面向在线教育的大数据研究与应用.docxVIP

面向在线教育的大数据研究与应用 随着互联网和web技术的快速发展，网络教育和培训在网络教育中引起了越来越多的关注。随着网络应用和web技术的快速发展，网络教育和培训的形式和方法随着计算机和人的教育观念的变化而发生了很大变化。从20世纪末的远程教育模式到资源平台模式，再到今天的云商业教育模式，从静态公共分配到互动开放课堂，网络教育的概念和模式发生了重大变化。 随着在线教育浪潮的掀起, 在线学习平台纷纷闯入人们的视线, 其中具有代表性的平台之一就是大规模在线开放课程 (massive open online course, MOOC) .它是一种面向大众的开放式大规模网络课程.该平台借用发达的网络和视频技术缓解了教育资源缺乏、教育资源分配不均衡的问题;相比于MOOC, SPOC (small private online course) 平台主要面向几十人到几百人的课堂, 对于注册课程的学生也有严格的限制, 只有满足对应课程要求的申请者才有资格学习该课程.SPOC这种小型课堂教学模式让教师成为真正的课程掌控者;除了MOOC, SPOC之外, 还有在线学习社区、移动端数字图书馆、移动阅读等等.这些在线教育平台为学生们营造了一个资源齐全、积极互动的氛围, 强化了学生课前自主预习与课后巩固练习的环节. 国外知名MOOC平台———Coursera, 截止2013年8月注册人数已经超过450万, 推出近4个月全球范围内就有196个国家的学生参与其中.截止2012年, 面向K12教育的可汗学院参与人数达到1 000万, 视频每天的访问量在10万到20万次, 视频累计观看次数为2亿1千万次.由清华大学打造的中国的MOOC平台———学堂在线, 截止2013年10月选课总人数超过了13000人次, 单一门《电路原理》课程就吸引了来自150多个国家的11 000余名学生. 面对在线教育平台上如此庞大繁杂的数据, 面向在线教育领域的大数据研究及应用显得尤为重要.“大数据”是需要经过一定的处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产.本文提到的“大数据”并不仅仅指海量数据, 更多的是一种“数据为大”的思维方式, 也就是说, 使用客观的用户数据来指导决断, 进而减少个人喜好等因素的干扰.它的关键之处就在于从数据到价值的转换过程.本文研究的目的在于利用在线教育领域中的数据来辅助和指导学生的学习、教师的教授以及人才的选拔. 本研究旨在使学生拥有个性化、多元化的学习路径, 实现系统、文化、资源的全球整合.利用在线教育平台上的大数据可以:1) 跟踪学生的行为档案, 实时记录学生对知识点的掌握情况以及在其上花费的时间.根据这些信息可以更加真实的了解学生的学习状况从而进行个性化辅导;2) 辅助教师优化教学方法, 改进教程设计从而制定更加合理的教学大纲;3) 探究学习规律, 并预测学生未来的发展, 为选拔发掘不同领域的人才提供更加便捷和可靠的途径. 1 在网络教育领域的数据 在线教育领域中的数据复杂多样, 本节从数据的分类和特点两大方面来介绍在线教育系统中的大数据. 1.1 创建课程,上传上传 在在线教育平台上学生可以随时随地观看视频、学习课程内容, 教师可以在任何时间、任何地点创建课程、上传通告等.这里按照数据的获取方式、数据的来源和数据的存储形式这3种方式将在线教育平台产生的数据进行分类. 1.1.1 课程学习数据 按数据的获取方式可将其分为显式数据和隐式数据. 显式数据包括用户注册信息、兴趣标签、已选课程、课程练习成绩、课程总成绩、对课程的评分、对讨论内容的评价等. 隐式数据包括搜索的关键词、浏览内容及次数、课程学习实践、练习时间、翻看讨论内容时间、下载文件、拖动滚动条次数、视频暂停次数、浏览器收藏记录等. 1.1.2 用户信息的定义 按数据的来源分为用户信息、课程信息、习题信息、视频信息、论坛信息、用户行为信息以及知识图谱. 用户信息是指用户的个人信息, 包括用户的基本信息、学习课程的成绩信息和对知识点的理解程度等;课程信息指课程的内容和组织结构等;习题信息指习题内容和相关的习题提示信息等;视频信息包括视频、音频和字幕等;论坛信息包括论坛的组织结构和帖子内容等;用户行为信息指用户浏览网页、播放视频等的行为记录;知识图谱是知识点的集合, 初期由教师绘制, 后期采用自动结合人工的方式对其进行维护和更新. 1.1.3 维表结构模型 按数据的存储形式分为结构化数据和非结构化数据. 结构化数据是指可以用二维表结构来逻辑表达实现的数据, 在在线教育平台上包括用户基本信息、课程信息等;非结构化数据就是指那些不方便用数据库二维逻辑表来表现的数据, 其中包括视频、音频和知识图谱等. 1.2 在线教育领域的数据 处在数据爆炸性增长的时代