面向精准教学的教育大数据采集分析平台设计

毕夏安 邢兆旭 胡溪 周雯燕

摘  要：人工智能技术与大数据的飞速进步为当代教育行业带来新发展条件，而现阶段的教育大数据存在采集困难、利用率低等问题。为此，搭建了一种面向教育大数据的采集分析平台，该平台能够采集并整合学生数据与教学数据，并通过Hadoop、Spark等大数据分析框架全面挖掘学生的个性化学情信息。进一步地，提出了一种大数据驱动、线上线下指导相协调的精准教学实践模式。研究内容有助于大数据技术与高校教学质量的协同發展，促进精准教学实践模式在大数据背景下的发展。

关键词：人工智能;教育大数据;精准教学

中图分类号：TP311     文献标识码：A

文章编号：2096-1472（2021）-09-48-03

Abstract： The rapid progress of artificial intelligence and big data has brought new development conditions for contemporary education industry. At present， however， educational big data has problems such as difficult collection and inadequate utilization. Accordingly， this paper proposes to build a collection and analysis platform for educational big data that can collect and integrate student data and teaching data to comprehensively mine students' personalized learning condition through Hadoop， spark and other big data analysis frameworks. Further， this paper proposes a precision teaching practice mode driven by big data and coordinated by online and offline guidance. The research content contributes to the collaborative development of big data technology and college teaching quality， and promotes the development of precision teaching practice models in big data era.

Keywords： artificial intelligence; educational big data; precision teaching

1   引言（Introduction）

大数据时代为当代教育模式的创新发展提供了新的发展环境，如何全面、协调地利用教育大数据促进教育模式的发展具有重要的时代意义[1]。一方面，教学过程中产生的大量异构数据能为教学质量的精准分析与评估提供依据。目前教学分析的主流方法面临着信息采集不全、信息采集难度高等多方面的难题[2-3]，近年来教育大数据的采集与分析方法在国内开始逐渐受到人们的重视，并有了较为可观的进展[4-5]，但总体上还有诸多技术上的细节没有处理好。另一方面，教育大数据能助力精准教学模式发展。精准教学相关研究在国外拥有较长时间的积累[6]，而国内由于受高等教育人群的扩张以及理论、技术等方面的客观限制，相关理论研究与应用实践举步难行。目前已有人尝试利用线上的教育平台和教学资源推行精准教学实践，并取得了一定的成果[7-8]，但这些尝试本质上只是将一些本来在线下进行的活动移至线上，而没有充分挖掘并利用教育大数据中蕴含的丰富信息。基于上述背景，本文设计了一种教育大数据采集与分析系统，并提出了一种基于教育大数据的精准教学实践模式。

2  教育大数据采集与分析平台的设计（The design of collection and analysis platform for educational big data）

作者结合多年来积累的大数据分析经验，针对高校教学过程中的教学模式与实际需求，提出了一种教育大数据的采集分析平台。该平台共分为四个部分：教育大数据采集模块、教育大数据存储与分析模块、教育大数据服务模块和教育大数据管理模块，后面会对这几个模块进行具体介绍。平台的整体架构如图1所示。

2.1   教育大数据采集模块

教育大数据无论从来源、类型，还是采集方式方面都呈现出显著的多样性特点。本文将众多数据大致概括为两类。一类数据来自学校已有的各种管理系统，在这其中能够获得的数据大致有三类：一是学生档案信息、学业信息等固定不变或更新速度缓慢的数据;二是学生日常活动信息、舆情信息等具有显著时效性的数据;三是监控视频等流式数据。另一类数据来自线上教育平台，平台分别为教师与学生提供接口，使得系统获取师生在线上的各个教学环节中产生的各种各样的数据，包括操作日志、教学资料、线上作业等。

2.2   教育大数据存储与分析模块

教育大数据具有显著的异构性特点，适合用分布式结构实现数据的存储、管理与分析。教育大数据存储与分析模块的主要作用是采用分布式的结构对搜集到的教育大数据进行存储与管理，并对其进行深度的模式挖掘。该部分采用Hadoop+Spark的结构实现，下面分别介绍这两个组成部分。

一方面，由Hadoop构成的分布式文件系统HDFS拥有Data Node与Name Node两种不同的存储节点，前者用来存储数据的实体，后者存储的则是文件系统树等元数据。HDFS在完整性、持久性方面表现突出，能够以高容错率实现对日志、会话、知识结构、视频流以及环境感知等高吞吐量数据的实时高效存储[9]。

另一方面，Spark集群负责的是大数据的计算与分析工作。具体地，该部分运行前要在Cluster Manager中设置Spark Context文件的内容，包括集群工作方式、数据分析算法以及抽象弹性分布式数据集的创建等。

2.3   教育大数据服务模块

通过运行部署后的Spark运算集群，便能够充分利用教育大数据中蕴含的丰富信息来指导教学过程的改进，这一部分的具体实现需要借助教育大数据服务模块来完成，其中包括多种具体服务，大致分成三类。

（1）评价总结类服务

这一部分包括对教育数据及分析结果的可视化展示、教学效果评估、学生画像等。该部分信息呈现的客体主要是教师，作用是使教师能全面地了解教学的实际效果，并且通过每一位学生的画像了解他们各自的特长与实际情况，从而进行教学模式与教学内容的调整。

（2）建议展望类服务

这一部分主要包括一些建议信息，服务的客体包括教师和学生。教学建议面向教师，主要在教學形式、教学思路等方面为教师提供可能的方案;学习建议则面向学生，主要是基于学生在这一段时间表现的评估，结合学生的自身情况，为学生下一步的学习过程提供合理指导意见，同时也在一定程度上起到督促学习的作用。

（3）线上教育平台服务

这一部分包括一个线上教育平台，教师可以在该平台上进行教学资源共享并在线批改作业;学生则可以在该平台上进行知识点的学习与回顾，也可以通过线上的实验平台拓展思维，提高实践能力。此外，基于对当前学习效果的评估，系统会个性化地向学生推送互联网上的相关学习资料，供学生在课程之余补充学习。

2.4   教育大数据管理模块

大规模数据的管理包括许多繁杂的细节，且贯穿数据采集、分析与应用的全过程，为此有必要设计单独的模块进行教育大数据管理。本模块主要包括四个部分：数据仓库系统负责清洗、整合并按照主题实现数据管理，目的是为后续的大数据分析过程提供高质量数据;数据更新系统负责对高并发设备获取的实时数据进行初步的整理与暂存，并按时检测、更新时效性较强的数据;元数据管理系统则主要负责文件存储位置、文件记录、历史数据等元数据的存放与修改;数据安全系统则主要负责保护教育大数据的安全，尤其是对学生隐私信息的保护。

3  精准教学实践模式设计（Design of precision instruction practice mode）

基于所提出的教育大数据采集分析平台，下面将探讨高校教育中精准教学的实践模式设计问题。本文所设计的实践模式很好地实现了教育大数据分析与精准教学的有机融合，总体框架如图2所示。

总体来说，就是在传统的线下式课堂教学的基础上，将各教学环节产生的数据与学生的个人数据结合成教育大数据，为每个学生生成个性化学习分析报告。这既能让教师发现现有教学安排中的问题，也可以促进教师对学生特长与特点的深度了解，进而可以让教师在线下根据每个学生的实际情况进行相应的指导，在提升教学质量的同时实现了人才的全方位培养，有效做到了教学相长。

为了在实际教学环境中构建出可稳定运作的精准教学实践模式，本文在此提出了三条具体的教学模式改革措施。

3.1   实现学生的多维度精准指导

传统教学模式通常只会以知识点的掌握情况作为判别学习质量好坏的唯一依据，而忽略了学生实践能力的培养与思维层面的提高，造成了大量“高分低能”的情况。通过对教育大数据的深度挖掘，教师能更全面地掌握学生的学习情况，通过学生画像指导每一位学生在能力上和思维上产生实质性的进步。

在能力层面，教师应充分发挥线上教育平台与产学研服务平台的作用，根据学生实际学习情况，布置难度适宜、实用性强的实践任务，切实保证学生所学是工作所用，学生所练是工作所需。计算机专业因其特殊性，多数实践任务可以安排到线上完成，因此也更容易通过教育大数据平台实现学生的能力培养。在学生的实践过程中，平台可以及时捕获学生在实践过程中反馈的信息，准确评判学生的能力水平。

在思维层面，教师在精准教学的实践过程中应多鼓励学生围绕特定问题展开开放性思考，注重学生思维高度的提升。同时教育大数据分析系统可以从不同的侧面检验学生的思维提升情况，为学生有针对性地推送补充学习资料。

3.2   全面推行本科生导师制

导师制从本质上讲就是要在一名导师和几名特定学生之间实现高度个性化的交流。目前，本科生导师制已在北京科技大学、东南大学等国内著名高校试行，总体效果反映良好。通过这一制度，既可以拉近学生与教师之间的距离，让导师帮助特定的学生制定更清晰的学业与事业规划，也能让导师及时发现学生学习期间的各种问题，从而进行有针对性的指导，而这恰与精准教学的目的一致。

精准教学要求教师充分结合每一位学生的实际情况“因材施教”，但在实践过程中，考虑到国内多数专业的学生数目众多，某一门课的任课老师可能难以承担上述全部工作，因此，若要全面推行精准教学，则有必要在本科范围内全面推行导师负责制。

3.3   推动教育大数据服务生态建设

精准教学的需求推动了教育大数据的发展，而对教育大数据的分析又能够为实现精准教学提供指导，二者在逻辑上相辅相成，因此，教育大数据的服务生态建设对精准教学的全面推行与长久发展有着至关重要的作用。

本文为面向精准教育实践的教育大数据服务生态建设提供了一种新的思路。首先，在提出的架构中，大数据分析系统与众多校内管理系统深度结合，促进了高校教学管理空间服务数据化;同时，基于教育大数据的分析结果，为精准教学提供了全面的自动化服务，实现了数据与分析技术的有机结合;最后，通过推行精准教学模式，促进教育大数据的发展，为学校与相关企业长期合作提供了机遇。

教育大数据服务生态建设并不是一个一蹴而就的过程，需要进行较长期的尝试与摸索，其中诸如怎样实现异构数据规范化、怎样保证大规模教育数据的安全等都是有待进一步解决的问题。我们相信，生态建设是精准教育与教育大数据融合发展的必由之路。

4   结论（Conclusion）

大数据与人工智能技术的崛起正深刻影响着教育行业的变化，在这样的背景下实现精准教学，必定离不开对教育大数据的深入分析与挖掘。本文构建了一个大数据采集与分析平台和精准教学模式相互结合的体系，既有利于提高高校教学质量，也能够实现人才的多维度培养。在将来的发展中，一方面要注重整合更加丰富的数据，从而实现更加全面的教学分析;另一方面要考虑到行业发展的客观需要，因需制宜进行教学计划的灵活调整;除此之外，也要提升教师的数据意识，逐渐形成用数据辅助教育的理念。

参考文献（References）

[1] 杨现民，郭利明，王东丽，等.数据驱动教育治理现代化：实践框架、现实挑战与实施路径[J].现代远程教育研究，2020，32（02）：73-84.

[2] 李葆萍，周颖.基于大数据的教学评价研究[J].现代教育技术，2016，26（06）：5-12.

[3] 钟绍春，唐烨伟.人工智能时代教育创新发展的方向与路径研究[J].电化教育研究，2018，39（10）：15-20.

[4] 华春杰，于雅楠，李慧苹，等.基于端到端表情识别方法的课堂教学分析[J].天津职业技术师范大学学报，2021，31（02）：26-31.

[5] 肖知亮.基于智能数据采集与处理的教育信息融合方法研究[J].现代电子技术，2020，43（24）：140-143.

[6] BRANCH A， HASTINGS R P， BEVERLEY M， et al. Increasing support staff fluency with the content of behaviour support plans： An application of precision teaching[J]. Journal of Intellectual & Developmental Disability， 2018， 43（2）： 213-222.

[7] 张超.“互联网+教育”背景下智慧课堂精准教学模式的构建与实践——以《Flash动画制作》课程为例[J].宿州教育学院学报，2019，22（06）：102-106.

[8] 马晓艳，陈英.大数据驱动下精准教学模式的构建及应用[J].创新创业理论研究与实践，2021，4（10）：110-112.

[9] ZEEBAREE S R M， SHUKUR H M， HAJI L M， et al. Characteristics and analysis of hadoop distributed systems[J]. Technology Reports of Kansai University， 2020， 62（4）：1555-1564.

作者简介：

畢夏安（1981-），男，博士，教授.研究领域：大数据分析与应用，脑科学与人工智能.

邢兆旭（1997-），男，硕士生.研究领域：大数据分析与应用，脑科学与人工智能.

胡  溪（1998-），女，硕士生.研究领域：大数据分析与应用，脑科学与人工智能.

周雯燕（1998-），女，硕士生.研究领域：大数据分析与应用，脑科学与人工智能.