基于大数据分析的远程学习者建模与个性化学习应用摘要：E-learning已发展到大数据时代。远程学习者模型构建是学习大数据分析和个性化教学的核心。本研究首先对国内外的学习者建模理论进行分析，国外比较著名的覆盖模型、铅板模型、贝叶斯模型等学习者模型理论比较注重运用计算算法和人工智能技术获取学习者学习特征，而国内远程学习者建模注重从学习者特征要素的分析出发，由于视角不同，建模方法多种多样。本研究着眼于远程学习行为的大数据分析及个性化教学需要，从个人信息、学习风格、学习兴趣和知识模型四方面构建远程学习者模型，并围绕该模型从个性化资源推送、个性化学习路径和远程督导服务等方面提出相应的个性化教学应用思路。关键词：e-learning，大数据，学习分析，学习者模型，个性化学习本文系北京市教育科学规划课题2015年度一般课题“面向在职成人的移动微型学习应用与评价”(项目编号：3019-0005)系列研究成果之一。一、E-learning的大数据时代与学习分析随着移动网络通信技术的飞速发展与智能终端设备的大规模普及，学习者手持平板电脑或手机可随时随地开展电子化学习，学习行为和学习轨迹被无处不在的网络所捕捉和全面记录，日益完善的云平台数据存储技术为学习数据大规模存储提供了便利。E-learning的大数据时代来临。对学习行为的精细化分析有助于获取学习者的学习兴趣或需求等个性化特征，为大规模远程分散教学背景下的个性化教学服务提供了可能。首届学习分析与知识大会将学习分析定义为“测量、收集、分析和报告有关学生及其学习环境的数据，用以理解和优化学习及其产生的环境的技术”(张艳霞，2015)。通过对e-learning平台中零散学习行为数据的收集、汇总、归纳与分析，可对学习者的学习状态与学习绩效做出全面评估与预测，进而为之提供不同的个性化服务。教师可以按照不同学习者的学力水平、年龄和性别特征、职业岗位特点、专业技能水平、兴趣爱好等，有针对性地提供学习内容、辅导与督促，实现个性化教学指导。对学习者而言，大数据能及时跟踪学习信息并反馈实时分析结果，使学习者能了解自身学习状态，及时查漏补缺，选择个性化学习路径。对教学机构来说，通过学习分析可以预测学习者兴趣与需求，调整相关政策或教学策略。总之，学习分析可广泛应用于学习需求挖掘、决策数据支持和个性化教学。二、远程学习者模型理论大数据分析的关键是用户模型的建立，对学习分析来说，只有首先建立适当的学习者模型，才能对学习数据进行合理分类分析，进而为学习者提供有针对性的服务。所谓学习者模型是对学习者特征的抽象表示与描述，是个性化教学的核心与关键。学习分析的过程就是围绕学习者模型对学习行为大数据进行分类、整理与呈现的过程。如何科学构建远程学习者模型为大数据分析提供有力支持？国外影响比较大的建模理论是覆盖模型(将专家知识与学习者知识进行比较)、铅板模型(简单描述学习者知识状态)、贝叶斯模型(编码知识之间的因果关系，根据学习数据推导学习者的知识掌握程度)等，这些理论模型注重通过计算算法或人工智能技术实现学习者特征的获取与建模(张舸，2012)。在国内，学习者模型研究不够广泛，也没有形成相对成熟的理论体系，以“学习者模型”为关键词检索CNKI数据论文库仅得63篇检索结果，且这些论文涉及的学习者模型构建主要围绕学习者特征要素的分析来进行。教育部教育信息化技术标准研究委员会制定的网络学习者模型标准——CELTS-11将学习者信息分为八类：个人信息、学业信息、管理信息、关系信息、安全信息、偏好信息、绩效信息和作品集信息(庄科君，2015)。这些特征信息包含静态和动态信息，涉及人口学特征、教学、管理及安全等所有内容。但基于建模视角和目的不同，学习者模型构建方法多种多样。相对比较有代表性的研究包括：丁兴富提出远程学习者特征理论分析体系包含人口学、社会学、地理学、情境状态、动机动力、评价等维度(张舸，2012)，王迎等(2006)提出学习者模型包含人口学特征、支持性特征、动力特征和策略特征。二者比较概而全，对教学实际操作价值不强。邱百爽等(2008)提出的学习者模型主要考虑用户学习风格、认知水平和兴趣...