大数据学习分析支持个性化学习研究

       【中图分类号】G43 【文献标识码】C 【文章编号】1001-8700(2016)04-0071-08

       一、引言

       个性化学习体现了公平，尊重差异性教育，实现每一位学生的心智发展，是教育本质。教育公平是人类社会古老的追求，亚里士多德首先提出通过法律保护自由民的教育权利，柏拉图在西方思想史上最早提出实施初等义务教育。孔子“有教无类”的主张，体现了古代朴素的教育民主思想。此外，维果斯基的“最近发展区理论”、皮亚杰的“认知理论”、马斯洛的需要层次理论、加德纳的多元智能理论及艾里克森的心理社会发展阶段理论均强调了个性化教育。个性化教育的实施，可让每位学生得到适宜自己的最好发展，是人性化、生本化的回归。《基础教育课程改革纲要(试行2011)》中明确指出课程改革的重点内容之一就是转变传统学习方式，提倡以“主动参与、积极探究、交流合作”为特征的个性化学习方式[1]。《教育信息化十年发展规划(2011-2020年)》中明确提到学校教育变革教学方式要在改变学生多样性、个性化学习等方面取得突破；在总体战略中明确指出要全力为每位学生提供个性化的、符合自身发展的学习环境及服务[2]。个性化学习已经成为教育课程改革的重点内容之一，如何有效地实现个性化学习成为一个无法回避的关键议题。

       个性化学习的实现，要通过相关的专家和学者从海量数据中挖掘学生学情变化规律的数据，开展学情分析，依据学生的学习行为数据分辨出隐含的关联，准确地预测学生的学习路径及其发展趋势，为学生提供更具有针对性的课程资源、学习内容以及学习反馈和建议，定制适合其自身发展的学习方法和学习策略，促进学生个性化发展。大数据的支持者认为，包含着学术数据点和非学术数据点的综合数据库可以为学生提供个性化的学习工具。利用综合数据库，应用学习分析，进而对课程、教学和评价做出决策[3]。杨现民等[4]认为，大数据使教师和机器能够了解每个学生的真实情况，从而为其提供个性化的学习资源、学习活动、学习路径、学习工具与服务等。此外，国内外已有很多机构应用大数据进行学习分析，为学习者提供个性化的学习服务。例如，“希维塔斯学习”(Civit as Learning)公司基于机器学习技术，分析海量的学习者数据以预测学习者课程分数、出勤率、辍学率等主要趋向，能够让学生预测性地知道导致辍学和学习成绩不良的警告性信号，从而提高学生成绩；培生(Pearson)集团的“我的实验室/高手掌握”(My Lab/Mastering)能够让学习者获得真实可靠的学习数据，让学校更加了解学生，促进有效教学，降低成本；“梦盒学习”(Dream Box Learning)通过对学习者学习行为数据的分析，判断学习者对知识的掌握程度，有针对性地为学习者提供适合自身发展的学习路径；Ten Marks根据学习者的不同水平，为学习者提供个性化的数学概念和技巧的练习；“狸米个性化教学平台”依托互联网大数据技术，通过个性化记忆管理、适应性错题辅导、适应性推荐训练不断了解每个学生的学习状态，并根据数据分析为不同学生在不同时间提供不同的训练与评测内容，从而实现个性化学习；“猿题库”基于大数据技术依据学习者考试内容、考频、难度分布以及对考试内容的掌握程度，利用人工智能算法进行一对一智能出题，实现个性化学习。

       可见，大数据学习分析使个性化学习的实现成为可能，在大数据变革教育时代如何“促进有效教学、推动学生个性化发展”已成为教育可持续发展关键所在。鉴于此，本研究主要从四个方面深度分析大数据支持个性化学习：一是针对大数据“如何而用”，介绍大数据应用的三个必要阶段；二是针对大数据“为谁而用”，探析大数据学习分析对个性化学习中利益相关者的影响；三是针对大数据“为何而用”，分析大数据对实现个性化学习的价值；四是针对大数据“如何用好”，构建基于大数据的个性化学习体系框架。

       二、大数据如何而用：大数据应用的三个必要阶段

       明确大数据如何而用，充分认识大数据在个性化学习中的应用价值是推进大数据在个性化学习中有效应用的起点。在个性化学习中挖掘大数据的价值需要三个阶段，包括数据收集、数据分析、数据可视化，如图1所示。

      

       图1 挖掘大数据价值三个阶段

       (一)数据收集

       数据收集是挖掘大数据巨大价值的第一步。个性化学习往往因为片段化不全面的数据信息而不能为学生提供一个良好的发展机会，并且因为缺乏可靠依据而过于依赖经验判断。大数据意味着对海量的复杂数据进行全面的收集，包括结构化与非结构化数据的收集。数据收集可以采用不同的方法。例如Hadoop的Chukwa、Cloudera的Flume以及Facebook的Scribe等系统日志收集方法采用分布式框架，实现每秒数百MB日志数据的收集与传输。网络数据收集方法通过网络爬虫或网站公开API等方式从网站上获取数据信息，实现将非结构化数据从网页中抽取出来，以结构化的方式存储为统一的本地数据文件，支持图片、音频、视频等文件或附件的收集，附件与正文可以自动关联。随着日益增长的海量数据被收集并存储在各种数据库中，我们需要对数据进行数据识别，发现有价值的信息。

       (二)数据分析

       数据分析包括整合、分类、关联分析等操作，形成分析结果，用于预测学习行为、优化教育决策、改善学习评估、提供学习反馈及建议等。当数据被转换成一个可用的形式之后，将分析数据生成可利用信息。数据分析需要实时的数据处理，主要有流处理、批量处理以及两种模式融合等三种思路。例如，MapReduce是Google公司最早提出的典型批处理模式，首先将用户原始数据分块处理，再交由不同的Map任务区处理。此外，Power Drill与Dremel均为Google公司的大数据处理工具。未来的大数据分析方面，将更多地采用流处理与批处理融合的方式，已有研究利用MapReduce模型实现了快速流处理的同时也能够支持大规模静态数据的处理，兼具了流处理与批处理两种模式的特征[5]。数据分析依据海量与学生相关的可利用信息，分析其隐含的关联并准确地预测学生发展趋势，促进学生个性化发展。随着数据的内容日趋多样化，管理和分析多样的数据集成为一个非常复杂的过程，这种情况称为大数据的“复杂性”。