面向个性化教育的大数据技术初步探索

2.1 实现个性化教育的关键是学习评价

如何进行更深入、更专业的学习评价是实现个性化教育的关键环节。个性化教育学习评价技术应考虑教育大数据的多样性、及时性、可追溯性等特点，根据学生、教师、管理三维评价需求，教育教学大数据挖掘分析，结合态度、行为、背景等因素，分析发现学生思想、行为和心态的变化，通过各种数据指标评价分析为个性化教育提供第一手信息。基于大数据的个性化学习评价技术需要关注以下分析内容。

（1）学习行为：学生的学习效果与学习行为密切相关。学生的行为数据包括进出图书馆的次数、借阅书籍的类型、生活记录信息等，计算每个学生的学习和生活状态。分析学生的学习行为可以为学习预测和学习预警提供更科学的数据支持，如描绘学生生活和学习的规律性。如果一个学生最近几个月的工作和休息非常不规律，那么他的成绩可能会下降，或者一个学生进出图书馆的频率更高，学习成绩会朝着良好的趋势发展；或者分析课程的相关性，如试点课程的掌握对后续课程的成绩有很大的影响。通过各种学习行为数据的分类、聚类和预测挖掘技术，从多个角度学习预测分析是学习评价技术应解决的主要问题。（2）学习趋势：通过数据挖掘分析学习者在学习过程中产生的各种信息和数据，预测学习趋势，评价学习效果，进一步发现学习规律，为优化和完善教学指导提供个性化数据，为学习者提供个性化的学习指导。例如，根据新生课程的学习效果预测后续学习的方向；或者未通过某些核心基础课程的学生在专业课程学习过程中遇到困难的可能性很大。

（3）学习预警：挖掘学生学习行为和学习成绩（成绩、获奖、重建、延期等）的历史数据，通过学生用户肖像和聚类预测挖掘技术，得出优秀学生和问题学生的共同特征。根据设定的特征权重阈值，对后来的学生进行学习预测，并对符合差生发展趋势的学生进行预警和指导。通过聚类挖掘技术，发现远离群体特征的异常学生，可能特别优秀，个性与普通人不同，或有相关心理问题。结合预测结果的判断，教师进行预警，提前注意指导。

2.2 教育大数据涉及四个层次的共性技术

以上学习评价内容是个性化教育大数据挖掘和分析的重点。为了实现个性化教育的大数据分析目标，还需要明确以下问题：如何收集和存储高校多维数据（学生、教师、管理）；通过交互分析技术和数据挖掘建模技术，探索教育数据，如何展示和交互分析结果；如何评价、反馈和优化分析结果，指导个性化教育实践。针对上述问题，一般来说，教育大数据分析的共同关键技术[9]涉及四个层次：收集、存储、计算和展示。

1)数据采集技术。

目前，大多数学校基本建立了完善的管理信息系统，积累了大量的数据。除了通过数据库提取技术收集必要的结构化数据外，还需要考虑通过数据界面或网络爬虫等技术收集各种系统和网络中散布的大量半结构化和非结构化数据。在采集过程中，需要对数据进行清洁和脱敏，以确保数据的质量和安全。

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。传统关系数据库的存储和访问瓶颈不能自行解决。HDFS的分布式和高可用数据存储一般与HBase相结合、Hive等NOSQL数据库解决了大量教育数据存储问题。同时，需要设计多维数据的索引和逻辑关系存储。

3)数据计算技术。

数据计算是教育大数据和学习评价技术的核心内容。围绕大数据细分目标选择相关技术，主要研究挖掘技术（如预测、聚类、分类）模型和算法。此外，为了提高计算性能和处理能力，可采用Mapreduce离线计算模式进行教育数据处理，或基于Spark的内存计算模式或Storm流计算模式，提高大数据计算性能和响应效率。

4)数据可视化技术。

对于教育大数据的应用效果，如何对分析结果的友好展示和互动决策操作起着决定性的作用。大数据可视化是高等教育管理者和教师快速掌握和理解大数据分析结果的重要技术手段。使用控制面板、多维图表等数据可视化技术可以降低大数据应用的难度。