基于大数据的生本学习作用模型的构建与应用

发布时间：2020-03-04

　　摘要：大数据对生本学习具有促进作用，两者的融合应用已成必然趋势。基于此，文章首先对生本学习进行了解读，随后通过与传统生本学习的比较，总结了基于大数据的生本学习的内涵与特点。在此基础上，文章构建了包含两大主体、六大模块的基于大数据的生本学习作用模型，并对该模型的运作流程和主要功能模块进行了具体分析。最后，文章将该模型应用于“学习科学与技术”虚拟社区，通过问卷调查法和实证分析法进行了该模型的满意度分析。基于大数据的生本学习作用模型的构建与应用，实现了大数据与生本学习之间更紧密的融合，有助于解密教育教学难题，助推教育发展创新。

　　关键词：大数据;生本学习;作用模型;虚拟社区

　　一生本学习解读

　　生本学习是将学习者视为自主学习掌握者的一种学习方法，即以学习者为核心开展学习活动。1987年，Keller[1]提出了ARCS(Attention,Relevance,Confidence,Satisfaction)动机理论，可以激发并维持学习者的学习动机，系统提升学习者的注意力、相关性、自信心和满足感，是生本学习理论的早期成果。1995年，Grabinger[2]提出了促进积极学习的丰富环境(RichEnvironmentsforActiveLearning)模式，可以增强学习者的自主定向掌控能力，促使学习者开展多维高阶思维活动，是生本学习理论的重要组成部分。2013年，Casey[3]提出了生本学习的相关理论，主张关注学习的社会性，鼓励学习者通过社交媒体相互交流、启发，维持学习热情，是生本学习理论的新时代内涵。

　　随着生本学习的理论研究成果日渐丰硕，生本学习的实践研究也亟待跟进。只有在动机、环境、社会交往等方面给予学习者深度支持，才能保障生本学习的顺利开展。大数据作为一种新技术和新手段，可以对学习环境、教学过程、教育决策等教育数据资源进行分析挖掘，有利于填补生本学习的短板，推动教育朝着更加“生本化”的方向发展。

　　二大数据时代的生本学习

　　1大数据对生本学习的促进作用

　　大数据对生本学习的促进作用可以通过三种“运算方法”加以说明：①“加法运算”，大数据可以整合多样化生本学习资源并进行关联分析，实现“1+1>2”的效果;②“减法运算”，大数据可以激活有用数据、剔除无用数据，提升生本学习资源的可用性;③“乘法运算”，大数据可以激活休眠数据，并将静态数据变为动态数据的“催化剂”，产生“溢价效应”，创造更多的生本学习附加价值。

　　2大数据时代生本学习的内涵与特点

　　为了更好地把握大数据时代生本学习的内涵与特点，本研究从多种角度，对基于大数据的生本学习与传统生本学习进行了比较，如表1所示。其中，学习分析技术[4]是指综合运用信息科学、社会学、心理学和计算机科学的理论与方法，对数据进行处理与分析。单回路学习是指学习者在学习过程中犯错时，要及时抓住问题并予以纠正，而后继续前行;双回路学习则指在单回路学习的基础上，学习者通过分析自己在反馈回路中形成的大量数据，找到犯错的原因，从而有效降低错误出现的概率。基于证据的教学支架推送式学习是指在外部教学目标的要求下，学习者基于相关数据分析自主确立并选择合适的推送支架以达成学习目标的学习——这种教学方式在学习目标确立和知识推送方面，摆脱了依靠教师个人的教学经验对学习者的学习行为进行判断并据此制定教学决策的局限，带有较强的客观性。

　　通过上述比较，本研究认为基于大数据的生本学习的内涵主要包括：①借助技术的学习，体现为学习过程中需要各种技术手段的支持;②提升能力的学习，体现为学习者可以借助自己在学习过程中留下的大量数据信息，来提高自己的分析、预测和创新能力;③转变理念的学习，体现为可以改善学习者在学习过程中形成的“定式思维”，由“经验式学习”转变为“证据式学习”，使学习更加理性、客观。

　　基于大数据的生本学习具有实时性、精细性、真实性和复杂性的特点。其中，实时性是指系统可以自动记录每时每刻发生的生本学习状态数据;精细性是指系统不仅可以记录阶段性、针对性的评估类数据，还可以记录过程性、即时性的行为数据，如逗留时间、发言次数等;真实性是指学习数据的获取不带有刻意性和压迫性，不影响学习者的日常学习与生活，学习反馈更加真实、自然;复杂性则指对各类数据处理和可视化呈现的技术难度较大，需要借助专业的算法、模型和存储手段。

　　三基于大数据的生本学习作用模型的构建

　　本研究依托Cormick提出的自主学习过程模型[5][6]，结合前文对基于大数据的生本学习之内涵与特点的分析，同时遵循全面性、可行性、价值性原则，构建了包含两大主体、六大模块的基于大数据的生本学习作用模型，如图1所示。在基于大数据的生本学习作用模型中，学习者和教师是两大主体，而六大模块分别是支架内容模块、数据采集模块、处理分析模块、自适应模块、可视化模块和干预模块——其中，前四个模块是基于大数据的生本学习作用模型的主要功能模块。

　　①在支架内容模块，系统可以自动管理、维护个性化的教学支架并将其传递给学习者，从而支持学习者的学习行为。教学支架是指学习者独立开展学习活动时为其提供的支持和指导，既可以帮助教师向不同的学习者推送不同的学习内容、进行个性化干预指导，也可以帮助学习者在习得知识、掌握技巧的同时，控制和调节自己的学习进度。当学习者达到一定的学习水平时，教学支架会逐渐淡出学习过程。按照用途的不同，教学支架可以分为程序性支架、概念性支架、策略性支架和元认知支架四种类型[7]。

　　②在数据采集模块，系统首先获取种子URL，然后登录生本学习的相关线上平台，以API方式采集学习者的ID信息，再以网络爬虫方式采集学习者的个人资料数据和学习状态数据，最后将采集到的数据记录到学习者数据库。本研究以曲阜师范大学研发的“学习科学与技术”虚拟社区为例，对该社区的数据采集过程进行了可视化呈现，如图2所示。其中，学习者的个人资料数据属于静态数据，包括Felder-Silverman量表的统计数据和学习者自评的文本数据——通过Felder-Silverman量表的统计数据可以得出不同学习者的学习风格，而通过学习者自评的文本数据可以获得学习者对自身学习方式和学习能力的评价;学习者的学习状态数据属于动态数据，包括个人检索内容、作业提交情况、参与活动的先后顺序、学习笔记的记录情况等，会随学习者在线学习行为的变化而动态变化。

　　③在处理分析模块，系统首先对数据进行预处理，即针对不同的信息类型，采用特定的算法对数据进行加工处理，在尽可能保留原有语义的情况下去粗取精，如对数值型信息进行评价处理和预测性处理，对数字图像进行编码和压缩、图像分割、特征提取等处理，对文字信息进行分词、分类、自动摘要等处理——经过预处理后的数据，可直接用于分析。之后，系统根据不同的分析目的，调用不同的分析模型和工具。如分析学习者特征时，主要采用Felder-Silverman量表分析模型[8]，如图3所示。该模型是基于Felder-Silverman学习风格理论开发的，由四个维度(即处理、感知、输入、理解)、共44个项目组成;每个维度都分为两种类型，代表维度内的两种学习风格;四个维度的项目数均为11，并且每个项目都有2个选项(a或b)，分别指向维度内的两种学习风格;选项的项目编号数越大，说明对应的学习风格偏好越强。而分析学习过程分析，主要采用SQLServer、SSAS、Ucinet、Excel等工具，通过T-SQL查询、聚类分析、顺序分析、网络图绘制和图表绘制等实现对学习状态的分析。最后，系统将静态数据分析结。

　　④在自适应模块，系统首先将分析的结果上传至数据规则库。在数据规则库中，系统可以挖掘出数据结果背后隐藏的问题。随后，系统在知识内容库中找到解决问题的办法，生成更适合学习者学习的教学支架，并上传至教学支架库。最后，相关教学支架通过数字化学习环境接口传递出来，在支架内容模块重新向学习者推送更适合其掌握知识、提升能力的教学支架。与此同时，在可视化模块，系统将分析的结果以可视化信息面板的方式呈现给教师，教师根据教学经验、通过干预模块调整教学策略，生成新教学支架，并上传至教学支架库，以进一步完善支架内容模块。在上述过程中，数据规则库、知识内容库管理皆隶属于自适应模块，可视化信息面板生成隶属于可视化模块，新教学支架的人为生成隶属于干预模块，而教学支架库管理隶属于支架内容模块。为了更好地理解基于大数据的生本学习作用模型的运作机制，本研究将自适应模块、可视化模块、干预模块和支架内容模块的运作过程进行了可视化呈现，如图4所示。

　　在基于大数据的生本学习作用模型中，教学支架的推送在很大程度上影响了学习者自主学习的掌控力，是有效实现生本学习的关键。由此，本研究认为，教学支架的合理设置是生本学习顺应大数据时代发展的新的生长点。

　　四基于大数据的生本学习作用模型的应用

　　1应用情况简介

　　“学习科学与技术”虚拟社区是曲阜师范大学传媒学院为教育技术学专业学生提供资源服务、课程研修、交流讨论、彰显自我价值的线上平台。为了验证基于大数据的生本学习模型的应用效果，本研究从曲阜师范大学教育技术学专业中选取了240名本科生为研究对象，在“学习科学与技术”虚拟社区中进行了该模型的应用，具体过程如下：参与虚拟社区学习活动的240名学习者在虚拟社区借助系统推送的教学支架，自主学习相关知识→系统采集这些学习者的个人资料数据和学习状态数据，并上传至虚拟社区的学习者数据库→系统处理分析学习者数据库中的信息→所得的分析结果，一方面以教学支架的形式重新推送至虚拟社区学习者界面，便于学习者借助新的教学支架开展深度学习;另一方面以可视化信息面板的形式呈现给虚拟社区教师界面，便于教师干预学习过程，生成更有利于学习者学习的新的教学支架，并上传至虚拟社区的教学支架库。

　　2满意度分析

　　将基于大数据的生本学习模型应用于“学习科学与技术”虚拟社区学习活动之后，本研究采用以下两种方法对该模型的满意度进行了分析：

　　①问卷调查法。本研究编制了“基于大数据的生本学习模型满意度”调查问卷，采用李克特五点量表计分法设计题项，以参与虚拟社区学习活动的240名本科生为调查对象，通过团体施测的方法发放问卷240份，回收问卷240份，回收率达100%;剔除答案缺失的问卷后，得到有效问卷232份，有效率达96.67%。与此同时，本研究采用SPSS19.0进行了问卷的信度分析，测得Cronbach’sα值=0.916>0.7，说明问卷具有较高的可靠性;同时，问卷的内容设置也得到了相关专家的认可，在对变量进行KMO检验时测得KMO值=0.804，Bartlett的球形度检验近似卡方值=414.357，显著性水平达到0.000，说明问卷的内容效度良好。问卷调查结果显示，被调查者在五个项目回答中选择“同意”的频率最高，有效百分比均在71.8%以上，说明大多数被调查者在虚拟社区学习活动中对教学支架推送合适、数据采集有效、系统分析全面、技术平台可靠、教师干预及时感到满意。

　　②实证分析法。本研究将模型满意度作为被解释变量，通过影响模型满意度的五个因素的均值计算变量，得到各因素的描述性统计，如表2所示。表2显示，被解释变量(模型满意度)的均值=4.1257，方差和标准差均<1，说明数据点分布集中，数据间差异小，参与虚拟社区学习活动的被调查者对该模型基本满意。

　　五小结

　　未来的学习将处在大数据驱动的新时代，而未来的教育将从“经验主义”转为“数据主义”。每一位教育工作者都要学会应用大数据分析学习进程和学习结果，并不断改进教学方式与方法。概括而言，本研究构建的基于大数据的生本学习作用模型具有以下价值：①通过向学习者推送适合其学习的教学支架，实现了“因生施学”;②借助优化算法，有效采集和存储每个学习者的学习轨迹，实现了“有教无类”;③依据动静结合的原则，系统分析学习者的个人资料数据和学习状态数据，实现了“统筹兼顾”;④通过系统自动调整处理方法支持学习者学习，使教师可以更多地关注学习者的个性化培养，为新时代的教师角色定位提供了可能路径。此外，本研究将基于大数据的生本学习作用模型应用于“学习科学与技术”虚拟社区学习活动中，收到了被调查者的良好反馈，也在一定程度上体现出大数据与生本学习融合的普适性。可以说，基于大数据的生本学习作用模型的构建与应用，有助于解密教育教学难题，助推教育发展创新。

　　基于大数据的生本学习作用模型的构建与应用相关期刊推荐：《现代教育技术》(月刊)创刊于1991年，由教育部主管，清华大学主办，为中国教育技术协会会刊。本刊面向教育理论研究和教学实践探索的诸多领域，尤其关注教育信息化、现代化建设，为教育技术理论研究和实践探索提供学术园地。