刘春娟

（吉林省经济管理干部学院，吉林长春130000）

学习资源大数据是精准教学分析的重要基础资源，大数据挖掘技术可以对各种非结构化的数据进行采集和存储。课堂教学资料、在线学习资源以及其他辅助教学资源都可以作为数据挖掘的有效平台，学生每次学习记录包括讨论、互动留言、课程平台学习痕迹都会被记录下来，并由数据库记录和存储大量实时、可靠的学生学习行为数据，生成数以万计的个性化学习数据。将互联网海量课程资源、相关信息整合到网络课程平台，不断完善课程教学资料，定期更新微课、慕课等并发布至相关课程网站，形成符合学情的特色教学资源；追踪前沿科技，加强校企行业间三方合作，形成行业动态、企业资讯、招聘培训一体化的课外资源库；通过良好的交互系统，组织学生进行讨论交流，促进协作学习。

1 构建学习者模型

只有充分考虑学生个性化特征并做到满足学习者的个性化需求，才能实现精准教学。构建学习者模型是重中之重，学习者模型可有效记录学生的学习信息，并详细记录学生在课程学习过程中的学习痕迹。学生学习动态、不同学生群体的趋向化个性特征和需求，这些资料都是讲授者、学习者在个性化精准学习系统中进行学习决策的依据。学习者模型结构如图1所示。

图1 学习者模型

学习偏好代表学习者在学习过程中的倾向，只有充分掌握学习者的个性化学习偏好才能更精准地推送学习者喜欢的学习资源和学习方式。学习风格借助学习者模型和认知风格测量表通过学前测试确定，其他偏好信息都是通过对学习者在学习过程中产生的数据进行分析而确定。认知水平部分包括学习者初始认知水平、当前的学习目标以及学习过程中的动态认知水平。初始认知水平即学习者在本课程学习前的相关专业知识水平，该部分可通过学前诊断测试来有效确定。动态认知水平是经过学习后积累的动态不断变化的相关专业知识水平，动态认知水平展现的是学习者对相关专业知识内容的实时掌握情况，该部分学习结果在学习过程中是不断变化更新的，其学习结果可以通过过程测试以及学习行为综合诊断来评价确定。动态认知评价结果形象展示学习者对知识的掌握情况，教学平台依据动态学习成果推荐学习内容。学习行为记录主要作用是采集分析学习者学习历史和学习过程中的具体学习行为，通过行为记录来完善修正学习者学习个性化偏好，在充分考虑学习者个性化特征前提下，尽可能完善并满足学习者的专业能力需求。

2 构建线上线下一体化的精准学习路径

线上线下一体化的精准自适应个性化学习路径是将课堂理论知识、学习资料投放至互联网，涵盖丰富的生动形象的影像资料，融入团建理念，合作学习，激发学生学习动力；同时，协助学生发现并掌握适合自己的学习方法，为不同学生设置丰富的合适的教学任务，形成多种个性化的学习策略和实施程序，并定期对学习者学习过程成果和学习策略进行诊断性中期评价或结果评价，帮助学生调整学习策略和教学内容，使学生达到学习目标，如图2。

图2 线上线下一体化的个性化自适应学习路径

2.1 基于翻转课堂的精准化辅助教学

食品理化检测技术多元化课程平台贯穿于学习者的学习全过程，包括课前、课中、课后，课程平台将传统多媒体授课与多种形式的微课、MOOC相结合，进行精准化教学。针对不同的学习者，制定个性化学习计划，课程平台后台大数据详细记录学生的学习痕迹，并定期分析学习者成果。

2.2 基于任务驱动的精准实训教学

运用《东方仿真练习测评系统》进行精准教学。学生课上或课下均可通过课程平台链接网站登录系统进行实训操练，按系统要求逐一完成操作任务，提交至系统评分，实时精准地记录学生完成任务的时间、失分点和最终分数。

2.3 基于大数据分析的精准干预

通过《食品理化检测课程平台》《东方仿真系统》，教师实时掌握学生动态，根据测量、记录呈现的学习行为，判断学生达成教学目标的程度，利用课程平台交互系统不限时间不限空间地进行针对性干预，如图3。

图3 基于大数据的精准教学干预

图4 精准教学模式教学诊断

2.4 构建基于大数据的精准教学诊断

精准教学评价机制是全员、全过程 、全方位的实时评价。食品理化检测技术课程教学评价应用数据挖掘、采集、分析等技术，实现数据统计分析可视化展示，通过课程平台的仿真软件和微课向相关专业知识点测试，监控学习者学习情况，实时反馈给授课教师。授课教师结合课堂互动情况记录、阶段性知识点测验和实验操作结果，综合专业职业能力要素进行综合评价，最终生成可视化的评价报告，如图4。根据学生的学习表现进行预测，调整教育决策。

3 结语

本课题的研究区别于以往的个性化教学模式的探究，通过建立学习者模型，利用大数据分析学习风格和偏好等，更精准的把握学习者想达到的学习目标和学情。课题的研究不局限于在线课程的个性化教学模式，而是构建“线上线下一体化”的个性化自适应学习路径，更适用于高职教师和学生的“教”与“学”。