（2）个性化自适应在线学习分析模型

从基于大数据的个性化自适应学习过程结构中可知，既需要考虑学生的个性化特征，又要考虑从海量数据中挖掘有价值的个性化学习信息方法等要素。个性化自适应在线学习分析模型如图7-1所示。

图7-1 个性化自适应在线学习分析模型

第一，数据与环境。数据环境主要指自适应学习系统、社会媒体（如博客、微博、社交网络、维基百科、播客等）、传统学习管理系统（如Blackboard、Moodle等）以及开放学习环境（如MOOCs）等，经过学习者与学习者、学习者与教师、学习者与资源等直接或间接的交互，生成海量数据（包括结构化数据、非结构化数据和半结构化数据），其中多数数据来自自适应学习系统中的读、写、评价、资源分享、测试等活动数据和交互生成性数据。同时需要考虑将数据环境中生成的开放、碎片化及异构数据进行有效聚合，实现学习者对知识资源的主动建构。(https://www.daowen.com)

第二，关益者。根据作用不同，关益者包括学生、教师、智能导师、教育机构、研究者和系统设计师等。对于学生而言，考虑的是自组织学习，同时需要有能力保护用户信息，防止数据被滥用；对教师而言，要根据学习者信息调整教学策略，实施干预；对于智能导师，需根据学习者特征，如学习风格、兴趣偏好、知识水平等，个性化推荐学习资源、学习路径；对于教育机构而言，需分析潜在危险的学生，发出警告并实施干预，提高学生期末考试的成绩，改善平时的出勤和升学情况等。

第三，方法。为了全面地记录、跟踪和掌握学习者的不同学习特点、学习需求、学习基础和学习行为，并为不同类型的学习者打造个性化学习情境，大数据学习分析方法主要采用数据统计、知识可视化、个性化推荐、数据挖掘和社会网络分析等。最为关键的是要考虑综合运用这些技术，形成为提高学生成绩提供支持的个性化自适应学习分析系统，同时要确保系统性能良好、具有可用性和可扩展性。

第四，目标。大数据学习分析实现的目标主要有监控/分析、预测/干预、智能授导/自适应、评价/反馈、个性化推荐和反思等，并制定相应的测量指标。主要意在实现学习者控制学习和学习者适应性学习，实施相应的教学策略，呈现个性化、可视化的学习路径、学习资源、同伴和工具等。