基于大数据技术的个性化在线教育互动式教学路径

引言

近年来大数据技术获得了人们的热切关注，与此同时大数据技术下的在线学习平台也受到了人们的认可，越来越多的在线学习平台横空出世。“一起作业网”就同步了中小学的教材和作业，充分利用大数据的分析处理技术，依靠教研队伍的力量为学生提供在线教育互动式服务。

一、大数据技术的个性化在线教育互动式教学的优势

（一）有效调整学生的学习状态

题海战术是传统教学比较常用的模式，最为典型的就是为了应对考试，各科老师为学生准备了做不完的试卷。此时学生也只是盲目做题，还有可能是一遍一遍重复做自己已经会了的题。不得不承认，这样做是提高学生学习成绩的好方法，但是学生的厌烦情绪却与日俱增，学生学习越来越提不起兴趣，产生十分严重的排斥心理。试卷太多做不完，就只好胡乱填写，也有可能是抄袭他人的试卷。而大数据技术在线教育个性化互动教学能够帮助学生摆脱题海战术。这一教学模式会分析学生的认知差异，还能记录学生的学习状态，并以此为依据，掌握学生对知识点的认知程度，每一个知识点单元的结构都有所不同，大数据技术能够构建不同知识点的网络结构。而且会为学生安排层层递进的知识点，根据每一题的难度，安排题目的出场顺序[1]。此时学生也能发现题目的难度规律，会以不断挑战极限为目标，一次一次突破自己。其实这和很多过关游戏有着相同的性质，大数据在线教育就是继续发挥这一性质有效调整学生的学习状态。

（二）有针对性地提高学习成绩

事实上每一个教育对象的理解能力、注意力集中程度、学习成绩都有所不同，而且他们对教学内容的掌握程度也各不相同。所以在教学的过程中，会发现学生的认知有着很大的偏差，课堂上的答疑需求很大，最为明显的就是高中的课堂，学生不会的知识实在太多，每天有大量的作业要完成，甚至没有时间思考自己不会的问题是什么，更无法实现个性化学习。在课堂上常常表现出十分明显的呆滞现象，感到学习生活毫无乐趣可言，毫无成就感。而此时老师也无法发挥应该实现的引导作用。在一对多的教育模式中，表现出了十分明显的批量化、低成本化特点，也很难兼顾学生的个性化需求[2]。而大数据在线学习系统能够准确记录每个学生的学习状态，也能反映每个学生对知识点的掌握情况。老师在了解了这些情况以后，就能够针对学生的具体情况，为学生调整学习计划，也就是说在大数据的支持下，老师的个性化教学成为可能。在线教育个性化推荐的应用前景十分广阔，会在很大程度上减轻学生的学习负担，可以针对学生不会的问题加强训练，快速有效提高学习成绩。

（三）为学习者提供个性化的学习资源

大数据在线学习中有个性化推荐的功能，这一功能十分常见。在进行互动式教学的过程中，老师要重点强调这一功能，为学生推荐合适的学习内容。因为很多学生其实自己也不知道自己哪里不会，不管是任何一个领域，需要学习的内容都十分复杂。比如高中的化学知识，再比如大学的高数知识。学生学习起来难度非常大。个性化推荐所选择的推荐内容是在建立用户模型的基础上完成的，而且还会考虑到受教育者的偏好情况。会预测用户可能需要什么类型的学习内容，然后将最终确定的内容推荐给学习者。学习者学习完成之后，平台会将学习行为记录下来，之后确定推荐的学习内容是在这些行为基础之上进行的，学习一次就会刷新一次用户模型，形成新的用户模型。之后推荐的学习内容会更加适合学习者，也会更加符合学习者的偏好。以难度为标准实现个性化推荐，也是大数据在线学习能够实现的功能，智能题库是这项功能实现的基础支撑，为学习者检验学习成果服务。每完成一次练习之后，都会运用大数据技术计算学习者的个性化学习难度，之后为学习者生成符合学习者水平的难度习题，真正实现为学习者提供个性化的练习题目。

二、基于大数据技术的个性化在线教育互动式教学路径

（一）积极填充教学资源

在线教育的学习资源要有效填充有效整合，在丰富教育资源的同时，确保教育资源的价值。这些教育资源的类型有录制的课程、直播的课程、讲师资源，另外还包括智能教师教育资源。只有教育资源多元化，受教育者的选择资源空间才会更大。中国有句古话：“三人行必有我师。”只有教育资源多元化，才能让学生找到自己真正的“老师”。在线教育培训对象的数量越来越多，在线教育资源提供者的数量也越来越多。大数据技术有着强大的采集功能，也就是说，网络上存在的学习资源，包括知识总结、实践感悟、技能技巧总结，这些都能被大数据技术收集。收集完成之后，还要经过整理和总结，才能发挥作用。作为年轻一代，作为被教育者，也应该积极分享自己的学习经验，而且曾经作为被教育者总结的学习经验，更具实用性，也能帮助未来的学习者更快掌握知识技能。在大数据在线学习系统中每一个人都可以成为老师。大数据在线教育平台要想吸引更多的会员，就要不断丰富教学资源，发动用户和会员的力量积极创作上传教学资源[3]。

（二）挖掘数据资源潜在的应用价值

大数据本身不具备随机和自发转变的功能，因此不能完成系统化整合资源的工作。但是大数据的关系分析法会辅助资源整合，而且大数据技术还具有科学预测的功能，能够预测教学资源思维变革。所以说大数据致胜的关键就在于它的预测和分析功能。在大数据的作用下，变革在线教育的形式成为可能，要明确有关技术的发展方向，做到创新性的应用数据资源。目前社会各界开始逐渐认识到大数据的应用价值，也开始重视大数据的应用价值。可以发现有很多的企业都在自主开发相关的大数据技术，与此同时不管是大数据管理还是大数据处理技术，都在一步一步完善成熟，而且在研发的过程中花费的成本也不高[4]。从目前的发展情况来看，大数据在线教育缺乏的是创新意识，这阻碍了大数据技术实现应用价值。因此要通过大数据开发新的技术，挖掘数据资源潜在的应用价值。只有实现思维、数据和技术的有机结合，才能让在线教育平台的应用取得良好的教育效果。

（三）让每一位用户都实现分布式管理

大数据技术的个性化在线教育互动式教学要实现的是学习者和平台的良好的互动。学生可以在没有老师的指导下完成相关内容学习。在学习平台上每一位用户都能实现虚拟分布式管理，实现分布式运行程序。此时不需要用到昂贵的硬件分布式环境。比如某系统为每一位用户配备线上的虚拟分布式管理功能，这是专属的管理功能，后续的研究部署需要线上的分布式环境来实现。在线教育系统搭建的主页面要通过分布式的环境模块来实现，搭建分布式环境的方式和要实现的设计效果会在在线教育系统中有详细的讲解。所以用户就能够在讲解的指导下，自行搭建一个个性化的在线分布环境。在网站的服务器上储存着节点的设置方式。另外这些操作内容不会影响用户的电脑，也不会增加系统服务器的运行压力。

（四）丰富在线学习系统的功能

大数据在线学习系统应该具备快速开始登陆的功能，系统的界面应该具有灵活便捷的特点，这样用户才能快速找到自己想要学习的教学资源。而分布式环境会加快用户调动线上终端的速度。而且用户也能根据自己的需求选择合理的分布式环境配置。此时线上分布式环境就能够得到优化。用户第一次登陆在线学习系统就能够看到各种资源课程。在日后用户也可以根据自己的需求，加入不同的学习资源，而且也可以对分布式模板加以调整，使得在线学习系统更加符合用户学习的需求。在线学习平台上要有在线答疑的功能。学生在学习完每一课时的教学资源时，都会产生不同的疑问，为此要设置疑问回答区，学习者能够通过疑问回答区提出问题。老师在登录系统以后就会看到这些问题，而且所有的用户都能看到这些问题，老师针对学生的问题，统一为学生答疑解惑，让学生真正理解知识掌握知识。在线学习系统还应该具备整合课程的功能。教师可以登录系统，新建课程、修改课程、同时也可以将自己制作的视频教学资源上传至在线学习系统。这些教学资源的形式是多种多样的，可以是资料文件，也可以时视频文件，还可以是为学生布置的作业。

（五）保证在线学习系统的安全性能

网络世界中存在着破坏力极强的各种病毒，这些病毒会破坏系统的稳定性能，有可能会导致在线学习系统无法正常运行。为此保障大数据模式的安全尤为重要。要切实提升在线学习系统的安全性能。安全保障工作要从用户登录这一环节开始。应该严谨检验用户的身份，用户有可能在平台上输入了不符合要求的内容，要有效规避出现这种情况，为此检测用户输出的内容必不可少。计算机病毒有可能隐藏在邮件内，而且还可以从文件后缀形式中判断是该文件是否是病毒。学习者学习在线学习系统提供的知识，有时也需要从系统上下载一些知识，为此系统应该对输出的信息加密，避免信息在输出的过程中遭到破坏，保证信息资源能够准确传递给学习者。对于用户信息的保护，可以通过MD5加密技术实现。在线学习系统需要限制网站页面，也就是说将检测环节嵌入到页面加载信息之前。这是因为普通用户的分布式模块不允许他人随意修改，另外教师的权限能够实现修改课程，所以也要屏蔽普通用户进入到修改课程的页面。

（六）为学习者提供量身定制习题

能够为学习者量身定制习题的个性化推荐系统才是好的在线学习系统。目前已经出现了多种个性化推荐在线学习平台，但是这些平台的侧重点各不相同。但是它们的基本原理大致相同。都要先收集大量的离线数据资源，之后会发挥大数据技术的处理优势，将其中存在的异构数据源挑选出来，最后会统计分析那些十分杂乱的数据，深入探究其中潜在的规律，发现隐藏在数据资源中的趋势。数据处理的结果与预测的学习者模型结合，实现对学习者的个性智能化推荐。离线数据的构成内容有习题的特征属性，这些属性指的是专业学科、学习知识点、年级阶段、知识点难度。构成内容还有学习者的属性信息，就是学习者的年级、阶段。另外还包括学习者的学习行为信息，包括知识学习完整性、完成学习所花费的时间。协同过滤相关的理论在个性化智能推荐中发挥了重要的作用，能够有效挖掘学习者有价值的行为信息，增强个性化推荐系统的可行性。

（七）科学确定练习量和题目难度系数

知识点的理解程度系数是UD，在线教育个性化推荐就是针对UD建立学习者的模型。BP代表的是神经网络，运用BP进行计算确定知识点的UD值。比如把理解难度系数划分为10个等级，也就是说难度等级分别为0到9。当某位学习者的学习难度期望值是9时，计算出学习者的实际值，并将该值与期望值相比较，进而得出差距值。以差距值为依据向学生推荐适合学生的习题。习题难度是习题推荐的一个指标。此时用EI来代表每道题的难度系数，此时一共分为10个等级，难度等级为0到9。UD值决定推荐习题的难度系数，也就是说EI=UD，系统会自动向学习者推荐对应的知识点难度等级习题[5]。题量也是习题推荐的一个指标，在确定学生做题量时，要先分析学生以往习题的错误率，在统计分析的基础上确定为学生推荐的习题量，帮助学生达到练习和巩固复习的目的，运用的计算方法是轮盘算法。

三、结论

综上所述，本文研究基于大数据技术的个性化在线教育互动式教学路径，认为学生在在线教育平台上能够获得良好的自学效果。因为个性化在线教育模式突破了传统教学的盲点，可以说开辟了一条教育界的新道路，学生在这样的学习模式中，会勇于挑战自己，勇于突破自己。