大數(shù)據(jù)技術下個性化在線教育互動式教學探索

蔡櫻

摘要：隨著在線教育在教育領域中的異軍突起，提出了在線教育互動式教學個性化推薦系統(tǒng)構建模式，擬采用大數(shù)據(jù)的分析技術，通過對學生學習行為數(shù)據(jù)的收集和分析，綜合分析學習者的學習情況，并進行智能推薦。

關鍵詞：在線教育；大數(shù)據(jù)；個性化推薦

中圖分類號：G642文獻標志碼：A文章編號：10052909（2018）03013104為深入貫徹落實黨的十九大精神，加快教育現(xiàn)代化和教育強國建設，推進新時代教育信息化發(fā)展，培育創(chuàng)新驅動發(fā)展新引擎，結合國家“互聯(lián)網(wǎng)+”、大數(shù)據(jù)、新一代人工智能等重大戰(zhàn)略安排，國家推出《國家中長期教育改革和發(fā)展規(guī)劃綱要（2010—2020年）》《國家教育事業(yè)發(fā)展“十三五”規(guī)劃》《教育信息化十年發(fā)展規(guī)劃（2011—2020年）》《教育信息化“十三五”規(guī)劃》等文件，2015年3月教育部也推出了《教育部關于加強高等學校在線開放課程建設應用與管理的意見》。

一、“互聯(lián)網(wǎng)+教育”的基本內(nèi)容與發(fā)展情況

“互聯(lián)網(wǎng)+”這個概念第一次出現(xiàn)在2015年兩會李克強總理的《政府工作報告》中。“互聯(lián)網(wǎng)+商品”變成了淘寶、唯品會；“互聯(lián)網(wǎng)+貨幣”變成了支付寶、余額寶；“互聯(lián)網(wǎng)+手機”變成了微信、視頻通話；“互聯(lián)網(wǎng)+出租車”變成了滴滴打車……而“互聯(lián)網(wǎng)+教育”則變成了愈演愈熱的在線教育。

在線教育在國內(nèi)發(fā)展一般會經(jīng)歷試錯、認同和發(fā)展三個階段。目前在線教育已經(jīng)處于認同階段，人們已經(jīng)普遍接受在線教育模式，正感受著在線教育帶來的與傳統(tǒng)教育不同的體驗，各種探索模式不斷涌現(xiàn)，層出不窮。在之后的幾年里，相信在線教育將會以驚人的速度步入發(fā)展階段，并逐步成為教育領域的主流[1]。

二、在線互動式教育國內(nèi)外經(jīng)典案例分析

中國在線教育目前仍屬于起步階段。在線教育有B2C、C2C、O2O、MOOC等多種模式。

（一） 針對中小學英語教育的“一起作業(yè)網(wǎng)”

“一起作業(yè)網(wǎng)”在中小學教材同步作業(yè)的基礎上，基于大數(shù)據(jù)的分析方式，依托強大的教研和科研團隊，為教師、學生、家長提供基于互聯(lián)網(wǎng)的在線教學互動式服務，可為教師提供全面的分析報告和便捷的教學工具，為孩子推送有趣的學習應用和個性化的學習內(nèi)容，為家長反饋孩子學習情況。

（二） 猿題庫“1對1”輔導

基于學生數(shù)據(jù)的個性化課外輔導平臺，為學生獨立定制課件，同時，還發(fā)布了教師端的產(chǎn)品，構建了服務于教師的作業(yè)布置平臺，主要有“1對1出題”和“統(tǒng)一出題”功能。

（三） 麥學習

建立個性化題庫并挖掘學生長短板，由教師主導創(chuàng)建班級，布置作業(yè)，上傳題目、答案和解析，并由系統(tǒng)自動批改部分主觀題，自動生成報告并反饋。

（四） 學大教育推出的個性化教育“e時代”

學習者可以利用學大教育2萬多名教師提供的海量學習資源，建立屬于自己的學習檔案，教師和家長在相應的終端上可以隨時查看學生的學習情況，了解作業(yè)進度和學習中遇到的問題。通過對數(shù)據(jù)的分析，可以作為提高成績、填報志愿的參考依據(jù)[2]。

美國匹茲堡大學的Peter Brusilovsky教授針對學生的學習背景、興趣愛好、知識水平建立了用戶模型，為適應學習者與系統(tǒng)交互過程中的個性化學習需求，先后開發(fā)了InterBook、ELM-ART、Knowledge Sea、AnnotatEd、TaskSieve等個性化學習系統(tǒng)；荷蘭愛因霍芬科技大學的DeBra教授、澳大利亞墨爾本皇家理工大學的Wolf教授及希臘雅典大學的Papanikolaou等人也分別研發(fā)了AHA！、iWeaver、INSPIRE等個性化教育超媒體系統(tǒng)[3]。

以“child-centered learning”為創(chuàng)學主旨的K12教育AltSchool成功打造了個性化在線教育機構，根據(jù)每個學生不同的特點制定了不同的教學計劃，了解其真正的興趣點和天賦。AltSchool還提供面向家長的APP，讓家長在電腦和手機上查看孩子的情況，尋求家長與機構的雙向反饋。

三、在線互動式教育個性化推薦的目的與構建思路

傳統(tǒng)教育喜歡采取“題海戰(zhàn)術”，一到考試復習，學生有做不完的試卷。我們不否認通過練習能提高學生的學習成績，但是一味盲目的做題，大量重復地做已經(jīng)會了的題，不僅對成績的提高無益，反而會使學生產(chǎn)生厭煩情緒，長此以往，應該掌握的知識點依舊沒有掌握。這樣的惡性循環(huán)，將學生對學習的興趣磨滅殆盡，學生的信心下降，產(chǎn)生排斥心理，面對做不完的試卷，最后只有胡亂填寫，甚至抄襲[4]。

為此，提出了基于大數(shù)據(jù)的在線教育個性化推薦互動教學思維模型，根據(jù)學生對知識點認知程度的差異，實時跟蹤記錄學生的學習狀態(tài)，對每一單元的知識點進行網(wǎng)絡結構劃分，層層遞進；根據(jù)學生的基礎情況，嚴格有效控制每道題的難度，以提高學生的信心；在避免大量重復做題的同時，推送個性化練習，從根本上提高學生的成績，從而實現(xiàn)在大數(shù)據(jù)時代背景下的在線教育個性化推薦。不僅如此，教師可以根據(jù)記錄的每個學生的學習狀態(tài)和對不同題型的掌握情況，調整教學計劃，開展個性化教學。基于大數(shù)據(jù)的在線教育個性化推薦有很好的應用前景，在減輕學生學習負擔的同時，能輕松提高學生的學習成績。

在線教育的個性化推薦，其個性化推薦模式很多，大致可以歸納為三個方向。

（一）針對學習內(nèi)容的個性化推薦

個性化推薦是在線學習領域中是最常見的一種方式，通過學習者的偏好程度，建立用戶模型，預測學習者可能需要哪些方面的學習內(nèi)容，推薦給學習者。記錄學習者的學習行為結果，通過分析不同的結果刷新用戶模型，將學習者感興趣或者應該學習的學習內(nèi)容推薦給學習者。

（二）針對學習難度的個性化推薦

這是基于智能題庫的個性化推薦，學習者每進行完一次練習之后，計算學習者的個性化的學習難度，結合精確的學習狀態(tài)，生成適合于學習者的個性化難度習題。這種個性化的推薦往往在內(nèi)容上沒有太多要求，但是通過對習題難度的有效控制，可以大大提高學習者的信心，重拾對學習的興趣，提高學習者的成績。

（三） 針對學習風格的個性化推薦

基于VARK學習風格模型的多元化媒體資源適應性呈現(xiàn)模型[3]研究表明，視覺性的學習者更喜歡看動畫和視頻，聽覺性的學習者更喜歡音頻資料，讀寫型的學習者更愿意選擇閱讀文檔，動覺型的學習者傾向于在仿真游戲中學習。如果給學習者呈現(xiàn)了最佳的媒體資源，并且符合其認知習慣，就可以極大地激發(fā)和維持其學習動機，提高學習效率[5]。

（四）構建工作原理

一個好的個性化推薦系統(tǒng)，可以結合學習者自身的學習基礎，為其量身定制習題，從根本上提升學習者的成績，個性化推薦已較為常見，只是根據(jù)側重點而有所不同。 其基本的工作原理是：首先獲取諸多的離線數(shù)據(jù)源，然后利用大數(shù)據(jù)分析技術分析、清洗這些異構數(shù)據(jù)源，處理分析這些看似雜亂的數(shù)據(jù)，挖掘其中潛在的規(guī)律和隱藏的趨勢，建立學習者預測模型，再結合個性化智能推薦引擎，便可以為學習者推薦量身定制的習題，更快更好更精準地提升學習者的成績。

通常離線數(shù)據(jù)來源于以下幾個方面：（1）待推薦習題的特征屬性，如學科、年級、知識點、難度等；（2）學習者的屬性信息，如姓名、年級；（3）學習者的學習行為數(shù)據(jù)，如完成時間、完成效果等。

而個性化智能推薦引擎用到了協(xié)同過濾相關的理論和算法，結合大數(shù)據(jù)中挖掘學習者學習行為數(shù)據(jù)中的有效信息，通過數(shù)學建模實現(xiàn)在線教育的個性化推薦。

以某個學習者為例，針對每一次練習之后的情況進行演示，由此可以看出每一次練習之后的學習效果，驗證所提出的在線教育個性化推薦系統(tǒng)的可行性。

學習者經(jīng)過系統(tǒng)推薦進行指定習題集的學習，產(chǎn)生新的學習行為數(shù)據(jù)，計算機計算出每個知識點對應的完成時間以及正確率，分析學習者掌握得最差和最好的知識點，作為下一個新的輸入進入大數(shù)據(jù)。智能推薦系統(tǒng)則通過建立協(xié)同過濾模型，計算出每個知識點對應的理解程度參數(shù)（UD）值，結合大數(shù)據(jù)不斷循環(huán)記錄學習者的學習行為數(shù)據(jù)，并進行數(shù)據(jù)分析，再次為其進行個性化推薦，為學習者推薦合適的習題。經(jīng)過不斷迭代和多次訓練之后，如學習者已經(jīng)完全掌握了這一單元的全部知識要求，系統(tǒng)會給學習者一個肯定的結論和分值，從而完成該知識點的學習。

（五）構建思路

在線教育個性化推薦，主要是通過學習者對每一個知識點的理解程度系數(shù)UD建立學習者模型，再通過BP神經(jīng)網(wǎng)絡建模計算出準確的UD值。例如：將UD定義為11個等級，用0～10中的整數(shù)分別表示。設學習者模型中UD的期望值為9，通過實際值與期望值比較得出誤差值，再由誤差值來計算出需要推薦的習題。推薦的習題主要由單元、知識點、習題難度、題量決定[6]。

1. 單元與知識點的確定

單元與知識點的確定取決于學習者的選擇，學習者可以選擇單元測試，選擇某個知識點的針對性練習，也可以選擇整個學期的總體復習。如果學習者選擇了某個知識點的針對性練習，系統(tǒng)會只推送該知識點的習題，這里又分兩種情況：如果上一次推薦的EI已經(jīng)為最小等級，即EI=1，但是學習者做了推薦習題之后UD還遠遠低于期望值，則系統(tǒng)判斷其原因是學習者對于該知識點的前一知識點沒有掌握，因此系統(tǒng)推薦復習前一知識點相關習題；如果上一次推薦的EI已經(jīng)為最高等級，即EI=10，并且學習者做了推薦習題之后UD已經(jīng)達到了期望值，則系統(tǒng)判斷學習者已經(jīng)完全掌握了該知識點，因此進入下一知識點；如果學習者選擇了單元測試，系統(tǒng)會根據(jù)單元中每個知識點的掌握情況推送不同的習題，如果每個知識點的理解程度達到了期望值，則進入下一單元的學習；如果學習者選擇了整體復習，系統(tǒng)會根據(jù)每個知識點的理解程度系數(shù)選取最薄弱的知識點進行推送。

2. 習題難度的確定

同樣，定義每道題的難度系數(shù)EI，共分10個等級。在推薦過程中，推薦習題的難度系數(shù)由計算得出的UD值決定，即EI=UD。由系統(tǒng)自動推薦對應知識點的對應難度等級的習題。

3. 題量的確定

學生需要達到的練習及復習鞏固的習題量可通過前面習題正確率和錯誤率的統(tǒng)計分析，經(jīng)過輪盤算法確定。

四、結語

在線教育打破了傳統(tǒng)教育的固有模式，直指傳統(tǒng)教育的疑點和盲點，在教育領域開辟了一條全新的道路。在大數(shù)據(jù)時代背景下的今天，通過大數(shù)據(jù)分析挖掘有價值的信息，實現(xiàn)在線互動式教學個性化的學習推薦是在線教育的一個新起點。

通過總結在做題過程中最能影響學習者答題結果的外部因素，結合學習者的答題結果，綜合得出影響學習者對某一知識點的理解程度的關鍵點，建立原因與結果的一一對應關系，通過后期訓練，不斷加深學生對知識點的理解和掌握，提高學生學習的主動性，讓教師的教學方向及側重點能夠及時調整從而到達到最佳的教學效果。

參考文獻：

[1]黃荷.今日談：大數(shù)據(jù)時代降臨[J].半月談，2012，（17）：97.

[2]魏順平，學習分析技術：挖掘大數(shù)據(jù)時代下教育數(shù)據(jù)的價值[J].現(xiàn)代教育技術，2013（2）：5-7.

[3]姜強，趙蔚，個性化自適應學習研究——大數(shù)據(jù)時代數(shù)字化學習的新常態(tài)[J].中國電話教育，2016（2）：28-32.

[4]周洪宇，鮑成中.撲面而來的第三次教育革命[N ].中國教育報，2014-05-02（07）.

[5]余勝泉.適應性學習——遠程教育發(fā)展的趨勢[EB/OL] .www.etc.edu.cn/academist/ysq/shiying.html， 2015-10-08.

[6]楊妮.美國高中個性化教育策略及其啟示[J].教育導刊，2013（1）：16-19.