1、,大数据在教育领域的应用,大数据在教育领域中的应用,2019/7/7,大数据在教育领域中的应用，主要指的是在线决策、学习分析、数据挖掘三大要素，其主要作用是进行预测分析、行为分析、学业分析等的应用和研究，大数据含义指的是对学生学习过程中产生的大量数据（数据来源包括两方面，即显性行为和隐性行为，其中隐性行为包括论坛发帖、课外活动、在线社交等不直接作为教育评价的活动，显性行为包括考试成绩、作业完成状况以及课堂表现等）进行分析，大数据模型以及显示的数据能够为学校和教师的教学提供参考，及时、准确的评估学生的学业状况，发现学生潜在存在的问题，进而预测学生未来可能的表现。,国外教育大数据公司介绍,2019
2、/7/7,当IBM刚刚开始与这一学区合作时，除了学生成绩不好之外，该县还面临着辍学率已增加到48%的严峻情况。根据联邦政府的不让一个孩子掉队法（No Child Lift Behind，NCLB），学生成绩糟糕的地方政府将受到惩罚。为了应对这一巨大的挑战，该县此前已经在学生数据的基础上建立了一个辍学指示工具，并将其用于全县层面的决策。但IBM认为这仍不足以改善莫白儿县窘迫的现状，需要借助IBM的技术支持重新建立大数据，进而利用大数据分析来改善学区内所有学生的整体成绩,1,IBM,“希维塔斯学习”是一家专门聚焦于运用预测性分析、机器学习从而提高学生成绩的年轻公司。该公司在高等教育领域建立起最大的
3、跨校学习数据库。通过这些海量数据，能够看到学生的分数、出勤率、辍学率和保留率的主要趋势。通过使用100多万名学生的相关记录和700万个课程记录，这家公司的软件能够让用户探测性地知道导致辍学和学习成绩表现不良的警告性信号。此外，还允许用户发现那些导致无谓消耗的特定课程，并且看出哪些资源和干预是最成功的。,2,希维塔斯学习”（Civitas Learning）,推出了基于他们自己过去的学习成绩数据预测并改善其未来学习成绩的大数据服务项目。这家公司的新产品名为“学生成功系统”（Student Success System）。“渴望学习”声称加拿大和美国的1000多万名高校学生正在使用其学习管理系统技
4、术。“渴望学习”的产品通过监控学生阅读电子化的课程材料、提交电子版的作业、通过在线与同学交流、完成考试与测验，就能让其计算程序持续、系统地分析每个学生的教育数据。老师得到的不再是过去那种只展示学生分数与作业的结果，而是像阅读材料的时间长短等这样更为详细的重要信息，这样老师就能及时诊断问题的所在，提出改进的建议，并预测学生的期末考试成绩,3,渴望学习”（Desire 2 Learn）,国外教育大数据应用案例,成功创造并发布了各自版本的利用大数据的适应性学习（adaptive learning）系统。在2012年国际消费电子展的高等教育技术峰会上，世界最大的教育出版公司培生集团（Pearson）与
5、适应性学习领域里的先行者纽顿公司共同发布了主要由培生集团开发的适应性学习产品“我的实验室/高手掌握”（MyLab/Mastering）。这款产品在将全球范围内向数百万名学生提供个性化的学习服务，向他们提供真实可信的学习数据，让学校通过这些数据提高学生的学习效果并降低教学成本。首款产品将在美国的数十万名学生中使用，包括数学、英语，以及写作等技能开发课,4,“纽顿”（Knewton）,总部设在英国伦敦的培生集团和其他出版公司共同开发的“课程精灵”系统（CourseSmart），也允许教授们通过让学生使用电子教科书来跟踪他们的学业进展，并向助教们显示学生的学习参与度和学习成绩等大量的数据信息，只是这
6、一系统尚不具备预测的功能。,5,培生集团,学习分析关键技术与主要工具,1. 从学生方面来说，学习分析技术在了解学生学习现状之后，通过分析学生数据，找出相关问题，对学生学习过程进行优化，帮助学生培养良好学习习惯，从而达到学生自我学习的目的。2. 从教师以及管理人员方面来说，学习分析技术可以评估教学课程和相关机构，帮助同步改善学校既定考核方式，深入分析教学数据，为教师帮助学生解决实际问题指明教学不足和更优方法。3. 从研究人员方面来说，学习分析技术是一种研究学生和网络学习的有效工具。4. 从技术开发人员方面来说，学习分析技术管理系统各模块各不相同的使用频次和路径能有效指导系统界面的相关优化设计，并
7、可以完善系统日志相关管理功能。,数据挖掘在教育信息化中的具体应用空间,学习者特征由学习者的知识结构和学习风格组成。知识结构说明了学习者对正在或将要学习知识的掌握情况，主要包括学习者初始技能、当前技能和目标技能。学习风格包括学习者的生理特征、心理特征和社会特征三个方面,1,学习者特征分析,学校教学管理数据库中记录着各届学生与教师的学习、工作、社会活动、奖励、处罚等情况，利用数据挖掘的关联分析与演变分析等功能，寻找师生各种行为活动之间的内在联系。如“当存在A，B时可以推出C”这样的规则，即当有A行为和B行为发生时，还会有C行为。在实际情境中，如果发现学生或教师已有A，B行为时，马上可以分析其产生C
8、行为的可能性，及时制定策略促进或制止C行为的发生,2,干预师生行为,利用学校教学数据库中存放的历届学生各门学科的考试成绩，结合数据挖掘的关联分析与时间序列分析等相关功能，就能从这些海量数据中挖掘出有用的信息，帮助分析这些数据之间的相关性、回归性等性质，得出一些具有价值的规则和信息，最终找到影响学生成绩的原因。,3,合理设置课程,在教学科研网络普遍建立的今天，利用数据挖掘工具，对学生的学习成绩数据库、行为记录数据库、奖励处罚数据库等进行分析处理，可以即时得到学生的评价结果，对学生出现的不良学习行为进行及时指正。另外，这种系统还能够克服教师主观评价的不公正、不客观的弱点，减轻教师的工作量。,4,学
9、习评价,自适应学习系统中教育大数据应用,2019/7/7,基于大数据的自适应学习系统运行流程图,第一步，学习者生成学习行为数据，经过内容传递模块，数据将被标记上时间戳；第二步，数据按照预先定义的结构存入学习者数据库；第三步，预测模块从学习者数据库和学生信息系统中采集数据，根据不同的分析目的，调用不同的分析工具和模型对数据进行分析；第四步，自适应模块根据预测模块中数据挖掘和分析的结果，通过内容传递模块为学习者提供合适的学习指导和学习策略；第五步，预测模块中数据挖掘和分析的结果同时被传递给显示模块，供教师和教学管理者使用；最后，教师和教学管理者根据分析结果，通过干预模块对系统进行人为干预,自适应学
10、习系统包含六大模块：（1内容传递模块。管理、维护、传递个性化的学习内容与评价给学习者，以支持学习者的学习行为。（2)学习者数据库。存储学习者在学习系统中的时间戳标记的学习者输人和学习行为数据。（3)预测模块。整合系统外部学习者信息系统中的数据和系统内部学习者学习行为数据，通过对数据的处理和分析，对学习者未来的学习行为和结果进行预测。（4)显示模块。将预测模块中的运行结果以可视化的方式显示给各类使用者。（5)自适应模块。根据预测模块的运行结果，触发内容传递模块，再根据学习者的学习水平和兴趣，推送合适的学习内容给学习者。（6)干预模块。允许教师、教学管理者和系统开发人员根据预测模块的运行结果，对自
11、适应系统实施人为干预,教育数据挖掘和学习分析的区别,2019/7/7,早期的教育数据挖掘主要是网站日志数据的挖掘，现在新的计算机技术支持的交互式学习方法和工具 （智能辅导系统、 仿真、 游戏） ， 为量化和收集学生行为数据带来了新的机会。 特别是更加集成、 更加模块化和更加复杂化的在线学习系统提供了更多类型的数据，其中包含了数据挖掘算法需要的许多变量。 教育数据挖掘能发现这些数据中的模式和规律，探索建立预测模型，让我们重新发现和预测学生如何学习。,1,教育数据挖掘,对学习分析的定义，指的是对学生学习过程中产生的大量数据进行解释，目的是评估学业进步、预测未来表现、发现潜在问题。数据来自学生的显性
12、行为，如完成作业和参加考试；还有学生的隐性行为， 如在线社交，课外活动，论坛发帖，以及其他一些不直接作为学生教育进步评价的活动。学习分析模型处理和显示的数据帮助教师和学校更好地理解教与学。学习分析的目标是使教师和学校创造适合每个学生需要和能力的教育机会。,2,学习分析,教育数据挖掘和学习分析典型应用,详细应用领域情况,教育数据挖掘和学习分析应用领域主要包括：学习者的知识、行为和经历建模；学习者建档；领域知识建模；趋势分析,数字化学习的发展性评价系统的特征分析,已有研究认为，基于发展性评价的数字化学习评价系统，如网络教学中的学习评价系统应支持过程信息的全面采集、支持自评与互评、支持多种反馈形式等
13、，结合大数据及数字化学习的特征，大数据背景下的数字化学习发展性评价系统应具备如下特征：,数字化学习发展性评价系统设计,系统模型设计,教师,学生,干预/评价,课程学习活动,讨论互动,学习契约,课前测试,过程测试,章节测试,同学互评,期末测试,教师评价,随堂记录卡,评测功能子系统,数据采集,数据清理,数据转化,混合存储系统,教育数据挖掘,社会网络分析,语义分析,对比分析,对比分析,结果数据库,分析结果,大数据,分析子系统,采集与存储子系统,仪表盘,及时反馈,诊断性评价,过程性评价,终结性评价,反馈子系统,可视化数据,在对现存问题及系统特征分析的基础上，构建了大数据理念下的数字化学习发展性评价系统模
14、型。该系统由测评功能子系统、采集与存储子系统、分析子系统和反馈子系统构成,数字化学习发展性评价系统工作流程,2019/7/7,数字化学习的发展性评价系统的工作流程如图所示。下面将结合学习者在课前、课中和课后三个阶段的学习过程进行分析说明。,系统工作流程,多维度的网络学习行为模型,2019/7/7,从学习行为多样性的角度, 可以将网络学习过程中学习者的网络学习行为模型如图 所示：,网络学习交流行为,I : 点对点地实时交流, 如用 QQ 、 MSN 等工具请教教师、专家等。II : 点对点地异步交流, 如用 E- mail 请教教师、专家、登录教师、专家的 Blog 等。III : 多对多地实时
15、交流, 如聊天室等。IV : 多对多地异步交流, 如 BBS 等。,在网络环境下的学习行为体系包括如下方面的内容：( 1 )信息检索学习行为( 2 ) 信息加工学习行为( 3 ) 信息发布学习行为( 4 )人际沟通、 交流的行为( 5 )基于问题解决的学习行为,多层次的网络学习行为模型,2019/7/7,从纵向的角度考察网络学习行为, 可以将网络学习行为分为高级、 中级和低级三个不同的层次。 所谓低级网络学习行为主要是指学习者在网络学习过程中对于不同的媒体刺激( 如声、 光, 文本、 图形图像、 视频等), 所做出的一次性操作行为反应。 中级网络学习行为是指学习者个体在学习过程中与承载教学内容
16、的教学媒体、学习团体以及学习环境所作的交流、 交互行为。 高级网络学习行为则指的是学习者借助网络学习环境进行的面向问题解决的协作、 探究等行为。 层次化的网络学习行为模型如表 1 所示,网络学习行为层次的划分, 有助于对网络学习行为实质的理解, 更有助于针对网络学习者的行为特征, 设计出合理的学习系统和学习资源。 在对网络学习行为进行分析的过程中, 需要清楚了解行为的属性特征。几种常见的网络学习行为的属性参数如表 2 所示。,什么是xAPI呢？它是新一代的学习技术规格，破除了过去eLearning标准SCORM只能记录课件阅读过程的局限，新的标准目的在捕捉并记录不同学习活动中的学习者行为，包含
17、移动学习、模拟、虚拟世界、严肃游戏、真实世界中的活动、体验式学习、社会化学习与协作式学习等不同类型的学习活动。这也解决了我们过去在学习记录与分析上的缺口，因为学习不只是阅读课件，学习发生在与他人或内容的互动过程中，这些过程都可以透过xAPI记录下来。当需要记录一项学习活动时，xAPI协议就会发出以”主词动词受词”的表示格式给学习记录库LRS (Learning RecordStore)，学习记录库记录并储存所有发生的表述，学习记录库能够跟其它的学习记录库分享这些数据，并且学习仓储能独立存在或者存在于学习管理系统里。,什么是xAPI,xAPI的优势在于其弹性，这些弹性让xAPI有许多应用的可能性
18、:表述的弹性: 使用”主词动词受词”的表述上的弹性，可以让你记录几乎任何一种学习活动与行为，并且可以与SCORM标准兼容。,xAPI是如何运作的,2019/7/7,1、人们藉由与其他人或内容互动过程来学习，这些学习活动可以透过 xAPI 记录下来。不管这些学习活动是在哪里发生的，xAPI 都可以把它们记录储存下来。2、当一项活动需要被记录下来时，xAPI 就会送出以”主词，动词，受词” (Noun，Verb，Object) 或者 我做了这件事 (I did this) 格式的报告到学习记录储存区 (LRS，LearningRecord Store)。3、LRS 记录所有的活动报告，这些报告资料
19、可以被传送给其他 LRS、LMS 或是报告工具(Reporting Tool)。LRS 可以单独存在，或是存在一个学习管理系统 (LMS) 内。,xAPI与SCORM区别,2019/7/7,作为新一代的学习技术规格，XAPI破除了过去eLearning标准SCORM只能记录课件阅读过程的局限，新的标准目的在捕捉并记录不同学习活动中的学习者行为，包含移动学习、模拟、虚拟世界、严肃游戏、真实世界中的活动、体验式学习、社会化学习与协作式学习等不同类型的学习活动。这也解决了我们过去在学习记录与分析上的缺口，因为学习不只是阅读课件，学习发生在与他人或内容的互动过程中，这些过程都可以透过XAPI记录下来。
20、,透过XAPI能让不同工具间相互分享与接受各种各样的数据(包含连线或离线学习)。当更清楚的知道学习者完成了哪些活动后，便能提供学习者更多合适的建议，这也大幅拓展了学习的生态圈。不管学习在哪发生，都可以透过XAPI记录下来。 并将报告传送给 LRS。学习者甚至可以在一台电脑上启动学习活动，然后在行动装置上完成它，完全不会有衔接上的问题。这让随时随处可学习的理念得以实现。,xAPI与教育大数据,2019/7/7,xAPI与学习经历数据（1）利用活动流描述学习经历（2）利用Statement记录学习经历数据（3）xAPI规范中语义的定义,基于LRS的学习经历数据的获取与共享,（1）LRS概述（2）L
21、RS的数据获取（3）LRS与教育大数据共享（4）企业级LRS框架,学习经历数据的获取,2019/7/7,在传统学习情境下，对学习经历的获取被称为是一种监测活动，即教师通过持续地跟踪学生的学习以便进行教学决策和对学生的学习进度进行反馈。监测学生的学习被认为是高质量教学的核心，同时也是区别学校、教师是否高效的主要因素之一。监测同样可以应用于在线学习。一个良好的在线教学系统应能够定期监测学习者的学习进程以及测试学习者对知识技能的掌握程度，通过评估和测量学习者的学习经历使教师能够度量学生的响应、反馈以及进度，以帮助教师从社交、行为、认知的层面感知到远程学习者。这种方式在一定程度上弥补了在线学习中因缺乏
22、正常的人际交流而对学习者造成的妨害。,1,获取学习经历的意义,大数据在教育领域的具体应用主要有学习分析和教育数据挖掘。由于学习是学生与学习内容、学习环境、学习伙伴和教师之间复杂的交互过程，因而教育数据挖掘和学习分析这两个方面应用的基础数据都应是基于学习过程的数据，既包括学生、学习内容、学习环境、学习伙伴和教师的数据，还包括学生对各种客观资源的操作数据以及这些因素之间的关系数据,2,教育大数据背景下学习经历数据的价值,当前大数据在社会经济学中的应用，多表现为通过现实生活中的数据挖掘检测复杂的社会系统，如借助移动终端（包括传感器、GPS定位仪、智能手机等）收集数据，识别社会情境下用户的日常活动，并
23、将实时数据与历史数据进行关联，推测其人际关系。学习经历数据的获取方式更类似于这种“实时数据流与历史数据的关联”，这种数据会以“数据流”的形式高频次地产生，在获取、记录数据流的同时还需要关联整合历史环境信息，以实现环境化、个人化的信息空间。,3,获取学习经历数据的研究现状,xAPI在移动学习中的应用模式,SCORM标准是目前国际上应用较多的标准，但SCORM标准是基于有限需求而提出的，与云计算和服务型的架构有代替的可能。虽然SCORM标准为LMS内部的互操作性和便携性提供了技术上的支持，但是由于它与LMS捆绑，只记录了基于浏览器内部发生的有限学习活动，使得系统只能记录学习者通过登录LMS学习时的
24、学习记录。为了支持追踪更详细的网络学习行为，ADL提出了TLA(Training&LearningArchitecture)架构及其运行时的接口规范xAPI（Experience API）。xAPI允许将学习内容与平台解耦，能够为学习者记录并提供其自身学习经验与元数据，可让任何被许可的参与者存储和检索可扩展的学习记录、学习者信息和学习经历档案，而且其过程与平台无关。,XAPI在学习项目中的应用1,2019/7/7,考虑你现有的产品是否支持移动端的学习？是否需要有更多的数据来评估学习计划对业务成果的影响？是否需要在工作流程中创造学习机会让工作与学习结合？,1,思考XAPI如何服务于组织的学习策略
25、,XAPI的实施首先要使用与企业学习战略相一致的决策标准，你最需要在移动设备上的什么内容？你需要哪些业务指标作用于你的学习计划？你需要哪些数据来衡量任务完成量和业绩间的关系？哪些工作流程与你学习的绩效目标相关？其中哪些流程是基于XAPI设计的，哪些将来可以这样设计?,2,定义使用XAPI的应用标准,研究和学习这个工具，以帮助你的组织实施XAPI，目前在线学习市场上有很多好的工具可以创建移动学习，可以用于企业应用的XAPI连接，譬如微软sharePoint、Salesforce .com, WordPress, SMS text messaging以及其他平台。你可以邀请IT部门帮你进行评估，他
26、们有丰富的平台技术评估经验，可以帮你实现最后的平台对接。,3,研究和学习这个工具，以帮助你的组织实施XAPI,XAPI在学习项目中的应用2,为了让员工能够很好地使用基于XAPI的相关工具，你可以邀请供应商或者第三方提供相关的培训。另外，XAPI可以让你得到任务完成量和成绩测试方面的更多信息，你可以邀请供应商方面的专业人员完成XAPI设计建模，并对员工进行指导，你也可以让教学设计者及专家参与进来，共同创建XAPI产品。,4,邀请供应商为员工普及知识技能,你可以询问领导，也可以组织管理层小组讨论，筛选出一项业务问题，分析业务问题发生的原因，并选出其中最具代表性与影响性的因素，确定工作任务和绩效要求。通过收集和分析所有的信息，确定一个XAPI解决方案。按照这个方案画出鱼骨图原型。用你的专业知识赢得相关人的支持，展示你的鱼骨图原型来说明解决问题的方案示意图。请求相关人给予时间、金钱、资源方面的支持，获得支持后再请IT人员进行程序开发。,5,确定一个项目试点XAPI,重复步骤1到5，不断充实自己在XAPI方面的专业知识，对接企业的学习策略。通过不断的尝试和迭代，让XAPI解决方案变得越来越强大和有影响力。接下来，你需要做的是不断地细化标准和流程，扩展你的工具集。,6,不断迭代,
