以MOOC为基础的个性化学习路径的生成与探索

熊娅 徐洪胜 唐海

摘要：当前，以MOOC为代表的网络教育平台为在线学习者推荐学习资源时往往没有针对其个性，从而导致学习者面对众多推荐资源感到困惑，不知以何种学习路径进行高效率、高质量的学习。在分析MOOC平台在线教育特点的基础上，提出线上与线下融合教学模式的改进方法与策略，设计为学习者精准推送合理、可行、高效的个性化学习路径，同时也为MOOC课程建设提供一个重要突破点。

关键词：MOOC；学习路径；融合教学模式

一、前言

近年来，随着互联网技术的飞速发展，学习的范围和方式发生了翻天覆地的变化。MOOC作为在线学习的领军平台，打破了传统课堂学习的时空限制，为学习者提供了规模化、开放式的学习机会。然而，尽管MOOC平台具备诸多优势，但学习者面临着学习效率低下和学习质量不稳定的问题。因此，如何解决学习者在网络学习过程中常见的信息过载、学习迷航等困扰，成为在线网络教育领域亟待解决的热点问题。 鉴于当前在线网络教育蓬勃发展的态势，本文立足于MOOC平台个性化学习路径的不足之处，旨在提出一个切实可行、高效的解决方案，以期为在线学习的持续优化提供新的思路和方法。

二、MOOC的发展情况及特点

（一）MOOC的由来及其发展情况

MOOC的全称为“Massive Open Online Course”，中文名为“大规模在线开放课程”。MOOC的概念最早在2008年由加拿大的两位学者Dave Cormier和Bryan Alexander在“联通主义和联结知识”（Connectivism and Connective Knowledge）网络课程中提出，这门课程成功地运用了联通主义学习理论，支持了大规模在线学习，成为世界上第一门MOOC课程。自此之后，世界各地的名校纷纷加入了MOOC的浪潮[1]。

2012年，美国多所顶尖大学相继建立了在线学习平台，标志性事件包括斯坦福大学的Udacity初始开设24门课程，早期两节课就吸引了九万名注册学生。同年4月，斯坦福教授达芙妮·科勒和吴恩达共同创立的Coursera迅速成为最大的在线学习平台，至2013年6月，已与70所高校建立合作。此外，哈佛大学和麻省理工学院于2012年5月联合推出了edX平台，由麻省理工的计算机科学教授领衔，最初7门课程的注册学生达53000人。一年后，edX的合作机构增至28家。这些事件标志着MOOC的快速发展，推动了在线学习的普及和全球化趋势。

在互联网和信息技术的支持下，MOOC在线教育平台可以让几万、几十万甚至上百万名学习者同时学习，突破了线下教育学习的空间限制，只要服务器容量不受限制，上课人数就不受限制，“大规模”学习得以实现。而“大规模”使课程价值无限被放大，几十万人同上一门课，其经济效益超出了世界上最好的大学，这也是MOOC具有巨大商业价值的精髓之处。一直以来，MOOC的核心理念在于开放和分享优质的学习资源，与现代教育倡导的共同创造和分享的时代精神和基本理念相吻合。开放意味着不受身份、国籍、年龄、肤色等条件限制的学习者都能通过网络，获取世界上优质的教育资源。“交互”也是MOOC的重要特性之一，实时交互使MOOC具有了类似于传统线下课堂面对面的交流模式，特别是学习者之间的交流，因为不受时间和空间的限制，线上的平台交流就更为方便、快捷和高效[2]。在MOOC学习中，有些平台还提供了作业自动测评、自动回答提问等功能，这种实时交互体现了学习的及时反馈，提升学习者参与学习活动的积极性，培养学生独立思考的能力，促使学习者知晓自身学习存在的不足与劣势，及时查漏补缺、扬长避短。

MOOC虽然具有以上众多优势，但是在“个性化”教育方面还存在明显短板：由于学习者与学习资源的数据规模庞大，MOOC平台下的在线教学活动，无法像线下传统课堂那样，教师与学习者进行一对一的、充分的、因材施教的个性化学习辅导。当前的MOOC平台难以做到为学习者精准推送符合其学习风格、认知水平等学习特征的学习资源，导致学习者的学习效率不高，学习目标不明确。

（二）MOOC的特点及其突出问题

学习路径一般是指达成有效学习的学习活动所形成的路线与序列[3]。SCORM标准给出了学习路径的详细定义：学习路径是指学习者在一定的学习策略引导下，根据其学习目标对学习内容进行学习所需要完成的学习活动的路线与序列[4]。“学习路径”实际上指的是在特定学习策略的指导下，学习者生根据他们的学习目标、学习内容、知识基础和现有环境，对即将进行的学习活动进行规划和排序的过程[5]。

当前在线学习网站具有海量的学习资源，学习者很容易获取学习资源，那么先学什么后学什么呢？按照章节目录进行未必就是最高效的学习路径。众多专家、学者和科研机构研究认为，为了减轻学生在网络学习过程中遇到的“信息过载”和“学习迷航”等问题，可以向学生推荐适应个性化因素（如学习风格和认知水平）的学习路径。通过这样的个性化学习路径推荐，学习效果将得到提升，学习效率也会提高。这个方面的研究从一定程度上可以改善在线学习效率不高的问题。纵观国内外，个性化学习系统领域自20世纪90年代以来就逐渐引起一些学者和科研机构的关注，而个性化学习路径研究的发展随着个性化学习系统的盛行而日益蓬勃。

在全球教育研究的领域中，尤其在欧美等西方国家，早期的学者们已经开始深入探索学习路径的研究与实践，他们采用了包括有意义学习理论和模糊神经网络在内的多种先进理论框架与技术手段。这些研究工作主要集中在在线开放课程平台，通过对学生的知识掌握程度、学习动机和兴趣倾向进行精确评估与分析，从而向学生推送更加个性化的学习内容，不仅实现了教学内容的个性化定制，而且促进了教育资源的有效分配。进一步，研究者还利用知识空间理论及布鲁姆的教育目标分类法来为学习者设计出与其认知水平相匹配的个性化学习路径，有效提升了学习效率和教学质量。中国虽然在这一领域起步较晚，但已通过对学习者行为和偏好的深入分析，结合先进的数据挖掘技术，如AprioriAll算法，成功地为不同的学习者群体开发出更为精确和个性化的学习路径，不仅开拓了差异化教学的新视角，也为教育个性化提供了强有力的理论支撑和实践指导。此外，针对自适应学习路径的构建及其特性的探讨，特别是通过建立基于学习特征的自适应学习路径生成框架，进一步深化了个性化学习设计的理论基础，同时为实现更加高效和精准的教育教学提供了创新的技术支持和策略方向，展现了教育技术与教育理念相结合的巨大潜力。

在国内外学术界，对个性化学习路径的研究逐渐展现出深入与广泛的趋势，从探索学习者的学习风格出发，发展至涉及学习者认知水平的研究，最近更是扩展到了对学习情绪的考查。随着这些研究的深入，涌现出多种旨在解释和满足学习者独特需求的个性化学习理论。尽管这些理论极大丰富了领域内的研究视角，但至今尚未出现一个被广泛认可且效能显著的个性化学习系统，显示出个性化学习路径研究仍处在探索的过程中。这一情况揭示了尽管计算机科学在个性化学习方面已取得进步，但实现真正个性化的教育目标还面临诸多挑战。例如，如何有效整合学习者的需求、情绪及认知状态等多维因素。因此，个性化学习路径的研究在计算机科学领域仍具有巨大的发展潜力，需要该领域研究者继续深入探索，通过创新技术与算法来推进个性化学习的效率和准确性。

三、个性化学习路径研究

以欧美为首的西方国家很早就对学习路径开展了研究和实践，美国匹兹堡大学Peter Brusilovsky在MOOC学习平台上，基于奥苏泊尔的有意义学习理论，采用模糊神经网络方法来评估学生的知识水平、动机和兴趣偏好，这样可以推送符合学生需求的学习内容，实现个性化的学习路径定制。奥地利格拉茨大学的Nussbaume采用知识空间理论和布鲁姆目标分类法对学习者的认知水平进行评估，并制定出适合学习者的学习路径。国内对该领域的研究稍晚，但仍取得了一定的进展。姜强等基于AprioriAll算法[6]，通过挖掘分析具有相同或相似学习偏好和知识水平的群体的学习行为轨迹，基于学习者特征与学习材料的媒体类型、理解层次和难度等级的匹配度来生成精确的个性化学习路径，为差异化教学提供了新的视角。牟智佳等从自适应学习路径的内涵与特征的视角[7]，阐述了数据挖掘技术与自适应学习支持服务之间的关系，并提出了一个基于学习特征模型的自适应学习路径生成框架。

从国内外的研究历程来看，近些年来对个性化学习路径的研究越来越深入，其研究范围也越来越宽广，从最开始的学习风格、随后的学习者认知水平，到现在的学习情绪研究，以及随之而来的是各种各样的个性化理论层出不穷，但并未有大家一直认可的高效学习系统的出现，因而学习路径的研究仍处于探索阶段，个性化学习还有很大的发展空间。

四、个性化在线学习路径生成与探索

（一）线上与线下教学模式融合

为解决在线学习效率不高的问题，印度NIIT公司基于E-Learning的使用和实践提出了“融合式学习”的学习方式，它是互联网与传统教育模式相融合的全新范式。融合式学习在形式上是把传统的课堂面对面学习方式和以MOOC为核心的在线学习方式有机结合，其本质是以学习者为中心的教育范式。融合式学习以目标达成作为教育原则，倡导个性化学习和主动学习，既要充分利用互联网丰富的教育资源和便捷的交互技术，又要全面发挥教师在学习过程中的控制、启发和引导作用，提高学生的学习效率和学习质量，全面培养学生的个性化学习[8]。鉴于线下传统课堂面对面教学高质量、高效率的特点，本文考虑将线下学科专家的专业知识、教学经验等融入线上的网络教学中，线上是以学习者为主，线下是以教师为主，两者相互作用，为在线学习者精准推送合理、可行、高效的个性化学习路径，提高在线学习的效率。如何将传统的课堂教学经验与线上的网络学习模式相融合，从而构建个性化的学习路径，提高学习者学习的高效性将是研究重点。

（二）个性化在线学习路径生成研究思路与方法

对于个性化在线学习路径生成，采用线上与线下优势互补的融合教学手段。首先运用大数据处理技术进行聚类分析，甄选出在线学习者对于某门学科学习路径的各种不同类别，然后通过教育专家的线下指导，对各种学习路径加以评价，再运用半监督机器学习方法构建优化学习路径，最后再经由线上将优化学习路径结合学习者自身的认知水平、学习风格等特征为学习者精准推送合理、可行、高效的个性化学习路径。

个性化在线学习路径生成思路如图1所示，包括以下内容：

1.各类学习路径的生成

基于大数据挖掘的方式，通过MOOC等在线学习平台以及已有的在线学习系统，将相关的学习者信息存储至在线学习信息库，主要记录学习行为、学习轨迹、消息记录、在线时长等信息。运用数据挖掘等方法对在线学习信息库进行聚类分析，得到各类学习路径。

2.优化学习路径的生成

线下专家对各类学习路径进行分析以适应不同的学习风格，对不同风格学习路径中的个例进行标注，运用半监督机器学习技术，针对不同学科的学习路径，将各类学习路径转化为适应不同学习风格的优化学习路径。

3.个性化学习路径的生成

在优化学习路径之后导入学习者模型以及具体学习行为数据，通过个性化学习路径生成算法，获得个性化学习路径。将个性化学习路径推送至学习者，学习者再对个性化学习路径进行评价反馈，形成闭环。

五、结语

目前有关学习者的个性化学习路径的研究、学习路径的构建大多以线上学习者的学习需求、学习方式以及资源爱好等为主，很少有研究考虑结合线下人工的干预和指导。本文结合线上与线下的融合学习模式，立足于当前在线网络教育的蓬勃发展以及半监督机器学习方法的深入研究，加之大数据、云计算、人工智能等先进信息化技术的运用，提供一个切实可行的高效策略，实现线上线下学习方式的优势互补，生成适应学习者自身学习特点的个性化学习路径。

参考文献

[1]杜世纯. MOOC背景下混合式学习的实现路径与效果评价研究[D].北京：中国农业大学，2017.

[2]刘艳春.MOOC+SPOC新型混合式教学模式知识互动研究[D].哈尔滨：哈尔滨工业大学，2018.

[3]黄志芳.面向E-Learning的适应性学习路径推荐研究——以初中物理课程为例[D].武汉：华中师范大学，2015.

[4]彭绍东.基于SCORM标准的“学习路径”设计[J].现代教育技术，2010，20（08）：114-119.

[5]李光泉.基于学习者个性的教育资源推荐服务研究[D].南昌：江西财经大学，2018.

[6]姜强，赵蔚，李松，等.大数据背景下的精准个性化学习路径挖掘研究——基于AprioriAll的群体行为分析[J].电化教育研究，2018，39（02）：45-52.

[7]牟智佳.学习者数据肖像支撑下的个性化学习路径破解——学习计算的价值赋予[J].远程教育杂志，2016，34（06）：11-19.

[8]杜世纯.MOOC背景下混合式学习的实现路径与效果评价研究[D].北京：中国农业大学，2017.

基金项目：湖北省教育科学规划2020和2022年度重点课题（项目编号：2020GA045、2022GA049）

作者单位：熊娅，湖北汽车工业学院和重庆三峡职业学院；徐洪胜、唐海，湖北汽车工业学院

■ 责任编辑：王颖振、杨惠娟