大数据在教育领域应用

大数据在教育领域的应用大数据在教育领域中的应用，主要指的是在线决策、学习分析、数据挖掘三大要素，其主要作用是进行预测分析、行为分析、学业分析等的应用和研究，大数据含义指的是对学生学习过程中产生的大量数据（数据来源包括两方面，即显性行为和隐性行为，其中隐性行为包括论坛发帖、课外活动、在线社交等不直接作为教育评价的活动，显性行为包括考试成绩、作业完成状况以及课堂表现等）进行分析，大数据模型以及显示的数据能够为学校和教师的教学提供参考，及时、准确的评估学生的学业状况，发现学生潜在存在的问题，进而预测学生未来可能的表现。1）构建学习者经验模型。通过收集学习者的学习满意调查问卷，或者是分析量表数据，再根据其在课程学习中的存留数据、表现、行为、选择等，构建学习者的经验模型，通过分析这种模型对学习系统中的课程进行评估，例如通过构建学习者体验模型，进行线上课程评估，然后再进行课程设计，这种改变课程教学顺序的大数据模型，显著的提高了学习者的学习成绩和教师的教学效率。2）建立学习者行为模型。通过收集学习者在学校情景中学习行为变化的情况、学习者完成课程学习的状况、学习者在网络系统中花费的学习时间以及学习者的考试成绩等数据，研究学习者的学习行为与教学成果之间的关系，最终形成学习者的学习行为模型，通过构建大数据学习平台，构建学习者行为模型，能够预测学习者的学习失败可能，其预测正确率高达75%以上。3）构建学习者知识模型。通过收集学习者在大数据在线系统的交互数据，其包括的内容有：学习者请求帮助的性质和数量、学习者回答问题花费的实践、学习者回答错误的重复率、学习者回答的正确率等，通过数据挖掘和学习分析构建的学习者知识模型，能够将学习单元层面、课程层面、知识点层面的数据信息，通过人工反馈或者自动反馈，选择适合的方式，充分的考虑学习者的时间，为学习者提供合适的学习内容，这种通过手机每一个所有知识点的详细数据，再通过在线决策、学习分析和数据挖掘，为学习者提供详细的学习意见和学习反馈。4）构建领域知识模型。通过对教育大数据的在线决策、数据挖掘和学习分析，对现有的领域知识进行重新建模，研究学习者与知识点、学习单元、课程等学习内容之间的关系，通过构建领域知识模型，采集和处理学习者的相关数据，画出学习者的学习曲线，再通过对这些学习曲线进行数据分析，能够显著的提高学习者的学习成绩和教师的教学效率。5）构建学习者档案。通过收集学习者的基本学习信息，建立基本信息数据，通过数据挖掘、学习分析和机器学习算法，根据学习者的学习特征，将相同学习特征的学习者进行分组和聚类，建立学习者档案，这种能够为不同类型学习者提供个性化的学习环境，能够激发学习者的学习积极性和主动性，例如通过数据挖掘技术对学习者在线学习平台的学习日志进行分析，这样能够掌握不同学习者的不同学习特点和交互类型，然后构建学习者档案，充分的激发了学习主动性，显著的提高了学习者的学习效率。6）教学策略分析。大数据在教育领域的运用，其最终的目的是帮助教育者制定教学策略，通过对收集的学习者的信息进行分析，探索学习系统中各种组件的功能，分析学习者学习结果与教学策略之间的关系，然后对教学策略进行分析和总结，这样能够为教育领域提供更多、更有效的教学策略，例如Ritter等人研究的“CognitiveTour”的智能导学系统，通过数据挖掘、学习分析和在线决策，为该智能教学系统提供了长达15年的细粒度、动态的系统评价，优化了该系统的教学策略，显著的提高了学习者的学习效率。7）其他应用。大数据在教育领域的运用还包括个性化学习、自适应学习系统、以及趋势分析等方面，其中个性化学习与自适应学习系统是大数据应用的终极目标，通过大数据的收集、分析与处理，为学习者提供个性化学习、与自适应学习的环境；趋势分析时通过对大数据的分析，探索学习者在学习过程中的学习结果的变化趋势，探索学前行为与未来结果之间的关系，预测未来学习的趋势和结果，例如加州高等教育协会创建的在线趋势分析工具，允许用户自定义检索条件，为用户提供教育趋势预测结果，帮助学习者构建学习模型，最终推动学习者主动的学习。大数据在教育领域中的应用7/27/2019大数据在教育领域中的应用，主要指的是在线决策、学习分析、数据挖掘三大要素，其主要作用是进行预测分析、行为分析、学业分析等的应用和研究，大数据含义指的是对学生学习过程中产生的大量数据（数据来源包括两方面，即显性行为和隐性行为，其中隐性行为包括论坛发帖、课外活动、在线社交等不直接作为教育评价的活动，显性行为包括考试成绩、作业完成状况以及课堂表现等）进行分析，大数据模型以及显示

的数据能够为学校和教师的教学提供参考，及时、准确的评估学生的学业状况，发现学生潜在存在的问题，进而预测学生未来可能的表现。国外教育大数据公司介绍当IBM刚刚开始与这一学区合作时，除了学生成绩不好之外，该县还面临着辍学率已增加到48%的严峻情况。根据联邦政府的《不让一个孩子掉

队法》（No

Child

Lift

Behind，NCLB），学生成绩糟糕的地方政府将受到惩罚。为了应对这一巨大的挑战，该县此前已经在学生数据的基础上建立了一个辍学指示工具，并将其用于全县层面的决策。但IBM认为这仍不足以改善莫白儿县窘迫的现状，需要借助IBM的技术支持重新建立大数据，进而利用大数据分析来改善学区内所有学生的整体成绩1IBM“希维塔斯学习”是一家专门聚焦于运用预测性分析、机器学习从而提高学生成绩的年轻公司。该公司在高等教育领域建立起最大的跨校学习数据库。通过这些海量数据，能够看到学生的分数、出勤率、辍学率和保留率的主要趋势。通过使用100多万名学生的相关记录和700万个课程记录，这家公司的软件能够让用户探测性地知道导致辍学和学习成绩表现不良的警告性信号。此外，还允许用户发现那些导致无谓消耗的特定课程，并且看出哪些资源和干预是最成功的。2希维塔斯学习”（Civitas

Learnin推出了基于他们自己过去的学习成绩数据预测并改善其未来学习成绩的大数据服务项目。这家公司的新产品名为“学生成功系统”（StudentSuccess

System）。“渴望学习”声称加拿大和美国的1000多万名高校学生正在使用其学习管理系统技术。“渴望学习”的产品通过监控学生阅读

电子化的课程材料、提交电子版的作业、通过在线与同学交流、完成考试与测验，就能让其计算程序持续、系统地分析每个学生的教育数据。老师

得到的不7/再27/是20过19去那种只展示学生分数与作业的结果，而是像阅读材料的时间长短等这样更为详细的重要信息，这样老师就能及时诊断问题的所在，提出改进的建议，并预测学生的期末考试成绩3渴望学习”（Desire

2

Learn）国外教育大数据应用案例成功创造并发布了各自版本的利用大数据的适应性学习（adaptive

learning）系统。在2012年国际消费电子展的高等教育技术峰会上，世界最大的教育出版公司培生集团（Pearson）与适应性学习领域里的先行者纽顿公司共同发布了主要由培生集团开发的适应性学习产品——“我的实验室/高手掌握”（MyLab/Mastering）。这款产品在将全球范围内向数百万名学生提供个性化的学习服务，向他们提供真实可信的学习数据，让学校通过这些数据提高学生的学习效果并降低教学成本。首款产品将在美国的数十万名学生中使用，包括数学、英语，以及写作等技能开发课4“纽顿”（Knewton）总部设在英国伦敦的培生集团和其他出版公司共同开发的“课程精灵”系统（CourseSmart），也允许教授们通过让学生使用电子教科书来跟踪他们的学业进展，并向助教们显示学生的学习参与度和学习成绩等大量的数据信息，只是这一系统尚不具备预测的功能。5培生集团⑴内容分析法内容分析法是一种对文献内容作客观系统的定量分析的专门方法，其目的是弄清或测验文献中本质性的事实和趋势，揭示文献所含有的隐性情报内容，对事物发展作情报预测。它实际上是一种半定量研究方法，其基本做法是把媒介上的文字、非量化的有交流价值的信息转化为定量的数据，建立有意义的类目分解交流内容，并以此来分析信息的某些特征。⑵话语分析人文科学所有的知识分子都是在利用话语的生产模式来行使权力，话语传播着权力的影响。在现代社会中，它们就是权力的替代品。只有遵循话语系统自身的规律，人们在生活中的表达和沟通才能有效，否则就是痴人说梦。换言之，可以这样来说，现实并不是我们人类在创造、支配使用话语（主体性解构），而是语言在建构我们的本质。掌握话语权的人掌握社会规范。⑶社会网络分析社会网络分析适合分析关系数据，而用来分析其他类型数据对关系数据的影响。数据主要分为两类，属性数据和关系数据，属性数据指涉及能动者的态度，观点，行为方面的数据，采用的方法主要是变量分析法。关系数据是关于接触，关联，群体依附和聚会方面的数据，反映一个能动者与另外能动者联系在一起，而不是单独的属

性，一般采用的分析方法是网络分析。另外还有一种是观念数据，主要是描述意义，动机，定义和类型化本身，主要是用类型分析的方法。⑷聚类聚类分析也被称为群分析，它是在“物以类聚”这一理念之上，对样品进行必要分类的一种相对多元的统计分析方法。这种方法专门针对大量的样品，按各自的特性进行相对合理的分类，即使未曾事先验知的情况下依然不会参考任何模型。聚类分析是研究事物特性的个体方法，可以把类似的事物分类整合。原则上依据事物的相似性进行归类，具有以下三个特点：①非常符合检测未曾验证的事物。在没有数据标准参考的情况下，设定相对完善的分类变量就可以对数据进行合理的聚合，得到相对客观的分类信息。②能够处理多个变量决定的分类。多个变量的分类一般相对比较复杂，聚类方法完全可以胜任针对此类数据的分类。③聚类分析法的探索性相对较高，可以根据事物的内在属性和规律，依据原则上的相似性对数据分类，被广大工作者广泛应用。⑸预测根据已有数据或信息对整体或个体数据发展态势做出合理预测。⑹关系挖掘数据挖掘是一种在信息领域当中发展最快的技术，许多行业中的佼佼者都从中获得较为广阔的发展空间，这使得数据挖掘技术日趋被人们所关注。随着科学技术的不断进步，采集数据的方法日益繁多，因而使得庞大的数据总量几乎达到GB

甚至TB

级，并且高维数据日趋主流化。此类数据以及数据的高维特征并不是传统数据分析方法可以轻易解决的，这样导致数据的处理也愈来愈依赖计算机和网络。⑺文本挖掘文本数据挖掘(Text

Mining)是指从文本数据中抽取有价值的信息和知识的计算机处理技术。顾名思义，文本数据挖掘是从文本中进行数据挖掘(Data

Mining)。从这个意义上讲，文本数据挖掘是数据挖掘的一个分支。文本数据挖掘是一个边缘学科，由机器学习、数理统计、自然语言处理等多种学科交叉形成。学习分析关键技术与主要工具从学生方面来说，学习分析技术在了解学生学习现状之后，通过分析学生数据，找出相关问题，对学生学习过程进行优化，帮助学生培养良好学习习惯，从而达到学生自我学习的目的。从教师以及管理人员方面来说，学习分析技术可以评估教学课程和相关机构，帮助同步改善学校既定考核方式，深入分析教学数据，为教师帮助学生解决实际问题指明教学不足和更优方法。从研究人员方面来说，学习分析技术是一种研究学生和网络学习的有效工具。从技术开发人员方面来说，学习分析技术管理系统各模块各不相同的使用频次和路径能有效指导系统界面的相关优化设计，并可以完善系统日志相关管理功能。1.学习者特征分析 学习者特征由学习者的知识结构和学习风格组成。知识结构说明了学习者对正在或将要学习知识的掌握情况，主要包括学习者初始技能、当前技能和目标技能。学习风格包括学习者的生理特征、心理特征和社会特征三个方面。［4］ 利用数据挖掘功能分析学习者特征，目的在于帮助学习者修正自己的学习行为。这里有一理论假设：通过对学习者特征分析结果和事先制定的行为目标标准进行比较，教师能够帮助学习者修正学习行为、提高学习能力、完善人格，有利于学生各方面素质的和谐发展。 学习者特征分析系统由如下四个模块组成，基本框架如图1所示。 人机互动界面：学习者可以向系统手工添加学习者信息、提出分析要求，同时查看分析结果。

数据收集模块：收集的信息包括学习者的基本信息、绩效信息、学习历史、学习偏好、知识结构等。 数据处理模块：数据库按照元数据标准对数据进行清理、集成和变换。 数据分析模块：利用经过转化的数据，按照数据挖掘规则，对数据进行分析处理，得出结果并输出。2.干预师生行为 学校教学管理数据库中记录着各届学生与教师的学习、工作、社会活动、奖励、处罚等情况，利用数据挖掘的关联分析与演变分析等功能，寻找师生各种行为活动之间的内在联系。如“当存在A，B时可以推出C”这样的规则，即当有A行为和B行为发生时，还会有C行为。在实际情境中，如果发现学生或教师已有A，B行为时，马上可以分析其产生C行为的可能性，及时制定策略促进或制止C行为的发生。

3.合理设置课程 在学校，学生的课程学习是循序渐进的，而且课程之间有一定的关联与前后顺序关系。在学一门较高级课程之前必须先修一些先行课程，如果先行课程没有学好，势必会影响后续课程的学习。另外，同一年级学习同一课程的不同班级，由于授课教师、班级文化的不同，班内学生的总体成绩相差有时会很大。 利用学校教学数据库中存放的历届学生各门学科的考试成绩，结合数据挖掘的关联分析与时间序列分析等相关功能，就能从这些海量数据中挖掘出有用的信息，帮助分析这些数据之间的相关性、回归性等性质，得出一些具有价值的规则和信

息，最终找到影响学生成绩的原因。在此基础上，对课程设置作出合理安排。

4.学习评价 学习评价是教育工作者的重要职责之一。评定学生的学习行为，既对学生起到信息反馈和激发学习动机的作用，又是检查课程计划、教学程序以至教学目的的手段，也是考查学生个别差异，便于因材施教的途径。［5］评价要遵循“评价内容要全面、评价方式要多元化、评价次数要多次化、注重自评与互评的有机结合”的原则。 在教学科研网络普遍建立的今天，利用数据挖掘工具，对学生的学习成绩数据库、行为记录数据库、奖励处罚数据库等进行分析处理，可以即时得到学生的评价结果，对学生出现的不良学习行为进行及时指正。另外，这种系统还能够克服教师主观评价的不公正、不客观的弱点，减轻教师的工作量。

5.个性化、智能化网络服务 数据挖掘基于网络的应用包括WEB挖掘和个性化、智能化网上远程教育两个方面。

WEB挖掘是数据挖掘的一项重要应用。WEB挖掘是从与WWW相关的资源和行为中抽取感兴趣的、有用的模式和隐含信息的过程。WWW分析就是为网站运行提供深入、准确、详细的分析数据和有价值的以及易理解的分析知识。通过提供这些数据和信息，可以解决以下问题：

（1）对网站的修改更加有目的、有依据，稳步地提高用户满意度。根据用户访问模式修改网页之间的链接，把用户想要的信息以更快、更有效的方式展现给用户。

（2）查看网站流量模式。发现用户的需要和兴趣，对需求强烈的网页提供优化，用服务器预先存储的方法来解决下载缓慢的问题。

（3）提供个性化网站。针对不同的用户，按照其个人的兴趣和爱好（数据挖掘算法得到的用户访问模式），向用户动态提供浏览的建议，自动提供个性化的网站。

（4）发现系统性能瓶颈，找到安全漏洞。

（5）为教师、教育管理者等提供重要的、有价值的信息。如通过对每个学生所做的试题进行分析，得出题目之间的关联性及其他一些有用的信息，用来指导教学、修正试题难度系数等。 个性化、智能化网上远程教育是充分利用数据挖掘技术的功能，为远程教育提供服务。其表现在：

（1）利用学生登记信息，针对不同的学生，提供不同的学习内容和学习模式，真正做到因材施教，并对学生的学习记录进行保存。

（2）对站点上保存的学习行为和学习记录信息进行挖掘，并结合课件知识库的信息，自动重组课程的内容，使之更符合教学规律，并结合内容，提供其他相关学习资源。

（3）通过对学习者学习行为的挖掘，发现用户的浏览模式，自动重构页面之间的链接，以符合用户的访问习惯。 个性化、智能化远程教育系统模型将涉及到课件知识库、学习行为数据库、个人学习记录数据库这三个大型数据库，还需要构建智能学习系统、个性界面生成系统、智能挖掘系统、智能重组系统等四个实现系统。数据挖掘在教育信息化中的具体应用空间学习者特征由学习者的知识结构和学习风格组成。知识结构说明了学习者对正在或将要学习知识的掌握情况，主要包括学习者初始技能、当前技能和目标技能。学习风格包括学习者的生理特征、心理特征和社会特征三个方面1学习者特征分析学校教学管理数据库中记录着各届学生与教师的学习、工作、社会活动、奖励、处罚等情况，利用数据挖掘的关联分析与演变分析等功能，寻找师生各种行为活动之间的内在联系。如“当存在A，B时可以推出C”这样的规则，即当有A行为和B行为发生时，还会有C行为。在实际情境中，如果

发现学生或教师已有A，B行为时，马上可以分析其产生C行为的可能性，及时制定策略促进或制止C行为的发生2干预师生行为利用学校教学数据库中存放的历届学生各门学科的考试成绩，结合数据挖掘的关联分析与时间序列分析等相关功能，就能从这些海量数据中挖掘出有用的信息，帮助分析这些数据之间的相关性、回归性等性质，得出一些具有价值的规则和信息，最终找到影响学生成绩的原因。3合理设置课程在教学科研网络普遍建立的今天，利用数据挖掘工具，对学生的学习成绩数据库、行为记录数据库、奖励处罚数据库等进行分析处理，可以即时得到学生的评价结果，对学生出现的不良学习行为进行及时指正。另外，这种系统还能够克服教师主观评价的不公正、不客观的弱点，减轻教师的工作量。4学习评价自适应学习系统中教育大数据应用基于大数据的自适应学习系统运行流程图第一步，学习者生成学习行为数据，经过内容传递模块，数据将被标记上时间戳；第二步，数据按照预先定义的结构存入学习者数据库；第三步，预测模块从学习者数据库和学生信息系统中采集数据，根据不同的分析目的，调用不同的分析工具和模型对数据进行分析；第四步，自适应模块根据预测模块中数据挖掘和分析的结果，通过内容传递模块为学习者提供合适的学习指导和学习策略；第五步，预测模块中数据挖掘和分析的结果同时被传递给显示模块，供教师和教学管理者使用；最后，教师和教学管理者根据分析结果，通过干预模块对系统进行人为干预7/27/2019自适应学习系统包含六大模块：（1}内容传递模块。管理、维护、传递个性化的学习内容与评价给学习者，以支持学习者的学习行为。（2)学习者数据库。存储学习者在学习系统中的时间戳标记的学习者输人和学习行为数据。（3)预测模块。整合系统外部学习者信息系统中的数据和系统内部学习者学习行为数据，通过对数据的处理和分析，对学习者未来的学习行为和结果进行预测。（4)显示模块。将预测模块中的运行结果以可视化的方式显示给各类使用者。（5)自适应模块。根据预测模块的运行结果，触发内容传递模块，再根据学习者的学习水平和兴趣，推送合适的学习内容给学习者。（6)干预模块。允许教师、教学管理者和系统开发人员根据预测模块的运行结果，对自适应系统实施人为干预教育数据挖掘和学习分析的区别教育数据挖掘学习分析技术常用技术是分类、聚类、贝叶斯模型、关系挖掘和用模型来发现数据中有意义的信息常用技术是统计、可视化、系统网络架构、情绪分析、影响分析、话语分析，概念分析和意义建构模型起源源于教育软件、学生建模和预测课程的结果源于语义网络、智能课程和系统干预重点重视对所采用的数据挖掘技术的描述和比较重视对数据和结果的描述发现自动化的发现是关键，利用人类判断是用来完成这个目标的工具利用人类判断的是关键，自动化的发现是用于实现这一目标的工具早期的教育数据挖掘主要是网站日志数据的挖掘，现在新的计算机技术支持的交互式学习方法和工具（智能辅导系统、仿真、游戏），为量化和收集学生行为数据带来了新的机会。特别是更加集成、更加模块化和更加复杂化的在线学习系统提供了更多类型的数据，其中包含了数据挖掘算法需要的许多变量。教育数据挖掘能发现这些数据中的模式和规律，探索建立预测模型，让我们重新发现和预测学生如何学习。1教育数据挖掘对学习分析的定义，指的是对学生学习过程中产生的大量数据进行解释，目的是评估学业进步、预测未来表现、发现潜在问题。数据来自学生的显性行为，如完成作业和参加考试；还有学生的隐性行为，如在线社交，课外活动，论坛发帖，以及其他一些不直接作为学生教育进步评价的活动。学习分析模型处理和显示的数据帮助教师和学校更好地理解教与学。学习分7/27/2019析的目标是使教师和学校创造适合每个学生需要和能力的教育机会。2学习分析1.学习者知识建模研究者通过采集学习者与在线学习系统的交互数据，包括学习者系统应答正确率、回答问题花费时间、请求帮助的数量和性质，以及错误应答的重复率等，这部分数据可以是课程层面的、学习单元层面的或知识点层面的。通过数据挖掘和分析，构建学习者知识模型，然后通过自动或人工反馈，为学习者在合适的时间，选择合适的方式，提供合适的学习内容。例

如，Onsophic公司的在线学习平台就是通过收集平台中学习者每一个知识点学习（例如二次方程）的详细数据，通过数据挖掘和分析，建立学习知识模型，为学习者提供详细的学习反馈和建议。2.学习者行为建模研究者通过采集学习者在网络学习系统中花费的学习时间、学习者完成课程学习情况、学习者在课堂或学校情境中学习行为变化情况、学习者线上或线下考试成绩等数据，探索学习者学习行为与学习者学习结果的相关关系，最终构建学习者学习行为模型。例如，麦克费登

(Macfayden)和道森（Dawson)通过跟踪和采集Blackboard在线学习平台上学习者学习行为相关数据，构建学习者行为模型，该模型被用于预学习者的学习失败可能。经过实证研究，该模型的预测正确率可以达到80%以上。3.学习者经历建模研究者通过采集学习者的学习满意度调查问卷或量表数据，以及其在后续单元或课程学习中的选择、行为、表现和留存率数据，构建学习者体验模型，利用该模型对在线学习系统中的课程和功能进行评估。例如，可汗学院（Kaplan

Inc)通过构建学习者体验模型，对其线上课程进行评估，进行线上课程的再设计，改变课程学习顺序，大大提高了教师的教学效率和学习者的学习成绩。4.学习者建档研究者采集在线学习系统中学习者相关数据以及线下学习者基本信息数据，通过数据挖掘和机器学习算法，构建学习者个人学习档案，分析学习者的学习特征，对具有相同学习特征的学习者进行聚类和分组，最终为不同类型的学习者提供个性化的学习环境，促进学习者有效学习的发生。例如，卡丹(Kardan)和克纳蒂(Conati)利用数据挖掘技术对学习者与在线学习

平台的交互日志进行分析，确定不同学习者的学习类型和交互特点，构建学习者的学习档

案。该研究结果主要用于对新学习者进行分类，并提供合适的学习支持和交互支持。5.领域知识建模研究者通过对教育大数据的挖掘和学习分析，对现有领域知识模型进行重构，探索课程、学习单元和知识点的学习内容组织方式与学习者学习结果之间的相关关系。例如，马丁（Martin)等人采集、处理学习者相关数据，构建学习者的学习曲线，并通过对大量学习者学习曲线数据的分析，对现有领域知识模型进行重构。6.学习组件分析和教学策略分析教育数据挖掘和学习分析典型应用详细应用领域情况研究者通过对学习者在在线学习系统中的学习相关数据进行采集和分析，探索在线学习系统教育数据挖掘和学习分析应用领域主要包括：学习者的知识、行为和经历建模；学习者建档；领域知识建模；趋势分析1、支持学习过程的全数据采集与存储在当今数据为王的时代，数据成为重要的无形资本和关键因素。尤其是数字化学习条件下，既包括结构化数据，也包括以文本为代表的非结构化数据和以Web站点为代表的半结构化数据。当前对非结构化或半结构化数据较少涉及，而他们往往蕴藏着重要信息，如学习习惯、学习风格等。大数据时代的数字化学习分析必然要围绕数据进行运作，理想状态是能对所有信息进行采集，保障数据的全面性。另外，当前数据存储面临两方面的挑战，一是学习者在学习过程中产生大量数据，半结构化和非结构化数据所占的比重越来越大；二个是关系型数据库已不适合非结构化数据的存储，而非关系型数据库（NoSQL）存在读写实时性较差、无法满足复杂SQL操作，尤其是多表关联查询等不足。因此，对二者进行有效整合是大数据背景下数据存储的必然要求。2、支持测试类型的多样化尽管发展性评价强调评价形式多元化，但测试作为一种重要的评价形式，仍具有无可替代的作用。通过测试能引导学习者对学习内容更深层次的思考，引导学习者运用所学解决现实问题，培养其创造性思维[12]。一般将测试题目分为客观性题目和主观性题目，前者具有标准唯一、易于处理等优点，适合考察客观知识的掌握情况；而后者有利于考察学习者的理解、运用、归纳等能力，对于培养和考察学生的创新思维和创新能力具有优势。由于主观性题目的主观性特点，很难进行智能化处理，通常由教师来完成，这就造成当前测试以客观性题目为主的不均衡现象。为此，发展性评价系统要尽可能增加主观性题目的比重，同时优化主观试题的处理方式，在保证评价效率的前提下减少教师的工作量，实现全面、有效的评价学习。3、支持知识增长的可视化可视化是信息时代数据处理与显示的必然趋势。发展性评价注重学习者的发展，但发展是个抽象的概念，无法准确地衡量。而日益兴起的增值评价为知识增长的测量提供了新思路。发展性学习评价系统要引入增值评价的理论，即一定时期的学校教育对学生成长发展所带来的积极影响，增值评价就是对这种影响的评估。此外，发展性学习评价系统的使用主体为学习者和教师，他们通常不具备分析知识增长的能力，所以需对知识增长量进行可视化处理，使抽象的学习过程有迹可循，进而形成对学习者知识增长的直观反映。对教师而言，知识增长的可视化便于个性化指导和干预；对学习者而言，可以直观地看到自己的进步，有利于认识自我、建立自信。4、支持学习过程的及时督导数字化学习脱离了教师的监控和约束，学习者容易在学习中“迷失”，督导机制是十分必要的。学习分析技术的兴起，其测量、收集、分析和报告有关学生及其学习环境数据有利于理解、优化学习及其产生的环境，为发展性学习评价系统提供了新的思路。发展性学习评价系统支持的及时督导要以学习者的学习过程数据为量化依据，通过对这些数据进行采集和分析，发现学习者潜在的问题与不足，并及时反馈给学习者，同时给予相应的改进和补救建议5、支持评价的个性化发展性评价强调关注个体差异，支持评价的个性化。而大数据给教育带来的转变之一便是使个性化教育成为可能。发展性学习评价系统应为学习者提供可选择的多样性评价目标和评价指标，根据学习者的选择，动态生成个性化评价标准，进而实现对学习者进行个性化评价。数字化学习的发展性评价系统的特征分析已有研究认为，基于发展

性评价的数字化学习评价

系统，如网络教学中的学

习评价系统应支持过程信

息的全面采集、支持自评

与互评、支持多种反馈形

式等，结合大数据及数字

化学习的特征，大数据背

景下的数字化学习发展性

评价系统应具备如下特征：（1）测评功能子系统测评功能子系统包括讨论互动、学习契约、课前测试、过程测试、随堂记录卡、章节测试、教师评价、同学互评、期末测试等功能模块。学习契约是以学习者和教师共同商议的形式确定学习目标、学习进度、评价标准等，一方面为学习者提供一定的个性化选择，另一方面通过契约的形式对学习者形成激励和监督。课前测试对学习者已有知识基础进行测试，起到诊断性评价的作用，也可以将其作为确定学习协作（讨论互动）小组的依据，还可以与课后测试结果进行对比，确定学习者的知识增长

量。过程测试在学习过程中进行，有利于及时发现学习者存在的问题和不足，便于及时调整和改善。随堂记录卡类似于自我评价功能，多以主观题目为主，要求学习者对学习过程进行总结和反思，有益于学习者自我反思和自我认知能力的培养。章节测试在章节结束时进行，主要考察学习者对已学内容的掌握情况，同时与课前测试和过程测试的结果汇总，挖掘章节的知识关联，为学习者推送个性化建议和资源。教师评价、同学互评和期末测试都在课程结束时进行，通过多样性的评价方式对学习者形成较为全面客观的评价。讨论互动贯穿于整个课程学习的始终，通过讨论互动，学习者与其他成员构成一个复杂的学习网络，在该网络体系中，学习者可以分享学习资源、交流学习心得，或对某一问题展开讨论交流，激发新的思维火花[15]。（2）数据采集与存储子系统数据采集与存储子系统主要包括四大部分：数据采集、数据清理、数据转换和数据混合存储系统。数据采的质量和数量直接决定了数据分析的成效，所以应尽可能地从数据来源上保证其全面性。网络嗅探是数据采集的有效方式，其适合多用户、多Web站点的网络访问环境，且具有采集时间准确、不影响Web服务等特点，更重要的是采集的同时可以进行一部分过滤操作[16]。通过数据采集获取大量数据的同时，也带来了一些如广告、弹幕等的“垃圾数据”，有效过滤这些“垃圾信息”是数据清理的功能所在。数据转换主要是通过对数据进行适当转换方便数据的挖掘分析，典型的数据转换方法包括把符号变量转换为数值变量、重组分类变量等。数据存储是将数据保存到数据库，以防止数据丢失，也便于后续的挖掘分析，本系统采用关系型数据库与NoSQL数据库相结合的方式实现对数据进行混合存储，在该混合存储系统中，关系型数据库采用MySQL，而NoSQL则采用由Clinet、Zookeeper、HMaster、HRegionserver四部分构成的HBase。（3）分析子系统分析子系统是整个系统的核心部分，主要涉及两个数据库和三种数据处理技术。其中，两个数据库是指结果数据库和标准数据库——标准数据库是各种评价指标和评价标准的集合；结果数据库主要有三个来源：一是不需要处理的数据（如成绩、时长等），二是经过教育数据挖掘、社会网络分析和语义分析等技术处理得到的结果，三是直接与标准数据库中的标准进行对比得到的结果。三种数据处理技术即教育数据挖掘、社会网络分析和语义分析技术——教育数据挖掘主要用于发现知识关联，以便对学习者进行知识推荐；社会网络分析用于分析学习者在学习群体中的角色、关系、核心度等，从而判断学习者的积极性和交互程度；主观性测试题目一直是数字化学习评价的软肋，引入语义分析技术，以期对主观性试题进行语义识别分析，增加系统的智能性。（4）反馈子系统反馈子系统包括“三种反馈”和“一个可视化工具”。“三种反馈”即诊断性反馈、过程性反馈和终结性反馈——诊断性反馈在章节学习前进行，主要对学习契约和课前测试提供及时反馈；过程性反馈在学习过程中进行，主要对过程测试、章节测试、随堂记录卡、交流互动和学习行为活动提供及时反馈，同时对学习过程提供及时预警；终结性反馈在课程结束时进行，主要对同学互评、教师评价、期末测试等提供及时反馈。这三种反馈信息在反馈给学习者的同时也传递给教师，教师根据这些信息在必要时对学习者的学习活动给予及时干预。“一个可视化工具”即仪表盘，系统的反馈信息通过仪表盘的形式及时呈现给学习者和教师，便于学习者和教师对学习状况形成直观了解。值得注意的是，系统提供给两者的内容是不完全相同的。数字化学习发展性评价系统设计系统模型设计教师学生干预/评价讨论互动过程测试课程学习活动学习契约 课前测试章节测试 同学互评期末测试教师评价 随堂记录卡评测功能子系统数据采集数据转化混合存储系统教育数据挖掘社会网络分析语义分析对比分析对比分析结果数据库分析结果大数据分析子系统仪表盘及时反馈诊断性评价过程性评价终结性评价反馈子系统可视化数据在对现存问题及系统特数据清采理集与存储子系统征分析的基础上，构建了大数据理念下的数字化学习发展性评价系统模型。该系统由测评功能子系统、采集与存储子系统、分析子系统和反馈子系统构成（1）课前准备阶段首先，教师通过目标预设模块，对课程学习目标、评价指标和试题集进行预设，其中一个学习目标对应若干评价指标，而一个评价指标对应一个试题集。预设的学习目标和评价指标在学习契约中以选项的形式呈现，学生根据自己的情况选择相应的学习目标和评价指标。其次，根据学生的个性选择，从对应的试题集中组合生成课前测试题，了解学生的知识基础，并给予及时反馈。最后，在课程目标选择相同的基础上，根据课前测试结果对学习者进行异质化分组。协作小组目的是对小组成员在学习过程中存在的疑问进行讨论互动，形成互帮互助的良好局面。（2）课程学习阶段学生的主要活动是课程学习及其相关活动，学习者在课程学习过程中的行为数据被记录，并存储于混合数据库系统中。其中结构化数据存储于MySQL，而半结构化或非结构化数据存储于HBase中，两个数据库通过建立有效的存储中间件系统来统一管理。在学习过程中系统给予过程测试，一方面可以了解学习者的当前学习状况，及时发现学习者存在的问题和不足，另一方面可以防止挂机等作弊行为的发生。在整个学习过程中，系统实时收集学习者的学习行为数据，随后将其与系统预设的阈值进行对比，当学习者的行为数据超出阈值范围时，系统及时给予相应的预警。讨论互动是课程学习的一项重要活动，当遇到一些问题和疑惑，可以在协作小组内进行讨论互动；如果小组内无法解决，将问题推荐到本课程讨论群中。（3）课后阶段首先，学习者要完成随堂记录卡的填写，对本节课的学习收获、目标完成状况及存在的不足进行总结，随后将这些数据与学习者的实际行为表现进行对比，测试其自我认知能力。接着，进行组内评价，即小组成员之间相互评价。随后，进行章节测试，系统根据学习者的个性化学习目标、课前测试和过程测试状况，遵循减少学习者负担的原则，只考察尚未完全掌握的内容，并提供三次测试机会。章节测试的功能之一是检验学习者的目标达成情况；功能之二是与课前测试进行对比，找出知识增

量。期末测试则根据学习者的个性化学习目标进行全面考察。在章节测试结束之后，对课前测试、过程测试和章节测试的结果进行汇总，使用关联分析方法对全体学习者的错题集进行数据挖掘，找到潜在的知识关联规则，并以此对学习者进行资源推荐。同时，一方面对小组讨论情况、发帖量、回帖量等指标进行简单统计分析，获得学习者的课程参与度；另一方面使用社会网络分析方法对学习过程中的交互关系进行分析，获得学习者的人际核心度。在此过程中将学习者的各项成绩、目标达成度、参与度、核心度、自我认知情况、组内评价、资源推荐等在仪表盘中以可视化的方式呈现给教师和学习者，教师综合学习者在整个学习过程中的表现进行评价，然后将教师评价添加到仪表盘中并呈现给学习者。数字化学习发展性评价系统工作流程7/27/2019数字化学习的发展性评价系统的工作流程如图所示。下面将结合学习者在课前、课中和课后三个阶段的学习过程进行分析说明。系统工作流程(一)网络学习行为系统的组成网络学习行为系统由行为主体、行为客体、行为工具、行为主体所在的群体(团体)、群体内的组织规则和任务分工等要素组成。可简要地将工具、团体及其规则、任务分工等称为行为环境。行为环境的意义是它构成了活动的物理基础和描述参考———我们对行为的描述是基于特定环境的,比如说,某某学习者在某页面中点击了某栏目等等。网络学习行为主体即是网络学习者,其当前的学习起点、学习风格和人际交往特征是理解和设计学习者学习行为的初始要素。网络学习行为客体指承载有教学信息的各种媒体及其组合,包括文本、图片、音视频和动画等等。常见的网络学习团体包括基于网络的各种协作学习小组,如各种主题的学习共同体或学习社区。其团队规则包括责任分工、交流规则、行为规则、评价规则、奖惩规则等;而网络学习的工具也可以根据其性质分为效能工具、认知工具和交流工具三类。多维度的网络学习行为模型7/27/2019从学习行为多样性的角度,可以将网络学习过程中学习者的网络学习行为模型如图所示：自解释学习目标收集信息加工整理信息发布信息交流使用信息（问题解决）及其他学评价反馈调网络学习行为多维度模型网络学习交流行为:点对点地实时交流,如用

QQ、MSN等工具请教教师、专家等。:点对点地异步交流,如用

E-mail请教教师、专家、登录教师、专家的

Blog等。:多对多地实时交流,如聊天室等。:多对多地异步交流,如BBS等。在网络环境下的学习行为体系包括如下方面的内容：

(1)信息检索学习行为(2)信息加工学习行为

(3)信息发布学习行为(4)人际沟通、交流的行为

(5)基于问题解决的学习行为2.多层次的网络学习行为模型从纵向的角度考察网络学习行为,可以将网络学习行为分为高级、中级和低级三个不同的层次。所谓低级网络学习行为主要是指学习者在网络学习过程中对于不同的媒体刺激(如声、光,文本、图形图像、视频等),所做出的一次性操作行为反应。中级网络学习行为是指学习者个体在学习过程中与承载教学内容的教学媒体、学习团体以及学习环境所作的交流、交互行为。高级网络学习行为则指的是学习者借助网络学习环境进行的面向问题解决的协作、探究等行为。层次化的网络学习行为模型如表1

所示。当然,网络学习过程中,学习行为的发生、变化与发展都不是孤立的进行,而是相互关联,互相影响的。低级网络学习行为是网络学习得以展开的基础,它是学习行为系统的基本元素。低级学习行为存在于学习行为的各个层次中,它的发生不需要太多的思维和内部心理机制的运作。往往行为的发生是在瞬间决定的,甚至是习惯性动作。在对低级学习行为设计资源时,我们注重的是其操作的便捷性以及强化媒体的生理刺激作用,例如要醒目、方便等,以符合使用者的生理习惯。中级网络学习行为和高级网络学习行为则是在人的思维的指导下,对低级网络学习行为的复合和序列化。复合和序列化的程度取决于学习内容的难易、学习工具的易用性、学习者思维能力的强弱、学习团体的结构等等因素。对中高级网络学习行为设计资源时,设计的重点则在于交互的有效性,以及对意义建构所需情景的最大强化。网络学习行为层次的划分,有助于对网络学习行为实质的理解,更有助于针对网络学习者的行为特征,设计出合理的学习系统和学习资源。在对网络学习行为进行分析的过程中,需要清楚了解行为的属性特征。几种常见的网络学习行为的属性参数如表2

所示。多层次的网络学习行为模型7/27/2019从纵向的角度考察网络学习行为,可以将网络学习行为分为高级、中级和低级

三个不同的层次。所谓低级网络学习行为主要是指学习者在网络学习过程中对于不同的媒体刺激(如声、光,文本、图形图像、视频等),所做出的一次性操作行为反应。中级网络学习行为是指学习者个体在学习过程中与承载教学内容的教学媒体、学习团体以及学习环境所作的交流、交互行为。高级网络学习行为则指的是学习者借助网络学习环境进行的面向问题解决的协作、探究等行为。层次化的网络学习行为模型如表

1所示网络学习行为层次的划分,有助于对网络学习行为实质的理解,更有助于针对网络学习者的行为特征,设计出合理的学习系统和学习资源。在对网络学习行为进行分析的过程中,需要清楚了解行为的属性特征。几种常见的网络学习行为的属性参数如表

2所示。什么是xAPI呢？它是新一代的学习技术规格，破除了过去eLearning标准SCORM只能记录课件阅读过程的局限，新的标准目的在捕捉并记录不同学习活动中的学习者行为，包含移动学习、模拟、虚拟世界、严肃游戏、真实世界中的活动、体验式学习、社会化学习与协作式学习

等不同类型的学习活动。这也解决了我们过去在学习记录与分析上的缺口，因为学习不只是阅读课件，学习发生在与他人或内容的互动过程中，这些过程都可以透过xAPI记录下来。当需要记录一项学习活动时，xAPI协议就会发出以”主词＋动词＋受词”的表示格式给学习记录库LRS(Learning

RecordStore)，学习记录库记录并储存所有发生的表述，学习记录库能够跟其它的学习记录库分享这些数据，并且学习仓储能独立

存在或者存在于学习管理系统里。什么是xAPIxAPI的优势在于其弹性，这些弹性让xAPI有许多应用的可能性:表述的弹性:使用”主词＋动词＋受词”的表述上的弹性，可以让你记录几乎任何一种学习活动与行为，并且可以与SCORM标准兼容。xAPI是如何运作的7/27/20191、人们藉由与其他人或内容互动过程来学习，这些学习活动可以透过xAPI记录下来。不管这些学习活动是在哪里发生的，xAPI都可以把它们记录储存下来。2、当一项活动需要被记录下来时，xAPI就会送出以”主词，动词，受词”(Noun，Verb，Object)或者"我做了这件事"(I

didthis)格式的报告到学习记录储存区(LRS，LearningRecord

Store)。3、LRS记录所有的活动报告，这些报告资料可以被传送给其他LRS、LMS或是报告工具(Reporting

Tool)。LRS可以单独存在，或是存在一个学习管理系统(LMS)内。SCORM

xAPI需要不间断的网络连接 对网络连接要求低，甚至不需要网络连接内容必须基于LMS

内容可存储在任何位置跟踪结果为通过/失败，效果测试，完成等状态 学习结果能够广泛覆盖到学习者的体验只能跟踪正式的e-Learning课程 能够跟踪非正式，自我引导式学习xAPI与SCORM区别作为新一代的学习技术规格，XAPI破除了过去eLearning标准SCORM只能记录课件阅读过程的局限，新的标准目的在捕捉并记录不同学习活动中的学习者行为，包含移动学习、模拟、虚拟世界、严肃游戏、真实世界中的活动、体验式学习、社会化学习与协作式学习等不同类型的学习活动。这也解决了我们过去在学习记录与分析上的缺口，因为学习不只是阅读课件，学习发生在与他人或内容的互动过程中，这些过程都可以透过XAPI记录下来。7/27/2019透过XAPI能让不同工具间相互分享与接受各种各样的数据(包含连线或离线学习)。当更清楚的知道学习者完成了哪些活动后，便能提供学习者更多合适的建议，这也大幅拓展了学习的生态圈。不管学习在哪发生，都可以透过XAPI记录下来。并将报告传送给LRS。学习者甚至可以在一台电脑上启动学习活动，然后在行动装置上完成它，完全不会有衔接上的问题。这让随时随处可学习的理念得以实现。xAPI与教育大数据7/27/2019xAPI与学习经历数据利用活动流描述学习经历利用Statement记录学习经历数据xAPI规范中语义的定义（1）LRS概述xAPI规范不仅定义了如何记录学习经历数据，也定义了学习经历数据存储、检索的规则。开发者只要实现了这些规则，便可以创建基于xAPI的学习经历跟踪服务，这种服务可以安全地存储Statement并将其传输到其他特定的系统中。（Advanced

Distributed

Learning，2014d）这种存储学习经历信息的系统被称为学习记录仓储（Learning

Record

Store，LRS），它通过xAPI定义的接口来交换Statement对象。LRS是对xAPI规范的实例化，主要体现在将xAPI规范中抽象的接口实现为具体的网路服务。LRS可以通过这些服务来收集、返回

Statement以及与Statement相关的数据，但这种数据交换并不仅局限于传统的LMS中，它还

可以与其他LRS或应用进行数据交换。（2）LRS的数据获取在传统的LMS中，学习者的数据只能保存在LMS中或LMS运行的模块中。与LMS不同，LRS可以与所有支持xAPI规范的应用共享数据，因此，LRS既可以作为LMS的一部分存在，也可以成为一个独立的系统。这种情况下，LRS往往以一种网络服务的形式存在，它允许其他系统通过xAPI规范的接口输入或检索Statement。这意味着学习者可以从LMS中解放出来，学习系统也无需仅仅通过网络会话（Session）来获取学习数据。无论在离线还是在线的状况下，学习者的学习数据可以保存在任何支持xAPI规范的系统和设备中。需要指出的是，尽管LRS与LMS差别较大，但是并不会影响LRS支持SCORM标准的学习内容。只要SCORM内容的动作对象和LMS通信模块遵循xAPI规范，LRS便能够从SCORM标准的LMS中获取学习数据。（3）LRS与教育大数据共享LRS的数据主要来自“活动提供者”的输入和其他LRS的共享，对“活动提供者”并没有具体的要求，任何设备和系统只要遵从xAPI规范，便可以向LRS传输数据。“数据消费者”只要获得LRS的授权便可以从中获取数据，这些“消费者”可以对数据进行分析、可视化、呈现等处理，但这些处理方式并不由LRS来决定。这种将数据、服务、应用解耦处理的方式，正是xAPI与其他语义模型最明显的区别。xAPI可以看作是对“数字政府”数字服务模型的一种

实现：“信息层”的Statement专注于将学习经历转化为数据，而不考虑如何传输数据；“平台层”的LRS专注于通过网络接口分享来自“信息层”的数据，而不考虑如何使用、呈现数据。这种解耦的处理方式使教育数据服务更加灵活、易于扩展，为教育大数据提供了一种新的数字服务范式。（4）企业级LRS框架LRS既可以是LMS中的一个组件，也可以是一个独立的企业级系统。（Rustici

Software，

2012a）如果作为LMS的一部分，那么LRS需要考虑如何对私有存取行为进行处理，因为LMS通常会将LRS视为一个私有的数据库而不是公共的网络服务。如果是作为一个企业级系统，那么这样的LRS会较为复杂，需要考虑身份验证、数据检索、并发控制等需求的实现（如图3所示）。但无论选择哪一种类型的LRS，都必须实现四个接口（API），这四个接口是LRS最低限度的功能。此外，企业级LRS需要实现的主要需求还包括接口、安全性、深度查询及数据基于LRS的学习经历数据的获取与共享LRS概述LRS的数据获取LRS与教育大数据共享企业级LRS框架（1）获取学习经历的意义学习经历（Learning

Experience）是指学习发生时出现的与课程、计划或其他教学参与者

所进行的任何交互或其他经历。它可以发生在传统的学习环境（如学校、教室）及非传统的学习环境（如室外）中，也可以发生在传统的教学互动情境（如学习者直接向老师、教授学习）或非传统的教学互动情境（如学习者通过游戏、交互应用进行学习）中。（Glossaryof

Education

Reform，2013）每一个学习经历都包含学习活动是如何发生（How）、何时发生（When）以及何地发生（Where）的，它更强调教学互动的目的——学习，而学习经历发生的地点（如学校、教室）或形式（如课程、计划）只是其中的一部分。在传统学习情境下，对学习经历的获取被称为是一种监测（Monitoring）活动，即教师通过持续地跟踪学生的学习以便进行教学决策和对学生的学习进度进行反馈。（Cotton，1988；

Wilkins，2008）监测学生的学习被认为是高质量教学的核心，同时也是区别学校、教师是否高效的主要因素之一。（Cotton，1988）监测同样可以应用于在线学习。一个良好的在线教学系统应能够定期监测学习者的学习进程以及测试学习者对知识技能的掌握程度，（Helicetal.，2000）通过评估和测量学习者的学习经历使教师能够度量学生的响应、反馈以及进度，以帮助教师从社交、行为、认知的层面感知到远程学习者。（Galusha，1998）这种方式在一定程度上弥补了在线学习中因缺乏正常的人际交流而对学习者造成的妨害。（Ragan，1999）（2）教育大数据背景下学习经历数据的价值大数据在教育领域的具体应用主要有学习分析（Learning

Analytics，LA）和教育数据挖掘（EducationalData

Mining，EDM）。（Bienkowski

et

al.，2012）由于学习是学生与学习内容、学习环境、学习伙伴和教师之间复杂的交互过程，（顾小清等，2012）因而教育数据挖掘和学习分析这两个方面应用的基础数据都应是基于学习过程的数据，既包括学生、学习内容、学习环境、学习伙伴和教师的数据，还包括学生对各种客观资源的操作数据以及这些因素之间的关系数据。这些积累的学习经历数据蕴含了巨大的分析价值。建立学生学习的数据库来存储学生与学习内容的互动时间和行为，以及用户知识模拟、用户行为分析、用户经验分析，这些都是自适应学习环境的组成部分。（Bienkowski

et

al.，2012）学习过程中的学习经历可以在任何地点、任何时间内发生，例如对学习资源的标注行为、工作中的业务表现、移动学习中与移动应用的交互等。这些学习经历都值得记录，形成的大数据既可以帮助学习者分析和优化学习经历，也可以成为教学、销售、人力资源等行业的辅助工具。（Duhon，2014）教师和未来的劳动力市场雇主可以根据学习过程中的数据了解学习者的学习行为特征，如学习速度、领悟能力、与其他学习者的互动合作等，以便他们结合学习者的学习经历和学习结果对其进行更加全面的评估。（张羽等，2013）学习经历数据的获取在传统学习情境下，对学习经历的获取被称为是一种监测活动，即教师通过持续地跟踪学生的学习以便进行教学决策和对学生的学习进度进行反馈。监测学生的学习被认为是高质量教学的核心，同时也是区别学校、教师是否高效的主要因素之一。监测同样可以应用于在线学习。一个良好的在线

教学系统应能够定期监测学习者的学习进程以及测试学习者对知识技能的掌握程度，通过评估和测量学习者的学习经历使教师能够度量学生的响应、反馈以及进度，以帮助教师从社交、行为、认知的层面感知到远程学习者。这种方式在一定程度上弥补了在线学习中因缺乏正常的人际交流而对学

习者造成的妨害。1获取学习经历的意义大数据在教育领域的具体应用主要有学习分析和教育数据挖掘。由于学习是学生与学习内容、学习环境、学习伙伴和教师之间复杂的交互过程，因而教育数据挖掘和学习分析这两个方面应用的基础数据都应是基于学习过程的数据，既包括学生、学习内容、学习环境、学习伙伴和教师的数据，还包括学生对各种客观资源的操作数据以及这些因素之间的关系数据2教育大数据背景下学习经历数据的价值当前大数据在社会经济学中的应用，多表现为通过现实生活中的数据挖掘检测复杂的社会系统，如借助移动终端（包括传感器、GPS定位仪、智能手机等）收集数据，识别社会情境下用户的日常活动，并将实时数据与历史数据进行关联，推测其人际关系。学习经历数据的获取方式更类似于这种“实时数据流与历史数据的关联”，这种数据会以“数据流”的形式高频次地产生，在获取、记录数据流的同时还需要关联整合历史环境信息，以实现环境化、个人化的信息空间。7/27/20193获取学习经历数据的研究现状ADL:Advanced

Distributed

Learning---"高级分布式学习"是美国国防部(DoD)和白宫科技政策局(OSTP)在1997年11月成立的研究项目一、辅助传统课程的升级没有人愿意在以传统SCORM为基础的网络学习程序上进行投资，因为那根本就是把钱白白扔进垃圾桶。而XAPI可以兼容包括SCORM程序在内的传统网络学习课程，并且能够通过一系列简单代码追踪学习活动，无论你是在线还是离线，无论是基于团队还是个人。例如：你有千兆字节的旧网络学习课程，其中一些是可能不一定符合SCORM的。你可以请软件开发人员或IT部门设立LRS和XAPI包装你的遗留课程，拓展它们的追踪和报告功能，并将其部署到相应的移动设备上。而在此之前，你可能还不能在移动设备上运行的SCORM课程。二、移动学习的行为跟踪移动学习可以是正式的或非正式的，团体的或个人的，移动设备可以通过提供内容和信息随时随地扩展学习。而SCORM仅能用LMS在Web浏览器追踪学习内容，你无法在移动应用程序上使用它。XAPI允许教学设计者利用广泛流行的智能手机和平板电脑，追踪浏览器或移动应用程序的移动学习活动，包括电子书、增强现实、社交媒体和绩效支持。例如：有学校让你为生命科学专业的学生设计一个探索周围林地并记录自然景观的方案，你与开发人员协作开发了一个手机应用程序，让学生能在一年中收集动植物照片及录像。这个移动应用程序不仅能记录谁做了什么，还能记录是在何时何地做的（使用地理定位）。对存储在学校系统的LRS中的这些数据进行分析，可以标明最活跃学生有哪些，他们常去的地点是哪些，以及每一季节最早和最晚观察到的品种是哪些等。三、记录非正式学习活动正如前面所述，XAPI使得许多新的学习模式成为可能，尤其是在非正式的学习情况下。许

多教师已经找到把社交媒体活动纳入课程体系的办法，因为XAPI允许这些活动成为学习者

的经验，并可以进行记录。当使用XAPI时，我们需要想到是用它来思考“学习过程”与“学习例证”，而不是用来思考学习内容及进行测试的。你可以用XAPI报表像这样记录非正式的学习活动：·“玛丽在资源[X]中读到了第12页”·“罗纳德在话题【Y】中提问SME[X]”·“贾巴尔回答了詹妮弗的问题”·“拉吉夫将[X]发布到论坛”·“元在她的学习日志中增加了一个图像”·“杰赛完成了学习项目[X]，并把它交给了老师[Y]”·“对于学习目标[X]，杰梅报告说内容[Y]是非常有用的”xAPI在移动学习中的应用模式SCORM标准是目前国际上应用较多的标准，但

SCORM标准是基于有限需求而提出的，与云计

算和服务型的架构有代替的可能。虽然SCORM标准为LMS内部的互操作性和便携性提供了技术上的支持，但是由于它与LMS捆绑，只记录了基于浏览器内部发生的有限学习活动，使得系统只能记录学习者通过登录LMS学习时的学习记录。为了支持追踪更详细的网络学习行为，ADL提出了TLA(Training&LearningArchitecture)架构及其运行时的接口规范——xAPI（Experience

API）。xAPI允许将学习内容与平台解耦，能够为学习者

记录并提供其自身学习经验与元数据，可让任何

被许可的参与者存储和检索可扩展的学习记录、

学习者信息和学习经历档案，而且其过程与平台

无关。步骤1：思考XAPI如何服务于组织的学习策略考虑你现有的产品是否支持移动端的学习？是否需要有更多的数据来评估学习计划对业务成果的影响？是否需要在工作流程中创造学习机会让工作与学习结合？步骤2：定义使用XAPI的应用标准XAPI的实施首先要使用与企业学习战略相一致的决策标准，你最需要在移动设备上的什么内容？你需要哪些业务指标作用于你的学习计划？你需要哪些数据来衡量任务完成量和业绩间的关系？哪些工作流程与你学习的绩效