数据挖掘学习计划范文

导语：如何才能写好一篇数据挖掘学习计划，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

关键词： E-learning应用平台； Web数据挖掘； 个性化学习； 个性化搜索引擎

中图分类号：TP392；G434 文献标志码：A 文章编号：1006-8228（2013）09-05-03

0 引言

计算机通信技术的日益强大支撑了建设学习型社会的需求，远程教育借助它的灵活性与选择性渐渐走进人们身边，成为学习的一种普遍方式。自1996年我国开通了“中国教育与科研计算机网”，开放、灵活的E-learning便迅速被人们所接受并应用于各种网络学校和远程教育之中。

随着时间的推移，人们要求不仅仅只是远距离的教学，更多的是个性化的学习。个性化教育理论认为，学习过程应是针对学生个性特点和发展潜能而采取恰当的方法、手段、内容、起点、进程、评价方式等，促使学生各方面获得充分、自由、和谐发展的过程[1]。但是目前的远程教育学习系统并不令人满意，首先是系统缺乏智能性，学习系统面对的用户并非是一类人，而是不同背景、不同目的、不同时期的一系列请求，面对这些请求，缺乏智能化的系统就难以实现因材施教；其次是缺乏有效的监督机制和有效的学习帮助支持，导致学生偏离学习目标、遇到困难时不能及时得到帮助；再者是有用的教学资源没有被有效利用，造成了资源的极大浪费。“以人为本”的教育理念的逐渐普及，个性化学习方案总体上应该做到学习资源的多维性、学习价值追求的多重性、学习风格的独特性、学习过程的终身性和学习方式的自主性。

基于Web智能的网络教育是现代远程教育的一种重要手段，其可以通过网络来营造虚拟的学习环境，在一个平台上向学生提供丰富的学习资源，从而帮助学生开展基于资源的探究式学习；在虚拟的学习环境中，教师和学生、学生与学生间可以方便地进行同步或异步的交互。数据挖掘便是实现Web智能网络教育的重要方法，主要是通过获取学习者在Web上的学习过程行为数据，如访问信息、时间、次数及喜好等，经过挖掘流程处理，得到学习者的模式规律，从而给学习者提供良好的个性化服务[2]。

1 Web数据挖掘相关分析

1.1 Web数据挖掘基本过程

Web是一个强大的交互环境，所以Web事务度量就需要数据的获取与处理，Web数据挖掘指的是从大量的、不完全的、蕴含的、模糊的WWW资源上提取隐含在其中有用的信息和知识的过程。其处理对象是大量的业务数据，目的是为了提取有价值的知识，提高信息利用率。Web数据挖掘又被称为资料探勘或者数据采矿，是数据库知识发现中的一个步骤。根据大量业务数据的不同类型，Web数据挖掘可以分为：Web内容挖掘、Web结构挖掘、Web使用挖掘[3]。其中，Web内容挖掘是挖掘Internet的页面和后台交易数据库，包括结构化的数据挖掘与非结构化的数据挖掘。无论是哪种数据挖掘，都是为了寻找隐藏着的、大量的、有价值的信息，并且为Web提供更好的服务。

以下给出Web数据挖掘的基本流程。

⑴ 目标数据采集：数据采集就是要记录用户访问行为。数据来源包括服务器端、客户端和端。为了有效地实施挖掘算法，仅仅采集数据是不够的，还需要进行下一步操作：预处理。

⑵ 预处理：目标数据经过预处理才能有效的实施挖掘算法，也就是从目标数据集中除去明显错误数据和冗余的数据，进一步精简所选数据的有效部分，并将数据转化为有效形式。数据的预处理的质量与Web挖掘的效率是紧密相关的。内容包括数据净化、用户识别、会话识别、事务识别及路径补充等。

⑶ 模式发现与分析：模式发现就是对预处理后的数据实施具体的、合理的挖掘算法或综合应用不同的算法。其最终目的是发现用户的访问模式，预先为用户设定学习内容类别。模式分析的目的是根据实际应用，通过观察和选择，将模式发现的统计结果、规则和模型转换为知识，经过筛选后用来指导实际应用，也就是在预先的类别中再次为用户提供个性化资源和学习支持服务。

⑷ 用户反馈：利用数据挖掘与学习内容绑定等各种技术，学习者的学习过程会是以可视化方式进行指导。

1.2 相关算法分析

协同过滤这一概念最早出现在1992年，由Goldberg、Nicols、Oki及Terry提出，随着大大小小系统的应用，协同过滤推荐迅速成为Web数据挖掘中一种很受欢迎的技术。该技术分析用户兴趣，在用户群中找到指定用户的相似用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测[4-6]。

相似性计算是协同过滤推荐算法中最关键的一步，传统的相似度计算方法有三种。

⑴ 余弦相似性

把用户评分看做n维项目空间的向量，用户间的相似性通过向量间的余弦夹角度量，设用户i和用户j在n维项目空间上的评分分别表示为向量k，e，则用户i和用户j之间的相似性为：

Sin（i，j）=cos（k，e）= ⑴

⑵ 修正的余弦相似性

余弦相似性度量方法中没有考虑不同用户的评分尺度问题，修正的余弦相似性度量方法通过减去用户对项目的平均评分来改善上述缺陷，设经用户i和用户j共同评分的项目集合，则用户i和用户j用户之间的相似性为：

Sin= ⑵

其中，Rij代表用户i对项目c的评分，和分别表示用户i和j对项目的平均评分。

⑶ 相关相似性

设经用户i和用户j共同评分的项目集合用Iij表示，则用户i和用户j之间的相似性sin（i，j），通过Pearson相关系数度量：

归根结底，三种相似方法均为基于向量的相似度计算方式，进行对象属性之间的严格匹配。

余弦相似性度量方法把用户评分看作一个向量，用向量的余弦夹角度量用户间的相似性，然而没有包含用户评分的统计特征；修正的余弦相似性方法在余弦相似性基础上，减去了用户对项目的平均评分，然而该方法更多体现的是用户之间的相关性而非相似性。相关性和相似性是两个不同的概念，相似性反应的是聚合特点，而相关性反映的是组合特点；相似相关性方法，依据双方共同评分的项目进行用户相似性评价，如果用户间的所有评分项目均为共同评分项目，那么相似相关性和修正的余弦相似性是等同的，用户对共同评分的项目集稀少，使得相似相关性评价方法实际不可行。

2 基于Web数据挖掘的个性化学习系统模型

基于Web数据挖掘的个性化学习系统采用的是三层B/S模型，如图1所示。

个性化与智能化功能模块的实现都是以Web为基础的。服务器是一个核心，用户通过客户端发送一系列请求，Web服务器作出相应的响应，也就是在后台数据库中查询信息，查询到的信息再返回给Web服务器，最后服务器通过网页的形式呈现及反馈给用户。

2.1 主要功能模块分析与设计

基于Web数据挖掘的个性化学习系统主要是由学习者、学习者个人秘书、管理员、个性化推荐引擎及教学资源等模块构成。其中系统的核心部分是“学习者个人秘书”。当学习者通过身份验证后，便会进入个人的学习页面。“学习者个人秘书”根据学习者的访问习惯和学习者提交的要求等信息进行自动整合（这里主要是由用户信息收集和用户信息建模两个模块来实现），并进行内部建模，形成一套完整的学习方案，并对此方案进行资源调度，进而反馈给学习者所需的资源信息。“学习者个人秘书”也就是所谓的个性化处理引擎，它主要由四个模块组成：用户信息收集、用户信息建模、个性化学习方案、学习资源调度。该个性化学习系统方案构建如图2所示。

⑴ 用户信息收集模块

信息收集模块是实现在线学习个性化服务的基础，它收集用户请求，跟踪用户的行为，结合用户数据库中事先存放的用户个性化特征数据，经过预处理，对用户信息建模提供个性化的策略。

⑵ 用户信息建模模块

信息建模模块则是运用数据挖掘技术对这些信息进行分析，不断更新或者初始化用户数据库中动态部分，以生成个性化推荐策略并发送给个性化学习方案模块。

⑶ 个性化学习方案模块

学习方案模块是“学习者个人秘书”的核心模块，它结合前面提供的一系列用户特征信息，并进行整合后自动生成一套教学方案，把教学方案中所需要调度的资源传递给资源调度模块。

⑷ 资源调度模块

资源调度模块是根据教学方案中需要调度的资源从视频库、作业库、试题库等资源库中调度并反馈给用户。其中，资源库中保存学习者的基本信息、学习历史、访问历史、对知识的掌握情况、学习喜好等个性特征。学生的个性特征也分为静态信息与动态信息。如学生的姓名、性别、年龄、ID、密码等都属于静态信息，如学习历史、学生做过的练习和测试题的答案、学习者的知识结构等都属于动态信息。学生的个性化特征信息是实施个性化教学策略的基础。

总之，整个个性化在线学习系统就是通过数据挖掘技术，把用户在学习过程的所有行为记录下来，并结合用户数据库，从中挖掘出用户个性化学习特征，为个性化教学策略的产生提供可靠的依据。在本文，学习者个人秘书个性化引擎的加入，主要是实现个性化学习系统中视频主导、测验穿插、在线交流、引导学习等功能。其中视频能提取该集视频所具有的知识点，作为关键字在知识树中进行串联。知识树是惟一呈现给用户的学习接口，让用户不再注重于选择何种视频、哪位老师所教，达到最快的学习效率。再就是测验穿插，是在用户不主动去做测验的时候，类似强制于用户做测验，否则无法进入下阶段测试。概括来说，学习者个人秘书模型设计实现以下功能：记录学习者进行的所有学习活动；定时给予用户学习建议与误区纠正；能主动与其他学习者的学习秘书进行交流；记录每次学习周期，学习者的学习路线。

2.2 Web数据挖掘在系统中的应用

数据挖掘是开发Web智能的学习系统的关键所在，它对个性化学习模型的构建、个性化的学习资源的提供、个性化学习的指导、系统性能的改进等方面应用非常多。

⑴ 个性化学习模型的构建

学习者模型的构建本就是根据学习者不同的个性特征参数，对学生学习活动进行跟踪，并且记录学生学习的相关信息，如：学生经常访问的URL的次数、停留时间、访问的课程数等等。Web数据挖掘用去噪和模式进行“模式发现”，得到学生学习的个性特征，建立、完善学生学习模型，建立学生个性数据库，为不同的学生提供智能、个性的学习策略。

⑵ 个性化学习资源的提供

在系统进行模式发现后，需要为学生从后台数据库中调度学习资源，这时候就需要系统将学生无关及学生不感兴趣的资源进行筛选。Web数据挖掘中的统计分析技术可以根据学生经常访问的页面推测学生下一步的行为，推测出其感兴趣的相关资源，从而减少学生的搜索时间，合理提供备用资源。

⑶ 个性化学习的指导

一个好的学习系统能适应的并不只是一类人，而是不同背景，不同能力，不同目的的人，因为每个人的学习能力、兴趣、习惯以及基础都有很大的差异。若采取进入系统平台前让用户提交测试用户属性信息的一些表单，初始化学生学习特征，但是其中的属性却是时刻变动的，普通的学习系统无法做到随机应变。利用Web数据挖掘技术，挖掘用户的使用数据日志，分析用户的浏览趋势，从而形成一组按时间排序的会话，预测用户未来的访问模式并做及时的指导。这样针对不同类型的用户，系统可以安排特定的内容，做到真正意义上的“因材施教”。

⑷ 系统性能的改进

Web数据挖掘技术提供网站构架及用户的使用信息，管理员可以根据这些信息，控制Web缓存、负载平衡和网络构架等问题，从而做到了系统的安全性与稳定性。

3 结束语

基于Web数据挖掘的个性化学习系统研究，以“个性化E-learning系统研究与实现”课题为背景，实现了Web数据挖掘技术的应用、学习知识点概念相关性的算法分析与设计、且构建一个基于Web的学习者模型，阐述系统研究思路，并完成了系统设计与实现应用。在一定基础上为在线学习系统的个性化应用提供理论与推广参考价值。同时，本文虽取得了具体的应用效果，但在个性化学习资源的组织与动态呈现上未能与学习者模型联系，以呈现针对不同用户的个性化学习内容页面。这将是今后需要进一步研究的问题。

参考文献：

[1] 陶剑文.基于多Agent的协作式网络学习系统模型研究[J].计算机时代，2006.7：64-66

[2] 单蓉.一种基于用户浏览行为更新的兴趣模型[J].电子设计工程，20l0.4：61-62

[3 唐远洋，黄尔嘉.知识挖掘技术与网络教育资源的组织[J]. 情报资料工作，2005.4：107-109

[4] 游文，叶水生.电子商务推荐系统中的协同过滤推荐[J].计算机技术与发展，2006.9：97-99

[5] 邱明虹，何跃.从Web日志中挖掘用户兴趣路径算法改进[J].计算机工程与应用，2008.26：129-131

篇2

（首都师范大学信息工程学院，北京100048）

摘要：智能教学系统是以信息集成技术为核心的开放复杂智能系统，知识构建及Agents行为管理是其核心支撑技术。针对智能教学系统的复杂应用问题，文章阐述非良构领域下智能教学系统面临的挑战，分析非良构领域知识构建及Agents行为管理的研究思路，进而探究数据挖掘技术在非良构领域智能教学系统中的应用。

关键词 ：智能教学系统；知识构建；数据挖掘；非良构领域；教学改革

基金项目：市级人才培养模式创新试验项目“通识教育改革‘智能科学’”( 026145302000/034)；校级精品课程群建设项目“智能信息处理精品课程群建设”( 026135609700/012)；校级青年教学改革项目“结合模式识别课程建设，探索智能人才培养改革模式”( 032145330300/219)。

第一作者简介：刘丽珍，女，教授，研究方向为数据挖掘、知识工程、智能教学系统、文本情感分析、自然语言处理等，znkxjs@126．com。

0 引言

智能教学系统(intelligent tutoring system，ITS)是基于计算机科学、教育学、管理科学等多学科交叉技术的适应性教学系统，是教育技术领域的重要研究方向之一。伴随着人工智能、教育信息技术、管理科学以及网络技术的不断发展，综合多学科交叉技术在教育中的应用已经成为全球范围内的重要研究领域，为ITS的研究与应用提供了新的发展空间。

目前，智能教学系统的研究大都是面向良构领域( well-defined domains)的应用。事实上，客观世界是复杂的，学习任务产生于这个复杂的环境，因此需要解决的往往是非良构领域( ill-defined domains)的问题，如军事、法律、航天、金融、医学诊断、科学研究等领域。面向非良构领域的ITS有广泛的应用空间，探索其关键技术是国家战略发展、国民经济发展及科学技术发展的迫切技术需求，有着重要的现实意义。

1 面向复杂学习环境的创新思维和自主学习能力

“百年大计，教育为本”。我国现代化建设发展必须紧紧依靠科技进步和人民综合素质的提升。教育是社会发展的基石，把教育摆在突出位置有深远的意义。当今世界，科技水平是提高综合国力和国际竞争力的决定性因素。发展文化、科技、教育、军事等事业需要培养大批具有创造性思维的高素质人才。面向非良构领域的ITS旨在改善和提高人类在复杂学习环境中解决问题的创新思维和自主学习能力，提高学习者全面掌握和灵活应用各种知识解决实际问题的能力。由于非良构领域缺乏形式化的、清晰的领域任务模型，领域知识的构建及问题求解等关键技术的研究还处于初级阶段。

自20世纪70年代以来，美国、英国、加拿大、日本等国家都十分重视ITS的研究，并投入了大量的人力和财力进行数学、物理、工程、化学、军事训练等领域的ITS开发与应用研究。20世纪90年代以来，ITS被公认为学术、工业、军事、金融、体育等领域中有效的教学工具。目前，对复杂非良构领域问题的ITS研究与开发一般都可简化为良构问题处理，因此学习者学到的是对良构问题的解决方法。这种局限性会导致所学理论难以应用在实践中，难以满足国民经济发展需求。因此，研究非良构领域ITS中的关键技术已经成为当务之急。

2 非良构领域挑战智能教学系统的研究及应用

当今信息时代，人类学习方式和环境发生了很大变化。如何利用高新技术提高学习效率，在很大程度上取决于对客观世界和学习机制的正确认识。在良构领域中，待解决的问题有明确的领域模型，因此学生对于学习任务所提出的问题可以明确地分辨出答案的对与错。学生通常可采用模式跟踪授导系统(model-tracing tutoring system)：①将领域知识转换为一系列学习问题，并提供清晰的问题解决策略；②Agents根据学习者的情况给出在线评价和反馈，并依据明确的答案评估学习效果；③通过问题解决步骤与系统现有领域模型的比较为学习者提供帮助，指导学习者集中在正确的学习路径上。对于非良构领域，由于缺乏形式化的任务模型，知识构建的问题不能有效解决，在正确与错误的答案之间缺乏明晰的界限，只能通过传统的比较法确定哪些是比较合理的答案。无法辨析用户的学习计划是否会进入无法挽回的“陷阱”路径，当然也就无法给出合理的学习评价和正确的反馈建议。当前，国际上在这方面的研究还没有突破性进展，这就给ITS的研究提出了一系列的挑战，主要包括在缺乏清晰的问题、策略和答案的情况下如何形成问题空间( problem space)；非良构领域的知识构建与维护；当问题解决模型不确定时，Agents如何为学习者提供指导与反馈；非良构领域ITS中的学习评价；搜索与推理策略；协作学习等。

大量的研究和实验表明：非良构状况的普遍存在严重制约了各类智能教学系统ITS的推广和使用，这一领域也成为ITS研究需要开拓的新领地。当前，在相关学科交叉技术取得丰硕成果的良好形势下，国内外的专家学者已经开始关注并致力于面向非良构领域的ITS研究。适时启动非良构领域ITS中关键技术的研究，将有力地推动ITS进入新的快速发展期，有利于我国在该领域的学术研究中保持国际领先地位。

国外对ITS的研究十分踊跃，相关研究主要集中在大学、军方和研究院，最为活跃的是美国一些知名的大学如Stanford．MIT，Memphis，Carnegie-Mellon等。国内ITS领域的研究起步比较晚，但已经取得了令人瞩目的成绩。

ITS的研究始于20世纪70年代，不同时期的研究及应用侧重点不同，具体情况如图l所示。初期的关注点在具体问题的研究上，如如何进行知识表示和学生模型构建等。到了80年代，关注点是对学习者、教学过程的深入研究，重点集中在学习者的心智特征、自然语言处理、著作工具系统等方面。进入90年代以来，ITS研究更加关注学习者的自主学习，强调系统指导用户提升在虚拟学习情景中灵活解决问题的能力，更加关注学习环境构建及学习计划设计。

近年来，ITS在系统结构设计、模块功能、著作工具等方面的相关理论日趋成熟，相关研究成果主要集中在良构领域，而非良构领域关键技术研究亟待进一步地深入研究和探索。2004年，Loftin等人向美国军方提交的一份研究报告中提出专门针对ITS研究的推荐意见，内容包括ITS研究近年来需要开拓的新领域：增加ITAs( intelligent tutoring agents)及虚拟人的研究；ITS本体( ITS ontology)创建；协作训练的研究与原型开发；面向非良构领域的ITS研究；元认知技能；适应性学习支持系统。

相关研究资料表明，目前国际上ITS已经由基础理论框架及简单功能模块的研究逐步转向复杂领域应用的关键技术研究。例如，自ITS/2006国际会议开始，每届会议都设专题探讨非良构领域ITS研究，并充分肯定和强调其关键技术研究的重要性及发展前景。

3 非良构领域知识构建

认知灵活性理论是由斯皮罗( Spiro，1992)等人提出并倡导的，主要针对复杂或非良构领域中学习的本质问题提出。在建构主义的各种流派中，其横跨了建构和认知两者的边缘特点，为ITS研究提供了最合适的理论模型并得到了国际学术界的认可。

在认知灵活性理论中，领域知识被划分为良构领域知识和非良构领域知识。良构领域知识是指有关某一主题的事实、概念、规则和原理，是以一定的层次结构组织在一起的，只要描述清楚它们之间的相互联系，学习者就很容易掌握，目前国内外大部分ITS成果都是针对良构领域的。非良构领域的知识则是将良构领域的知识应用于具体问题情景时产生的知识，即有关概念应用的知识。非良构领域的知识具有两大特性：①概念的复杂性，知识应用的每一个实例都同时涉及许多概念，这些概念都有其自身复杂性，概念之间存在相互作用与影响；②实例的不规则性，每个实例所涉及概念的数量和种类不同，在实例中的地位、作用以及相互作用的方式也不同。

认知灵活性理论将教学分为初级教学和高级教学两类。初级教学涉及的内容主要是良构领域的知识，只要求学习者掌握一些重要的概念和事实，并在测验中将这些知识按原样再生出来。高级教学要求学习者把握概念的复杂性，并将其广泛而灵活地运用到各个存在差异的不同实例的具体情景中，因而大量涉及非良构领域问题。

传统的ITS大都将非良构问题简化为良构问题处理，因此学习者的学习任务都是在良构环境下进行的，这就导致在应用中理论与实践脱节的问题。事实上，客观世界是一个非常复杂的系统，学习任务也产生于复杂环境中，需要解决的问题大都是非良构领域问题。因为非良构领域的教学任务没有明确的表述，所以在非良构领域中获取这些过程性任务知识是比较困难的，这些非良构问题的复杂性和模糊性导致了Agents多重而有争议的行为和相应的反馈策略。

一直以来，知识构建都被认为是ITS研究的瓶颈，尤其是在非良构领域中，要想清晰地定义领域知识是比较困难的，但非良构领域知识获取的有效性直接影响Agents行为及教学效果。在ITS中，一个指定学习任务的行动选择模型需要由领域专家严格设计和选择约束条件并提供领域知识，才能确定哪些是正确行为，成本相当高。中国科学院计算技术研究所智能信息处理重点实验室的大规模知识处理组提出面向概念的数学知识获取方法，并初步探讨其在数学ITS中的应用，其领域性相对比较强；同时，在医学本体设计方法及知识获取方面也进行了研究和探讨。

目前在ITS中，通常为Agents提供领域知识的方法有专家系统( expert systems)、认知任务分析( cognitive task analysis)和基于约束的建模( constraint-based modeling approaches)等，但这些方法应用于非良构领域时，存在许多问题，具体分析如下：在已有系统中，Agents是通过专家系统的方法获取领域知识，具体为通过一个专门设计的路径计划自动发现学习者的错误操作，用于生成在训练中正确与否的知识，以提供反馈和暗示。这个路径计划可以看做是一个领域专家，而且能够通过计算为学习者提供解决问题的指导方案。应用于非良构领域ITS中的Agents行为管理，必须在程序任务中至少提供两个主要的功能：①为用户提供专家级的指导；②根据不同的认知水平为学习者提供相应的指导。这两个要求是单一的专家系统无法胜任的。

要想获得更加有效的指导，构建一个基于认知任务分析方法的问题空间是必要的，该空间可以获取各种认知水平的用户知识并建模和集成在ITS中。这个方法曾经广泛用于认知型教学( cognitive tutors)设计中。事实上，认知型教学的构建通常依赖于固定的假设，这个假设可以预先确定一个任务模型或问题空间，用于在ITS中描述正确或错误的解决问题路径。另外，认知型教学的著作工具CTAT( cognitive tutor authoring tool)提供了一系列设计Agents任务行为的工具并给出正确与错误的路径系统，这种行为路径系统如同问题空间一样可以跟踪学习者。然而，该方法缺乏学习能力，只能简单地将每个用户解决问题的方法存储并集成为一种结构应用到Agents中。由于系统不能从解决方案中抽取有用的知识来丰富和管理问题空间，因此有明显的局限性。这个在良构领域ITS中运用良好的方法在非良构领域中只能提供受限的局部问题空间，这种静态问题空间难以适应学习者在非良构领域中解决问题的需求。针对给定的学习目标，在非良构领域构建完善的问题空间是一项有挑战性的工作，处理不当可能引起解决方案的组合爆炸。

基于约束的建模方法对于领域专家描述适当和满意的条件是非常困难的，尤其在比较复杂的非良构领域中，该方法针对一个问题有可能会给出过多的条件及可能的解决方案。

4 智能教学系统中Agents行为机制

在ITS中，用户主要通过恰当选择和特别设计问题的解决形式完成学习任务，系统需要有丰富的学习经验并能为学生提供良好的教学服务。基于非良构领域知识本身的特点，ITS通常以“任务驱动”和“问题解决”作为教学和研究活动主线。在这种教学方式下，用户通过个性化的知识经验与学习系统进行交互来完成学习活动，一方面参与自我组织、制订和执行学习计划；另一方面通过Agents获取学习环境的教学指导和系统反馈，进一步选择后继行动步骤，如图2所示。

ITS环境下的Agents通常负责指导用户的学习进程，帮助用户分析解决问题和作出后继学习行为决策，因此Agents必须依赖相关过程性领域知识，才能给出反馈解决方案。在良构领域中，Agents通常基于给定认知结构的情况，根据领域知识事先设计学习计划图解来指导用户的后继学习行为，这是通常意义下的Agents行为机制。非良构领域ITS中的Agents行为机制比较复杂，由于存在概念的复杂性和实例的多样性，应用系统事先设计的解题途径显然是行不通的，需要通过一定的方法抽取非良构领域知识，针对当前具体情景进行个性化重组( assemble)并给出具体反馈策略，辅助和指导用户完成学习任务。

笔者拟采用数据挖掘综合算法，通过不断获取过程性任务知识，进而构建、扩展和管理知识空间，从而使Agents产生不同的行为并在不断地学习中改进系统性能。在国内，首都师范大学设计的虚拟社区智能网络教学平台可以对学习者的状态进行一定的分析推理。北京师范大学开发的Web CLTM( Web Based Cooperative Learning)平台是一个支持协作学习的网络教学支撑平台，设计了3个主要Agent：行为捕获Agent、行为处理Agent和信息反馈Agent，可以在一定程度上实现协作学习指导等功能。在目前已有的系统中，Agents还只能理解学生一些简单行为，与真实交流还存在一定差距，ITS中的Agents行为管理还需要进一步深入探讨。

5 数据挖掘技术在智能教学系统中的应用

国内外研究人员一直试图寻找在ITS环境下能够有效支持学习与训练的技术。多年的研究实践表明，数据挖掘( data mining，DM)技术在教育中最重要的应用领域之一就是ITS。数据挖掘理论形成于20世纪90年代初期，旨在从大型数据集中发现并提取人们感兴趣、未知的、潜在的和有用的知识。由于该技术能够自动分析和发现数据间内在的联系，并从中挖掘潜在的、能够预测和指导教学过程的重要信息，从而建立新的任务模式，帮助用户修正学习计划和完成学习任务。因此，从20世纪90年代起，陆续有研究人员将数据挖掘技术应用于ITS中。Ochi在1998年提出使用数据挖掘技术获取和学习相关知识；Ha．Bay在2000年提出将数据挖掘技术用于挖掘学生的学习路径；Mc Calla在2000年提出将数据挖掘技术用于增量分析学习者行为；Tiffany在2002年提出将数据挖掘技术应用于发现相似学习特征等。此外，基于数据挖掘的技术，Lo等人( 2002)曾尝试通过分析学习者的浏览行为，进而确定学习者的学习风格；Lee等人(2002)借助对网络学习者学习需求、学习行为记录、个性特征等方面的研究，探讨学习者的学习绩效评价方式；Ha等人(2005)详细勾勒将Web挖掘应用于网络远程教育的可能性，并展示在网络远程教育中应用Web挖掘的前景；维也纳大学的Hummel( 2006)通过在线学习平台分析数据库访问记录和Web服务器日志文件、管理学习者的学习行为等。

值得关注的是，2008年第一届教育数据挖掘国际会议( lst International Conference on Educational Data Mining (EDM08))在加拿大的蒙特利尔举行；2009年第二届教学数据挖掘国际会议( 2st International Conference on Educational Data Mining (EDM09))在西班牙科尔多瓦举行。数据挖掘技术在教育领域中的应用研究近年来还一直都活跃在AAAI，AIED，EC-TEL，ICALT，ITS，UM等重要国际会议中，在世界范围内进一步奠定和明确了数据挖掘技术在教育领域的重要地位、研究潜力和应用前景。

国外数据挖掘技术在ITS中的应用中，提出利用统计分析方法，通过学习者对解决问题方法的论证形成图解，并依此聚类学习者及对应的解题计划，形成领域知识库指导其他用户完成学习任务。由于非良构领域的复杂性，从单一视角提出的每一个单独的观点都可能是不充分的。只有超越单一概念维度的多维知识表征，才能完成非良构领域知识的构建。因此，仅采用聚类挖掘算法难以深入挖掘学习者学习行为的潜在模式。

6 结语

尽管在过去的几十年中，ITS领域已有相当丰硕的研究成果，提出了分类学习者特性、推理机制、认知评价、个性化导航等基础理论和方法，但这些理论应用在非良构领域还存在一些缺陷与不足，主要表现在：①基于良构领域的知识对用户的学习评价纳入自身的概念框架，因此Agents无法发现和正确判断用户的个性化学习需求；②识别所有可能的解决方案需要基于明确的任务模型；③模式跟踪只适应于良构领域的过程性教学等。

目前关于这一课题的研究还处于初期的探索阶段，需要在关键技术方面进行更具创新性和有突破性的研究工作才能形成成熟的应用技术。需要指出的是，只有面向非良构领域的ITS研究取得实质性进展，ITS才能真正广泛应用于客观世界的各个领域，灵活、全面地发挥作用。在目前各相关学科核心技术已取得重要成果的基础上，在国内外对非良构领域的ITS应用研究日渐重视的背景下，启动并推进关键支撑技术的研究是必要而迫切的。

参考文献：

[1]赵建华．ITS概述[J]中国电化教育，2007(7): 5-12.

[2] Mymic L.Outstanding research issues in intelligent tutoring systems[EB/OL]./whqlibdoc.who.int/hq/pre- wholis/ PUB 5. pdf.

[3] Loftin,R,Kenney P,Mastaglio T.Outstanding research issues in intelligent tutoring systems[EB/OL]./ mymicsurveys,com/site/files/pub_4.pdf.

[4]李红关．认知灵活性理论与基于网络的研究性学习[J]．中国远程教育，2003: 22-24.

篇3

1数据挖掘的含义

数据挖掘，英语为“DataMining”，意为从海量的不完整的辨识度不清晰的人类使用信息中，找到其中人们不能一眼发现但是有助于人们需求的那部分信息。由此可见，数据挖掘是一种数据整理和分析的过程。数据挖掘作为一种高等信息手段，包涵了许多学科，它将以往的基本信息转化为高级信息并进行分类加以搜索，从大量的信息数据中，找到所需要的来辅助决策。其中，信息库、自动化、逻辑领域它都有所涉及和运用。传统的信息整理系统，只是简单的信息整合与分类，不存在搜索功能。相对于此，数据挖掘的优势在于提取、整合、筛选三者合一，大量的节省了人们的时间，提高了办事效率。一般来说，数据挖掘的过程可以概括为：数据清理、数据收集、数据选择、数据变换、数据挖掘、数据评估、知识表现这七大步骤。

2数据挖掘方法在计算机教学中的运用

2.1数据挖掘与教学质量评价

传统的教学模式下，要了解学生对于老师教学的满意程度，通常会采取两种方式：其一，面对面谈话；其二，通过填写意见表或反馈表。这两种方式都存在一个明显的弊端，学生与老师的接触过于直接，这样的模式下，很多学生不敢正面表达对老师的意见。对于计算机这门新学科来说，学生对于它的陌生度很高，如果老师的教学质量不能得到保证，学生也无法获取到有用的知识。随着信息技术在新兴教学系统的运用，数据挖掘被利用到了教学质量评价之中，计算机的教学评价也被纳入其中。通过建立教育质量评价系统的方式，让学生充分放心的提出教学意见或建议，能够对教师的综合教学水平进行公正的评价，极大程度上提高了教学质量。对于计算机教学这种新型学科来说，能提高学生对于学科的正确认识，端正学习态度。

2.2数据挖掘与计算机考核

传统的考试以试卷为主，试卷的批改则以老师为主。而数据挖掘运用于计算机考试之中，考试的模式从纸质试卷，变成了计算机的模拟操作。从学生的操作答题到学生最后试卷的得分上进行综合性的分析，能够有效的发现学生在计算机学习中存在的不足之处。不仅很大程度上减轻了老师的压力，而且计算机批改更为标准化，相对来说会给人更公正的感觉，避免了学生的不悦情绪。数据挖掘运用到计算机考核中，能够清楚地了解到学生在教学上的需求，从而再结合教学质量评估中，学生对于老师的教学要求。可以提高教学质量，推动学生对于计算机学习在总体学习。

2.2数据挖掘与学生兴趣和教学

数据挖掘通过对聚类分析法的运用，可以将学生按照兴趣分为多个类别，引导老师在教学中，针对性教学，以提高教学的质量。数据聚类是数据挖掘中的一个分类，是指对于静态数据分析的一门技术。它是把相似的对象通过静态分类的方法区分出不同的组别或者多个子集，而存在于一个子集或组别的对象都会有相似的属性。通过应用这种数据挖掘的技术，可以分析出大学生对计算机的学习兴趣。大致可分为三类：第一类，接触计算机较少，在日常生活中遇到的问题也极少会用计算机来解决，所以这类学生不会对计算机的学习有多大的兴趣。第二类，对计算机的接触频率不高，但是他们对计算机的认知正确并表示接受，采用分组学习时也不会有什么意见。第三类，接触计算机比较频繁，对其有着浓厚的兴趣甚至是依赖心理，这类人在计算机的学习上会充分发挥自己的主观能动性，积极的找资料，问老师，通过自学能基本满足大学生计算机基础知识的学习。由此可见，数据挖掘方法下分析出来，学校有必要改进现有的计算机授课方式。

2.3网络教学系统的引入

任何一门课程都是一个庞大的知识系统，对于学生的学习，多半知识基础理论知识的教学，在这个层面上来说，我们在教学活动中要注意要难点的掌握。要点时，老师一般会花较多的时间去分析，去深入，而面对有的知识，通常会一笔带过。这样的差距，对于某些好学的学生来说，会相当难以接受。在计算机的教学上，引入网络教学系统，赋予学生满足自身知识需求的一个通道，网络实际就是一个巨大信息库，里面有各种的知识，学生可以通过网络去学习自己想要了解但是老师并未给出详细教学的知识。而这种网络教学系统实际上就是数据挖掘的网络表现形式，由此可见，数据挖掘形式被多方运用于计算机教学之中。

2.3数据挖掘与计算机学习状况

计算机学习状况是计算机教学中老师们最为关注的问题。传统对学习状况的了解是日常老师的观察加上考试成绩的分析，从而得出一个学生对于计算机学习的优良问题。而在数据时代今天，学生评测系统已经出现，它也是利用了数据挖掘的原理，所创建的一种符合当下教学需求的软件。通过对学生考试答题的情况进行分析，了解到学生对应的知识漏洞，可以反映出学生对于知识点的掌握情况，同时，这样的方式不掺杂人的感情因素，会更为客观。虽然老师的观察能力不可置否，但是，长期的教学活动会让他们的情绪有偏颇，难免出现评判学生有失公正的现象。计算机评估学生的学习情况，还可以制定出对应的学习计划，生成复习方案。在测验完毕后，可以将所有的信息都发给学生，让其自身去补充自己的不足。对于教师教学，学生学习都有很大的帮助。

3数据挖掘对于计算机教学的意义

数据挖掘是一种很是独特的信息整理方法，在将数据挖掘运用于计算机教学的过程中，从微观上来说，数据挖掘运用于计算机教学，有助于改善计算机教学的现状，帮助教师分析自己在教学方式上存在的不足，帮助学生分析自己在学习过程中存在的缺失，推动计算机整个学科了解计算机教学对于社会的意义，以及什么样的教学内容才是对实践有用；从宏观上来说，这实际上是数据挖掘与计算机相结合的一个过程。有助于教育系统的强化和完善，从教学质量评价到学习质量评估，都是在分析教与学两个过程中的不足，并以更为科学严谨的方式，给教学活动制定合适的方案，用实践的方式帮助学生了解计算机学习的意义，推动学生的计算机学习。

4结束语

篇4

关键词：大数据；学习分析；教育模式

在线学习系统中包含了大量与学习者学习行为相关的数据，例如，学习日志、学习途径、学习成果数据、课程数据、学习管理数据等。充分集中整合这些大数据，再对学习过程和学习效果进行评价分析，更有效地支持学习，优化教学服务，为教学管理与决策提供依据已成为远程教育工作者面临的重大课题。

一、目前远程教育存在的问题

远程教育中学生可以随时随地利用网络进行课程学习，不受时间和空间的限制，但同时也存在一些问题，例如：

1.评价数据单一化。

教师通常采用总结性评价对学习者的学习过程进行评价，如利用课后作业、论文、测验、出勤情况等评价数据。

2.评价方法静态化

目前评价方法采集的数据是静态的，缺乏对学习过程进行实时监测，不能实现动态的反馈，不能准确反映学习者的参与程度。

3.评价的真实性难以把握

对于一些视频课程的学习，很难判断出学习者是认真参与学习还是开着视频人却离开，而对于课后测验与作业是否独立完成也很难保证。

利用上述方法考核、分析和评估远程教育，教师既不能实时把握学习者真实的学习情况，也无法确定学生个体的学习方式、认知习惯和学习兴趣。学生也无法对自身学习效果有一个客观而明晰的认识，不能较好地制订下一步的学习计划。

二、学习分析的特征

学习分析技术是运用数据挖掘、信息可视化等智能技术来分析学习系统产生的数据，并利用分析结果提供恰当的干预、评估，其主要目的是优化学习过程，促进学习。学习分析技术具有以下特征：

1.复合化的数据采集

多样化的数据为自动化的学习支持和针对性的学习服务提供了可能性。学习分析技术采集的数据来源：一是由学习管理系统、移动终端、社会性软件中所记录的学生的学习行为数据；二是内容管理系统中的学习记录数据；三是学生学习成果数据，如作业、作品。这些不同来源的多样性数据通过第三方分析软件整合并导入到同一个分析框架中，就可得出学生学习情况的分析结果。

2.多角度的分析技术

要进行有效的分析，必须使用多种研究方法、技术与工具。学习分析技术应从网络交互、交流内容、交互内容等多个角度展开，并对数据进行挖掘、聚合、分析，结合定量研究与定性研究的数据为学习提供支持。

3.可视化的分析结果

通过可视化分析结果，使学生对学习状况、教师对教学情况有直观地了解，并作出有效的判断和分析。

4.多层次的服务对象

学习分析技术从教师、学生以及管理者的角度对学生的学习过程进行客观的预测，方便教师优化教学，改进过程评价手段，帮助学生进行自我评价、自我诊断，给教育机构和管理者提供决策依据。

三、基于学习分析技术的远程学习系统模型

学习分析技术利用数据分析探究学习过程的发生机制，改进学习，这一过程包含了数据的选择、获取、综合与报告、预测、使用、完善和分享等活动。因此需要基于学习分析技术初步规划学习系统运行的步骤。第一步，学习者结合自身兴趣和系统推荐，选取学习内容；第二步，系统记录下学生者产生的学习数据，结构先定义好再存入数据库；第三步，对预测模块进行分析，在采集学习者行为数据的基础上，与学习者的特征信息相结合，利用分析工具及模型对预测模块进行分析；第四步，在参照上一步预测模块预测结果的基础上，利用数据挖掘技术为学生推荐适合学生学习特征的学习策略及指导方法；第五步，可以利用可视化的形式将上述数据挖掘结果、分析结果传递给学生、教师和教学管理者。

该学习系统包含六大模块：（1）学习的内容。管理、维护、传递个性化的学习内容与评价给学习者，以支持学习者的学习行为。（2）学习行为数据。记录学习者在学习系统中的学习行为（比如学习时间、学习次数、学习路径、学习进度等）。（3）分析预测模块。这是整个模型的核心，整合学习者信息系统中的数据和学习者学习行为数据，通过多种技术（语义分析、社会网络分析）对数据处理和分析，对学习者未来的学习行为和结果进行预测。（4）可视化面板。根据用户角色的不同，将预测模块中的结果以可视化、图形化的方式呈现。（5）推荐模块。根据分析预测模块的运行结果，再根据学习者的学习水平和兴趣，对学习内容等进行个性化的定制和推送。（6）干预模块。允许教师、教学管理者和系统开发人员根据预测模块的运行结果，对系统实施人工干预、自动化干预。

基于学习分析的远程学习系统模型能够及时量化跟踪学习过程，提出较好的学习建议，并以可视化的形式呈现给学生和老师，帮助他们更加清楚地了解自己学习的变化过程，帮助学生更好地认知自己的学习状态，激发学习者的学习兴趣和学习激情。

模型利用采集到的学生学习兴趣发展的数据，了解学习者状态，包括学习者已掌握的相关知识、学习习惯等；建立合理的学习者分析模式与数据分析框架，从简单的资源推送逐步完善为提供基于大数据分析的适时、贴切的个性化指导，帮助学生完善知识结构，挖掘自身兴趣爱好和特长。整个学习过程既实现了学习者的自制学习和自我学习，以及教师个性化干预指导，又实现了系统根据用户特征适应性推送资源辅助学习者学习的目的。

四、学习分析技术对远程教育模式改革的价值

篇5

【摘 要】信息技术在高职教学中越来越扮演重要的角色，学生在学习中利用计算机技术、网络等进行课堂外的自主学习，极大提高了学生的积极性、主动性、创造性，也提高了学生的综合能力。

关键词 信息技术；自主性学习；能力

一、信息技术在学生自主性学习中的应用实践

1.信息技术使学生的学习自由化

进入新世纪以来，信息化技术对教育的改革发展起到了显著的作用，教育进入信息化教育时代，信息化对人们的学习产生了巨大的影响，特别是青年一代，信息技术使他们的学习突破了学习围墙的限制，扩展了学习的手段与范围，学习不再局限于传统的课堂，学生可以利用计算机、ipad、智能手机等进行随时随地的学习，学习的时间和空间得到了扩展和延伸，学习的模式由单一的课堂听课、课堂实验向多种形式转换，满足了学生的多样性和个性化需要，学生的学习更加自由和自主。如：笔者在教学中，对学生的作业可以在网络课程平台中提交、也可以发电子邮件或QQ离线发送，对学生学习中的问题可以QQ或微信、微博留言，还可以短信等，教师可以及时回复学生，师生的互动交流更加便捷、流畅、自由，信息技术为提高学习的有效性、自主性提供了支撑。

2.信息技术使学生的学习更加趣味化、形象化

众所周知，信息技术对世界、对人类的影响是空前的，信息技术深刻改变着人们的工作、生活及学习方式，人类认知世界、探究知识奥秘的模式发生了变革，视频点播、动画fiash、在线互动及测试、图片等使学生的学习更加趣味化、形象化，抽象的原理知识感性化，降低了学习难度，丰富了视觉感受，最大程度的启迪了对知识的理解，而丰富的多方位的学习资源库，为学生拓宽知识面，了解相关专业知识、标准、发展动态等提供了便捷的途径和平台。如：在《电子技术》课程中，其资源库包含焊接标准、电子元件检查方法与标准，各种动画fiash（如PN结的形成、截止饱和失真动画等）、电子信息行业发展动态等。降低了理论知识的难得，难得重点学生更加容易理解，同时知识的外延也得到了拓展。

3.信息技术使学生的学习自主性提高，综合素质得到提升

教育信息化是教育理念和教学模式的一场深刻革命，由于资源的丰富、网络无处不在，移动通信设备的智能化，学习的时间、地点、内容、方式越来越成为自主选择。学习方式由被动式向主动式、互动式学习转变，泛在学习、移动学习、个性化学习逐渐成为现实。如：笔者进行了解后得知，有的同学通过打游戏的方式来记忆英语单词，有同学应用仿真实验来观察验证理论等等。除此之外，在每个学习任务结束时，教师可以要求学生用ppt、微视频等来总结学习收获，这样不但能锻炼培养学生的表达能力、思维逻辑能力，同时锻炼了计算机技术、多媒体技术应用能力。学生综合素质得到提升。当然，学生学习自主性的提高、综合素质的提升不能仅仅依靠学生自由、独立的完成，教师应当给予恰当的学习情境设计及任务安排，引导和指导学生完成学习过程，使学习及提升具有目标性，效果更好。

二、未来信息技术对学生自主学习的作用浅析

1.信息技术的高速发展，发掘了学生自身原有的动力和天分

新一轮教育信息化的浪潮已然随着硬件的高速变革和软件的高度智能化来到教师和学生面前，“微课堂”、“翻转课堂”、“E课堂”、“学习空间”等已经走入校园，走进教学。处于信息化的时代，学生获取知识的途径不再是课堂，而是线上学习越来越成为学习知识的主要途径，课堂成为交流学习成果，答疑解惑的场所，比尔·盖茨声称，“五年以后，你将可以在网上免费获取世界上最好的课程”，而且这些课程比任何一个单独的大学提供的课程都要好。线上学习能做到个性化教学，根据个人的学习数据制定相应的学习计划和辅导。利用数据挖掘的关联分析和演变分析等功能，在学生管理数据库中挖掘有价值的数据，分析学生的日常行为，可得知各种行为活动之间的内在联系，并作出相应的对策。学习行为的数据将自动留存，更易于后期的学习行为评价和评估，教师不再基于自己的教学经验来分析学生的学习中偏好，难点以及共同点等，只要通过分析整合学习的行为记录轻而易举就能得到学习过程中规律，这样对教师的下一步工作重点有指导意义。并且线上学习能做到个性化教学，根据个人的学习数据制定相应的学习计划和辅导。利用数据挖掘的关联分析和演变分析等功能，在学生管理数据库中挖掘有价值的数据，分析学生的日常行为，可得知各种行为活动之间的内在联系，并作出相应的对策。这种开放的课堂、翻转的课堂，相对于传统的课堂，整个班级一个教学方案，每个学生接受同样的教学资源和方法更加个性化，更能充分发挥学生的自身天分爱好，激发学习的原动力，使学习获得更好效果。

2.信息技术对学生综合素质的培养起到很好的支撑作用

大学肩负着培养人的举止、行为、社交、人文素养及职业道德等综合素质责任，网络资源的丰富，使学生拥有了更好的课程选择和推荐、更好的校友资源、更好的实验室、更多的优秀教授、成功人士的经验分享，这些来自于工业界和研究界的经验资源的感染和熏陶，使得学生从开始就像一个社会人。与此同时，职业修养和职业道德的陶冶，使大学出来的人更加具有职业精神。当然，网络也拉进了人与人之间的距离，更多更好学习伙伴，娱乐就是学习，大学是目前能够想到的最好的交往和创新碰撞的场所。据了解，最近几年的教育学国际会议和期刊，娱乐教育和社会化网络学习是各国学者研究的重点。如何在没有人监督的情况下让人自主管理自己，看来只有社交圈子和娱乐能够担负重任。教育行为学和教育行为诱导将发挥更大的作用，例如斯坦福大学进行的“翻转课堂”（Flipping the Classroom）的实验。 第一步就是改变班级人数， 增加在线互动。 他说“仅仅把讲座录像搬到网上就跟传统课堂一样乏味，所以大约每15分钟左右， 在线讲座就会弹出一个小测验以检验学生掌握的情况。” 此外， 斯坦福在“Flipping the Classroom”的实验中还增加了社交媒体的元素。它允许学生互相之间提问。 斯坦福大学校长Hennessy发现， 在实验中，学生们互相之间的回答非常快。 这种“共同学习“的模式非常有效。学校也将成为更纯净的社交圈，在这个社交圈中，学生的举止、行为、社交、人文素养及职业道德等深层意识形态的潜质得到洗礼和升华。

3.信息技术对学生学习行为的挑战

随着网络资源的普及和开放，在线教育如果仅仅是将传统的课堂搬上网络，也许更加不适合学习的原有规律。NMC（新媒体教育联盟）通过历史研究，将人类的学习行为归类为社会学习、可视化学习、移动（位置）学习、游戏学习、讲习学习，每种学习方式，基本上对应者信息与知识的载体的技术方式。也就是说，技术限制了人们的学习方式，一旦有新的技术改变信息和知识的传播模式，人类学习的方式马上会产生根本性的变化。互联网时代，开放的社会和资源，进一步解放人们的学习行为，越来越多的才子不用在学校里面接受所谓学习方法的熏陶，教育正在进行或者未来必定主流的模式将是：视频成为主要载体，教育资源极其丰富；翻转课堂；按需学习；终生学习。对于学习来说，在信息技术革命的今天，教化在撤退，支持在推进。然而，无论哪种学习方式，无论多么丰富的教学资源，对经过无数次洗礼的高等职业院校的学生而言，的确面临着新的学习行为习惯的挑战。面对开放的学习环境，没有了课堂的各种约束，如课堂的考勤、面对面的沟通互动、教师对学生学习行为的实时监控等，学生是否有较强的学习愿望，明确的学习目标、较强的自我控制能力及良好的学习规划等，都对教师和学生构成了新的挑战。作为教师，必须加大学习情境的设计、教学过程设计，同时对学生日常的学习行为进行网络上的实时记载及考核。而对于学生而言，信息化技术支持下的学习将伴随着人的一生，泛在学习、移动学习、个性化学习成为未来学习型社会的主流，学习阶段由在校期间向人的一生延伸，所以，学生必须在校开始锻炼培训自身的学习习惯、学习能力及自我控制能力，并且有能力对自身的未来进行合理的科学的规划，从而为未来奠定良好的基础。

三、结束语

信息技术的飞速发展，使教育面临一场深刻的革命，信息技术突破了学习围墙，扩展了学习的手段与范围，使师生拥有了获取信息的平等地位，构建师生积极互动的教育新模式。可以说，信息技术的深度应用，迫切要求教与学的“双重革命”，加快从以教为中心向以学为中心转变，从知识传授为主向能力培养为主转变，从课堂学习为主向多种学习方式转变。越来越少的课堂，越来越多的网络；越来越少的教室，越来越多的咖啡厅；越来越少的讲授，越来越多的交互；越来越少的编制，越来越多的合作；越来越少的办公室，越来越多的实验室……。这些场景已经随着技术的倒逼，悄悄渗透到了教育领域。学生教师也将在此革命中的不断成长提高，而学生更将在学习中发挥其主动性与能动性。

参考文献

[1]刘延东.把握机遇.加快推进开创教育信息化工作新局面——全国教育信息化工作电视电话会议讲话

篇6

关键词 泛在学习 学习生态 有效学习 英语学习 大数据

近年来，移动互联网、大数据等信息技术发展日新月异，已经成为推动教育变革的重要力量。移动通信终端的普及为学生营造了泛在英语学习环境，大数据技术开启了个性化智能教育时代，翻转课堂、MOOC、微课等新型教学模式层出不穷，虽然它们不能取代传统教学模式，但英语教师必须与时俱进，重视信息技术对传统英语课堂的改造和提升，以全新的视角思考英语教学的变革方向。

一、研究理论概述

1.泛在学习理论

泛在学习是指任何人在任何时间和任何地点都可以通过泛在网络实现任何知识内容的学习。泛在网络和泛在计算技术为人类实现随时随地的泛在学习提供了技术保障，信息技术和教育技术的融合发展正深刻改变着知识的传播方式和学生的学习方式，不断重构着教育和学习的生态环境。一方面，移动通信终端的多元化发展解除了传统英语学习对地点的约束，翻转课堂、MOOC等新型教学模式使学生可以自由地选择学习时间、进度、内容和学习方式。另一方面，传统教学设备正在向数字教学设备变迁，教育领域信息基础设施建设有效地推动跨区域教学资源整合，海量的多媒体教学内容必须和学生的碎片化时间有效结合，教师需要针对不同学情的学生进行精准施策和差异化施策。

2.学习生态理论

学习生态是由学习群体及其所处的环境共同构成的生态系统。系统由信息技术、多媒体教学设施等支撑，通过以合作、交流、共享、互动为特征的教育实践，实现知识信息传递和有效学习，从而促进系统的不断优化。学生与学习环境、学生和学习群体之间密切联系、相互作用，通过知识的吸纳、内化、创新、外化、反馈等过程实现有效学习[1]。在泛在学习的背景下，学习生态研究的是教育信息、学习主体、教师、教育信息环境之间相互作用的生态系统，需要从教育信息化建设和应用的视角研究各个生态系统成员之间的相互作用规律，维护生态系统的平衡发展。

3.有效学习理论

有效学习是指学生在教师的指导下，针对学习内容采取适合自己的学习策略，积极主动地参与到学习过程中，高效率地完成知识建构，从而实现学习目标并优化自身知识结构的学习行为。有效学习是对学习内容、学习方法、学习过程、学习结果的价值追求[2]，学生可以实现对知识的深层次理解和灵活应用。学习内容的优化在大数据背景下表现为对海量学习内容的筛选、清洗与转化[3]，使之满足学生的学习需要。学习方法调整是建立在对学生学习情况进行多元评价的基础上，根据学生个人学习偏好、认知习惯、学习方式、情感态度因素、学习内容的变化而动态进行的。学习过程的积极参与是指学生能够积极主动地学习，充分和师生进行合作、交流，善于提出问题、分析问题和解决问题。学习评价是学生改变学习计划、优化学习方法的重要手段，对学生学习可以起到引导、激励、启示和教育作用。

二、当前英语泛在学习模式存在的主要问题

1.传统课堂教学和线上教学环节缺乏有效衔接

首先，魍晨翁媒萄Ш拖呱辖萄г诮萄Ы谧唷⒅识范围上没有有效衔接。例如，学生不知道如何在线上学习课堂上没有掌握的知识点，或者在线上环节重复学习课堂中已经掌握的知识点。其次，缺乏对课堂英语学习和个性化英语自主学习的融合创新设计。在传统课堂教学中，整齐划一的教学标准无法满足英语学习分层分级的差异化教学要求。不同学情的学生对学习时间、空间、内容、方式的需求不尽相同，教师在教学中没能和学生线上学习的大数据分析结果进行有效的融合对接，仅根据自身的教学经验和主观判断作为实施因材施教的依据，因此其决策缺乏精准性和稳定性。

2.泛在学习缺乏生态性系统设计，学生英语泛在学习的用户黏性不高

当前泛在学习过程特别是在线学习过程缺乏师生互动性、社交互动性、线上线下互动性。泛在学习仅停留在将文字、图像、视频等教学资料数字化、网络化、集成化和泛在化的阶段，这在某种程度上增加了学生英语学习的选择性和便利性，但缺乏针对不同学生的学习黏性设计，因此泛在学习效果并不理想。

3.英语泛在学习体系缺乏具有“参与感”和“现场感”的语言学习环境

建构主义理论认为，知识的获得是在学习环境的特定情境作用下，借助教师的帮助与学习伙伴的协作，通过意义的建构过程实现的。因此在英语泛在学习过程中，必须增强学生在特定情境下的沟通和交际活动的参与性[4]。例如，如果在英语课程设计和在线学习设计环节，鼓励学生广泛参与学习内容、学习方法、学习偏好的设计，就会让学生感受到教师对学生的爱与尊重，从而增强学生学习的主动性和积极性，使不同学情的学生都能在学习过程中体验自我实现感，实现自主学习。另外，教师缺乏对学生多元需求的感知和把握，缺乏语言锻炼的“现场感”设计，使学生无法在接近真实生活情境的语言环境中得到语言交际锻炼。

三、基于大数据分析的英语泛在学习生态系统

移动通信和大数据分析技术的发展为有效解决当前英语泛在学习模式存在的问题提供新的方式和途径。基于大数据分析的英语泛在学习生态系统以学生的英语学习需求、特征、习惯、喜好等大数据挖掘为切入点，联合学校、互联网教育机构、教材编写人员、教师、信息化支撑机构、教育管理机构、在校学生和在职学员等生态系统成员共同把泛在学习落实到教学环境、模式设计、资源开发、评价机制和管理机制等工作中，不仅仅是教育内容资源和信息的共享空间，而且是实施素质教育和个性化学习的公共服务平台。因此，本文构建了基于大数据分析的英语泛在学习生态系统，主要包括大数据采集、大数据存储、大数据分析、大数据应用四个子系统，并构建了系统体系结构模型（图1）。

1.大数据采集子系统

首先，大数据采集子系统要实现数据、文字、图像、音频、视频、多媒体等结构化数据和非结构化数据采集，实现跨区域、跨机构、跨教学环节的数据互联互通和数据采集功能，解决教育数据资源配置效率不高的问题。其次，实现英语教学设计、教学实施、课程内容建设、网络学习内容资源建设、语料库建设、学生学习认知过程监控、学生学习情感态度监控和学习评价等全教学链条的数据采集功能，为生态系统成员之间的共生发展提供良好的数据资源基础。

英语教学设计数据主要采集教师按照教学大纲和教学目标要求对不同学生制定的学习内容、学习进度、学习路径等数据，厘清学生在课堂上和网络上分别学什么、在哪学、怎么学的问题。教学过程数据主要采集教师在教学中帮助学生解决英语学习问题的经验、做法和策略，包括情感态度、认知因素的调控、语言情境的构建、师生的有效互动等。课程内容数据主要是采集教师、学校、互联网教育机构课程教学内容数据，包括教材内容、课件、题库、案例等授课内容资料，以及以上资料经过碎片化处理的数据资料。

网络资源数据库主要采集互联网、校园网上英语学习方面的相关资料。英语语料库数据主要采集中国学习者英语语料库、美国当代英语语料库等语料库内容，以及英语教材、英美小说、散文、演说词、电影剧本、新闻稿等英文自然语料。学习行为数据库主要采集学生课堂学习行为和线上学习行为数据。课堂学习行为包括是否预习、复习等，线上学习行为数据采集学习日志、学习习惯、学习时长和学习路径等。学习评价数据主要采集教师或者在线学习系统对学生的学习能力、学习方法、学习策略运用、学习过程和学习结果的评价数据。学习情感态度数据主要是通过问卷、访谈等方式采集影响学生英语语言习得的动机、态度、焦虑、自信等指标。

2.大数据存储子系统

大数据存储子系统主要实现对大数据采集子系统采集的海量结构化、非结构化数据进行数据清理、归档、压缩，实现一体化数据存储。可以实现跨区域、跨系统的英语泛在学习数据的融合，解决不同教学机构、数据结构、操作系统带来的信息孤岛问题。英语学习数据仓库是指集成了大数据分析子系统和应用子系统决策分析所需的泛在学习数据，这些数据是按照一定的英语学习主题进行组织，是在对原有分散的各类英语泛在学习数据库数据进行加工、汇总和整理后得到的，有效地消除了各类源数据中的不一致性，所以英语学习数据仓库的信息均是关于学生英语泛在学习全局情况的一致性信息。数据仓库的这些全局性信息同r通过网络云平台实现英语泛在学习数据的云端存储，可以直接由大数据应用子系统调用。

3.大数据分析子系统

认知因素和情感因素是影响英语习得效果的两个重要方面。大数据分析子系统首先结合学生应该达到的学习目标对学生个体的英语学习认知行为和学习的情感态度进行数据挖掘，分析学生的动机、态度、焦虑、自信、兴趣等情感因素，以及学习毅力、能力、习惯、方法、英语水平和常犯错误等认知行为因素，对数据挖掘结果进行聚类运算和分类处理，根据学生的学习认知行为和学习态度情况将学生细分，以识别不同学生之间相似的泛在学习需求，以及某个学生个体在不同学习阶段泛在学习需求的差异性。同时，大数据分析子系统会对学生的学习过程和学习结果进行动态综合评价，并根据学习评价结果判断学习方案的优劣，有针对性地进行线上和线下学习方案的调整。

4.大数据应用子系统

大数据应用子系统包括学习信息推送系统、学习信息定制系统、在线互动学习系统、语言情境仿真系统、知识关联推荐系统、知识精准搜索系统、知识树形管理系统和娱乐在线学习系统等应用。学生可以通过学习终端连接到相关应用系统进行英语语言知识的有效学习。学习信息推荐系统自动推荐给学生的学习信息是学生应掌握而目前未掌握的英语知识。学习信息定制系统可以满足学生根据自身学习需求而定制某类主题的学习信息。学生一方面通过在线互动学习系统可以和辅导教师进行交流互动，解决学习中遇到的问题，另一方面可以通过社交软件实现和其他学习者的沟通和交流，共享英语学习经验。

语言情境仿真系统可以实现某类主题的英语学习情境的在线仿真，让学生在接近真实环境的英语语言情境中进行英语交际锻炼。知识关联推荐系统是根据学生所学知识点，自动关联推荐对应的拓展知识点。知识精准搜索系统可以帮助学生快速实现英语知识的精准有效搜索，从而进行有针对性的学习。知识树形管理系统可以实现学生已掌握知识和未掌握知识的树形目录管理，实现线上学习和课堂学习知识管理的无缝链接。

基于大数据分析的英语泛在学习生态系统有利于充分发挥信息技术对传统英语教育的改造提升作用，可以有效促进信息技术与教学过程、内容、方法和教学评价体系的深度融合。在生态系统的价值取向上注重以促进学生全面健康发展为中心，注重需求导向的个性化学生培养模式。在学生习得效果评价体系上注重加强学习过程评估，强调过程评估和结果评估相结合。系统注重充分挖掘学生的个体差异，充分挖掘学生的学习潜能，围绕学生英语学习习惯的形成和学习情感态度的培养，以现代信息技术为辅助手段，将英语语言知识进行碎片化、情境化、可视化处理，通过采取教育信息推送、关联推荐和定制化相结合的方式实现知识的在线传播，给学生提供个性化、定制化的英语学习信息服务，带给学生全新的英语泛在学习体验。

参考文献

[1] 张豪锋，卜彩丽.略论学习生态系统[J].中国远程教育，2007（4）.

[2] 曹贞.以有效学习为目标的大学课堂教学[J].教育与职业，2007（26）.

[3] 陈明选，陈舒.论信息化环境下大学生的有效学习[J].高等教育研究，2013（9）.

篇7

关键词：网络学习环境，学习平台，学习环境设

一、引言

信息技术日新月异的发展，知识以爆炸的方式增长，快速的知识更新向传统教育提出了挑战，要求人们在学习观念和学习方式上都要改变。互联网络以其丰富的资源和先进的技术、方便快捷的信息获取方式得到人们的青睐，基于网络的远程学习将成为终身学习的一种主要方式。世界各国也都开发网络教学的课程，进行网络教学与学习的实践研究。

网络课程一般指网络课程是通过网络表现的某门学科的教学内容及实施的教学活动的总和，它包括两个组成部分：按一定的教学目标、教学策略组织起来的教学内容和网络教学支撑环境。我国国内在不同的教育阶段都展开了网络课程教学或学习，但由于网络教学与学习刚刚起步，所以还存在许多问题，主要有：1、 教育观念上网络远程教学模式还是传统的课堂教学模式，课堂搬家、教案搬家的现象普遍存在，学生自主学习、探究学习机会较少，并未发挥网络的优势。2、 教学与学习系统缺乏智能性，在教学策略与教学评价中，对于不同的知识水平的学生和不同的教学内容难以实现因材施教、因内容施教。3、 资源的共享性未体现。资源共享是网络教学的优势，而在现实中，各个学校各自独立，造成低水平的重复建设。

二、网络学习支撑平台的构成

在网络学习环境中，师生往往处于异地，学生是学习活动的主体，学习者可以根据自己的技术、特点与爱好，确定自己的学习目标，学习进度与学习步骤。教师处于辅导、服务的地位，所以给学生提供一个自主化、个性化、能方便获取信息资源的网络环境是成功远程网络学习的重要因素。依据现代的教学设计理论和建构主义学习理论，一个面向学生的学科教学--学习平台系统一般应包括管理模块、学习工具模块、协作交流模块、网上答疑模块、学习资源模块、评价模块和维护支持模块几个子系统。

（一）管理系统

要是执行教务管理和教学管理，含注册登记、权限设置、公告、咨询等功能。教务管理模块主要是对学生基本情况、学习情况、选修的课程等具体情况进行了解，如：鉴定学生身份、联系方式等信息，了解学生情况。同时，也可以把相应的管理信息、教学要求（如建立学习小组、学习社区）等信息通知给学生，即做好学生的管理、沟主通工作。为顺利进行教学和方便学生学习服务。

教学管理（学习引导模块）是进行一门课教学管理的地方，主要用于公布整门课程的课程要求，主要的教学内容、教学环节。学生在这里可以了解到课程的主要课程要求、知识的重点、难点，以及学习的阶段、步骤，教学安排信息，学生可以根据要求，结合自己的实际情况，做出适合自己的学习目标和学习计划。教学管理模块可以根据课程的不同需要，选择不同的方式，如公告板、论坛、研讨会等方式，构造出教学服务性信息交流辅助系统。

（二）学习工具模块

网上学习支持平台要向学生提供一系列辅助学习工具，以支持学生在网上的学习和探索。如笔记本功能，可以使学生方便的存储所需要的网上信息，或记录下创作的灵感。学生利用书签可以标记所感兴趣的内容，以后再看。学生学习记录可以记录下学生学过的知识点以及对知识的掌握情况，以方便学生了解自己的学习，对学习目标、学习计划做出调整。也方便教师掌握学生的学习情况。此外，还有网上搜索工具、学生主页制作工具、学生作品展示工具等等，总之学习工具模块是帮助学生进行自主学习、形成个性化的学习环境的工具系统，是面向学生学习的支撑平台中非常重要的组成部分。

（三）智能型远程协作学习平台模块

“教育的最高形式是对话”。远程教学--学习环境中最大的特点是师生之间、同学之间在时间与空间上是分离的，学生往往处于个体、独立的学习环境中。以前的远程学习往往因为不能实现师生之间、同学之间及时的交互而影响学习效果。网络教学较其它形式教育媒体环境最突出的优势就是能以其实时或非实时的交互方式方便地实现师生之间、同学之间的对话与协作。同学之间可以通过E-MAIL 、BBS进行非实时讨论，也可以通过视频会议系统、聊天室等技术进行在线讨论，相互交流意见，求助解疑。这些交互技术实现起来并不是非常困难，在一般的网络教学平台中都有。但在讨论学习过程中，最容易出现争论激烈，脱离主题的现象。当然集体讨论可以通过邀请教师在线对讨论的内容、问题进行调控，指导和帮助，解疑。但多数情况下，教师处于离线状态，优秀的学习平台除了方便的交流工具外，更应该有智能性的（Agent）系统进行监控，对学生的讨论进行帮助。新加坡肯特岗数码研究院现正在研究的思维工具就是一个智能性的学习帮助系统，除了能解答学生的一些疑问外，最主要的功能是对学生在讨论与学习过程中进行监控、指导。

（四）网上答疑模块

篇8

【关键词】信息管理；信息系统；教学实践；改革

引言

信息管理与信息系统专业是一个覆盖面比较广泛的专业，本专业内容涵盖经济学、管理学、计算机科学和信息管理学四个学科。信管专业的目标是培养具备现代管理学理论、计算机科学与信息技术知识应用能力、掌握信息系统分析与设计方法以及信息管理等方面的知识和能力的高级应用型管理人才，为信息化建设服务。根据实际，信管专业定位于着重培养从事信息管理和信息系统分析、规划、设计、开发、管理与维护的高级应用型本科人才，强调学生的实践性与应用性能力的培养。

一、目前信管专业教学实践体系存在的问题

第一，课程设置相对滞后。该专业的课程设置跟不上信息技术的发展，一些与信息技术发展密切相关的体现现代管理思想的信息化技术课程，如：数据挖掘及数据仓库技术、CRM的原理与实施、SCM的原理与实施等并未开设，也没有安排与此类课程配套的随课上机实验、课后实践、课外实习等实践课程，而恰恰是这些课程的设置及上机实验、社会实践，对培养学生的实际操作能力、增强学生的就业实践能力、提高学生的就业信心起着非常重要的作用。

第二，综合性实践环节薄弱。目前的实验教学内容方面，偏重于传统验证性实验，而培养学生对知识的综合分析和运用能力的综合型、设计型以及创新型的实验开设较少，学生的应用能力、动手能力、独立工作能力，团队协作和沟通的能力，在实验课中并没有得到有效的锻炼和提高。

第三，实践教学模式和考核方式落后。实践性教学环节是为配合理论教学，培养学生分析问题和解决问题的能力，加强专业训练和锻炼学生实践能力而设置的教学环节。长期的应试教育，养成了学生重视理论课学习而轻视实验课学习，学生对实验课是敷衍了事，实验教学的设计都围绕“教”而展开，着重强调教师的“教”，忽视学生的主体作用，学生的“学”限定在教师的“教”之内。整个实验过程中学生只动手而很少动脑，缺少参与实验的主动性和积极性。另外实践教学环节的考核方式不很严格，在课程结业成绩中所占的比例过小。这在一定程度上也是学生忽视实践教学环节的一个原因。

二、实践教学内容改革思路及方法

根据教学改革项目重点进行信息管理与信息系统专业实践教学内容、实践教学方法、实践教学手段、实践管理方法和实验支撑平台改革一体化研究和探讨。实践教学改革的目的是让学生掌握和运用各项专门知识与技术，开展信息管理与信息系统专业有关的实验、科研、开发等项活动的基本能力，具备综合运用所学知识分析和解决问题的能力。改革的思路主要围绕以下几个方面进行的。

2.1 职业能力

信管专业的学生通过四年的学习，要系统、全面地掌握信管专业的基本理论知识，接受必要的基础研究训练，特别是应用研究方面的科学思维和科学实验训练，具有初步的经济学、管理学素养和良好的计算机科学素养以及一定的应用和科研能力。应该培养学生的职业能力如下：

（1）现代经济与管理理论的应用能力。具备经济学的基本理论与分析方法，具备一定运用经济手段，管理信息资源的能力；具备现代管理理论基础，掌握企业管理、人力资源管理、市场营销的思想、管理流程

（2）信息处理的基本能力。能辩识自己的信息需求；能了解完整的信息和智慧决策之间的关系；能陈述信息问题，表达信息需求；知道可能有用的信息资源；能制订妥善的信息检索策略；能使用信息资源；能评估信息的相关性及有用程度；合理组织信息使其具有实用性；能组合新信息成为自己原有知识的一部分；能将信息应用于批判性思考及解决实际问题。

（3）数据库技术应用能力。掌握数据库的基本理论知识，掌握不同类型的数据库的建立、管理、查询、备份和恢复技术；能将收集到的信息进行分析研究、分类、整合，用数据库技术实现集中管理。

（4）计算机网络技术应用能力。理解计算机网络的体系结构、网络参考模型，掌握局域网和网络互连技术、网络操作系统、网络工程的相关技术；能根据实际应用需求，构建满足要求的网络系统；具有对网络实施管理、维护的初步能力。

（5）信息系统的规划、设计、开发、集成、管理和维护能力。能综合运用所学知识，整合各类信息资源，运用信息系统的分析方法、设计方法和实现技术进行规划、设计、开发、集成、管理和维护信息系统.

2.2 可持续发展能力

（1）多视野认知能力。通过学校开设的通识课程的学习，培养学生多视野认知能力和综合能力，服务于学生个性及其特长的形成。

（2）自主学习的意识和能力。具有良好的自主学习习惯，能科学地制定学习计划和有效管理自己的学习时间；掌握科学的思维和学习方法；善于利用一切学习资源辅助自己的学习；树立终生学习的观念，对知识的获取具有较强的欲望和能力。

（3）学科拓展能力。具备信管专业方面可持续发展的基本知识，了解本专业的理论前沿、应用前景和最新发展动态；能对所在地的信息系统的应用状况有较深入地了解，能对所在地的信息系统建设问题提出自己的见解和构想；掌握文献检索、信息查询的基本方法，具有一定的科学研究和实际工作的能力，能在教师的指导下规划、设计和开发出满足实际需要的信息管理系统或者撰写有一定水平的经济、管理类科研论文；毕业生能很快胜任与所学专业有关的各项工作或继续深造。

2.3 加强校企联合，搞好实践实习基地建设

加强实习基地的建立。在实践教学中，加强与一些企业的合作以建立长期的实习基地，确保校外实习基地与学生的课程学习对接，使得学生能够在专业理论教学结束后、课程或毕业设计之前，及时进入实习基地的相关部门，全方位地感知信息管理的实务，保障实践教学的顺利推进。

参考文献：

[1] 龙朝阳，靳晓恩. 信息管理与信息系统专业实践能力培养模式研究[J]. 吉林：图书馆学研究，2006（9）：57-61.

篇9

1．理论研究不够深入，社区教育网络平台缺少源动力目前国内的社区教育理论研究工作没有一支持续研究的科研队伍，并且大都照搬远程教育理论和在线教育机制，缺少详实的数据依据，由于我国开展社区教育还处于探索阶段，很少有可以拿来的经验可循，尽管国外的社区教育发展领先于我国，但发达国家的教育机制、设计目标又不同于我国，我们只能去粗取精地借鉴学习，不能完全照搬国外的理论。实践证明，没有理论研究的支撑，平台就没有生命力；没有平台的实践和运维，理论研究就找不到方向。可以说，国内在远程教育、在线学习研究方面取得了一些成果，但是社区教育平台不同于一般的在线教育，有其自身的特点。因此，我们只能分析把握社区教育的特点，建立符合社区教育的理论研究体系。

2．学习资源的针对性和标准性不强学习资源是保障网络学习正常发生的基础，精品资源能够激发学员的学习动机、提高学习效果。故而从学习资源的制作到应用，都需要我们重点关注。限于当前社区教育方式、方法以及有限的资金，使得提供的教育资源与民众需求明显脱节，平台上动辄几千、上万部的视频资源，可是真正被社区居民所需求的却屈指可数，这不能不说是主办方、开发者闭门造车的窘境；平台上的学习资源主要是由专业人员进行评价和确定资源等级，各平台资源制作标准不统一，难以在平台间形成共享，同时这些评价大多偏重于信息技术、多媒体制作方面，民众不感兴趣，当然也不愿参与平台学习。目前就河北省十多家平台来看，大部分都以学习资源建设为主。（1）课程资源良莠不齐，课程制作标准不一；资源陈旧，有些资源甚至是十几年、二十几年前的课件；存在较多重复建设。（2）从浏览次数、下载次数来看，绝大部分资源没人看。（3）从整站的浏览次数及排名来看，平台使用率非常低。（4）民众参与程度低，整个平台仍然贯彻的是填鸭式教育的建设思路（购买或从学校录制一批课件，让民众去学习）；网站缺少交互，无论学习者之间还是指导者与学习者之间。笔者近期在同“唐山终身教育网”的管理层进行交流中就谈到“辛辛苦苦搭建的社区教育网站，却无人问津”，由此可见一斑，河北省其他的平台无不是这种困境，花大力气整合、筹集资金购买来的大量自认为精品的教学资源无人问津。

3．学习过程监管粗放，即时通信、反馈的手段制约了学习动力就河北省多家社区教育网络平台而言，对使用平台进行学习过程的监管仅限于提供“时间进度条”的记录功能，这严重抵消了学员的学习积极性，同时学习过程既无即时帮助更没有即时的激励策略，学员的学习兴趣和学习效率非常低下。这种平台运行机制无法收集学员在学习过程中的各种反馈，同时网络平台提供的各种沟通工具利用率却很低，这只能反应平台建设没有做好最基本的需求分析，闭门造车、想当然才会造成目前诸多学员转而采用当下流行的QQ、微信等沟通工具。鼓励在线学习却没有提供适度引导，传达信息却不考虑学员记忆、建构知识的需求，这是学员对在线学习认可度不高的一个重要原因。平台上的技术支持既要做到能为学员解决问题，同时又能满足情感的获得，因此，就需要在平台基础架构上尽量考虑学员的交流、交互习惯和能力，通过技术手段让学员可以方便地沟通，迎合学员的偏好，这些问题都值得管理者和技术人员全面权衡考量并作出选择。

二、大数据背景下社区教育网络平台发展的路径

随着社区教育网络平台的不断发展，用户越来越多，使用频率越来越高，产生的数据也越来越大，这些积累起来的“大数据”隐含了学员的关注点、知识水平、工作领域等信息，正是平台前期运行积攒出来的大数据为平台的进一步发展提供了凭证和手段。通过对这些大数据进行挖掘分析，可以探寻如何优化网络课程的设置，推动学习交互的体验，有针对性地激发学员自主学习的兴趣，提高社区学员使用平台的归属感。在“均衡、公平、内涵、特色”的教育理念引领下，建设一个实用、创新的在线社区教育网络平台势在必行。当前，社区教育网络平台覆盖面广，参学对象层次不一，组织管理难度大，因此必须搞好一个既接地气又符合本地实际的平台顶层设计，它包括构建、资源、流程和技术四个层面。

1．切合实际的需求分析与合理的平台建设逻辑结构相结合在平台规划建设中要有完备的社区教育理论体系作为支撑，建立省、市、县三级办学组织服务体系，做好一线调研工作，让数据真正成为平台建设的导航；借鉴远程教育的先进经验，对资源建设形成标准的框架体系和审核评价机制以及平台间的资源共享机制；以社区学员为中心，按照组织学习、专题学习、自主选学等教学方式，规划完整的学习流程，让社区学员真正体会到平台带来的便捷，提高平台的参与度和粘合度；平台开发过程中，采用国际标准的通用技术，支持跨平台部署，支持多用户和高并发，支持多种数据交换及共享方式。

2．依靠“大数据”信息库建设个性化的用户参与及资源配备、推送功能首先，相比成百上千家远程教育平台及大型专业视频网站，社区教育平台如何粘合社区学员、提高点击率，是我们做平台建设要思虑的重中之重；开发技术上没有优势，硬件建设上相比商业网站没有那么高端，运维上也做不到商业公司的推广力度，再加上目前社区教育平台资源的针对性不强，那么如何打造一个能为学员提供个性化参与的特色平台就成为重点课题。综合“河北终身学习在线”的课表、证书、志愿者等栏目与“唐山终身教育网”在线的个人中心，两种界面相融合，再进一步加工为流行的个人空间或者微博形式，使得学员参与界面展示丰富、使用方便、个性化强。通过用户注册后的个人中心，完成用户一次登录后展示的所有信息，界面结构设计合理，栏目配置优良，技术使用方便，并且平台必须提供用户自己视频录播的参与窗口或地址，让平台变成社区学员自己的学习、培训的舞台，最大化地满足用户能通过平台推广自身的教学资源，在个人中心中添加“我会讲”“我能帮”“我来做”等社区居民可以一线参与的栏目。其次，平台可以对单视频课件进行打点处理或节点提示的方法，由技术人员和领域专家一起提炼视频中的精彩内容或观点，将精华总结出来，以简练的语言标注在视频进度条上，或者以截图的方式进行步进提醒，这样，学员可以通过点击进度条上的节点提前预览到后继的精彩内容，有效地进行选择性学习。目前这种方法在搜狐视频、优酷等大型专业视频网站上已经广泛采用，为用户带来了极大的方便。最后，学习资源的推送要把组织安排与学员兴趣趋势相结合，充分利用平台运维以来所产生收集的大数据进行资源推送。在社区教育平台上学员完全依据自己的兴趣和关注点进行主动的点播学习，平台根据一定的规则给予适当的资源推送。平台资源推送要根据学员的关注热点、工作领域、爱好兴趣等大数据资源信息进行，获取这些大数据最简单的手段就是收集用户使用平台学习过程中产生的“点击流”数据。点击流指用户在互联网上访问、对页面链接所作的点击而留下的记录，点击流是学员与课程资源交互时的数据，是学员学习行为的体现，很大程度上反映了学员的兴趣和意图，体现了学员的个性化需要。使用NoSQL建立点击流数据库，通过分析Web日志（访问来源、进入页面、离开页面、开始时间、结束时间、访问时长、访问页面数、访问用户的Cookie……）收集大数据资源，并对这些大数据进行数据挖掘，可以将学员点击的数据信息转化为反映学员兴趣和意图的信息，为个性化学习资源推送服务。此外，学员对学习资源的标注、参与的话题、加入的兴趣小组等，也可以作为资源推送的参考依据。社区教育平台要广泛学习类似淘宝网这样的资源推广技术，在学员打开自己点播的教学资源同时，推送通过大数据信息收集整理而自动生成的可能是学员感兴趣的教学资源。这样，庞大的连续点击或者学习进程就可以如愿产生了。

3．实时反馈与资源评价相融合，全面考虑学习过程的情感满足在大数据背景中，学员打开的课程资源都是自己感兴趣的内容，他们会沉浸在这个课程的学习过程中，那么平台就要为学员提供良好的过程体验功能，让学员可以提交自己的反馈信息、记录学习的疑问，还可以对学习过的资源或内容进行标注，在学习完毕时，平台还可以根据学习进度、交互情况等给予简单的评价信息，以优化学员网络学习的感受；同时，要建立适合的资源评价体系，把学员评价与专家评价相结合，以确定学习资源质量的等级。在学习支持服务上，尽量考虑学员的交流习惯和使用能力，通过技术手段让学习者更方便地沟通，使学员在解决学习问题的同时获得情感的满足。

篇10

关键词：权变教学管理；教学方式；教师教学特征；学生学习特征；学习环境

一、引言

由于教育信息化不断建设下教学过程中客观环境日益复杂化对教学管理提出挑战，利用权变理论是进一步推动教学管理成效的有效途径。教学管理的挑战主要体现在学生管理人员的增加不及学生规模增加导致教育管理环境复杂化；信息化下管理者传统话语权被削弱；高校教育管理面临“精放管理向精细管理转变”。显然，如何满足教育信息化下环境复杂化与现代教学管理教学培养需求是需要解决的问题。权变管理是教学管理的必然选择[1]，权变管理能够很好解决复杂、多元环境下的管理。本文结合数据治理的内容、教学模式构成要素和权变理论提出了大数据背景下权变教学管理模型。明确大数据下权变教学管理模式中的数据治理技术、信息化下教学模式构成要素与权变管理理论的结合，对大数据下权变教学管理模式的内在逻辑结构组成，及其在教学管理中的应用具有重要理论意义和现实意义。

二、大数据背景下权变教学管理理论溯源

（一）数据治理理论

数据治理理论是建立在教育大数据基础上，教育大数据具有超级体量，类型繁多，急速处理，低密价值基本特征[2]。类型繁多体现在教育数据分为结构化、半结构化和非结构化，结构化数据是显性数据，多为学生成绩、师生的基本信息等正式文件中数据，半结构化和非结构化数据是隐藏或被保存在不同形式的载体中，多为图像、视频、图表和信息等载体中的数据。研究者们研究如何将大数据应用到教育管理中，也就是数据治理。美国的预测分析报告框架细分数据治理为收集和集成相关数据、对数据分析和预测、对分析和预测的结果进行解释、教学决策和干预五部分[3]。

（二）教学模式理论

大数据背景下教育信息化不断建设以及培养国家对创新性人才的需求，教学模式构成要素不断丰富。传统教学模式的构成要素是教师、学生、教材等三大要素，后来添加“媒体”成为四大要素，但现今教育信息化建设不断完善、教学理论日益重视以及学生学习环境变化需要进一步细分教学模式构成要素。因此根据教育信息化的发展提出教学模式构成要素由教育思想或理论、教学目标、教学程序、教学方法、教学结构五大要素构成，并加入学习环境成为六大要素[4]。

（三）权变理论

周三多提到权变理论是指不存在一种“普适”的领导方式，领导工作强烈地受到领导者所处的客观环境的影响[5]。其用函数表示为S=f（L，F，E）（1）在式（1）中S代表领导方式，L代表领导者特征，F代表追随者特征，E代表环境。而权变理论这种系统性、非线性、情景性和动态性等基本特点同样适用于教学管理。教学管理是一种学习型组织系统，可以将教师、学生和学习环境作为教学过程中的客观环境并且其都具有情景性和动态性特征。同时教学方式等于领导方式“教学是教师带领学生进行学习的活动全过程”，简称“教学即领导”[6]。故本研究将权变理论函数运用到教学管理中，教学管理过程中不存普适的教学方式，将（1）式中S视为教学方式，并受L教师教学特征、F学生学习特征、E学习环境客观环境所影响。

三、大数据背景下权变教学管理模型构建

基于教学模式构成要素和美国预测分析报告框架构建大数据下权变教学管理模型。根据文献研究得出教学模式的管理是选择教学方式的管理，在模型中教学目标与预测分析是相互作用的，我们以教学目标为导向，以教学方式为手段，收集学习环境、教师教学特征、学生行为特征数据作为数据源，采用美国预测分析报告框架进行教学干预和预测，最终回答是否选择了最优教学方式达到教学目标以及是否有更好教学方式能达成教学目标。

（一）大数据背景下权变教学管理

权变教学管理是教学模式的管理，本质也是教学方式的管理。研究大数据背景下教学管理目标是以教师教学方式为主要手段，从而实现教学个性化、培养教师新素养、学生学习个性化、教育资源建设等，其本质上仍是以“人”和“物”为主要研究对象。并借助管理学中权变理论函数S=f（L，F，E），可以是将教学管理客观环境S视为教学方式，并受L教师教学特征、F学生学习特征、E学习环境所影响，通过选择最优教学方式完成教学目标获得更好教学成效。

1.教学方式

权变教学管理模式下教学方式是不固定的。因此本研究根据以教师讲授与学生探究主体导向不同划分为“主导型模式”“建构型模式”以及“混合型模式”三种教学整合模式[7]，最终提出教学过程中以教师讲授为主的灌输型教学方式，以教师讲授和学生探究结合的自主支持型教学方式和学生自主探究的自主学习型教学方式。灌输型教学方式中学生不参与教学全过程的设计，教师决定教学方法、教学结构和教学程序。自主支持型教学方式是指学生不参与教学全过程设计，在教学过程中鼓励学生独立思考、有选择兴趣的机会。自主学习型教学方式是指学生决定教学全过程设计，由学生根据自身需求自主学习。通过物联感知技术、视频录制技术、图像识别技术和平台采集技术可以收集教师教学过程中教师教学数据，学生学习数据和学习环境数据，分析该种教学方式是否能够较好实现教学目标。

2.教师教学特征

教师教学特征是影响教学方式关键性因素，其内涵主要包括教学的能力素质与教学行为。大规模总结国内外教师有效教学能力评价指标，提出中学教师有效教学能力素质指标体系主要是分为知识素养、教学能力、职业品格和个人特征[8]。但教育大数据背景下教师教学特征中要加入数据素养，数据素养通过对海量教学数据的搜集，分析进行教学决策，推动教学持续的改进，提高教学质量。大数据下教师教学素养包括数据意识、数据能力和数据伦理[9]。教师要对教学过程中对相关教学数据有敏锐的感知、理解、感受和评价，然后对数据进行收集分析以及解读的能力，从而做出正确教学决策。

3.学生学习特征

学生学习特征是教师教学方式、课程设置和学习环境的重要影响因素。学生特征评估不仅要关注学生学习的结果，还要关注学习过程，加拿大安大略省提出由责任心、组织能力、独立工作能力、合作能力、主动性和自我管理构成的学生学习评价体系[10]。该评价体系全面介绍学习者面向学习时自身的学习能力与习惯，也可以看到这些特征会影响到教师教学方式的选择。教育大数据背景下学生学习特征不可能仅仅依靠学生成绩评测，而是通过获取的信息详细描述每天时间分配数据，通过额头、眼睑、嘴角和嘴唇识别学生在学习过程中出现的枯燥乏味、情绪低落以及情绪高昂表情，也可以通过分析上网学生数、学生在线时间、学生登录次数、浏览资源次数和论坛发帖总数，以及学生在课程、问题、视频和资料之间的转换情况。

4.学习环境

学习环境的建设会促进教学方式的改变。传统的课堂教学方式专注与显性知识教授的缺陷，但在现今个性化的教学目标要求下需要激发学生创造性能力、主体性和独特性等。信息化下学习环境是物理学习环境、虚拟学习环境和资源学习环境三种环境相互组合形成六种学习路径[11]。在这六种学习路径采取不一样的教学方式。物理学习环境主要是指现实学校、机构、场馆学习环境，都是以课程安排、班级授课、成绩导向、多媒体教学和纸笔评测的方式等，虚拟学习环境主要是指线上学习为主，通常是以自主学习、论坛讨论、目标导向和在线评测为主，资源学习环境生活主要是指云环境以及网上的课程教学视频为主。