大數據環境下的自適應學習模型構建

王玉瓊

（阜陽職業技術學院 安徽省阜陽市 236001）

因為大數據技術以及密集型科學的迅速發展，可以在社會各個領域之中，成為各學科生產的主要因素，美國學科基金會提出了大數據研究項目，從而使得人們進入到智慧環境中學習，針對教學設計以及內內容進行創新和改進，提出規范化學習模式，新時期要注重將大數據融入到教學中。不過大數據教學模式遇到了前所未有的挑戰，最主要方式是如何獲取數據資源。新時期需要針對學生學習學習做出合理評價，高度重視學生形成性評價，基于大數據環境下構建自適應學習模型，引導學生自主學習，從而不斷提升教學效果。

1 國內外研究現狀

學習經歷主要是學習過程中出現的不同互動形式，以及獲取的經驗，主要是課程學習、編程編寫和其他教學參與過程，在傳統教學環境中經常出現，比如學校、課程都是在傳統學習環境中完成的，主要是學習人員直接或者間接向教師請教，在互動式教學模式中對知識進行學習。

基于現實社會環境中對各種數據進行挖掘，可以使用傳感器以及GPS定位等技術對用戶生活情況進行定位，對實時數據進行分析。學習經驗獲得的數據內容和相關性存在聯系，主要是實時數據和歷史數據，各種數據混合起來，形成數據流，能夠為綜合環境具體分析，為人們提供廣泛個人信息空間。傳統意義上學習經驗數據都是通過采集完成的，對工作環境完全忽略，個人信息數據主要是對反饋和績效內容進行分析，從而可以更好的完成任務。

2 分析自適應學習模式特征以及有效性

2.1 模型結構特征

以學習者數據為主的互聯網自適應學習模式，在新時代提倡的一種教學模式，從數據挖掘角度上高度注重學生內部因素帶來的影響，結合傳統外部因素影響力具體研究和分析，針對學習者個性特征深入探究，從而可以更好的對學習目標進行預測。還要確立自適應處理模型，對學習危機以及風險進行合理預測，有效預警干預，將實際結果傳送給學習者，使得教師、學生和管理人員能夠從內而外聯合起來學習，對各方面結構深度優化和改進，從而可以達到自適應學習基本目標。

2.2 模型有效性分析

傳統要素模型對于學生來說是比較抽象的，對于自適應方式和操作步驟并未有效明確，對學習分析過程更加規范和具體，追求細節嚴格性，不過缺少對整體的思考和分析，從而使得優化效果無法

達到學生學習需求。對于自適應學習模型出現的問題具體分析，將學生作為模型中心，時刻關注學生學習過程中行為、表現、情感以及個性等，對各種要素進行合理控制，使得學生學習中行為以及個性受到教師引導，進而可以成為成功教學案例。為學生提供在線學習模式，構建良好教學平臺，做好分析和數據收集工作，對學生學習情況進行診斷和分析，從而可以及時發現學生學習過程中存在的問題，結合具體情況有效調整和優化，為學生提供良好報表內容，聯合實時具體分析，從而使得學生可以獲取課程詳細內容，對學生學習能力以及參與度合理分析。并且以學生學習過程為主，從而可以展示模型運行有效性。尊重學生個性化發展，為學生提供適合的教學模式，做好數據收據和診斷工作，從而可以達到良好教學模式。模型的最大優勢就是將學生學習過程作為基礎，基于學生行為基礎上作出決策，將心理情感以及個性化發展納入到教學中，學習人員、教師和管理者可以針對性分析，做好調整工作，注重關注學生情緒，對學習心理心理進行干預，從宏觀和微觀角度上對個性化學習內容進行分析[1]。

3 構建大數據環境下的自適應學習模型方式

3.1 自適應學習系統流程構建

大數據環境下自適應模型可以分為四個步驟，第一步是學習者在學習過程中可以形成行為數據內容，通過內容傳遞模塊知識，對數據進行標記，將時間作為依據。第二步，數據結合預先定義基礎結構保存到學生學習數據庫中[2]。第三步，預測模塊是從學習人員數據庫以及信息系統中采集基本數據內容，結合不同時期分析基本目的，對工具和數據進行全面分析。第四步，自適應模塊結合預測模塊中學數據深度挖掘，對結果進行分析，以內容基礎為學習人員提供適合的指導以及對策等[3]。

3.2 個性化自適應學習過程結構

在學習分析促進教育學簡報中提出學習者自適應學習結構以及數據流具體內容，此結構主要包含六個主要內容，主要是傳遞模塊、學習數據庫內容和預測模塊、顯示、自適應和干預等，所以將其作為自適應依據具體分析和研究，此模塊結構主要是在線學習平臺為主的業務核心內容，充分展示出大數據分析和個性化學習引擎，進而可以形成一種適合學生學習的個性化自適應平臺，并且將其引入到歷史數據庫中研究，提升書數據分析價值。

（1）歷史數據庫的成立，很多學校內部都擁有很多歷史數據，對這些數據進行深度挖掘，可以展示出在線學習的主要特征。

（2）在線學習平臺，借助教學平臺、Moodle等平臺開展在線學習，進而可以為人們提供更多真實學習內容，比如知識點、案例和測試以及練習等各種可視化信息內容，做好管理、維護和傳遞學習工作，從而可以更好支持學生學習行為發展，并且各種平臺的構建需要在不同時期和不同層次開展，完成學習任務，和特征。

（3）大數據分析模塊，主要來自于歷史數據庫中，在線數據庫以及在線學習行為數據等不同方向，進而可以得到基礎課程個人學習行為特征預計預測基本結構。

（4）個性化學習推薦引擎，結合大數據分析結構以及預測結構為學習人員提供更多感興趣的學習內容作為參考，在學生內心可以形成一定學習路徑，進而可以推薦給學生一定學習序列。

（5）學習對策，自適應性學習系統中，學習人員一般采用三種學習形式，比如講授式、也探索式和協作式，在實際教學中可以采用協作式教學方式，對不同學生提供不同教學對策，進而可以完成學習過程。

3.3 構建核心預測模塊

預測模塊基本功能是對外部學習人員收集的信息內容以及數據等進行整合，還要分析內部學習人員行為，結合數據深度挖掘和預測達到合理化結果，對于學習人員行為和結構進行預測，為自適應模塊提供合理化依據，將結論全部傳送給教師以及管理者，便于教師和管理人員迅速做出判斷，為下一步工作內容做出合理化調整和干預。是整個自適應系統的媒介，對自適應學習系統功能運作具有支撐價值，預測模型的好壞直接影響了整個系統運作功能是否可以有效實現[4]。

3.4 以學習結果作為基礎

構建此模型的原理是將預測目標作為因變量，預測指標作為自變量，通過分析有效探索兩者關系，學習結果預測是以數據分析合理探索自變量和因變量關系，保證不同測量結果對目標的權重。生成的模型主要是理論設計，對模型進行驗證，使用多元回歸分析法，對學習預測參數進行預測。在學習結果預測上，需要將學生學習成績和等級，以及成敗等作為預測內容，在預測變量上，將個人背景作為基本信息，做好過程性指標預測工作，針對學習參與狀況和情緒具體分析，優點在于數據分析過程十分簡潔，制作原理比較簡單和成熟，可以準確化得到預測結果[4]。同時也存在一些問題，數據來源過于單一，學習情境不夠多元，并且學習行為都是外部數據決定的，學習人員行為數據嚴重不足，徹底否定了內外行為之間關系。可以采用成熟預測原理和方法作為基礎，以多元化回歸分析和方程作為線性分析內容，在實際學習過程中對行為和結果具體研究，使得結果更加真實和具體[5]。還要對學習人員的個性化進行指導和研究，結合學生具體情況成立獎勵機制。將學生人員數據作為中心，構建互聯網預測模型，基于原模型基礎上作出分析，提升學習人員內在行為效果，為學生提供個性化學習目標和內容，通過預測為其提供合理化教學內容，提升學生學習危機意識，注重給予學生學習過程中干擾內容，從而可以更好的符合自適應學習，提供最佳服務形式。在實際構建過程中注意將學生作為中心和基礎，分為外在行為、內在行為和個性特征有效分析，結果則是對目標、處理和風險危機預警進行預算，從而可以達到最好效果[6]。

3.5 學習要素分析

學習分析要素分為五個方面，過程、學習和教育環境等等，需要結合國內外發展內容具體研究，構建自適應學習模型，參考五要素模型中約束條件，轉變內外約束思想，拓展內外約束內容，不能要充分考慮學生接受能力以及學習能力，還要對學生傾訴和心理因素具體研究。模型中體現學生學習是一個循環過程，以學習結果作為依據不斷優化和升級，從而可以對改進后的結果再次分享和反饋，如此反復循環，對整個學習過程中有用資源進行利用，達到一種改善教育效果，使得教學目標得以提升[7]。

3.6 基于數據支持下儀器面板可視化

學習儀表板為人們提供真實數據和報道內容，將其可視化方式呈現出來，便于人們對學習內容進行觀察和分析，學習儀表板主要為學生提供個性化學習內容，不同人員對待學習發表的觀點是不同的，不過也是存在聯系的，所以需要結合人員需求提供適合內容，顯示符合數據信息，從而可以有效提升自適應模型構建效果[8]。

4 結束語

總而言之，大數據環境下，對網絡在線學習模式中師生學習經歷數據獲取、識別、分析和傳達進行深度挖掘，以固定教學方法和理論知識，針對大數據網絡中存在的在線學習模式個評價內容做出分析，針對問題深度研究，從而可以形成不同結果，從而使得在線學習成為評價學習的基礎，提升學生綜合能力和素養，同時可以推動高職教育行業發展。