基于大數據的學生個性化學習行為與精準教學策略研究

吳傳榮，劉雅杰，黎建新，何 昊

（長沙理工大學經濟與管理學院 湖南 長沙 410015）

人才是國家發展的重要戰略資源，科技創新是實現高質量發展的保證。黨的二十大報告指出，教育、科技、人才是全面建設社會主義現代化國家的基礎性、戰略性支撐。近年來，科技的迅速發展為教育改革提供了堅實的后盾。利用互聯網、大數據、人工智能等前沿科技，推動教育教學現代化發展，優化教學策略，完善人才培養模式，為滿足學生個性化學習的需求制訂精準的教學策略。應用大數據技術采集、分析學生的學習記錄數據，能形成包含知識水平、學習情境、學習行為等特征的個性化學習畫像，提供有效的具體學習反饋，量身定制高質高效的學習策略。全面實施精準教學為學生全面發展和個性化發展提供了現實路徑，對促進教育公平和培養創新人才具有重要的研究意義和廣泛的應用價值。

1 基于大數據的個性化學習行為特征分析

精準識別學習者的個性化特征是實現個性化學習的起點。學習行為特征最重要的描述指標包括過往經驗、學習動機、學習能力、學習習慣以及個體特征等，隨著網絡學習平臺的發展和個性化學習研究的深入，原先簡單的考查特征逐步拓展到學習者行為特征、知識背景、學習動機、學習方法、學習風格、情感表現，甚至價值體系等方面。對學習者個性化特征進行系統化描述可以從三個方面入手：學習動機、學習資源與學習風格。網絡個性化學習行為受學習者主觀判斷影響較大，學習者偏向于使用方便的學習資源，對資源的價值關注程度更低。

大數據技術豐富了學生獲取信息的途徑與方式，引起了教學思維的轉變和教學結構的變革。大數據挖掘技術是開展個性化教學的重要技術之一，收集學習過程中的文本、圖像、視頻等數據，刻畫學習者的學習習慣和學習興趣畫像，建立體現在線學習行為特征的標簽體系，主要包括前段投入程度高、相較視頻更喜文本、考核起到明顯督促作用、缺乏主動有效反思等特點，繪制出學習者的行為模型，從而滿足學生個性化學習的需求。大數據分類技術運用神經網絡、深度學習、決策樹等方法，預測學習成績、學習需求和學習風險等學習行為特征，為精準擬定高適用性的學習方案奠定基礎。大數據分析技術關注學習行為之間的關聯性，理解和優化學習及其產生情境，為學習者提供高度相關的學習主題設定和資源推送。

2 學習情境對個性化學習行為的影響研究

情境學習理論（Situated Learning）認為，學習行為不僅僅是學習者的情感認知、觀念等個體意識重組的心理過程，還是學習者與外部環境發生信息交流、活動干預的參與過程。學習實質上是學習者在與學習情境互動中收獲知識、形成學習者自身意識的過程。

2.1 學習情境影響學習投入程度

在不同的學習情境中，學習者的學習行為呈現顯著差異，學習投入程度深淺不一。例如，在個體性情境中，情感需求更為重要，學習者的注意力和興趣訴求明顯地影響學習活動；在任務性情境中，學習者的風格習慣對學習效果產生重要影響；在社會性情境中，學習者的角色身份體現其社交網絡面貌。學習情境對學習者的心理狀態產生顯著影響，外部學習情境轉換會導致內部心境變化，影響學習者的記憶強度，進而影響學習者的投入程度。

2.2 學習情境影響學習意圖行為

學習情境對于學習意圖行為的影響十分顯著。借助網絡這一現代化平臺開展學習的學生，其學習意圖與課堂學習者存在較大差異。在個性化學習行為中，學習情境較學習態度更為直接地作用于學習動機和具體行動的轉變。網絡學習平臺為學生提供易于獲取、種類豐富、形式多樣的學習資源，持續吸引學習者的興趣，學習者更加主動地參與網絡學習過程。

2.3 學習情境中學習行為的識別

學習者是主動處理信息的角色，而不是接收到外部刺激后被動反應的對象。厘清學習者與學習場景各對象之間的關系，正確理解因學生學習行為觸發的事件之間的并發、串行或交疊關系。以事件作為學生學習行為分析的依據，通過構建事件驅動的學生學習行為描述模型，實現學習場景中學生學習行為的認知與識別。

課堂學習場景中較為典型的幾項學習者行為特征：動作幅度小、重復率高、相似性大。通過對學習者行為的語義分析和場景描述，采集處理語音、圖像和視頻三類信息形成學習者行為數據庫，刻畫和區分學習者的細微動作行為，準確標注學習者行為所觸發的事件，使學習場景和個性化學習行為一一匹配。

3 考慮學習情境的個性化學習關鍵技術研究

現有的基于教育大數據的個性化學習技術研究主要集中在個性化學習行為分析、學習資源的個性化推薦，以及學習行為評估預測方面，為個性化學習的實現提供了強有力的支持。

3.1 機器智能技術

機器智能技術與教學相融合，可以優化學生的學習體驗，提高學生的學習效率：語音技術處理語音識別和合成，搭建云端知識庫，呈現出學習者的學習特征；圖像視頻識別和數據采集技術收集學生學習過程中的表情、眼動、姿勢等多維數據，便于刻畫學習畫像；在線課堂和虛擬課堂提升教師和學生的教學體驗，針對不活躍型、低活躍型、任務型、閱覽型和高活躍型五類學習行為，提供特別定制的學習課程，實現真正的個性化學習；E-Learning推薦系統不僅可以根據個體學習者的具體需求提供個性化內容的推薦服務，還可以面向學習小組提供群體推薦服務；虛擬/增強現實和人機交互等技術，搭建了一個全新的學習場景，為學習者有針對性地提供智能化、個性化的定制學習服務；自適應技術建立反饋循環，實時分析診斷學習者的動態，根據學習者的興奮點和關鍵障礙推薦個性化學習路徑。

3.2 深度強化學習

深度強化學習是將深度學習與增強學習結合起來，簡單地輸入感知信息經過神經網絡的處理，直接輸出動作。深度Q 網絡在沒有人工提取的條件下，原始輸入圖像也能達到人類實際控制的效果。在多重門限機制下，同一時刻進行多線程學習，大大縮短了深度強化學習的訓練時間。利用分層編碼技術，可以生成序列到序列的通用回答。基于深度強化學習改進網絡資源分配方法，實現價值網絡學習。

3.3 學科知識圖譜構建

學科知識圖譜可以為個性化學習模式的形成與發展提供豐富的理論基礎和堅實的技術支撐。學科知識圖譜形成系統性、有序性的知識點數據庫，建立知識點之間豐富的關聯關系，在教育數據分析、學習特征畫像、學科資料整理和知識體系搭建等方面發揮重要作用，幫助學習者由學習簡單知識向發展邏輯思維轉變。學科知識圖譜為個性化學習資源庫建設提供支撐，提升網絡平臺個性化學習服務能力，促進學習者實現終身學習。

4 面向個性化學習行為的精準教學策略研究

4.1 學生學習行為觸發的事件表示

針對學習場景和學習者行為的多樣化特性，研究學習場景與學習行為的類別層次劃分。針對視頻持續時長和學習者動作具有變化幅度小、持續時間短、相似度高、變化復雜等特點，研究學習者行為過程中行為觸發事件的標注規則和結構化語義描述規則，建立典型學習場景下以學習者為中心的“對象、區域描述、屬性、關系、區域圖、場景圖、場景類別”學習者行為視覺基因知識集，為后續建立學習者行為語義描述模型奠定基礎。

基于聚類分析，將網絡學習者行為劃分為高沉浸性型、較高沉浸性型、中沉浸性型、低沉浸性型四種代表類型。利用機器學習算法對學生學習行為進行了聚類分析，基于采集加工的數據將學生的學習行為特征可視化，歸納總結出每種類型學生的代表性特征，同時根據代表性特征自動識別出五種事件觸發類型。論證一種自動適應學習者興趣、習慣和認知基礎的推薦模型的可行性，根據學習者的具體特點向其推薦合適的學習計劃。

4.2 基于事件驅動的學習者行為描述方法研究

針對以學習者為中心的長時間視頻中，因學習者行為動作上的并發性和變化幅度小、發生頻率高和動作相似性大等特點所導致的事件描述問題，研究基于事件時空關系和深度遞歸網絡的事件描述方法。針對事件間所具有的時空關系，研究基于事件語義信息和深度特征的視頻描述模型，基于堆疊深度遞歸網絡，分析學習者行為的內涵和聯系，為后續基于語義的學習者行為分析奠定良好的基礎。建構一個網絡學習行為系統概念模型，使用架構圖描述一個邏輯縝密、結構完備的系統模型，將教學過程中人們關注的概念、要素及其之間的關系形象地展示出來，為描述其他形式的學習者行為提供概念基礎。

4.3 基于深度強化學習的學生個性化學習反饋機制研究

個性化學習是在對學生個體全面評估的基礎上，發掘并處理學生當前存在的缺陷和不足，為學生制訂適合個人成長的學習方案。分析、加工整理數字化校園的教育大數據，可以針對不同學生的學習行為特征制訂出適合學生個人的學習策略和學習方法。目前的個性化學習還僅是對學習者進行簡單的分類，然后基于學習規律的關聯形成個性化推薦。構建基于深度強化學習的個性化學習系統，通過對學生學習行為效果的樣本訓練，形成高效準確的個性化學習決策模型，然后根據學習環境、學習行為及學習狀態制訂出最佳的個性化學習策略。

深度學習系統根據錄入的學生基礎信息和學習記錄制訂個性化學習計劃，并根據進一步的學習效果反饋提前預測并不斷修正每一位學生的學習課程設置，提供高適配性的學習資源。學生在個性化學習過程中，不僅達到注意、識記和理解的基礎目標，還提升批判學習知識、重新組織知識并解決問題的能力。

5 大數據誘發教學深度變革的策略

大數據技術賦能精準教學策略變革，在精準分析學生個體學習特征的前提下，幫助教師從傳統的知識傳授者向新型的學習輔助者轉變，教學全過程中主客體發生變化，誘發教學活動在思維與結構層面發生深度變革[20]，促進每一位學生的個性化發展。

5.1 精準制訂教學目標

精準定位教學目標旨在設定合適的方針，保障教學活動有序進行。在全面剖析學生認知水平、情感態度、學習狀態的基礎上，將每一位學生的學習行為數據化，形成具有個人特點的學習要素指標體系，比較發現各項指標與教學目標之間的差距，進而優化教學目標的設立，使教學目標個性化、全局化。

5.2 精準優化教學內容

精準優化教學內容是指以學生學習過程中體現的行為特征為基礎，為學生規劃適合其個性化發展需求的教學內容。基于學習者的個人學習畫像，分析每一位學生的個性化學習數據，綜合行為特征、教學評價及情感態度等方面的數據信息，突破紙質教學資料的限制，充分利用大數據提供的海量教學資源，選擇關聯性高、針對性強的教學知識，豐富教學內容的形式和范圍，對教學材料進行分類歸納和重構，形成符合教學目標和學情的教學內容計劃，為學生提供因材施教的學習方法論知識和情感培育方案。

5.3 精準實施教學活動

精準實施教學活動是設計并落實符合學生個性化發展要求的教學安排。以學習者特征為出發點，改變傳統的群體性教學計劃，分層實施有針對性的教學安排，豐富學習模式和學習手段，方便學生根據個人情況選擇最佳方案，優化教學活動設計和組織。

5.4 精準評價教學效果

教學評價包括過程和結果兩個方面。教師依據教學全過程中學生行為的反饋，結合個人經驗，對學生學習全過程進行細致客觀的評價，為精準干預學生的學習行為提供可靠參考。在教學過程中，教師通過收集和分析教學過程與結果兩個方面的數據，總結學生學習行為的規律和特征，并對教學效果進行精準評價。

5.5 精準強化教學反饋

精準強化教學反饋是針對學生學習過程中表現出來的行為、狀態、情感等方面的特征，分析其優勢與不足，從而對每一位學生進行個性化指導。這種及時的教學反饋有助于提升學生的學習效果。目前的個性化學習還僅是對學習者進行簡單的分類，然后進行學習規律的關聯形成個性化推薦。構建基于深度強化學習的個性化學習系統，通過對學生學習行為效果的樣本訓練，形成高效準確的個性化學習決策模型，然后根據學習環境、學習行為及學習狀態制訂出最佳的個性化學習策略。

6 結語

個性化學習是符合現代教育理念和學生個性化發展需求的新型學習模式，在大數據的技術支持下得到長足發展。運用大數據技術收集分析學生個體的學習行為特征，服務于學生的個性化學習。從教學各環節入手，實施全過程教學變革，實現精準教學，加強師生互動，滿足學生學習的個性化需求，提升素質教育的水平，推動學生全面個性化發展。