基于大数据的个性化学习推荐服务构建研究

摘要：目前，我国的教育改革事业得以大力推行，其主要目的就是为了将之前的应试教育理念以及方式进行改变，以便培养出真正适应社会发展需求的综合性人才。受到大数据技术以及信息技术发展的影响，我国的教育事业也出现了信息化以及数据化的趋势，同时也为学习者提供了全新的学习方式。同时因为学习 者在知识结构、学习能力以及学习兴趣上有着很大的差异，为此，如何利用大数据为学习者提供个性化的学习推荐服务就成为了当前学者关注的重点问题所在。本文基于个性化学习以及大数据的概念，就大数据对于个性化学习的意义进行分析，就个性化学习推荐服务框架及其实现探索了一些积极措施，以期为今后的大数据个性化学习推荐服务构建有所启示。

关键词：大数据;个性化学习推荐服务;框架;实现

虽然，我国正在大力推行教育改革事业，并且已经取得了不错的效果，但在教学中依然存在一个缺陷，就是教师会经常性按照自己的主观思路进行教学，这种方式完全忽略了学生的个体学习差异，再加之缺乏相应的激励策略，使得学生的学习兴趣以及主动性无法得到有效的激发，导致主动获取知识的能力不升反降。究其原因就是教师无法做到精准化把握学生的学习状况以及忽略了学生真正的学习需求。而在当前大数据技术发展的影响下，辅以学习思维的转变，引发了学习环境的质变，从大数据技术出发，建立的个性化学习推荐服务，实现了为每一位学生有针对性的制定学习路径的目标，同时也体现出了因材施教的教育理念，保障了每个人都可以得到真正的提升。

1、大数据和个性化学习的概念分析

1.1大数据概念

目前，人们意识里普遍认为的大数据就是指在大小上无法用传统的数据库工具来获取、储存、管理及分析的一类数据集。大数据和传统的数据集相比，有着如下的几个特征：第一，数据的海量性。就是指数据自身的实际规模远远超出人类的想象。IDC 最近的报告预测称，到2020 年，全球数据量将扩大50 倍。第二，数据多样性。换言之，就是数据的新型多结构发展。第三，数据高速性。就是指数据的创建及移动速度极快。第四，数据的易变性。大数据具有多层结构，这意味着大数据会呈现出多变的形式和类型。

1.2个性化学习概念

当前，最为学术界所广泛认可的关于个性化学习的概念如下：个性化学习环境就是一种将服务、工具、人以及资源进行松散结合的一个集合。除此之外，还有一种观念认为个性化学习是一种可以帮助学习者进行自我监督及管理的一种学习形式，具体是指学习目标的自我指定、学习流程的自我管理以及和其他学习之间的交流。除此之外，从这两种理论出发，出现了一种最为合适的概念解释，就是从学习工具、服务管理、内容生成等方面出发，学习者借助于网络化的学习，将学习从之前简单化的知识转移转变为学习内容的产出及其创造。

2、大数据对于个性化学习的意义分析

2.1学习路径以及空间的扩展

之前传统性质的个性化学习中，往往会为学习者提供极为固定的学习方式、学习资源，反而是完全将学习者自身的实际需求予以忽略。从大数据技术出发的个性化学习服务不再是一个完全密闭的学习空间，而是将学习者作为中心，将学习的内容选择权交给学习者，并为其提供充分的学习空间，保障学习者在学习中可以得到相应的成就及掌控感，借助学习路径及内容的自主化选择来全面实现个性化学习，在保障学习者在一种轻松愉快的氛围中进行学习，同时有助于主动化探究更多领域内的知识，有效的拓展学习者的知识面。

2.2学习策略和方式的个性定制

个性化学习推荐服务的实现，需要建立在全面了解学习者具体学习情况的基础上，并以此为基础，制定出专业且具有针对性的个性化学习策略，这个工作量本身是十分庞大的，但是，对于大数据技术而言却是小菜一碟。借助大数据技术进行学习分析，从海量的数据中，将与学习者相关的数据进行挖掘以及分析，找出存在于这些数据中的隐藏关系，并精准的预测出学习者未来的学习情况发展趋势。与此同时，通过深度分析学习者的学习情况，可以为其提供最具有针对性的学习资源。同时，大数据技术可以最为真实的反映出学习者的学习情况，并以此为基础的，为学习者制定出有针对性的学习方案。

2.3交互的个性高效发展

传统化的网络化学习只可能做到人机交互，缺乏人际沟通，很容易导致学习者出现枯燥感及无聊感，在大数据技术支持下的个性化学习推荐服务使得学习者不再以一种孤立的状态存在，学习者们可以在各种类型的人际网络之中组建相应的学习兴趣小组，并可以做到相互之间进行学习经验的交流。借助于這种高效化的人际交流网络，在减少学习孤独感的同时，可以很好的提升学习效率。

2.4学习评价和诊断的人性化发展

传统性质的网络学习中，无法切实关注到学习者的实际学习状态及情感状态的变化，便会导致网络学习结业率相对较低。而基于大数据技术建立的个性化学习推荐服务，对于学习者自身的情感及学习状态更为关注，同时在学习者的评价上也会变得更加人性化。基于大数据技术的个性化学习推荐中将学习者的情感状态划分为厌烦、热情、困惑、挫折、高兴以及惊诧几个部分，学习者自身的情感状态变化对于学习进度有着十分显著的影响，与此同时，通过判断学习者的情感状态，可以很好的完成学习诊断，并合理的进行相应的学习计划调整，始终保持学习者在学习中的积极性以及主动性。

3、个性化学习推荐服务框架建设分析

3.1个性化学习模块

在这个模块中，主要是负责为学习者开展对应的个性化自主学习提供相应的服务支持。这个模块将云服务平台作为其依托，通过借助于其中的学习管理、电子教材、作业练习、课业考试、数字资源、互动交流及电子学档等子模块为学生提供相应的云服务。其中的电子教材系统，是针对交互性质的电子教材进行阅读以及记录的管理，并将学习者借助客户端上传的学习记录进行实时的保存以及管理。其中的作业练习及课业考试系统主要是为学习者提供相应的作业以及考试测评资源，并以实际的作业以及考试结果作为基础形成有关学习者的形成性以及总结性评价。其中的数字资源模块就是负责为学习者提供相应的学习资源，并为学习者的知识管理提供相应的支持。而互动交流系统则是为学习者提供课内外的疑惑解答以及交流，以便帮助学生以某一个学习兴趣为主题进行深入化的交流探讨，从而最终形成一个虚拟化的学习共同体。这些系统之间并非是绝对独立的，而是彼此之间相互关联，通过这些系统的协同工作，实现了学习者个性化信息的全面记录，同时还可以通过对其中的数据进行深入分析及研究，来得到学习者具体的学习现状及其个性化特征。其中的学习管理系统就是将各个子系统的集成模块，主要为学习者学习以及教师教学活动的开展提供便利。

3.2个性化推荐系统模块

这个模块的作用就是将各个系统的数据作为基础，借助于不同的推荐系统为学习者提供针对性的学习资源推荐服务，这些推荐的学习资源内容主要包括重点的文本学习资源推荐、热门视频学习资源推荐、热门数字动画学习资源推荐以及热门数字化学习资源推荐四大部分。而基于用户的相邻推荐则是负责更好的为互动交流系统提供相应的推荐服务，而在这其中则是包括热度话题推荐、精品回答推荐及兴趣主题推荐。除此之外，在其中还应该包括相应的从内容相似度以及概率触发的推荐服务，主要负责为电子教材提供对提应的推荐服务，主要由新版电子教材、精品学习笔记以及知识重难点等方面的推荐。此外，还有从约束以及实例出发的为作业练习以及考试系统提供推荐服务的推荐系统，主要是包括重难点知识点的练习、考试及易错题等等方面。通过该系统和个性化学习模块的组合，来实现学生的云平台教育目标。

3.3学习者模型和数据库支持模块

这个模块主要是从学习者的模型及其在学习过程中诞生的各个类型的个性化信息进行分类整理、分析、记录以及汇总。其中包括的学习者个人信息、血液以及作品信息是学习者自身的个人信息以及学业成果信息，主要是由电子学档的数据库负责进行收集以及记录信息。其中的关系信息就是在学生之间以及学生教师交流中形成的社会关系网络，主要是由互动交流系统内部的数据库进行信息的收集以及记录。而偏好以及绩效信息就是在学习者的自主化学习过程中学习者展示出的在学习上的偏好以及各种知识点的学习结果，这些数据主要是由电子教材、作业练习、课业考试、数字资源四大系统进行信息的收集以及记录。并且，在这个模块中需要注意的一点就是为了方便今后的分析及处理学习者的个性化信息，需要将子教材、作业练习、课业考试、数字资源、互动交流几大系统内部的信息汇总到电子学档系统的数据库，这样做的主要目的就是为了更好的为今后的个性化学习资源提供奠定基础。

4、如何真正实现大数据时代下的个性化学习推荐

4.1标记学习资源的特征

在进行知识点分类的过程中，可以使用节点数的方式。换言之，任何一个知识点都具备相应的父节点，通过使用向量的矢量坐标进行知识点位置的标记，让其中的知识点在树节点中都具备一个对应的坐标。在实际的知识点树节点划分环节中，需要从相应的知识点单元出发，将之作为划分标准，将其中的一个单元的知识作为一个主要节点。随后，在主节点中的任意节点上按照实际学习阶段中必须经历的感知、迁移以及创新三大阶段中涉及到的学习目标进行知识内容的划分。由于随着阶段的变化，同一个知识点也可以根据学习目标的差异进行不同学习状态的划分。比如说，同一个知识内容的学习过程中，包含着概念的掌握理解、问题的交流讨论、知识内容迁移、知识创新等多个阶段，并且随着阶段的变化，其学习要求以及目标也会发生相应的差异。在最后的环节中。从学习状态差异下的知识内容出发，又可以将知识的内容通过文字、图片、视频、音频等方式进行展示。比如，在计算机专业的个性化学习推荐服务中，就可以先从教材内容出发，将总体的知识单元数量进行总结，并将之作为多个父节点，并将全部父节点下的知识内容进行罗列。比如，数据库方面的知识，数据库就是一个父节点，其中的包括的概念理解、初步了解软件、界面操作、动手实践及知识创新就是必须经历的诸多子节点，并且这些子节点也是学习必须经过的各个阶段，随着学生子啊知识储备、学习能力上有了显著进步，在学习中的内容呈现就可以从文字、图片、视频、音频等方式逐渐变得精简化。

4.2实现个性化学习资源的推荐

在实现个性化学习资源推荐的过程中，主要可以使用如下的几种方式：第一，从用户相似矩阵库出发的资源推荐。在构建相应的学习者模型的过程中，其实也是一个建立用户相似矩阵的过程，在实际的推送过程中，可以在分析学习者的讨论主题参与、近期学习资源浏览记录等等情况，将这个学习者的信息推动到其他那些具备高相似度学习者的集群中，以便开展接下来的学习资源推送。同时，如果在用户相似矩阵中，出现了部分学习者的特征和已经完成这些学习内容的学习者特点相似程度较高，也可以将已完成这部分学习内容的学习者的学习路径提供给学习者作为学习参考。第二，从特征匹配出发进行资源推荐。这种方式是在全面考察学习者特征及资源特征二者之間的相似程度进行资源的推荐，此二者之间的相似程度越高，资源优先推送率越高。在计算相似程度的过程中可以使用欧氏距离计算公式进行相似程度的具体计算。第三，从内容出发的资源推荐。这种方式就是从学习者的历史学习资源评价出发，将其学习资源的偏好体系进行构造，随后计算整体资源库的学习资源和学习者偏好资源相似程度进行计算，为学习者提供相似度最大的学习资源。这种方式的具体应用需要以学习行为数据、学习资源的点击、访问等方面频率数据进行获取及计算。

5、总结

个性化的学习环境乃是网络学习的最终形态，同时也是如今这个大数据环境下学生对于学习环境的具体需求，并且也是如今素质教育下的教学及学习方式得以转变的重要支撑条件之一。就目前的技术条件看来，大数据技术加持下的个性化学习推荐服务框架需要包括个性化学习模块、个性化推荐系统模块以及学习者模型和数据库支持模块，并且通过标记学习资源的特征以及多元化的个性化学习资源的推荐方式，就可以很好的实现个性化学习推荐服务的构建以及发展。

参考文献

[1]吴元君.基于教育大数据的个性化自适应学习服务研究——以安徽广播电视大学为例[J].广西民族师范学院学报，2019，36（03）：77-80.

[2]李雪娇.基于学习者画像的在线学习支持服务策略设计研究[D].华东师范大学，2019.

[3]王立彬.基于知识关联的学习资源推荐策略研究及系统实现[D].华中师范大学，2018.

[4]王浩楠.基于学习分析的学习资源个性化服务策略研究[D].华东师范大学，2018.

[5]王静.基于群体智能的个性化学习资源推荐[D].陕西师范大学，2017.

[6]孟杨.基于大数据的个性化学习推荐服务研究[D].河南师范大学，2017.

作者简介：刘永梅（1990-），女，河北省沧州市人，教师，本科，计算机应用技术。