大数据视角下的个性化教育探索

推荐会员: 点金大数据 所属分类: 点金原创,行业精选 发布时间: 2017-04-21 18:39

如果说互联网和移动互联网技术(E-learning、MOOC、Mobile Computing)促进了教育的全球化、民主化和多样化,那么大数据技术将实现教育的个性化和定制化,大数据时代个性化教育的应用潜力巨大。大数据分析驱动个性化教育变革的条件日益成熟,教育领域积累了具有广泛应用价值的海量数据,教育数据的多样性、关联性、时效性等特点为教育大数据分析提供了绝佳条件。通过采集、存储、整合大量结构化和非结构化教育数据,通过大数据分析可以对教育数据进行从微观到宏观的统计、分析、推理和预测,发现学习和教学现象之间的相互关联和规则,从而可以更好地做出学习、教育预测和实施教育决策,大数据分析的最终目标是既能为学生提供高质量、个性化的学习体验,又能改进教师的教学方式,完善和优化教学过程,真正使教育转向个体关注,实现真正意义上的个性化教育。种种迹象表明,大数据技术将引领教育向着在线化、定量化和个性化的方向发展。

1.因材施教与教育大数据

因材施教,孔子2500年前提出的教育理念,在当今大数据时代,正在逐步成为现实。因材施教的本质就是个性化教育,随着教育信息化和教育大数据技术的高速发展,教育大数据分析条件日益成熟,基于大数据技术的个性化教育成为可能。未来教育的变革将由互联网和大数据技术主导,国内外层出不穷的教育大数据研究与应用就是很好的例证。在国外,以Coursear、TED、Udemy、Udacity、edX、可汗学院等为代表的大型开放式网络课程(MOOC,massive open online courses)的兴起,为教育全球化和大数据驱动的教育个性化提供了新的试验场,教育的形式、规模、影响力等各方面都在加速演化和变革。麻省理工学院(MIT)于2014年7月发布了名为《麻省理工学院教育之未来》(The Future of MIT Education)的研究报告,用模块式课程代替学期制课程,并充分利用大数据技术和edX慕课系统进行教育改革。纽约大学创新了教育数据管理体制,设立专门的机构(CDS, The NYU Center for Data Science)进行校级大数据管理分析工作,并同信息化部门紧密协作,为教育数据分析和决策支持提供技术和业务保障。同时大数据分析也被应用于各国的教育管理,美国联邦政府科技部门早在2012年就发起了一项耗资数亿美元的大数据研究计划,其中有多个教育大数据研究项目,旨在通过运用大数据分析来改善教育,向教育管理者提供学生到底是在“怎样”学习的更多、更细、更精确的信息。在国内,电子科技大学的周涛对数万名学生的生活和学习信息(包括食堂消费、图书借阅、学习成绩等)进行了大数据分析,找出了成绩好和成绩差学生的群体特征,对有心理问题的学生可进行初步定位和预测分析,为老师和教育管理者提供了鲜活的个性化教育支持信息。浙江大学通过对资产的归纳、整理,最终形成全面统一的资产数据库,并提供数据查询和分析服务,分析成果能够帮助教务处更好地利用教室、实验室等资源。清华大学对学生成长数据进行分析,追踪其在大学四年的各种数据,观察其成长路径,对毕业时表现很优秀的学生进行追溯,找出其显著特征和经验规律,以支持针对学生的个性化评价和指导。
传统教育采用的是大规模、标准化教育模式,这样的教育重视结果而忽略过程,只能事后分析无法提前预测和介入指导,传统教育在一定程度上讲,还是分数教育,很难做到因材施教。以学习评价为例,多以学习成绩为结果进行的学习评价,这种事后性的简单粗暴评价方式,已无法满足大数据条件下个性化教育变革需求,新的学习评价方法应该关注全面性、过程性、预测性等内容。学习评价不仅仅是知识考试层面,还应该涉及学生的家庭、兴趣、态度、生活等多个非认知领域方面的内容。以知识考试为基本内容的学习评价,因其评价指标和内容的片面性,很难掌握学习的个性化特点和学习趋势及存在的问题。基于大数据分析预测技术的个性化教育能在一定程度上解决这类问题,随着教育大数据的积累和机器学习技术的快速发展,利用教育大数据的分析来对学生学习行为、趋势、心理等进行预测和评价,将成为个性化教育的重点研究内容。

2.个性化教育变革将由大数据驱动

大数据时代的教育数据有几个显著特点,一是教育数据的时效性,传统的《百科全书》每10年才印刷一次,如有错误需要10年后才能修订,现代的“维基百科”,每分每秒都在进行海量条目数据的更新,传统教材出版方式无法跟上这一趋势;二是教育形式和数据的多样性,在线、离线、课堂、课下、国内、国外、手机、电脑、平板、图像、文本、视频、动画等,随着教育形式、渠道、载体的多样化,教育大数据积累的广度和深度在急剧扩展;三是教育数据的可追溯性,比如一个学生考试得了70分,在传统教育管理模式下这只是一个数字,大数据时代,这个数字能变成可追溯的数据和信息,这个学生为什么考了70分,而不是50分、90分?跟他的家庭情况、智力水平、是否努力、学习态度、班级学风等等都有关系,而这些数据能进行采集存储、建立关联和挖掘分析。根据上述特点,结合教育数据的治理策略,对多种教育大数据进行统一管理和深度挖掘、追溯分析,从而为个性化教育改革实践提供强有力支持,为实现从群体教育模式转向个性化教育模式提供了技术、理论和数据支撑。决定着教育未来的,将是那些有效利用大数据技术,通过学习评价和教育评价来改进并适应学习、教学和管理的组织机构,个性化教育未来将由大数据技术和思维所驱动,国内外教育大数据各项研究和应用表明,大数据技术作为推动教育未来发展变革的重要手段,众多学校、企业和教育管理机构都在不断创新、探索和应用,以期达到个性化教育之目的,同时为基于证据的教学(evidence-based teaching, EBT)目标提供数据支撑,并为教育管理者提供统观全局的决策支持,大数据技术促使教育形式、规模、影响力正在发生深刻的变化。

3.个性化教育大数据分析目标和内容

面向个性化教育的大数据分析要考虑教育大数据多样性、时效性、相关性等特点,同时需结合学生、教师、管理三个维度的分析需求。从技术层面上讲,获取到的任何教育相关数据,都可以进行分析,应用大数据挖掘分析技术去实现精准的个性化教育将是未来教育发展主导方向,对教育教学中海量数据进行大数据分析,结合态度、行为和背景等因素,可以发现学生思想、行为和心态的变化,还有教师教学、教育资源管理等多个方面都可以通过大数据技术进行精准分析和问题定位,从而为个性化教育提供一手资料。要实现个性化教育,需重点关注如下几个方面的大数据分析:
(1)学习评价:由于教育大数据的多样性,关联性和可追溯性等特点,传统的简单事后统计和专家意见等学习评价方式,无法满足大数据条件下的个性化教育学习评价需求。个性化学习评价就是围绕学习者在学习过程中产生的各种信息数据,通过数据挖掘分析,进行学习趋势预测和学习效果评价,进一步发现学习规律,从而为优化和完善教学提供个性化的知识,为学习者提供个性化的学习指导。
(2)学生画像:对学生的各项特征进行全方位描述,对学生的各类数据包括出入寝室的时间、进出图书馆的次数、借阅书籍的种类、学生档案信息等进行深入挖掘分析。根据这些数据与实际行为的关联性,计算出每名学生的学习、生活状态,从而为预测学生学习情况提供依据,或者为教师辅导改进学习提供支持。
(3)课程推荐:对学生选课历史数据进行分析,根据选课数据核评价数据对相关课程进行统计排名和学生兴趣度、匹配度关联分析,针对学生群体和个人特征,采用推荐算法模型进行各类课程的个性化推荐,根据选课行为数据分析可以完善个性化课程建设。
(4)教学评价:对教师教学活动已有电子化的数据记录,包括学生的评价数据,对课程、教师、评价等维度数据进行整合与挖掘分析,针对教学质量形成评价结果,并提出改进意见。学生参与教学评价的主动性越来越强,方式也越来越灵活,如耶鲁大学的学生自行开发了课程评价网站Course Table,华中科技大学学生推出了网络评师系统“匿匿”等等,可以借助类似系统,获取教学评价数据,对教评数据进行排名和预测,为个性化教育提供教师端的改进支持。
(5)学习预警:对学生的学习行为(进出图书馆、实验室和可获得的生活规律数据等)和学习结果(成绩、获奖、重修、延期、退学等情况)历史数据进行分析,通过学生用户画像和分类预测挖掘技术,得出特别优秀和特别差问题学生的各自群体共性特征,根据设定的特征权重阈值,对后来的学生进行学习预测分析,对符合差生发展趋势的学生进行预警和指导
(6)学生心理:对学生的生活规律、学习行为数据进行聚类挖掘分析,找出远离群体特征的行为异常学生。这类异常点学生,要么是特别优秀有异于常人的特性,要么是有着严重问题比如心理问题、抑郁等。结合预测分析结果,对其进行重点关注并提前进行心理指导十分必要。
(7)学习行为:学生成绩的好坏与其学习行为习惯紧密相连,对学生的学习行为进行分析,能为学习预测和学习预警提供更科学的数据支持,例如刻画学生生活与学习的规律性。如某学生最近几个月作息极不规律,那么他的成绩就会有下滑的可能,或者某同学进出图书馆频率比较高,学习成绩会往好的趋势发展;或者分析课程相关性,先导课程的掌握程度对后续课程的成绩有较大的影响。
(8)课程分析:慕课(MOOC)时代,各种大规模开放在线课程,让学习内容和方式越来越丰富。有的学校也研发了慕课系统,通过向学习者提供观看、参与和互动交流的教学视频资源,实现了跨界学习交流和教学应用示范。对这种交互数据进行挖掘分析,可加深理解学科内容和学科教学之间的关系,为课程的优化,教学知识呈现的优化等都有很大的帮助。
(9)高教管理:对学习、教学、资源管理等关键指标数据进行宏观统计分析和趋势预测,例如对学生入学情况数据(生源、自愿、分数等)和毕业就业(出国、读研、就业率等)数据进行总体态势分析和趋势预测,对教学资源的使用率情况进行分析等,提供管理者基于招生、学习、就业三个关键环节的高教业务态势分析结果,直观上发现问题和指导解决问题,找出瓶颈短板,重构高校教育管理模式,为个性化教育改革提供切实的辅助决策。

4. 支持个性化教育的大数据技术

要实现个性化教育的大数据分析目标,需明确所需教育数据支撑和关键技术,针对分析目标,基于大数据技术进行高校多维数据(学生维度,教师维度,管理维度)的采集和存储;通过交互式分析技术和数据挖掘建模技术,对教育数据进行计算分析,最后进行分析结果的展示,提供用户互动操作,对分析成果进行应用评估和反馈、优化,从而指导个性化教育实践。由于大数据技术覆盖数据采集、数据预处理、分布式存储、NOSQL数据库、多模式(离线、实时、内存)计算、多模态(文本、图片、网页、视频等)计算、并行计算、数据仓库、数据挖掘、机器学习、可视化等各个层级,难以全部覆盖,一般来讲,教育大数据分析的共性关键技术包括如下几个层面。
(1)数据采集技术:目前大部分学校基本建立了完善的管理信息系统,积累了大量的结构化数据,数据采集除了采集存储必要的结构化数据之外,还需考虑各类系统中散布着的大量半结构化和非结构化数据。教育数据采集主要包括如下三个维度,学生维度:学生基本信息,食堂、住宿、出行规律等生活信息,选课、作业、借阅图书、课堂互动、成绩等学习信息,课堂等其它信息;教师维度:教学任务、课件等教学信息,论文著作、科学研究数据等科研信息,教学就业指导信息等;管理维度:教学资产使用信息、师资信息、各项业绩指标信息,招生就业信息等。结合大数据存储设计,大数据采集还需要重点对Hadoop体系下的关系数据导入系统、现有各业务系统所能提供的数据接口、数据ETL、分布式存储设计等关键技术进行研究。结合数据分析目标,对采集数据源的格式、限制、完整性、可获得性等情况进行整理,收集多个维度的数据,对数据进行清洗和隐私信息屏蔽,保证数据质量和数据安全。
(2)数据存储技术:支持海量数据的分布式存储是教育大数据分析的基础。传统关系型数据库存储模式的问题带来的存储和访问瓶颈,无法靠自身解决,也就有了基于Big-Table型的NoSQL数据库出现,一般利用HDFS的分布式、高可用数据存储,结合HBase、Hive等面向列的大数据存储模型,可以解决海量教育数据存储问题。还需围绕教育相关学习行为数据、教学过程数据、生活数据、管理数据等方面进行多维数据的规范整理和关系逻辑结构设计。结合分析目标,设计并确定各数据实体及其之间的关系,将经过ETL(Extract, Transform, Load)的数据进行大规模分布式数据存储,为上层大数据挖掘和分析等提供统一的数据源。
(3)数据计算技术:数据计算是教育大数据分析的核心部分,数据挖掘、机器学习、深度学习等领域的相关技术模型都属于这一范畴。大数据的分布式计算有多种处理模式,包括离线计算、实时流计算、内存计算、图计算等。计算模型根据分析目标进行选择,可采用离线计算模式进行教育数据处理和挖掘分析,或者针对需要实时分析需求场景,可以采用基于Spark的的内存计算处理模式或Storm流式计算模式,来提高大数据计算性能和响应效率。同时教育数据的多样性,可以结合多模态(文本、网页、图像、视频、动画等)数据挖掘技术进行处理。围绕大数据分析细分目标进行数据挖掘分析,主要对需用到的挖掘技术(如预测、聚类、分类)模型和算法进行针对性选择。在数据规模达到一定量级之后,可结合深度学习等前沿机器学习技术进行预测挖掘。
(4)数据应用技术:分析结果数据友好的展示和互动操作,对教育大数据应用效果来讲有决定性作用。如何让高教管理人员和教师等快速掌握和理解大数据分析结果数据,数据可视化和操作管理的可视化是重要的技术手段,采用数据可视化技术和大数据管理操作可视化技术,降低大数据应用的使用难度,才能更好地指导管理者和教师进行个性化教育改革实践。

5. 小结与展望

虽说基于大数据的个性化教育应用潜力巨大,但也要面对如下问题:一是大数据应用主要为管理决策服务,重在顶层设计,重在管理决策层的深度参与、支持和业务指导;二是大数据应用的关键词是迭代和优化,模型和系统设计不同于传统的信息化管理,大数据技术需采用全新的技术范型,短期仍受限于技术成熟度和人力水平,具有复杂性和不确定性,应用周期较长,大数据走出实验室达到产品应用水平还需要一个过程,不能期望在短时间就能达到预期效果;三是教育大数据的应用效果取决于高校管理层和各级部门(特别是教务、后勤、信息化部门的数据支持)的协同支持、现有信息化基础和数据来源的完整性、项目研究规划和研发设计的科学性等诸多因素。针对上述问题,高校主动变革以适应大数据时代发展趋势是最重要的,以纽约大学为例,学校成立统一的大数据部门,整合各级部门数据资源,直接为高教管理和个性化教育决策服务,让大学本身成为了教育大数据的基础设施和数据服务平台。教育大数据的核心目标是对学生学习、生活数据和课堂教学过程数据进行分析,提供为学生量身定做的学习计划和个性化课程的科学依据和数据支持,同时为教师和管理者制定教学计划、教育政策等提供决策支持,通过对分析成果进行应用评估和反馈优化,科学指导个性化教育创新和实践。

部分内容摘自《大数据视角下的个性化教育探索[J]. 计算机教育,2017》

来源:点金大数据      作者:杜圣东

关键词:

版权声明:本站原创和会员推荐转载文章,仅供学习交流使用,不会用于任何商业用途,转载本站文章请注明来源、原文链接和作者,否则产生的任何版权纠纷与本站无关,如果有文章侵犯到原作者的权益,请您与我们联系删除或者进行授权,联系邮箱:service@datagold.com.cn。

发表评论

电子邮件地址不会被公开。 必填项已用*标注

This site uses Akismet to reduce spam. Learn how your comment data is processed.