大數(shù)據(jù)在教育領域的應用大數(shù)據(jù)在教育領域中的應用，主要指的是在線決策、學習分析、數(shù)據(jù)挖掘三大要素，其主要作用是進行預測分析、行為分析、學業(yè)分析等的應用和研究，大數(shù)據(jù)含義指的是對學生學習過程中產(chǎn)生的大量數(shù)據(jù)（數(shù)據(jù)來源包括兩方面，即顯性行為和隱性行為，其中隱性行為包括論壇發(fā)帖、課外活動、在線社交等不直接作為教育評價的活動，顯性行為包括考試成績、作業(yè)完成狀況以及課堂表現(xiàn)等）進行分析，大數(shù)據(jù)模型以及顯示的數(shù)據(jù)能夠為學校和教師的教學提供參考，及時、準確的評估學生的學業(yè)狀況，發(fā)現(xiàn)學生潛在存在的問題，進而預測學生未來可能的表現(xiàn)。1）構建學習者經(jīng)驗模型。通過收集學習者的學習滿意調(diào)查問卷，或者是分析量表數(shù)據(jù)，再根據(jù)其在課程學習中的存留數(shù)據(jù)、表現(xiàn)、行為、選擇等，構建學習者的經(jīng)驗模型，通過分析這種模型對學習系統(tǒng)中的課程進行評估，例如通過構建學習者體驗模型，進行線上課程評估，然后再進行課程設計，這種改變課程教學順序的大數(shù)據(jù)模型，顯著的提高了學習者的學習成績和教師的教學效率。2）建立學習者行為模型。通過收集學習者在學校情景中學習行為變化的情況、學習者完成課程學習的狀況、學習者在網(wǎng)絡系統(tǒng)中花費的學習時間以及學習者的考試成績等數(shù)據(jù)，研究學習者的學習行為與教學成果之間的關系，最終形成學習者的學習行為模型，通過構建大數(shù)據(jù)學習平臺，構建學習者行為模型，能夠預測學習者的學習失敗可能，其預測正確率高達75%以上。3）構建學習者知識模型。通過收集學習者在大數(shù)據(jù)在線系統(tǒng)的交互數(shù)據(jù)，其包括的內(nèi)容有：學習者請求幫助的性質(zhì)和數(shù)量、學習者回答問題花費的實踐、學習者回答錯誤的重復率、學習者回答的正確率等，通過數(shù)據(jù)挖掘和學習分析構建的學習者知識模型，能夠?qū)W習單元層面、課程層面、知識點層面的數(shù)據(jù)信息，通過人工反饋或者自動反饋，選擇適合的方式，充分的考慮學習者的時間，為學習者提供合適的學習內(nèi)容，這種通過手機每一個所有知識點的詳細數(shù)據(jù)，再通過在線決策、學習分析和數(shù)據(jù)挖掘，為學習者提供詳細的學習意見和學習反饋。4）構建領域知識模型。通過對教育大數(shù)據(jù)的在線決策、數(shù)據(jù)挖掘和學習分析，對現(xiàn)有的領域知識進行重新建模，研究學習者與知識點、學習單元、課程等學習內(nèi)容之間的關系，通過構建領域知識模型，采集和處理學習者的相關數(shù)據(jù)，畫出學習者的學習曲線，再通過對這些學習曲線進行數(shù)據(jù)分析，能夠顯著的提高學習者的學習成績和教師的教學效率。5）構建學習者檔案。通過收集學習者的基本學習信息，建立基本信息數(shù)據(jù)，通過數(shù)據(jù)挖掘、學習分析和機器學習算法，根據(jù)學習者的學習特征，將相同學習特征的學習者進行分組和聚類，建立學習者檔案，這種能夠為不同類型學習者提供個性化的學習環(huán)境，能夠激發(fā)學習者的學習積極性和主動性，例如通過數(shù)據(jù)挖掘技術對學習者在線學習平臺的學習日志進行分析，這樣能夠掌握不同學習者的不同學習特點和交互類型，然后構建學習者檔案，充分的激發(fā)了學習主動性，顯著的提高了學習者的學習效率。6）教學策略分析。大數(shù)據(jù)在教育領域的運用，其最終的目的是幫助教育者制定教學策略，通過對收集的學習者的信息進行分析，探索學習系統(tǒng)中各種組件的功能，分析學習者學習結果與教學策略之間的關系，然后對教學策略進行分析和總結，這樣能夠為教育領域提供更多、更有效的教學策略，例如Ritter等人研究的“CognitiveTour”的智能導學系統(tǒng)，通過數(shù)據(jù)挖掘、學習分析和在線決策，為該智能教學系統(tǒng)提供了長達15年的細粒度、動態(tài)的系統(tǒng)評價，優(yōu)化了該系統(tǒng)的教學策略，顯著的提高了學習者的學習效率。7）其他應用。大數(shù)據(jù)在教育領域的運用還包括個性化學習、自適應學習系統(tǒng)、以及趨勢分析等方面，其中個性化學習與自適應學習系統(tǒng)是大數(shù)據(jù)應用的終極目標，通過大數(shù)據(jù)的收集、分析與處理，為學習者提供個性化學習、與自適應學習的環(huán)境；趨勢分析時通過對大數(shù)據(jù)的分析，探索學習者在學習過程中的學習結果的變化趨勢，探索學前行為與未來結果之間的關系，預測未來學習的趨勢和結果，例如加州高等教育協(xié)會創(chuàng)建的在線趨勢分析工具，允許用戶自定義檢索條件，為用戶提供教育趨勢預測結果，幫助學習者構建學習模型，最終推動學習者主動的學習。大數(shù)據(jù)在教育領域中的應用7/27/2019大數(shù)據(jù)在教育領域中的應用，主要指的是在線決策、學習分析、數(shù)據(jù)挖掘三大要素，其主要作用是進行預測分析、行為分析、學業(yè)分析等的應用和研究，大數(shù)據(jù)含義指的是對學生學習過程中產(chǎn)生的大量數(shù)據(jù)（數(shù)據(jù)來源包括兩方面，即顯性行為和隱性行為，其中隱性行為包括論壇發(fā)帖、課外活動、在線社交等不直接作為教育評價的活動，顯性行為包括考試成績、作業(yè)完成狀況以及課堂表現(xiàn)等）進行分析，大數(shù)據(jù)模型以及顯示

的數(shù)據(jù)能夠為學校和教師的教學提供參考，及時、準確的評估學生的學業(yè)狀況，發(fā)現(xiàn)學生潛在存在的問題，進而預測學生未來可能的表現(xiàn)。國外教育大數(shù)據(jù)公司介紹當IBM剛剛開始與這一學區(qū)合作時，除了學生成績不好之外，該縣還面臨著輟學率已增加到48%的嚴峻情況。根據(jù)聯(lián)邦政府的《不讓一個孩子掉

隊法》（No

Child

Lift

Behind，NCLB），學生成績糟糕的地方政府將受到懲罰。為了應對這一巨大的挑戰(zhàn)，該縣此前已經(jīng)在學生數(shù)據(jù)的基礎上建立了一個輟學指示工具，并將其用于全縣層面的決策。但IBM認為這仍不足以改善莫白兒縣窘迫的現(xiàn)狀，需要借助IBM的技術支持重新建立大數(shù)據(jù)，進而利用大數(shù)據(jù)分析來改善學區(qū)內(nèi)所有學生的整體成績1IBM“希維塔斯學習”是一家專門聚焦于運用預測性分析、機器學習從而提高學生成績的年輕公司。該公司在高等教育領域建立起最大的跨校學習數(shù)據(jù)庫。通過這些海量數(shù)據(jù)，能夠看到學生的分數(shù)、出勤率、輟學率和保留率的主要趨勢。通過使用100多萬名學生的相關記錄和700萬個課程記錄，這家公司的軟件能夠讓用戶探測性地知道導致輟學和學習成績表現(xiàn)不良的警告性信號。此外，還允許用戶發(fā)現(xiàn)那些導致無謂消耗的特定課程，并且看出哪些資源和干預是最成功的。2希維塔斯學習”（Civitas

Learnin推出了基于他們自己過去的學習成績數(shù)據(jù)預測并改善其未來學習成績的大數(shù)據(jù)服務項目。這家公司的新產(chǎn)品名為“學生成功系統(tǒng)”（StudentSuccess

System）。“渴望學習”聲稱加拿大和美國的1000多萬名高校學生正在使用其學習管理系統(tǒng)技術。“渴望學習”的產(chǎn)品通過監(jiān)控學生閱讀

電子化的課程材料、提交電子版的作業(yè)、通過在線與同學交流、完成考試與測驗，就能讓其計算程序持續(xù)、系統(tǒng)地分析每個學生的教育數(shù)據(jù)。老師

得到的不7/再27/是20過19去那種只展示學生分數(shù)與作業(yè)的結果，而是像閱讀材料的時間長短等這樣更為詳細的重要信息，這樣老師就能及時診斷問題的所在，提出改進的建議，并預測學生的期末考試成績3渴望學習”（Desire

2

Learn）國外教育大數(shù)據(jù)應用案例成功創(chuàng)造并發(fā)布了各自版本的利用大數(shù)據(jù)的適應性學習（adaptive

learning）系統(tǒng)。在2012年國際消費電子展的高等教育技術峰會上，世界最大的教育出版公司培生集團（Pearson）與適應性學習領域里的先行者紐頓公司共同發(fā)布了主要由培生集團開發(fā)的適應性學習產(chǎn)品——“我的實驗室/高手掌握”（MyLab/Mastering）。這款產(chǎn)品在將全球范圍內(nèi)向數(shù)百萬名學生提供個性化的學習服務，向他們提供真實可信的學習數(shù)據(jù)，讓學校通過這些數(shù)據(jù)提高學生的學習效果并降低教學成本。首款產(chǎn)品將在美國的數(shù)十萬名學生中使用，包括數(shù)學、英語，以及寫作等技能開發(fā)課4“紐頓”（Knewton）總部設在英國倫敦的培生集團和其他出版公司共同開發(fā)的“課程精靈”系統(tǒng)（CourseSmart），也允許教授們通過讓學生使用電子教科書來跟蹤他們的學業(yè)進展，并向助教們顯示學生的學習參與度和學習成績等大量的數(shù)據(jù)信息，只是這一系統(tǒng)尚不具備預測的功能。5培生集團⑴內(nèi)容分析法內(nèi)容分析法是一種對文獻內(nèi)容作客觀系統(tǒng)的定量分析的專門方法，其目的是弄清或測驗文獻中本質(zhì)性的事實和趨勢，揭示文獻所含有的隱性情報內(nèi)容，對事物發(fā)展作情報預測。它實際上是一種半定量研究方法，其基本做法是把媒介上的文字、非量化的有交流價值的信息轉(zhuǎn)化為定量的數(shù)據(jù)，建立有意義的類目分解交流內(nèi)容，并以此來分析信息的某些特征。⑵話語分析人文科學所有的知識分子都是在利用話語的生產(chǎn)模式來行使權力，話語傳播著權力的影響。在現(xiàn)代社會中，它們就是權力的替代品。只有遵循話語系統(tǒng)自身的規(guī)律，人們在生活中的表達和溝通才能有效，否則就是癡人說夢。換言之，可以這樣來說，現(xiàn)實并不是我們?nèi)祟愒趧?chuàng)造、支配使用話語（主體性解構），而是語言在建構我們的本質(zhì)。掌握話語權的人掌握社會規(guī)范。⑶社會網(wǎng)絡分析社會網(wǎng)絡分析適合分析關系數(shù)據(jù)，而用來分析其他類型數(shù)據(jù)對關系數(shù)據(jù)的影響。數(shù)據(jù)主要分為兩類，屬性數(shù)據(jù)和關系數(shù)據(jù)，屬性數(shù)據(jù)指涉及能動者的態(tài)度，觀點，行為方面的數(shù)據(jù)，采用的方法主要是變量分析法。關系數(shù)據(jù)是關于接觸，關聯(lián)，群體依附和聚會方面的數(shù)據(jù)，反映一個能動者與另外能動者聯(lián)系在一起，而不是單獨的屬

性，一般采用的分析方法是網(wǎng)絡分析。另外還有一種是觀念數(shù)據(jù)，主要是描述意義，動機，定義和類型化本身，主要是用類型分析的方法。⑷聚類聚類分析也被稱為群分析，它是在“物以類聚”這一理念之上，對樣品進行必要分類的一種相對多元的統(tǒng)計分析方法。這種方法專門針對大量的樣品，按各自的特性進行相對合理的分類，即使未曾事先驗知的情況下依然不會參考任何模型。聚類分析是研究事物特性的個體方法，可以把類似的事物分類整合。原則上依據(jù)事物的相似性進行歸類，具有以下三個特點：①非常符合檢測未曾驗證的事物。在沒有數(shù)據(jù)標準參考的情況下，設定相對完善的分類變量就可以對數(shù)據(jù)進行合理的聚合，得到相對客觀的分類信息。②能夠處理多個變量決定的分類。多個變量的分類一般相對比較復雜，聚類方法完全可以勝任針對此類數(shù)據(jù)的分類。③聚類分析法的探索性相對較高，可以根據(jù)事物的內(nèi)在屬性和規(guī)律，依據(jù)原則上的相似性對數(shù)據(jù)分類，被廣大工作者廣泛應用。⑸預測根據(jù)已有數(shù)據(jù)或信息對整體或個體數(shù)據(jù)發(fā)展態(tài)勢做出合理預測。⑹關系挖掘數(shù)據(jù)挖掘是一種在信息領域當中發(fā)展最快的技術，許多行業(yè)中的佼佼者都從中獲得較為廣闊的發(fā)展空間，這使得數(shù)據(jù)挖掘技術日趨被人們所關注。隨著科學技術的不斷進步，采集數(shù)據(jù)的方法日益繁多，因而使得龐大的數(shù)據(jù)總量幾乎達到GB

甚至TB

級，并且高維數(shù)據(jù)日趨主流化。此類數(shù)據(jù)以及數(shù)據(jù)的高維特征并不是傳統(tǒng)數(shù)據(jù)分析方法可以輕易解決的，這樣導致數(shù)據(jù)的處理也愈來愈依賴計算機和網(wǎng)絡。⑺文本挖掘文本數(shù)據(jù)挖掘(Text

Mining)是指從文本數(shù)據(jù)中抽取有價值的信息和知識的計算機處理技術。顧名思義，文本數(shù)據(jù)挖掘是從文本中進行數(shù)據(jù)挖掘(Data

Mining)。從這個意義上講，文本數(shù)據(jù)挖掘是數(shù)據(jù)挖掘的一個分支。文本數(shù)據(jù)挖掘是一個邊緣學科，由機器學習、數(shù)理統(tǒng)計、自然語言處理等多種學科交叉形成。學習分析關鍵技術與主要工具從學生方面來說，學習分析技術在了解學生學習現(xiàn)狀之后，通過分析學生數(shù)據(jù)，找出相關問題，對學生學習過程進行優(yōu)化，幫助學生培養(yǎng)良好學習習慣，從而達到學生自我學習的目的。從教師以及管理人員方面來說，學習分析技術可以評估教學課程和相關機構，幫助同步改善學校既定考核方式，深入分析教學數(shù)據(jù)，為教師幫助學生解決實際問題指明教學不足和更優(yōu)方法。從研究人員方面來說，學習分析技術是一種研究學生和網(wǎng)絡學習的有效工具。從技術開發(fā)人員方面來說，學習分析技術管理系統(tǒng)各模塊各不相同的使用頻次和路徑能有效指導系統(tǒng)界面的相關優(yōu)化設計，并可以完善系統(tǒng)日志相關管理功能。1.學習者特征分析 學習者特征由學習者的知識結構和學習風格組成。知識結構說明了學習者對正在或?qū)⒁獙W習知識的掌握情況，主要包括學習者初始技能、當前技能和目標技能。學習風格包括學習者的生理特征、心理特征和社會特征三個方面。［4］ 利用數(shù)據(jù)挖掘功能分析學習者特征，目的在于幫助學習者修正自己的學習行為。這里有一理論假設：通過對學習者特征分析結果和事先制定的行為目標標準進行比較，教師能夠幫助學習者修正學習行為、提高學習能力、完善人格，有利于學生各方面素質(zhì)的和諧發(fā)展。 學習者特征分析系統(tǒng)由如下四個模塊組成，基本框架如圖1所示。 人機互動界面：學習者可以向系統(tǒng)手工添加學習者信息、提出分析要求，同時查看分析結果。

數(shù)據(jù)收集模塊：收集的信息包括學習者的基本信息、績效信息、學習歷史、學習偏好、知識結構等。 數(shù)據(jù)處理模塊：數(shù)據(jù)庫按照元數(shù)據(jù)標準對數(shù)據(jù)進行清理、集成和變換。 數(shù)據(jù)分析模塊：利用經(jīng)過轉(zhuǎn)化的數(shù)據(jù)，按照數(shù)據(jù)挖掘規(guī)則，對數(shù)據(jù)進行分析處理，得出結果并輸出。2.干預師生行為 學校教學管理數(shù)據(jù)庫中記錄著各屆學生與教師的學習、工作、社會活動、獎勵、處罰等情況，利用數(shù)據(jù)挖掘的關聯(lián)分析與演變分析等功能，尋找?guī)熒鞣N行為活動之間的內(nèi)在聯(lián)系。如“當存在A，B時可以推出C”這樣的規(guī)則，即當有A行為和B行為發(fā)生時，還會有C行為。在實際情境中，如果發(fā)現(xiàn)學生或教師已有A，B行為時，馬上可以分析其產(chǎn)生C行為的可能性，及時制定策略促進或制止C行為的發(fā)生。

3.合理設置課程 在學校，學生的課程學習是循序漸進的，而且課程之間有一定的關聯(lián)與前后順序關系。在學一門較高級課程之前必須先修一些先行課程，如果先行課程沒有學好，勢必會影響后續(xù)課程的學習。另外，同一年級學習同一課程的不同班級，由于授課教師、班級文化的不同，班內(nèi)學生的總體成績相差有時會很大。 利用學校教學數(shù)據(jù)庫中存放的歷屆學生各門學科的考試成績，結合數(shù)據(jù)挖掘的關聯(lián)分析與時間序列分析等相關功能，就能從這些海量數(shù)據(jù)中挖掘出有用的信息，幫助分析這些數(shù)據(jù)之間的相關性、回歸性等性質(zhì)，得出一些具有價值的規(guī)則和信

息，最終找到影響學生成績的原因。在此基礎上，對課程設置作出合理安排。

4.學習評價 學習評價是教育工作者的重要職責之一。評定學生的學習行為，既對學生起到信息反饋和激發(fā)學習動機的作用，又是檢查課程計劃、教學程序以至教學目的的手段，也是考查學生個別差異，便于因材施教的途徑。［5］評價要遵循“評價內(nèi)容要全面、評價方式要多元化、評價次數(shù)要多次化、注重自評與互評的有機結合”的原則。 在教學科研網(wǎng)絡普遍建立的今天，利用數(shù)據(jù)挖掘工具，對學生的學習成績數(shù)據(jù)庫、行為記錄數(shù)據(jù)庫、獎勵處罰數(shù)據(jù)庫等進行分析處理，可以即時得到學生的評價結果，對學生出現(xiàn)的不良學習行為進行及時指正。另外，這種系統(tǒng)還能夠克服教師主觀評價的不公正、不客觀的弱點，減輕教師的工作量。

5.個性化、智能化網(wǎng)絡服務 數(shù)據(jù)挖掘基于網(wǎng)絡的應用包括WEB挖掘和個性化、智能化網(wǎng)上遠程教育兩個方面。

WEB挖掘是數(shù)據(jù)挖掘的一項重要應用。WEB挖掘是從與WWW相關的資源和行為中抽取感興趣的、有用的模式和隱含信息的過程。WWW分析就是為網(wǎng)站運行提供深入、準確、詳細的分析數(shù)據(jù)和有價值的以及易理解的分析知識。通過提供這些數(shù)據(jù)和信息，可以解決以下問題：

（1）對網(wǎng)站的修改更加有目的、有依據(jù)，穩(wěn)步地提高用戶滿意度。根據(jù)用戶訪問模式修改網(wǎng)頁之間的鏈接，把用戶想要的信息以更快、更有效的方式展現(xiàn)給用戶。

（2）查看網(wǎng)站流量模式。發(fā)現(xiàn)用戶的需要和興趣，對需求強烈的網(wǎng)頁提供優(yōu)化，用服務器預先存儲的方法來解決下載緩慢的問題。

（3）提供個性化網(wǎng)站。針對不同的用戶，按照其個人的興趣和愛好（數(shù)據(jù)挖掘算法得到的用戶訪問模式），向用戶動態(tài)提供瀏覽的建議，自動提供個性化的網(wǎng)站。

（4）發(fā)現(xiàn)系統(tǒng)性能瓶頸，找到安全漏洞。

（5）為教師、教育管理者等提供重要的、有價值的信息。如通過對每個學生所做的試題進行分析，得出題目之間的關聯(lián)性及其他一些有用的信息，用來指導教學、修正試題難度系數(shù)等。 個性化、智能化網(wǎng)上遠程教育是充分利用數(shù)據(jù)挖掘技術的功能，為遠程教育提供服務。其表現(xiàn)在：

（1）利用學生登記信息，針對不同的學生，提供不同的學習內(nèi)容和學習模式，真正做到因材施教，并對學生的學習記錄進行保存。

（2）對站點上保存的學習行為和學習記錄信息進行挖掘，并結合課件知識庫的信息，自動重組課程的內(nèi)容，使之更符合教學規(guī)律，并結合內(nèi)容，提供其他相關學習資源。

（3）通過對學習者學習行為的挖掘，發(fā)現(xiàn)用戶的瀏覽模式，自動重構頁面之間的鏈接，以符合用戶的訪問習慣。 個性化、智能化遠程教育系統(tǒng)模型將涉及到課件知識庫、學習行為數(shù)據(jù)庫、個人學習記錄數(shù)據(jù)庫這三個大型數(shù)據(jù)庫，還需要構建智能學習系統(tǒng)、個性界面生成系統(tǒng)、智能挖掘系統(tǒng)、智能重組系統(tǒng)等四個實現(xiàn)系統(tǒng)。數(shù)據(jù)挖掘在教育信息化中的具體應用空間學習者特征由學習者的知識結構和學習風格組成。知識結構說明了學習者對正在或?qū)⒁獙W習知識的掌握情況，主要包括學習者初始技能、當前技能和目標技能。學習風格包括學習者的生理特征、心理特征和社會特征三個方面1學習者特征分析學校教學管理數(shù)據(jù)庫中記錄著各屆學生與教師的學習、工作、社會活動、獎勵、處罰等情況，利用數(shù)據(jù)挖掘的關聯(lián)分析與演變分析等功能，尋找?guī)熒鞣N行為活動之間的內(nèi)在聯(lián)系。如“當存在A，B時可以推出C”這樣的規(guī)則，即當有A行為和B行為發(fā)生時，還會有C行為。在實際情境中，如果

發(fā)現(xiàn)學生或教師已有A，B行為時，馬上可以分析其產(chǎn)生C行為的可能性，及時制定策略促進或制止C行為的發(fā)生2干預師生行為利用學校教學數(shù)據(jù)庫中存放的歷屆學生各門學科的考試成績，結合數(shù)據(jù)挖掘的關聯(lián)分析與時間序列分析等相關功能，就能從這些海量數(shù)據(jù)中挖掘出有用的信息，幫助分析這些數(shù)據(jù)之間的相關性、回歸性等性質(zhì)，得出一些具有價值的規(guī)則和信息，最終找到影響學生成績的原因。3合理設置課程在教學科研網(wǎng)絡普遍建立的今天，利用數(shù)據(jù)挖掘工具，對學生的學習成績數(shù)據(jù)庫、行為記錄數(shù)據(jù)庫、獎勵處罰數(shù)據(jù)庫等進行分析處理，可以即時得到學生的評價結果，對學生出現(xiàn)的不良學習行為進行及時指正。另外，這種系統(tǒng)還能夠克服教師主觀評價的不公正、不客觀的弱點，減輕教師的工作量。4學習評價自適應學習系統(tǒng)中教育大數(shù)據(jù)應用基于大數(shù)據(jù)的自適應學習系統(tǒng)運行流程圖第一步，學習者生成學習行為數(shù)據(jù)，經(jīng)過內(nèi)容傳遞模塊，數(shù)據(jù)將被標記上時間戳；第二步，數(shù)據(jù)按照預先定義的結構存入學習者數(shù)據(jù)庫；第三步，預測模塊從學習者數(shù)據(jù)庫和學生信息系統(tǒng)中采集數(shù)據(jù)，根據(jù)不同的分析目的，調(diào)用不同的分析工具和模型對數(shù)據(jù)進行分析；第四步，自適應模塊根據(jù)預測模塊中數(shù)據(jù)挖掘和分析的結果，通過內(nèi)容傳遞模塊為學習者提供合適的學習指導和學習策略；第五步，預測模塊中數(shù)據(jù)挖掘和分析的結果同時被傳遞給顯示模塊，供教師和教學管理者使用；最后，教師和教學管理者根據(jù)分析結果，通過干預模塊對系統(tǒng)進行人為干預7/27/2019自適應學習系統(tǒng)包含六大模塊：（1}內(nèi)容傳遞模塊。管理、維護、傳遞個性化的學習內(nèi)容與評價給學習者，以支持學習者的學習行為。（2)學習者數(shù)據(jù)庫。存儲學習者在學習系統(tǒng)中的時間戳標記的學習者輸人和學習行為數(shù)據(jù)。（3)預測模塊。整合系統(tǒng)外部學習者信息系統(tǒng)中的數(shù)據(jù)和系統(tǒng)內(nèi)部學習者學習行為數(shù)據(jù)，通過對數(shù)據(jù)的處理和分析，對學習者未來的學習行為和結果進行預測。（4)顯示模塊。將預測模塊中的運行結果以可視化的方式顯示給各類使用者。（5)自適應模塊。根據(jù)預測模塊的運行結果，觸發(fā)內(nèi)容傳遞模塊，再根據(jù)學習者的學習水平和興趣，推送合適的學習內(nèi)容給學習者。（6)干預模塊。允許教師、教學管理者和系統(tǒng)開發(fā)人員根據(jù)預測模塊的運行結果，對自適應系統(tǒng)實施人為干預教育數(shù)據(jù)挖掘和學習分析的區(qū)別教育數(shù)據(jù)挖掘?qū)W習分析技術常用技術是分類、聚類、貝葉斯模型、關系挖掘和用模型來發(fā)現(xiàn)數(shù)據(jù)中有意義的信息常用技術是統(tǒng)計、可視化、系統(tǒng)網(wǎng)絡架構、情緒分析、影響分析、話語分析，概念分析和意義建構模型起源源于教育軟件、學生建模和預測課程的結果源于語義網(wǎng)絡、智能課程和系統(tǒng)干預重點重視對所采用的數(shù)據(jù)挖掘技術的描述和比較重視對數(shù)據(jù)和結果的描述發(fā)現(xiàn)自動化的發(fā)現(xiàn)是關鍵，利用人類判斷是用來完成這個目標的工具利用人類判斷的是關鍵，自動化的發(fā)現(xiàn)是用于實現(xiàn)這一目標的工具早期的教育數(shù)據(jù)挖掘主要是網(wǎng)站日志數(shù)據(jù)的挖掘，現(xiàn)在新的計算機技術支持的交互式學習方法和工具（智能輔導系統(tǒng)、仿真、游戲），為量化和收集學生行為數(shù)據(jù)帶來了新的機會。特別是更加集成、更加模塊化和更加復雜化的在線學習系統(tǒng)提供了更多類型的數(shù)據(jù)，其中包含了數(shù)據(jù)挖掘算法需要的許多變量。教育數(shù)據(jù)挖掘能發(fā)現(xiàn)這些數(shù)據(jù)中的模式和規(guī)律，探索建立預測模型，讓我們重新發(fā)現(xiàn)和預測學生如何學習。1教育數(shù)據(jù)挖掘?qū)W習分析的定義，指的是對學生學習過程中產(chǎn)生的大量數(shù)據(jù)進行解釋，目的是評估學業(yè)進步、預測未來表現(xiàn)、發(fā)現(xiàn)潛在問題。數(shù)據(jù)來自學生的顯性行為，如完成作業(yè)和參加考試；還有學生的隱性行為，如在線社交，課外活動，論壇發(fā)帖，以及其他一些不直接作為學生教育進步評價的活動。學習分析模型處理和顯示的數(shù)據(jù)幫助教師和學校更好地理解教與學。學習分7/27/2019析的目標是使教師和學校創(chuàng)造適合每個學生需要和能力的教育機會。2學習分析1.學習者知識建模研究者通過采集學習者與在線學習系統(tǒng)的交互數(shù)據(jù)，包括學習者系統(tǒng)應答正確率、回答問題花費時間、請求幫助的數(shù)量和性質(zhì)，以及錯誤應答的重復率等，這部分數(shù)據(jù)可以是課程層面的、學習單元層面的或知識點層面的。通過數(shù)據(jù)挖掘和分析，構建學習者知識模型，然后通過自動或人工反饋，為學習者在合適的時間，選擇合適的方式，提供合適的學習內(nèi)容。例

如，Onsophic公司的在線學習平臺就是通過收集平臺中學習者每一個知識點學習（例如二次方程）的詳細數(shù)據(jù)，通過數(shù)據(jù)挖掘和分析，建立學習知識模型，為學習者提供詳細的學習反饋和建議。2.學習者行為建模研究者通過采集學習者在網(wǎng)絡學習系統(tǒng)中花費的學習時間、學習者完成課程學習情況、學習者在課堂或?qū)W校情境中學習行為變化情況、學習者線上或線下考試成績等數(shù)據(jù)，探索學習者學習行為與學習者學習結果的相關關系，最終構建學習者學習行為模型。例如，麥克費登

(Macfayden)和道森（Dawson)通過跟蹤和采集Blackboard在線學習平臺上學習者學習行為相關數(shù)據(jù)，構建學習者行為模型，該模型被用于預學習者的學習失敗可能。經(jīng)過實證研究，該模型的預測正確率可以達到80%以上。3.學習者經(jīng)歷建模研究者通過采集學習者的學習滿意度調(diào)查問卷或量表數(shù)據(jù)，以及其在后續(xù)單元或課程學習中的選擇、行為、表現(xiàn)和留存率數(shù)據(jù)，構建學習者體驗模型，利用該模型對在線學習系統(tǒng)中的課程和功能進行評估。例如，可汗學院（Kaplan

Inc)通過構建學習者體驗模型，對其線上課程進行評估，進行線上課程的再設計，改變課程學習順序，大大提高了教師的教學效率和學習者的學習成績。4.學習者建檔研究者采集在線學習系統(tǒng)中學習者相關數(shù)據(jù)以及線下學習者基本信息數(shù)據(jù)，通過數(shù)據(jù)挖掘和機器學習算法，構建學習者個人學習檔案，分析學習者的學習特征，對具有相同學習特征的學習者進行聚類和分組，最終為不同類型的學習者提供個性化的學習環(huán)境，促進學習者有效學習的發(fā)生。例如，卡丹(Kardan)和克納蒂(Conati)利用數(shù)據(jù)挖掘技術對學習者與在線學習

平臺的交互日志進行分析，確定不同學習者的學習類型和交互特點，構建學習者的學習檔

案。該研究結果主要用于對新學習者進行分類，并提供合適的學習支持和交互支持。5.領域知識建模研究者通過對教育大數(shù)據(jù)的挖掘和學習分析，對現(xiàn)有領域知識模型進行重構，探索課程、學習單元和知識點的學習內(nèi)容組織方式與學習者學習結果之間的相關關系。例如，馬?。∕artin)等人采集、處理學習者相關數(shù)據(jù)，構建學習者的學習曲線，并通過對大量學習者學習曲線數(shù)據(jù)的分析，對現(xiàn)有領域知識模型進行重構。6.學習組件分析和教學策略分析教育數(shù)據(jù)挖掘和學習分析典型應用詳細應用領域情況研究者通過對學習者在在線學習系統(tǒng)中的學習相關數(shù)據(jù)進行采集和分析，探索在線學習系統(tǒng)教育數(shù)據(jù)挖掘和學習分析應用領域主要包括：學習者的知識、行為和經(jīng)歷建模；學習者建檔；領域知識建模；趨勢分析1、支持學習過程的全數(shù)據(jù)采集與存儲在當今數(shù)據(jù)為王的時代，數(shù)據(jù)成為重要的無形資本和關鍵因素。尤其是數(shù)字化學習條件下，既包括結構化數(shù)據(jù)，也包括以文本為代表的非結構化數(shù)據(jù)和以Web站點為代表的半結構化數(shù)據(jù)。當前對非結構化或半結構化數(shù)據(jù)較少涉及，而他們往往蘊藏著重要信息，如學習習慣、學習風格等。大數(shù)據(jù)時代的數(shù)字化學習分析必然要圍繞數(shù)據(jù)進行運作，理想狀態(tài)是能對所有信息進行采集，保障數(shù)據(jù)的全面性。另外，當前數(shù)據(jù)存儲面臨兩方面的挑戰(zhàn)，一是學習者在學習過程中產(chǎn)生大量數(shù)據(jù)，半結構化和非結構化數(shù)據(jù)所占的比重越來越大；二個是關系型數(shù)據(jù)庫已不適合非結構化數(shù)據(jù)的存儲，而非關系型數(shù)據(jù)庫（NoSQL）存在讀寫實時性較差、無法滿足復雜SQL操作，尤其是多表關聯(lián)查詢等不足。因此，對二者進行有效整合是大數(shù)據(jù)背景下數(shù)據(jù)存儲的必然要求。2、支持測試類型的多樣化盡管發(fā)展性評價強調(diào)評價形式多元化，但測試作為一種重要的評價形式，仍具有無可替代的作用。通過測試能引導學習者對學習內(nèi)容更深層次的思考，引導學習者運用所學解決現(xiàn)實問題，培養(yǎng)其創(chuàng)造性思維[12]。一般將測試題目分為客觀性題目和主觀性題目，前者具有標準唯一、易于處理等優(yōu)點，適合考察客觀知識的掌握情況；而后者有利于考察學習者的理解、運用、歸納等能力，對于培養(yǎng)和考察學生的創(chuàng)新思維和創(chuàng)新能力具有優(yōu)勢。由于主觀性題目的主觀性特點，很難進行智能化處理，通常由教師來完成，這就造成當前測試以客觀性題目為主的不均衡現(xiàn)象。為此，發(fā)展性評價系統(tǒng)要盡可能增加主觀性題目的比重，同時優(yōu)化主觀試題的處理方式，在保證評價效率的前提下減少教師的工作量，實現(xiàn)全面、有效的評價學習。3、支持知識增長的可視化可視化是信息時代數(shù)據(jù)處理與顯示的必然趨勢。發(fā)展性評價注重學習者的發(fā)展，但發(fā)展是個抽象的概念，無法準確地衡量。而日益興起的增值評價為知識增長的測量提供了新思路。發(fā)展性學習評價系統(tǒng)要引入增值評價的理論，即一定時期的學校教育對學生成長發(fā)展所帶來的積極影響，增值評價就是對這種影響的評估。此外，發(fā)展性學習評價系統(tǒng)的使用主體為學習者和教師，他們通常不具備分析知識增長的能力，所以需對知識增長量進行可視化處理，使抽象的學習過程有跡可循，進而形成對學習者知識增長的直觀反映。對教師而言，知識增長的可視化便于個性化指導和干預；對學習者而言，可以直觀地看到自己的進步，有利于認識自我、建立自信。4、支持學習過程的及時督導數(shù)字化學習脫離了教師的監(jiān)控和約束，學習者容易在學習中“迷失”，督導機制是十分必要的。學習分析技術的興起，其測量、收集、分析和報告有關學生及其學習環(huán)境數(shù)據(jù)有利于理解、優(yōu)化學習及其產(chǎn)生的環(huán)境，為發(fā)展性學習評價系統(tǒng)提供了新的思路。發(fā)展性學習評價系統(tǒng)支持的及時督導要以學習者的學習過程數(shù)據(jù)為量化依據(jù)，通過對這些數(shù)據(jù)進行采集和分析，發(fā)現(xiàn)學習者潛在的問題與不足，并及時反饋給學習者，同時給予相應的改進和補救建議5、支持評價的個性化發(fā)展性評價強調(diào)關注個體差異，支持評價的個性化。而大數(shù)據(jù)給教育帶來的轉(zhuǎn)變之一便是使個性化教育成為可能。發(fā)展性學習評價系統(tǒng)應為學習者提供可選擇的多樣性評價目標和評價指標，根據(jù)學習者的選擇，動態(tài)生成個性化評價標準，進而實現(xiàn)對學習者進行個性化評價。數(shù)字化學習的發(fā)展性評價系統(tǒng)的特征分析已有研究認為，基于發(fā)展

性評價的數(shù)字化學習評價

系統(tǒng)，如網(wǎng)絡教學中的學

習評價系統(tǒng)應支持過程信

息的全面采集、支持自評

與互評、支持多種反饋形

式等，結合大數(shù)據(jù)及數(shù)字

化學習的特征，大數(shù)據(jù)背

景下的數(shù)字化學習發(fā)展性

評價系統(tǒng)應具備如下特征：（1）測評功能子系統(tǒng)測評功能子系統(tǒng)包括討論互動、學習契約、課前測試、過程測試、隨堂記錄卡、章節(jié)測試、教師評價、同學互評、期末測試等功能模塊。學習契約是以學習者和教師共同商議的形式確定學習目標、學習進度、評價標準等，一方面為學習者提供一定的個性化選擇，另一方面通過契約的形式對學習者形成激勵和監(jiān)督。課前測試對學習者已有知識基礎進行測試，起到診斷性評價的作用，也可以將其作為確定學習協(xié)作（討論互動）小組的依據(jù)，還可以與課后測試結果進行對比，確定學習者的知識增長

量。過程測試在學習過程中進行，有利于及時發(fā)現(xiàn)學習者存在的問題和不足，便于及時調(diào)整和改善。隨堂記錄卡類似于自我評價功能，多以主觀題目為主，要求學習者對學習過程進行總結和反思，有益于學習者自我反思和自我認知能力的培養(yǎng)。章節(jié)測試在章節(jié)結束時進行，主要考察學習者對已學內(nèi)容的掌握情況，同時與課前測試和過程測試的結果匯總，挖掘章節(jié)的知識關聯(lián)，為學習者推送個性化建議和資源。教師評價、同學互評和期末測試都在課程結束時進行，通過多樣性的評價方式對學習者形成較為全面客觀的評價。討論互動貫穿于整個課程學習的始終，通過討論互動，學習者與其他成員構成一個復雜的學習網(wǎng)絡，在該網(wǎng)絡體系中，學習者可以分享學習資源、交流學習心得，或?qū)δ骋粏栴}展開討論交流，激發(fā)新的思維火花[15]。（2）數(shù)據(jù)采集與存儲子系統(tǒng)數(shù)據(jù)采集與存儲子系統(tǒng)主要包括四大部分：數(shù)據(jù)采集、數(shù)據(jù)清理、數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)混合存儲系統(tǒng)。數(shù)據(jù)采的質(zhì)量和數(shù)量直接決定了數(shù)據(jù)分析的成效，所以應盡可能地從數(shù)據(jù)來源上保證其全面性。網(wǎng)絡嗅探是數(shù)據(jù)采集的有效方式，其適合多用戶、多Web站點的網(wǎng)絡訪問環(huán)境，且具有采集時間準確、不影響Web服務等特點，更重要的是采集的同時可以進行一部分過濾操作[16]。通過數(shù)據(jù)采集獲取大量數(shù)據(jù)的同時，也帶來了一些如廣告、彈幕等的“垃圾數(shù)據(jù)”，有效過濾這些“垃圾信息”是數(shù)據(jù)清理的功能所在。數(shù)據(jù)轉(zhuǎn)換主要是通過對數(shù)據(jù)進行適當轉(zhuǎn)換方便數(shù)據(jù)的挖掘分析，典型的數(shù)據(jù)轉(zhuǎn)換方法包括把符號變量轉(zhuǎn)換為數(shù)值變量、重組分類變量等。數(shù)據(jù)存儲是將數(shù)據(jù)保存到數(shù)據(jù)庫，以防止數(shù)據(jù)丟失，也便于后續(xù)的挖掘分析，本系統(tǒng)采用關系型數(shù)據(jù)庫與NoSQL數(shù)據(jù)庫相結合的方式實現(xiàn)對數(shù)據(jù)進行混合存儲，在該混合存儲系統(tǒng)中，關系型數(shù)據(jù)庫采用MySQL，而NoSQL則采用由Clinet、Zookeeper、HMaster、HRegionserver四部分構成的HBase。（3）分析子系統(tǒng)分析子系統(tǒng)是整個系統(tǒng)的核心部分，主要涉及兩個數(shù)據(jù)庫和三種數(shù)據(jù)處理技術。其中，兩個數(shù)據(jù)庫是指結果數(shù)據(jù)庫和標準數(shù)據(jù)庫——標準數(shù)據(jù)庫是各種評價指標和評價標準的集合；結果數(shù)據(jù)庫主要有三個來源：一是不需要處理的數(shù)據(jù)（如成績、時長等），二是經(jīng)過教育數(shù)據(jù)挖掘、社會網(wǎng)絡分析和語義分析等技術處理得到的結果，三是直接與標準數(shù)據(jù)庫中的標準進行對比得到的結果。三種數(shù)據(jù)處理技術即教育數(shù)據(jù)挖掘、社會網(wǎng)絡分析和語義分析技術——教育數(shù)據(jù)挖掘主要用于發(fā)現(xiàn)知識關聯(lián)，以便對學習者進行知識推薦；社會網(wǎng)絡分析用于分析學習者在學習群體中的角色、關系、核心度等，從而判斷學習者的積極性和交互程度；主觀性測試題目一直是數(shù)字化學習評價的軟肋，引入語義分析技術，以期對主觀性試題進行語義識別分析，增加系統(tǒng)的智能性。（4）反饋子系統(tǒng)反饋子系統(tǒng)包括“三種反饋”和“一個可視化工具”?！叭N反饋”即診斷性反饋、過程性反饋和終結性反饋——診斷性反饋在章節(jié)學習前進行，主要對學習契約和課前測試提供及時反饋；過程性反饋在學習過程中進行，主要對過程測試、章節(jié)測試、隨堂記錄卡、交流互動和學習行為活動提供及時反饋，同時對學習過程提供及時預警；終結性反饋在課程結束時進行，主要對同學互評、教師評價、期末測試等提供及時反饋。這三種反饋信息在反饋給學習者的同時也傳遞給教師，教師根據(jù)這些信息在必要時對學習者的學習活動給予及時干預。“一個可視化工具”即儀表盤，系統(tǒng)的反饋信息通過儀表盤的形式及時呈現(xiàn)給學習者和教師，便于學習者和教師對學習狀況形成直觀了解。值得注意的是，系統(tǒng)提供給兩者的內(nèi)容是不完全相同的。數(shù)字化學習發(fā)展性評價系統(tǒng)設計系統(tǒng)模型設計教師學生干預/評價討論互動過程測試課程學習活動學習契約 課前測試章節(jié)測試 同學互評期末測試教師評價 隨堂記錄卡評測功能子系統(tǒng)數(shù)據(jù)采集數(shù)據(jù)轉(zhuǎn)化混合存儲系統(tǒng)教育數(shù)據(jù)挖掘社會網(wǎng)絡分析語義分析對比分析對比分析結果數(shù)據(jù)庫分析結果大數(shù)據(jù)分析子系統(tǒng)儀表盤及時反饋診斷性評價過程性評價終結性評價反饋子系統(tǒng)可視化數(shù)據(jù)在對現(xiàn)存問題及系統(tǒng)特數(shù)據(jù)清采理集與存儲子系統(tǒng)征分析的基礎上，構建了大數(shù)據(jù)理念下的數(shù)字化學習發(fā)展性評價系統(tǒng)模型。該系統(tǒng)由測評功能子系統(tǒng)、采集與存儲子系統(tǒng)、分析子系統(tǒng)和反饋子系統(tǒng)構成（1）課前準備階段首先，教師通過目標預設模塊，對課程學習目標、評價指標和試題集進行預設，其中一個學習目標對應若干評價指標，而一個評價指標對應一個試題集。預設的學習目標和評價指標在學習契約中以選項的形式呈現(xiàn)，學生根據(jù)自己的情況選擇相應的學習目標和評價指標。其次，根據(jù)學生的個性選擇，從對應的試題集中組合生成課前測試題，了解學生的知識基礎，并給予及時反饋。最后，在課程目標選擇相同的基礎上，根據(jù)課前測試結果對學習者進行異質(zhì)化分組。協(xié)作小組目的是對小組成員在學習過程中存在的疑問進行討論互動，形成互幫互助的良好局面。（2）課程學習階段學生的主要活動是課程學習及其相關活動，學習者在課程學習過程中的行為數(shù)據(jù)被記錄，并存儲于混合數(shù)據(jù)庫系統(tǒng)中。其中結構化數(shù)據(jù)存儲于MySQL，而半結構化或非結構化數(shù)據(jù)存儲于HBase中，兩個數(shù)據(jù)庫通過建立有效的存儲中間件系統(tǒng)來統(tǒng)一管理。在學習過程中系統(tǒng)給予過程測試，一方面可以了解學習者的當前學習狀況，及時發(fā)現(xiàn)學習者存在的問題和不足，另一方面可以防止掛機等作弊行為的發(fā)生。在整個學習過程中，系統(tǒng)實時收集學習者的學習行為數(shù)據(jù)，隨后將其與系統(tǒng)預設的閾值進行對比，當學習者的行為數(shù)據(jù)超出閾值范圍時，系統(tǒng)及時給予相應的預警。討論互動是課程學習的一項重要活動，當遇到一些問題和疑惑，可以在協(xié)作小組內(nèi)進行討論互動；如果小組內(nèi)無法解決，將問題推薦到本課程討論群中。（3）課后階段首先，學習者要完成隨堂記錄卡的填寫，對本節(jié)課的學習收獲、目標完成狀況及存在的不足進行總結，隨后將這些數(shù)據(jù)與學習者的實際行為表現(xiàn)進行對比，測試其自我認知能力。接著，進行組內(nèi)評價，即小組成員之間相互評價。隨后，進行章節(jié)測試，系統(tǒng)根據(jù)學習者的個性化學習目標、課前測試和過程測試狀況，遵循減少學習者負擔的原則，只考察尚未完全掌握的內(nèi)容，并提供三次測試機會。章節(jié)測試的功能之一是檢驗學習者的目標達成情況；功能之二是與課前測試進行對比，找出知識增

量。期末測試則根據(jù)學習者的個性化學習目標進行全面考察。在章節(jié)測試結束之后，對課前測試、過程測試和章節(jié)測試的結果進行匯總，使用關聯(lián)分析方法對全體學習者的錯題集進行數(shù)據(jù)挖掘，找到潛在的知識關聯(lián)規(guī)則，并以此對學習者進行資源推薦。同時，一方面對小組討論情況、發(fā)帖量、回帖量等指標進行簡單統(tǒng)計分析，獲得學習者的課程參與度；另一方面使用社會網(wǎng)絡分析方法對學習過程中的交互關系進行分析，獲得學習者的人際核心度。在此過程中將學習者的各項成績、目標達成度、參與度、核心度、自我認知情況、組內(nèi)評價、資源推薦等在儀表盤中以可視化的方式呈現(xiàn)給教師和學習者，教師綜合學習者在整個學習過程中的表現(xiàn)進行評價，然后將教師評價添加到儀表盤中并呈現(xiàn)給學習者。數(shù)字化學習發(fā)展性評價系統(tǒng)工作流程7/27/2019數(shù)字化學習的發(fā)展性評價系統(tǒng)的工作流程如圖所示。下面將結合學習者在課前、課中和課后三個階段的學習過程進行分析說明。系統(tǒng)工作流程(一)網(wǎng)絡學習行為系統(tǒng)的組成網(wǎng)絡學習行為系統(tǒng)由行為主體、行為客體、行為工具、行為主體所在的群體(團體)、群體內(nèi)的組織規(guī)則和任務分工等要素組成?？珊喴貙⒐ぞ?、團體及其規(guī)則、任務分工等稱為行為環(huán)境。行為環(huán)境的意義是它構成了活動的物理基礎和描述參考———我們對行為的描述是基于特定環(huán)境的,比如說,某某學習者在某頁面中點擊了某欄目等等。網(wǎng)絡學習行為主體即是網(wǎng)絡學習者,其當前的學習起點、學習風格和人際交往特征是理解和設計學習者學習行為的初始要素。網(wǎng)絡學習行為客體指承載有教學信息的各種媒體及其組合,包括文本、圖片、音視頻和動畫等等。常見的網(wǎng)絡學習團體包括基于網(wǎng)絡的各種協(xié)作學習小組,如各種主題的學習共同體或?qū)W習社區(qū)。其團隊規(guī)則包括責任分工、交流規(guī)則、行為規(guī)則、評價規(guī)則、獎懲規(guī)則等;而網(wǎng)絡學習的工具也可以根據(jù)其性質(zhì)分為效能工具、認知工具和交流工具三類。多維度的網(wǎng)絡學習行為模型7/27/2019從學習行為多樣性的角度,可以將網(wǎng)絡學習過程中學習者的網(wǎng)絡學習行為模型如圖所示：自解釋學習目標收集信息加工整理信息發(fā)布信息交流使用信息（問題解決）及其他學評價反饋調(diào)網(wǎng)絡學習行為多維度模型網(wǎng)絡學習交流行為:點對點地實時交流,如用

QQ、MSN等工具請教教師、專家等。:點對點地異步交流,如用

E-mail請教教師、專家、登錄教師、專家的

Blog等。:多對多地實時交流,如聊天室等。:多對多地異步交流,如BBS等。在網(wǎng)絡環(huán)境下的學習行為體系包括如下方面的內(nèi)容：

(1)信息檢索學習行為(2)信息加工學習行為

(3)信息發(fā)布學習行為(4)人際溝通、交流的行為

(5)基于問題解決的學習行為2.多層次的網(wǎng)絡學習行為模型從縱向的角度考察網(wǎng)絡學習行為,可以將網(wǎng)絡學習行為分為高級、中級和低級三個不同的層次。所謂低級網(wǎng)絡學習行為主要是指學習者在網(wǎng)絡學習過程中對于不同的媒體刺激(如聲、光,文本、圖形圖像、視頻等),所做出的一次性操作行為反應。中級網(wǎng)絡學習行為是指學習者個體在學習過程中與承載教學內(nèi)容的教學媒體、學習團體以及學習環(huán)境所作的交流、交互行為。高級網(wǎng)絡學習行為則指的是學習者借助網(wǎng)絡學習環(huán)境進行的面向問題解決的協(xié)作、探究等行為。層次化的網(wǎng)絡學習行為模型如表1

所示。當然,網(wǎng)絡學習過程中,學習行為的發(fā)生、變化與發(fā)展都不是孤立的進行,而是相互關聯(lián),互相影響的。低級網(wǎng)絡學習行為是網(wǎng)絡學習得以展開的基礎,它是學習行為系統(tǒng)的基本元素。低級學習行為存在于學習行為的各個層次中,它的發(fā)生不需要太多的思維和內(nèi)部心理機制的運作。往往行為的發(fā)生是在瞬間決定的,甚至是習慣性動作。在對低級學習行為設計資源時,我們注重的是其操作的便捷性以及強化媒體的生理刺激作用,例如要醒目、方便等,以符合使用者的生理習慣。中級網(wǎng)絡學習行為和高級網(wǎng)絡學習行為則是在人的思維的指導下,對低級網(wǎng)絡學習行為的復合和序列化。復合和序列化的程度取決于學習內(nèi)容的難易、學習工具的易用性、學習者思維能力的強弱、學習團體的結構等等因素。對中高級網(wǎng)絡學習行為設計資源時,設計的重點則在于交互的有效性,以及對意義建構所需情景的最大強化。網(wǎng)絡學習行為層次的劃分,有助于對網(wǎng)絡學習行為實質(zhì)的理解,更有助于針對網(wǎng)絡學習者的行為特征,設計出合理的學習系統(tǒng)和學習資源。在對網(wǎng)絡學習行為進行分析的過程中,需要清楚了解行為的屬性特征。幾種常見的網(wǎng)絡學習行為的屬性參數(shù)如表2

所示。多層次的網(wǎng)絡學習行為模型7/27/2019從縱向的角度考察網(wǎng)絡學習行為,可以將網(wǎng)絡學習行為分為高級、中級和低級

三個不同的層次。所謂低級網(wǎng)絡學習行為主要是指學習者在網(wǎng)絡學習過程中對于不同的媒體刺激(如聲、光,文本、圖形圖像、視頻等),所做出的一次性操作行為反應。中級網(wǎng)絡學習行為是指學習者個體在學習過程中與承載教學內(nèi)容的教學媒體、學習團體以及學習環(huán)境所作的交流、交互行為。高級網(wǎng)絡學習行為則指的是學習者借助網(wǎng)絡學習環(huán)境進行的面向問題解決的協(xié)作、探究等行為。層次化的網(wǎng)絡學習行為模型如表

1所示網(wǎng)絡學習行為層次的劃分,有助于對網(wǎng)絡學習行為實質(zhì)的理解,更有助于針對網(wǎng)絡學習者的行為特征,設計出合理的學習系統(tǒng)和學習資源。在對網(wǎng)絡學習行為進行分析的過程中,需要清楚了解行為的屬性特征。幾種常見的網(wǎng)絡學習行為的屬性參數(shù)如表

2所示。什么是xAPI呢？它是新一代的學習技術規(guī)格，破除了過去eLearning標準SCORM只能記錄課件閱讀過程的局限，新的標準目的在捕捉并記錄不同學習活動中的學習者行為，包含移動學習、模擬、虛擬世界、嚴肅游戲、真實世界中的活動、體驗式學習、社會化學習與協(xié)作式學習

等不同類型的學習活動。這也解決了我們過去在學習記錄與分析上的缺口，因為學習不只是閱讀課件，學習發(fā)生在與他人或內(nèi)容的互動過程中，這些過程都可以透過xAPI記錄下來。當需要記錄一項學習活動時，xAPI協(xié)議就會發(fā)出以”主詞＋動詞＋受詞”的表示格式給學習記錄庫LRS(Learning

RecordStore)，學習記錄庫記錄并儲存所有發(fā)生的表述，學習記錄庫能夠跟其它的學習記錄庫分享這些數(shù)據(jù)，并且學習倉儲能獨立

存在或者存在于學習管理系統(tǒng)里。什么是xAPIxAPI的優(yōu)勢在于其彈性，這些彈性讓xAPI有許多應用的可能性:表述的彈性:使用”主詞＋動詞＋受詞”的表述上的彈性，可以讓你記錄幾乎任何一種學習活動與行為，并且可以與SCORM標準兼容。xAPI是如何運作的7/27/20191、人們藉由與其他人或內(nèi)容互動過程來學習，這些學習活動可以透過xAPI記錄下來。不管這些學習活動是在哪里發(fā)生的，xAPI都可以把它們記錄儲存下來。2、當一項活動需要被記錄下來時，xAPI就會送出以”主詞，動詞，受詞”(Noun，Verb，Object)或者"我做了這件事"(I

didthis)格式的報告到學習記錄儲存區(qū)(LRS，LearningRecord

Store)。3、LRS記錄所有的活動報告，這些報告資料可以被傳送給其他LRS、LMS或是報告工具(Reporting

Tool)。LRS可以單獨存在，或是存在一個學習管理系統(tǒng)(LMS)內(nèi)。SCORM

xAPI需要不間斷的網(wǎng)絡連接 對網(wǎng)絡連接要求低，甚至不需要網(wǎng)絡連接內(nèi)容必須基于LMS

內(nèi)容可存儲在任何位置跟蹤結果為通過/失敗，效果測試，完成等狀態(tài) 學習結果能夠廣泛覆蓋到學習者的體驗只能跟蹤正式的e-Learning課程 能夠跟蹤非正式，自我引導式學習xAPI與SCORM區(qū)別作為新一代的學習技術規(guī)格，XAPI破除了過去eLearning標準SCORM只能記錄課件閱讀過程的局限，新的標準目的在捕捉并記錄不同學習活動中的學習者行為，包含移動學習、模擬、虛擬世界、嚴肅游戲、真實世界中的活動、體驗式學習、社會化學習與協(xié)作式學習等不同類型的學習活動。這也解決了我們過去在學習記錄與分析上的缺口，因為學習不只是閱讀課件，學習發(fā)生在與他人或內(nèi)容的互動過程中，這些過程都可以透過XAPI記錄下來。7/27/2019透過XAPI能讓不同工具間相互分享與接受各種各樣的數(shù)據(jù)(包含連線或離線學習)。當更清楚的知道學習者完成了哪些活動后，便能提供學習者更多合適的建議，這也大幅拓展了學習的生態(tài)圈。不管學習在哪發(fā)生，都可以透過XAPI記錄下來。并將報告?zhèn)魉徒oLRS。學習者甚至可以在一臺電腦上啟動學習活動，然后在行動裝置上完成它，完全不會有銜接上的問題。這讓隨時隨處可學習的理念得以實現(xiàn)。xAPI與教育大數(shù)據(jù)7/27/2019xAPI與學習經(jīng)歷數(shù)據(jù)利用活動流描述學習經(jīng)歷利用Statement記錄學習經(jīng)歷數(shù)據(jù)xAPI規(guī)范中語義的定義（1）LRS概述xAPI規(guī)范不僅定義了如何記錄學習經(jīng)歷數(shù)據(jù)，也定義了學習經(jīng)歷數(shù)據(jù)存儲、檢索的規(guī)則。開發(fā)者只要實現(xiàn)了這些規(guī)則，便可以創(chuàng)建基于xAPI的學習經(jīng)歷跟蹤服務，這種服務可以安全地存儲Statement并將其傳輸?shù)狡渌囟ǖ南到y(tǒng)中。（Advanced

Distributed

Learning，2014d）這種存儲學習經(jīng)歷信息的系統(tǒng)被稱為學習記錄倉儲（Learning

Record

Store，LRS），它通過xAPI定義的接口來交換Statement對象。LRS是對xAPI規(guī)范的實例化，主要體現(xiàn)在將xAPI規(guī)范中抽象的接口實現(xiàn)為具體的網(wǎng)路服務。LRS可以通過這些服務來收集、返回

Statement以及與Statement相關的數(shù)據(jù)，但這種數(shù)據(jù)交換并不僅局限于傳統(tǒng)的LMS中，它還

可以與其他LRS或應用進行數(shù)據(jù)交換。（2）LRS的數(shù)據(jù)獲取在傳統(tǒng)的LMS中，學習者的數(shù)據(jù)只能保存在LMS中或LMS運行的模塊中。與LMS不同，LRS可以與所有支持xAPI規(guī)范的應用共享數(shù)據(jù)，因此，LRS既可以作為LMS的一部分存在，也可以成為一個獨立的系統(tǒng)。這種情況下，LRS往往以一種網(wǎng)絡服務的形式存在，它允許其他系統(tǒng)通過xAPI規(guī)范的接口輸入或檢索Statement。這意味著學習者可以從LMS中解放出來，學習系統(tǒng)也無需僅僅通過網(wǎng)絡會話（Session）來獲取學習數(shù)據(jù)。無論在離線還是在線的狀況下，學習者的學習數(shù)據(jù)可以保存在任何支持xAPI規(guī)范的系統(tǒng)和設備中。需要指出的是，盡管LRS與LMS差別較大，但是并不會影響LRS支持SCORM標準的學習內(nèi)容。只要SCORM內(nèi)容的動作對象和LMS通信模塊遵循xAPI規(guī)范，LRS便能夠從SCORM標準的LMS中獲取學習數(shù)據(jù)。（3）LRS與教育大數(shù)據(jù)共享LRS的數(shù)據(jù)主要來自“活動提供者”的輸入和其他LRS的共享，對“活動提供者”并沒有具體的要求，任何設備和系統(tǒng)只要遵從xAPI規(guī)范，便可以向LRS傳輸數(shù)據(jù)?！皵?shù)據(jù)消費者”只要獲得LRS的授權便可以從中獲取數(shù)據(jù)，這些“消費者”可以對數(shù)據(jù)進行分析、可視化、呈現(xiàn)等處理，但這些處理方式并不由LRS來決定。這種將數(shù)據(jù)、服務、應用解耦處理的方式，正是xAPI與其他語義模型最明顯的區(qū)別。xAPI可以看作是對“數(shù)字政府”數(shù)字服務模型的一種

實現(xiàn)：“信息層”的Statement專注于將學習經(jīng)歷轉(zhuǎn)化為數(shù)據(jù)，而不考慮如何傳輸數(shù)據(jù)；“平臺層”的LRS專注于通過網(wǎng)絡接口分享來自“信息層”的數(shù)據(jù)，而不考慮如何使用、呈現(xiàn)數(shù)據(jù)。這種解耦的處理方式使教育數(shù)據(jù)服務更加靈活、易于擴展，為教育大數(shù)據(jù)提供了一種新的數(shù)字服務范式。（4）企業(yè)級LRS框架LRS既可以是LMS中的一個組件，也可以是一個獨立的企業(yè)級系統(tǒng)。（Rustici

Software，

2012a）如果作為LMS的一部分，那么LRS需要考慮如何對私有存取行為進行處理，因為LMS通常會將LRS視為一個私有的數(shù)據(jù)庫而不是公共的網(wǎng)絡服務。如果是作為一個企業(yè)級系統(tǒng)，那么這樣的LRS會較為復雜，需要考慮身份驗證、數(shù)據(jù)檢索、并發(fā)控制等需求的實現(xiàn)（如圖3所示）。但無論選擇哪一種類型的LRS，都必須實現(xiàn)四個接口（API），這四個接口是LRS最低限度的功能。此外，企業(yè)級LRS需要實現(xiàn)的主要需求還包括接口、安全性、深度查詢及數(shù)據(jù)基于LRS的學習經(jīng)歷數(shù)據(jù)的獲取與共享LRS概述LRS的數(shù)據(jù)獲取LRS與教育大數(shù)據(jù)共享企業(yè)級LRS框架（1）獲取學習經(jīng)歷的意義學習經(jīng)歷（Learning

Experience）是指學習發(fā)生時出現(xiàn)的與課程、計劃或其他教學參與者

所進行的任何交互或其他經(jīng)歷。它可以發(fā)生在傳統(tǒng)的學習環(huán)境（如學校、教室）及非傳統(tǒng)的學習環(huán)境（如室外）中，也可以發(fā)生在傳統(tǒng)的教學互動情境（如學習者直接向老師、教授學習）或非傳統(tǒng)的教學互動情境（如學習者通過游戲、交互應用進行學習）中。（Glossaryof

Education

Reform，2013）每一個學習經(jīng)歷都包含學習活動是如何發(fā)生（How）、何時發(fā)生（When）以及何地發(fā)生（Where）的，它更強調(diào)教學互動的目的——學習，而學習經(jīng)歷發(fā)生的地點（如學校、教室）或形式（如課程、計劃）只是其中的一部分。在傳統(tǒng)學習情境下，對學習經(jīng)歷的獲取被稱為是一種監(jiān)測（Monitoring）活動，即教師通過持續(xù)地跟蹤學生的學習以便進行教學決策和對學生的學習進度進行反饋。（Cotton，1988；

Wilkins，2008）監(jiān)測學生的學習被認為是高質(zhì)量教學的核心，同時也是區(qū)別學校、教師是否高效的主要因素之一。（Cotton，1988）監(jiān)測同樣可以應用于在線學習。一個良好的在線教學系統(tǒng)應能夠定期監(jiān)測學習者的學習進程以及測試學習者對知識技能的掌握程度，（Helicetal.，2000）通過評估和測量學習者的學習經(jīng)歷使教師能夠度量學生的響應、反饋以及進度，以幫助教師從社交、行為、認知的層面感知到遠程學習者。（Galusha，1998）這種方式在一定程度上彌補了在線學習中因缺乏正常的人際交流而對學習者造成的妨害。（Ragan，1999）（2）教育大數(shù)據(jù)背景下學習經(jīng)歷數(shù)據(jù)的價值大數(shù)據(jù)在教育領域的具體應用主要有學習分析（Learning

Analytics，LA）和教育數(shù)據(jù)挖掘（EducationalData

Mining，EDM）。（Bienkowski

et

al.，2012）由于學習是學生與學習內(nèi)容、學習環(huán)境、學習伙伴和教師之間復雜的交互過程，（顧小清等，2012）因而教育數(shù)據(jù)挖掘和學習分析這兩個方面應用的基礎數(shù)據(jù)都應是基于學習過程的數(shù)據(jù)，既包括學生、學習內(nèi)容、學習環(huán)境、學習伙伴和教師的數(shù)據(jù)，還包括學生對各種客觀資源的操作數(shù)據(jù)以及這些因素之間的關系數(shù)據(jù)。這些積累的學習經(jīng)歷數(shù)據(jù)蘊含了巨大的分析價值。建立學生學習的數(shù)據(jù)庫來存儲學生與學習內(nèi)容的互動時間和行為，以及用戶知識模擬、用戶行為分析、用戶經(jīng)驗分析，這些都是自適應學習環(huán)境的組成部分。（Bienkowski

et

al.，2012）學習過程中的學習經(jīng)歷可以在任何地點、任何時間內(nèi)發(fā)生，例如對學習資源的標注行為、工作中的業(yè)務表現(xiàn)、移動學習中與移動應用的交互等。這些學習經(jīng)歷都值得記錄，形成的大數(shù)據(jù)既可以幫助學習者分析和優(yōu)化學習經(jīng)歷，也可以成為教學、銷售、人力資源等行業(yè)的輔助工具。（Duhon，2014）教師和未來的勞動力市場雇主可以根據(jù)學習過程中的數(shù)據(jù)了解學習者的學習行為特征，如學習速度、領悟能力、與其他學習者的互動合作等，以便他們結合學習者的學習經(jīng)歷和學習結果對其進行更加全面的評估。（張羽等，2013）學習經(jīng)歷數(shù)據(jù)的獲取在傳統(tǒng)學習情境下，對學習經(jīng)歷的獲取被稱為是一種監(jiān)測活動，即教師通過持續(xù)地跟蹤學生的學習以便進行教學決策和對學生的學習進度進行反饋。監(jiān)測學生的學習被認為是高質(zhì)量教學的核心，同時也是區(qū)別學校、教師是否高效的主要因素之一。監(jiān)測同樣可以應用于在線學習。一個良好的在線

教學系統(tǒng)應能夠定期監(jiān)測學習者的學習進程以及測試學習者對知識技能的掌握程度，通過評估和測量學習者的學習經(jīng)歷使教師能夠度量學生的響應、反饋以及進度，以幫助教師從社交、行為、認知的層面感知到遠程學習者。這種方式在一定程度上彌補了在線學習中因缺乏正常的人際交流而對學

習者造成的妨害。1獲取學習經(jīng)歷的意義大數(shù)據(jù)在教育領域的具體應用主要有學習分析和教育數(shù)據(jù)挖掘。由于學習是學生與學習內(nèi)容、學習環(huán)境、學習伙伴和教師之間復雜的交互過程，因而教育數(shù)據(jù)挖掘和學習分析這兩個方面應用的基礎數(shù)據(jù)都應是基于學習過程的數(shù)據(jù)，既包括學生、學習內(nèi)容、學習環(huán)境、學習伙伴和教師的數(shù)據(jù)，還包括學生對各種客觀資源的操作數(shù)據(jù)以及這些因素之間的關系數(shù)據(jù)2教育大數(shù)據(jù)背景下學習經(jīng)歷數(shù)據(jù)的價值當前大數(shù)據(jù)在社會經(jīng)濟學中的應用，多表現(xiàn)為通過現(xiàn)實生活中的數(shù)據(jù)挖掘檢測復雜的社會系統(tǒng)，如借助移動終端（包括傳感器、GPS定位儀、智能手機等）收集數(shù)據(jù)，識別社會情境下用戶的日?；顒樱崟r數(shù)據(jù)與歷史數(shù)據(jù)進行關聯(lián)，推測其人際關系。學習經(jīng)歷數(shù)據(jù)的獲取方式更類似于這種“實時數(shù)據(jù)流與歷史數(shù)據(jù)的關聯(lián)”，這種數(shù)據(jù)會以“數(shù)據(jù)流”的形式高頻次地產(chǎn)生，在獲取、記錄數(shù)據(jù)流的同時還需要關聯(lián)整合歷史環(huán)境信息，以實現(xiàn)環(huán)境化、個人化的信息空間。7/27/20193獲取學習經(jīng)歷數(shù)據(jù)的研究現(xiàn)狀ADL:Advanced

Distributed

Learning---"高級分布式學習"是美國國防部(DoD)和白宮科技政策局(OSTP)在1997年11月成立的研究項目一、輔助傳統(tǒng)課程的升級沒有人愿意在以傳統(tǒng)SCORM為基礎的網(wǎng)絡學習程序上進行投資，因為那根本就是把錢白白扔進垃圾桶。而XAPI可以兼容包括SCORM程序在內(nèi)的傳統(tǒng)網(wǎng)絡學習課程，并且能夠通過一系列簡單代碼追蹤學習活動，無論你是在線還是離線，無論是基于團隊還是個人。例如：你有千兆字節(jié)的舊網(wǎng)絡學習課程，其中一些是可能不一定符合SCORM的。你可以請軟件開發(fā)人員或IT部門設立LRS和XAPI包裝你的遺留課程，拓展它們的追蹤和報告功能，并將其部署到相應的移動設備上。而在此之前，你可能還不能在移動設備上運行的SCORM課程。二、移動學習的行為跟蹤移動學習可以是正式的或非正式的，團體的或個人的，移動設備可以通過提供內(nèi)容和信息隨時隨地擴展學習。而SCORM僅能用LMS在Web瀏覽器追蹤學習內(nèi)容，你無法在移動應用程序上使用它。XAPI允許教學設計者利用廣泛流行的智能手機和平板電腦，追蹤瀏覽器或移動應用程序的移動學習活動，包括電子書、增強現(xiàn)實、社交媒體和績效支持。例如：有學校讓你為生命科學專業(yè)的學生設計一個探索周圍林地并記錄自然景觀的方案，你與開發(fā)人員協(xié)作開發(fā)了一個手機應用程序，讓學生能在一年中收集動植物照片及錄像。這個移動應用程序不僅能記錄誰做了什么，還能記錄是在何時何地做的（使用地理定位）。對存儲在學校系統(tǒng)的LRS中的這些數(shù)據(jù)進行分析，可以標明最活躍學生有哪些，他們常去的地點是哪些，以及每一季節(jié)最早和最晚觀察到的品種是哪些等。三、記錄非正式學習活動正如前面所述，XAPI使得許多新的學習模式成為可能，尤其是在非正式的學習情況下。許

多教師已經(jīng)找到把社交媒體活動納入課程體系的辦法，因為XAPI允許這些活動成為學習者

的經(jīng)驗，并可以進行記錄。當使用XAPI時，我們需要想到是用它來思考“學習過程”與“學習例證”，而不是用來思考學習內(nèi)容及進行測試的。你可以用XAPI報表像這樣記錄非正式的學習活動：·“瑪麗在資源[X]中讀到了第12頁”·“羅納德在話題【Y】中提問SME[X]”·“賈巴爾回答了詹妮弗的問題”·“拉吉夫?qū)X]發(fā)布到論壇”·“元在她的學習日志中增加了一個圖像”·“杰賽完成了學習項目[X]，并把它交給了老師[Y]”·“對于學習目標[X]，杰梅報告說內(nèi)容[Y]是非常有用的”xAPI在移動學習中的應用模式SCORM標準是目前國際上應用較多的標準，但

SCORM標準是基于有限需求而提出的，與云計

算和服務型的架構有代替的可能。雖然SCORM標準為LMS內(nèi)部的互操作性和便攜性提供了技術上的支持，但是由于它與LMS捆綁，只記錄了基于瀏覽器內(nèi)部發(fā)生的有限學習活動，使得系統(tǒng)只能記錄學習者通過登錄LMS學習時的學習記錄。為了支持追蹤更詳細的網(wǎng)絡學習行為，ADL提出了TLA(Training&LearningArchitecture)架構及其運行時的接口規(guī)范——xAPI（Experience

API）。xAPI允許將學習內(nèi)容與平臺解耦，能夠為學習者

記錄并提供其自身學習經(jīng)驗與元數(shù)據(jù)，可讓任何

被許可的參與者存儲和檢索可擴展的學習記錄、

學習者信息和學習經(jīng)歷檔案，而且其過程與平臺

無關。步驟1：思考XAPI如何服務于組織的學習策略考慮你現(xiàn)有的產(chǎn)品是否支持移動端的學習？是否需要有更多的數(shù)據(jù)來評估學習計劃對業(yè)務成果的影響？是否需要在工作流程中創(chuàng)造學習機會讓工作與學習結合？步驟2：定義使用XAPI的應用標準XAPI的實施首先要使用與企業(yè)學習戰(zhàn)略相一致的決策標準，你最需要在移動設備上的什么內(nèi)容？你需要哪些業(yè)務指標作用于你的學習計劃？你需要哪些數(shù)據(jù)來衡量任務完成量和業(yè)績間的關系？哪些工作流程與你學習的績效