个性化学习技术在会计学教学中的应用

刘广民，侯 睿，白 云

(哈尔滨学院，黑龙江 哈尔滨 150080)

随着多媒体技术的发展，信息化技术作为教学辅助方式从单纯以视听为主的网络教学教育信息化1.0阶段，逐渐过渡到以自适应学习为代表的智慧学习教育信息化2.0阶段。在会计学教学过程中，应用大数据机器学习技术的个性化教学能改善学生的学习体验，提升学习效率和教学效果。与传统会计学教学相比，采用自适应学习技术的会计学教学通过使用学生学习过程中与系统的交互数据建立数学模型，刻画学生的能力画像，实现了可以根据学生的知识掌握水平定制适合的学习内容，并结合个性化推荐算法给学生推送最佳学习内容。因此，充分挖掘交互数据中的学生个性化信息，可以激发学生的学习热情，提升学习目标内容的针对性和练习的高效性。

一、会计学中信息技术应用现状

传统的以教师为中心，学生只能被动的、单向的接受教学安排的教学模式，忽略了学生个体特征差异，缺乏对学生知识掌握水平的有效监测。对于学生个体而言，每个人的基础水平、理解能力等都不相同，但由于缺乏适合自己的高效学习路径，学生们往往把更多的精力使用在忙乱做题、练习目标错位的低效学习中。同时，在学校教学任务的客观要求下，即使是学习能力比较强的学生，也不得不依从固定的教学内容，对已经掌握的知识进行枯燥的重复练习，严重束缚了学生的个人发展。而对于基础薄弱的学生，由于缺乏针对性辅导，对同一知识点可能需要花费更多时间成本，走更多弯路。并且，教师的教学负担很重，很难顾及到每一个学生个体。因此，传统教育方式难以有效了解学生个体情况，也无法规模化实现对个体进行针对性的干涉指导。

虽然多媒体技术已广泛应用于教学中，丰富了教学内容，使晦涩的知识通俗易懂，极大地改善了教学体验，但整个教学过程依然缺乏与学生的有效互动，不能充分反馈学生对知识点掌握的具体情况，没能避开传统教育的缺点。那么，如何克服上述问题，即是本文的价值所在。

二、采用自适应学习的教育信息化技术在会计学教学中的实施

优先深入分析和挖掘学生学习的过程数据，可以为每一位学生刻画独特的、能反映其知识水平的能力画像，将其反馈到教学内容设计中，设计出针对个体学生特点的学习支持系统，帮助其进行有针对性的强化训练。基于此，笔者从2006年起开始利用“数据画像”实现个性化学习的初级版本，让学生主动选择干预推荐信息，不仅提升了推荐的精准性，也顾及到学生使用时的个人感受，以及利用教育信息技术的知情同意权。经过十余年的不断迭代和尝试，开发出会计学专业自适应学习智慧系统。整体流程框架如下：

图1 自适应学习智慧系统流程框架

1.学习资源数字化、建立专业知识图谱

通过构建知识图谱的方式把学习对象和内容进行结构化处理，录入数据库。具体而言，把教学内容中的知识点进行精细分类，构建专业知识点之间的知识图谱(知识点为节点的有向图)，根据知识点之间的相互联系建立知识点的层级。在这里，知识点之间要刻画两种关系，一是不同层级知识点之间的关系，二是同层级知识点之间关系。知识点应尽量细分，使知识点之间不存在包含关系。教师通过专业判断，将知识点间的关系强弱作为边的权重。然后基于知识点设计练习题目，每个题目仅包含一个知识点，每个知识点可以设计尽量多的题目。

构建知识图谱的好处是，由于知识图谱是构建学生用户知识水平画像的基础，同时知识点之间关系能反映出哪些是关键知识点(有向图的hub节点)，这些hub节点是学生在学习过程中需要经历的重要环节。在设计练习题目时可以根据知识点之间关系的维度，对知识点进行有效覆盖，可以帮助学生找到欠缺的知识点，教师也更容易把握学生的真实学习状况。比如：根据知识图谱进行题目设计时，题目A和题目B有先后的层级关系，如果A错误但B答对，可能存在学生对于题目B有猜对的可能性。

2.学生学习过程数据采集和特征工程

学生和系统的主要交互方式，是通过在网页上进行课程习题练习，学生通过浏览器访问服务器的习题网页，登录个人信息后进行个体标记，以方便追踪每一个体的行为。为了更好地研究学生的学习轨迹和学习习惯，通过前后端埋点技术记录其学习的全流程数据，这些埋点数据实时或者分时间段上报给系统。以学生练习题目为例，主要采集学生的答题状况数据，如做过哪些题目，题目的正误情况，其他需要采集数据包括学生答题时长、学生个人收藏和错题本等。特征工程可以大致分为以答题状况为主的特征数据以及学生自身行为相关的特征数据，区别在于前者为学生客观被动行为，后者为学生主动行为。

图2 个性化学习原理图

3 学生数据分析与挖掘

将学生做题情况在知识图谱中的位置作为刻画学生画像的关键因素，学生画像结果可以客观反映学生对专业知识点的掌握情况。学生画像特征一部分可以进一步与统计模型结果融合成为个性化推送的前置信息，另一个部分可以反馈在教学上。教师根据具体学科场景中的学生画像数据对学生进行分类，实现对学生学习情况的有效把控，同时，依据每一类学生的特点，给出科学的指导策略。学生的收藏和错题本侧重描述学生主观行为特征，通过以朴素贝叶斯算法作为最基本的统计模型，给出学生适合的对每一类题目的概率分值。通过GDBT模型对前两个的结果进行融合，以学生的评价数据作为训练目标，让模型结果趋于与评价差异最小。学生选择开始练习，经过推荐系统实时推送后，又把经过算法排序和筛选的题目反馈给正在做题的学生，这样就形成了反馈闭环，实时更新的题目始终作为学生最优的学习路径。另外，对于第一次登录练习的学生，系统会给出一套通用测试模板作为冷启动的方法。学生可以主动对每道题目做出评价，评价选项标签为题目包含“简单”“适合”“偏难”，通过学生反馈以实现系统的迭代和升级。

在使用过程中，学生的行为历史数据不断丰富系统中以学生为维度的特征，考虑到学生的实际使用体验，系统设置了重置按钮，可以重新初始化学生特征数据。此外，系统还开发了排行榜功能，可以帮助学生清晰地看到自己的成绩，通过排行榜不断激励自己，提升满足感和自信心。

三、结语

系统采用机器学习算法来挖掘学生学习过程的数据价值，从数据中了解学生的学习特点，推荐技术的应用解决了学习内容分发效率问题，以数据带来的价值给教学赋能，以算法模型代替教师指点学生，从而实现规模化因材施教。该系统版本经过多次迭代，已经应用于多个班级中，经验证能有效提高考试通过率，是会计学领域自适应学习方案的一次早期尝试。