基于大数据技术的个性化自适应学习平台研究

2020-07-20郭淑华

无线互联科技 2020年9期

郭淑华

（浙江广厦建设职业技术学院，浙江东阳 322100）

1 个性化学习相关简介

个性化学习在中国最早起源于古代著名思想家孔子提出的“有教无类”教学思想。我国在《教育信息化十年发展规划（2011—2020年）》中提出：努力为每一名学生和学习者提供个性化学习、终身学习的信息化环境和服务，“育人”过程要以学生为中心。个性化学习作为一种新学习方式，适应课改要求，全面促进学生的发展。

随着移动互联网技术和教育信息化的深入发展，各类在线学习平台层出不穷，但传统网络教学平台只是提供知识的仓库，简单地将繁多的电子学习资源统一存放在一个庞大的资源数据库中，类似于将课本搬到网络上，将授课形式从线下转变为线上，其缺乏知识体系，零散分布，缺乏逻辑性，机械地呈现学习资源，忽略学习者需求，未实现个性化推荐学习服务[1]。

现有的教学平台过于注重对教学环节相关功能的设计和开发，忽视了用户学习体验，没有给学习者提供一个符合自身特点的、良好的学习环境，未体现“以学生为中心”的设计理念。面对 “千篇一律”的学习平台和不断增长的海量学习资源，学习者将面临“学习迷航”的困惑，只能被动地接受平台提供的各种学习资源，已然激不起学习兴趣，如何提高教学效果与学习质量是值得深思的问题[2]。

将大数据技术和教育深度融合，分析学生当前的认知水平、学习行为及学习目标，及时推荐相应学习资源，实现因材施教、精准服务，促进学生的个性化发展，建立自适应学习平台，是现代教育改革面临的重要挑战。国内关于自适应个性化学习的理论研究较多，但自适应学系统实证研究较少，因此，个性化教育未得到更好的实施，更多地停留在浅层的实施面上。同时，自适应学习的研究都集中于分析如何以技术手段实现个性化推荐学习服务，忽略了学习者的自主选择、主动调整以及自主评价等辅助元素的作用。

本文重点围绕“以学生为中心”的理念，从实际情况出发，利用大数据技术动态调整，为学习者提供个性化学习服务。以“大学计算机基础”课程为例，有针对性地向每一位学习者推荐适合其自身的学习资源，注重学生的自我分析、自我调整、主动选择，实施动态自我干预，让学生变被动学为主动学。该服务探究如何学习的问题，真正实现“以学为本”的自我调节，构建自适应学习平台，为个性化教育实践提供一定的参考[3]。

2 国内外关于自适应学习的研究现状

自适应学习是指一种在技术支撑下进行动态调整，智能地向学习者推送学习资源，实现个性化学习辅导的方式。特点是能根据学习者表现及其交互，对学习内容、学习资源以及学习过程等多方面因素进行动态预测及科学、适时调整，以学习者为主体，提供与学习者能力相适应个性化服务，实现最优学习效果。

个性化自适应学习研究在国外起步较早，如美国的Peter Brusilovsky教授对学生的知识水平、兴趣偏好及学习背景进行用户建模，先后开发了ELM-ART，InterBook，TaskSieve等自适应学习系统，以适应学习者与系统交互过程中的个性化学习需求；荷兰DeBra教授、澳大利亚Wolf教授陆续开发了AHA!，iWeaver等个性化教育系统；还有Knewton，Knowre等都是著名的自适应学习平台。

2000年，余胜泉教授[3]最早提出在线教育发展的趋势是适应性学习，以个性化学习为重点，强调Internet、自适应测试、人工智能等新型技术在教育中的作用。2015年，姜强等[4]基于大数据的个性化自适应在线学习分析模型进行研究，产生系列研究成果，在国内处于领先水平，具有一定影响力。国内对个性化自适应学习系统的研究更多地停留在理论层面探讨，虽然也陆续开展了小规模的实践研究，但主要集中在自适应学习系统整体建模、设计和开发研究，先进技术在自适应学习系统中的应用研究等。

国内外在自适应学习平台实现个性化教育的研究方面取得了一定的成果，在理论和实践上都对于其他学者的研究有重要指导意义。但是更多自适应学习的研究都忽略了学习者主动制定学习计划、选择学习过程、自主评价以及其他辅助元素的作用，因此，突出学习者本体，探究自我调节、自适应的个性化学习平台具备一定的研究意义。

3 基于大数据技术自适应个性化学习平台设计

3.1 大数据对自适应个性化学习平台支持

大数据为个性化学习环境的构建提供了技术支持，能够分析学习者需求，挖掘学习者特征，预测学习行为，智能推送个性化教学资源，定制学习路径，使因材施教真正成为可能[5]。

（1）丰富学习资源及呈现形式。大数据技术实现海量资源收集检索，能满足学习者对拓展知识、完善知识体系的各种需求，并能实现以文字、动画及视频等更生动的多种媒体呈现形式。

（2）量身定制学习路径及空间。在大数据技术支撑下，以学习者为中心，分析知识体系，构建前沿后继知识体系，设计拓展多种多样的学习路径，给予学习者足够的选择权和自主权，量身定制属于学习者的专属学习空间。在大数据背景下，人工智能发展，可以为学习者提供更多、更逼真、更形象的交互，实现学习者互相交流、师生交流，降低学习孤独感的同时，提升学生积极性及学习时效性[6]。

（3）提供科学化学习诊断。在大数据背景下，构建自适应个性化平台，更加关注学习者的情感态度，追踪学习行为，捕捉学习情绪，为每位学习者定制科学和个性化的诊断。

（4）精准学习策略及方法。利用大数据技术对学习者进行分析，找出隐含关系，准确预测学习发展趋势，为学习者精准规划合适的学习策略，提供人性化的学习方法，量身定制，因材施教。

3.2 自适应个性化平台设计原则

（1）为学习者提供多样化学习路径。在基于大数据的自适应个性化学习平台设计过程中，要考虑学习者的自我需要、差异化及多选择性，丰富学习资源，提供自主选择，调动学习积极性，营造便捷、充裕的学习环境，满足学习者不同学习领略的需求。同时，应用监控分析技术，智能推荐适合的学习资源，量身定制、自主选择学习路径。

（2）促进学习者的自主构建。利用大数据技术进行学习行为数据分析，判断原有知识构建，提供各学习要素，使学习者不断完善自身的知识体系。

（3）尊重学习者的自身发展。个性化学习体现在“学”，完全以学生为中心，所以，设计的核心原则是尊重学习者的实际需求，全面促进个体自身发展。在对学习策略、资源及工具的设计过程中，以学习者个体为单位，满足学习者个性化、差异性学习需求[7]。

4 基于大数据技术构建自适应个性化学习平台

本学习平台基于大数据技术构建，具有3个典型特征：（1）能够依据学习者学习风格推送符合其学习偏好的知识呈现方式。

（2）能够分析学习者与平台交互数据的各显性及隐性关系，自适应地调整学习资源，动态地选择个性化学习路径。

（3）能够通过自适应题库提供精准的个人学习报告，在系统智能推荐的同时，能引导学生自我认知，激发学习者的自主选择，主动调整学习过程，完善自身知识体系。

“大学计算机基础”是一门核心的大学基础课程，旨在提升大学生计算机信息技术应用能力，培养学生信息素养，为各专业学习提供信息技能服务。根据因材施教的原则，以“大学计算机基础”课程为例，设计、构建自适应个性化学习平台，参与者多，适应面广，具有基础课程代表性和较高的研究、推广价值[8]。

4.1 学习平台架构

基于大数据技术的个性化自适应学习平台架构设计，主要采用经典3层线性架构：Web表示层、业务逻辑层和数据访问层，如图1所示。其中，Web表示层向中间逻辑层发送请求，中间层查询、更新数据库存储层后响应请求，以提高系统可扩展性及可维护性。自适应学习平台的数据库构建具体如下：

图1 基于大数据技术的自适应个性化学习平台架构

（1）知识库。平台要实现其强大的个性化学习功能，需要构建具有语义及支持自适应的知识库。采用知识图谱（Knowledge Graph）技术构建知识库，以期完善平台科学的知识体系、从前继与后续表达知识之间关联，从而优化平台推理方式、提高运行效率等。本平台以“大学计算机基础”课程为例，依据计算机相关专业建立知识库，并考虑到基础模块知识。同时，分析各专业对计算机能力的不同需求，构建专业适应知识模块[9]。

（2）学习者模型库。本平台参考IMS LP，IEEE PAPI等多种学习者模型规范基础，主要从基本信息、学习目标、认知水平、学习行为及学习风格5个维度构建学习者模型。自适应学习平台根据学习者差异化偏好的学习特征，在学习者模型中进行匹配，从知识库中搜索、推荐学习资源，供给学习者学习。

（3）自适应题库。以IRT为理论基础构建试题库，采用自适应的遗传算法组卷原理，每个学习者建立适合自己能力的个性化测验，能更准确、迅速地测量出每个学习者的真实水平。同时，题库内容需结合高校计算机等级考证、融合等级考试等典型题库，优化算法，调整自适应因子，完善自适应题库。

整个平台采集学习者在平台上的学习行为数据，利用大数据技术，结合解析学和AI技术，分析个人学习情况和学习目标，通过数据挖掘技术及算法分析，为学习者设计学习路径，实现个性化的最优资源学习推荐。同时，学习者可根据学习数据进行分析，寻找与目标或兴趣相同的同伴进行交流和学习，实时进行自主学习调整，改被动学习为主动选择，体现以学为本的教育理念[10]。

4.2 自适应学习个性化推荐流程

该平台的核心功能主要包括：学习数据采集、个性化智能推荐、大数据分析、交互过程、干预策略及业务处理等，如图2所示。其流程如下：学习者注册登录、经过能力评估、生成学习行为数据、结合数据挖掘技术提取有价值信息、使用大数据算法分析学习者个人特征、构建学习者模型库、利用协同过滤推荐算法进行个性化学习资源推送。

在学习个性化资源过程中，可通过交互窗口，以实现平台自适应功能。交互过程中，一方面，可收集学习者的交互数据；另一方面，与知识库为基础进行匹配，可挖掘交互行为背后隐含的学习行为，通过分析引擎综合分析学习者知识体系，有针对性地策划学习策略。

结合学习行为及交互数据，根据不同分析目的调用不同分析工具，通过自适应题库进行个性化测试评估，建立数据与学生行为关联，结合多学科技术预测学习者的学习行为和结果，最后，通过评价反馈或人工干预对学习者提供学习策略与指导。