摘要：大数据云计算平台触发了教育行业的巨大变革，催生了各种形式和各种内容的网络教学开放课程，这些课程所采用的自由在线学习方式能够针对学习者的个性化需求展开导向学习，可以激发学习者的学习积极性。而如何根据学习者的持点进行较为准确的评价是网络教学开放课堂所面占的一个关键问题。该文利用在线学习过程中学习者学习活动所产生的大量数据对学习者产生形成性评价，首先基于认知思维的要求作为在线学习的目标分类，通过自动分类算法进行聚类分析区分学习者的应用能力层次。在此基础上，为提高数据的处理放率，加快对学习者的评价，再采用三层自动编码器的神经网络降维提取关键持征，然后利用刊练集中的数据刊练学习器，并利用集成学习机制综合单个学习器的结果，得到吏为准确的评价结果。该文采集初中学生针对持定知识点的在线学习活动数据构成刊练数据和测试数据集，通过对比专家人工和机器学习机制对所构造的测试集数据的评价结果，验证了该文方法的有放性。
关键词：在线学习,大数据,云计算,机器学习
一、引言
随着信息化技术的发展，共享大数据的云计算平台与教育行业不断融合，为教育行业的发展提供了有力的技术支持。教育体系包括教学环节、学习体验、互动机制、评估方法等各个方面都将发生一定程度的改变。这些改变中比较吸引人的特色是可以对任何受教育对象在任何时间、任何地点和任何形式（Anyone，Anytime，Anywhere，Anystyie）的自由在线学习方式。在这种自由在线学习方式的支持下，任何学习者，只要拥有一个可以访问互联网的移动客户端，就可以访问诸多云计算平台上各种共享教育资源，不像课堂教学那样必须在规定的时间和地点，由事先分派的教师来传授。而受教育对象所学习的内容，完全可以根据自己当前的知识水平、应用能力、接收程度和个人偏好等，选择相应等级的教学内容进行学习。不仅可以选择教学内容，而且在学习中还可以选择适合于学习者自身和教学内容的各种教学形式，比如施教者讲解、演示视频、模拟仿真实验、习题训练等。
这种在线学习方式能够结合学习者的个性化特点，启发学习者的学习自主性，并提高学习者的效率。学习者可利用生活中的碎片化时间完成视频观看、提问、练习、讨论、测试等各个教学环节。不再局限于课堂教学中学习时间地点的限制。而且在线学习提供了更多交互的方式，而这种互动的方式不再受课时的约束。学习者可以根据自己的兴趣重复选择相同的内容，可以随时中止，并在适合于学习者的时间段重新恢复。学习者还可以任意调取已经学习过的内容进行对比复习，或对比将要学习的内容为下一步的学习打下更好的基础，这些互动更加强调知识点之间的联系，有利于学习者打通各个孤立的知识点，形成完整的知识网络。
学习者在线学习的个性化需求可分为显式需求和隐式需求，显示需求包括学习者学习的时段、学习的内容、实践的环节、训练的题型和交互的方式，这些可由学习者完全清晰定义的需求，也包括了难以由学习者自身清晰定义的需求，比如学习者如何根据自己当前所掌握的知识范围，所达到的应用能力水平和与其他同阶段学习者的相对差异，来选择最合适的学习内容和学习方式。在传统教学模式下，学习者对自己所处的能力水平并没有很清晰的认识，也会缺乏足够的对比参照。而结合云计算平台的在线学习方式使学习主体的个性化特征数据收集成为可能。而且随着在线学习的推广和用户数的剧增，其个性化特征数据收集将会以庞大的样本空间为基础，从而使特征数据覆盖尽可能多的受教育人群，可以对受教育对象产生准确详细的描述。
通过个性化学习，使整个学习过程能够不断针对学习者的个性化特征和个性化需求给出最适合学习者的学习内容和学习方式。而个性化学习最重要的基石是个性化评价。不能对学习者的个性化特征，如学习者的知识范围、应用能力水平凰欠缺和盲点、学习能力以及学习偏好等做出完整而准确的评价，就无法因材施教，实现真正的个性化学习。传统的课堂教学中，施教者往往无法跟踪每个学习者的学习过程，只能通过阶段性考试的方式来做出评价。这样的评价方式往往失之于宽泛，无法对每个个体产生精确的个性化评价，而且难以在学习过程中实时动态调整，保证学习的效率。而基于信息技术的网络在线学习，可以充分收集学习者学习的过程数据，从而为产生足够细粒度的个性化评价提供了可能性。
在线学习可以记录学习者的每个学习活动，包括学习者登录的时间和每次学习持续的时间，所学习的视频，所做的习题，与其他学习者的讨论。因此可以将个性化评价方法和体系融入到学习者的每个学习活动中。可以想见，每个学习者都会产生庞大的用户学习活动数据。如果凭借人工经验，即使对单个学习者的学习活动分析都是一件非常繁杂的工作。而一个实际可用的在线学习平台，可能会登记有成千上万的用户，这些用户整体上每天都可能在学习平台产生上G乃至上T的数据，对这些数据利用人来进行手工分析已成为不可能的工作。因此，如何根据用户学习活动的所产生的大数据，提取用户的个性化特征，并根据用户的个性化特征产生完整而准确的个性化评价。已经成为云计算平台支撑下的在线学习系统亟需解决的核心问题。
针对这一核心问题，冯翔等从大数据视角出发，提出一种基于Hadoop技术的智能数字化教育服务架构，解决海量教育信息的汇聚、存储与获取，和按需分析报告的可视化呈现等。方海光等通过对学习者的在线学习活动和学习行为的全面跟踪和记录，形成以学习者为中卜的学习活动、学习风格、兴趣、偏好等多维立体化数据模型，并提出一种基于数据挖掘的量化自我学习算法分析学习者的学习行为模式，以此为基础产生教育的个性化的服务。白雪梅等提出一种基于梯度下降的机器学习分析方法进行主观和客观数据综合，并考虑其他影响因素的存在，通过循环计算累加结果得到了基于数据的分析模型来进行自动评价和预估，并对一些出现教学质量问题的概率比较大的课程进行自动的监控。还有其他研究者在这一方面做出了积极探讨。
立即询价
