基于大數據的Python語言個性化學習分析模型的研究與應用

喻永尚，劉 勇（通訊作者），張桂芬

（廣西民族大學電子信息學院 廣西 南寧 530006）

1 引言

在傳統的教育模式中，從基礎教育到高等教育的學習者與教師皆需處于同一空間與時間進行面對面的授課模式，以往的教育方式給學習者帶來了充足的體驗感，但進行這一模式所需的條件在某些情況下是可能無法滿足的，并且在長時間的研究與調查中發現，傳統的教學方式并未為學習者帶來具有針對性、高效性的學習環境。2019年2月，中共中央、國務院印發《中國教育現代化2035》，明確提出要建立協同規劃機制、健全跨部門統籌協調機制，完善區域教育發展協作機制，全方位協同推進教育現代化建設[1]。教育現代化的推進與基礎教育及高等教育的建設，為Python語言個性化信息分析模型在教育領域的眾多應用奠定了堅實的基礎。隨著大數據產業的不斷成熟，在大數據的支持下的個性化學習分析使得教育模式實現了質的飛躍，由傳統的“一對多”模式走向“個性化”模式。

2 基于大數據的個性化學習分析結構的構建

基于大數據的個性化學習分析模型的最終目標是實現“因人施教”。傳統的教育模式最大的弊端是忽略了學習者個體差異，導致學習者在學習的過程中并不能跟隨課堂節奏因而學習效率尚未達到最佳狀態，個性化學習分析結構由8個環節組成，該結構充分說明了該模型的詳細流程，如圖1所示。在該系統中，知識領域專家制作出領域知識圖譜，由知識圖譜提供課件元素，并結合個性化干預引擎以及自適應推薦引擎根據學習者特征信息和基礎數據庫二者所產生的結果，最終得出自適應課件，并將該課件反饋至學習者的學習內容中，有助于呈現出最適合學習者的學習內容；根據調查、采集可穿戴設備等其他數據收集方式所產生的數據作為學習者的特征信息，并將該特征信息分別通過自適應推薦引擎與教育測評引擎進行分析，有助于培養學習者的自我效能；教師、管理者根據教育測評引擎結合學習者特征信息所產生的結果并傳遞至信息面板的可視化學生信息，調整教學方式及教學內容，實施個性化教學干預，有助于實時動態掌握最為準確的學習者的學習評估并且能夠提高教育質量。

2.1 學習內容

學習內容是學習者的主要需求，包括學習安排、學習課件等一系列學習模塊，其中知識點通過有助于記憶與理解的圖形符號的形式進行呈現出來，如流程圖、思維導圖等。學習者首次使用系統時，學習內容是通過一些預處理（如分析相同類型的學習者的學習內容）之后所推送的，日后的學習內容根據系統中各個引擎進行分析之后在進行修改與完善。

圖1 個性化學習分析結構

2.2 學習者特征信息

學習者特征信息包括學習者對知識領域目前的掌握程度、當前外部刺激對人所產生的主觀體驗、學習者對外界事物認識的能力、學習者對自身認知活動的自我調節和意識等。學習者特征信息通過調查、可穿戴設備等數據收集方式進行采集并存入數據庫中，之后再進行數據清洗加工等一系列處理，使得數據更加精準并具有高質量的價值，對學習者特征信息的處理與自適應推薦引擎以及教育測評所產生的結果有密不可分的關系。

2.3 基礎數據庫

基礎數據庫包括學習者的各類基本信息，如姓名、年齡、性別、專業、愛好等，以及學習者的歷史學習記錄，如成績、先前課程、老師教評等。為了制定出最適合學習者的學習內容及學習規劃，僅依據學習者的特征信息將無法產生最優的結果，因此還需要參照學習者的歷史學習記錄，將這些數據綜合起來才能形成更為詳細的學習者個人信息。

2.4 自適應推薦引擎

自適應推薦引擎運用內容分析法對學習者特征信息以及基礎數據庫中的學習者的學習行為特征進行分析，同時通過時間序列預測法進行分析動態數據以及話語分析法分析學習者在學習過程中所產生的文本內容等以便預測下一步學習者可能會做出的學習行為，并且運用決策樹預測法對在學習過程中所產生的一些重要數據進行運算分析，經過自適應推薦引擎的各種分析之后所得出的結果有助于為學習者提供更為合適的學習內容。

2.5 個性化干預引擎

個性化干預引擎是由教師通過自身的多年教學經驗以及對學習者的要求對學習者的學習內容、學習安排進行修改與完善的一項重要板塊。針對學習效率以及學習成績較差的學習者，管理員以及教師通過個性化干預引擎及時為其給予幫助與干預，提供一些較為適合其自身的學習內容，目的在于通過此項操作來提高學習者的學習效率，并且在日后的學習過程中學習者能夠重拾信心。

2.6 教育測評引擎

教育測評引擎是對學習者的特征信息以及歷史學習記錄通過統計與數學方法中平均值法、中值法、標準偏差法等進行計算與分析，該過程常常與大數據中數據挖掘及數據分析技術相結合，使得測評結構具有前瞻性和權威性。

2.7 可視化信息面板

可視化信息面板對于教師、管理員和學習者是開放的，通過可視化技術，以散點圖、評估模型等形式呈現學習者的綜合測評結果，摒棄了傳統通過分數形式進行評判學習者的學習能力以及學習效率的方法，而對教育測評引擎所得出的結果采用數據描述的方法以便于人們發現數據之中的隱藏內容，并對學習者結合其自身的學習能力做出客觀準確的評價。

3 基于Python語言個性化學習分析模型

3.1 知識結構可視化

腦科學研究發現，目前人類右半腦的開發和利用非常有限。人類大腦的各種技巧如果能被和諧而巧妙地加以運用，將比彼此分開工作產生更大的效率。思維導圖利用“左腦+右腦”的“全腦”思考模式，有利于激發大腦的潛能，并使大腦平衡協調發展[2]。因此個性化分析學習模型的實現運用可視化技術來描述Python語言知識體系并將其呈現給學習者，實現了將在傳統的學習過程中雜亂的知識點有條不紊地聯系起來，能夠清晰表達出知識與知識之間的內在聯系，降低了學習者的學習負擔，促進了學習者對Python語言知識的理解與記憶，并在心理方面增強了學習者對Python語言學習的興趣。如圖2所示的《Python語言程序設計》知識結構圖。

圖2 《Python語言程序設計》知識結構圖

當學習python語言程序設計中的某一知識點時，學習者可以從知識結構圖中選擇學習板塊，系統將會依據學習者特征信息個性化進行推薦與安排學習計劃、最佳學習資源、相對應的知識點練習和測試，同時推薦與該學習者具有相似的特征信息的學員所學習的內容板塊，可為學習者打造適合自身的學習平臺。

3.2 學習過程與測評結果可視化

在傳統的教育模式中，學習者在從基礎教育至高等教育期間都經歷了以數字的形式作為一種評價其在該階段的學習表現及學習能力，該數字結果的產生是僅基于教師、輔導員對該學習者的日常表現的一種主觀評價和在學期結束之際進行的考核中學習者的表現，該結果是片面的和短暫的并不具有權威性及客觀性。更全面的教育測評結果應該基于大數據個性化學習分析技術對學習者在學習過程中的綜合表現進行分析所產生的具有準確性及實時性的有效數據，依據不同的評測項目進行評價并以可視化的形式（如蛇形圖、山脈圖）展現給教師、管理員和學習者?？梢暬问骄哂袑碗s數據以直觀的視覺形式表現出來的特性，并能夠將一些抽象的、毫無關聯的信息整合起來，致使學習者、教師和管理員能夠在可視化信息面板中擁有更好的體驗感，并能夠直接從中得出所需的結果與結論。采用大數據數據分析的技術進行實時分析數據并可視化呈現，教師能夠更加清晰地看到學習者的表現情況并對其課程做出適當的干預與調整，此外，學習者通過分析出來的結果更加了解自己的學習狀況，并且能夠知曉自己離心中所定下的目標的差距，并以此來激發自身的學習熱情，做出適當的調整。

學習過程可視化的實現通過Ajax、消息推送、可視化等信息技術[3]，基于Vue.js、J2EE、SSM框架進行開發實現，如圖3所示。該模塊中包括學習者的學習進度、學習日常安排、學習時間、學習記錄等一系列數據，運用不同的顏色圖標來表示各個數據的評測結果，其中紅色圖標表示嚴重警告，黃色圖標表示警告，綠色圖標表示通過，灰色圖標表示未開始。

圖3 學習過程可視化框架圖

4 結語

個性化學習的精準性與優越性為學習者提供了最佳的學習環境，這必須借助于大數據分析與數據可視化的直觀性。本文所提出的基于大數據的python語言個性化學習分析模型已經基本上實現了自適應性學習模式，完善了自主學習并分析數據的功能，能夠進一步地將數據之間所隱藏的關系揭示出來，從而更加完整地了解學習者的學習情況并能夠為學習者提供最佳的學習安排，另外有助于更加全面地評測學習者及進行個性化干預。另一方面，可視化將使學習者對Python語言的知識結構有了更加清晰的認識，使得教育測評中的數據之間的關系更直截了當地展現給用戶。