基于大数据分析个性化教学研究

导语：基于大数据分析个性化教学研究一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

当前，教育手段日益多样，多媒体技术广泛应用，但大部分教育工作者依旧将学生同质化对待，让不同学习能力的学生每日完成同样的作业，有的“吃不消”，有的“吃不饱”。应用大数据技术可促进教育从普适化向个性化转变。学生在大数据支持下在线学习，场景由实体课堂变为网络空间——教师能够全方位跟踪、记录学生的学习行为，了解学生学习需求，掌握学生思维特点。教师对学生学习行为数据进行收集，综合分析学生学习情况，进行有针对性的备课和个性化教学，针对学生特点建立学习模型，为学生提供个性化的学习策略和资源，让教育从“用经验说话”转向“用数据驱动决策”。例如，成都数字学校（以下简称数校）在利用大数据进行个性化教学方面已付诸实践。数校为学生提供直播课程与点播课程以及丰富的试题和视频资源，在预习、课前测、直播课、课后测、复习巩固5个环节提供支持。同时，数校借助系统直接对每个学生的学习情况进行数据收集、分析，将学生的错题收录到错题本中，再基于学生错题数据诊断学生的知识漏洞，为学生推送练习题和线上课程。数校利用大数据进行教学评价和诊断，通过精准分析学生的薄弱点，帮助学生进行个性化学习，同时教师也能根据学生学习行为、学习需求，实施个性化指导与干预。

一、基于前端数据收集并融合过程数据挖掘的自动用户建模

应用大数据技术促进教育从“静态”向“动态”转变。要实现个性化学习，首先需要对用户进行建模，即根据用户的不同特征来分类，包括属性特征和用户行为特征，在区分出不同的用户以后，再为不同的用户设计合适的成长路径。数校收集每个学生的基本信息和在学习过程中产生的数据，对其进行分析，发现学生目前存在的问题，为用户画像，在画像的基础上构建应用模型（如图1）。学生基础数据库包含学生各种基本信息，如学生注册时填写的用户名、学校、班级等。教师要收集学生以前的学习信息，需要对学生进行前测，发掘学生在知识学习方面的薄弱点，匹配学习方式。为确保向学生提供合适的学习资源和学习路径，不仅要记录学生在学习过程中的行为，而且要参照以往的数据以及后续通过用户调查等方式采集的信息。学校可以建立学习过程数据库，并借助系统的WEB日志挖掘和平台数据库的查询功能，对图2用户建模学生学习过程的数据进行挖掘，包括浏览次数、各种点击次数、访问次数、访问时长、活动参与情况等信息，记录学生的学习路径、内容及难点等（如图2）。以北京师范大学成都实验中学（以下简称实验中学）七年级某学生为例，该生在2017年暑假参与小升初衔接班学习，直到现在(八年级)。该生入学考试成绩中等，在班级内排名第23位，语文与英语成绩不佳。数校采集到的数据显示，该生在数校网站的访问与停留行为也主要发生在薄弱科目上，对部分英语章节有反复听讲的行为记录。

二、构建基因级知识图谱，生成个性化动态知识树

传授结构性知识是教师教学中比较有价值的付出。在教学过程中，教师可以知识点为基础，将全部知识点汇总形成知识结构图。系统基于“网络式”知识结构，智能识别数据之间、数据与知识结构之间关联教学规律，发现每门课程之中主要知识点的联系，可视化、动态化地呈现给师生，有助于学生建立知识体系。系统将教学中产生的每个学生的错题、收藏、课程、试题等都以知识点为主线进行归结，并将行为数据与知识点关联起来——知识点的教学情况通过知识树每片树叶的颜色示意，颜色由学生学习行为和作答率决定。对知识点进行基因级的拆解分析，用尽可能少的时间和题目，让每个学生“栽种”一棵专属的知识树，依据“树干、树叶”的生长状态，自适应调节学习节奏，并找出最近发展区，这是完全可行的。知识树的“栽种”也为分层教学、个性化教学以及因材施教奠定基础，同时也可作为学生自主学习的依据。例如，分层教学时教师布置20道题目，传统课堂环境下学生需要1小时完成，知识树建立后，不是每个学生每道题目都需要做，有的学生只需要做5道，大约15分钟即可完成。教师抽取一棵知识树可获取丰富的信息——树上的每片叶子记录了各部分的知识内容及其内在联系。每片叶子的颜色表征着学生对该部分知识的学习情况，如绿色代表优秀，红色代表较差，每片树叶的颜色不由某次测试的成绩决定。知识树的叶片隐含平时每堂课的学习情况记录，如作业情况统计等，学生点击跳转后可到与之相应的知识和课程模块中进行学习。从数校采集的实验中学某学生的知识树可以看到，该学生明显存在语文文言文练习正确率较低的问题（红色树叶所占比例较大）。数校题库向该学生有针对性推送初中文言文阅读训练与知识点讲解视频和练习。该学生多次训练后，语文知识树呈现良好特征。数校采集的数据显示，该学生在同期月考中成绩与排名都有稳步提升。

三、借助学情数据指导课程设计，实现精准备课和个性化教学

在课堂教学设计方面，过去常常是“工业化”运作，教学大纲长期不变，备课笔记沿用多年，而教师应用大数据技术则可获得学生个性化的画像，掌握学生的需求和学情，为给每个学生量身设计教案，将获得更佳的效果。教师和学生在线互动过程中，后台会利用积累的大数据，挖掘、分析和描述学生的学习行为、学习偏好、认知水平、知识掌握情况、答题速度等信息。教师根据数据结果和学生参与课程前测题的作答情况，可充分认识学生的个体差异，精准备课，因材施教。例如，数校借助平台对课前预习、测试的情况进行统计分析，让授课教师根据学生学习情况的反馈结果精准备课，通过统计、分析以及挖掘学生看视频、做习题等数据，发现学生学习的难点，进而在直播课中做重点讲解，开展个性化教学。

四、基于多维多联的数据算法，实现分层学习推荐

为完成学习目标，激发学生学习兴趣，保证教学质量，除了提供精品课程资源外，教师还要为学生提供个性化学习路径。大数据系统能自动识别学生的学习需求，根据用户特征信息（如学习偏好、知识水平等）动态呈现个性化学习活动序列，改变以往“大水漫灌”的做法，实施“精准滴灌”，从而更好地完成知识建构，提高在线教育的个性化服务水平。整合相关资源并设计个性化学习路径，关键要整体考虑数据之间的关系，对学生、资源、情境等进行多维关联分析。系统通过对用户行为数据的获取、存储、清洗、挖掘，采用相似用户矩阵库、基于特征匹配、基于学生反馈和基于内容知识点关联等混合推荐方法实现个性化学习资源的推送。学校可以从学生角度出发，基于学生个体的静态数据和学习中产生的动态学习行为数据，以动态数据为主、静态数据为辅构建学生特征模型。大数据平台主要从学生的学习风格和知识水平评估方面来发掘个性化学习路径并推送学习资源，通过抓取百万级用户的看课类型、学习时间、浏览次数及互动情况等数据推测学生的学习风格。对知识水平的评估，一方面可利用常规方法评估；另一方面可利用人工智能算法，基于学习行为数据，如课程学习数量与点击次数、作答时间与尝试次数、答题比例与答题正确率等实时反映学生的知识水平，从知识理解等级和有较大难度级别两个维度动态地评估学习对象。具体来说，系统根据学生前期学力测试，推荐相应内容，再结合课后作业情况进行测评，再推荐现实难度和升级难度的视频课程，让学生在平台上不断学习并积累数据，以便教师提取学生的学习特质与薄弱环节等信息，设计个性化学习方案。例如，某学生对一元二次方程和代数学知识学得较好，但对立体几何学得不好，对此，教师对该生推送了一些比较难但是体量小的一元二次方程和代数作业，同时推送了一些比较简单但是体量较大的立体几何作业，给每个学生的作业都不一样。学校通过系统进行智能推送，实现了与每个学生能力素质、个性特征匹配的个性化教育。

五、大数据支撑下的线上线下个性化学习实证研究

从大数据本身来讲，系统记录个体行为的数据似乎是杂乱无章的，但当数据累积到一定程度，群体的行为就会在数据上呈现一种秩序和规律。分析并利用这种秩序和规律，可以有效弥补线上与线下教育的不一致性。学校应用大数据分析技术可实现线上线下教育的无缝对接。目前，在线教育提供方大多是利用教研产出的标准化学习产品并基于大数据提供个性化服务。在线教育提供方在标准化底层产品的构建过程中投入大量资源，将若干专家、名师的教学经验显性化，构建中小学生的学科学习能力图谱，并基于标准模型设计整套集标准化课程、测评系统、动态学习规划、个性化训练系统、行为数据采集和分析系统于一体的“智能化学习系统”。数校就是基于这样一种模式，用户已达数百万，产生上亿条用户行为数据。当线上这套标准化学习产品成熟时，即可推动线上学习产品和线下学校服务的融合。由数校负责提供线上的智能化学习系统，而学校则组织教师根据系统反馈的数据进行个性化辅导，打通数据，创设线上线下深度融合的智能化、个性化学习场景。实验中学是首批加入数校的35所基地学校之一。教学过程中，线下教师会按照在线学习平台所提供的数据对学生的问题进行归因和分析、解答，并做计划管理，全程陪伴学生。在这一过程中，在线系统所呈现的学生数据为线下教师“照方抓药”创造了条件，让教师针对每个学生的知识盲点，提供真正个性化的辅导。对于学生而言，在线教育确保每个学生能得到同样高品质的教学内容和满足个性化需求的学习产品，而线下教师的服务则让学生在学习中遇到的问题得以及时解决。数据互通共享的“线上线下混合学习模式”的应用使得线下授课不再是简单重复线上教师的教学内容，而是真正为每个学生提供基于大数据的个性化指导。笔者选取实验中学的40名七年级学生作为研究对象。在数学教学时，将40名学生随机分为两组，即常规组（非个性化学习）和实验组（个性化学习）各20人，两组学生认知能力没有明显差异。同时，根据前测成绩又将各组学生分为学困生（0—80分）和优等生（81—100分），经过1个月的学习，教师安排常规组与实验组学生进行知识点后测，部分数据分析结果如表1所示。由表1可以看出，实验组中的后进生学习成绩提升最为明显，成绩由前测时的68分提高到后测时的91分，比较而言学优生学习成绩提升不明显，实验组与常规组中的优等生学习成绩没有显著提高。原因在于后进生完全按照系统推荐的个性化学习路径与恰当难度的学习材料进行学习，而优秀学生自主性比较强，可见应用个性化学习分析模型对后进生进行指导更有作用。此外，在学习时间、抛弃问题数量方面，实验组学生都要比常规组学生少，效率更高。主要原因在于，对于实验组学生而言，系统基于学生学习行为与知识点掌握情况等数据，准确地判断学生的认知能力，进而推送难度恰当的问题（符合学生的认知水平），因此多数问题能被学生准确回答（不必放弃）。每个学生创造的数据就是“大数据”的一部分，每个学生都是大数据的生产者和消费者。应用大数据分析学生的学习过程具有较强的实用价值，在大数据技术支持下，学习资源的个性化推送、学习质量分析等都将有可行的解决方案。个性化学习诉求在大数据时代有新的实现途径。目前，对于大数据在教育教学中应用的相关研究仍然不够深入，也缺乏足够的实践经验。笔者提出的基于大数据的个性化教学应用已基本上得到实证。借助大数据技术，揭示数据隐藏的关系、模式和趋势，了解学生学习轨迹和现状，有助于教师掌握学生的学习规律，进而更全面地评价学生并给予个性化指导，优化学习过程，提供个性化的服务，做到因材施教，让教学回归本质。

参考文献

［1］孙玉桦，唐章蔚.基于大数据的个性化学习环境构建研究［J］.中小学电教，2017（Z2）：51-53.

［2］龙虎，李娜.大数据背景下网络教学中的智能学习诊断研究［J］.凯里学院学报，2017（6）：87-91.

［3］李宝，张东红.教育大数据下个性化资源推送服务框架设计［J］.中国远程教育，2017(9):62-69.

作者:罗清红 单位:四川省成都市教育科学研究院