楊淑芳　黃晨　貢國忠　景征駿

[摘 要] 大數據是互聯網教育平臺的寶貴資源，大數據挖掘是互聯網教育平臺為學習者提供個性化服務的重要技術。主要探討聚類、分類、關聯分析、特異群組挖掘四種大數據挖掘技術在個性化教學中的應用。大數據挖掘技術將極大地提高互聯網教育平臺的個性化、智能化水平，使互聯網教育在深化教育改革，提高國民素質中發(fā)揮重要作用。

[關鍵詞] 計算機；應用現狀；趨勢研究

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2018. 19. 063

[中圖分類號] TP311 [文獻標識碼] A [文章編號] 1673 - 0194（2018）19- 0147- 02

0 引 言

習近平同志指出，教育是提高人民綜合素質、促進人的全面發(fā)展的重要途徑，是民族振興、社會進步的重要基石，是對中華民族偉大復興具有決定性意義的事業(yè)。李克強同志于2018年6月在寧夏考察時談到，“互聯網+教育”是促進起點公平的有效手段，它讓偏遠地區(qū)的孩子也能“走進”名校名師課堂，大大拓寬了他們的視野。隨著云計算、物聯網、移動互聯網技術的迅猛發(fā)展，互聯網教育的浪潮席卷而來，為教育教學帶來了變化和革命，互聯網教育不僅受到教育領域專家學者的關注，也引起了互聯網企業(yè)的廣泛興趣。近年來，針對用戶的個性化教學服務成為互聯網教育的重要主題之一。為學習者提供個性化教學服務需要對互聯網教育平臺不同類型的海量數據進行有效整合，并以此為基礎進行數據挖掘和實時分析，發(fā)現學習者個性化特征、興趣和需求，進而有針對性地提供教學服務。

1 大數據是互聯網教育平臺的寶貴資源

互聯網教育平臺數據主要分為三類：學習者數據、教師數據、教學資源數據。隨著云計算、移動互聯網、社交網絡等技術的快速發(fā)展及其在教育領域的廣泛應用，互聯網教育平臺數據具備了大數據的特征，主要體現在以下四個方面：

（1）互聯網教育平臺數據類型繁多，不僅包含學習者、教師等人員信息，也包含文本、PPT、Flash、音頻、視頻等教學資源數據，以及提問、答疑、交流等教學過程中產生的各類異構數據。這些數據的組織形式、形態(tài)結構和類型格式很多，既有結構化數據，也有大量的半結構化和非結構化數據。

（2）互聯網教育平臺數據體量浩大，以騰訊公司的教育平臺騰訊大學為例，目前包含微信學院、開發(fā)平臺學院、營銷學院、游戲學院5個學院，課程覆蓋IT·互聯網、設計·創(chuàng)作、語言·留學、職業(yè)·考證、升學·考研、興趣·生活6大類別，匯聚了海量課程資源，擁有數萬名學生。

（3）互聯網教育平臺數據流量增長迅猛，近年來以各類慕課、微課為代表的教學資源急速增加，同時移動學習App的廣泛應用使得用戶產生的搜索、點擊、觀看等數據也在迅速膨脹，這些數據時效性強，必須及時處理和分析，才能有效利用其價值。

（4）互聯網教育平臺的海量數據中蘊藏著巨大的價值，可以在教育教學中發(fā)揮重要作用，但是這些海量數據中也有很多無用信息，所以呈現出低價值密度的特點。

教育大數據的服務價值體現在聚焦、診斷、服務于“人”的學習全過程，以促進每個學習者的學習績效[1]。大數據是互聯網教育平臺的寶貴資源，為學習者在教育平臺上獲得個性化教學服務奠定了基礎。

2 大數據挖掘是個性化教學服務的重要技術

在大數據滲透到當今每一個行業(yè)和業(yè)務領域的時代，挖掘數據的潛能越發(fā)被各個領域所重視[2]。挖掘數據是開展個性化教學的重要技術之一[3]?；ヂ摼W教育平臺大數據的4V（volume、variety、velocity、value）特征決定了所采用的數據分析和處理技術應當是大數據挖掘技術，而不是傳統的數據挖掘技術。應用大數據挖掘技術，互聯網教育平臺可以為學習者提供全方位、深層次的個性化教學服務。熊赟等[4]認為，大數據挖掘技術主要包括：面向多源異構、不完整數據的不確定數據挖掘技術；面向復雜數據組織形式的圖數據挖掘技術，尤其是基于語義的異質網絡數據挖掘；面向結構化稀疏性的超高維數據挖掘技術，面向價值高但密度價值低特征的特異群組挖掘技術；面向動態(tài)數據的實時、增量數據挖掘技術；高性能計算支持的分布式、并行數據挖掘技術等。大數據挖掘既需要對大數據有效的新的挖掘算法，也需要信息領域新的支撐工具和設施，如Hadoop、Spark等云計算基礎構架，它們具有動態(tài)可擴展、高靈活性的特點[5]，可以滿足大數據挖掘和實時分析的要求。

3 基于大數據挖掘的個性化教學服務

本文主要探討聚類、分類、關聯分析、特異群組挖掘四種大數據挖掘技術在互聯網教育平臺個性化教學服務中的應用。

3.1 聚類及其應用

聚類分析是根據對象的屬性和特征將相似的對象聚類成簇，可以幫助人們掌握事物的內部規(guī)律。根據背景、身份、年齡等個人信息，瀏覽、點擊、觀看、下載等教學資源使用信息，以及閱讀、測試、討論等學習行為數據對學習者進行聚類，分析不同學習群體的不同特點、興趣和愛好，采取針對性的分類教學，滿足學習者的個性化需求。例如，根據若干門課程成績對學習者聚類，把其分為優(yōu)秀、良好、中等、不合格四個等級，根據學習者的不同等級，為其制定不同難度的后續(xù)學習計劃。根據類型、語種、標題、關鍵字、點擊率等屬性對教學資源進行聚類，可以為學習者進行相關性學習資源推薦。例如，《史記》、《漢書》、《后漢書》和《三國志》在中華史學著作中享有很高的聲譽，并稱“前四史”，屬于同一類，為《史記》學習者推薦《漢書》、《后漢書》和《三國志》的學習資源，既可以很好地滿足學習者的興趣，也可以幫助學習者在歷史知識方面更上一層樓。

3.2 分類及其應用

分類是根據已有數據樣本集構造一個分類器，即分類模型，在數據集中的數據和類別標號之間建立映射，分類器能對未知類別的數據賦予類別。決策樹、貝葉斯網絡、神經網絡、支持向量機、深度學習等都是分類分析中的重要技術。分類技術可以用于學習者學習成績預測，學習需求預測，學習風險預警等[6]。例如，將學習成績分為優(yōu)良中差4個等級，根據學習者的背景、以往成績單成績、活動日志等進行新課程的學習成績預測，預測成績等級；將學習課程按內容分類，根據學習者的背景、以往學習內容、活動日志、學習路徑等預測其新的學習需求，為其推送需要的學習課程；根據學習者的學習成績、參與程度、課堂表現等數據預測其學習風險，若屬于高危一類，須及時對學習者進行干預，提供個性化指導。

近年來，場景化、情景化的資源推薦服務也引起了關注[7]。通過場景建模、場景分類和學習者場景識別，可以為學習者提供契合其所處場景的教學資源。例如，若發(fā)現學習者的設備場景是移動終端，則向其推薦時長較短的微課視頻，以便于碎片化學習，若檢測到學習者的設備場景是臺式機，則向其推薦時長較長難度較大的慕課視頻，讓其集中精力長時間學習。

3.3 關聯分析及其應用

關聯分析是尋找數據項之間有趣的關聯關系，并以關聯規(guī)則的形式表示。關聯分析最著名的應用莫過于沃爾瑪超市啤酒和尿布的案例，通過對用戶消費的歷史數據進行關聯分析，了解用戶的購買模式，進而選擇營銷方案。關聯性是大數據背景下數字教育資源服務的特征之一[8]。教學資源在內容、主題等方面具有關聯性，學習者和教師會因為興趣和學習需要建立實時或非實時的討論小組，進行問答交流、討論協作，從而產生豐富的關聯關系。通過對教學資源、學習者的關聯分析，可以發(fā)現教學資源之間、學習者之間、教學資源和學習者之間的關聯，進而為學習者進行相關性學習主題設定和相關性學習資源推送。

3.4 特異群組挖掘及其應用

特異群組挖掘是高價值、低密度的大數據挖掘中的特殊需求，它將大數據集中的少部分具有相似性的對象劃分到若干組中，而大部分數據對象不在任何組中，也不和其他對象相似，這樣的群組稱為特異群組[9]。特異群組挖掘可以用于分析教育社區(qū)中的學習者用戶，在龐大的學習者社會網絡中挖掘交流密切的小社區(qū)對于個性化教學有重要意義。例如，可以針對小社區(qū)用戶的特殊需求為其提供教學上的個性化定制服務，也可以通過特異群組的用戶社交網絡分析進行主題多樣性的學習資源推薦[10]。

4 結 語

在“互聯網+”時代，生產生活方式發(fā)生了巨大變化[11]，教育也在發(fā)生變革。以學習者、教師和教學資源為主構成的大數據是互聯網教育平臺的寶貴資源。采用大數據挖掘技術深入分析平臺匯聚的大數據，互聯網教育可以為學習者提供個性化教學服務，學習者成為中心，互聯網教育平臺的學習資源得到充分利用，教師的作用得以充分展現，互聯網教育給教學帶來新變化，在深化教育改革，提高國民素質中發(fā)揮重要作用。

主要參考文獻

[1]孟志遠， 盧瀟， 胡凡剛. 大數據驅動教育變革的理論路徑與應用思考——首屆中國教育大數據發(fā)展論壇探析[J]. 遠程教育雜志， 2017（2）：9-18.

[2]顧小清， 薛耀鋒， 孫妍妍. 大數據時代的教育決策研究：數據的力量與模擬的優(yōu)勢[J]. 中國電化教育， 2016（1）：56-62.

[3]祝智庭， 孫妍妍， 彭紅超. 解讀教育大數據的文化意蘊[J]. 電化教育研究， 2017（1）：28-36.

[4]熊赟， 朱揚勇， 陳志淵. 大數據挖掘[M]. 上海：上?？茖W技術出版社， 2016.

[5]焦英楠. 淺談大數據環(huán)境下的云計算信息安全問題[J]. 中國管理信息化，2018（5）：165-169.

[6]楊現民，田雪松. 中國基礎教育大數據2016-2017：走向數據驅動的精準教學[M].北京：科學出版社，2018.

[7]柳益君， 蔡秋茹， 何勝，等. 高校移動圖書館的場景化資源推薦服務：要素、模型和技術[J]. 圖書館學研究，2018（1）：67-71.

[8]余亮，陳時見，趙彤. 大數據背景下數字教育資源服務的內涵、特征和模式[J]. 電化教育研究，2017（4）：66-71.

[9]熊赟， 朱揚勇. 特異群組挖掘：框架與應用[J]. 大數據， 2015（2）：66-77.

[10]柳益君， 何勝， 吳智勤，等. 基于用戶社交網絡分析的高校圖書館主題多樣性閱讀推薦[J]. 圖書情報工作， 2018， 62（8）：67-73.

[11]崔一佳， 吳志偉. “互聯網+”時代企業(yè)管理的創(chuàng)新思考[J]. 中國管理信息化， 2018，21（4）：42-43.