摘要：传统教育重视结果，忽视过程，注重岗位统计，忽视前期分析。本文从大数据的角度重新审视个性化教育，探讨了大数据技术、个性化教育与学习评价的关系，探讨了基于L的个性化教育分析的目标、内容和关键技术。提出了一种基于大数据深度学习技术的多维学习评价方法及其原理。分析和设计了具有反馈优化能力的深度信念网络多维学习评价模型和框架。
关键词：个性化教育；大数据；多维学习评价；深度学习；深层信念网络。
1大数据时代看个性化教育
1.1教育大数据成为研究热点
随着教育信息化和大数据技术的迅猛发展，教育的形式、内容和渠道都在加速和变化。国内外大教育数据的研究和应用就是一个很好的例子。在国外，以CousEAR、TED、UDeMy、Udacity、EDX和可汗学院为代表的大型开放网络课程（MOOC，大规模开放的在线课程）的兴起，为教育全球化和大数据驱动的个性化教育提供了新的测试领域。2014年7月，美国麻省理工学院（MIT）发表了一份研究报告，称之为MIT教育的未来（麻省理工学院教育的未来），用模块化课程取代基于学期的课程，并充分利用大数据技术。D EDX开放网络课程为教育改革。纽约大学创新了教育数据管理系统，并建立了一个专门的CDS（TunYuthData Center），进行学校层面的主要数据管理和分析。它旨在通过使用大数据技术来改善教育，为教师和管理者提供更多关于如何学习更多、更精细、更准确的信息。近年来，大数据研究已经覆盖了近几年的许多学科。基于大数据的个性化教育研究已成为热点。周金提出了在大数据时代支持个性化教育的过程支持框架。朱天宇和陈恩红对基于认知诊断的个性化推荐方法进行了深入的研究，为科学地推荐课程和问题等教育资源提供了很好的参考。毕赫夏对大数据条件下贫困生的确认模型进行了实证研究。分析了电子科技大学（周涛）数千名学生的生活和学习信息（包括食堂消费、图书借阅和学业成绩），以及学生成绩良好的群体特征。成绩差，有心理问题的学生可以进行初步的测试和定位，为教师和管理者提供新鲜和活力。个性化教育决策支持。1.2大个性化教育将由大数据技术推动
大数据时代的教育有几个显著的特点：一是教育数据的及时性，传统的百科全书印刷了很多年。如果一个错误需要几年的时间来修改，维基百科现在正在更新大量的数据每秒；二是教育形式和数据的多样性，在线、离线、课堂、下课、手机、计算机、平板、图像、文本、视频等等，随着教育形式的多样化，C汉纳和携带者，教育数据积累的广度和深度正在迅速扩大。三是教育数据的可追溯性，如70分的学生考试，这只是在传统的教育管理模式下进行的。一个数字，很难找到原因。在大数据时代，这个数字可以成为可追溯信息。为什么学生需要70分，而不是50分或90分?与家人、智力、学习态度、努力等有什么关系?这3个方面的后续课程目前的结果对传统教育的内容、方法和评价提出了挑战。传统教育是一种规模化、规范化的教育模式，其结果被忽视，只有事后分析才能预测和干预。事后分析难以预测和干预，不能因材施教。随着大数据、数据挖掘的积累和机器学习技术的快速发展，有可能对学习行为、学习趋势、学习心理、教学效果等进行分析和评价。为了实现个性化教育的目标，许多学校、企业和教育管理机构一直在创新、探索和应用教育大数据技术。同时，为循证教学（EBT）[8 ]的目标提供数据支持，为教育管理者提供全面的决策支持。大数据技术促使教育形式、规模和影响力发生深刻变化。教育的未来将是通过挖掘分析和跟踪评价有效地利用大数据技术来改进和适应个性化教育的组织。
2 个性化教育的大数据技术初探
2.1实现个性化教育的关键是学习评价
如何进行更深入、更专业的学习评价是实现个性化教育的关键。
期刊文章分类查询,尽在期刊图书馆面向个性化教育的学习评价技术应考虑大教育数据的多样性、及时性和可追溯性的特点。根据学生、教师和管理3个维度的评价要求，对教育教学中的海量数据进行挖掘和分析，结合态度、行为、回溯等因素对学生的思想进行分析和发现。钕通过对各种数据指标的评价和分析，可以为学生个性化的教育提供行为和心理的第一手资料。基于大数据的个性化学习评价技术需要关注以下几个方面。
学习行为：学生的学习效果与其学习行为密切相关。学生的行为数据包括图书馆的访问次数、借阅图书的种类、生活记录的信息等。图书馆的数量、图书的种类、生活记录的信息等，可以为学习的预测和预警提供更多的科学依据。数据支持学习。
（2）学习趋势：通过数据挖掘分析学习者在学习过程中产生的各种信息数据，预测学习趋势和学习效果的评价，并进一步发现学习规则，从而为优化者提供个性化数据。重视和改进教学指导，为学习者提供个性化的学习指导。
（3）学习预警：挖掘学生学习行为的历史数据和学习成绩（成绩、奖励、返工、拖延等）。通过学生用户肖像和聚类预测挖掘技术，获得优秀学生群体和问题学生群体的一般特征。根据一组特征权重阈值，期望学生学习和预测和指导符合贫困学生发展趋势的学生。通过聚类挖掘技术找出远离群体特征的学生的行为异常，这种异常学生可能特别优秀，不同于一般人格，或有相关的心理问题。结合预测结果，教师应及早预警，注意引导。
3 个性化教育实践：基于深度学习技术的多维学习评价方法
学习评价作为个性化教育的核心内容，面临着诸多问题。特别是在大数据的情况下，基于大数据的新学习评价方法应注重综合性、过程性和可预测性的内容。它不仅是知识水平的检验，而且是对能力、水平、趋势等多个维度的分析。许多非认知领域，如家庭，兴趣，态度，生活等。传统的学习评价一般采用岗位汇总统计或专家意见评价的方法。虽然它操作性强，结果更客观，但不能及时掌握学生的趋势和趋势，不能对学生的学习过程进行评价，提前进行预先的指导。针对个性化教育需求和传统学习评价存在的问题，提出了一种基于大数据深度学习技术的多维学习评价方法。
3.1基于深层信念网络的多维学习评价框架设计
多维学习评价的核心目标是通过大数据挖掘进行建模和分析，使教师和教育管理者能够及时了解学生的学习动态、学习水平、发展趋势和干预指导。同时，通过对预测结果的诊断、比较和反馈处理，对影响学生学习的因素进行了跟踪和分析。基于深度信度网络，建立离线学习评价模型，通过学习预测，在规律和预测信息上形成个性化教育决策支持，并进行应用和评价。具有反馈优化能力的个性化学习预测评价框架可以挖掘和预测学习水平、趋势和能力等多个维度。将正确的预测结果提交给教师和管理者进行决策参考，并将反馈知识和经验数据形成模型。针对该问题，找出了相关的数据问题或模型参数，并对参数进行了优化，并对模型进行了修正。通过迭代、反馈和优化闭环信息处理过程，逐步提高了学习评价模型的稳定性和准确性。
结 语
在研究过程中还有一些问题需要解决。受限于现实条件，教育相关数据无法短时间内做全面采集和清洗处理，在分析的数据规模和模型的预测能力方面还需要加强。未来研究计划实现对 T 级教育大数据进行自动特征挖掘和预测，全方位覆盖个性化教育学习水平、趋势、能力、心理等多个维度的预测评价；收集更全面、更大规模的教育数据，并将其他相关深度学习技术应用于个性化教育大规模数据挖掘。
参考文献：
[1]周进. 大数据时代的高校个性化教育：一种过程支持框架[J]. 高教探索2016（5）：11-15，20.
[2]朱天宇，黄振亚，陈恩红. 基于认知诊断的个性化试题推荐方法[J]. 计算机学报，2017（1）：176-191.
论文作者:赵珺
论文发表刊物:《建筑模拟》2018年第13期
论文发表时间:2018/8/21
标签：数据论文; 评价论文; 多维论文; 学生论文; 技术论文; 深度论文; 模型论文; 《建筑模拟》2018年第13期论文;