孙小江 周琴

摘要：在信息化、数字化时代到来的背景下，智慧+教育、智慧+资源成为网络技术与智慧教育融合的外在表现。其中，学习资源在数据挖掘、人工智能、智慧平台支持下能够实现智能化、个性化、针对性推荐，为学生学业发展提供助力，对教育事业发展、学生长远发展具有重要意义。在海量的网络资源下，学生容易在筛选学习资源时陷入迷茫的状态，为了让用户能够在有限时间内找到适合的资源，必须要打造服务于资源推送的在线推送平台，以彰显教育技术的优势。本文对大数据背景下学生学习需求进行分析，结合资源推送机制的研究，提出了适用于在线学习资源推送的机制，以促进学习资源向精准化、个性化推送方向发展。

关键词：大数据;学习资源;推送方法

在进入大数据、人工智能时代后，在线学习已经成为诸多群体自我提升、发展的重要途径。网络引擎中覆盖的学习资源、信息量十分庞大，再加上信息时刻都在更新，支持学习者进行即时访问、浏览和共享。但是，网络系统中容纳的海量资源呈现出分散化的特点，未能遵照某种规则形成条理清晰的内容，这就给学习者梳理、查找和整合带来了挑战，诸多用户也容易因此找不到合适的学习资源。由此，在资源建设层面，加强学习资源的精准推动、智能推动是促进在线学习向智能化转型的关键要素，促进教育领域的优质数据量不断增长，这也是大数据技术与智慧教育融合发展的趋势。在MOOC、智慧树、超星学习通等平台日益发展的同时，越来越多数字型学习资源开始面向大众，为更多社会群体进行线上资源查找、线上学习提供了大量优质内容。为了让庞大的学习资源形成系统化的架构，为学生提供清晰的目标资源选择方案，本文对学习资源的推送机制进行研究和分析。

一、大数据背景下学生的学习需求分析

伴随网络信息化发展的日渐深入，智慧教育、未来教育给固定的授课、学习形式带来了冲击。在固定的课堂教学环境下，教师理念影响着学生知识接受程度。在转入信息技术教育环境后，学生学习地点不再被局限在教室中，网络化在线学习可以让学生实现自由化、个性化学习，只要拥有终端设备、网络条件，学生就能进行在线选课、自由选取喜爱的老师，以及相关课程，还能及时下载完成线上作业、参与课程考核等。这样的情况下，学生的时间更加灵动自由，便于其根据自身实际安排线上学习时间，更能真正发挥优质资源的价值，学生可以对自身学习进度进行了解，更加迅速地完成课程学习，并通过完成课程作业、考核累计学分，顺利得到毕业证书。处在这一状态下，学生可以脱离课堂在网络上参与学习任务，而教师也可以将更多精力放在自我提升上，不仅要提升自身的授课能力、本领，同时要做好优质微视频、课件资源的制作，还要做好答疑问题的预测。言而总之，学习资源的选取在学生学习中是不可分割的重要部分，由于繁杂、丰富的学习资源类型和主题，学生实现精准选取、教师把握学生知识掌握进度都面临着一定的难度。通过运用数据挖掘技术，实现学习资源的精准化“配送”、推送将成为未来教育、智慧学习发展的焦点。

二、关于学习资源推送机制的研究现状

随着5G通信技术发展、互联网覆盖条件提升，再加上移动智能终端的日渐普及，网络数据、信息呈现出“爆炸式”增长的趋势，这就衍生出了“大数据”的概念，使得大量信息资产、资料以海量形式出现，这就需要形成全新的处理技术、手段和平台。用于学习的资源，可以理解为支持多种学习活动的资源和材料，包括以下教学要素，如支持学习的环境、系统和资料，以及辅导个体进行有效性学习、操作实践的多种要素。在组合应用数据库、人工智能技术的基础上，将机器学习、数据挖掘方法进行融入，能够对用户日常信息进行记录和识别，实现用户兴趣的精准化识别、预测，从而自动化地、针对性地实现用户信息推送，达到满足用户个人需求的目的。在国内外，关于学习资源推送的服務模型主要有两种，分别为基于协同过滤、基于内容的服务模型。具体而言，在面向内容需求的推送服务模型中，以推送算法在高校课程中运用为依据。首先，要对用户个人信息和意愿、所学专业课程、参与的职业活动等综合信息进行搜集，并形成与之对应的特征模型。在实现这一步骤后，要对用户所学、所选课程进行关联特征词汇、信息的提取，以明确课程开展的真实目的。最后，系统需要调取用户某时间段内的数据方位情况，再对合并形成的操作日志执行特征向量抽取处理，通过算法运算实现初始推送模型的构建，再对初始向量、执行中的访问序列进行相似度对比，若二者间的阈值关系保持相当，可以判定用户已经匹配到符合其需求和兴趣的课程，就可以实现最后一步的在线学习资源和课程的推送。利用这种服务模型进行推送，系统主要是围绕在线课程的简介、关键词展开，所以存在以下不足：由于网络学习课程的特征存在有限性，此模型对用户产生的在线课程浏览记录依赖性较强，这就给提取有效特征项增加了难度，系统难以生成最契合用户需求、倾向的课程信息，限制了资源的推送。从服务模型的原理、过程角度看，基于协同过滤的推送算法则区别于基于内容的推算模型，其关注到人的兴趣并非是孤立的。首先，其推送依据主要是所有用户的共同兴趣，并非是课程内容、信息。其次，不再是结合课程内容执行特征值提取、数据处理操作，而是通过搜集用户反馈的课程推荐项的评分，再以算法运算形式对比其他用户和当下用户的相似度，以针对性地推送用户集。这一推送算法模型，存在三方面的不足：其一，由于需要统计基于兴趣评估的用户数据，对课程评价上存在一定不足;其二，在新课程出现在在线平台时，由于缺乏一定的用户评价和反馈，难以通过协同过滤实现学习者倾向预测，精准化推送也就无从实现;其三，若用户缺乏对课程的了解，容易接收到已掌握知识的课程推送，影响被推送用户的体验。

三、基于大数据的学习资源精准推送机制

在大数据技术理念下的学习资源推送，突出了数据挖掘技术的应用优势，能够实现学习系统后台数据库信息记录的访问，还支持对已采集的数据信息技术挖掘、分析，从而得出促进学生学习的信息内容，为学生资源推送打下基础。具体而言，首先，通过搭建在线教学平台，围绕课程知识点进行一系列微视频资源的打造，并推动后台数据库顺利运行，实现对学生学习记录的搜集。然后，采用数据挖掘技术，从分类分析角度的实现后台数据库信息，形成特征模型，最后进行多维度对比。这样，就能获得以下数据信息：学生顺利掌握的知识点内容;学生在学习中出现的疑难问题;整个教学实践中点击次数超过一定次数的视频片段;学生最厌烦/感兴趣的片段;课堂测试中出错/正确频率最高的知识点;最受学生喜爱的讲课/讲课/资源推送模式。在对上述信息结果进行分析、整理后，可以形成契合学校、平台发展的学习资源推送机制：首先，教师要对课前注意事项、重难点知识等上传至在线平台，让学习者通过登录在线平台账号进行浏览;然后，在线上教学时，教师可以针对主要问题展开探究活动，并让大家分组推出解决方案;再者，要在关注整节课教学情况的基础上，进行重难点课程知识的推送，让学生获得相关的设计案例、例题、学习资源包等资料;此外，对于学习进度、掌握进度慢的学生，可以将预先准备的预习资源、资料推出，掌握进度理想的学生则不需要推送;最后，利用数据挖掘技术，可以围绕接受能力、学习主动型、学习兴趣程度等指标对学生进行分类。根据不同学习者的分类情况进行精准化的资源推送，让学生在合适的资源下迅速完成知识认知目标。

四、学习资源个性化、精准化推送分析

个性化、智能化、精准化学习资源的推送，是基于机器学习、结构化处理体系，以及“行为系统”“知识系统”“特征系统”，根据学习者的知识掌握等级、个性特征、历史学习行为，构建基于兴趣的特征模型，再运用人工智能技术实现个性化、精准化数据资源的推送。这一推送方式契合了大数据技术应用环境需求，巧妙地解决了学习者面对学习资源、检索能力不足的问题，更能控制知识搜集消耗的时间成本，促进学生线上学习效果提高。“兴趣模型”的构建，是促进学习资源智能化、个性化的关键，关乎最终学习资源推送结果是否符合学习者的实际需求、个性特点。在整个“兴趣模型”的构建中，要从隐性层面、显性层面进行模型建立，二者分别对应了学习者的行为信息、基本信息。關于学习者的行为信息如下：课程学习风格信息、学习者产生的学习轨迹，能够反映学习者的学习全过程，以及学习偏好、途径，是实现智能学习资源方案、策略推荐的前提。关于学习者的基本信息如下：如学习者姓名、年龄、性别、知识程度、受教育水平、学习目标等信息，是支持学习者学习分类的基础数据，是交互式、协作式学习资源推荐的依据。基于智能推送模型的构建，可以继续选取智能化推送策略，需要根据“知识系统”形成特定的推荐策略和方案，促进相关匹配资源、学习资料和清单的推送，并调用“行为系统”确保推送资源契合个体的学习偏好、途径等“特征系统”引入教师协作方式，以多渠道、多维度的方式进行干预，从而进一步地提高资源推送的精准度。

五、结语

综上所述，加强学习资源的精准化、个性化推送是提高大数据社会服务能力、发掘大数据技术价值的重要途径。因此，要围绕学习者个体的知识、行为、特征进行静态、动态行为数据的搜集，形成适应学生学习资源和路径偏好的推送机制，不断地优化学习资源的推送服务机制，促进推送的预测精度、教师干预力度得到有效提高，真正实现在线学习资源推送向智慧化方向发展，提高教育平台、学校的社会效益。

参考文献：

[1] 田枫，李欣，刘芳，等.学习资源个性化推荐系统的学习者模型构建[J].教育教学论坛，2020（10）：304-305.

[2] 刘华荣，胡文鹏.学习资源个性化推送对学习效果的影响[J].太原城市职业技术学院学报，2019（8）：151-152.

[3] 孙丽雯，欧阳荟，王艺凝，等.网络课程学习资源推送平台研究——以华南农业大学在线教育综合平台为例[J].才智，2020（5）：121.

[4] 陈鑫宇，杨冬黎，鲁金秋，等.基于学习者模型的文本学习资源推荐算法研究[J].计算机技术与发展，2020，30（6）：77-81.

[5] 曲芷萱，王朋娇.基于学习分析的学生个性化学习资源推送[J].软件，2019，40（12）：163-166.

基金项目：本文系海南职业技术学院课题名称：“大数据背景下基于多维关联分析的学习资源精准推送方法研究”，课题编号（Hnky2020-67）的研究成果;课题名称：“热带医学机构知识库的建设与实践研究”，课题编号：（Hnky2020-45）的研究成果;新增科研团队：海南职业技术学院“智能信息技术研究与应用”科研团队成果。