大數(shù)據(jù)背景下的精準(zhǔn)個(gè)性化學(xué)習(xí)路徑挖掘研究

姜強(qiáng)

教育的真諦是要發(fā)展人的個(gè)性，讓每個(gè)學(xué)生的個(gè)性都得到健康發(fā)展，只有尊重差異，才有對(duì)人的真正尊重，只有尊重人，才有真正的教育?！笆澜缟蠜](méi)有兩片相同的葉子”，每一個(gè)孩子都有獨(dú)屬于自身的學(xué)習(xí)方法和思維方式，尊重每個(gè)人的獨(dú)立人格，弘揚(yáng)每個(gè)人的生命價(jià)值，既是教育的起點(diǎn)，也是教育的必然歸宿。

由于基因等不同因素的影響，學(xué)生之間的差異是客觀存在的，存在著不同的思維方式、不同的學(xué)習(xí)風(fēng)格。在新一輪中高考改革中，教育發(fā)展總體方向強(qiáng)調(diào)學(xué)生的個(gè)性發(fā)展、自主選擇和揚(yáng)長(zhǎng)發(fā)展。將個(gè)性化學(xué)習(xí)理念注入教育系統(tǒng)中，根據(jù)學(xué)習(xí)者特征推送精準(zhǔn)個(gè)性化學(xué)習(xí)路徑，提供具有針對(duì)性的學(xué)習(xí)材料，提供最佳學(xué)習(xí)方法和建議，將會(huì)有利于學(xué)習(xí)者明晰“學(xué)什么”“如何學(xué)”，同時(shí)可以按照自己的節(jié)奏控制學(xué)習(xí)進(jìn)度，始終保持清晰的學(xué)習(xí)思路，確保學(xué)習(xí)的有效性，從而達(dá)到最大的學(xué)習(xí)潛能。

從“用經(jīng)驗(yàn)說(shuō)話”

到“用數(shù)據(jù)驅(qū)動(dòng)決策”

大數(shù)據(jù)時(shí)代，教育從“用經(jīng)驗(yàn)說(shuō)話”到“用數(shù)據(jù)驅(qū)動(dòng)決策、管理與創(chuàng)新”，無(wú)疑推動(dòng)了學(xué)生的個(gè)性化教育。通過(guò)大數(shù)據(jù)分析學(xué)習(xí)行為，能夠準(zhǔn)確識(shí)別學(xué)習(xí)者特征、預(yù)測(cè)學(xué)習(xí)結(jié)果，給予個(gè)性化學(xué)習(xí)干預(yù)、指導(dǎo)，實(shí)現(xiàn)一種更為靈活方便的精準(zhǔn)在線學(xué)習(xí)模式，學(xué)習(xí)者能自我控制學(xué)習(xí)路徑、內(nèi)容、時(shí)間和地點(diǎn)，有利于提高創(chuàng)造力、想象力和競(jìng)爭(zhēng)力。但是，在師生分離狀態(tài)下的“互聯(lián)網(wǎng)+教育”，缺少教師及時(shí)有效的人為干預(yù)和指導(dǎo)，會(huì)因急劇增長(zhǎng)的數(shù)字信息而產(chǎn)生“學(xué)習(xí)迷航”和“認(rèn)知過(guò)載”等問(wèn)題。學(xué)習(xí)者往往很難找到最符合自己需求的學(xué)習(xí)路徑，始終面對(duì)“選擇學(xué)什么”“接下來(lái)學(xué)什么”等問(wèn)題，這種現(xiàn)象降低了在線學(xué)習(xí)的個(gè)性化優(yōu)勢(shì)。為完成學(xué)習(xí)目標(biāo)，激發(fā)學(xué)習(xí)興趣，保證教育質(zhì)量，除了提供精細(xì)化、精品化的課程資源外，學(xué)習(xí)者需要學(xué)習(xí)一系列有先后次序的內(nèi)容，即構(gòu)成了個(gè)性化學(xué)習(xí)路徑。它能自動(dòng)識(shí)別學(xué)習(xí)需求，根據(jù)用戶特征信息（如學(xué)習(xí)偏好、知識(shí)水平等）動(dòng)態(tài)適應(yīng)性呈現(xiàn)個(gè)性化學(xué)習(xí)活動(dòng)序列（含學(xué)習(xí)對(duì)象），改變以往“大水漫灌”的做法， 實(shí)施“精準(zhǔn)滴灌”，從而更好地完成知識(shí)建構(gòu)，提高在線學(xué)習(xí)的個(gè)性化服務(wù)水平。

個(gè)性化學(xué)習(xí)路徑推送研究

在個(gè)性化學(xué)習(xí)路徑推薦研究領(lǐng)域，美國(guó)匹茲堡大學(xué)Peter Brusilovsky在MOOC學(xué)習(xí)平臺(tái)中依據(jù)奧蘇伯爾的有意義學(xué)習(xí)理論，采用模糊神經(jīng)網(wǎng)絡(luò)方法判斷知識(shí)水平、動(dòng)機(jī)、態(tài)度興趣偏好推送學(xué)習(xí)內(nèi)容，實(shí)現(xiàn)學(xué)習(xí)路徑定制。意大利薩勒諾大學(xué)的Acampora提出將文化基因算法作為個(gè)性化學(xué)習(xí)路徑求解策略，實(shí)現(xiàn)對(duì)學(xué)習(xí)者自身知識(shí)結(jié)構(gòu)、學(xué)習(xí)目標(biāo)、個(gè)人偏好等因素分析，達(dá)到為學(xué)習(xí)者定制個(gè)性化學(xué)習(xí)路徑的目的。德國(guó)卡爾斯魯厄大學(xué)Bela采用語(yǔ)義本體、可視化技術(shù)及內(nèi)容圖譜等知識(shí)構(gòu)建動(dòng)態(tài)個(gè)人知識(shí)地圖，實(shí)現(xiàn)個(gè)人知識(shí)體系可視化，可清晰了解已掌握知識(shí)與其他知識(shí)之間關(guān)系，并形成新學(xué)知識(shí)與原有知識(shí)、將要學(xué)知識(shí)的關(guān)聯(lián)顯示，從而為下階段學(xué)習(xí)決策提供依據(jù)。加拿大國(guó)家研究委員會(huì)Guillaume Durand基于圖式理論，采用教育數(shù)據(jù)挖掘，根據(jù)學(xué)習(xí)風(fēng)格、學(xué)習(xí)興趣、知識(shí)水平和學(xué)習(xí)目標(biāo)等特性實(shí)現(xiàn)個(gè)性化學(xué)習(xí)路徑推送，促進(jìn)有效學(xué)習(xí)產(chǎn)生。馬來(lái)西亞理工大學(xué)Idris采用人工神經(jīng)網(wǎng)絡(luò)中自組織特征映射和反向傳播算法確定學(xué)習(xí)對(duì)象與學(xué)習(xí)者學(xué)習(xí)需求之間的聯(lián)系，實(shí)現(xiàn)根據(jù)學(xué)習(xí)目標(biāo)、學(xué)習(xí)風(fēng)格和知識(shí)層級(jí)推送個(gè)性化學(xué)習(xí)路徑。

在國(guó)內(nèi)，華東師范大學(xué)朱建東教授提出了基于神經(jīng)模糊方法構(gòu)建學(xué)習(xí)診斷系統(tǒng)，分析學(xué)生的學(xué)習(xí)活動(dòng)日志和學(xué)習(xí)成績(jī)，推斷學(xué)習(xí)特點(diǎn)及確定基于個(gè)性特征數(shù)字化學(xué)習(xí)的最佳路徑。浙江工業(yè)大學(xué)李浩君等人采用遺傳算法研究個(gè)性化學(xué)習(xí)路徑的生成機(jī)制，根據(jù)學(xué)習(xí)需求和情境特征推薦學(xué)習(xí)資源序列，提高學(xué)習(xí)效果。四川大學(xué)楊娟博士等人設(shè)計(jì)了可自適應(yīng)Felder-

Silverman學(xué)習(xí)風(fēng)格模型的動(dòng)態(tài)學(xué)習(xí)路徑推薦工具——Smap，實(shí)現(xiàn)與每個(gè)學(xué)生能力素質(zhì)、個(gè)性特征相匹配的個(gè)性化教育。江南大學(xué)牟智佳提出了整合學(xué)習(xí)者心理行為、臉部行為、眼動(dòng)行為、腦部行為等學(xué)習(xí)者生物數(shù)據(jù)，為學(xué)生個(gè)體刻畫(huà)出學(xué)習(xí)肖像特征，進(jìn)而提供精準(zhǔn)的個(gè)性化學(xué)習(xí)路徑。本文作者此前采用基于規(guī)則方法、貝葉斯網(wǎng)絡(luò)等挖掘?qū)W習(xí)行為信息生成個(gè)性化學(xué)習(xí)路徑，從以知識(shí)統(tǒng)一傳授為中心，轉(zhuǎn)變?yōu)樵诖髷?shù)據(jù)支持下的個(gè)性化教學(xué)，解決網(wǎng)絡(luò)學(xué)習(xí)產(chǎn)生的“學(xué)習(xí)偏離”和“認(rèn)知過(guò)負(fù)”問(wèn)題；同時(shí)，從個(gè)性特征（智力因素與非智力因素）、知識(shí)水平及個(gè)人能力應(yīng)用的情境等三個(gè)維度，構(gòu)建了能力導(dǎo)向的個(gè)性化學(xué)習(xí)路徑，解決認(rèn)知負(fù)載問(wèn)題。此外，臺(tái)灣政治大學(xué)陳志銘教授根據(jù)項(xiàng)目反應(yīng)理論提出了學(xué)習(xí)路徑推薦方法，主要解決了學(xué)習(xí)對(duì)象的難度系數(shù)與學(xué)習(xí)者知識(shí)水平間的匹配問(wèn)題。臺(tái)灣大學(xué)林春富在翻轉(zhuǎn)課堂模式研究中，采用決策樹(shù)算法和本體驅(qū)動(dòng)法，預(yù)判知識(shí)能力差異，對(duì)學(xué)生進(jìn)行快速、準(zhǔn)確、全面的“畫(huà)像”，推送最佳學(xué)習(xí)序列，以取得最好學(xué)習(xí)成績(jī)?？梢?jiàn)，已有研究富有成果，但不難發(fā)現(xiàn)多數(shù)研究基于個(gè)體行為生成個(gè)性化學(xué)習(xí)路徑。教育的個(gè)性化并不是個(gè)人孤立起來(lái)，教育是一個(gè)集體的事，群體學(xué)習(xí)利于促進(jìn)個(gè)體之間的相互學(xué)習(xí)。根據(jù)馬克思主義人學(xué)觀，人的本質(zhì)是一切社會(huì)關(guān)系的總和，網(wǎng)絡(luò)時(shí)代的學(xué)習(xí)具有社會(huì)化特征，契合了社會(huì)建構(gòu)主義理念，不僅體現(xiàn)個(gè)體行為，也是群體行為，影響著個(gè)體知識(shí)建構(gòu)、生成。人類的特質(zhì)之一是能夠集合共同的心智解決問(wèn)題，從而將學(xué)習(xí)知識(shí)的過(guò)程建立在群體行為基礎(chǔ)上，且群體中存在具有相同學(xué)習(xí)偏好、知識(shí)水平的同一簇學(xué)習(xí)者。一切業(yè)務(wù)數(shù)據(jù)化，一切數(shù)據(jù)業(yè)務(wù)化，順應(yīng)大數(shù)據(jù)時(shí)代學(xué)習(xí)特點(diǎn)，數(shù)據(jù)本身有一種自生長(zhǎng)的能力，讓人和人之間可以對(duì)話，尤其是陌生人之間的遠(yuǎn)程、大規(guī)模協(xié)作變成可能。本文以項(xiàng)目組研發(fā)的個(gè)性化自適應(yīng)學(xué)習(xí)系統(tǒng)（Personalized Adaptive Learning System，PALS）為研究平臺(tái)，借助于大數(shù)據(jù)工具，通過(guò)采集學(xué)生全學(xué)習(xí)過(guò)程數(shù)據(jù)，全面地記錄、跟蹤和掌握學(xué)習(xí)者的學(xué)習(xí)特點(diǎn)、學(xué)習(xí)需求、學(xué)習(xí)基礎(chǔ)和學(xué)習(xí)行為，采用AprioriAll算法挖掘基于學(xué)習(xí)風(fēng)格的同一簇群體學(xué)習(xí)行為信息。通過(guò)大數(shù)據(jù)分析生成學(xué)習(xí)路徑，為學(xué)生提供精準(zhǔn)個(gè)性化的學(xué)習(xí)指引，滿足學(xué)習(xí)需求，從而更高效、扎實(shí)地掌握知識(shí)，促進(jìn)深度學(xué)習(xí)，提高學(xué)生主動(dòng)接觸并理解知識(shí)的效率及能力。

個(gè)性化學(xué)習(xí)路徑挖掘

的結(jié)構(gòu)模型

在PALS中，學(xué)習(xí)路徑包括學(xué)習(xí)活動(dòng)序列（Learning Activities Sequences）和學(xué)習(xí)對(duì)象（Learning Objects）兩方面，學(xué)習(xí)風(fēng)格和知識(shí)水平是學(xué)習(xí)者兩個(gè)重要的個(gè)體差異特征，預(yù)示著不同的學(xué)習(xí)行為表現(xiàn)，是實(shí)現(xiàn)個(gè)性化推送的重要依據(jù)。個(gè)性化學(xué)習(xí)路徑挖掘及推送力求做到三點(diǎn)：（1）學(xué)習(xí)風(fēng)格判定。利用問(wèn)卷調(diào)查（如所羅門學(xué)習(xí)風(fēng)格量表）的顯性主觀判定和貝葉斯網(wǎng)絡(luò)方法挖掘?qū)W習(xí)行為模式（如查閱學(xué)習(xí)資料的類型、學(xué)習(xí)時(shí)間、瀏覽次數(shù)及參與論壇討論發(fā)帖量、讀帖量等）的隱性方法推測(cè)學(xué)習(xí)風(fēng)格，通過(guò)兩種方法的結(jié)合可實(shí)現(xiàn)個(gè)性化學(xué)習(xí)路徑的準(zhǔn)確推送。（2）知識(shí)水平估測(cè)。測(cè)評(píng)學(xué)生的知識(shí)能力是教育領(lǐng)域中一個(gè)永恒不變的焦點(diǎn)論題，知識(shí)水平往往會(huì)隨著學(xué)習(xí)的積累而隨時(shí)間變化，一方面利用項(xiàng)目反應(yīng)理論的Logistic 模型、等級(jí)反應(yīng)模型和布魯姆教學(xué)目標(biāo)分類理論，綜合測(cè)試學(xué)習(xí)者對(duì)知識(shí)點(diǎn)的掌握情況和目標(biāo)測(cè)試、練習(xí)的難度分布，實(shí)現(xiàn)對(duì)學(xué)習(xí)者在各知識(shí)概念上的水平評(píng)估；另一方面利用人工智能算法，如矩陣分解（Matrix Factorization）算法、隱馬爾科夫模型（Hidden Markov Model，HMM），實(shí)現(xiàn)依據(jù)學(xué)習(xí)行為數(shù)據(jù)（案例學(xué)習(xí)時(shí)間、數(shù)量與點(diǎn)擊次數(shù)、問(wèn)題解答時(shí)間與嘗試次數(shù)等）實(shí)時(shí)跟蹤診斷學(xué)生的知識(shí)水平，實(shí)現(xiàn)從概念知識(shí)理解等級(jí)和難度級(jí)別兩個(gè)維度動(dòng)態(tài)地呈現(xiàn)學(xué)習(xí)對(duì)象。（3）學(xué)習(xí)路徑挖掘及個(gè)性化推薦。利用AprioriAll關(guān)聯(lián)規(guī)則算法，從群體學(xué)習(xí)行為中挖掘最佳學(xué)習(xí)路徑，同時(shí)基于學(xué)習(xí)風(fēng)格、知識(shí)水平等特性實(shí)現(xiàn)個(gè)性化推送，解決“學(xué)習(xí)迷航”“認(rèn)知過(guò)載”等問(wèn)題，提高學(xué)習(xí)內(nèi)驅(qū)力和學(xué)習(xí)需求。