大數據視野下學習預警的應用

■常 瑩 李 博/蘭州城市學院

進入2020年，我國的教育方向大數據挖掘、AI、數據分析等方面的發展，在技術方面為學習體驗的優化提供了支持，物聯網、數據采集、圖像識別等技術的成熟，讓數據采集體量及質量更為龐大。隨著數據挖掘和數據分析技術的進步，這些技術也應當開始在學習預警相關研究中進行應用了，即在對學習過程中所產生的的數據動作進行采集和分析后，可以更好地發現問題，提升學習效果。

一、學習預警研究現狀

學生的數量在進入知識社會階段后劇增，這也導致管理學生、完成教學目標的壓力比以前更大，因此不同的學習模式以及管理方式也更多地被進行嘗試。在教學成本增加、競爭日益激烈的教育環境下，學習預警的重要性凸顯出來。根據早期研究，隨著學生數量的增長，很多教師無法及時跟進學生的學習成績，對于逃課、未完成作業等行為，也無法及時發現和干預，而通過對學習預警的預測數據進行分析，可以識別出有以上行為的高危學生，繼而對其進行教學干預。在整個教育過程中，基于大數據視野下的學習預警能夠提供的東西越來越多，對于學生的正面影響也越來越明顯。從國內數據來看，我國的學習預警相關研究從十年前開始增多，其中大多為理論性研究，目的是為了解決隨著高校擴招、學分制出現所帶來的實際問題。因此我們可以看出，學習預警是一個長期、連續的教學管理方式。

二、學習預警機制設計

學生學習過程中主要涉及到所學知識、學習行為、學習情緒，其中所學知識的掌握情況主要根據學生的答題測試、課堂觀察來判斷知識掌握程度；學習行為的掌握程度則包括學生的上課頻率、與老師的互動頻率以及課后的自主學習情況；學習情緒相對抽象，我們可以大略理解為在學習過程中所產生的的情緒感覺，如學習效果不好所產生的的挫敗感、取得好成績后的激動情緒等等。從這三方面進行基于大數據的學習預警，對于問題的發現和解決具有積極作用。

(一)學習知識預警機制設計

學習知識主要考慮到學生對知識的接收掌握程度，如通過試題和知識點等大測試數據來檢測學生的知識庫，通過大數據以及相關內容的可視化技術來評估學習者的知識掌握程度，在此基礎上完成預警呈現。其主要步驟分為三大點，分別是診斷、預測、預警。

診斷模塊主要目的是為了判斷學習者對于知識掌握的程度，具體措施包括：將試題以及相關知識點進行矩陣關聯，描述每一道題的每一個相關知識點明細，在學生學習過程中進行相關測試并采集所有數據，以此構成案例庫進行下一步的預測；結合題庫以及知識點相關數據構建診斷模型，通過單一學生的測試數據判斷其知識掌握程度；記錄下知識掌握程度判斷結果、學生對自己的認知測試數據、題庫數據分析等情況，判斷在學習知識過程中所存在的問題。

預測模塊主要是將診斷模塊中的“知識掌握情況”進行收集記錄，具體包括習題庫、案例庫、知識結構數據挖掘機分析，將這一批的診斷結果與新一批學習者的診斷結果進行比對，根據這前一批次的大數據分析來預測新一批學習者是否需要進行學習預警。結果可以分為2個方面，知識掌握程度差的學生會收到預警信息，掌握程度好的學生會收到具體學習情況。

預警模塊，主要是對知識掌握程度差的學生進行精準推送，與此同時也要將這一結果推送給教師和管理者，一邊三方都達到知情程度，并及時就那些干預。預警信息推送后，需要有針對性地提出個性化建議，可以系統進行自適應干預，通過大數據分析，整理出個性化資源推送給相關學生，情況較為嚴重時可以有教師和管理者進行人工干預，依據實際情況和教學管理經驗給學生提出。

(二)學習行為預警機制設計

學習行為是指學生在學習過程中所產生的的行為，往往能表達出學生的態度以及學習情況，在很大程度上會影響學習效果，從這一方面進行數據收集和分析，可以提前告知學生其存在的問題并敦促其改正。同樣是分為診斷、預測、預警三大步驟。如將學生在學習環境下所表現出的相關行為模式進行收集分析，如課前預習、課中與師生的互動、課后強化練習等行為根據時間和頻次進行數據收集和分析，通常來講學生的學習行為主要分為顯性和隱形行為，顯性行為主要是操作、交互、解決問題，隱形行為主要是分享觀點、深化對問題的認知、構建新的觀點，相對而言，隱性行為對于學生的心理認知過程強調得更多，但由于隱形行為的判斷難度較大、準確度較低，因此大部分學習行為數據都是顯性行為。

更進一步來分析，學習行為參與可以大致分為行為參與、認知參與以及情感參與，這其中行為參與是最為基礎的，其頻次和時長是判斷參與情況的主要標準之一；認知參與更多地指向智慧和思想的參與，這也是深度學習的本質所在；情感參與是學生在教學活動中潛在影響最大的因素，在心理上對學習活動進行參與和拓展。

通過將學生的學習行為數據進行采集和分類，將不同層次的學習行為進行不同角度的區分，以產生全方位、多層次的預警效果。在大數據視野下，不同類別、層次的學習行為都需要進行分析，從而判斷某學生的某種行為是否需要進行預警。如果需要預警，則進行信息推送，推送對象分別為教師、管理者、系統以及學生本人。下一步便是根據學生的預警情況進行個性化建議，系統在基于大數據的分析下給學生推薦適宜的資源。

(三)學習情緒預警機制設計

不同的情緒對于學生的學習效果會產生不同程度的影響，教師和學生之間的交流不一定是面對面，也包括圖片、視頻等媒介的交流，因此學生在學習過程中容易產生情感缺失的現象。從學習情緒的角度設置學習預警機制，就可以提前將學生要面對的情緒問題傳達出來并及時解決。基于大數據的情緒統計，一般是視頻監控、情感識別、可穿戴設備以及調查對象的網絡發表記錄的匯總分析，以此來判斷學生的情緒是否需要進行干預。目前學習情緒預警可大致分為主觀和客觀兩類，主觀預警指的是學生的自我測評，客觀預警指的是生理測量和行為測量等方式，多種方法采集到的多種數據，呈現出不同的預警形式，最終反饋出不同的建議。

三、結語

為了提升學習效果，呈現出高質量的學習，在大數據時代進行學習預警的探究意義重大。在知識、行為以及情緒三個方面設計的學習預警機制，可以對學生進行全面的預警，從數據收集和分析過程中，可以看到實用性和方便操作等優點，詳細的數據收集方法、分析方法以及預警算法，都為學習預警的實際應用做出了詳細的設計和完善，在實際學習中對學生的學習成果管理以及現實情況提供大數據支持，同時在教師和管理者的工作質量提升方面也做出了應有的貢獻。但是不得不承認，在大數據采集過程中，仍然存在樣本量不足的現象，這有可能導致數據遺漏，但隨著科技的進步，數據采集與數據分析工具會越來越便利，對此我們需要在保持樂觀心態的同時，也要不斷進行調試和數據挖掘，為學習預警機制的完善和使用做好準備。