基于大數據的個性化學習模式構建

周顯春 譚瑞梅

摘要：隨著高等教育的大眾化，出現了人才缺少和畢業生過剩的矛盾。如何解決人才供求之間的問題成了一個迫切問題。人類社會已經進入大數據時代，教育部門或組織擁有大量的學習行為、學生習慣等數據。利用大數據技術發掘每個學生的學習潛能，給學生推薦個性化學習資源，滿足學生的個性需求，不僅可以緩解學生認知超載、網絡迷航等問題，還可以激活學生學習興趣。

關鍵詞：教育大數據;個性化;學習模式;推薦

中圖分類號：G642? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）36-0054-03

開放科學（資源服務）標識碼（OSID）：

Construction of Personalized Learning Model Based on Big Data

ZHOU Xian-chun1， TAN Rui-mei2

（1.School of Information and Intelligence Engineering，Sanya University， Sanya 572022， China; 2.School of Law and Sociology，Sanya University， Sanya 572022， China）

Abstract： With the popularization of higher education， there is a contradiction between the lack of talents and the surplus of graduates. How to solve the problem between talent supply and demand has become an urgent problem. Human society has entered the era of big data， and education departments or organizations have a large amount of data on learning behaviors and students' habits. Using big data technology to explore each student's learning potential， recommend personalized learning resources to students， and meet students' individual needs，can not only alleviate students' cognitive overload、network lost and other problems， but also activate students' interest in learning.

Keywords： big data in education;personalization;learning model;recommendation

1 基于大數據的個性化學習模式構建的意義

國發〔2015〕32號《國務院關于大力推進大眾創業、萬眾創新若干政策措施的意見》要求全社會推進大眾創業、萬眾創新，提升全民的創新能力，其關鍵還是人才培養方式。培養創新性人才需要采用個性化教育，對大學生進行個性化教育則是實現這一重要任務的根本途徑，唯有因材施教才能使人的潛在能力得到充分發揮[1～2]。

當前，國內外利用機器學習算法對個性化學習研究多集中在個性化學習路徑推薦、個性化學習系統、個性化教學方法、個性化學習評價模型等幾個方面。姜強等[3]基于大數據背景下，利用大數據技術，如Apriori或其改進算法AprioriAll通過個性信息和群體類似信息挖掘個性化的學習路徑。周海波、周清清[4～5]根據對學生基本情況、心理特征分析的基礎上給學生推薦適合學生的學習資源，包括學習視頻、習題等。牟智佳[6]等為了客觀評價學習效果，利用層次性聚類方法構建層次性評價體系。這些研究，無論是學習路徑的實現、推薦系統的功能實現，還是個性化學習方法、學習效果的評價方法都忽視一個核心內容，即學生的學習特征，包括學習風格、學習習慣等特征與知識點之間的前后之間是有本質區別的。學生個性化特征不具有時序性，而知識點的學習是有前后關系、并行關系。哪個知識點必須先學，哪些知識點可以隨便選擇，需要對知識點進行分析，建立知識點圖譜，建立他們之間的序列關系，才能推薦更能滿足學生個性化的學習資源和學習路徑[7]。

2 個性化學習模式核心概念界定

1）知識點題庫：與一般題目不同的是以知識點為基本單位的題庫，最重要的特征是存儲在系統中的知識點是有前后關系，表示知識點循序漸進的關系，完全符合人的認知規律。

2）Apriori算法：最早是由 Agrawal 等人提出的。最初提出的動機是針對購物籃分析問題提出的，其目的是發現交易數據庫中不同商品之間的聯系規則。這些規則刻畫了顧客購買行為模式，可以用來指導商家科學地安排進貨，庫存以及貨架設計等 [8]。而且它也是一種迭代算法，利用它的子項Lk-1來計算出它下一項，反復地迭代直達候選集為空，停止執行[9]。

3）個性化：從教育學的視角出發，個性化是人的個性特質，每個人都有差異，表現為不同學生對同一個學習內容采取的學習行為不同。也就是說，雖然學習目標、內容大同小異，但是每個學生實現的方式、選擇途徑、使用方法不同，產生的學習效果不同。

4）個性化學習：以學生為主，教師為輔。學生根據自己的具體情況，如知識基礎、心理特征、學習態度、學習能力來選擇性學習。

5）個性化推薦系統：推薦系統是自動聯系用戶和物品的一種工具，它通過研究用戶的興趣愛好，來進行個性化推薦。近年來，推薦系統在日常生活中已經廣泛應用，如在京東、淘寶、天貓、亞馬遜等企業。為了提高推薦效果，如提供用戶響應時間和推薦的正確性，很多學者也對基于各種推薦算法（包括深度神經網絡）的個性化推薦系統進行的深入研究[10]。

6）學習模式（Learning style）[11]，“學習模式”概念思想闡述產生于20世紀70年代，近年來普及迅速。它含有假定的條件，學生在這種情況下可以讓學習效果達到最佳狀態，并且學生的學習情況能夠被教師評價。

3 基于大數據的個性化學習模式構建內容

基于Apriori算法個性化學習模式的構建，立足學生內心的需求，將大數據技術與教育學原理相結合，在尊重教學規律的基礎上，利用先進信息技術讓學生找到符合自己需要的資源和匹配自己習慣的學習方式，從而能夠有效提升學習效果。

3.1 基于大數據的個性化學習模式構建的目標

首先，完成學生檔案、心理特征和個性化學習數據收集、分析，然后對個性化學習模式和實踐進行探索，并突出對影響學生個性化學習內容的要素研究與探索，最后以新生學習的計算機應用基礎課為案例開展實踐活動，研究個性化學習模式的建構及其實踐途徑。

1）探索個性化學習、基于大數據個性化學習的現狀，揭示基于大數據的個性化學習特征。

2）建設個性化學習資源，如以知識點為基本單位建立學習內容題庫等。

3）完成學習個性化心理特征與個性化學習內容的相關性分析。

4）通過課題研究，建構一整套科學完善的基于大數據的個性化學習模式。

3.2 基于大數據的個性化學習模式構建的內容

針對學習者個性化學習內容不完善的情況，本研究首先利用Apriori算法研究知識點與個性化特征的關系，分析學習者個性化特征與個性化學習路徑的相關性，然后對這種相關性進行驗證。具體研究內容如下：

1）分析個性化心理特征內容，如課程學習目標、學習行為習慣、學習興趣點、學習目標或動機等方面，然后采用問卷調查或訪談的方法收集學習者具體的個性化心理特征，最后把個性化心理特征進行量化處理;

2）完善基于知識點題庫建設，構建了序列知識點題庫。

3）收集學習者的上線學習、測試、交作業、討論等學習數據和個人基本信息，還有自評、同學互評、老師評價信息，采用Apriori算法首先分析學習個性化特征與個性化學習內容的關系。

4）對個性化特征與個性化學習內容的相關性進行實證研究。首先對學習者分成兩組，第一組學習者自己選擇學習內容、控制學習進度，第二組利用大數據技術（如：Apriori算法）挖掘每個學習者的個性化特征，為其提供個性化的學習內容（與該學習者相關的知識點集合），并且在其學習的過程中有一個根據學習情況調整學習內容的過程。在學習期間穿插知識點、單元、期末測試，比較第一、二組的學習成績。同時收集第二組學習者對個性化系統為其提供內容的滿意度，然后通過學習成績和學習者的滿意度來驗證相關性的意義。

3.3 基于大數據的個性化學習模式構建方法

1）文獻研究法：在CNKI、萬方數據知識服務平臺查閱“個性化學習模式”“大數據技術”“Apriori算法”等關鍵詞的相關文獻和分析，了解此大數據技術、個性化學習及大數據技術在個性化學習中應用理論研究進展和未來發展趨勢，熟悉大數據分析技術、個性化學習、學習模式等相關概念，找到當前個性化學習模式存在的問題，總結歸納出研究的理論基礎、研究內容和目標，為基于大數據的個性化學習模式研究夯實理論基礎。

2）調查法/問卷調查法，調查學生基本情況，包括基本情況、心理特征，課前測試學科知識基礎并可以進行不同階段性的學習情況數據對比，做好數據分析的第一步。學生調查/問卷的內容必須要保證符合教育教學原理，必須科學且有針對性。同時，通過收集學生的階段性、過程性、水平測試成績，為實證研究做好數據準備。

3）實驗法，可以把同一個年級的一個行政班分為A班和B班或者一個專業分成幾個行政班，不同實驗班級采用不同的教學方式、教學內容，加強過程性考核并對比其差異性，同時解釋差異性產生的原因。

4）行動研究法，根據研究的需要制訂教學計劃、規劃教學內容，采用適當的教學方法，把研究和實踐活動結合起來，研究理論緊密聯系實際，對研究中出現的任何問題，追索原因并制訂解決方案或計劃及時解決，從而完善教學研究。通過教學名師、中堅力量教師的“幫、帶”的引領 ，以點連成線，線構成面，全面推動教學理論在實踐中應用效果研究，教師將根據個人的實際教學情況或者學情調整、修改并總結歸納實踐成果，撰寫教學論文和申請相關教學課題。利用階段性教學研究成果逐步完善教學研究內容實現途徑，迭代出基于大數據及時的學生個性化學習模式實現路徑、方法等。

5）數理統計、分析法，研究所收集的數據采用Excel收集，存儲在MySQL數據庫，完成數據清理后使用大數據平臺進行統計、分析，根據分析結論結合學生個性化需求為學生推薦個性化的學習路徑及學習資源。

3.4 基于Apriori算法個性化學習模式構建

從2018年秋學期開始，基于Apriori算法的個性化學習模式構建歷經3年設計、實踐。該模式基于大數據技術、結合學生的基本特征、學科知識點的邏輯結構關系，分為課前、課堂、課后三部分，具體內容如圖1所示。

1）課前部分。首先需要根據學習目標確定完成目標需要掌握的知識點的集合。其次，根據知識點和試題的關聯性生成診斷性試卷，對學生進行認知能力測試，得到完成學習目標但是沒有掌握的知識點，同時根據所羅門學習風格測試內容、學情調查表判讀學生的學習風格、學習能力等特征。再次，根據前一步的知識點集合、學生個性化特征，采用Apriori聚類算法完成個性化路徑推薦及對應知識點的資源推薦。主要采用網絡學習平臺實現，目前采用傳智播客的學習平臺完成知識的傳授。

2）課堂教學。可以通過智能設備收集學生學習狀態，如起立、趴桌子打瞌睡、書寫、玩手機、閱讀、舉手、聽講，還有學生表情數據，如中性、憤怒、驚訝、高興。通過這些數據分析數據學習的專注度。同時，通過學生自學、教師面對面個性化指導、同學互助完成課前預習遇到的問題或疑難。師生互動后，針對沒有掌握的知識發送診斷性題目完成知識的轉化。

3）課后反饋。溫故而知新。課后的習題，不僅僅是鞏固已有知識，更多是拓展已有知識，可以和以前的知識點結合，布置綜合性試題，培養學生的綜合運用能力。對于基礎差的同學，課后習題是最后完成學習目標的機會。根據學生完成的情況推薦不同的試題。

4 結論

本文構建了基于Apriori算法的個性化學習模式，能夠利用推薦的個性化學習資源進行學習，從構建序列知識點題庫并實現、采用Apriori算法分析學生個性化特征與個性化學習內容的相關性、基于Apriori算法的個性化學習模式并實證研究等三方面進行創新，不僅符合學生的個性特點和需要，而且學生自主選擇適合自己的學習內容和資源，按照適合自己的方式和進度進行學習。這種學習方式能促使學生個體潛能得到最大限度的發揮，非常符合當前高校人才培養的需求。

從2018年開始在我校大學一年級新生中《計算機應用基礎》課程中開展了“基于大數據的個性化學習模式構建及實證研究”實證研究。其研究成果不僅改善了學生學習效率，大幅提升了學生的學習成績，而且可以緩解學生認知超載、網絡迷航等問題。

參考文獻：

[1] 劉繼勇， 鄧敏. 個性化教育：大學生創新能力培養的根本途徑[J]. 江西社會科學， 2001（5）：129-131.

[2] 李偉光. 當代大學生個性化教育與創新能力培養[J]. 長春師范大學學報， 2016， 35（5）：141-143.

[3] 姜強， 趙蔚， 李松，等. 大數據背景下的精準個性化學習路徑挖掘研究——基于AprioriAll的群體行為分析[J]. 電化教育研究， 2018（2）：45-52.

[4] 周海波.基于自適應學習平臺促進學生個性化學習的研究[J].電化教育研究，2018，39（4）：122-128.

[5] 周清清，佘航，平萍.基于大數據評價的個性化學習平臺模式構建研究[J].中國教育信息化，2016（15）：13-15.

[6] 牟智佳.電子書包中基于教育大數據的個性化學習評價模型與系統設計[J].遠程教育雜志，2014，32（5）：90-96.

[7] 周顯春，肖衡，高華玲. 大數據背景下的精準個性化學習路徑[J]. 現代計算機（專業版），2018-12-15（12）.

[8] 魏玲， 魏永江， 高長元. 基于Bigtable與MapReduce的Apriori算法改進[J]. 計算機科學， 2015， 42（10）：208-210.

[9] 郝曉飛， 譚躍生， 王靜宇. Hadoop平臺上Apriori算法并行化研究與實現[J]. 計算機與現代化， 2013（3）：1-4.

[10] 任明.智能信息系統 以關聯知識優化數據建模的方法和實踐[M]. 杭州浙江大學出版社，2012.

[11]（美）湯白斯.學習模式大發現[M].徐紹知，等，譯.上海：上海世紀出版股份有限公司發行中心，2014.

【通聯編輯：王力】