基于大数据的智慧型个性化学习服务研究
作者:赵苗苗 陈 琳
发布时间:2016/2/3 9:55:37 已经阅读1287次

摘要:现有的个性化学习服务存在服务类型单一、服务内容准确度层次不齐、服务质量满意度不够、运营商提供服务能力不足等问题,即“局部个性化而非整体个性化”、“群体个性化而非个体个性化”、“个别人个性化而非大众个性化”。结合大数据时代的特点,文章提出了移动泛在学习:督导服务从无到有;功能和环境:服务形式从一到多;一站式体验:服务平台从多到一的三条优化建议,使其具有泛在性、预知性、按需自取和一站式体验的特点。

关键词:个性化学习;大数据:教育信息化

一、问题的提出

网络学习对学习者而言是一场学习方式的变革,“数字化学习”、“移动学习”、“泛在学习”、“智慧学习”等新型学习方式受到越来越多的教育者的认可。传统学校教育因为大班额教学、教师能力局限性、教学资源的有限和封闭等客观性和主观性问题,难以保证学习者的个性化需求,网络学习为学习者提供了“因材施教”的可能。但是,纵观网络学习环境下的个性化学习服务,总体上还处于个性化的初级层次,个性化学习服务内容和质量都不尽如人意。2013年人们用“大数据”来描述和定义信息爆炸时代产生的海量数据,正式迈进了大数据时代。“大数据”数据量大( Volume)、类型繁多( Variety)、价值密度低(Veracity)、速度快时效高( Velocity)的4V特点为个性化学习服务智慧化带来了新的契机。个性化学习服务立足于大数据时代,势必也要“用数据说话”,走向智慧型服务。通过数据提供满足学习者差异性需求的服务,有利于实现教育公平和教育均衡,因此基于大数据的智慧型个性化学习服务研究显得尤为必要。

一、个性化学习服务

(一)学习者个性化

学习者个性化体现在学习目标、学习风格、学习兴趣、学习偏好、学习习惯、学习动机等方面的差异。相关的理论很多。根据学习者对信息处理的渐进顺序以及学习内容的倾向,菲尔德(R.M.Felder)和希尔维曼(L. K. Silverman)将学习风格分为:感悟型和直觉型、视觉型和言语型、归纳型和演绎型、主动型和反思型、序列型和全局型。布卢姆将教育目标分为认知、情感、动作技能三大类:认知领域的教学目标分为知识、领会、应用、分析、综合和评价等六个层次,形成由高到低的阶梯。心理学家克拉斯沃尔在布卢姆研究的基础上,根据价值内化的程度把情感领域的教学目标分为接受、反应、形成价值观念、组织价值观念系统、价值体系个性化五个等级,每一级又由若干连续的子类别构成。心理学家哈罗(A.J.Harrow)将动作技能由低级到高级分为反射动作、基础性动作、感知能力、体力、技能动作、有意交流;辛普森(E.J.Simpson)等对动作技能教育目标作了分析,并把动作技能教学目标分为七个层次:感知、准备、有指导的反应、机械动作、复杂的外显反应、适应和创新。这些分类足以说明学习者的个性化差异很大。

(二)个性化学习服务

个性化学习服务并不是一个新概念。“因材施教”,即根据学生的能力性格、志趣等具体情况采用不同的教育方式教授不同的知识,就是教育领域中典型的个性化服务。《学习:内在的财富》中指出:“个性的多样性,自主性,和首创精神,甚至是爱好挑战,这一切都是进行创造和革新的保证”。 追求学习者的个性发展,是世界教育或课程改革的重要趋势。2001年教育部颁布了《基础教育课程改革纲要(试行)》,其中课程改革的重点内容之一就是转变传统学习方式,提倡以“主动参与、积极探究、交流合作”为特征的个性化学习方式;《国家中长期教育改革和发展规划纲要(2010-2020年)》第八章二十五条指出:“大力发展现代远程教育,建设以卫星、电视和互联网等为载体的远程开放继续教育及公共服务平台,为学习者提供方便、灵活、个性化的学习条件”;《教育信息化十年发展规划(2011-2020年)》在总体战略中明确表明要“努力为每一名学生和学习者提供个性化学习、终身学习的信息化环境和服务”。本研究的个性化学习服务指的是网络环境下的个性化服务,即能促使学习者利用网络取得更好的学习效果的个性化服务。

三、个性化学习服务案例分析

现有的网络学习的个性化服务与大数据的关系还不是很密切,有很多个性化的服务还未用到大数据。即使是基于大数据的个性化学习服务,用户体验满意度依旧不高。这就需要诊断个性化学习服务中存在的问题,有针对性地优化解决。

(一)微信学习平台订阅推送

订阅模式是指用户主动关注并订阅某个微信号发布的信息,订阅行为意味着用户希望获取相关的信息内容。推送是指信源主动将信息推送给用户,具有及时性强、更新性好的特点。微信推送模式允许公众平台向订阅用户推送信息,从信息到达率来说,微信消息推送到用户手机,达到率接近100%。微信提供给学习者的订阅推送个性化仅针对学习者的学习兴趣和学习需求,并无对数据进行操作。

(二)学习分析三色显示

学习分析技术能测量、收集、分析和报告有关学生及其学习环境的数据,通过利用大量的数据和先进的技术增强学生管理自己的学业发展。对学生学习生成的相关数据进行分析,利用实时和基于数据决策的工具可以提高教师课堂教学效率,并增强相关学习服务。监控学生的学习活动并预测学习结果,能使教师对学生进行有效学习干预和决策。学习分析还能提升教师对学生绩效的可视化分析能力,教师从分析视角得出可视化结论并采取相应的行动,为学生开发适应性的学习资料。

学习分析的具体实例表现主要为“三色显示”。亚琛工业大学( RWTH Aachen)开发的ELAT系统( Exploratory Learning Analytics Toolkit)通过用不同颜色表示三组用户类型:非常活跃用户(蓝色)、活跃用户(红色)以及非活跃用户(黄色),帮助教师评价自己的课程及进行相关研究。普渡大学开发的Signals系统通过数据挖掘和统计预测模型,根据多个变量(表现指标、个性特点指标等)来预测学生是否能够完成/通过该课程。Signals以交通信号指示灯的方式,让学生了解自己的学习状况:课业良好(绿色),课业中度危急(黄色),或者课业严重危急(红色)。

(三)MOOCs大数据系统

MOOCs的大数据系统能通过网络学习者注册时填写的信息判断学习者的学习动机,并定时发送邮件提醒学习者在线学习,将在线学习的网络学习者大体情况真实的反映给教师,适时给出解题提示.通过大数据分析学生看过的每个论坛帖子以及他们是否正确完成课外作业,来预测看过某个帖子之后的学生正确作答的概率,并由此来确定哪些论坛帖子最适合学生阅读,在一定程度上在服务网络学习者的个性化方面做出了努力。但是,MOOCs为网络学习者提供的服务还未完善,大数据还要发挥至关重要的作用。

(四)启示

以微信为代表的订阅推送个性化学习,虽然能够把握学习需求和爱好,但也有几个不足:①实现的个性化只是学习兴趣和学习需求的个性化,实现的不是完全意义上的个性化,是“局部个性化”而非“整体个性化”;②推送资源的数量、质量和与学习者的适合度方面考虑尚待加强;③主动推送的方式导致学生被动接收信息,在一定程度上限制了学习者的主动性。

以学习分析为代表的个性化学习服务理念上已经开启了“一切皆可量化”的模式,并尝试与大数据接轨,但技术层面实现的个性化存在几个问题:①数据分析后的呈现形式单一,指示灯的形式不能适用于所有的分析结果;②实现的个性化是“群体的个性化”而非“个体的个性化”,按类别划分的方式将学习者归类,同一类别统一对待,而理想的个性化学习服务类别应该按照“每个人”划分。

以MOOCs为代表的个性化学习服务从理念到技术都从“大数据”出发,在感知学习动机、预测答题正确率、预测帖子论坛与学生的适合度方面提供个性化学习服务。但是MOOCs学习者高辍学率一直为人诟病,这种个性化学习服务只能满足少数人的个性化需求,所以属于“个别人的个性化”而非“大众的个性化”。

总体来说:①个性化学习服务形式主要集中于学习资源的定制推送服务和学习过程服务的个性化评价(这里将预测也作为一种评价)两大方面,在个性化导学、个性化移动学习、个性化督学方面研究较少:②现有的单个软件或系统个性化学习服务单一,整体来看服务过于零散,缺乏用户一站式体验:③所谓个性化的学习服务由于技术能力的条件限制,尚未真正以学习者为本;④个性化学习服务的满意度、准确度、与学习者的适合度都有待提升。大数据时代的个性化学习服务应该是智慧服务,应具有泛在性、预知性、按需自取和提供给网络学习者一站式体验的特点。

四、基于大数据的智慧型个性化学习服务

大数据的核心是预测。大数据能通过学习者的浏览记录、学习笔记等海量数据预测网络学习者的个性化特征,预测学习困难或学习障碍,并且根据个性特征提供更贴切的资源和服务形式。基于大数据的智慧型个性化学习服务极有可能成为实现教育公平和教育均衡的有效手段。

(一)非学习状态:督导服务从无到有

基于大数据的个性化学习服务要记录和分析学习者各种环境和设备下的“全体数据”,当然相应提供的个性化学习服务要覆盖所有环境,不能脱离移动和泛在条件。非学习状态的督学导学服务包括定时报告学习进度、提出预警、提醒完成学习任务、提醒新资源和新消息的推送等内容。因此,提醒是非学习状态下的督导服务最重要的一部分,它能够缩小信息遗漏概率,督促学习者及时回到学习状态。可穿戴设备在收集泛在环境下的数据方面具有得天独厚的优势,它可以实现随时随地、大量全面地收集数据并反馈分析结果,这一优点正好可以被个性化学习服务利用。非学习状态下的基于大数据的个性化学习服务,可以借助可穿戴设备得到优化。

(二)个性化评价:量化结果从有到优

预测是大数据的核心,基于大数据的个性化评价自然要具有前瞻性和权威性。个性化学习服务评价结果不能仅仅依靠指示灯的闪烁,现有的结果可视化的方式对于实现个性化评价是远远不够的。基于大数据的个性化评价内容要包括学习报告、学习状态、学习困难预警等,形式要包括图表、文字、指示灯等,评价结果要包括表象表现和潜在能力。优质的个性化评价不仅要形式多样,更要质量可靠。基于大数据的个性化评价要依靠收集的数据,运用适合的理论指导个性化模型分析学习者的个性化情况,并预测学习者某些方面的特征,最后呈现可视化结果。基于大数据的个性化评价的量化结果必将走向质量优质化和形式多样化。

(三)功能和环境:服务形式“从一到多”

功能上的“一”是指服务类型的单一,“多”指形式的多样。个性化服务应涉及学习者的学习目标、学习风格、学习兴趣、学习偏好、学习习惯、学习动机等特征,大数据时代的个性化服务优化首先要收集全体数据,提高数据量。当前的个性化服务类型过于单一,个性化的资源或信息过分依赖推送系统,以MOOCs为例,根据学习目标个性化的提醒服务或课程信息的提醒均来自邮件推送,但是单一的邮件推送也是个性化学习服务“不个性”的表现。基于大数据的个性化学习服务要善于利用智能手机、平板、可穿戴设备支持的包括邮件、短信、电话和其他各种应用程序在内的所有形式。

环境上的“一”还指支持的学习设备单一,对移动学习和泛在学习的服务支持不够完善。因为技术限制,移动设备登录的网络学习者体验到的是简易版的个性化学习服务,无法完全体验电脑登录的包括个性化导学、个性化移动学习、个性化督学等在内的所有服务,这也是一种“非个性化”的体现。但是基于大数据的技术和理念,个性化学习服务将实现多种设备全支持。

(四)一站式体验:服务平台从多到一

这里的“多”指当前的个性化学习服务过于零散,没有统一的通用的平台:过于支离破碎,没有体系化的一站式服务体系。网络学习者的基于大数据的个性化学习服务应该提供通用的平台,且能实现设备间的无缝衔接,内容自适应呈现。学习者借助于网络、云计算、移动设备和可穿戴设备产生的学习数据种类繁多,不仅含有大量线性数据,而且更多的是非线性数据;不仅含有大量结构化数据,而且更多的是半结构化和非结构化数据,这些数据的产生围绕着课程学习的各个阶段,包括前期导学、中期学习过程、后期评价,大量的数据跨平台、分散于各种软件和系统不利于数据分析,进而可能影响到学习者对服务的满意度。大数据时代的个性化服务对于网络学习者而言,更应该是一站式的,系统化的。建立统一通用的学习平台为网络学习者提供体系化一站式的个性化服务体系,这对构建学习型社会,实现全民终身学习大有裨益。

大数据时代,先进的技术和理念为网络学习者带来了福音,个性化学习服务即将得到空前的发展。根据学习者的学习目标、学习风格等特征差异,在恰当的场合、适当的时间提供合适的个性化学习服务,其中包括学习资源类型和数量、学习路径选择、导学督学时间方式等。基于大数据的个性化学习服务应该是智慧服务,具有泛在性、预知性、按需自取的特点,同时,提供给网络学习者一站式体验。需要指出的是,基于大数据的个性化学习服务的优化并非一日之功,不能一蹴而就,优化过程不是线性的,是螺旋上升的发展模式。

(来源:《教育导刊》2015.10)