基于大数据的在线学习预警机制分析

基于大数据的在线学习预警机制分析

靳智黄河清

（重庆电子工程职业学院，重庆）

本论文获重庆电子工程职业学院校级课题（编号081740）、重庆教科院课题（编号2017-GX-424）支持

摘要：随着网络技术和电子产品的飞速发展，在线学习以其独特的方便性逐步进入人们的生活，将为构建全民学习型和终身学习型社会提供良好的条件。与此同时，在线学习也带来了一系列负面影响，如致使学习者注意力很难集中导致学习质量难以保障、教师很难全面发挥自身优势、学习者的行为难以控制以及教学评价不客观等。在线学习预警机制是在线教育研究与实践领域亟待解决的重要问题，本文旨在通过在线学习预警机制设计提升在线学习的学习效果及学习质量。

关键词：在线学习；学习预警；模型构建；机制设计

1.前言

通过调研在线学习相关文献不难发现，目前在线学习已经在基础研究、技术研究、应用研究、评价与管理研究等方面取得了一定的进展，但是仍然面临一些突出的问题亟待解决。首先在线学习的流失率严重，有学者就曾指出在线学习在探究学习、协作学习、个性化学习、学习质量等方面存在严重不足，其中问题的关键在于，在线学习过程中，教师和学生处于准时空分离的状态，这在很大程度上削弱了教师对学生学习过程的指导和监控作用。在线学习过程中，师生间的时空分离导致教师对学习者及其学习行为缺乏持续有效的关注，继而出现学习者的在线学习活动经常不能按照教学预期实现。此外，现在很多在线学习系统过多的关注在线学习平台工具的功能实现和完善、注重知识内容的组织、资源的安排，却忽略了在线学习的学习效果。学习预警是解决上述问题的有效途径，不过目前国内外的相关研究与实践均处于起步阶段。

2.在线预警模型分析

通过分析不难发现，学习预警系统涉及四个核心问题，即为什么预警、预警什么、怎么预警、预警的结果是什么。从这四个核心问题出发，学习预警系统包含目的层、内容层、方式层和结果层4层通用框架。

（1）目的层。预警目的大致有四种：降低辍学率、促进学业成功、提高学习效果和提升就业率。预警目的的确定为预警系统的建立与运行指明了方向，将直接影响数据的收集与获取，并对内容层、目的层和结果层产生影响，可以说预警目的是整个预警过程的根本。

（2）内容层。预警内容包括预警辍学、学业成功、知识掌握、就业情况、学习路径、学习效果等，具体内容会根据预警目的的不同而有所不同。当预警的内容不同时，所采用的预警方式也会不同。

（3）方式层。预警方式主要包括数据采集和数据分析——数据采集需要明确使用什么采集技术，以及采集哪些数据；数据分析则需要根据采集的数据，判断将要采用哪种数据分析技术及预警算法。在大数据时代采集的是学习者的全方位数据，根据不同的目的需求筛选相应的数据进行分析处理。

（4）结果层。预警结果主要包括预警信息的呈现及干预策略，即根据目的层、内容层和方式层确定预警信息的呈现形式及提供的干预策略。预警信息的呈现形式是学习预警系统的直观表现，而干预策略主要是为学习者提供个性化的建议或反馈。

3.在线学习预警的关键问题

由在线学习预警模型不难看出，在线学习预警涉及到三个关键问题，即预警数据采集、预警数据分析以及预警结果呈现与反馈，其中数据是核心，技术是关键。

3.1预警数据采集。预警数据采集是在线学习预警中的基础，采集到什么样的数据对预警效果有重要影响，预警的主要对象为学习者，若从知识、行为、情绪三方面对在线学习者进行预警，则采集的预警数据主要包括基本数据（学习风格、态度）、知识数据、行为数据以及情感数据。知识预警需要采集的数据为学习者在线学习过程中大量的在线测试数据，比如课后测试、一周一练、每月测评、期中考试、结业考试等等；行为预警需要采集的数据为在线学习中的各种行为数据。

3.2预警数据分析。数据采集之后即需要对其进行分析，不同的数据分析的方法以及采用的技术工具也不同，本研究是从知识、行为、情绪三方面来进行预警，因此涉及到的数据分析的关键技术将从这三个方面进行分类。涉及到的关键技术主要有教育数据挖掘和学习分析，这两者之间密切相关，二者之间也存在交叉。要对学习过程进行探究，必须要选好切入点和适当的研究方法和工具。教育数据挖掘常用的分析方法包括：统计分析与可视化、聚类（聚类，离群点分析）、预测（决策树，回归分析，时序分析）、关系挖掘（关联规则挖掘，序列模式挖掘，社会网络分析）和文本挖掘。学习分析领域常用的分析方法包括网络分析法、话语分析法和内容分析法。

3.3预警结果呈现与反馈。预警结果的呈现与反馈是在线学习预警中非常重要的一个环节，预警信息的可视化呈现与及时反馈有助于提升用户体验，使用户及时方便的了解在线学习情况。数据可视化是一种通过可视化解释发现并理解大型数据库中所存在规律的方法。可视化的数据分析是一个新兴的领域，它融合了统计、数据挖掘和可视化技术，使每个人都能够筛选、展示和理解复杂的概念与关系成为可能。目前已有不少专门的可视化工具，如元数据的可视化工具Mirador，数据分析和绘制图表的手机应用Plotly，可开发出三维效果的Dimple以及可以对数据进行交互式可视化处理的Gephi等。随着各种可视化技术和工具的不断涌现，教育数据挖掘、习分析的结果将更加直观地呈现。

4.在线学习预警机制设计

4.1在线学习知识预警机制

将预测学习者的知识掌握情况主要通过三个模块实现，诊断模块、预测模块以及预警模块。诊断模块主要是通过在线学习活动指标来判断学习者的知识掌握程度。诊断模块中的学习者数据可以储存到学习者案例库中。预测模块中主要是依据基于案例的推理（Case-BasedReasoning，通过新学习者与学习者案例库进行比较来预测学习者的知识掌握程度。若要最终实现预警就需要在这两个模块的基础上再加上预警模块，对学习者的在线学习知识掌握情况进行预警。

4.2在线学习行为预警机制

从不同角度对学习者行为进行分析比较，以使行为预警达到全方位、多层次的效果，确保预警更加全面和准确。在线学习行为的分类，可以为各层次行为预警标准的确定明确指标，大大提高了行为预警的可实现性和可操作性。从在线学习行为参与、深度学习、在线学习交互行为三个层次预警学习者的行为。行为参与是最基本的参与形式，其最显著的特点为可观察，主要通过学习过程中的具体（显性）行为表现来反映。通过分析学习者的学习行为表现不仅可以判断其学习质量和行为参与情况，还能及时发现学习者学习过程中的问题行为，对问题行为起到监控预警的作用。

5.结语

本文从提升在线学习效果及学习质量的角度出发，探究大数据时代的预警机制设计。总结归纳出在线学习预警框架，根据在线学习预警框架结合学习分析模型构建出在线学习预警的功能及过程模型。基于预警模型设计预警机制，机制的设计中主要包括预警的整体流程以及预警机制各要素分析，从而能够更加更便捷的提升在线学习效果及学习质量。从整体效果来看，预警的内容及结果呈现方式均得到肯定。

参考文献

[1]晋欣泉,王林丽,杨现民.基于大数据的在线学习情绪测量模型构建[J].现代教育技术,2016(12).

[2]李青,王涛.学习分析技术研究与应用现状述评[J].中国电化教育,2012,(8).

[3]李艳燕,马韶茜,黄荣怀.学习分析技术:服务学习过程设计和优化[J].开放教育研究,2012,(5)

作者简介：靳智(1984年8月—)，男，重庆市人，重庆电子工程职业学院，讲师，研究方向为通信与信息系统。