网络教育在大数据影响下的发展策略及方法研究

1、    网络教育在大数据影响下的发展策略及方法研究    3.优化再生教育资源网络教育信息资源动态发展利用的根本目的是在用户利用资源的过程中促进资源的发展和更新。更新和进化不单是指原始教育资源自身的更新，还指衍生出的更多的再生教育资源，补充了原始教育资源的不足。同时，再生教育资源也在此过程中不断地更新和优化。再生教育资源的优化主要涵盖以下两个方面：一方面是指原始网络教育信息资源的再生、优化和更新。网络中必然会存在多类无法实时更新优化的教育资源，不能满足学习者的知识需求，需要通过大数据平台实时更新。另一方面是指再生教育资源的优化，包括构建优质的再生教育资源

2、和再生教育资源的有序化分布两个方面。在目前的网络环境下，由于社交媒体软件的支持，网络教育的学习者可以通过交互方式产生再生资源，完成教育资源的构建。优化再生教育资源需要更多的学习者进行讨论交流，对教育资源给予更加准确、科学的拓展补充，发表具有创造性的阐述和评论。新型互联网技术使用户都可以参与教育资源的构建和优化，吸引了越来越多的人参与、相互协作，进而参与网络教育资源的构建、创新发展、优化和利用。4.智能化网络存储大数据技术、数据库技术以及互联网技术的发展使教学资源的智能化存储变成可能，网络资源智能化存储的优势主要表现为：教育资源管理的便捷性和可扩展性，网络存储空间可以根据教育资源所需的容量进行实

3、施调节或扩展；同时具备极高的可靠性和易获取性，而且配置过程较为灵活。网络教育信息资源的智能化存储可以实现高效的资源自我管理及自动修复，这也是网络教育资源在大数据环境下的动态利用得以持续发展的一个必要条件。在大数据环境下，网络教育信息资源的分级存储可以很大程度地降低网络教育信息资源的总体存储成本，提升检索效率和利用性能；全面提高网络资源持续发展利用的系统性能，有利于网络教育资源的序列化发展，在存储教育资源时可以实现自动保存。由于网络信息资源可能同时具备多种属性，通过相应的关键词来描述和索引这些属性，大数据平台的智能化网络存储能够根据网络教育信息资源的关键词使其与具有类似或相同属性的教育资源建立关

4、联，使用户可以逐级找到所需的网络资源，有利于学习者的信息检索，可以激活处于衰退期的教育资源，在拓展网络资源发展利用周期方面具备十分积极的作用。四、大数据下行为层的学习行为分析模型网络教育的学习行为分析模型对学习者的行为数据表示格式和标准进行了设定，如何在大数据环境下客观、全面及实时地收集网络教育学习行为数据，并通过制定规范标准，对学生的学习行为数据进行准确合理的分析，成为网络教育学习行为分析模型中学习者行为特征提取和学习风格优化的关键。1.模型需求分析网络学习行为采集与分析模型应具备以下功能和特性：(1)模型应具备存储记录学习者所有学习行为的功能，不仅要通过大数据的云计算平台服务器获取海量学习

5、行为数据，同时还要收集学习者(指具体通过网络学习的分析对象)全面的客户端学习行为数据；(2)模型应具备相应的智能性，包括学习者身份验证、学习行为类别的判断以及学习者不规范或者异常学习行为的判断和提醒等；(3)模型应具备一定的学习行为分析能力，包括个体、群体学习者行为特征挖掘，并能将结果以图形化界面的形式呈现：(4)模型必须具有一定程度的通用性和稳定性，可以在基于不同操作系统或者开发语言的异构网络教育学习平台中稳定实施运行，而且可以对产生的系统错误进行纠正。2.模型设计构建图4描述了网络教育学习行为收集与分析模型的基本结构。该模型主要由三部分组成，分别是数据采集模块、数据处理模块以及数据分析模块

6、。图4  大数据下行为层的学习行为分析模型(1)数据采集模块功能通过对真实客观的学习行为进行提取和整理，形成规范的学习行为数据。例如，可以通过本学习行为分析模型提取特定网络学习系统的访问量、提交作业次数、交互交流频率、作业完成时间、特定页面停留时间以及在线学习时长等全面的学习行为数据。基于真实的学习者在网络教育平台采集的信息整理得来行为数据，能够更加客观、实时地反映学习者的学习习惯和方式。本模块完成了学习者在网络学习平台的学习行为的存储记录，同时将存储结果传输到数据处理模块和大数据云计算平台。对于在学习者客户端无法进行简单定义的高级学习行为(此类学习行为通常需要与网络教育平

7、台数据库或者大数据平台进行交互)，采取大数据服务器端和学习者客户端融合的方式进行数据采集。(2)数据分析模块功能数据分析模块实现了数据采集模块和数据分析模块间的有效连接和协调桥梁，其主要具备以下功能：一是将数据采集模块发送过来的学习行为数据进行格式化处理和大数据云计算平台的数据库存储；二是将所获取的学习行为数据进行标准规范化，结合大数据平台的相关行为分析数据，生成特定的网络学习行为信息模型，供数据分析模块使用。(3)数据处理模块功能此模块的功能是对数据处理模块产生的网络学习行为信息模型进行分析，得到学习者的行为特征。其具备的数据分析功能主要包括：一是教育资源使用情况的分析，分析学生在规定时间内

8、使用资源的频率和持续时间；二是学习者客户端页面跳转情况的分析，分析学生在不同的教学页面间的切换情况；三是交互交流情况的分析，分析学习者在网络教育学习过程中使用交互工具的频率和持续时间；同时还实现了对网络教育平台特殊现象“空挂机”现象的检测和数据提取。在数据分析的过程中，根据网络学习者的学习行为和网络教学的特点，根据大数据平台采集的数据，结合传统教育的相关参考文献和标准，本文构建如表2所示的学习者学习评价指标体系。设学习态度因子为qleam，子项目因子为l1、l2ln，二级权值为l1、l2ln；参与程度因子为qjion，子项目因子为j1、j2jn，二级权值为j1、j2jn；交互性因子为qacti

9、on，子项目因子为a1、a2an，二级权值为a1、a2an。关于“学习态度”、“参与程度”和“交互性”相关权值的确定，本文通过专门从事网络教育研究的10位专家学者进行相应的权值比重打分：(1)一级权值的确定。10位专家对“学习态度”、“参与程度”和“交互性”三项的重要性进行打分，然后对专家的打分结果取平均值，结果见表2的“一级权值”列，“参与程度”所占比重最大，约占50%，符合网络教育的特点。表2  学习评价指标体系分类一级权值评价项目内容二级权值学习态度0.3登录学习平台总次数0.05总在线时长0.1平均每天登录次数0.05作业完成比例0.1参与程度0.5课程内容学习总时

10、长0.1课程内容学习总次数0.05提问总次数0.1所提问题被标记“精华”次数0.1所提问题点击率0.05在线作业平均成绩0.1交互性0.2上传资料次数0.05下载资料次数0.05参与讨论次数0.1(2)二级权值的确定。分别对三个一级指标进行细分，然后对一级子项目的二级权值进行权值打分，对专家的打分结果取平均值，最终形成表2中的指标权值。学习态度因子的计算过程如下：，其中，ti和ls分别代表各项目的真实值及该项目的最大值；参与程度和交互性的计算方法类似，分别如下式所示：则学习者的整体评价系数为系统根据学习者的整体评价系数，结合大数据平台的平均评价系数，对学习者的学习情况做出客观的平均，并进行针对

11、性的反馈和辅导，从而形成完整的大数据网络教育闭环模式。3.实例分为了验证本文提出的学习行为分析模型的有效性，笔者以所讲授的网络数据库网络课程为例，对开放教育计算机信息专业3个年级共38名学生的学习数据进行采集和学习行为分析。通过课程成绩和学生自我评估，对学习行为分析模型的结果进行检验。以一个班为例，此课程的相关数据分析结果如表3所示。表3  学习行为分析模型实例分析学生id分析模型评估(%)成绩自我评估(%)学习态度参与程度交互性10.270.450.18928920.290.460.19878830.320.440.18869140.310.480.23898750.28

12、0.520.21918560.270.470.22909270.260.490.19928980.290.500.18878890.310.390.127270100.320.460.228885从表3的数据可以看出，本文设计的学习行为分析模型能够基本和学生的学习成绩、自我评估相吻合(不排除学生个体差异的影响)，更加精确的分析则需要更多的样本采集过程。同时，我们也可以看到，参与程度在本实例中所占的比重较高，与样本取得的成绩相吻合，也验证了专家对权值划分的正确性。五、总结与展望在大数据的环境下，网络教育的变革顺应了历史发展的潮流，不断适应着学习者的学习特点，能够实现更加高效的学习模式，完善网络学

13、习的学习成果。网络教育以其教育方式的独特性和教育方法的便捷性不断发展，大数据以其海量的教育资源及信息处理方法为网络教育的教育模式带来广阔的拓展空间。本文首先对网络教育的基本特点进行分析，然后对其在大数据环境下进行分层建模。同时，在资源层设计了拓展网络教育信息资源可调节发展利用周期策略，在行为层构建了基于大数据的学习行为分析模型，旨在最大程度地使网络教育在大数据环境下呈现智能化和个性化，并构建了网络学习评价指标体系，真实地反馈学生的网上学习水平，为网络教育在大数据影响下的发展提供了可靠的保障方法和运行模式。参考文献：1armstrong k. big data: a revolution tha

14、t will transform how we live, work, and thinkj. american journal of epidemiology, 2014, 17(9): 181-183.2吴砥，刘清堂，杨宗凯.网络教育标准与技术m.北京：清华大学出版社，2011.3mayer-schnberger v. big data: a revolution that will transform how we live, work and think. viktor mayer-schnberger and kenneth cukierm. houghton mifflin har

15、court, 2013.4王景英.教育评价学m.长春：东北师范大学出版社，2005.5ibm, zikopoulos p, eaton c. understanding big data: analytics for enterprise class hadoop and streaming datam. mcgraw-hill osborne media, 2011.6ting-ting amp l u, yin j t. networking academy as an opportunity to promote the fusion of vocational network educ

16、ation and professional certificationj. journal of wuhu vocational institute of technology, 2013, 46(1): 181-189.7孙华.数据教育：大数据时代网络教育升级的发展理路和理念建构j.软件导刊(教育技术)，2015(4)：61-63.8孙华.大数据视域下网络教育研究新范式j.中国教育网络，2014(8)：63-66.9胡水星.大数据及其关键技术的教育应用实证分析j.远程教育杂志，2015(5)：46-53.10杨威，杨陟卓.大学云架构与大数据处理建模研究j.中国教育信息化，2015(1)：16-18.11黄