基于大數(shù)據(jù)的智慧學(xué)習(xí)系統(tǒng)模型研究

楊帆靜

(集美大學(xué)誠毅學(xué)院,福建 廈門 361021)

0 引言

智慧學(xué)習(xí)進(jìn)行的教學(xué)活動都是結(jié)合學(xué)習(xí)者的知識結(jié)構(gòu)和學(xué)科培養(yǎng)目標(biāo)而展開的,能充分展示學(xué)習(xí)者的個性化特點.數(shù)據(jù)挖掘是大數(shù)據(jù)在智慧學(xué)習(xí)系統(tǒng)的主要應(yīng)用領(lǐng)域.教育大數(shù)據(jù)能直觀體現(xiàn)學(xué)習(xí)者的學(xué)習(xí)現(xiàn)狀以及個體需求差異.通過大數(shù)據(jù)分析,可以診斷出學(xué)習(xí)者的知識能力水平,再結(jié)合學(xué)生的興趣愛好等因素,為學(xué)生定制個性化的學(xué)習(xí)內(nèi)容.

國內(nèi)外的眾多學(xué)者就大數(shù)據(jù)對智慧學(xué)習(xí)的積極作用發(fā)表了研究成果.魏順平[1]借助數(shù)據(jù)分析技術(shù),將教育軟件中儲存的海量數(shù)據(jù)轉(zhuǎn)化為知識,為學(xué)生學(xué)習(xí)和老師教學(xué)提供有效的指導(dǎo).舍恩伯格[2]概括出,隨著大數(shù)據(jù)在教育界的深入應(yīng)用,根據(jù)學(xué)習(xí)者個體差異而定制學(xué)習(xí)方案將會成為教育界的主流,包括教學(xué)內(nèi)容、學(xué)習(xí)時間、授課方式.唐斯斯[3]指出,單一的傳統(tǒng)教學(xué)方式過于單一,老師過度依賴教學(xué)經(jīng)驗,大數(shù)據(jù)的應(yīng)用,可以幫助教育工作者以教育數(shù)據(jù)為基礎(chǔ)開展教學(xué)活動,促進(jìn)教育由集體化向個性化發(fā)展.

本文基于大數(shù)據(jù)框架,分析了智慧學(xué)習(xí)系統(tǒng)的生態(tài)機理,結(jié)合自適應(yīng)學(xué)習(xí)系統(tǒng)參考模型,提出了一種基于大數(shù)據(jù)的智慧學(xué)習(xí)系統(tǒng),能讓學(xué)習(xí)者的學(xué)習(xí)活動更加智能化、個性化.

1 智慧學(xué)習(xí)系統(tǒng)模型

應(yīng)用于自適應(yīng)學(xué)習(xí)系統(tǒng)的AEHS(Adaptive Educational Hypermedia Systems)通用模型是Peter Brusilovsky提出的,本文中的智慧學(xué)習(xí)系統(tǒng)模型以此為基礎(chǔ).如圖1,AEHS由四個主要組件構(gòu)成,分別是自適應(yīng)引擎、領(lǐng)域模型、教育學(xué)模型、學(xué)習(xí)者模型[4].

圖1 AEHS主要組件

1.1 學(xué)習(xí)者模型

學(xué)習(xí)者模型反映了不同學(xué)習(xí)者的差異性,是智慧學(xué)習(xí)系統(tǒng)的核心內(nèi)容,直接決定了學(xué)習(xí)內(nèi)容是否合理.本文構(gòu)建的學(xué)習(xí)者模型包括以下幾方面內(nèi)容:個人信息、學(xué)習(xí)行為、行為偏好、課程體系、知識水平.其中,個人信息包括學(xué)習(xí)者的姓名、性別、年齡、學(xué)校、年級等;學(xué)習(xí)行為是記錄學(xué)習(xí)者的學(xué)習(xí)歷史,包括學(xué)習(xí)的課程編號、學(xué)習(xí)次數(shù)、學(xué)習(xí)時間、學(xué)習(xí)地點、使用設(shè)備、作業(yè)完成情況、測試結(jié)果等,可以用于挖掘?qū)W習(xí)者行為偏好,以便更好地了解學(xué)習(xí)者,從而更精準(zhǔn)地預(yù)測學(xué)習(xí)者的學(xué)習(xí)行為;行為偏好的作用在于通過分析學(xué)習(xí)者以往的學(xué)習(xí)行為,分析出其在學(xué)習(xí)行為上的偏好傾向,用于為其推薦帶有個人喜好的課程;課程體系包括學(xué)習(xí)者學(xué)習(xí)的課程以及知識點,描述了學(xué)習(xí)者的知識結(jié)構(gòu);知識水平用以描述學(xué)習(xí)者對于學(xué)習(xí)內(nèi)容的掌握情況,可通過考試、習(xí)題、交流等形式分析得出.

1.2 領(lǐng)域模型

領(lǐng)域模型是領(lǐng)域概念集合,包括了領(lǐng)域概念及其相互之間的關(guān)系,通常一個特定的領(lǐng)域概念與不同概念聯(lián)系后表達(dá)了不同的語義.領(lǐng)域模型描述了領(lǐng)域知識結(jié)構(gòu),應(yīng)用于不同領(lǐng)域中的學(xué)習(xí)系統(tǒng)中有著不同的含義,權(quán)重也有所差別,發(fā)揮著不同的作用.領(lǐng)域模型的主要實現(xiàn)方式是通過定量或定性的方式估算學(xué)習(xí)者對某一概念的掌握程度并將其儲存.

1.3 自適應(yīng)引擎

自適應(yīng)引擎可以利用學(xué)習(xí)者模型分析出學(xué)習(xí)者的知識水平以及對知識的接受能力,再結(jié)合其他模型為學(xué)習(xí)者安排個性化的學(xué)習(xí)策略,同時對學(xué)習(xí)者的學(xué)習(xí)過程進(jìn)行監(jiān)測和調(diào)整.本文中自適應(yīng)引擎的實施方式具體為:1)自適應(yīng)引擎根據(jù)學(xué)習(xí)者模型(個人信息、學(xué)習(xí)行為、行為偏好、課程體系、知識水平、學(xué)習(xí)情緒)和學(xué)習(xí)目標(biāo),定制個性化學(xué)習(xí)方案;2)跟蹤學(xué)習(xí)者的學(xué)習(xí)過程,并將學(xué)習(xí)歷史記錄;3)學(xué)習(xí)結(jié)束后,對學(xué)習(xí)者的學(xué)習(xí)效果進(jìn)行評價,檢驗制定的學(xué)習(xí)方案是否合理；4)對于未能達(dá)到理想效果的學(xué)習(xí)者,需要進(jìn)行診斷和分析,修改學(xué)習(xí)策略直至達(dá)到學(xué)習(xí)目標(biāo).在大數(shù)據(jù)的應(yīng)用背景下,智慧學(xué)習(xí)系統(tǒng)的自適應(yīng)引擎需要不斷修正和優(yōu)化規(guī)則,不斷自我進(jìn)化.本文主要研究自適應(yīng)引擎的三項功能:知識結(jié)構(gòu)和水平檢測、學(xué)習(xí)路徑推薦與學(xué)習(xí)效果評價.

1.3.1 知識結(jié)構(gòu)和水平檢測

學(xué)習(xí)者的知識結(jié)構(gòu)與課程體系、領(lǐng)域模型等緊密相關(guān),學(xué)習(xí)者的知識結(jié)構(gòu)與課程體系、領(lǐng)域模型等緊密相關(guān),學(xué)生的知識水平需要通過作業(yè)、測試等多維診斷方式才能得出較為準(zhǔn)確的結(jié)果,因而自適應(yīng)引擎需要與多個系統(tǒng)模型相連才能綜合檢測出學(xué)生的知識結(jié)構(gòu)和水平.同時，學(xué)生的知識結(jié)構(gòu)和水平是一個相對值,需要放在類似群體中與不同個體進(jìn)行對比.

本文采用項目反應(yīng)理論IRT(Item Response Theory)為基礎(chǔ)架構(gòu)進(jìn)行知識結(jié)構(gòu)和水平檢測.項目反應(yīng)理論認(rèn)為學(xué)習(xí)者對知識點的理解程度、接受知識的能力、思考方式都會影響他的答題反應(yīng),因而可以在個性化測試過程中,評價學(xué)習(xí)者的反應(yīng)情況診斷出學(xué)習(xí)者的知識結(jié)構(gòu)和學(xué)習(xí)能力,并且可以不斷調(diào)整題目的難度反復(fù)進(jìn)行測試,已達(dá)到逐步貼近實際水平,從而得到準(zhǔn)確結(jié)果.這樣的方式可以有效避免題目與學(xué)習(xí)者實際情況不匹配的問題,不僅準(zhǔn)確率得到大幅提升,而且能有效縮短測試時間,因而得以廣泛使用[5].

1.3.2 學(xué)習(xí)路徑推薦

智慧學(xué)習(xí)系統(tǒng)的核心功能之一就是針對學(xué)習(xí)者的個性化特征為其推薦最佳學(xué)習(xí)路徑,這也是衡量智慧學(xué)習(xí)系統(tǒng)功能的重要指標(biāo).其中,學(xué)習(xí)者的特征是算法的輸入,以學(xué)習(xí)者知識結(jié)構(gòu)和水平、行為偏好為輸入,學(xué)習(xí)路徑是算法的輸出,本文采用了蟻群算法,因為蟻群算法中的啟發(fā)信息和信息素參數(shù)非常適合綜合參數(shù)的建模.

蟻群算法是一種群體智能算法,通過模擬蟻群覓食的過程來求解最佳路徑.具體過程為:螞蟻邊找尋食物邊留下“信息素”，信息素會被其他螞蟻識別,走過的螞蟻越多則此路徑上信息素越多,最佳路徑由此形成.可以將螞蟻覓食的過程應(yīng)用于學(xué)習(xí)路徑推薦,兩者的搜索過程具有極大相似性,可以將學(xué)習(xí)者視為螞蟻,學(xué)習(xí)目標(biāo)則可以看作食物,學(xué)習(xí)者對知識點的評分就是信息素,推薦路徑可以看覓食的最佳路徑[6].

1.3.3 學(xué)習(xí)效果評價

當(dāng)學(xué)習(xí)完成之后,需要對其學(xué)習(xí)效果進(jìn)行評價,確定系統(tǒng)向其推薦的學(xué)習(xí)資源是否合理,從而不斷優(yōu)化系統(tǒng)模型.大數(shù)據(jù)的應(yīng)用使得評價依據(jù)從主要依靠主觀經(jīng)驗判斷逐步過渡到依靠客觀數(shù)據(jù).本文評價學(xué)習(xí)效果的方法主要分定性和定量兩個角度,定量就是從數(shù)據(jù)的角度客觀評價學(xué)習(xí)效果,通過分析統(tǒng)計數(shù)據(jù),計算出可以表示學(xué)習(xí)者知識能力提高的綜合指標(biāo);定性就是學(xué)習(xí)者的主觀評價,學(xué)習(xí)者學(xué)習(xí)完后進(jìn)行星級評分.最終的學(xué)習(xí)效果評價就是二者的權(quán)值之和.

1.4 教育學(xué)模型

教育學(xué)模型用于定義學(xué)習(xí)者模型訪問領(lǐng)域模型各部分信息的規(guī)則,這些規(guī)則以教育學(xué)為基礎(chǔ),依據(jù)領(lǐng)域知識設(shè)計,具有很強的專業(yè)性.

1.5 接口模塊

接口模塊用于實現(xiàn)學(xué)習(xí)者與智慧學(xué)習(xí)系統(tǒng)的交互,同時存儲于接口模塊的數(shù)據(jù)也可以預(yù)測學(xué)習(xí)者的個性化特點,從而更新并驗證學(xué)習(xí)者模型.

2 大數(shù)據(jù)系統(tǒng)架構(gòu)

在大數(shù)據(jù)的應(yīng)用背景下,智慧學(xué)習(xí)系統(tǒng)的實現(xiàn)機制有了新的發(fā)展,本文提出的基于大數(shù)據(jù)的智慧學(xué)習(xí)系統(tǒng)架構(gòu),可以分為數(shù)據(jù)層、信息層、控制層、應(yīng)用層[7],如圖2.

圖2 大數(shù)據(jù)系統(tǒng)架構(gòu)

2.1 數(shù)據(jù)層

數(shù)據(jù)層存儲的是結(jié)構(gòu)化、半結(jié)構(gòu)的原始數(shù)據(jù),數(shù)據(jù)獲取方式是通過接口模塊,原始數(shù)據(jù)的來源可以是歷史數(shù)據(jù)、聲音、圖像、影像、點擊流等.

2.2 信息層

信息層中存儲的是有意義的數(shù)據(jù)集合.利用ETL等技術(shù)將數(shù)據(jù)層中存儲的原始數(shù)據(jù)進(jìn)行清洗、轉(zhuǎn)換和整合,提煉為有效信息并存儲到學(xué)習(xí)者信息庫、學(xué)習(xí)者行為庫、領(lǐng)域模型庫、學(xué)習(xí)資源庫、學(xué)習(xí)工具庫、導(dǎo)學(xué)策略庫等數(shù)據(jù)庫中.同時,數(shù)據(jù)采集和提煉的過程是持續(xù)進(jìn)行的,增量信息不斷形成,不斷更新各個數(shù)據(jù)庫的內(nèi)容.

2.3 控制層

控制層是智慧學(xué)習(xí)系統(tǒng)的核心應(yīng)用,自適應(yīng)引擎根據(jù)學(xué)習(xí)者特征模型和領(lǐng)域模型可以實現(xiàn)學(xué)習(xí)者個性化學(xué)習(xí),學(xué)習(xí)過程中,不斷對學(xué)習(xí)效果進(jìn)行評價,從而實現(xiàn)引擎規(guī)則的不斷完善,達(dá)到引擎自我進(jìn)化的目標(biāo).

2.4 應(yīng)用層

應(yīng)用層用于為使用者提供服務(wù)業(yè)務(wù),使用者可以是學(xué)習(xí)者、教師、領(lǐng)域?qū)＜?、工具開發(fā)者,為其提供學(xué)習(xí)資源、學(xué)習(xí)工具、學(xué)習(xí)路徑、學(xué)習(xí)策略等.

3 系統(tǒng)實現(xiàn)與案例分析

本文選擇初中數(shù)學(xué)作為實現(xiàn)對象來檢驗智慧學(xué)習(xí)系統(tǒng)架構(gòu)的合理性.初中數(shù)學(xué)智慧學(xué)習(xí)系統(tǒng)可以為學(xué)生提供多種方式的課后自主學(xué)習(xí),邏輯框架如圖3,主要包括課后自主學(xué)習(xí)和輔助課堂學(xué)習(xí).

圖3 智慧學(xué)習(xí)系統(tǒng)邏輯框架

自主導(dǎo)學(xué)是課后自主學(xué)習(xí)的方式,主要方式為:系統(tǒng)將教師挑選的合適的學(xué)習(xí)資源,結(jié)合學(xué)習(xí)者模型和推薦規(guī)則,推送給學(xué)習(xí)者,學(xué)習(xí)者根據(jù)自己的實際情況,從推薦的資源庫中選擇合適的學(xué)習(xí)路徑.自主學(xué)習(xí)完成之后,學(xué)習(xí)者需要進(jìn)行自我檢測,學(xué)習(xí)者根據(jù)自己的實際情況選擇測試題的難度等級后,系統(tǒng)會根據(jù)推送規(guī)則形成對應(yīng)難度的試題.學(xué)習(xí)者答題結(jié)束后,系統(tǒng)會自動批閱學(xué)習(xí)者的試題并對答題情況進(jìn)行分析,診斷出學(xué)習(xí)者在學(xué)習(xí)中的薄弱環(huán)節(jié),從而為其推送更加合適的導(dǎo)學(xué)資源.同時將此次導(dǎo)學(xué)的過程和結(jié)果數(shù)據(jù)保存,更新系統(tǒng)模型,在后續(xù)的學(xué)習(xí)過程中為學(xué)習(xí)者提供更加有效地服務(wù).

課前預(yù)習(xí)和課后復(fù)習(xí)都是輔助課堂學(xué)習(xí),課前預(yù)習(xí)是課堂教學(xué)的熱身,課后復(fù)習(xí)是課堂教學(xué)的檢驗,兩者都和課堂學(xué)習(xí)內(nèi)容緊密聯(lián)系,所以本文將其設(shè)計為由教師導(dǎo)學(xué).課前預(yù)習(xí)的過程為:教師根據(jù)課堂學(xué)習(xí)內(nèi)容,將需要的課前預(yù)習(xí)資源推薦給學(xué)習(xí)者,學(xué)習(xí)者根據(jù)自身的情況選擇預(yù)習(xí)路徑并自主預(yù)習(xí).學(xué)習(xí)者預(yù)習(xí)后,由老師選擇相應(yīng)的試題對學(xué)習(xí)者的預(yù)習(xí)情況進(jìn)行檢查.課后復(fù)習(xí)的過程為:教師根據(jù)課堂學(xué)習(xí)內(nèi)容,將需要的課后資源推薦給學(xué)習(xí)者.學(xué)習(xí)者復(fù)習(xí)后,由老師選擇相應(yīng)的作業(yè)對學(xué)習(xí)者的復(fù)習(xí)情況進(jìn)行檢查.

在課后自主學(xué)習(xí)和輔助課堂學(xué)習(xí)過程中,系統(tǒng)都可以獲取學(xué)習(xí)者的反饋數(shù)據(jù),從而不斷優(yōu)化系統(tǒng),對學(xué)生進(jìn)行個性化、有針對性的指導(dǎo).

4 結(jié)論

隨著大數(shù)據(jù)、云計算的不斷發(fā)展,數(shù)字化校園也得以推進(jìn).學(xué)習(xí)者的學(xué)習(xí)過程得以保存形成海量的教育大數(shù)據(jù),為教育優(yōu)化提供了重要依據(jù).本文將學(xué)習(xí)系統(tǒng)模型和大數(shù)據(jù)框架相結(jié)合,設(shè)計出基于大數(shù)據(jù)的智慧學(xué)習(xí)系統(tǒng).本文分析了如何在初中數(shù)學(xué)系統(tǒng)中應(yīng)用次架構(gòu),在后續(xù)的研究中,將對各個學(xué)科領(lǐng)域的學(xué)習(xí)系統(tǒng)的差異性進(jìn)行研究,開發(fā)出自適應(yīng)程度更大的智慧學(xué)習(xí)系統(tǒng)模型.