喻永尚，刘 勇（通讯作者），张桂芬

（广西民族大学电子信息学院 广西 南宁 530006）

1 引言

在传统的教育模式中，从基础教育到高等教育的学习者与教师皆需处于同一空间与时间进行面对面的授课模式，以往的教育方式给学习者带来了充足的体验感，但进行这一模式所需的条件在某些情况下是可能无法满足的，并且在长时间的研究与调查中发现，传统的教学方式并未为学习者带来具有针对性、高效性的学习环境。2019年2月，中共中央、国务院印发《中国教育现代化2035》，明确提出要建立协同规划机制、健全跨部门统筹协调机制，完善区域教育发展协作机制，全方位协同推进教育现代化建设[1]。教育现代化的推进与基础教育及高等教育的建设，为Python语言个性化信息分析模型在教育领域的众多应用奠定了坚实的基础。随着大数据产业的不断成熟，在大数据的支持下的个性化学习分析使得教育模式实现了质的飞跃，由传统的“一对多”模式走向“个性化”模式。

2 基于大数据的个性化学习分析结构的构建

基于大数据的个性化学习分析模型的最终目标是实现“因人施教”。传统的教育模式最大的弊端是忽略了学习者个体差异，导致学习者在学习的过程中并不能跟随课堂节奏因而学习效率尚未达到最佳状态，个性化学习分析结构由8个环节组成，该结构充分说明了该模型的详细流程，如图1所示。在该系统中，知识领域专家制作出领域知识图谱，由知识图谱提供课件元素，并结合个性化干预引擎以及自适应推荐引擎根据学习者特征信息和基础数据库二者所产生的结果，最终得出自适应课件，并将该课件反馈至学习者的学习内容中，有助于呈现出最适合学习者的学习内容；根据调查、采集可穿戴设备等其他数据收集方式所产生的数据作为学习者的特征信息，并将该特征信息分别通过自适应推荐引擎与教育测评引擎进行分析，有助于培养学习者的自我效能；教师、管理者根据教育测评引擎结合学习者特征信息所产生的结果并传递至信息面板的可视化学生信息，调整教学方式及教学内容，实施个性化教学干预，有助于实时动态掌握最为准确的学习者的学习评估并且能够提高教育质量。

2.1 学习内容

学习内容是学习者的主要需求，包括学习安排、学习课件等一系列学习模块，其中知识点通过有助于记忆与理解的图形符号的形式进行呈现出来，如流程图、思维导图等。学习者首次使用系统时，学习内容是通过一些预处理（如分析相同类型的学习者的学习内容）之后所推送的，日后的学习内容根据系统中各个引擎进行分析之后在进行修改与完善。

图1 个性化学习分析结构

2.2 学习者特征信息

学习者特征信息包括学习者对知识领域目前的掌握程度、当前外部刺激对人所产生的主观体验、学习者对外界事物认识的能力、学习者对自身认知活动的自我调节和意识等。学习者特征信息通过调查、可穿戴设备等数据收集方式进行采集并存入数据库中，之后再进行数据清洗加工等一系列处理，使得数据更加精准并具有高质量的价值，对学习者特征信息的处理与自适应推荐引擎以及教育测评所产生的结果有密不可分的关系。

2.3 基础数据库

基础数据库包括学习者的各类基本信息，如姓名、年龄、性别、专业、爱好等，以及学习者的历史学习记录，如成绩、先前课程、老师教评等。为了制定出最适合学习者的学习内容及学习规划，仅依据学习者的特征信息将无法产生最优的结果，因此还需要参照学习者的历史学习记录，将这些数据综合起来才能形成更为详细的学习者个人信息。

2.4 自适应推荐引擎

自适应推荐引擎运用内容分析法对学习者特征信息以及基础数据库中的学习者的学习行为特征进行分析，同时通过时间序列预测法进行分析动态数据以及话语分析法分析学习者在学习过程中所产生的文本内容等以便预测下一步学习者可能会做出的学习行为，并且运用决策树预测法对在学习过程中所产生的一些重要数据进行运算分析，经过自适应推荐引擎的各种分析之后所得出的结果有助于为学习者提供更为合适的学习内容。

2.5 个性化干预引擎

个性化干预引擎是由教师通过自身的多年教学经验以及对学习者的要求对学习者的学习内容、学习安排进行修改与完善的一项重要板块。针对学习效率以及学习成绩较差的学习者，管理员以及教师通过个性化干预引擎及时为其给予帮助与干预，提供一些较为适合其自身的学习内容，目的在于通过此项操作来提高学习者的学习效率，并且在日后的学习过程中学习者能够重拾信心。

2.6 教育测评引擎

教育测评引擎是对学习者的特征信息以及历史学习记录通过统计与数学方法中平均值法、中值法、标准偏差法等进行计算与分析，该过程常常与大数据中数据挖掘及数据分析技术相结合，使得测评结构具有前瞻性和权威性。

2.7 可视化信息面板

可视化信息面板对于教师、管理员和学习者是开放的，通过可视化技术，以散点图、评估模型等形式呈现学习者的综合测评结果，摒弃了传统通过分数形式进行评判学习者的学习能力以及学习效率的方法，而对教育测评引擎所得出的结果采用数据描述的方法以便于人们发现数据之中的隐藏内容，并对学习者结合其自身的学习能力做出客观准确的评价。

3 基于Python语言个性化学习分析模型

3.1 知识结构可视化

脑科学研究发现，目前人类右半脑的开发和利用非常有限。人类大脑的各种技巧如果能被和谐而巧妙地加以运用，将比彼此分开工作产生更大的效率。思维导图利用“左脑+右脑”的“全脑”思考模式，有利于激发大脑的潜能，并使大脑平衡协调发展[2]。因此个性化分析学习模型的实现运用可视化技术来描述Python语言知识体系并将其呈现给学习者，实现了将在传统的学习过程中杂乱的知识点有条不紊地联系起来，能够清晰表达出知识与知识之间的内在联系，降低了学习者的学习负担，促进了学习者对Python语言知识的理解与记忆，并在心理方面增强了学习者对Python语言学习的兴趣。如图2所示的《Python语言程序设计》知识结构图。

图2 《Python语言程序设计》知识结构图

当学习python语言程序设计中的某一知识点时，学习者可以从知识结构图中选择学习板块，系统将会依据学习者特征信息个性化进行推荐与安排学习计划、最佳学习资源、相对应的知识点练习和测试，同时推荐与该学习者具有相似的特征信息的学员所学习的内容板块，可为学习者打造适合自身的学习平台。

3.2 学习过程与测评结果可视化

在传统的教育模式中，学习者在从基础教育至高等教育期间都经历了以数字的形式作为一种评价其在该阶段的学习表现及学习能力，该数字结果的产生是仅基于教师、辅导员对该学习者的日常表现的一种主观评价和在学期结束之际进行的考核中学习者的表现，该结果是片面的和短暂的并不具有权威性及客观性。更全面的教育测评结果应该基于大数据个性化学习分析技术对学习者在学习过程中的综合表现进行分析所产生的具有准确性及实时性的有效数据，依据不同的评测项目进行评价并以可视化的形式（如蛇形图、山脉图）展现给教师、管理员和学习者。可视化形式具有将复杂数据以直观的视觉形式表现出来的特性，并能够将一些抽象的、毫无关联的信息整合起来，致使学习者、教师和管理员能够在可视化信息面板中拥有更好的体验感，并能够直接从中得出所需的结果与结论。采用大数据数据分析的技术进行实时分析数据并可视化呈现，教师能够更加清晰地看到学习者的表现情况并对其课程做出适当的干预与调整，此外，学习者通过分析出来的结果更加了解自己的学习状况，并且能够知晓自己离心中所定下的目标的差距，并以此来激发自身的学习热情，做出适当的调整。

学习过程可视化的实现通过Ajax、消息推送、可视化等信息技术[3]，基于Vue.js、J2EE、SSM框架进行开发实现，如图3所示。该模块中包括学习者的学习进度、学习日常安排、学习时间、学习记录等一系列数据，运用不同的颜色图标来表示各个数据的评测结果，其中红色图标表示严重警告，黄色图标表示警告，绿色图标表示通过，灰色图标表示未开始。

图3 学习过程可视化框架图

4 结语

个性化学习的精准性与优越性为学习者提供了最佳的学习环境，这必须借助于大数据分析与数据可视化的直观性。本文所提出的基于大数据的python语言个性化学习分析模型已经基本上实现了自适应性学习模式，完善了自主学习并分析数据的功能，能够进一步地将数据之间所隐藏的关系揭示出来，从而更加完整地了解学习者的学习情况并能够为学习者提供最佳的学习安排，另外有助于更加全面地评测学习者及进行个性化干预。另一方面，可视化将使学习者对Python语言的知识结构有了更加清晰的认识，使得教育测评中的数据之间的关系更直截了当地展现给用户。