基于教育大数据的量化自我MOOC自适应学习系统研究_方海光_罗金萍_陈俊达_杜婧

是指较低层次的认知水平， 高阶思维则是侧重于学 括学习能力、实际动手能力等呈正态分布，因而当学
规则二。 对于知识点 V，存在以下两种情况：1.如
Bloom）的教育目标分类理论。 对于学习者已触发的 果适合学习度 Min(1，
)=1，那么可以学习
节点进行判断，确定是否达到要求的认知思维层次。 知识点 V；2.如果适合学习度 Min(1，
)≥
布鲁姆教育目标分类理论把学习者的认知思维过程 0.683，且相似同伴在相似情况下，直接学习知识点 V，
对于学习过程数据的分析， 将在下一部分进行详 细介绍。
（2）学习预测分析 在学习行为分析的基础上， 进行学习预测分析。 在此 MOOC 系统模型中， 自适应学习推荐引擎根据 学习者对于学习过的知识点达到的认知思维水平，对 其现有知识网络进行整合重构。 学习预测分析由以下 两方面构成：一方面，向其推送 MOOC 系统推荐的学 习对象，进行个性化干预；另一方面，根据学习者学习 风格偏好，促进学习者自主调节学习。
电化教育研究 DOI:10.13811/ki.eer.2016.11.006
网络教育
基于教育大数据的量化自我 Ｍ ＯＯＣ 自适应学习系统研究
方海光， 罗金萍， 陈俊达， 杜婧敏
（首都师范大学 教育技术系， 北京 100048）
[摘 要] 教育大数据创新性地完善了当前学习系统的架构，实现了基于数据流的学习分析和挖掘机制，让以往难以
的数据挖掘技术，可支持追踪表 1 中大部分的在线学
图 2 面向教育大数据量化自我的自适应
习行为。 对于每个学习单元，通过学习行为追踪，得到
学习 MOOC 系统模型的学习结构分析
学习者当前认知思维层次，与需要达到的认知思维层
1. 学习内容分析
次进行对比。 而需要达到的认知思维层次是专家在设
学习者学习内容的分析由资源库、知识图谱库和 置该学习单元时，根据知识点的上下关系和重要程度
39
电化教育研究
有其独到的优势，在美国《通过教育数据挖掘和学习 分析促进教与学》简报中提出了自适应学习较为通用 的学习结构及数据流程，并且将数据分析分成显性和 隐性两个方面，在此基础上向学习者提供推荐的学习 路径等。 [14]与此同时，运用量化自我可向学习者发送 学习报告，学习者也能及时了解学习成效，并且根据 自身学习行为、学习需求调整学习策略。 本研究提供 了面向教育大数据量化自我的自适应学习 MOOC 系 统模型的学习结构分析过程，如图 2 所示。
另外一方面， 学习者特征库包括该 MOOC 系统 庞大用户量的学习风格、认知水平、兴趣偏好等，学习 者在与系统的交互过程实时产生数据的同时，会对学 习者特征进行周期调整，使得推荐的学习路径更为准 确有效。 知识图谱及资源库亦会根据 MOOC 系统学 习环境进行周期调整，支持自适应学习推荐引擎。
（二）学习结构分析 量化自我在促进大数据环境下自适应学习方面
四、面向大数据量化自我学习算法 QSLA
பைடு நூலகம்
基 于 网 络 学 习 行 为 分 析 的 智 能 反 馈 策 略 [15]， 结 合
认知思维层次的在线学习行为分类，可以构建面向大
数 据 量 化 自 我 学 习 算 法 QSLA （Quantified Self
Learning Algorithm），从而构建自适应学习引擎。 目前
实现的精准分析成为了可能，而量化自我算法将成为教育大数据分析和实现自适应学习的关键所在。 本文首先分析了
教育大数据背景下作为个人级数据应用的量化自我概念。 然后，讨论如何通过全面地记录、跟踪和可视化学习者的学习
行为，促使量化自我算法更容易、准确地获得学习者的经验，实现以学习者的认知需求为中心来优化学习者的学习过
学习者特征库共同支持。 如图 2 所示， 当学习者在 制定的。 在知识图谱中，如果{V0，V1，……VN}是 V 的
MOOC 系统中学习课程内容时，自适应学习推荐引擎 下位知识，我们相信存在以下规则集合。
生成随后的自适应学习路径，并将该信息反馈给资源
规则一。 如果掌握 V0 且对 V0 的认知思维层次
教育大数据为教育信息化的发展带来了创新的 机遇，对教育大数据应用的实现首先依赖于对来源广 泛 的 教 育 数 据 的 获 取 ，[12]而 量 化 自 我 为 教 育 大 数 据 的 获取提供了新的思路和模式。 与此同时，在量化自我 支持教育教学的过程中，大数据也起到关键作用。 [13] 量化自我工具随时随地记录学习者的显性数据和隐 性数据，大数据挖掘实时集成和发掘学习者的学习规 律和学习状态，提出适当的学习指导、干预、追踪和反 馈。 教育大数据可以改变当前学习系统的架构，打破 基于数据流的学习分析和挖掘机制，特别是量化自我 算法将成为教育大数据和自适应学习的关键所在，也 是诸多应用研究的基础所在。
库和知识图谱库，两者匹配后将学习者所需的学习资 为 M0， 那么对于 V 的学习支持度 S=F (M0 )× S0。 F
源更新至可视化接口，可视化接口对应的学习资源包 (M0 ) 是关于认知思维要求层次和学习者实际学习达
括视频、图文、讨论、测试和作业等。
到的层次之间的函数，如果学习者当前的认知思维层
程。 进而提出基于量化自我算法的 MOOC 自适应学习系统的模型，并且对该模型的结构进行了详细分析。 最后，结合基
于网络学习行为分析的智能反馈策略和认知思维层次的在线学习行为分类，构建了量化自我学习算法 QSLA（Quantified
Self Learning Algorithm）作为实现基于教育大数据的自适应学习的基础。
学习方式、学习环境、管理方式、学习结果等相关的数 据，不仅可以有效地干预、指导学习者，而且学习者也 可据此来自主调整学习策略，促进自适应学习。 美国 当代著名的成人教育家林德曼和诺尔斯的成人学习 理论主要观点是：在成人教育活动中，要重视经验的 作用。 将经验作为重要学习者教育资源，量化自我对 于学习者的反馈使得经验更易获得，也更准确。 将量 化自我运用到 MOOC 系统中， 促进学习者自适应学 习，形成面向教育大数据量化自我机制的自适应学习 MOOC 系统，该系统模型如图 1 所示。
三、面向教育大数据量化自我的 自适应学习 MOOC 系统
（一）系统模型构建 教育大数据的发展彻底改变了当前学习系统的 架构，让以往难以实现的精准分析成为可能。 在线学 习系统中包含大量的学习者学习行为相关数据，这些 数据既有显性的数据，同时又包含隐性数据。 借助量 化自我这一技术， 可以挖掘与学习者学习风格偏好、
[关键词] 教育大数据； 自适应学习； 量化自我； QSLA
[中图分类号] G434
[文献标志码] A
[作者简介] 方海光（1975—），男，辽宁沈阳人。 副教授，博士，主要从事移动学习、智慧学习和网络教师教育等方面研究。
E-mail：fanghg2013@。
一、问题的提出
自适应学习是一种复杂的、 根据学习者的交互 及其表现水平而调整的、 大部分情况下非线性方法 的教学与辅导。 [1]自适应学习的重要目标是依据用户 模型，基于数据驱动对学习者学习行为进行预测，并 且向学习者推荐个性化学习对象。 [2]而资源丰富、用 户庞大的 MOOC 为学习者的自适应学习提供了理想 的平台。 [3]目前，MOOC 支持学 习 者 自 主 学 习 是 一 种 新的互联网教育资源共享模式， 依托于互联网开展 教育是以学习者现有水平为基础， 考虑学习者实际 的个性化需求，促进学习 者 的 个 人 发 展 。 [4]MOOC 优 质丰富的资源虽然可以使学习者获取更多的知识， 但是在自适应学习、 个性化服务和推荐方面还有一 定欠缺， 使其在契合互联网教育以学习者为中心的 学习环境设计基本原则方面不够完善。
38
2016 年第 11 期（总第 283 期）
二、面向大数据的量化自我研究
加里·沃尔夫和凯文·凯利在 2007 年首次提出量 化自我（Quantified Self，简称 QS）这一概念，虽然这个 概念在以往的学习者分析中也存在着。 关于量化自我 的定义，在目前国内外的研究中，有的研究将量化自 我定义为通过数据收集、数据可视化、交叉引用分析 和数据相关性的探索，运用可穿戴设备等各种带有传 感器的仪器，测试、量化和记录个人生命数据，如饮 食、运动、睡眠、情绪等相关数据，并通过数据反馈进 行自我调整 。 [9]而有的研究将量化自我定义为以促进 个人身心状态和优化个人所处真实环境为目的，自动 对个人及其所处真实情境的数据进行的测量、 收集、 分析和报告，突出强调的是“真实的”环境或情境。 [10] 但是，这些研究较大程度上将量化自我的范围圈定在 应用于促进个人生理健康、心理健康等方面。 2014 年 《地平线报告》指出，量化自我将在未来的 4～5 年在高 等教育领域内广泛应用。 在 2015 年《地平线报告》中， 将 量 化 自 我 纳 入 到 消 费 者 技 术 （Consumer Technologies）中，可作为学习的辅助手段，也很适宜在 校园采用。 虽然这一技术最初设计并不是为了在教育 中应用，但是有理由相信量化自我将会在教育领域内 广泛应用。 [11]
MOOC 支持学习者进行自适应学习， 不仅有 助 于激发学习者的学习动机，而且有利于提高学习者
的网络自主学习能力。 目前国内外的自适应学习 MOOC 系 统 相 关 研 究 和 应 用 的 思 路 主 要 有 两 个 方 面：一方面，是智能优化、数据挖掘、基于知识等不 同 算 法 性 质 的 学 习 路 径 推 荐 算 法 及 应 用 研 究 ；[5] 另 一方面，是基于认知状态和学习风格的学生模型的 研究。 [6]随着网络资源规模不断扩大，数据量快速增 长， 理解用户与系统交互的行为变得越来越重要 了，它对于资源系统性能的提高、信息资源的重构、 个 性 化 服 务 和 推 荐 的 产 生 等 具 有 重 要 的 意 义 。 [7]与 此同时，量化自我的提出，为更准确快捷地跟踪和 进行学习数据分析、有效提高学习者教育的绩效状 态、促进其进行自主建构知识意义提供了可能。 [8]因 此，本研究将针对如何通过全面地记录、跟踪、掌握 和可视化学习者的学习行为，促使量化自我对于学 习者的反馈经验更易获得、也更准确，实现以学习 者的认知需求为中心来促进学习者发展，提出面向 大 数 据 量 化 自 我 的 自 适 应 学 习 MOOC 系 统 的 模 型 及其基本实现。