在线学习过程管理大数据的建设与应用

孙宏辉

【摘 要】 大数据应用是教育信息化的重要手段和特征之一。本文围绕在线学习过程管理中大数据的建设与应用进行探讨，分析了我国在线教育学习过程管理现状，指出在线教育领域大数据应用可以挖掘有效学习模式、增强教学效果、提升管理效能；概括了在线学习过程管理运用大数据思维的关键因素，即化零为整与化整为零的思维、关键数据库的建立、数据的互通性、数据的有效性、数据的时效性和人的因素；从学习分析、教学分析和学教管综合分析的维度，探讨在线学习过程管理中大数据管理模式的应用；指出大数据应用中要避免陷入技术和数据决定教育的误区，要重视对在线学习参与水平而不仅仅是参与度的研究，基于大数据思维的教育评估预测要保持理性、透明性与专业性。

【关键词】 在线学习；学习过程管理；大数据思维；学习分析

【中图分类号】 G434 【文献标识码】 B 【文章编号】 1009—458x（2016）11—0017—05

现代信息技术对教育领域产生着越来越深远的影响。以大数据、云计算、移动互联网等为特征的信息化手段，催生出各种新的学习模式、教学模式和管理模式。教育部在《关于“十三五”期间全面深入推进教育信息化工作的指导意见（征求意见稿）》中指出：党的十八大以来，“互联网+”行动计划、促进大数据发展行动纲要等有关政策密集出台，信息化已成为国家战略，教育信息化正迎来重大历史发展机遇，我们要坚持融合创新，拓展教育信息化应用广度与深度，依托网络学习空间逐步实现对学生日常学习情况的大数据采集和分析，优化教学模式。（教育部，2015）因此，利用互联网和信息技术促进教育大数据建设与应用，有效开展在线学习并实现过程管理，不仅是开放大学、各高校网络学院、各类培训机构的主要教育目标，也是我国教育信息化发展的重要任务，是构建继续教育公共服务平台，扩大教育供给，促进教育公平，完善终身教育体系的主要途径。

在当前互联网+环境下，大数据思维被越来越广泛而深入地应用到教育领域，数据分析结果越来越多地影响管理和决策。在教育实践中，我们如何对海量信息进行有效而充分的采集和挖掘，同时又要避免对数据和技术产生过度依赖，陷入技术决定教育和数据决定管理的误区（郑争文，2016）？本文通过分析国内当前在线学习过程管理现状和学习者学习过程中产生的相关数据，探讨如何应用大数据思维来提升在线学习者的学习效果、在线教育的教学效果与管理水平，并以在线学习过程管理大数据应用为例，探讨互联网+环境下教育大数据管理的新思维和新模式。

一、在线学习过程管理现状

在线学习是随着网络技术发展出现的新的学习模式，是远程教育发展的新阶段，是利用计算机互联网和移动互联网，通过依托于网络的学习平台和管理平台建立虚拟的学习环境实施教学、开展学习的过程。

我国在线教育于2000年前后缓慢起步。1999年，中央广播电视大学在电大系统启动“开放教育”试点；2000年，教育部批准68所高校建立网络教育学院，同一时间，新东方网校上线运行；2010年，在线教育开始蓬勃发展；2012年美国三大MOOC平台催生了国内千百计企业加盟教育培训，进军在线教育特别是高等教育市场；2014年，随着国务院“取消和下放利用网络实施远程高等学历教育的网校审批”，我国在线教育市场走向开放和多元化；2015年，“互联网+”时代到来，为我国基于信息技术的在线教育带来新的机遇与挑战。

我国在线教育学习过程管理存在几个普遍性现象：一是教、学、管分离，使得信息碎片和数据孤岛问题凸显（顾小清，等，2014）；二是各高校或培训机构信息技术与教育教学的深度融合不够，对整个学习周期的管理缺乏顶层设计，导致诸多平台运行不力，管理模式固化，数据标准不统一；三是在教学和资源建设方面，教学设计和课程资源面向所有学习者，没有考虑对不同学习者的适用性，无法满足其个性化需求，也就无法实现真正意义上的个性化人才培养；四是在学习支持服务方面，大众化的学习支持多，个性化的学习支持少（吴南中，2015）；五是缺乏对学习效果、教学效果的有效评价和激励机制，在线学习活动的参与度低，学习任务的完成率差。此外，在线课程学习的课程完成率低，在线学历教育的毕业率明显低于传统教育的问题一直是困扰远程教育可持续发展的难题之一，特别是在缺乏有效的教学约束管理和学习支持服务的情况下这一现象尤为明显。

二、大数据思维对在线学习过程管理的启示

与传统数据相比，互联网和信息时代产生的大数据呈现出在线、实时、全貌的显著特征。如果说传统数据产生出自然价值，大数据则衍生出智慧价值，它深刻改变了人们对待数据的思维方式，这主要体现在：一是总体思维，从原本只能采集样本数据到获取全面、系统的所有相关数据；二是容错思维，从微观和精准性向宏观和包容性转变；三是相关思维，不再执着于对数据进行因果关系的分析，而是聚焦到相关关系和对未来的洞见与预测分析；四是智能思维，使线性、简单的机器思维变得像人脑一样呈现出主动性、逻辑性和前瞻性。

针对在线教育领域，我们可以把大数据思维应用到在线学习过程管理中，以数据为核心梳理架构管理流程，利用全样本数据搜集协助管理判断，通过对过程数据的快速获取实现管理高效，通过过程相关性数据分析预测管理风险，把数据处理结果转化为管理决策支持，探索实现管理主动性和智能化的渠道。例如通过对多维度、多元化、分散异构的海量在线学习相关数据进行采集、分析和挖掘，研究学习者需求，推荐适用不同个体的学习资源，避免其面对海量信息却无法提取有效资源而产生空茫状态（杨现民，等，2016）；研究学习者特点，协助其制定个性化的学习计划；研究学习者学习过程，通过及时有效的技术支持与信息推送服务，缓解在线学习者由于时空分离、师生分离产生的孤独感；研究学习者学习生命周期中的动态影响因素，进行评估预测与风险预警等。

在在线学习过程管理中应用大数据思维和技术，跟踪学习者学习过程和学习行为，跟踪教学活动与学习者参与状况，进行教学质量监控，对学习效果、教学效果、资源适用度等进行评估预测，具有积极的现实意义：① 挖掘有效学习模式，助力在线学习者学习能力和自我管理能力的提升，实现深度学习； ② 掌握学习者学习动因与需求，为在线学习者提供真正意义上的个性化教学与支持服务；③ 促进在线教学模式的改进和教学效果提升，提高教学活动参与度，降低辍学率（谢洵，2016）；④ 为教学管理和科学决策提供智慧支撑；⑤ 促进数据标准统一，实现信息共建共享，促进教育的透明与公平。

三、在线学习过程管理大数据建设关键问题探讨

在线学习者的学习过程概括讲包括学习内容选择（课程资源或专业）、就读学校或机构选择、注册缴费、参加教学活动、自主学习、学习效果考核与评价、成果获取（如获得毕业或课程证书）。在线学习者的学习过程，由于处在虚拟网络和课堂中，又受到诸如学习者特征、环境、工作与生活状态、对教师与资源适应度等多种因素影响与制约，因此在线学习过程管理大数据建设与应用，要关注以下几个关键问题：

1. 化零为整与化整为零的思维

大数据是一种新的思维方式，一种解决问题的新方法（赵靖岩，等，2016）。化零为整就是要收集与学生学习过程相关的各类碎片化信息，进行分类统计，通过大数据建模，形成结构化的数据表或可视化的分析结果，据此对学习、教学和管理进行评估和预测。化整为零是对大数据所呈现结果的反馈与落实，关注到每一位学习者个体分析结果，对教学与管理从每一个细节进行调整与改进。例如依据在线学习特点对资源进行分解制作微课，依据风险预警为每一位学习者提供有针对性的信息推送服务，教师依据学习效果评估实时改进教学设计，在教学过程中为学习者提供个性化支持等。

2. 关键数据库的建立

数据采集是大数据应用的首要和基础工作。围绕在线学习者的学习过程，要建立一系列关键信息数据库：① 学生信息库，包括个人基本信息、学习者特征、环境、学习动因与目标等；② 师资信息库，包括学习过程涉及的专业负责人、课程责任教师、课程辅导教师、导学教师、技术支持教师、教务管理教师等各类师资；③ 课程资源库，包括围绕课程学科建设的系统资源、针对课程模块提供的支撑素材、各类专题研究与讨论等；④ 学分与成绩库，记录学习者围绕课程或专业学习的阶段性和终结性学习效果与获得成果及相关信息；⑤ 教学过程信息库，采集教学实施过程中的教学策略、教学行为、教学活动、技术运用、教学效果等信息；⑥ 质量评价保障信息库实现多元化质量因子采集与质量标准的确立。

3. 数据的互通性

互联网极大地促进了数据的开放，但基于在线学习的各类高校和教育机构都建有独立的诸多教学、教务、考核等管理平台，这些平台使用不同的开发工具和数据库技术，必然造成数据管理上的独占性、封闭性和数据范式的不一致。因此，大数据应用需要更高层面的统筹规划和顶层设计，建立开放的、采用相同范式和标准的数据接口，实现数据管理的标准化和数据互通共享。2015年9月正式启动的国际开放数据宪章就提出了开放数据必须保证互通性的倡议，提出将努力“制定并实现统一、开放的数据标准，从而确保数据的格式、结构和通用标识符都具备互通性”（高丰，2016）。

4. 数据的有效性

信息技术的飞速发展使海量的数据采集变得越来越高效，但并非收集的基础数据量越庞大，分析预测的结果准确性就越高，大量无效的信息不但会造成冗余，影响数据处理的效率，更重要的是会干扰数据加工过程与风险导向，使预测结果偏离最接近真实的方向。因此，有效数据的遴选是在线学习过程数据采集的首要任务。

5. 数据的时效性

大数据应用中，反应速度极为关键。我们知道，大数据获取的不仅是历史数据，更重要的是即时数据。数据从产生的一刻起，就是有不同生命周期的，这就决定了数据价值会随时间发生动态变化。因此，在线学习过程管理大数据应用中要重视数据采集、数据挖掘与结果呈现的时效性。要确保预测结果的有效性和价值实现，建立对在线学习过程相关数据的快速反应机制就显得尤为重要。

6. 分析结果的准确性与质量

数据分析结果的准确性和质量直接影响管理决策方向。对于在线学习过程管理中关键环节的教学评价，在数据建设中要聚焦于实现教育质量保障的理性、透明性、可测量性和专业性，建立一种相互信任、权利与责任相平衡的质量文化（张应强，等，2014）。要重视对在线学习参与水平而不仅仅是参与度的数据研究，通过大数据应用探索有效的测量标准、方法与机制。对此，美国雪域大学DI Sun提出了测量学习者参与水平的三要素，即情感参与、认知参与和行为参与，并构建了包含21项条目的量表（梁林梅，等，2016）。这些研究成果可作为我们探索在线学习过程管理大数据挖掘和分析的参考。

7. 人的因素

对大数据进行加工处理，依托的不仅仅是数据分析软件和信息技术，更重要的是人的参与。数据挖掘的灵魂是智能算法，通过对数据的分析、整合与设计实现信息向价值的转换，体现的是人的智慧与思维。因此，在线教育的教师和管理者要具备一定的大数据思维和数据挖掘基础知识，做既懂得数据分析技术又谙熟各项具体业务的复合型人才；大数据建模与应用的技术实施者，同时要了解并熟悉在线教育的特征和发展现状，要跟踪在线教育的新变化和新理念，才能挖掘教育大数据所潜藏的更高价值。

四、在线学习过程管理大数据

应用模式设计

大数据应用遵循数据采集、数据加工、结果呈现的基本模型。其中，数据收集是大数据应用的最基础最底层任务，通过数据采集将数量庞大、结构复杂的信息汇聚起来建立关键信息数据库。依据不同模型对收集到的各类数据通过挖掘和分析等技术手段和设计进行预处理和再加工，最终转化为可视化结果输出并落地应用，是大数据管理要实现的核心目标。依据不同的研究领域，大数据管理衍生出诸多不同的更具体的应用模式，这里围绕在线学习过程，从学习分析、教学分析以及二者相结合的维度对大数据管理模式进行探讨。

1. 学习分析模式

学习分析是大数据在教育领域的典型应用（王良周，等，2016）。新媒体联盟（New Media Consortium）将学习分析定义为：利用松散耦合的数据收集工具和分析技术，研究分析学习者学习参与、学习表现和学习过程的相关数据，进而对课程、教学和评价进行实时修正（徐鹏，等，2013）。以在线学习者及其学习过程为主体，对在线学习过程进行分析的过程同样如此。它通过收集学习者特征、学习背景、学习动因与需求等数据，跟踪学习过程中的状态、行为、影响因子、资源利用、作业与考核情况等信息，利用预设的模型对数据加以分析，并呈现出可视化数据分析结果。在线学习分析的大数据应用主要体现在：在保护学生个人隐私的基础上，尽可能全面并有效地反映客观真实；能预测学生的学习行为与需求，实现有针对性地为学习者提供支持和服务；依据正确的判断进行风险预警，并体现关键性和前瞻性；能够挖掘有效的个性化学习模式，提升学习者的学习能力、自我调适能力和管理能力。

2. 教学分析模式

在线学习教学分析围绕教师的教学周期进行，聚焦于教师特征提取、课程资源建设、教学活动设计、线上互动学习设计、线下任务部署、学生资源访问情况、活动参与情况、考核与学习效果评价、教学评价等环节，在数据采集和分析的基础上，力争针对每一位学习者实现真正意义上的“因材施教”。对在线学习教学分析应用大数据思维的重点聚焦在三方面：一是从互联网海量的公开资源中遴选优质、适用的资源应用于课程教学；二是通过跟踪教学活动参与效果与学生行为，及时调整、改进教学设计手段与策略方法，激发学习者学习动力，提升其学习效果；三是通过对整个教学过程的跟踪反馈与评价，找到提高课程整体设计水平和资源质量的切入点，同时提升在线课程责任教师、在线辅导教师的教学能力和教学效果（郑燕林，等，2015）。

3. 学教管相结合的分析模式

学习、教学和管理在在线学习中是交叉进行并互相影响的。随着教育领域中大数据应用逐渐引起关注，功能相对单一的“学习分析系统”已经不能满足互联网+环境下教育发展的需要。学习者希望能利用碎片化的时间学习到丰富有用的知识或技能，实现高效能又不枯燥的学习；教师希望设计出受欢迎的优质课程或资源，开发学习者感兴趣又能保持高参与度和持久度的学习活动，展现教师的价值与成就感；管理者希望能建立一个通畅的管理流程和渠道，并实时捕捉过程中发生的问题和需求，实现高品质服务和高效率管理。上述三者目标的共同实现，将促成学校或机构的品牌建立与影响力提升。于是，学教管相结合的大数据分析模式应此而生。这种分析模式如图一所示，它具备统筹规划与顶层设计，围绕学习者整个学习周期，从更全面的多元化的角度收集数据，在有专业技术人员进行大数据平台搭建的基础上，结合实际需求与发展趋势对数据进行算法设计研究，再将处理结果在学习、教学与管理中落地应用，并在实践中不断调整和改进。

结束语

终身学习已经从教育观念发展成为全球性的共同行动，成为人们不可或缺的生存和生活方式，在线学习作为实现终身学习的必要途径，以其丰富多样的资源、多元化的教学方式、自由灵活的学习方式、开放包容的入学条件等优势，受到越来越多学习者青睐。2015年在青岛举行的国际教育信息化大会上通过的《青岛宣言》中指出，“在线学习，包含大规模开放在线学习课程（MOOCS），具有建立迈向高等教育和终身学习新路径的潜力。我们鼓励那些为改进在线学习而探索大数据潜力的努力，这使我们深入了解学生行为和学习活动，并且改进在线课程的设计和组织形式。”以信息技术为手段，对在线学习者学习过程产生的大数据进行研究，是一项复杂的系统工程，探讨更适应学习者个性化的学习模式，不断改进教学模式，建立先进的管理体系，是在线教育工作者不懈努力的目标。在此，笔者结合多年在开放教育一线教育教学管理经验，谨以此文与从事在线教育的同行们就在线学习大数据思维与应用进行探讨，以期引发对在线教育大数据更深入的研究。

[参考文献]

徐鹏，王以宁，刘艳华，张海. 2013. 大数据视角分析学习变革[N]. 远程教育杂志（6）：11-17.

顾小清，郑隆威，简菁. 2014. 获取教育大数据：基于xAPI规范对学习经历数据的获取与共享[J]. 现代远程教育研究（5）：13-22.

吴南中. 2015. 基于教育大数据的MOOC支持服务特质与形成研究[J]. 中国远程教育（12）：49-55.

张应强，苏永建. 2014. 高等教育质量保障：反思、批判与变革[J]. 教育研究（5）：19-26.

郑燕林，柳海民. 2015. 大数据在美国教育评价中的应用路径分析[J].中国电化教育（7）：25-31.

王良周，于卫红. 2015. 大数据视角下的学习分析综述[J]. 中国远程教育（3）：31-37.

教育部. 2015. 关于“十三五”期间全面深入推进教育信息化工作的指导意见（征求意见稿）[EB/OL].

谢洵. 2016. 聚焦远程学习的多元化实践与研究[J]. 中国远程教育（1）：73-76.

赵靖岩，胡振波. 2016. 大数据环境下高校信息化教学模式研究[J]. 情报科学（1）：92-95.

高丰. 2016. 共治共创视角下的开放数据发展：趋势、挑战和反思[J].大数据（2）：38-45.

梁林梅，夏颖越. 2016. 美国高校在线教育：现状、阻碍、动因与启示[J]. 开放教育研究（1）：27-34.

郑争文. 2016. “互联网+教育”下的教育管理之道[N]. 中国社会科学报，2016-04.

杨现民，唐斯斯，李冀红. 2016. 教育大数据的技术体系框架与发展趋势[J]. 现代教育技术（1）：5-12.

责任编辑 邓幸涛