一、引言

每个人都有各自独特的天赋、个性化的品质、习惯和爱好等。只有适合个人独特天赋以及个性化品质、习惯和爱好的学习及教育模式,才能使个人禀赋、个体潜能得到最充分的发挥。个性化教育是教育发展的必然趋势和终极追求,这一方面是尊重个体差异、追求公平的教育的本质要求,另一方面也是培养个性化人才适应多样化社会的内在需求。社会发展的本质之一就是追求每个人最大化地实现自身的价值,为社会的进步贡献自己最大的力量,而这也要求每一个个体能的最充分教育,为其个人的潜能的最充分发挥提供基础和条件。

当前世界各国都已经深刻认识到个性化教育与学习的重大价值和意义,因此各国教育界竞相致力于推动传统教育模式向个性化教育模式的转变,力图占据未来教育的制高点,进而占领人才制高点。我国也已经把个性化教育与学习定位为教育课程改革的重点内容之一,为了突破传统的教育教学模式,建立适应社会多样性需求的个性化学习与教育体制,提出了《教育信息化十年发展规划(2011—2020年)》的战略决策,通过建立学生多样性、个性化学习的教育体制以及相配套的服务设施等实现由传统教育向多样化、个性化教育的转变〔1〕。

如何提供必要的物质、技术条件,并建立相应的配套设施保证个性化教育得以成功实施是个性化教育的关键。在我们的传统教育模式下,尽管也采取一定措施实施个性化教育,例如针对一些特长生(体育特长、音乐特长、绘画特长、棋艺特长等),通过配备专门的师资、设施等进行专门的个性化训练和培养,但是,一方面，这样的个性化分类方法很简单、粗糙,并且建筑在感觉基础之上,很不科学,无法准确、全面把握所有学生的个性特点;另一方面，这样的情况往往只能顾及到非常有限的学生,无法兼顾大多数学生。具体原因分析如下：

第一,传统的教育教学模式下,教育资源的配置缺乏足够的灵活性,难以根据需要灵活配置,从而导致教学任务的安排很僵化,每个教师只能面对班级的相当数量的学生进行统一教育。于是,一方面由于教师的精力和时间本有限, 另一方面由于传统的教学资源配置方式的局限, 教师难以兼顾学生个性发展上的需要。

第二,传统上学生的特长发现依靠学生的个人自我感觉以及家长和教师的观察来发现,这往往不够科学。虽然每个学生有自己的兴趣和爱好,并对自己的个人潜质、禀赋有一定的自我认识,但是由于学生思想的不成熟导致结果并不可靠。教师和家长对学生的个人潜质、个体禀赋有一定的感性认识,但是很多情况下,也不完全准确。即传统的通过人的观察、主观感觉来评估学生的个体特性的做法,不是一种科学的方法。缺乏科学的个体潜质、特性发现及评价机制,不能准确预测其未来走向,使得传统的教育无法针对每一个学生制定个性化发展策略。

广元是四川烤烟的重要产区之一，为探明烤烟新品系09011在广元烟区的适宜移栽期，通过设置不同移栽期进行田间试验，研究不同移栽期对烤烟农艺性状、经济性状及烟叶化学成分含量的影响，结果表明，4月25日移栽的烟株生长发育较好，产量产值较高，化学成分协调性较好。09011在广元的最适移栽期为4月25日左右。

第四,物质技术条件也是阻碍传统教育实现个性化教育的一个关键问题。假设教师能充分了解每一个学生的个性特点,而面对众多的个性化学生,如何实现一对一的个性化差别教育则需要高水平、高质量的物质、技术、制度等配套条件,这也是传统的教学模式下难以实现的。

随着大数据技术在工业领域的兴起和发展, 这些新技术也扩散、渗透到教育领域,为教育的改革和发展提供了契机。 目前,大数据与教育相结合的研究和实践已经蓬勃发展起来,并且越来越展示出传统教育模式所无法比拟的优越性,为实现高程度的个性化教育开辟了绝佳路径。

二、基于大数据技术实现个性化教育和学习的国内外研究及实践现状

胜利油田的SWOT分析与战略选择…………………………………………………………………………………姜亦波（4.82）

此外,其他一些国外机构应用大数据技术进行学习分析,为学习者提供个性化的学习服务。例如, “Pearson”集团开发的“MyLab/Mastering”学习系统,通过教育大数据分析,深入地了解学生,准确地把握学生个性,针对性地“因材施教”,大幅提高了教学效果并降低了成本〔2〕；“Civitas Learning”公司通过数据挖掘技术对收集的教育大数据进行分析,成功预测不同学习者的个性特点及采用的不同学习方法以及面对不同的学习科目将会产生的结果,从而提供帮助,根据预测到的可能导致最终出现的辍学和学习成绩不良等结果,让学生预先调整自己的学习方法、习惯等因素,从而改善自己的学习方法、习惯,提高学业成绩〔3〕； “DreamBoxLearning”公司通过教育大数据分析,准确预测学习者个性特征在不同学习模式下的结果以及可能遭遇的问题,从而为学习者制订适合自身个性特点的学习模式 〔4〕。“猿题库”基于教育大数据技术判断学习者的个性特点,然后通过对学习者进行一对一智能出题,引导学习者进行个性化学习 〔5〕；“狸米个性化教学平台”利用教育大数据技术分析学生的个性特点并及时了解掌握学生的学习状态,以此为基础为不同的学生提供动态个性化学习和训练策略,实现高效优质个性化学习和培训 〔6〕。 黄荣怀教授认为〔7〕未来的教育是智慧教育,即基于互联网、大数据、云计算、物联网等先进技术和手段,通过全面采集受教育者的各种状态数据以及教育教学过程数据,以先进的数据分析手段,准确地发现不同教育者之间的差异(个性),并有针对性地提供一系列个性化教育服务或按照自主学习需要提供服务。杨现民教授等〔8〕认为,基于互联网的教育大数据能使教师和机器动态了解受教育者的真实学习情况,从而及时提供合适的个性化学习、教育服务。毕鹤霞〔9〕利用大数据技术建立高校贫困生确认模型,能准确地判断学生的贫困与否而进行精准帮助。电子科技大学的周涛等〔10〕通过对数万名学生的生活和学习信息进行采集,然后利用大数据挖掘及分析技术,首先区分成绩好和成绩差的学生类别,然后分析挖掘出成绩差的学生群体特征及形成原因,为教师和管理者提供针对性个性化教育决策支持。

三、基于大数据技术实现个性化学习当前存在的问题初探及相应对策研究

个性化学习及教育是教育高度发展的必然结果,同时它也需要现代高新技术例如互联网技术、大数据及云计算技术等作支持。我们知道,在即将到来的第四次工业革命(简称“工业4.0”),工业大数据和产品制造相结合使得产品制造业从传统的由工厂、车间、操作工等组成的生产线批量生产方式转向根据用户需要由制造商家云组合而成的个性化、定制化产品生产。同样地,在教育教学领域,大数据技术和学习教育相结合将会成功地使传统的由学校、教室、教师等要素支撑的“批量化”培养模式,转变成适应个体特点的个性化学习教育模式。

图3列出了连续神经网络算法在空手道俱乐部网络上的仿真结果。从实验结果发现，特征向量算法、连续算法对空手道俱乐部网络的分类结果与特征向量算法的分类结果（Q=0.3715）相同，表明本文中的算法也是合理的。

目前,在这方面的研究工作主要集中在可视化研究方面,利用标签云(tag cloud)、历史流(history flow)、空间信息流(spatial information flow)等技术实现数据的可视化。这是远远不够的,高度发展的个性化学习及教育需要数据处理结果及知识的多种多样的表达形式以保障不同个体的特殊需求。幸运的是,大数据技术已经拥有足够强大的能力满足不同数据格式、来自不同地域、不同时段的数据方便地存储。虽然在教育大数据方面尚未建立成熟的基于大数据的学习教育知识库以及成熟的检索及问询平台,但是在其他领域例如信息领域、制造领域等,先进研究成果例如基于规则的推理技术、基于模型的推理技术、基于案例的推理技术等都可以进行进一步的应用开发,“移植”到教育大数据领域。

(一)数据收集方面

全面而丰富的数据是进行数据分析及数据检索的基础。服务于个性化学习教育的数据一方面用于进行分析、挖掘以获取学习者的个体特性及相关规律,从而为教师以及教育管理者提供决策依据；另一方面这些数据将为学生提供全面而准确的学习教育资料,供其自主学习时根据需要准确获取所需资源而进行自主学习。

然而,当前的教育大数据的收集及建构主要偏重用于分析学生的学习行为以支持决策服务,而在为学生提供资源、信息供其自主学习方面还很空白。例如当前的微课、慕课、翻转课堂等虽然已经取得一定进展,但很有限,尚未储存丰富课件的大数据知识库以供学生根据需要进行查询使用。高度发达的个性化学习不仅需要从大数据获取受教育者的个性特点以提供个性化的培养方案及学习模式,更需要全面而丰富的课件资源供学生根据需要进行选择以进行自主学习或是集中学习。

为了达到这个目标,需要两个团体的协作以提供支持,一个是教育专家团队,另一个是信息化专家团队。专业化教辅团队根据学生的特点以及各种不同的需要,创造、提供丰富的个性化课件资料；信息化技术专家团队主要提供技术上的支持,协助教师将课件及教学研究成果数字化、信息化。二者通过大数据平台随时随地进行交流沟通,从而将不同地域不同时段的教学资料数字化并存入数字化教学资源库,形成教育教学大数据,该过程如图1所示。目前流行的大数据平台主要有基于hadoop的大数据平台以及Facebook的Scribe系统等。

(二)数据分析及处理

数据的分析、处理包括两方面的用途,一方面是用于发掘学生的个性特点,预测其学习行为,寻找适合学生个性特点的学习规律,优化教育决策、提供学习反馈及建议等,这方面的数据处理包括数据提取、聚类、关联分析等操作,形成分析结果。目前,这方面的研究较多,相对成熟。特别是最近几年研究开发的大数据实时处理模式，即流处理、批量处理以及两种模式融合等策略,大幅提高了大数据处理效率及质量。比如,Google公司最早提出的基于hadoop的大数据平台的MapReduce引擎是典型的批处理模式,其将目标数据分成许多小块,然后通过MapReduce函数并行分别处理,最后再进行综合获得结果。此外,Google公司开发的大数据处理工具PowerDrill与Dremel均取得良好效果,其依据与学生相关的海量可利用信息,分析其隐含的关联并准确地预测学生发展趋势,促进学生个性化发展。

 

图1 教育大数据的建构

当前,本环节的数据更新策略主要还是靠人工操作,人工判断数据及知识的冗余与否,人工删除或是增补相关信息。而在其他领域例如人工智能、机械制造等领域,数据及知识的更新、演化升级已经有相当得研究进展和大量的成果,基本实现自动化、智能化。这些领域的相关技术可以通过数据转化技术研究、接口技术研究以及驱动程序研究等,应用到教育大数据领域来,实现面向个性化教育教学的基于大数据平台的智能化系统的改造升级。

学生在中小学教育阶段,其自主意识不强,这些阶段的学习主要是在教师、家长的监督、管理下学习。因此,在这一阶段,大数据分析的用处主要体现在第一方面。以大学学习阶段为过渡,自主学习意识开始强烈,个性化要求凸显。因此这一阶段学生强烈地要求按照自己的意志进行知识查询、分析等功能。如何正确地把握学生的意图,智能化地分析相关的数据提供最满意的结果以及获取相关知识资料,提供给学生？如果知识库不存在相关的知识,教师、专家团队如何有效地提供及时的帮助,并将这一痕迹及新的知识体验在信息专家的帮助下记录入知识信息库,更新丰富知识库,供以后的学习过程中查询使用？尤其当大学毕业进一步深造或是走向工作岗位时,这一过程变得越来越重要,其将为整个社会的每一个人的终身学习提供一个强有力的平台。

将大数据技术引进教育领域,建立教育大数据以实现个性化学习与教育的研究由美国率先发起,很多美国公司分别建立了以实现个性化学习和教育为目的的自适应学习系统。这些系统以数据挖掘等先进数据分析技术为基础,通过对教育大数据进行分析处理,发现隐藏在数据背后的有价值的信息、规律,掌握学生与学习相关的各方面情况,并以此为基础,判断适合学生个性化特点的学习或培养模式,甚至预测学习者在不同学习模式下未来达到的成就以及预判未来可能遭遇的严重问题以及提供有效的应对措施等。这些用于进行数据挖掘的数据,可以是考试成绩、课堂随机提问、各种竞赛活动以及创新创业实践等数据记录。

目前基于大数据技术和教育教学相集成的研究主要集中于上述三个阶段,而在这方面的研究及成果尚很缺乏。但是,本环节和前面三个环节相辅相成,必须协同发展,相互促进,否则本环节过于滞后,势必阻碍前面阶段的发展。本阶段的更重要价值在于其决定着整个系统运行的效率和成本,并且随着整个系统的不断深入发展,本阶段的影响越来越显著,甚至当发展到一定阶段,本环节将成为关键环节。

然而,目前在教育教学领域尚没具体的实现技术来达成这一目标,而其他领域例如智能制造领域,物流领域等,已经基于大数据平台研发了相应的智能化查询检索技术,例如基于本体的询问平台,基于语义网络的平台等。这些领域的最新技术发展成果完全可以和教育领域大数据相结合,建构个性化学习问询平台,把高校、教育培训机构转变成提供服务的平台。

在实际的文言文课堂教学中，教师的教学策略也有很多缺点。例如，教师只重视现代文的教学而忽视文言文的教学，因而在最基础的教学设计阶段就不够重视，就更不要谈具体的课堂教学实际了。在具体的课堂教学实际中，部分教师只重视“言”的教学，而忽视“文”的教学，学生虽然对重点实词的意义、虚词的用法以及重点句式有了一定的了解，但是对整篇文章的思想感情还不是很了解，学生在整个文言文的学习过程中较为被动，缺乏自主、合作、探究的精神。

(三)数据处理结果及知识的表达

如何将数据以最适合用户理解及掌握的方式提供给用户也是个性化学习教育中关键一环。不同的个体对事物的理解和掌握有鲜明的个性特点,比如有的人视觉不灵敏但是听力很好,有的人易于从图表中理解并掌握知识,有的人抽象思维比较强而易于从抽象的文字表述中理解并掌握知识,有的人形象思维比较发达善于从具体的形象中理解并掌握知识。因此,知识数据库的知识应该有多种表达形式,例如基于文字的表达,基于音频的表达,基于可视化的表达,基于影音的表达等。

显然,收集全面、准确、系统化的教育大数据是实现个性化学习教育的基础；先进的数据处理技术例如数据挖掘、机器学习等是实现个性化学习教育关键；个性化学习教育的目标有两个,一是发现不同学生的个性特点,以此为基础,针对性地提供适合每一个学生自身条件的学习方法和途径,二是根据受教育者自主学习的需要,通过高智能的问询或是检索查询平台,为其提供合适其个性特点的课程资源、学习内容以及学习反馈和建议。如前所述,大数据技术和教育教学的集成在国内外专家、学者等共同努力下正日益发展,并且已经有初步的研究和成果,但当前的现状距离成熟的愿景目标仍有很大距离,仍需很长的探索之路。本文从以下四个方面浅谈基于大数据技术实现个性化学习的当前存在的问题及相应对策。

第三,传统的教育模式无法满足个体自主学习的需要。学生自大学阶段开始逐渐转变为自主学习阶段,而当其大学毕业进一步深造或是走向工作岗位时,尤以自主学习为主。如何恰当地选择适合自己个性的自主学习模式是高效自主学习的前提。在传统教育模式下,缺乏有效的咨询机构及问询平台,更缺乏科学的方法对大量数据进行分析处理来科学地评估学生的个性特点, 以便学习者更好地了解和认识自我,从而根据自己的个性特点及需要选择适合自己当前情况的教习或教育模式,或是在专家帮助下制定极具特色的个性化教育服务。

李老黑走后，我呆瓜了好一阵。李老黑居然请我喝酒，实在令人费解。李老黑不是随便就请人的，有资格被他请的一般都是沙河镇上的干部，在沙河村他好像没有请谁喝过酒。退一步说，就算他请沙河村的人喝酒，即使请了三分之二的人，也轮不到我头上。今天这李老黑是不是吃错药了？

(四)数据及时更新策略及知识库的演化升级方法

综上所述，本研究发现，BI评分90分以上的高龄ACS患者的临床转归较好，评分70～90分者的临床转归接近90分以上者，而评分70分以下者心血管事件和出血事件较多。因此，对于BI评分70分以下的75岁以上ACS患者，进行介入治疗前应仔细权衡风险与获益。然而，本研究样本量较小，且为非随机对照研究，结论须进一步的前瞻性、随机对照研究来验证。

但是,另一方面,如何通过数据分析及查询实现知识数据资源的检索以用于学生的学习咨询及提供最恰当的教学资源帮助学生自主学习等方面的研究比较欠缺。

四、结语

个性化学习与教育是教育发展的必然趋势,也是社会高度发展的必然结果。谁拥有高度发展的个性化学习体制及先进技术,谁将在未来世界占据教育制高点,从而占据人才制高点,进而在各方面居于优势地位。因此,世界各国均从战略高度予以重视,我国政府也以积极的态度迎战新时代对人才需求的变化,《国家中长期教育改革和发展规划纲要(2010—2010年)》就基于此目标而提出。随着云计算、移动互联网、物联网等技术的高度发展,必将为教育大数据技术的发展提供源源动力,进而为实现个性化学习提供有力保障。

2016年8月，在广安区人大会议上，黎永兰当选为广安区唯一的女性副区长，主要负责科教、文化、卫生等工作。在广安区政府的官网上，现在仍然可以看到黎永兰在任时调研、开会、陪同上级检查的新闻。

参考文献：

〔1〕 刘曦葳. 教育部印发《教育信息化十年发展规划(2011-2020年)》〔J〕. 中国教育信息化, 2012(8):4．

〔2〕 Thompson J F. Nutrition for Life Plus Mastering Nutrition with eText-Access Card Package, 3/E〔J〕. Trends in Food Science & Techonology,2015:21-32.

〔3〕 Macon B, Macon L, Phillips N. Learning Analytics: Case Studies at a Large Urban Community College〔C〕// International Conference on Computational Science and Computational Intelligence. IEEE Computational intelligence Magazine, 2017:258-263．

〔4〕 Wang H, Woodworth K. Evaluation of Rocketship Education’s Use of DreamBox Learning’s Online Mathematics Program〔J〕. Dreambox Learning, 2011:34-42．

〔5〕 袁华娣. 基于猿题库的英语翻转课堂〔J〕. 现代职业教育, 2017(6):60．

〔6〕 邱红. 狸米个性化教学平台发布〔J〕. 中小学信息技术教育, 2015(12):5．

［3］Weinstein L，Swartz MN.Pathologic properties of invading microorganisms.In:Sodeman WA Jr，Sodeman WA，eds.Pathologic physiology:mechanisms of disease.8th ed. Philadelphia:Saunders，1974:457-472.

〔7〕 黄荣怀. 智慧教育的三重境界:从环境、模式到体制〔J〕. 现代远程教育研究, 2014(6):3-11．

由于IEET工程认证首先通过评估教学目标、设计或改进学生应具备的核心能力，并考核学生的核心能力。课程规划与教学须符合产业需求，并能培养学生将所学应用于实务技术的能力。

〔8〕 刘雍潜, 杨现民. 大数据时代区域教育均衡发展新思路〔J〕. 电化教育研究, 2014(5):11-14．

〔9〕 毕鹤霞. 大数据下高校贫困生确认模型构建——基于“模糊综合评判法”与“模糊层次分析法”集成的实证研究〔J〕. 高教探索, 2016(8):105-114．

〔10〕 周涛,张子柯,陈关荣,等.复杂网络研究的机遇与挑战〔J〕. 电子科技大学学报, 2014(1):1-5．

数据通过SPSS 20.0统计学软件处理。计数资料用（%）表示，进行χ2检验。计量资料（生活质量变化情况以及治疗前后血糖水平变化情况）通过（±s）表示，进行t检验。P<0.05为差异有统计学意义。