基于教育心理学与数据挖掘的自主学习App的设计与实现

2022-06-09聂肖松王静业

数字技术与应用 2022年5期

聂肖松王静业

1.东北财经大学；2.大连外国语大学

本文在总结现有学习类App特点的基础上，提出了一款基于教育心理学与数据挖掘的自主学习App的设计与实现思路，引导学生用户开展学前诊断性评价、学中辅导与监控、学后自编测验帮助学生用户加强元认知及自我认知，引导用户形成并完善自主学习方法。

1 自主学习的概念及学习类App的现状

陶行知先生说过：“我以为好的先生不是教书，不是教学生，乃是教学生学”。课堂教学是教师引导学生以教学大纲和课本为目标，由浅入深，层层推进，建构学科思维的过程；自主学习则是学生自己明确目标、设置学法、把握学习难点的自主发现、自行建构的过程。大学是中国学生对于上述两种学习方式的一个相对清晰的分界点：大学之前的小初高阶段侧重于教师引导下的课堂教学，这样的情况在广大的乡村地区更为普遍，大学开始中国学生需要在课堂教学与自主学习中寻找平衡点，并逐步注重自主学习，为研究生以及职业生涯的自我提升做准备；中国学生的研究生时代仍然存在课堂教学，但是自主学习的比重随着年龄和学习阶段的增长在不断增长。传统课堂教学注重知识的传授，而非学习方法的传授；而自主学习的学习效果则十分依赖学习方法。

自主学习呈现学习过程无监督、学习内容多元化、学习形式无纸化等特点，近年来各个厂商分别推出了多学科、多类型的自主学习App来提升学生用户的自主学习效果。经调查，现有学习类App超过100款，集中于以下几类：

(1)公开课堂：网易公开课、腾讯课堂等；

(2)学科知识：化学、物理实验室AR等；

(3)课外阅读：微信读书等；

(4)外语学习：懒人英语、扇贝单词、百词斩等

这些App中以外语学习融入的学习方法最为丰富，其中包括了记忆曲线、文字视图听说结合等方法。以上几类App不能满足学生用户在阅读课外读物时启发式阅读、个别化指导以及诊断性评价，最终达到深度阅读的目的；本文开发的自主学习App基于教育心理学、数据挖掘等多学科内容，设计学前诊断性评价、学中辅导与监控、学后自编测验帮助用户形成自主学习方法，纯净、简单、易用的基于数据挖掘和可视化的自主学习平台；通过真实模拟读书过程，培养用户的读书习惯，最终使用户形成良好的阅读习惯。

2 费曼学习法

费曼学习法是美籍犹太裔物理学家理查德·菲利普斯·费曼（Richard Phillips Feynman，1918—1988年）提出的，被认为是最高效的学习方法，分为四个步骤：确定学习目标，对相关的知识点进行学习，在这个环节主要是学习的过程；模拟教学；发现知识盲点，讲解过程中遇到不明白的地方，马上回顾完善知识点；简化类比[1]。近年来中国学者还提出拆分、联想和追本溯源等更加丰富的总结回顾的方法。

3 相关技术

3.1 App技术

前端采用基于Android平台技术，后端采用基于Django框架技术。Android是一个开源的开发平台。该平台使用的App程序，具有占用存储空间小、性能稳定的特点，非常适用于移动端的程序开发。Django是一个基于Python的高级全能型框架，功能完善、文档齐全、开发敏捷、配置简单，能够快速地完成项目开发；提供了强大的数据库访问组件，自助式后台管理，使数据库操作和完整的后台数据管理变得异常容易[2]。

3.2 数据挖掘

数据挖掘是从大量数据中挖掘有趣模式和知识的过程。数据包括数据库、数据仓库、Web、其他信息存储库或动态地流入系统的数据。数据挖掘是数据库研究、开发和应用最活跃的分支之一[3]。数据挖掘包括分类、聚类、线性回归等技术。

4 需求分析

4.1 总体需求

本系统以“基于数据挖掘与可视化的自主学习”为主题，引导用户在自主学习前开展自我诊断性评价，明确学习目标、学法，并在学习过程中勾画难点，通过收集用户在自主学习过程数据和数据可视化，意在打造一个帮助用户监控自主学习过程，强化无教师的自我学习领导力，提升用户自主学习元认知和自主学习自我意识（自我认识、自我体验、自我监控）的App学习平台。依托于数据挖掘和可视化的方法，本系统的学习总结性评价、学习预测性评价模块将分别提供学习过程数据和学习状态预测性数据，有利于用户查看自主学习过程、自主学习状态。

本文应用Axure技术构建系统的原型，并提出了系统的总体需求。自主学习App具体功能需求如下：

用户中心：实现对学生用户注册、自我学习力评价、信息管理等功能。

书籍管理：用于读取本地书籍、思维导图、监控学习过程、笔记分级等功能。

学习回顾：用于可视化、数据化呈现学习过程、书籍思维导图、重难点笔记等功能。

4.2 典型需求设计

本软件的主要需求内容是学生用户的自我学习力评价、学习过程评价、总结性评价及基于数据挖掘的三者循环反馈，如图1所示。

图1 自我学习力评价、学习过程评价、总结性评价循环Fig.1 Circle of self learning ability evaluation, learning process evaluation and summative evaluation

(1)自我学习力评价：注册并审核通过的学生用户首先开展自我学习力评价，包括认知能力、意识调节、人格特质；根据自我学习力评价结果提供高效学习时刻、时长等建议。

(2)学习过程评价：读书学生用户需自行上传待学习文档，系统抽取索引创建目录；开始前系统提示设置学习目标，学习过程中系统记录学习行为（如翻页时间、笔记次数、内容等）；学生用户记录笔记时系统提示学生对学习内容和笔记进行分级（如熟悉、了解、理解、掌握、识记、记忆、分解关键句、关键词），同时联想笔记库中类似内容；学习复盘时系统抽取目录、笔记创建文档大纲视图便于复习；学习结束，系统呈现学习过程评价结果（学习习惯、坚持性、注意力、自觉性等），主要为意识调节、人格特质。

(3)总结性评价：费曼学习法、系统自编测验、自我评估。费曼学习法：由系统设定若干遵从费曼学习法的典型问题：如请讲述本书/本章的主要内容、本书的核心方法/核心逻辑/应用方向等；系统自编测验：系统根据大纲视图及笔记内容抽取关键词形成题库作为测验内容；自我评估：学生用户自行编写题库作为测验内容并设定能力标准。总结性评价结果主要为认知能力。

5 系统设计

5.1 系统模块设计

系统划分为前台用户端子系统和后台管理子系统。前台用户端子系统采用了Flutter开源框架进行设计，主要包括用户中心、书籍管理、学习回顾。后台采用基于Django框架技术快速搭建系统的管理子系统，包括用户信息管理、书籍管理系统、学习记录系统、笔记系统、总结性评价系统等。前台用户端子系统的用户为学生，后台用户为管理员。

5.2 数据库设计

系统后台的数据库采用MySQL进行设计，包括用户信息、书籍信息、笔记记录、学习过程记录、总结性评价记录、学习力评价、大数据算法等数据库实体信息。这些信息之间存在着一对一、一对多、多对多的联系。例如，一个学生用户只能生成一个学习力评价、一个学生用户可以拥有多本书籍、多本书籍可以对应多本笔记等。系统中主要实体的关系如图2所示。

图2：系统ERD关系图Fig.2 Entity-relationship model of system(ERD)

6 主要功能模块

6.1 用户信息管理模块实现

用户可以根据自己的需求注册或者匿名使用本App；自我学习力评价功能需用户注册后方可使用，用户完成注册后提示用户完成自我学习力评价。自我学习力评价包括认知能力、意识调节、人格特质三个方面，具体界面如图1所示。

用户点击自我学习力评价，完成后提交，系统调用监听按钮提交表单数据，确认所有项目完成填写后，调用UploSelfEval(res)方法后台接口传递JSON结构化数据至学习力评价数据库，App端显示自我学习力评价已完成。

6.2 书籍管理模块实现

用户打开本地书籍后，系统首先提示确认本次学习目的。学习目的包括精读、略读、浏览、速读。在右下方“我的”也可以自行设定其他学习目的。用户关闭书籍后，该书籍自动存入书架便于下次阅读。

用户阅读书籍记录笔记时，系统提示用户对笔记分级：熟悉、了解、理解、掌握、识记、记忆，并提示分解关键句、关键词。如图3所示。

图3 阅读界面Fig.3 Interface of reading book

图4 复盘界面Fig.4 Interface of reading summary

App默认不开启笔记云识别，本地笔记识别中内置中文词义相似库，为用户提供一定准确度的联想记忆素材。在“我的”当中开启笔记云识别后调用百度语言处

…………理应用技术分析关键词词义相似度，提升词义相似度匹配的准确度，为用户提供更加准确的联想记忆素材。

用户阅读单独章节或者整本书籍后，可开展总结性评价，总结性评价由费曼学习法、系统自编测验、自我评估，综合评估读书效果。

6.3 学习回顾模块实现

用户上传书籍后，系统提示是否收集学习过程数据，用户同意后收集学习过程数据。学习过程中收集的数据维度为书籍类型、读书时刻、读书时长、是否建立目录、笔记分级及相应数量、读书完毕距总结性评价时长、总结性评价结果，线性回归算法布置于服务器端，用户完成5次读书和总结性评价后系统读取数据库中数据，以总结性评价为因变量，以书籍类型、读书时刻、读书时长、是否建立目录、笔记数量、读书完毕距总结性评价时长为自变量进行多元变量回归，并完成用户学习过程数据挖掘。用户学习过程数据挖掘完毕后存放于服务器端，用户点击学习回顾模块时，系统调用Review(res)方法发送请求至数据库，数据库返回响应数据。

学习回顾模块为用户呈现读书时刻、读书时长、笔记数量等统计维度数据；App完成数据挖掘后向用户呈现数据挖掘结果，包括影响学习效果的学习习惯排序、推荐高效读书时刻时长、推荐的复习时间间隔等，如图4所示。