基于大數據的自適應學習模型研究及實現

韋建國 王玉瓊

摘 要：大數據時代，高等職業院校傳統教育教學模式已不能完全滿足社會對新型人才培養的需要，如何將大數據的自適應學習模式與高等職業教育充分融合是當前亟待解決的問題。從大數據自適應學習概念出發，在綜述大數據自適應模型及工作流程的基礎上，介紹了基于大數據的自適應學習實現過程，并與傳統教學進行對比。利用大數據自適應學習，有利于學生對于知識點的掌握，提高學習成績，并激發學生學習興趣。

關鍵詞：大數據；自適應學習；高等職業教育

DOI：10.11907/rjdk.172858

中圖分類號：G434

文獻標識碼：A 文章編號：1672-7800（2018）005-0217-03

Abstract：The traditional education teaching model in higher vocational colleges can not fully meet the social requirements of new talent training in the era of big data， and it is an urgent problem to integrate self-adaptive learning with higher vocational education.The conception of big data-based self-adaptive learning is defined， its models and the working flow are reviewed for the introduction of the implementation process and comparison to traditional teaching. To apply self-adaptive learning is helpful for students to master knowledge points， improve academic performance and arouse their learning interest.

Key Words：big data； self-adaptive learning； higher vocational education

0 引言

高等職業教育的發展為社會培養了許多技能型人才，但隨著大數據時代的來臨，傳統教師課堂的面授教育模式已不能滿足高等職業院校對于人才培養的需要。因此，探究將大數據理念運用于高職教育教學中具有重要意義[1-2]。傳統教育教學模式下，由于學生基礎的差異，在教學過程中難免會出現顧此失彼的現象，導致部分學生跟不上進度，產生厭學情緒，一定程度上制約了學生創新思維能力的培養[3]。大數據與互聯網的結合為學生的個性化學習提供了有力支持[4]。開展基于大數據的自適應學習，可使每個學生根據自身特點自由選擇學習方式，從而充分發揮學生潛能。

1 大數據自適應學習概念

大數據通過收集互聯網中的海量數據，并將這些數據分類儲存，形成龐大的數據庫，便于人們查找和研究，同時通過數據挖掘，能夠得到相關行業或領域有價值的信息[5]。大數據自適應學習是指在大數據基礎上，將各門類學科知識、各領域研究成果、教師講課筆記與教學心得、經典教學案例、試題庫及答案講解和讀者閱讀心得體會等按照學科領域進行歸類收集[6]，學生能夠通過網絡在線學習或離線下載的方式學習知識點，從而開展個性化學習，同時還可在線與教師進行交流與探討[7]。

2 大數據自適應學習模型

本文提出的基于大數據的自適應學習模型主要用于高職院校學生的在線學習，以及在圖書館及閱覽室學習時遇到學科疑難知識點時的現場解決[8]。雖然這種基于大數據的自適應學習模型使用場合不同，但其工作流程相同，具體流程如圖1所示。

大數據自適應學習系統建立在數據挖掘與算法分析研究基礎上，學生可以在線和離線兩種狀態對某一課程進行自適應學習。該系統通過對海量數據進行深入分析與處理，找到客觀規律，并對相關數據作出總結歸納，從而輔助學生學習。

基于大數據的自適應學習設備如圖2所示，其工作原理為：先將若干臺基于大數據的自適應學習設備放置在學校圖書館及閱覽室，當學生在學習過程中遇到難點時，可以將教科書或難以解答的習題放在基于大數據的自適應學習設備掃描裝置正下方，數據處理存儲系統將掃描到的模擬信號轉變為數字信號，從存儲系統中調出相關信息，并在操作界面中以文件形式展示出來。通過操作界面上的提示，學生可以自由選擇在線閱讀、下載文件或點擊打印。基于大數據的自適應學習設備中的所有信息均來自互聯網上收集整理的學科知識點，數據處理存儲及網絡系統會隨時進行信息收集及分析處理。

3 大數據自適應學習模型實現

大數據自適應學習系統數據來源于互聯網，包括高校精品課程、高校版權著作信息、教授或名師講課筆記等[9]。利用Spss Modeler軟件對潛藏在海量數據中的規律進行挖掘和篩選，以及利用Apriori改進型算法對分析后的大數據作總結性歸納，可使學生學習更具有針對性。同時，學生也可以發表關于本課程的學習心得或體會，大數據自適應學習系統同樣將這些觀點看法存儲起來用于大數據挖據[10]。大數據自適應學習系統模型如圖3所示。

圖3中，經過挖掘后的數據具有規律性、個體差異性、技巧性和可擴展性4個特點：①規律性。即將隱藏在數據中有用并呈現一定規律的信息挖掘出來，以幫助學生快速理解和掌握課程中的知識點，同時也有助于教師發現教學中的問題并及時改進[11]；②個體差異性。是指通過數據挖掘與算法分析后，將所有教師注釋或點評，以及讀者心得體會按照不同個性差異總結歸納為若干類，并將每一類個性適合的學習方法進行明確和具體化，學生根據自身特點進行選擇；③技巧性。是指將所有關于某課程的學習方法和技巧歸納在一起，以便學生解決實際中遇到的問題；④可擴展性。是指在分析總結所有大數據自適應學習系統特點的基礎上，可對系統模型作進一步改進和補充[12]。

3.1 學生知識點理解掌握能力分析

對于知識點理解掌握能力的分析，教師選擇某課程中出現的50個知識點，并選取50名學生作為樣本考察對象，讓每一名學生分別回答這50個知識點，掌握率等于回答正確的知識點除以知識點總數，并將完全利用大數據自適應學習的學生數量記為A，完全不用大數據自適應學習的學生數量記為B，有時用大數據自適應學習的學生數量記為C。測試后經統計，不同類型學生對于知識點的掌握率如圖4所示。

由圖4可知，完全利用大數據自適應學習學生的知識點掌握率>有時用大數據自適應學習學生的知識點掌握率>完全不用大數據自適應學習學生的知識點掌握率。

3.2 學生成績驗證分析

選取50名學生作為樣本考察對象，在驗證前的某課程考試中，50名學生均未參加過大數據自適應學習情況下，設定學習成績80～95分為優秀生，60～79分為中等生，59分以下為差等生，數量分別為E、F、G。將50名學生按照學習成績相當與人數相等分配成兩組，在學習時間相同的情況下，比較采用大數據自適應學習和未采用大數據自適應學生的優秀生、中等生及差等生數量。學習興趣度即對學習感興趣（優秀生+中等生）的人數除以樣本總人數，驗證前后的學生學習成績情況分別如表1～表3所示。

將表1、表2數據進行比較可知，大數據自適應學習模式下，學生成績獲得了較大提高，學習興趣度也得到提升，此外該學習模式有助于提高學生分析和解決問題的能力。

4 結語

本文對大數據自適應學習模型與流程進行了分析，并對大數據自適應學習模型的實現進行深入的理論探討，最后從學生知識點理解掌握能力和學生成績兩個角度分別驗證大數據自適應學習系統的優勢。學生在大數據自適應學習情況下，學習成績不僅夠得到了快速提升，而且提高了分析和解決問題的能力，并最終使學生對學習產生濃厚興趣。

參考文獻：

[1] 林海倫，王元卓，賈元濤，等.面向網絡大數據的知識融合方法綜述[J].計算機學報，2017（1）：1-6.

[2] 陸蕓婷.基于數據挖掘的高職院校自適應學習系統研究[J].科教文匯，2016（17）：86-87.

[3] 韓林.云存儲移動終端的固態緩存系統研究[D].武漢：華中科技大學，2014.

[4] 楊現民，王榴卉，唐斯斯.教育大數據的應用模式與政策建議[J].電化教育研究，2015（9）：54-61.

[5] 陳杰.本地文件系統數據更新模式研究[D].武漢：華中科技大學，2014.

[6] 王大玲，于戈，馮時，等.面向社會媒體搜索的實體關系建模研究綜述[J].計算機學報，2016（4）：39-43.

[7] 崔路云.基于大數據時代背景對統計學教育的幾點思考[D].北京：首都經濟貿易大學，2014.

[8] 王桂林，韓顏波，張仲妹，等.基于云計算的流數據集成與服務[J].計算機學報，2017（1）：107-113.

[9] 劉鳳娟.大數據的教育應用研究綜述[J].現代教育技術，2014，24（8）：13-19.

[10] 黃凱奇，任偉強，譚鐵牛.圖像物體分類與檢測算法綜述[J].計算機學報，2014，36（6）：1225-1240.

[11] 馮翔，余明華，馬曉玲，等.基于大數據技術的學習分析系統架構[J].華東師范大學學報：自然科學版，2014（2）：20-29.

[12] 吳存清，任沛閣，王小峰.基于語義的網絡大數據組織與搜索[J].計算機學報，2015（1）：1-14.

（責任編輯：黃 健）