基于大数据的在线智能辅助学习系统的研究

来源:用户上传      作者:

　　摘  要：大数据作为信息产业持续高速增长的新引擎，它为我们提供了丰富的网络信息资源，并且正在渗透到当今的每个领域之中，成为重要的生产因素。尤其在教学领域的使用，受到广泛关注。凭借网络自主学习是学习者获得知识的重要来源，在线辅助减少时空局限性，步步引诱从而增加学习者的主动性，直到完成学习者的目标任务。文章主要通过对大数据，辅助学习，和学习系统模型的钻研，结合案例分析对于系统功能进行初步的说明。希望对学习系统的完善，能对未来的教学环境有所帮助。
　　关键词：大数据;辅助学习;系统模型
　　中图分类号：G434         文献标志码：A         文章编号：2095-2945（2019）18-0040-02
　　Abstract： As a new engine for the sustained and rapid growth of the information industry， big data provides us with rich network information resources， thus infiltrating into every field today and becoming an important production factor. Especially in the field of teaching， it has received extensive attention. Online autonomous learning is an important source for learners to acquire knowledge. Online assistance reduces time and space limitations and lures learners step by step so as to increase learners' initiative until the completion of learners' goal tasks. This paper， through the study of big data， auxiliary learning， and learning system model， combined with case analysis， provides an explanation of the function of the system. It is hoped that it will be helpful to the improvement of the learning system and the teaching environment in the future.
　　Keywords： big data; Auxiliary Learning; system Model
　　随着信息技术、网络技术的迅猛发展，用智能学习系统进行在线学习，对学习者的学习生活产生了显著的影响。能充分调动学习者的积极性并且引发学习者的兴趣爱好从而高效完成学习目标。网络上有学习者需要的部分信息资源，但信息大多是零散分布，需要通过浏览器搜查，会浪费更多的时间并且难以得到较为完整的有用信息。学习者通过自发性的搜索自学内容从而更精准的抓住知识点，因此更需要一个自主学习的平台，可以通过在线学习系统提供丰富的多媒体学习资料、个人用户的学习记录、测验错题库等数据库，来明确学习内容和掌握进度。真正做到因材施教、个性化学习。
　　1 大数据及关联的学习系统
　　大數据，是凭仗一般的惯例软件工具进行捕获、管理和解决的数据集合，而且无法在一定时间内实现，是需要新处理形式才能具备更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。大数据的特点就是容量大、速度快、多样、价值密度低。但大数据最明显的特点是处理要求必须是在线的。大数据的处理进程是在恰当工具的辅助下，对同构、异构的数据源进行抽取和集成，结果按照一定的规范进行统一存储，并应用合适的技术对存储的数据进行剖析、整理，从中提取有益的知识并利用合理的形式将结果展示给终端用户。根据大数据网络环境下自主学习行为与模式研究，基于大数据环境下，凭借自主学习可以提高学习者的学习效率和综合知识掌握能力。大数据时代的到来，为我们提供了丰富的信息资源，也为教学研究提供了大容量、多样化、快速度、高价值的支撑数据。
　　大数据和学习的深度融合成为发展的必然，《教育信息化“十三五规划”》中明确指出，要依附网络学习空间逐渐完成对学习者日常学习情况的大数据采集和剖析。这里，需要采集和进行分析的内容主要类别是课堂数据与系统数据。（1）课堂数据包含的是学习者在传统课堂的学习过程中所产生的学习行为及对应的相关数据，通常包括：出勤率，课堂发言次数，以及回答问题的准确率，课外作业完成度，周考，月考，期末考等阶段测验分数等等。（2）系统数据所代表的是学习者在使用学习系统在线产生的数据。譬如，使用学习系统的在线学习时长、参加线上讨论活跃度、下载视频资源和课件次数、学习系统在线检测、学习时长段、学习偏好等等。（3）数据来源：课堂数据需要教育者的现场记录或者主观评分，系统数据是互联网学习平台根据学习者的学习情况进行自动检测。
　　2 在线的智能辅助学习系统
　　 在网络环境下，学习者自主学习的知识内容得到充分的保障，使新的教学形式愈加有效的发挥，可以有效地调动学习者的学习积极性与主动性，提升了学习者的个性化和相互之间的协作学习意识。学习者使用学习系统进行在线学习后，学习系统能记录学习者在线学习时所产生的多样学习数据，智能学习系统的核心功能之一就是针对学习者的个性化特征为其推荐最佳学习方法，这也是衡量智能学习系统功能的重要指标。其中，学习者的特征是算法的输入，以学习者知识结构和水平、行为偏好为输入，学习方法是算法的输出，大多采用蚁群算法，因为蚁群算法中的启发信息和信息素参数非常适合综合参数的建模。蚁群算法是一种代表群体的智能算法，通过模拟蚁群觅食的过程来求解最佳路径。具体过程为：蚂蚁边找寻食物边留下“信息素”，信息素会被其他蚂蚁识别，走过的蚂蚁越多则此路径上信息素越多，最佳路径由此形成。可以将学习者视为蚂蚁，学习目标则可以看作想要获取的食物，学习者对知识点的评分就是信息素，推荐路径可以看作觅食的最佳路径，即适应学习者的最佳学习方法。 　　2.1 智能学习系统实现过程
　　学习者模型：主要需要反映出不同学习者之间的差异，学习者模型包括了个人信息、学习情况、学习偏好、课程体系，知识水平。个人信息包括学习者的姓名、性别、年龄、学校、爱好。学习情况包括学习者的学习内容、学习时间段、学习次数、学习类别、作业完成、测验结果、讨论等。学习偏好就是指学习者比较偏爱某一方面的学习，学习者偏向于在什么时间段进行学习和多长时间的线上学习。通过学习情况分析出学习偏好，然后根据其偏好，系统进行定向的个性化学习推荐。课程体系包括学习的课程、学习的知识框架等。领域模型：领域模型在不同领域的学习中有不同的含义，领域模型主要是通过一定的方式估算学习者对某一领域知识的掌握程度并将其存储。自适应引擎：通过学习者模型自适应引擎可以分析出学习者的知识水平以及知识接收能力。结合领域模型等对学习者的学习进行跟踪、检测、调整。知识结构和水平检测：知识结构和课程体系、领域模型密不可分。学习者的知识水平可以通过定期的检测或者作业等情况，分析出具体的结果。学习效果评价：当完成某阶段的学习内容，系统需要对学习者的学习水平进行评价。通过系统分析给出评价等级，评价等级主要依据学习者掌握知识的准确性。依据系统给出学习效果的评价，确定下一次是否要向学习者推荐本次学习或已学知识的相关内容，为学习者提供最优学习路径。学习过程模型见图1所示。
　　2.2 案例分析
　　两组学生记忆考研高频词汇的第一章，甲组在学习后不进行复习，经统计，一天后记忆率变成36%，一周后只剩下13%，乙组按照记忆规律复习，一天后保持记忆率98%，一周后保持86%。综上，乙组的记忆率明显高于甲组。
　　学习者在学习一个新知识是有遗忘规律的：遗忘的进程很快，并且先快后慢。观察曲线走向，可得知，所学习的知识在第一天过后，如不抓紧复习，就只剩下原来的25%。伴隨天数的增加，遗忘的速度逐渐减慢，遗忘的数量也就减少。通过资源库对学习数据进行汇总，可以将学习内容每天推送给学习者，学习者通过对数据的学习，从而产生这个学习库，学习库对学习者而言分为错题库和高频库，错题库和高频库分别记录学习者的缺陷和常用知识。对于日常生活学习库而言，不光对于自己的学习库来进行推送，甚至可以将所有的学习用户的学习库进行一个数据分析和数据汇总，这样就可以分析成一个高频的库，通过这个高频的库我们可以凭借弹送的方式来进行推送，然后统计对弹送的接受率进行分析，不断地完善日常学习库。艾宾浩斯只是一个记忆学习的辅助手段，我们要将这种辅助的手段更加的科学的利用到专业的学习方式之中。根据遗忘曲线所产生的规律，我们将学习者产生的错题库和系统归纳总结的高频常考库以一定的时间周期继续推送给学习者，将重新完善学习数据库，帮助学习者更好规划下一步学习内容。根据以上规律，按照循环复习法，不断巩固。再去检测学习者是否掌握学过的学习内容。并监督提醒学习者不断打卡进行复习，找到最适合学习者复习的周期。其优点在于对事件的安排，可以进行复习和定策，并且这两种行为可以随时或者一同进行。可以抓住记忆的黄金时段，更加了解学习用户的知识薄弱点，从而进行针对性的训练。
　　3 结束语
　　大数据时代为学习者提供了海量的信息资源，同时为教师的教学研究提供了大容量、多样化、快速度、高价值的支撑数据。在智能辅助和学习系统的帮助下，学习者自主学习的知识得到有利的保障，使得利用网络教学的这种全新教学模式高效运用，充分调动学习者的学习积极性，激发学习者在完成学习目标后的成就感。在该学习系统中，系统会按照学习者的选择为其准备不同的学习方式、不同难度的教学内容。完成学习目标后，系统将会通过自适应测试检验学习者的认知水平，成为下次登录学习新内容的重要依据，并提出学习建议;在学习系统模型和大数据架构的基础上，搭配在线学习，错题周期性复习的关卡，设计出基于大数据的在线智能辅助学习系统，结合记忆英语单词的案例分析，能够提高学习者的单词量。在后续研究中，将不断完善学习模型的搭建，使得针对不同的学习内容，富有更好的弹性和包容性，以顺应教学发展的需求。
　　参考文献：
　　[1]邢国春.基于大数据网络环境下自主学习行为与模式研究[J].情报科学，2018（6）：84-88.
　　[2]gh and Chris Reed，Centra Software A White Paper.Achieving Success with Blended Learning，http：//www.centra.com[DB/OL]，2015-7-9.
　　[3]Len Silverston. The Data Model Resource Book[J]. Revised Edition，Volume 1.John Wileysons，Inc. 2014（9）：33-36.
　　[4]杨帆静.基于大数据的智慧学习系统模型的研究[J].太原师范学院学报（自然科学版），2018，17（02）：63-67.
转载注明来源:https://www.xzbu.com/1/view-14886970.htm