{{currentTime}}
大数据学习分析支持个性化学习研究
——技术回归教育本质

一、引言

个性化学习体现了公平,尊重差异性教育,实现每一位学生的心智发展,是教育本质。教育公平是人类社会古老的追求,亚里士多德首先提出通过法律保护自由民的教育权利,柏拉图在西方思想史上最早提出实施初等义务教育。孔子“有教无类”的主张,体现了古代朴素的教育民主思想。此外,维果斯基的“最近发展区理论”、皮亚杰的“认知理论”、马斯洛的需要层次理论、加德纳的多元智能理论及艾里克森的心理社会发展阶段理论均强调了个性化教育。个性化教育的实施,可让每位学生得到适宜自己的最好发展,是人性化、生本化的回归。《基础教育课程改革纲要(试行2011)》中明确指出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[1]。《教育信息化十年发展规划(2011-2020年)》中明确提到学校教育变革教学方式要在改变学生多样性、个性化学习等方面取得突破;在总体战略中明确指出要全力为每位学生提供个性化的、符合自身发展的学习环境及服务[2]。个性化学习已经成为教育课程改革的重点内容之一,如何有效地实现个性化学习成为一个无法回避的关键议题。

个性化学习的实现,要通过相关的专家和学者从海量数据中挖掘学生学情变化规律的数据,开展学情分析,依据学生的学习行为数据分辨出隐含的关联,准确地预测学生的学习路径及其发展趋势,为学生提供更具有针对性的课程资源、学习内容以及学习反馈和建议,定制适合其自身发展的学习方法和学习策略,促进学生个性化发展。大数据的支持者认为,包含着学术数据点和非学术数据点的综合数据库可以为学生提供个性化的学习工具。利用综合数据库,应用学习分析,进而对课程、教学和评价做出决策[3]。杨现民等[4]认为,大数据使教师和机器能够了解每个学生的真实情况,从而为其提供个性化的学习资源、学习活动、学习路径、学习工具与服务等。此外,国内外已有很多机构应用大数据进行学习分析,为学习者提供个性化的学习服务。例如,“希维塔斯学习”(Civitas Learning)公司基于机器学习技术,分析海量的学习者数据以预测学习者课程分数、出勤率、綴学率等主要趋向,能够让学生预测性地知道导致綴学和学习成绩不良的警告性信号,从而提高学生成绩;培生(Pearson)集团的“我的实验室/高手掌握”(My Lab/Mastering)能够让学习者获得真实可靠的学习数据,让学校更加了解学生,促进有效教学,降低成本;“梦盒学习”(Dream Box Learning)通过对学习者学习行为数据的分析,判断学习者对知识的掌握程度,有针对性地为学习者提供适合自身发展的学习路径;Ten Marks根据学习者的不同水平,为学习者提供个性化的数学概念和技巧的练习;“狸米个性化教学平台”依托互联网大数据技术,通过个性化记忆管理、适应性错题辅导、适应性推荐训练不断了解每个学生的学习状态,并根据数据分析为不同学生在不同时间提供不同的训练与评测内容,从而实现个性化学习;“猿题库”基于大数据技术依据学习者考试内容、考频、难度分布以及对考试内容的掌握程度,利用人工智能算法进行一对一智能出题,实现个性化学习。

可见,大数据学习分析使个性化学习的实现成为可能,在大数据变革教育时代如何“促进有效教学、推动学生个性化发展”已成为教育可持续发展关键所在。鉴于此,本研究主要从四个方面深度分析大数据支持个性化学习:一是针对大数据“如何而用”,介绍大数据应用的三个必要阶段;二是针对大数据“为谁而用”,探析大数据学习分析对个性化学习中利益相关者的影响;三是针对大数据“为何而用”,分析大数据对实现个性化学习的价值;四是针对大数据“如何用好”,构建基于大数据的个性化学习体系框架。

二、大数据如何而用:大数据应用的三个必要阶段

明确大数据如何而用,充分认识大数据在个性化学习中的应用价值是推进大数据在个性化学习中有效应用的起点。在个性化学习中挖掘大数据的价值需要三个阶段,包括数据收集、数据分析、数据可视化,如图1所示。

大数据学习分析支持个性化学习研究——技术回归教育本质

(一)数据收集

数据收集是挖掘大数据巨大价值的第一步。个性化学习往往因为片段化不全面的数据信息而不能为学生提供一个良好的发展机会,并且因为缺乏可靠依据而过于依赖经验判断。大数据意味着对海量的复杂数据进行全面地收集,包括结构化与非结构化数据的收集。数据收集可以采用不同的方法。例如Hadoop的Chukwa、Cloudera的Flume以及Face-book的Scribe等系统日志收集方法采用分布式框架,实现每秒数百MB日志数据的收集与传输。网络数据收集方法通过网络爬虫或网站公开API等方式从网站上获取数据信息,实现将非结构化数据从网页中抽取出来,以结构化的方式存储为统一的本地数据文件,支持图片、音频、视频等文件或附件的收集,附件与正文可以自动关联。随着日益增长的海量数据被收集并存储在各种数据库中,我们需要对数据进行数据识别,发现有价值的信息。

(二)数据分析

数据分析包括整合、分类、关联分析等操作,形成分析结果,用于预测学习行为、优化教育决策、改善学习评估、提供学习反馈及建议等。当数据被转换成一个可用的形式之后,将分析数据生成可利用信息。数据分析需要实时的数据处理,主要有流处理、批量处理以及两种模式融合等三种思路。例如,Map Reduce是Google公司最早提出的典型批处理模式,首先将用户原始数据分块处理,再交由不同的Map任务区处理。此外,Power Drill与Dremel均为Google公司的大数据处理工具。未来的大数据分析方面,将更多地采用流处理与批处理融合的方式,已有研究利用Map Reduce模型实现了快速流处理的同时也能够支持大规模静态数据的处理,兼具了流处理与批处理两种模式的特征[5]。数据分析依据海量与学生相关的可利用信息,分析其隐含的关联并准确地预测学生发展趋势,促进学生个性化发展。随着数据的内容日趋多样化,管理和分析多样的数据集成为一个非常复杂的过程,这种情况称为大数据的“复杂性”。

(三)数据可视化

数据可视化是挖掘大数据价值的最后阶段,通过对数据进行收集与分析,最终需要将数据分析结果以用户(学生、教师、教育管理者)能够识别和接受的图形语言呈现出来,这就是数据的可视化。常见的可视化技术包括标签云(tagcloud)、历史流(history flow)以及空间信息流(spatial information flow)等[5]。通过对数据分析结果的可视化处理,发现其隐藏的关联,为最终的决策应用提供有效支持。数据可视化通过分析数据提供给用户一种可说明的形式,并集成到现有的流程提供给用户使用,最终用于指导决策。

三、大数据被谁而用:大数据学习分析对个性化学习中利益相关者的影响

随着大量的学生姓名、性别、学校、专业、标准化考试成绩、已达到的学术标准、出勤记录、纪律记录、家庭作业完成情况等学生信息的产生,学校机构需要开展对数据集的收集与分析,获取有用信息。大数据分析是一种变革,改变了现有的管理流程、教学、学习以及工作等,有益于政策和实践成果,促进教育公平,回归教育本质,使个性化学习真正地实现。大数据在个性化学习实施过程中对其利益相关者(学生、教师、教育管理者)均产生积极影响,如图2所示。

大数据学习分析支持个性化学习研究——技术回归教育本质

(一)对学生的影响

大数据学习分析可以预测学习者个性化的学习行为,让学生获得自己的数据,给予学生积极的反馈。学习者可以依据自己某一时期的学习状况进行分析与预测,设定自己的目标,制定符合自己个性化发展的学习路径。此外,大数据还可以跟踪学生的学习进展,让学生可以计划自己的学习活动。这些数据可以对学生进行指导,使学生做出最适合自身发展的决策。

(二)对教师的影响

大数据学习分析通过总结相关问题的关联,发现学生发展趋势,识别学生未来可能存在的任何问题,以评估问题出现的可能性。它可以帮助教师识别出学生在学习过程中的潜在问题,在学生遇到问题时帮助学生,使学生更容易获得成功。此外,大数据可以在与学生成功直接相关的细节、工具和内容上帮助教师进行预测。在教师教学的过程中,通过对学生数据进行有效的分析,掌握学生学习状况与发展需求,有利于提高学生的学习质量,促进有效教学,推动学生快速发展。此外,大数据技术可以更加精确地记录学生的学习行为,准确记录到每位学生使用学习资源的过程细节,使教师更准确地追踪学生学习轨迹和学习时长,从而给予学生实时的、可操作的反馈。

(三)对教育管理者的影响

对于教育管理者来说,为推动学生个性化的发展,可以通过跟踪多种类型的数据,为学生创建个性化的学习环境,使学生个性化学习得以实现。此外,教育管理者需要帮助学生丰富个人的学习成果,大数据可以提供预测工具,以确保学术课程达到高质量标准。通过制定学术课程,在学生学习过程中的每一步收集数据,定制模块、任务、反馈和学习步骤满足学生需求,促进更有效、更丰富的课程学习。利用大数据工具分析个别学生的技能和技术水平,可以更好地为学生分配个性化的资源,并设计一个个性化的学习经历,以满足其特定的学习路径,从而实现个性化学习。

四、大数据为何而用:大数据对个性化学习的价值分析

个性化教育内含了教育公平的理念,应用大数据学习分析技术使实现真正的个性化学习成为可能,而个性化学习必然回归教育本质。通过大数据学习分析技术的应用,以教育测评为基础,全方位了解学习者的个性特征,提供给学习者适宜的发展条件。其价值体现在以下五个方面:完善个性化学习者档案、分析预测个性化学习行为、优化个性化的教育决策、改善个性化的学习评估以及提供个性化的学习反馈与建议。

(一)完善个性化的学习者档案

个性化学习得以实现的前提是拥有更多且不同类型的数据点。大数据学习分析的应用,使得收集数据点的数目与类型显著增加。这些数据点之间的相互作用可以使学习者档案建立更为完善,使教师更为准确地了解学生个性化发展需求,从而提供真正的个性化教学。学习者档案中不仅应该包含学生智力成就方面的数据,还应该包含影响学业成绩和职业成就的学生情感非认知属性数据以及行为数据等。在数据收集的过程中,无论是行为数据、非认知数据还是生物识别数据,都需要更多的数据点,以构建学习者更完整的个性化档案[6]。

技术进步带来新的数据形式,在学习者档案中,除了学术数据点,大数据也使得情感数据和行为数据的收集成为可能。例如,对于情感数据的收集,美国的申克特曼(Shechtman)等[7]提到,在线辅导系统Wayang Outpost使用四个传感系统来检测学生的情感指标。这些传感器提供了恒定的并行数据流,结合数据挖掘和自我报告等措施,来检测沮丧、动机、信心、无聊和疲惫等情感数据。其中,情绪仪表用来推断小团体情绪,提供微笑强度评分;姿势分析座椅用来检测厌倦和疲惫;压力鼠标指示学生受到挫折的程度;无线皮肤电导传感器用来测量传导速率,反映紧张和兴奋的程度。对于每一个学生来说,研究人员的分析结合了来自这些传感器中的数据和辅导系统中获得的不同类型的数据,如花费在每一个问题上的时间、要求提示的数量和正确的解决方案等。机器学习技术被用来确定如何组合传感器数据和在线学习行为,并在以后对学生学习的态度进行干预调查。

对于行为数据的测量,可以深化认知和情感加工的交互过程。例如,努力去识别和解释学生的记录数据,可以使教师知道学生的行为方式,并能够提供适当的支持或反馈[7]。尽管解释数据具有挑战性,但对于个性化学习者档案的建立来说,收集非认知属性的数据是一个重要部分。影响学业成绩和职业成就的学生情感非认知属性数据以及行为数据等的收集都有助于学习者建立个性化档案。

(二)分析预测个性化的学习行为

学习行为是影响个性化学习的主要因素[8]。基于大数据的学习分析旨在用学生数据预测学生的学业成绩,发现学生的不良学习行为以及影响学习者个性化学习的因素,亦可鉴别出在学业上需要帮助的学生。此外,还可以预测学生的学习行为,帮助学生设定自己的目标,并跟踪他们的学习进展,让学生获得自己的数据。学生可以使用数据点的交互信息确定他们的目标是否达成或确定采用什么策略[7]。这些数据点还可以对学习者进行指导,使学习者在自己的学习过程中发挥更大作用。

基于大数据预测个性化学习在美国受到学生的普遍欢迎。宾科夫斯基(Bienkowski)等[9]使用Net-flix作为一个例子证明了这一点。Netflix商店利用客户的浏览历史来预测这个客户的选择,基于客户资料来判断该客户的喜好。这些信息被用来为客户推荐电影,以及为客户提供类似的资料。客户长时间使用Netflix,所以它将会收集特定客户的更多信息。这些信息被存储,并且客户信息在交互之后被改编,改编后的信息被进一步用来细化和定制客户信息。这种类型的跟踪和预测适用于教育,大数据、数据挖掘以及学习分析的使用,使在教育中得到学生信息成为可能。这种方式避免了让学生学习同样的内容,开展同样的活动。根据每个人的学习信息,根据不同的喜好、兴趣、背景和学习目标,每个学生都会有自己的学习地图。那么,长期分析学生的信息可以为学生个体或团体提供适应性的和个性化的学习环境,最大限度地提高学习效果和效率[9]。由此可见,基于大数据的预测对于个性化学习是至关重要的。

(三)优化个性化的教育决策

在传统的公共教育模式中,教师被视为拥有自主权的课程内容专家。课程是由学校决定的,但教师可以根据需要自行修改或增减教学内容。此外,教师还被视为具有权威性质的教育专家和教学实践者。而大数据学习分析的使用,正改变着教师在教育决策中的角色。沃尔夫(Wolf)[10]认为大数据使个性化学习中教师的角色发生了转变,他强调教师从知识传授者的角色向学习辅助者的角色转变;傅瑞姆(Frame)[11]明确讨论了在基于大数据的个性化学习中教师的作用,指出教师在决策过程中扮演次要的角色。教师不再是无所不知的信息提供者,而是作为教练和指导者,引导学生主动获取知识;宾科夫斯基(Bienkowski)等[9]指出,在教育中,要使个性化学习成为现实,需要改变现有的教育文化,并依赖数据来做出决策。在个性化学习中,课程决策与教学实践由算法和计算机系统所创建的“个性化的学习”决定。从此,教师更多地是管理做出教学决策的技术。麦迪恩和道森(Macfadyen & Dawson)[12]认为学习管理系统(LMS)的数据收集具有非侵入性,因为他们不需要教师或工作人员干预,意味着数据的作用是为教师作出教育决策提供依据。

基于大数据做出决策,使课堂教师的角色弱化,这有利于获得教育领域以外的其他个人的知识与经验。由于教师角色减弱,教师的作用被重新定义和“扩展”,教师已扩展至没有教学背景或未受认证的个体,如“导师和非正式的学习提供者”[10]。研究中指出,这些专家还可以在网上提供教学。在教学决策方面,非教学背景的个体意见和教师意见同样重要。卡托尔(Cator)等[13]认为“新参与者”带来了“新观点”,改变了学习资源的性质并使他们得到发展。随着“新参与者”参与创建课程,教师关于课程选择和教学的决定作用也在减弱。非教育领域(如游戏、移动、社交技术)的技术开发人员开发的数字资源,可以与教科书和其他学习材料发挥同样的作用。

(四)改善个性化的学习评估

在传统的公共教育模式中,学习评估是基于教师、辅导员或管理者的专业知识以及与学生日常交互的经验而展开,通常发生在学校或课堂。但随着数据类型的多样化,如行为数据、非认知数据和生物识别数据等,仅仅来自教师的学习评估是不全面的。更全面的学习评估需要大数据学习分析技术提供更为准确且有效的实时数据。教师虽然有自己的学习经验和方法来记录每个学生的优势和不足,但这些记录不易携带,难于分享,也难于进行快速分析[6]。此外,虽然教师能够进行个性化的评估活动与互动,但这种课堂活动所反映出来的数据,通常是片面的和短暂的。教师和学习者在一起工作时,其他个体(政府、校长)不能系统地监控结果[6]。教师“内心记录”不如那些用技术创建的记录方法,仅凭教师做出学习评估是不全面的。大数据学习分析技术比仅凭教师的学习评估更高效。用教育系统评估学生的成绩,大数据和新的证据模型可以进行转移测量,把重点放在真正重要的地方,并为教育工作者和学生提供更及时的信息反馈[13]。国家教育技术计划(National Educational Technology Project,NETP)称,当与学习系统相结合时,基于技术的评估可以用来形成诊断并且改进学习和教学实践,同时确定学生所学到的内容[14]。纽约市一所中学数学课程成功地实现了个性化学习。教师用以计算机为基础的关键算法评估学生个性化学习当中日常学习轨迹的实时发展。教师根据算法确定每个学生的个人学习轨迹。该技术通过学习分析为每个学生确定学习步骤。纽约市六所中学的一所学校报告说,学校的使命是“提供给学生一个满足他们特别需要、爱好和学习偏好的个性化、有效和动态的课堂教学”[10]。可见,基于数据的评估有助于真正的实现个性化学习。

除了教师利用基于数据的学习分析进行评估以外,NETP让非教育工作者也参与到对学生的评估过程。该计划指出,虽然有很多教育工作者在努力,但仍不能随时对学生进行有意义的评估。然而,互联网对任何人都免费开放,技术可以为没有经验和兴趣的个人连接虚拟社区,帮助他们评估学生工作[14]。尽管该计划承认这些非教育工作者缺乏专业知识,但却可以实现不同领域的人对学生进行评价。例如,科学家可以对在线科学博览会上的学生项目做出反馈,在线文学杂志的读者可以评论学生的写作等。

(五)提供个性化的学习反馈与建议

教师经常会使用标准的考试分数和测试数据来指导自己的教学计划。然而,这种测试无法立即给予学生实时“可操作”的反馈。随着新的数字化学习资源和学习技术的普及,能够超越传统方法的新的测量方式正在出现[7]。例如数据挖掘技术可以追踪学生的学习轨迹和学习时长,从而为学生和教师提供可操作的反馈。大数据和新的证据模型可以为教育工作者和学生提供更及时的信息反馈[13]。

个性化学习中学习的意义体现在可视的环境中,可以将学习的轨迹通过技术记录下来,为了记录完整的学习轨迹,所有与学习有关的表现都作为一种技能经过量化输入数据库。以此,将可视化行为作为简单和复杂工作技能的证明。将学生的一切行为或复杂品质等数据量化并输入数据库以后,便形成了完整且全面的数据库,提升了个性化学习的效率,帮助学习者调整学习路径和速度,为教师和学习者提供更及时的信息反馈。如果没有全面的数据库帮助,教师不会有一个完整的关于学生知道什么和能够做什么的认知。他们也无法使用学习分析和非认知数据,为每个学生定制学习并推送个性化的学习建议。学习分析系统应用模型,可以回答学生何时准备好进行下一个知识点学习、课程学习哪里落后、何时遇到困难未完成课程学习、哪些年级的学生不喜欢被干预,给学生的最好的课程是什么以及学生是否需要教师提供帮助等[9]。

NETP指出,从入学开始,每个学生都能有一个学习量表,用来通知学生是否有申请人学的资格、课程的完成度以及是否满足毕业的要求等[14]。在讨论个性化学习方面,NETP指出,个性化学习能够实现支持学生在他们特别感兴趣的领域学习。并不是所有的学生都能学习俄语阅读,也不是每个学生都能在海湾上进行缝合手术的练习。虽然应该呼吁学生追求更先进的学习,但报告表明,学习应根据个人水平定制学习资料,给予不同学生不同的个性化的学习建议[14]。如同企业根据客户资料定制产品一样,每个学生都遵循着自己的计划,传统公共教育模式下的共同学习不再存在。NETP解释说,一个在线系统收集关于学生如何学习的信息可以比手工方法更多更详细。系统可以捕捉到他们输入和输出的证据,通过对每个学生选择或输入的信息、学生尝试次数的提示和类型反馈信息等进行分析,了解他们解决问题的方法,获得的知识和运用的策略等[14]。这也使为每个学生推送个性化的学习建议成为可能。

五、大数据如何用好:基于大数据的个性化学习体系框架

本研究采用德尔菲法(Delphi)面向北京师范大学、华东师范大学以及东北师范大学的20名专家进行咨询,确定框架构建的合理性与科学性,其中专家涉及教育学、教育技术学以及计算机科学等领域,实施过程如图3所示。

大数据学习分析支持个性化学习研究——技术回归教育本质

首先,基于大数据对个性化学习产生的价值,初步构建了大数据学习分析支持下的个性化学习体系框架,通过面谈头脑风暴法和发送邮件方式向专家进行咨询;其次,对初步设定框架结构存在的问题(如统计描述层中除了行为模式、教育内容的统计,还应包含对学习成果的统计;教育测评中除了基本信息、认知能力、语言能力、学习风格、学习状态、学习水平、学习兴趣和成长体验外,还应该包含对身心健康和人际关系的测评)进行回收处理;再次,对体系框架进行修改及补充,并设计下一轮咨询;最后,结合专家的反馈建议,确定体系框架(如图4所示),为后续进行实证研究奠定坚实基础,同时也为同行研究提供理论依据。

大数据学习分析支持个性化学习研究——技术回归教育本质

该框架主要包括基础数据层、统计描述层、教育测评层与应用服务层。基础数据层将各个数据库的数据通过数据提取传递给统计描述层,通过大数据关系挖掘与分析形成统计描述。基于对教育内容、行为模式等的统计描述,教育测评层可实现对学生学习风格、学习能力等的测评,并将测评结果传递给应用服务层。具体来说,各层级的主要任务如下:

(一)基础数据层

基础数据层主要包括对学习平台数据库、人口基本信息资料库以及行为数据库中的数据进行提取。学习平台数据包含学习者数据、学习者行为日志数据、学习内容数据、学习成绩数据等信息;人口基本信息数据包含学生姓名、性别、出生日期、民族、身份证号码、住址、学校、专业、标准化考试成绩、已达到的学术标准、出勤记录、纪律记录、家庭作业完成情况以及学生的目标和利益等学生信息;行为数据包含学生课程学习行为、学生训练行为、教师教育及干预行为、学生社群行为等信息。在数据提取中要注重数据的预处理以确保数据信息质量。检查数据的相关性与完整性,滤除无关数据,去粗取精。

(二)统计层描述

统计描述层主要包含学习分析和教育数据挖掘。其中,学习分析可以将有关学习者的数据集进行测量、收集与分析,并最终形成报告,以理解并优化学习[15]。教育数据挖掘可以将各个数据库中的原始数据转换为可用信用,最终为学生、教师以及教育管理者使用[16]。通过对基础数据层数据的关系的挖掘与分析,进而对学生行为模式、教育内容与学习成果等进行统计描述。如行为模式统计包含学生课程学习行为统计、学生训练学习行为统计、学生浏览点击行为统计与学生社群行为统计;教育内容统计包含对课程的统计、试卷的统计、题目的统计与知识能力题型统计等;学习成果统计包含学习者在课程学习中获得的成果统计、日常单元测验与期中考试、期末考试成绩统计等。

(三)教育测评层

教育测评层是基于上一环节统计分析的数据进行教育测评。在现代教育体系中,教育测评在教学环节和学习环节中均发挥重要作用。教育测评本身对个性化学习有非常重要的意义。个性化学习要研究每一个学生,对他们的认知能力、语言能力、学业水平、学习风格与学习兴趣等做出刻画。可见,教育测评是个性化学习的重要环节。教育测评,如学生的认知能力包含记忆力、逻辑能力与注意力等;语言能力包含理解力与表达能力等;学业水平包含学习者的课程成绩和在各类活动中获得的奖项等。

(四)应用服务层

应用服务层是将教育数据分析的结果应用在个性化学习当中。当前,在个性化学习中教育数据应用服务主要聚焦在完善个性化学习者档案、预测个性化学习行为、优化个性化教育决策、改善个性化学习评估以及提供个性化学习反馈与建议等五个方面。分析教育大数据可以使教育管理者更科学地为学生创建个性化的学习环境,制定学术课程,提供个性化的资源;使学习者更好地制定符合自己的学习路径,计划学习活动并获得积极的反馈;使教师更快地识别学习过程中可能的问题,给予学生及时的反馈,改善教学。

六、结论

基于大数据学习分析的个性化学习已成为教育技术的新范式[17],不仅可以完善个性化的学习档案,有利于构建个性化的学习环境,还能预测学生个性化的学习行为,为教师做出教学决策和评估并给学生提供个性化的学习建议提供依据。同时也强调了大数据学习分析技术在个性化学习中使用的必要性。若想通过设定的指令来满足每个学生的个性化需求,一定离不开技术的帮助,大数据学习分析技术,使教育回归本质,关注每个学习者的个性化发展,实现真正的个性化学习。虽然多个数据点的使用可以提供关于学生的更多信息,但并没有证据说明,大数据比经验丰富的教师更完全、细致入微地了解学生。大数据的好处是众所周知的,教师已经在他们的课堂上,通过人机交互应用大数据,其中包括在必要的时候修改课程和活动以满足学生的需要,确定学生在什么时候需要帮助,或是准备好继续学习,并根据学生兴趣帮学生选择适当的内容等。

此外,收集各种类型的数据最重要的问题是隐私权,涉及伦理道德问题,也是应用大数据存在的弊端。赵惠琼等以技术为视角,从数据收集、分析和解释等三方面构建了数据安全与隐私保护框架,并提出了应对策略[18]。杨现民等[4]认为有必要加快制定《教育大数据安全管理办法》,保障教育数据安全,不外泄、不被恶意使用。也有学者提到学生的隐私权应该受到保护,但并没有提供如何实现的计划。例如,西蒙斯(Siemens)[19]认为法律应对技术方面的数据的所有权和隐私权进行规定。

随着日常的生活与学习以数据的形式被记录下来,社会已经步入了大数据的时代。在教育中,通过综合数据库的使用,应用大数据学习分析做出关于课程、教学和评价的决策。在美国等发达国家,由于联邦教育政策的支持以及技术进步已经使大数据大规模地应用到学校教育,并已经取得了显著的成果。我国将大数据应用于个性化学习正处于起步阶段,所以这迫切地需要我们发挥大数据的优势,为每一个学生提供更好的个性化学习服务。此外,将基于大数据学习分析技术的个性化学习研究引入到翻转课堂以及大规模在线开放课程(MOOC)建设服务范畴,有助于每个学习者都有最适宜的、与众不同的目标、方法和过程,能更好地支持个性化学习,以达到为学生提供个性化分析、预测、推送与服务的目的。


扫一扫关注微信