導語：基于大數據分析個性化教學研究一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

當前，教育手段日益多樣，多媒體技術廣泛應用，但大部分教育工作者依舊將學生同質化對待，讓不同學習能力的學生每日完成同樣的作業，有的“吃不消”，有的“吃不飽”。應用大數據技術可促進教育從普適化向個性化轉變。學生在大數據支持下在線學習，場景由實體課堂變為網絡空間——教師能夠全方位跟蹤、記錄學生的學習行為，了解學生學習需求，掌握學生思維特點。教師對學生學習行為數據進行收集，綜合分析學生學習情況，進行有針對性的備課和個性化教學，針對學生特點建立學習模型，為學生提供個性化的學習策略和資源，讓教育從“用經驗說話”轉向“用數據驅動決策”。例如，成都數字學校（以下簡稱數校）在利用大數據進行個性化教學方面已付諸實踐。數校為學生提供直播課程與點播課程以及豐富的試題和視頻資源，在預習、課前測、直播課、課后測、復習鞏固5個環節提供支持。同時，數校借助系統直接對每個學生的學習情況進行數據收集、分析，將學生的錯題收錄到錯題本中，再基于學生錯題數據診斷學生的知識漏洞，為學生推送練習題和線上課程。數校利用大數據進行教學評價和診斷，通過精準分析學生的薄弱點，幫助學生進行個性化學習，同時教師也能根據學生學習行為、學習需求，實施個性化指導與干預。

一、基于前端數據收集并融合過程數據挖掘的自動用戶建模

應用大數據技術促進教育從“靜態”向“動態”轉變。要實現個性化學習，首先需要對用戶進行建模，即根據用戶的不同特征來分類，包括屬性特征和用戶行為特征，在區分出不同的用戶以后，再為不同的用戶設計合適的成長路徑。數校收集每個學生的基本信息和在學習過程中產生的數據，對其進行分析，發現學生目前存在的問題，為用戶畫像，在畫像的基礎上構建應用模型（如圖1）。學生基礎數據庫包含學生各種基本信息，如學生注冊時填寫的用戶名、學校、班級等。教師要收集學生以前的學習信息，需要對學生進行前測，發掘學生在知識學習方面的薄弱點，匹配學習方式。為確保向學生提供合適的學習資源和學習路徑，不僅要記錄學生在學習過程中的行為，而且要參照以往的數據以及后續通過用戶調查等方式采集的信息。學校可以建立學習過程數據庫，并借助系統的WEB日志挖掘和平臺數據庫的查詢功能，對圖2用戶建模學生學習過程的數據進行挖掘，包括瀏覽次數、各種點擊次數、訪問次數、訪問時長、活動參與情況等信息，記錄學生的學習路徑、內容及難點等（如圖2）。以北京師范大學成都實驗中學（以下簡稱實驗中學）七年級某學生為例，該生在2017年暑假參與小升初銜接班學習，直到現在(八年級)。該生入學考試成績中等，在班級內排名第23位，語文與英語成績不佳。數校采集到的數據顯示，該生在數校網站的訪問與停留行為也主要發生在薄弱科目上，對部分英語章節有反復聽講的行為記錄。

二、構建基因級知識圖譜，生成個性化動態知識樹

傳授結構性知識是教師教學中比較有價值的付出。在教學過程中，教師可以知識點為基礎，將全部知識點匯總形成知識結構圖。系統基于“網絡式”知識結構，智能識別數據之間、數據與知識結構之間關聯教學規律，發現每門課程之中主要知識點的聯系，可視化、動態化地呈現給師生，有助于學生建立知識體系。系統將教學中產生的每個學生的錯題、收藏、課程、試題等都以知識點為主線進行歸結，并將行為數據與知識點關聯起來——知識點的教學情況通過知識樹每片樹葉的顏色示意，顏色由學生學習行為和作答率決定。對知識點進行基因級的拆解分析，用盡可能少的時間和題目，讓每個學生“栽種”一棵專屬的知識樹，依據“樹干、樹葉”的生長狀態，自適應調節學習節奏，并找出最近發展區，這是完全可行的。知識樹的“栽種”也為分層教學、個性化教學以及因材施教奠定基礎，同時也可作為學生自主學習的依據。例如，分層教學時教師布置20道題目，傳統課堂環境下學生需要1小時完成，知識樹建立后，不是每個學生每道題目都需要做，有的學生只需要做5道，大約15分鐘即可完成。教師抽取一棵知識樹可獲取豐富的信息——樹上的每片葉子記錄了各部分的知識內容及其內在聯系。每片葉子的顏色表征著學生對該部分知識的學習情況，如綠色代表優秀，紅色代表較差，每片樹葉的顏色不由某次測試的成績決定。知識樹的葉片隱含平時每堂課的學習情況記錄，如作業情況統計等，學生點擊跳轉后可到與之相應的知識和課程模塊中進行學習。從數校采集的實驗中學某學生的知識樹可以看到，該學生明顯存在語文文言文練習正確率較低的問題（紅色樹葉所占比例較大）。數校題庫向該學生有針對性推送初中文言文閱讀訓練與知識點講解視頻和練習。該學生多次訓練后，語文知識樹呈現良好特征。數校采集的數據顯示，該學生在同期月考中成績與排名都有穩步提升。

三、借助學情數據指導課程設計，實現精準備課和個性化教學

在課堂教學設計方面，過去常常是“工業化”運作，教學大綱長期不變，備課筆記沿用多年，而教師應用大數據技術則可獲得學生個性化的畫像，掌握學生的需求和學情，為給每個學生量身設計教案，將獲得更佳的效果。教師和學生在線互動過程中，后臺會利用積累的大數據，挖掘、分析和描述學生的學習行為、學習偏好、認知水平、知識掌握情況、答題速度等信息。教師根據數據結果和學生參與課程前測題的作答情況，可充分認識學生的個體差異，精準備課，因材施教。例如，數校借助平臺對課前預習、測試的情況進行統計分析，讓授課教師根據學生學習情況的反饋結果精準備課，通過統計、分析以及挖掘學生看視頻、做習題等數據，發現學生學習的難點，進而在直播課中做重點講解，開展個性化教學。

四、基于多維多聯的數據算法，實現分層學習推薦

為完成學習目標，激發學生學習興趣，保證教學質量，除了提供精品課程資源外，教師還要為學生提供個性化學習路徑。大數據系統能自動識別學生的學習需求，根據用戶特征信息（如學習偏好、知識水平等）動態呈現個性化學習活動序列，改變以往“大水漫灌”的做法，實施“精準滴灌”，從而更好地完成知識建構，提高在線教育的個性化服務水平。整合相關資源并設計個性化學習路徑，關鍵要整體考慮數據之間的關系，對學生、資源、情境等進行多維關聯分析。系統通過對用戶行為數據的獲取、存儲、清洗、挖掘，采用相似用戶矩陣庫、基于特征匹配、基于學生反饋和基于內容知識點關聯等混合推薦方法實現個性化學習資源的推送。學校可以從學生角度出發，基于學生個體的靜態數據和學習中產生的動態學習行為數據，以動態數據為主、靜態數據為輔構建學生特征模型。大數據平臺主要從學生的學習風格和知識水平評估方面來發掘個性化學習路徑并推送學習資源，通過抓取百萬級用戶的看課類型、學習時間、瀏覽次數及互動情況等數據推測學生的學習風格。對知識水平的評估，一方面可利用常規方法評估；另一方面可利用人工智能算法，基于學習行為數據，如課程學習數量與點擊次數、作答時間與嘗試次數、答題比例與答題正確率等實時反映學生的知識水平，從知識理解等級和有較大難度級別兩個維度動態地評估學習對象。具體來說，系統根據學生前期學力測試，推薦相應內容，再結合課后作業情況進行測評，再推薦現實難度和升級難度的視頻課程，讓學生在平臺上不斷學習并積累數據，以便教師提取學生的學習特質與薄弱環節等信息，設計個性化學習方案。例如，某學生對一元二次方程和代數學知識學得較好，但對立體幾何學得不好，對此，教師對該生推送了一些比較難但是體量小的一元二次方程和代數作業，同時推送了一些比較簡單但是體量較大的立體幾何作業，給每個學生的作業都不一樣。學校通過系統進行智能推送，實現了與每個學生能力素質、個性特征匹配的個性化教育。

五、大數據支撐下的線上線下個性化學習實證研究

從大數據本身來講，系統記錄個體行為的數據似乎是雜亂無章的，但當數據累積到一定程度，群體的行為就會在數據上呈現一種秩序和規律。分析并利用這種秩序和規律，可以有效彌補線上與線下教育的不一致性。學校應用大數據分析技術可實現線上線下教育的無縫對接。目前，在線教育提供方大多是利用教研產出的標準化學習產品并基于大數據提供個性化服務。在線教育提供方在標準化底層產品的構建過程中投入大量資源，將若干專家、名師的教學經驗顯性化，構建中小學生的學科學習能力圖譜，并基于標準模型設計整套集標準化課程、測評系統、動態學習規劃、個性化訓練系統、行為數據采集和分析系統于一體的“智能化學習系統”。數校就是基于這樣一種模式，用戶已達數百萬，產生上億條用戶行為數據。當線上這套標準化學習產品成熟時，即可推動線上學習產品和線下學校服務的融合。由數校負責提供線上的智能化學習系統，而學校則組織教師根據系統反饋的數據進行個性化輔導，打通數據，創設線上線下深度融合的智能化、個性化學習場景。實驗中學是首批加入數校的35所基地學校之一。教學過程中，線下教師會按照在線學習平臺所提供的數據對學生的問題進行歸因和分析、解答，并做計劃管理，全程陪伴學生。在這一過程中，在線系統所呈現的學生數據為線下教師“照方抓藥”創造了條件，讓教師針對每個學生的知識盲點，提供真正個性化的輔導。對于學生而言，在線教育確保每個學生能得到同樣高品質的教學內容和滿足個性化需求的學習產品，而線下教師的服務則讓學生在學習中遇到的問題得以及時解決。數據互通共享的“線上線下混合學習模式”的應用使得線下授課不再是簡單重復線上教師的教學內容，而是真正為每個學生提供基于大數據的個性化指導。筆者選取實驗中學的40名七年級學生作為研究對象。在數學教學時，將40名學生隨機分為兩組，即常規組（非個性化學習）和實驗組（個性化學習）各20人，兩組學生認知能力沒有明顯差異。同時，根據前測成績又將各組學生分為學困生（0—80分）和優等生（81—100分），經過1個月的學習，教師安排常規組與實驗組學生進行知識點后測，部分數據分析結果如表1所示。由表1可以看出，實驗組中的后進生學習成績提升最為明顯，成績由前測時的68分提高到后測時的91分，比較而言學優生學習成績提升不明顯，實驗組與常規組中的優等生學習成績沒有顯著提高。原因在于后進生完全按照系統推薦的個性化學習路徑與恰當難度的學習材料進行學習，而優秀學生自主性比較強，可見應用個性化學習分析模型對后進生進行指導更有作用。此外，在學習時間、拋棄問題數量方面，實驗組學生都要比常規組學生少，效率更高。主要原因在于，對于實驗組學生而言，系統基于學生學習行為與知識點掌握情況等數據，準確地判斷學生的認知能力，進而推送難度恰當的問題（符合學生的認知水平），因此多數問題能被學生準確回答（不必放棄）。每個學生創造的數據就是“大數據”的一部分，每個學生都是大數據的生產者和消費者。應用大數據分析學生的學習過程具有較強的實用價值，在大數據技術支持下，學習資源的個性化推送、學習質量分析等都將有可行的解決方案。個性化學習訴求在大數據時代有新的實現途徑。目前，對于大數據在教育教學中應用的相關研究仍然不夠深入，也缺乏足夠的實踐經驗。筆者提出的基于大數據的個性化教學應用已基本上得到實證。借助大數據技術，揭示數據隱藏的關系、模式和趨勢，了解學生學習軌跡和現狀，有助于教師掌握學生的學習規律，進而更全面地評價學生并給予個性化指導，優化學習過程，提供個性化的服務，做到因材施教，讓教學回歸本質。

參考文獻

［1］孫玉樺，唐章蔚.基于大數據的個性化學習環境構建研究［J］.中小學電教，2017（Z2）：51-53.

［2］龍虎，李娜.大數據背景下網絡教學中的智能學習診斷研究［J］.凱里學院學報，2017（6）：87-91.

［3］李寶，張東紅.教育大數據下個性化資源推送服務框架設計［J］.中國遠程教育，2017(9):62-69.

作者:羅清紅 單位:四川省成都市教育科學研究院