随着互联网和信息技术的飞速发展，人们越来越多的行为发生在网络，个性化服务已成为Internet发展的必然趋势。在商业领域，大数据的研究已经初具规模，其成果正改变着商务活动的营销和运营模式。在教育领域，MOOC、可汗学院等的流行使得越来越多的人们加入到了在线学习的阵营中，从而产生了海量且复杂的在线学习行为数据。现在，迫切需要应用智能技术和自动工具帮助我们处理分析这些“大数据”。通过对这些数据的充分理解，从中获得数据中隐含的信息和内在联系，个性化服务于学习者。

　　在国内，目前较成熟且广泛的在线学习的手段是开放大学和各学校网络教育学院创办的网络教学平台。网络教学平台也称网络学习平台、学习管理系统或E-Learning平台，是在线学习和教学全过程的支持环境，能够承载在线课程，支持网络环境下的教与学。与MOOC、可汗学院等新兴学习平台相比，Sakai、Moodle、Blackboard等网络教学平台经过多年市场竞争的验证，已成长为比较适合学习者在线学习的基础性技术平台，能够有效地满足网络教学或网络辅助教学等功能。但是，网络教学缺少个性化特征的信息反馈系统，学习者不能得到适当的反馈信息，这一问题极大地制约了网络教育的发展。因此，实现个性化学习和个性化教学是网络教学发展的必然要求。

　　目前，数字化学习环境正在向具有“记录学习过程、识别学习情景、联接学习社群、感知物理环境”四大特征的智慧学习环境变革。在网络教学平台中使用智能化数据分析技术，自动地进行数据分析处理，就能为学生提供前所未有的丰富的学习资源和灵活的学习方式。为学生提供优质的个性化支持服务。使网络教学平台转型成“智慧学习环境”。

相关概念阐释

　　在线学习一般指学习者在互联网环境下进行的学习活动。本文将在线学习的范围缩小，单指在网络教学平台中的学习。

　　个性化学习

　　李广在《个性化学习的理论建构与特征分析》中认为个性化学习是针对学生个性特点和发展潜能而采取恰当的方法、手段、内容、起点、进程、评价方式，促使学生各方面获得充分、自由、和谐的发展过程。个性化学习包括个性化的学习需要、学习内容、学习活动、学习方式、学习过程、学习进度、学习策略、学习评价等特征要素，这些特征要素依据所指向的目标对象与内容属性，可进一步归类为学习内容个性化、学习活动个性化、学习方式个性化和学习评价个性化。

　　学习分析

　　学习分析是大数据技术在教育领域的应用。学习分析的发展源于商业智能、网络分析、教育数据挖掘和学术分析、行为分析等概念，它综合运用了信息科学、计算机科学、统计学、心理学、学习科学等多学科的理论、概念、方法和技术。目前学习分析还没有统一的定义，比较权威的是2011年首届学习分析与知识国际会议（LAK11）对学习分析的阐释，即“学习分析是以理解和优化学习及其发生的环境为目的，对学习者及其所处情境的数据进行的测量、收集、分析和报告。”学习分析的研究对象是学生及其学习情境，研究的基础是教育活动中产生的海量学习数据和学习分析过程中产生的中间数据，研究的目标是评估和预测学生活动，发现潜在问题，为教育活动相关者提供决策支持，以优化和设计学习过程和学习情境。其教学效能的指向非常明确。

个性化学习平台特征及框架

　　学习分析五要素

　　布朗提出学习分析包括五个要素。分别为数据收集、数据分析、学生学习、听众反馈和干预。由此五要素可看出，学习分析不仅仅是对结构化和非结构化学习数据的收集、分析和展示，同时也运用分析结果，实时地、有针对性地向学习者、教师和管理者进行反馈，干预学习者学习动态。当然，学习分析中最重要的环节为数据的处理分析。

　　个性化学习平台的本质特征

　　1. 数据化

　　学习分析技术所采用的数据大部分来自LMS（学习管理系统）、CMS（课程管理系统：如网络课程、学习论坛等）和学生档案系统等数据库；来自于学生在传统环境下学习时留下的学习资料、作业、作品；也来自于学生个人的非正式的知识管理系统（如个人主页、博客、微博等）。

　　学习分析的基础与核心是数据。就网络教学平台而言，系统积累和存储了大量的学习行为信息，包括学习者访问教学资源、与同学、教师的交互等有效数据。这些数据是真实可测的。以此为主要分析来源，能真实地反应学习者的学习行为和学习轨迹。从中得到学习者学习习惯、学习路径、学习风格、学习成效等重要信息，从而为学习者提供有效的学习干预。帮助并促进学习者有效学习。

　　学习分析工具目的是将海量的学习行为数据转化成有价值的信息并实现高效的信息分析，核心功能模块则是学习行为数据库和数据运算系统。

　　2.可视化

　　经处理的分析结果以可视化的方式呈现，最终受益者是学习者、教师和教学管理者。对学习者而言，他既是学习数据提供者，也是数据的最大受益者。学习者可通过分析结果了解自己当前学习状态和未来课程的学习结果，经自我诊断，可自我调整学习状态和学习计划。

　　对教师而言，根据学生在线数据可视化分析结果，可以及时准确地了解学情，及时调整教学活动，选择最合适的教学模式和最有效的教学方法，并为学生提供个性化的学习资源与建议。

　　对教学管理者而言，通过分析结果，可进一步改进系统设计以及调整学习资源结构，设计更合理的在线课程。

　　分析结果可视化是学习分析工具最典型的特征。一方面，可视化图表使信息的传递更加形象直观。美观、规律的可视化设计使重要信息能够更迅速的被捕获。另一方面，可视化图标使信息的解读更精准。单一维度的学习行为通过整合大量的学习信息，最终呈现为相关图表数据，辅以简单文字介绍，能使学习者、教师和教学管理者更精准的解读信息。

　　3.个性化

　　学习分析的主要目的是通过数据阐释学习者的学习表现，从而为其提供相应的反馈，促进更加有效的学习。学习分析结果的可视化展示，使学习者对个人学习的全过程可进行管理和调控，如根据自身的个性化需求拟定学习目标及路径、确定学习方法与方式等。还可以通过学习分析反馈结果调整并定位自身价值观和学习标准，自主并个性化学习。从教师和教育管理者来说，通过可视化的学习分析报告，教师和教育管理者可以干预并调整学习内容和教学计划、为学习者推送个性化的学习材料、课后练习和阶段性测试等。真正实现个性化的教与学。

　　学习平台模型

　　平台设计参考了美国“通过教育数据挖掘和学习分析促进教与学”报告中基于大数据的自适应学习系统的案例。

　　自适应学习系统运行流程如图1所示，第一步，学生登录学习平台，与学习内容（学习资源）传递模块产生交互，生成学习行为数据；第二步，数据被标记上时间戳，按预先定义的结构存入学习者数据库；第三步，预测模块从学生信息库和学习者数据库中获取数据，并根据不同模型和算法对数据进行分析；第四步，自适应模块根据不同的分析和预测结果，通过内容传递模块为学习者提供合适的学习指导和学习策略；第五步，分析和预测结果传递给显示模块，各类型用户得到反馈；第六步，教师和教学管理者通过干预模块对系统进行干预。