基于大數(shù)據(jù)的自適應(yīng)學(xué)習(xí)模型研究及實現(xiàn)

韋建國 王玉瓊

摘 要：大數(shù)據(jù)時代，高等職業(yè)院校傳統(tǒng)教育教學(xué)模式已不能完全滿足社會對新型人才培養(yǎng)的需要，如何將大數(shù)據(jù)的自適應(yīng)學(xué)習(xí)模式與高等職業(yè)教育充分融合是當(dāng)前亟待解決的問題。從大數(shù)據(jù)自適應(yīng)學(xué)習(xí)概念出發(fā)，在綜述大數(shù)據(jù)自適應(yīng)模型及工作流程的基礎(chǔ)上，介紹了基于大數(shù)據(jù)的自適應(yīng)學(xué)習(xí)實現(xiàn)過程，并與傳統(tǒng)教學(xué)進行對比。利用大數(shù)據(jù)自適應(yīng)學(xué)習(xí)，有利于學(xué)生對于知識點的掌握，提高學(xué)習(xí)成績，并激發(fā)學(xué)生學(xué)習(xí)興趣。

關(guān)鍵詞：大數(shù)據(jù)；自適應(yīng)學(xué)習(xí)；高等職業(yè)教育

DOI：10.11907/rjdk.172858

中圖分類號：G434

文獻標(biāo)識碼：A 文章編號：1672-7800（2018）005-0217-03

Abstract：The traditional education teaching model in higher vocational colleges can not fully meet the social requirements of new talent training in the era of big data， and it is an urgent problem to integrate self-adaptive learning with higher vocational education.The conception of big data-based self-adaptive learning is defined， its models and the working flow are reviewed for the introduction of the implementation process and comparison to traditional teaching. To apply self-adaptive learning is helpful for students to master knowledge points， improve academic performance and arouse their learning interest.

Key Words：big data； self-adaptive learning； higher vocational education

0 引言

高等職業(yè)教育的發(fā)展為社會培養(yǎng)了許多技能型人才，但隨著大數(shù)據(jù)時代的來臨，傳統(tǒng)教師課堂的面授教育模式已不能滿足高等職業(yè)院校對于人才培養(yǎng)的需要。因此，探究將大數(shù)據(jù)理念運用于高職教育教學(xué)中具有重要意義[1-2]。傳統(tǒng)教育教學(xué)模式下，由于學(xué)生基礎(chǔ)的差異，在教學(xué)過程中難免會出現(xiàn)顧此失彼的現(xiàn)象，導(dǎo)致部分學(xué)生跟不上進度，產(chǎn)生厭學(xué)情緒，一定程度上制約了學(xué)生創(chuàng)新思維能力的培養(yǎng)[3]。大數(shù)據(jù)與互聯(lián)網(wǎng)的結(jié)合為學(xué)生的個性化學(xué)習(xí)提供了有力支持[4]。開展基于大數(shù)據(jù)的自適應(yīng)學(xué)習(xí)，可使每個學(xué)生根據(jù)自身特點自由選擇學(xué)習(xí)方式，從而充分發(fā)揮學(xué)生潛能。

1 大數(shù)據(jù)自適應(yīng)學(xué)習(xí)概念

大數(shù)據(jù)通過收集互聯(lián)網(wǎng)中的海量數(shù)據(jù)，并將這些數(shù)據(jù)分類儲存，形成龐大的數(shù)據(jù)庫，便于人們查找和研究，同時通過數(shù)據(jù)挖掘，能夠得到相關(guān)行業(yè)或領(lǐng)域有價值的信息[5]。大數(shù)據(jù)自適應(yīng)學(xué)習(xí)是指在大數(shù)據(jù)基礎(chǔ)上，將各門類學(xué)科知識、各領(lǐng)域研究成果、教師講課筆記與教學(xué)心得、經(jīng)典教學(xué)案例、試題庫及答案講解和讀者閱讀心得體會等按照學(xué)科領(lǐng)域進行歸類收集[6]，學(xué)生能夠通過網(wǎng)絡(luò)在線學(xué)習(xí)或離線下載的方式學(xué)習(xí)知識點，從而開展個性化學(xué)習(xí)，同時還可在線與教師進行交流與探討[7]。

2 大數(shù)據(jù)自適應(yīng)學(xué)習(xí)模型

本文提出的基于大數(shù)據(jù)的自適應(yīng)學(xué)習(xí)模型主要用于高職院校學(xué)生的在線學(xué)習(xí)，以及在圖書館及閱覽室學(xué)習(xí)時遇到學(xué)科疑難知識點時的現(xiàn)場解決[8]。雖然這種基于大數(shù)據(jù)的自適應(yīng)學(xué)習(xí)模型使用場合不同，但其工作流程相同，具體流程如圖1所示。

大數(shù)據(jù)自適應(yīng)學(xué)習(xí)系統(tǒng)建立在數(shù)據(jù)挖掘與算法分析研究基礎(chǔ)上，學(xué)生可以在線和離線兩種狀態(tài)對某一課程進行自適應(yīng)學(xué)習(xí)。該系統(tǒng)通過對海量數(shù)據(jù)進行深入分析與處理，找到客觀規(guī)律，并對相關(guān)數(shù)據(jù)作出總結(jié)歸納，從而輔助學(xué)生學(xué)習(xí)。

基于大數(shù)據(jù)的自適應(yīng)學(xué)習(xí)設(shè)備如圖2所示，其工作原理為：先將若干臺基于大數(shù)據(jù)的自適應(yīng)學(xué)習(xí)設(shè)備放置在學(xué)校圖書館及閱覽室，當(dāng)學(xué)生在學(xué)習(xí)過程中遇到難點時，可以將教科書或難以解答的習(xí)題放在基于大數(shù)據(jù)的自適應(yīng)學(xué)習(xí)設(shè)備掃描裝置正下方，數(shù)據(jù)處理存儲系統(tǒng)將掃描到的模擬信號轉(zhuǎn)變?yōu)閿?shù)字信號，從存儲系統(tǒng)中調(diào)出相關(guān)信息，并在操作界面中以文件形式展示出來。通過操作界面上的提示，學(xué)生可以自由選擇在線閱讀、下載文件或點擊打印?；诖髷?shù)據(jù)的自適應(yīng)學(xué)習(xí)設(shè)備中的所有信息均來自互聯(lián)網(wǎng)上收集整理的學(xué)科知識點，數(shù)據(jù)處理存儲及網(wǎng)絡(luò)系統(tǒng)會隨時進行信息收集及分析處理。

3 大數(shù)據(jù)自適應(yīng)學(xué)習(xí)模型實現(xiàn)

大數(shù)據(jù)自適應(yīng)學(xué)習(xí)系統(tǒng)數(shù)據(jù)來源于互聯(lián)網(wǎng)，包括高校精品課程、高校版權(quán)著作信息、教授或名師講課筆記等[9]。利用Spss Modeler軟件對潛藏在海量數(shù)據(jù)中的規(guī)律進行挖掘和篩選，以及利用Apriori改進型算法對分析后的大數(shù)據(jù)作總結(jié)性歸納，可使學(xué)生學(xué)習(xí)更具有針對性。同時，學(xué)生也可以發(fā)表關(guān)于本課程的學(xué)習(xí)心得或體會，大數(shù)據(jù)自適應(yīng)學(xué)習(xí)系統(tǒng)同樣將這些觀點看法存儲起來用于大數(shù)據(jù)挖據(jù)[10]。大數(shù)據(jù)自適應(yīng)學(xué)習(xí)系統(tǒng)模型如圖3所示。

圖3中，經(jīng)過挖掘后的數(shù)據(jù)具有規(guī)律性、個體差異性、技巧性和可擴展性4個特點：①規(guī)律性。即將隱藏在數(shù)據(jù)中有用并呈現(xiàn)一定規(guī)律的信息挖掘出來，以幫助學(xué)生快速理解和掌握課程中的知識點，同時也有助于教師發(fā)現(xiàn)教學(xué)中的問題并及時改進[11]；②個體差異性。是指通過數(shù)據(jù)挖掘與算法分析后，將所有教師注釋或點評，以及讀者心得體會按照不同個性差異總結(jié)歸納為若干類，并將每一類個性適合的學(xué)習(xí)方法進行明確和具體化，學(xué)生根據(jù)自身特點進行選擇；③技巧性。是指將所有關(guān)于某課程的學(xué)習(xí)方法和技巧歸納在一起，以便學(xué)生解決實際中遇到的問題；④可擴展性。是指在分析總結(jié)所有大數(shù)據(jù)自適應(yīng)學(xué)習(xí)系統(tǒng)特點的基礎(chǔ)上，可對系統(tǒng)模型作進一步改進和補充[12]。

3.1 學(xué)生知識點理解掌握能力分析

對于知識點理解掌握能力的分析，教師選擇某課程中出現(xiàn)的50個知識點，并選取50名學(xué)生作為樣本考察對象，讓每一名學(xué)生分別回答這50個知識點，掌握率等于回答正確的知識點除以知識點總數(shù)，并將完全利用大數(shù)據(jù)自適應(yīng)學(xué)習(xí)的學(xué)生數(shù)量記為A，完全不用大數(shù)據(jù)自適應(yīng)學(xué)習(xí)的學(xué)生數(shù)量記為B，有時用大數(shù)據(jù)自適應(yīng)學(xué)習(xí)的學(xué)生數(shù)量記為C。測試后經(jīng)統(tǒng)計，不同類型學(xué)生對于知識點的掌握率如圖4所示。

由圖4可知，完全利用大數(shù)據(jù)自適應(yīng)學(xué)習(xí)學(xué)生的知識點掌握率>有時用大數(shù)據(jù)自適應(yīng)學(xué)習(xí)學(xué)生的知識點掌握率>完全不用大數(shù)據(jù)自適應(yīng)學(xué)習(xí)學(xué)生的知識點掌握率。

3.2 學(xué)生成績驗證分析

選取50名學(xué)生作為樣本考察對象，在驗證前的某課程考試中，50名學(xué)生均未參加過大數(shù)據(jù)自適應(yīng)學(xué)習(xí)情況下，設(shè)定學(xué)習(xí)成績80～95分為優(yōu)秀生，60～79分為中等生，59分以下為差等生，數(shù)量分別為E、F、G。將50名學(xué)生按照學(xué)習(xí)成績相當(dāng)與人數(shù)相等分配成兩組，在學(xué)習(xí)時間相同的情況下，比較采用大數(shù)據(jù)自適應(yīng)學(xué)習(xí)和未采用大數(shù)據(jù)自適應(yīng)學(xué)生的優(yōu)秀生、中等生及差等生數(shù)量。學(xué)習(xí)興趣度即對學(xué)習(xí)感興趣（優(yōu)秀生+中等生）的人數(shù)除以樣本總?cè)藬?shù)，驗證前后的學(xué)生學(xué)習(xí)成績情況分別如表1～表3所示。

將表1、表2數(shù)據(jù)進行比較可知，大數(shù)據(jù)自適應(yīng)學(xué)習(xí)模式下，學(xué)生成績獲得了較大提高，學(xué)習(xí)興趣度也得到提升，此外該學(xué)習(xí)模式有助于提高學(xué)生分析和解決問題的能力。

4 結(jié)語

本文對大數(shù)據(jù)自適應(yīng)學(xué)習(xí)模型與流程進行了分析，并對大數(shù)據(jù)自適應(yīng)學(xué)習(xí)模型的實現(xiàn)進行深入的理論探討，最后從學(xué)生知識點理解掌握能力和學(xué)生成績兩個角度分別驗證大數(shù)據(jù)自適應(yīng)學(xué)習(xí)系統(tǒng)的優(yōu)勢。學(xué)生在大數(shù)據(jù)自適應(yīng)學(xué)習(xí)情況下，學(xué)習(xí)成績不僅夠得到了快速提升，而且提高了分析和解決問題的能力，并最終使學(xué)生對學(xué)習(xí)產(chǎn)生濃厚興趣。

參考文獻：

[1] 林海倫，王元卓，賈元濤，等.面向網(wǎng)絡(luò)大數(shù)據(jù)的知識融合方法綜述[J].計算機學(xué)報，2017（1）：1-6.

[2] 陸蕓婷.基于數(shù)據(jù)挖掘的高職院校自適應(yīng)學(xué)習(xí)系統(tǒng)研究[J].科教文匯，2016（17）：86-87.

[3] 韓林.云存儲移動終端的固態(tài)緩存系統(tǒng)研究[D].武漢：華中科技大學(xué)，2014.

[4] 楊現(xiàn)民，王榴卉，唐斯斯.教育大數(shù)據(jù)的應(yīng)用模式與政策建議[J].電化教育研究，2015（9）：54-61.

[5] 陳杰.本地文件系統(tǒng)數(shù)據(jù)更新模式研究[D].武漢：華中科技大學(xué)，2014.

[6] 王大玲，于戈，馮時，等.面向社會媒體搜索的實體關(guān)系建模研究綜述[J].計算機學(xué)報，2016（4）：39-43.

[7] 崔路云.基于大數(shù)據(jù)時代背景對統(tǒng)計學(xué)教育的幾點思考[D].北京：首都經(jīng)濟貿(mào)易大學(xué)，2014.

[8] 王桂林，韓顏波，張仲妹，等.基于云計算的流數(shù)據(jù)集成與服務(wù)[J].計算機學(xué)報，2017（1）：107-113.

[9] 劉鳳娟.大數(shù)據(jù)的教育應(yīng)用研究綜述[J].現(xiàn)代教育技術(shù)，2014，24（8）：13-19.

[10] 黃凱奇，任偉強，譚鐵牛.圖像物體分類與檢測算法綜述[J].計算機學(xué)報，2014，36（6）：1225-1240.

[11] 馮翔，余明華，馬曉玲，等.基于大數(shù)據(jù)技術(shù)的學(xué)習(xí)分析系統(tǒng)架構(gòu)[J].華東師范大學(xué)學(xué)報：自然科學(xué)版，2014（2）：20-29.

[12] 吳存清，任沛閣，王小峰.基于語義的網(wǎng)絡(luò)大數(shù)據(jù)組織與搜索[J].計算機學(xué)報，2015（1）：1-14.

（責(zé)任編輯：黃 ?。?/p>