程体系、领域模型等紧密相关，包括主要知识点实体、资源实体、问题实体以及实体间的关系四方面内容。学习者的知识能力水平是通过测试、作业与实际应用等多多维度的诊断方式才能够诊断出准确的结果，诊断结果记录到学习者信息库中，通过反复进化根据诊断结果，为学习者进行个性化的路径导航、学习资源的推荐，及时调整学习策略。

文章选择非线性概率模型———项目反映理论（IRT）数学模型为知识结构和知识水平进行诊断，IRT 是一种个性化的测试，根据学习者对知识点的理解程度、接受知识的能力、思考方式等答题情况，诊断出学习者的知识结构和学习能力，根据评估值调整题目难度进行反复测试，直到能够准确测试出被试者实际能力水平。通过IRT 测试方式能够有效避免测试题目与学习者实际不匹配的情况，不仅能有效缩短测试时间，还准确率得到大幅提升。

（2）学习路径和资源推荐。根据学习者的知识能力水平、群体特征信息、教师干预信息，综合为学习者推荐最佳学习路径，是智慧学习系统的一项核心服务，也是衡量学习系统服务水平的重要指标。文章将基于蚁群算法应用在推荐最佳学习路径的建模，将学习者特征作为蚁群算法的启发信息和学习路径为学习者选择一条合适的学习路径，并能够通过对学习者学习过程进行实时跟踪，及时调整导航策略；根据学习者的学习路径、知识点掌握程度、能力水平、学习偏好等信息向学习者推荐适应性的学习资源。

（3）导学信息援助。教师导学需要根据学生的学习情况制定导学策略，推送学习资源。文章外部接口将线下的标准化考试的测评成绩和其他外部学习系统中产生的测评成绩进行过滤和转换，存储到学生成绩管理系统，两部分数据共同形成学生的标准化测评数据；将学习者测评数据和学习者学习行为库中的学习过程数据、作业信息连接进学情信息、系统内部学情信息，结合智慧学习系统中的数据，获取到相对全面的学习数据，形成教育全数据，利用大数据分析技术，为教师导学提供智能预测和预警的信息援助。系统根据教师所任教的学生群体的个体学情、群体学情、知识点学情三个维度的数据，根据分析结果，结合导学策略库，主动为老师推荐导学信息，辅助教师进行导学活动。

（4）资源与工具评价。筛选出优质学习资源对于教学效果的优劣起到关键性的作用，也是指导后续资源与工具的开发，因此需要学习者完成学习后对系统向其推荐的学习资源与工具进行评价。文章利用大数据技术依据从主观经验判断到大量客观数据的支撑对智慧学习系统中的学习资源和工具进行有效性评价，为了学习者对学习资源和工具进行最直接的主观评价，主观评测使用李克特量表设计方式，为学习者提供直接对资源与工具的有效性评分的评价接口，这样学习者可以从外观设计和资源有用性等方面进行评价，每个评价项具有不同的权值进行影响。

2.5 接口模块

接口模块用于实现学习者与智慧学习系统的交互，同时存储于接口模块的数据也可以预测学习者的个性化特点，从而更新并验证学习者模型。

3 基于大数据的智慧学习系统架构的设计

通过对成都农业科技职业学院高职初级程序设计学生的学习的现状、存在的问题和解决思路进行调研分析，以IBM 大数据系统架构为基础，应用自适应学习系统通用模型，结合实际学习流程，设计出了基于大数据的智慧学习系统总体架构。大数据的应用为智慧学习系统的注入了新的活力和特色，也为智慧学习系统框架及各模块运转机制提供了依据，该系统结构由信息采集层、数据层、信息存储层、分析控制层、应用层五个层次组成。如图4 所示。

图3 基于大数据的智慧学习系统总体架构

智慧学习系统的数据来源除了系统自身的数据外，主要数据来源是信息采集层的各种硬件感知设备、其他外接关联系统多样化的数据。数据层是将多样化的基础数据经过ETL 等技术清洗、处理、增量处理，形成有意义的信息，该层与IBM 大数据系统架构中的数据处理和存储层相对应。控制层是本系统的核心，应用自适应学习系统通用模型，即学习者模型、领域知识模型和自适应引擎，对应IBM 大数据系统架构的数据分析层，通过引擎提供个性化学习服务，同时引擎具有自我演进学习能力。

3.1 信息采集层

信息采集层主要是由个人电脑、手机、平板等各类应用终端和摄像头、话筒等采集硬件设备以及外部应用系统构成，该层负责学习者各种学习数据的采集和获取。根据“内外兼修”的设计原则，为了获取更广泛的数据，该初级程序设计课程慧学习系统关联了成绩管理、学生综合素质评价等系统，关联系统的数据在大数据技术的支持下，成为评价学生学习水平基础数据。

3.2 数据层

数据层通过各种数据采集接口模块从信息采集层获取多样化的原始数据资源，例如图像、声音、影像、学习者在其他关联学习系统的应用过程数据，线上线下学习活动的数据记录等信息，形成丰富的结构化、半结构化的原始数据池。

3.3 信息存储层

信息存储层是为系统提供有意义的数据资源存储的大数据仓库。利用ETL 等技术对数据层中的原始数据进行清洗、转换，经过加工处理提炼有用数据存储到相应的各种特征数据库中，同时也对数据层后续传输的数据进行持续处理，并已更新各数据库的数据。

3.4 分析控制层

分析控制层是基于大数据智慧学习系统的核心，学习过程中学习者知识水平诊断、学习路径推荐、学习资源推荐和资源与工具的有效性评价的自适应引擎内容，这些评价根据学习者模型和领域模型提供进行个性学习服务，并持续对服务结果进行评价，更新引擎规则，从而实现引擎的自我演进。

3.5 应用层

应用层是为用户提供个性化、适应性、智能化的各种业务服务，包括学习内容呈现、学习工具支持、学习情境创设、学习活动，教师导学活动、学习策略等模块化的服务以及外部数据接入服务。

4 基于大数据智慧学习系统在高职初级程序设计教学过程中的应用

基于大数据的智慧学习生态系统适用于多种类型的学生课后学习，文章以成都农业科技职业学院的初级程序的学习进行应用验证，由于高职阶段的学生自主学习能力不高以及初级程序设计课程根据自身特点，采用的是集“导、学、做”为一体的任务驱动项目模式的教学方法，教学过程主要有课前、课中和课后三个阶段，对于课下的自主导学和督学不够。初级程序设计智慧学习系统主要为学生提供课后自主学习和与课堂教学相关的辅助学习，主要包括课前知识预习以及课后作业两部分。

学生课后自主学习主要以导学的形式开展。教师向学生提供自行制作和上传的视频、音频、图片、动画、构建工具等学习资源、个性化探究类资源或资源库已有资源，系统会结合学习者模型和推荐规则推荐向学生推荐适合的资源或者学生根据自己实际情况自主从学习库中选择适合的学习资源。推送规则是系统根据具体教学内容、课程特点、学习者的学情和学习方法将资源进行分类，对于不同层次的学生制定不同路径的导学资源，实现个性化教学和分层教学，对于学生在探究过程中遇到的重难点录制微课资源，总之通过多种路径达到学会知识的目的。学生课后自主导学完成后，可以自适应选择测试难度等级进行效果测试，系统根据学生选择的难度推试题进行测试，系统完成批改，根据学生答题情况分析、诊断出学生学习弱点，系统把巩固练习资源推送给相应生，再将整个导学和学习过程的数据记录在数据库进行系统更新，以便后续学习中更加准确地进行学习资源的推送和学习情况的诊断。

图3 初级程序设计智慧学习系统

在智慧学习生态系统主要由教师主导行为，课堂辅助教学主要是课前预习和课后复习作业，课前预习是课堂教学的前学习，课后复习作业是对课堂教学的检验，二者与课堂紧密服务于课堂。课前预习活动中，教师将课堂知识点设计好的预习资源推送给学生，包括预习学习指南、项目任务、课件和各种素材资源，学生根据自身情况选择推荐资源进行预习活动，预习完成后，学生根据教师制定相应的习题进行预习情况进行测评。在课后复习和布置作业活动中，教师根据课堂教学的内容向学生推送作习题为主的作业资源，学生完成作业后，系统自动批阅，老师结合系统评价对学生学习和复习情况进行检测。

在课前、课后和课中的教学活动中，系统从学习过程及测评结果中均可以获取反馈数据，随着数据的不断积累和分析，进行资源与工具评价，不断完善和优化教学资源和工具，以便教师在学生学习过程中获得系统反馈的学情信息，进行有针对性的指导。

5 结 论

随着智慧校园不断推广，随之产生的教育信息化、知识融合与协同创新的全新学习方法，对学习者智慧的生成、核心素养的提升具有重要意义。智慧学习系统是学习者的学习过程得以保存形成海量的教育大数据，为教育教学优化提供了重要依据．通过系统的不断进化、完善，为智慧学习持续提供优质服务和保障。