大數據學習分析支持個性化學習研究-技術回歸教育本質

1、    大數據學習分析支持個性化學習研究技術回歸教育本質    (四)改善個性化的學習評估在傳統(tǒng)的公共教育模式中，學習評估是基于教師、輔導員或管理者的專業(yè)知識以及與學生日常交互的經驗而展開，通常發(fā)生在學?；蛘n堂。但隨著數據類型的多樣化，如行為數據、非認知數據和生物識別數據等，僅僅來自教師的學習評估是不全面的。更全面的學習評估需要大數據學習分析技術提供更為準確且有效的實時數據。教師雖然有自己的學習經驗和方法來記錄每個學生的優(yōu)勢和不足，但這些記錄不易攜帶，難于分享，也難于進行快速分析6。此外，雖然教師能夠進行個性化的評估活動與互動，但這種課堂活動所反映出來的

2、數據，通常是片面的和短暫的。教師和學習者在一起工作時，其他個體(政府、校長)不能系統(tǒng)地監(jiān)控結果6。教師“內心記錄”不如那些用技術創(chuàng)建的記錄方法，僅憑教師做出學習評估是不全面的。大數據學習分析技術比僅憑教師的學習評估更高效。用教育系統(tǒng)評估學生的成績，大數據和新的證據模型可以進行轉移測量，把重點放在真正重要的地方，并為教育工作者和學生提供更及時的信息反饋13。國家教育技術計劃(national educational technology project，netp)稱，當與學習系統(tǒng)相結合時，基于技術的評估可以用來形成診斷并且改進學習和教學實踐，同時確定學生所學到的內容14。紐約市一所中學數學課程成

3、功地實現了個性化學習。教師用以計算機為基礎的關鍵算法評估學生個性化學習當中日常學習軌跡的實時發(fā)展。教師根據算法確定每個學生的個人學習軌跡。該技術通過學習分析為每個學生確定學習步驟。紐約市六所中學的一所學校報告說，學校的使命是“提供給學生一個滿足他們特別需要、愛好和學習偏好的個性化、有效和動態(tài)的課堂教學”10。可見，基于數據的評估有助于真正的實現個性化學習。除了教師利用基于數據的學習分析進行評估以外，netp讓非教育工作者也參與到對學生的評估過程。該計劃指出，雖然有很多教育工作者在努力，但仍不能隨時對學生進行有意義的評估。然而，互聯(lián)網對任何人都免費開放，技術可以為沒有經驗和興趣的個人連接虛擬社區(qū)

4、，幫助他們評估學生工作14。盡管該計劃承認這些非教育工作者缺乏專業(yè)知識，但卻可以實現不同領域的人對學生進行評價。例如，科學家可以對在線科學博覽會上的學生項目做出反饋，在線文學雜志的讀者可以評論學生的寫作等。(五)提供個性化的學習反饋與建議教師經常會使用標準的考試分數和測試數據來指導自己的教學計劃。然而，這種測試無法立即給予學生實時“可操作”的反饋。隨著新的數字化學習資源和學習技術的普及，能夠超越傳統(tǒng)方法的新的測量方式正在出現7。例如數據挖掘技術可以追蹤學生的學習軌跡和學習時長，從而為學生和教師提供可操作的反饋。大數據和新的證據模型可以為教育工作者和學生提供更及時的信息反饋13。個性化學習中學習

5、的意義體現在可視的環(huán)境中，可以將學習的軌跡通過技術記錄下來，為了記錄完整的學習軌跡，所有與學習有關的表現都作為一種技能經過量化輸入數據庫。以此，將可視化行為作為簡單和復雜工作技能的證明。將學生的一切行為或復雜品質等數據量化并輸入數據庫以后，便形成了完整且全面的數據庫，提升了個性化學習的效率，幫助學習者調整學習路徑和速度，為教師和學習者提供更及時的信息反饋。如果沒有全面的數據庫幫助，教師不會有一個完整的關于學生知道什么和能夠做什么的認知。他們也無法使用學習分析和非認知數據，為每個學生定制學習并推送個性化的學習建議。學習分析系統(tǒng)應用模型，可以回答學生何時準備好進行下一個知識點學習、課程學習哪里落后

6、、何時遇到困難未完成課程學習、哪些年級的學生不喜歡被干預，給學生的最好的課程是什么以及學生是否需要教師提供幫助等9。netp指出，從入學開始，每個學生都能有一個學習量表，用來通知學生是否有申請入學的資格、課程的完成度以及是否滿足畢業(yè)的要求等14。在討論個性化學習方面，netp指出，個性化學習能夠實現支持學生在他們特別感興趣的領域學習。并不是所有的學生都能學習俄語閱讀，也不是每個學生都能在海灣上進行縫合手術的練習。雖然應該呼吁學生追求更先進的學習，但報告表明，學習應根據個人水平定制學習資料，給予不同學生不同的個性化的學習建議14。如同企業(yè)根據客戶資料定制產品一樣，每個學生都遵循著自己的計劃，傳統(tǒng)

7、公共教育模式下的共同學習不再存在。netp解釋說，一個在線系統(tǒng)收集關于學生如何學習的信息可以比手工方法更多更詳細。系統(tǒng)可以捕捉到他們輸入和輸出的證據，通過對每個學生選擇或輸入的信息、學生嘗試次數的提示和類型反饋信息等進行分析，了解他們解決問題的方法，獲得的知識和運用的策略等14。這也使為每個學生推送個性化的學習建議成為可能。五、大數據如何用好：基于大數據的個性化學習體系框架本研究采用德爾菲法(delphi)面向北京師范大學、華東師范大學以及東北師范大學的20名專家進行咨詢，確定框架構建的合理性與科學性，其中專家涉及教育學、教育技術學以及計算機科學等領域，實施過程如圖3所示。圖3 框架構建操作流

8、程首先，基于大數據對個性化學習產生的價值，初步構建了大數據學習分析支持下的個性化學習體系框架，通過面談頭腦風暴法和發(fā)送郵件方式向專家進行咨詢；其次，對初步設定框架結構存在的問題(如統(tǒng)計描述層中除了行為模式、教育內容的統(tǒng)計，還應包含對學習成果的統(tǒng)計；教育測評中除了基本信息、認知能力、語言能力、學習風格、學習狀態(tài)、學習水平、學習興趣和成長體驗外，還應該包含對身心健康和人際關系的測評)進行回收處理；再次，對體系框架進行修改及補充，并設計下一輪咨詢；最后，結合專家的反饋建議，確定體系框架(如圖4所示)，為后續(xù)進行實證研究奠定堅實基礎，同時也為同行研究提供理論依據。圖4 基于大數據的個性化學習體系框架該

9、框架主要包括基礎數據層、統(tǒng)計描述層、教育測評層與應用服務層?；A數據層將各個數據庫的數據通過數據提取傳遞給統(tǒng)計描述層，通過大數據關系挖掘與分析形成統(tǒng)計描述?；趯逃齼热?、行為模式等的統(tǒng)計描述，教育測評層可實現對學生學習風格、學習能力等的測評，并將測評結果傳遞給應用服務層。具體來說，各層級的主要任務如下：(一)基礎數據層基礎數據層主要包括對學習平臺數據庫、人口基本信息資料庫以及行為數據庫中的數據進行提取。學習平臺數據包含學習者數據、學習者行為日志數據、學習內容數據、學習成績數據等信息；人口基本信息數據包含學生姓名、性別、出生日期、民族、身份證號碼、住址、學校、專業(yè)、標準化考試成績、已達到的學術

10、標準、出勤記錄、紀律記錄、家庭作業(yè)完成情況以及學生的目標和利益等學生信息；行為數據包含學生課程學習行為、學生訓練行為、教師教育及干預行為、學生社群行為等信息。在數據提取中，要注重數據的預處理以確保數據信息質量。檢查數據的相關性與完整性，濾除無關數據，去粗取精。(二)統(tǒng)計層描述統(tǒng)計描述層主要包含學習分析和教育數據挖掘。其中，學習分析可以將有關學習者的數據集進行測量、收集與分析，并最終形成報告，以理解并優(yōu)化學習15。教育數據挖掘可以將各個數據庫中的原始數據轉換為可用信用，最終為學生、教師以及教育管理者使用16。通過對基礎數據層數據的關系的挖掘與分析，進而對學生行為模式、教育內容與學習成果等進行統(tǒng)計

11、描述。如行為模式統(tǒng)計包含學生課程學習行為統(tǒng)計、學生訓練學習行為統(tǒng)計、學生瀏覽點擊行為統(tǒng)計與學生社群行為統(tǒng)計；教育內容統(tǒng)計包含對課程的統(tǒng)計、試卷的統(tǒng)計、題目的統(tǒng)計與知識能力題型統(tǒng)計等；學習成果統(tǒng)計包含學習者在課程學習中獲得的成果統(tǒng)計、日常單元測驗與期中考試、期末考試成績統(tǒng)計等。(三)教育測評層教育測評層是基于上一環(huán)節(jié)統(tǒng)計分析的數據進行教育測評。在現代教育體系中，教育測評在教學環(huán)節(jié)和學習環(huán)節(jié)中均發(fā)揮重要作用。教育測評本身對個性化學習有非常重要的意義。個性化學習要研究每一個學生，對他們的認知能力、語言能力、學業(yè)水平、學習風格與學習興趣等做出刻畫?？梢姡逃郎y評是個性化學習的重要環(huán)節(jié)。教育測評，如學生

12、的認知能力包含記憶力、邏輯能力與注意力等；語言能力包含理解力與表達能力等；學業(yè)水平包含學習者的課程成績和在各類活動中獲得的獎項等。(四)應用服務層應用服務層是將教育數據分析的結果應用在個性化學習當中。當前，在個性化學習中教育數據應用服務主要聚焦在完善個性化學習者檔案、預測個性化學習行為、優(yōu)化個性化教育決策、改善個性化學習評估以及提供個性化學習反饋與建議等五個方面。分析教育大數據可以使教育管理者更科學地為學生創(chuàng)建個性化的學習環(huán)境，制定學術課程，提供個性化的資源；使學習者更好地制定符合自己的學習路徑，計劃學習活動并獲得積極的反饋；使教師更快地識別學習過程中可能的問題，給予學生及時的反饋，改善教學。

13、六、結論基于大數據學習分析的個性化學習已成為教育技術的新范式17，不僅可以完善個性化的學習檔案，有利于構建個性化的學習環(huán)境，還能預測學生個性化的學習行為，為教師做出教學決策和評估并給學生提供個性化的學習建議提供依據。同時也強調了大數據學習分析技術在個性化學習中使用的必要性。若想通過設定的指令來滿足每個學生的個性化需求，一定離不開技術的幫助，大數據學習分析技術，使教育回歸本質，關注每個學習者的個性化發(fā)展，實現真正的個性化學習。雖然多個數據點的使用可以提供關于學生的更多信息，但并沒有證據說明，大數據比經驗豐富的教師更完全、細致入微地了解學生。大數據的好處是眾所周知的，教師已經在他們的課堂上，通過人

14、機交互應用大數據，其中包括在必要的時候修改課程和活動以滿足學生的需要，確定學生在什么時候需要幫助，或是準備好繼續(xù)學習，并根據學生興趣幫學生選擇適當的內容等。此外，收集各種類型的數據最重要的問題是隱私權，涉及倫理道德問題，也是應用大數據存在的弊端。趙惠瓊等以技術為視角，從數據收集、分析和解釋等三方面構建了數據安全與隱私保護框架，并提出了應對策略18。楊現民等4認為有必要加快制定教育大數據安全管理辦法，保障教育數據安全，不外泄、不被惡意使用。也有學者提到學生的隱私權應該受到保護，但并沒有提供如何實現的計劃。例如，西蒙斯(siemens)19認為法律應對技術方面的數據的所有權和隱私權進行規(guī)定。隨著日

15、常的生活與學習以數據的形式被記錄下來，社會已經步入了大數據的時代。在教育中，通過綜合數據庫的使用，應用大數據學習分析做出關于課程、教學和評價的決策。在美國等發(fā)達國家，由于聯(lián)邦教育政策的支持以及技術進步已經使大數據大規(guī)模地應用到學校教育，并已經取得了顯著的成果。我國將大數據應用于個性化學習正處于起步階段，所以這迫切地需要我們發(fā)揮大數據的優(yōu)勢，為每一個學生提供更好的個性化學習服務。此外，將基于大數據學習分析技術的個性化學習研究引入到翻轉課堂以及大規(guī)模在線開放課程(mooc)建設服務范疇，有助于每個學習者都有最適宜的、與眾不同的目標、方法和過程，能更好地支持個性化學習，以達到為學生提供個性化分析、預

16、測、推送與服務的目的。參考文獻：1教育部.基礎教育課程改革綱要(試行)n.中國教育報，2001-7-27(1).2中華人民教育部.教育信息化十年發(fā)展規(guī)劃(2010-2020)eb/ol.2012-03-13.http/3roberts-mahoney h m. the role of big data and personalized learning in the privatization of public educationd. dyouville college, 2015.4楊現民，唐斯斯，李冀紅.發(fā)展教育大數據：內涵、價值和挑戰(zhàn)j.現代遠程教育研究，2016(1)：50-61.5

17、孟小峰，慈祥.大數據管理：概念、技術與挑戰(zhàn)j.計算機研究與發(fā)展，2013(1)：146-169.6dicerbo k e, behrens j t, barber m. impacts of the digital ocean on educationj. london: pearson. retrieved september, 2014,(1): 70-81.7shechtman n, debarger a h, dornsife c, et al. promoting grit, tenacity, and perseverance: critical factors for succe

18、ss in the 21st centuryj. washington, dc: us department of education, department of educational technology, 2013, (1): 1-107.8姜強，趙蔚，王朋嬌.自適應學習系統(tǒng)中學習者為中心視角評價學習成效實證研究j.現代遠距離教育，2015(4)：43-49.9bienkowski m, feng m, means b. enhancing teaching and learning through educational data mining and learning analyt

19、ics: an issue briefj. us department of education, office of educational technology, 2012(1): 1-57.10wolf m a, wolf e. innovate to educate: systemredesign for personalized learning: a report from the 2010 symposiumj. washington, dc: software & information industry association, 2010(1): 1-44.11fra

20、me, k. 2012. pathways to personalized learning: tapping the potential, realizing the benefits, center for digital education.ol. 12macfadyen, l., & dawson, s. mining lms data to develop an “early warning system” for educators: a proof of concept.j. computers & education, 2010(54): 588-599.13cator k, adams b. expanding evidence approaches for learning in a digital worldj. us department of education office of educational technology, 2013(1): 1-114.14national education tech