基于大數(shù)據(jù)的在線智能輔助學(xué)習(xí)系統(tǒng)的研究

周斯譯 楊雅涵 王建武 邢國(guó)春

摘 ?要：大數(shù)據(jù)作為信息產(chǎn)業(yè)持續(xù)高速增長(zhǎng)的新引擎，它為我們提供了豐富的網(wǎng)絡(luò)信息資源，并且正在滲透到當(dāng)今的每個(gè)領(lǐng)域之中，成為重要的生產(chǎn)因素。尤其在教學(xué)領(lǐng)域的使用，受到廣泛關(guān)注。憑借網(wǎng)絡(luò)自主學(xué)習(xí)是學(xué)習(xí)者獲得知識(shí)的重要來(lái)源，在線輔助減少時(shí)空局限性，步步引誘從而增加學(xué)習(xí)者的主動(dòng)性，直到完成學(xué)習(xí)者的目標(biāo)任務(wù)。文章主要通過(guò)對(duì)大數(shù)據(jù)，輔助學(xué)習(xí)，和學(xué)習(xí)系統(tǒng)模型的鉆研，結(jié)合案例分析對(duì)于系統(tǒng)功能進(jìn)行初步的說(shuō)明。希望對(duì)學(xué)習(xí)系統(tǒng)的完善，能對(duì)未來(lái)的教學(xué)環(huán)境有所幫助。

關(guān)鍵詞：大數(shù)據(jù);輔助學(xué)習(xí);系統(tǒng)模型

中圖分類號(hào)：G434 ? ? ? ? 文獻(xiàn)標(biāo)志碼：A ? ? ? ? 文章編號(hào)：2095-2945（2019）18-0040-02

Abstract： As a new engine for the sustained and rapid growth of the information industry， big data provides us with rich network information resources， thus infiltrating into every field today and becoming an important production factor. Especially in the field of teaching， it has received extensive attention. Online autonomous learning is an important source for learners to acquire knowledge. Online assistance reduces time and space limitations and lures learners step by step so as to increase learners' initiative until the completion of learners' goal tasks. This paper， through the study of big data， auxiliary learning， and learning system model， combined with case analysis， provides an explanation of the function of the system. It is hoped that it will be helpful to the improvement of the learning system and the teaching environment in the future.

Keywords： big data; Auxiliary Learning; system Model

隨著信息技術(shù)、網(wǎng)絡(luò)技術(shù)的迅猛發(fā)展，用智能學(xué)習(xí)系統(tǒng)進(jìn)行在線學(xué)習(xí)，對(duì)學(xué)習(xí)者的學(xué)習(xí)生活產(chǎn)生了顯著的影響。能充分調(diào)動(dòng)學(xué)習(xí)者的積極性并且引發(fā)學(xué)習(xí)者的興趣愛(ài)好從而高效完成學(xué)習(xí)目標(biāo)。網(wǎng)絡(luò)上有學(xué)習(xí)者需要的部分信息資源，但信息大多是零散分布，需要通過(guò)瀏覽器搜查，會(huì)浪費(fèi)更多的時(shí)間并且難以得到較為完整的有用信息。學(xué)習(xí)者通過(guò)自發(fā)性的搜索自學(xué)內(nèi)容從而更精準(zhǔn)的抓住知識(shí)點(diǎn)，因此更需要一個(gè)自主學(xué)習(xí)的平臺(tái)，可以通過(guò)在線學(xué)習(xí)系統(tǒng)提供豐富的多媒體學(xué)習(xí)資料、個(gè)人用戶的學(xué)習(xí)記錄、測(cè)驗(yàn)錯(cuò)題庫(kù)等數(shù)據(jù)庫(kù)，來(lái)明確學(xué)習(xí)內(nèi)容和掌握進(jìn)度。真正做到因材施教、個(gè)性化學(xué)習(xí)。

1 大數(shù)據(jù)及關(guān)聯(lián)的學(xué)習(xí)系統(tǒng)

大數(shù)據(jù)，是憑仗一般的慣例軟件工具進(jìn)行捕獲、管理和解決的數(shù)據(jù)集合，而且無(wú)法在一定時(shí)間內(nèi)實(shí)現(xiàn)，是需要新處理形式才能具備更強(qiáng)的決策力、洞察發(fā)現(xiàn)力和流程優(yōu)化能力的海量、高增長(zhǎng)率和多樣化的信息資產(chǎn)。大數(shù)據(jù)的特點(diǎn)就是容量大、速度快、多樣、價(jià)值密度低。但大數(shù)據(jù)最明顯的特點(diǎn)是處理要求必須是在線的。大數(shù)據(jù)的處理進(jìn)程是在恰當(dāng)工具的輔助下，對(duì)同構(gòu)、異構(gòu)的數(shù)據(jù)源進(jìn)行抽取和集成，結(jié)果按照一定的規(guī)范進(jìn)行統(tǒng)一存儲(chǔ)，并應(yīng)用合適的技術(shù)對(duì)存儲(chǔ)的數(shù)據(jù)進(jìn)行剖析、整理，從中提取有益的知識(shí)并利用合理的形式將結(jié)果展示給終端用戶。根據(jù)大數(shù)據(jù)網(wǎng)絡(luò)環(huán)境下自主學(xué)習(xí)行為與模式研究，基于大數(shù)據(jù)環(huán)境下，憑借自主學(xué)習(xí)可以提高學(xué)習(xí)者的學(xué)習(xí)效率和綜合知識(shí)掌握能力。大數(shù)據(jù)時(shí)代的到來(lái)，為我們提供了豐富的信息資源，也為教學(xué)研究提供了大容量、多樣化、快速度、高價(jià)值的支撐數(shù)據(jù)。

大數(shù)據(jù)和學(xué)習(xí)的深度融合成為發(fā)展的必然，《教育信息化“十三五規(guī)劃”》中明確指出，要依附網(wǎng)絡(luò)學(xué)習(xí)空間逐漸完成對(duì)學(xué)習(xí)者日常學(xué)習(xí)情況的大數(shù)據(jù)采集和剖析。這里，需要采集和進(jìn)行分析的內(nèi)容主要類別是課堂數(shù)據(jù)與系統(tǒng)數(shù)據(jù)。（1）課堂數(shù)據(jù)包含的是學(xué)習(xí)者在傳統(tǒng)課堂的學(xué)習(xí)過(guò)程中所產(chǎn)生的學(xué)習(xí)行為及對(duì)應(yīng)的相關(guān)數(shù)據(jù)，通常包括：出勤率，課堂發(fā)言次數(shù)，以及回答問(wèn)題的準(zhǔn)確率，課外作業(yè)完成度，周考，月考，期末考等階段測(cè)驗(yàn)分?jǐn)?shù)等等。（2）系統(tǒng)數(shù)據(jù)所代表的是學(xué)習(xí)者在使用學(xué)習(xí)系統(tǒng)在線產(chǎn)生的數(shù)據(jù)。譬如，使用學(xué)習(xí)系統(tǒng)的在線學(xué)習(xí)時(shí)長(zhǎng)、參加線上討論活躍度、下載視頻資源和課件次數(shù)、學(xué)習(xí)系統(tǒng)在線檢測(cè)、學(xué)習(xí)時(shí)長(zhǎng)段、學(xué)習(xí)偏好等等。（3）數(shù)據(jù)來(lái)源：課堂數(shù)據(jù)需要教育者的現(xiàn)場(chǎng)記錄或者主觀評(píng)分，系統(tǒng)數(shù)據(jù)是互聯(lián)網(wǎng)學(xué)習(xí)平臺(tái)根據(jù)學(xué)習(xí)者的學(xué)習(xí)情況進(jìn)行自動(dòng)檢測(cè)。

2 在線的智能輔助學(xué)習(xí)系統(tǒng)

在網(wǎng)絡(luò)環(huán)境下，學(xué)習(xí)者自主學(xué)習(xí)的知識(shí)內(nèi)容得到充分的保障，使新的教學(xué)形式愈加有效的發(fā)揮，可以有效地調(diào)動(dòng)學(xué)習(xí)者的學(xué)習(xí)積極性與主動(dòng)性，提升了學(xué)習(xí)者的個(gè)性化和相互之間的協(xié)作學(xué)習(xí)意識(shí)。學(xué)習(xí)者使用學(xué)習(xí)系統(tǒng)進(jìn)行在線學(xué)習(xí)后，學(xué)習(xí)系統(tǒng)能記錄學(xué)習(xí)者在線學(xué)習(xí)時(shí)所產(chǎn)生的多樣學(xué)習(xí)數(shù)據(jù)，智能學(xué)習(xí)系統(tǒng)的核心功能之一就是針對(duì)學(xué)習(xí)者的個(gè)性化特征為其推薦最佳學(xué)習(xí)方法，這也是衡量智能學(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(shí)結(jié)構(gòu)和水平、行為偏好為輸入，學(xué)習(xí)方法是算法的輸出，大多采用蟻群算法，因?yàn)橄伻核惴ㄖ械膯l(fā)信息和信息素參數(shù)非常適合綜合參數(shù)的建模。蟻群算法是一種代表群體的智能算法，通過(guò)模擬蟻群覓食的過(guò)程來(lái)求解最佳路徑。具體過(guò)程為：螞蟻邊找尋食物邊留下“信息素”，信息素會(huì)被其他螞蟻?zhàn)R別，走過(guò)的螞蟻越多則此路徑上信息素越多，最佳路徑由此形成?？梢詫W(xué)習(xí)者視為螞蟻，學(xué)習(xí)目標(biāo)則可以看作想要獲取的食物，學(xué)習(xí)者對(duì)知識(shí)點(diǎn)的評(píng)分就是信息素，推薦路徑可以看作覓食的最佳路徑，即適應(yīng)學(xué)習(xí)者的最佳學(xué)習(xí)方法。

2.1 智能學(xué)習(xí)系統(tǒng)實(shí)現(xiàn)過(guò)程

學(xué)習(xí)者模型：主要需要反映出不同學(xué)習(xí)者之間的差異，學(xué)習(xí)者模型包括了個(gè)人信息、學(xué)習(xí)情況、學(xué)習(xí)偏好、課程體系，知識(shí)水平。個(gè)人信息包括學(xué)習(xí)者的姓名、性別、年齡、學(xué)校、愛(ài)好。學(xué)習(xí)情況包括學(xué)習(xí)者的學(xué)習(xí)內(nèi)容、學(xué)習(xí)時(shí)間段、學(xué)習(xí)次數(shù)、學(xué)習(xí)類別、作業(yè)完成、測(cè)驗(yàn)結(jié)果、討論等。學(xué)習(xí)偏好就是指學(xué)習(xí)者比較偏愛(ài)某一方面的學(xué)習(xí)，學(xué)習(xí)者偏向于在什么時(shí)間段進(jìn)行學(xué)習(xí)和多長(zhǎng)時(shí)間的線上學(xué)習(xí)。通過(guò)學(xué)習(xí)情況分析出學(xué)習(xí)偏好，然后根據(jù)其偏好，系統(tǒng)進(jìn)行定向的個(gè)性化學(xué)習(xí)推薦。課程體系包括學(xué)習(xí)的課程、學(xué)習(xí)的知識(shí)框架等。領(lǐng)域模型：領(lǐng)域模型在不同領(lǐng)域的學(xué)習(xí)中有不同的含義，領(lǐng)域模型主要是通過(guò)一定的方式估算學(xué)習(xí)者對(duì)某一領(lǐng)域知識(shí)的掌握程度并將其存儲(chǔ)。自適應(yīng)引擎：通過(guò)學(xué)習(xí)者模型自適應(yīng)引擎可以分析出學(xué)習(xí)者的知識(shí)水平以及知識(shí)接收能力。結(jié)合領(lǐng)域模型等對(duì)學(xué)習(xí)者的學(xué)習(xí)進(jìn)行跟蹤、檢測(cè)、調(diào)整。知識(shí)結(jié)構(gòu)和水平檢測(cè)：知識(shí)結(jié)構(gòu)和課程體系、領(lǐng)域模型密不可分。學(xué)習(xí)者的知識(shí)水平可以通過(guò)定期的檢測(cè)或者作業(yè)等情況，分析出具體的結(jié)果。學(xué)習(xí)效果評(píng)價(jià)：當(dāng)完成某階段的學(xué)習(xí)內(nèi)容，系統(tǒng)需要對(duì)學(xué)習(xí)者的學(xué)習(xí)水平進(jìn)行評(píng)價(jià)。通過(guò)系統(tǒng)分析給出評(píng)價(jià)等級(jí)，評(píng)價(jià)等級(jí)主要依據(jù)學(xué)習(xí)者掌握知識(shí)的準(zhǔn)確性。依據(jù)系統(tǒng)給出學(xué)習(xí)效果的評(píng)價(jià)，確定下一次是否要向?qū)W習(xí)者推薦本次學(xué)習(xí)或已學(xué)知識(shí)的相關(guān)內(nèi)容，為學(xué)習(xí)者提供最優(yōu)學(xué)習(xí)路徑。學(xué)習(xí)過(guò)程模型見(jiàn)圖1所示。

2.2 案例分析

兩組學(xué)生記憶考研高頻詞匯的第一章，甲組在學(xué)習(xí)后不進(jìn)行復(fù)習(xí)，經(jīng)統(tǒng)計(jì)，一天后記憶率變成36%，一周后只剩下13%，乙組按照記憶規(guī)律復(fù)習(xí)，一天后保持記憶率98%，一周后保持86%。綜上，乙組的記憶率明顯高于甲組。

學(xué)習(xí)者在學(xué)習(xí)一個(gè)新知識(shí)是有遺忘規(guī)律的：遺忘的進(jìn)程很快，并且先快后慢。觀察曲線走向，可得知，所學(xué)習(xí)的知識(shí)在第一天過(guò)后，如不抓緊復(fù)習(xí)，就只剩下原來(lái)的25%。伴隨天數(shù)的增加，遺忘的速度逐漸減慢，遺忘的數(shù)量也就減少。通過(guò)資源庫(kù)對(duì)學(xué)習(xí)數(shù)據(jù)進(jìn)行匯總，可以將學(xué)習(xí)內(nèi)容每天推送給學(xué)習(xí)者，學(xué)習(xí)者通過(guò)對(duì)數(shù)據(jù)的學(xué)習(xí)，從而產(chǎn)生這個(gè)學(xué)習(xí)庫(kù)，學(xué)習(xí)庫(kù)對(duì)學(xué)習(xí)者而言分為錯(cuò)題庫(kù)和高頻庫(kù)，錯(cuò)題庫(kù)和高頻庫(kù)分別記錄學(xué)習(xí)者的缺陷和常用知識(shí)。對(duì)于日常生活學(xué)習(xí)庫(kù)而言，不光對(duì)于自己的學(xué)習(xí)庫(kù)來(lái)進(jìn)行推送，甚至可以將所有的學(xué)習(xí)用戶的學(xué)習(xí)庫(kù)進(jìn)行一個(gè)數(shù)據(jù)分析和數(shù)據(jù)匯總，這樣就可以分析成一個(gè)高頻的庫(kù)，通過(guò)這個(gè)高頻的庫(kù)我們可以憑借彈送的方式來(lái)進(jìn)行推送，然后統(tǒng)計(jì)對(duì)彈送的接受率進(jìn)行分析，不斷地完善日常學(xué)習(xí)庫(kù)。艾賓浩斯只是一個(gè)記憶學(xué)習(xí)的輔助手段，我們要將這種輔助的手段更加的科學(xué)的利用到專業(yè)的學(xué)習(xí)方式之中。根據(jù)遺忘曲線所產(chǎn)生的規(guī)律，我們將學(xué)習(xí)者產(chǎn)生的錯(cuò)題庫(kù)和系統(tǒng)歸納總結(jié)的高頻?？紟?kù)以一定的時(shí)間周期繼續(xù)推送給學(xué)習(xí)者，將重新完善學(xué)習(xí)數(shù)據(jù)庫(kù)，幫助學(xué)習(xí)者更好規(guī)劃下一步學(xué)習(xí)內(nèi)容。根據(jù)以上規(guī)律，按照循環(huán)復(fù)習(xí)法，不斷鞏固。再去檢測(cè)學(xué)習(xí)者是否掌握學(xué)過(guò)的學(xué)習(xí)內(nèi)容。并監(jiān)督提醒學(xué)習(xí)者不斷打卡進(jìn)行復(fù)習(xí)，找到最適合學(xué)習(xí)者復(fù)習(xí)的周期。其優(yōu)點(diǎn)在于對(duì)事件的安排，可以進(jìn)行復(fù)習(xí)和定策，并且這兩種行為可以隨時(shí)或者一同進(jìn)行?？梢宰プ∮洃浀狞S金時(shí)段，更加了解學(xué)習(xí)用戶的知識(shí)薄弱點(diǎn)，從而進(jìn)行針對(duì)性的訓(xùn)練。

3 結(jié)束語(yǔ)

大數(shù)據(jù)時(shí)代為學(xué)習(xí)者提供了海量的信息資源，同時(shí)為教師的教學(xué)研究提供了大容量、多樣化、快速度、高價(jià)值的支撐數(shù)據(jù)。在智能輔助和學(xué)習(xí)系統(tǒng)的幫助下，學(xué)習(xí)者自主學(xué)習(xí)的知識(shí)得到有利的保障，使得利用網(wǎng)絡(luò)教學(xué)的這種全新教學(xué)模式高效運(yùn)用，充分調(diào)動(dòng)學(xué)習(xí)者的學(xué)習(xí)積極性，激發(fā)學(xué)習(xí)者在完成學(xué)習(xí)目標(biāo)后的成就感。在該學(xué)習(xí)系統(tǒng)中，系統(tǒng)會(huì)按照學(xué)習(xí)者的選擇為其準(zhǔn)備不同的學(xué)習(xí)方式、不同難度的教學(xué)內(nèi)容。完成學(xué)習(xí)目標(biāo)后，系統(tǒng)將會(huì)通過(guò)自適應(yīng)測(cè)試檢驗(yàn)學(xué)習(xí)者的認(rèn)知水平，成為下次登錄學(xué)習(xí)新內(nèi)容的重要依據(jù)，并提出學(xué)習(xí)建議;在學(xué)習(xí)系統(tǒng)模型和大數(shù)據(jù)架構(gòu)的基礎(chǔ)上，搭配在線學(xué)習(xí)，錯(cuò)題周期性復(fù)習(xí)的關(guān)卡，設(shè)計(jì)出基于大數(shù)據(jù)的在線智能輔助學(xué)習(xí)系統(tǒng)，結(jié)合記憶英語(yǔ)單詞的案例分析，能夠提高學(xué)習(xí)者的單詞量。在后續(xù)研究中，將不斷完善學(xué)習(xí)模型的搭建，使得針對(duì)不同的學(xué)習(xí)內(nèi)容，富有更好的彈性和包容性，以順應(yīng)教學(xué)發(fā)展的需求。

參考文獻(xiàn)：

[1]邢國(guó)春.基于大數(shù)據(jù)網(wǎng)絡(luò)環(huán)境下自主學(xué)習(xí)行為與模式研究[J].情報(bào)科學(xué)，2018（6）：84-88.

[2]gh and Chris Reed，Centra Software A White Paper.Achieving Success with Blended Learning，http：//www.centra.com[DB/OL]，2015-7-9.

[3]Len Silverston. The Data Model Resource Book[J]. Revised Edition，Volume 1.John Wileysons，Inc. 2014（9）：33-36.

[4]楊帆靜.基于大數(shù)據(jù)的智慧學(xué)習(xí)系統(tǒng)模型的研究[J].太原師范學(xué)院學(xué)報(bào)（自然科學(xué)版），2018，17（02）：63-67.