神策数据:从方法到实践,看教育行业学习产品体验升级该怎么作

2022年05月14日 阅读数:6
这篇文章主要向大家介绍神策数据:从方法到实践,看教育行业学习产品体验升级该怎么作,主要内容包括基础应用、实用技巧、原理机制等方面,希望对大家有所帮助。


神策数据:从方法到实践,看教育行业学习产品体验升级该怎么作_推送神策数据:从方法到实践,看教育行业学习产品体验升级该怎么作_数据_02

“双减”政策加速在线教育行业转型,如何借助数据的力量驱动学习产品体验升级、帮助企业实现数字化转型是教育企业当前面临的重要挑战。前端

本文将从方法到实践,结合环球网校学习产品体验升级的两大关键要素,解读数据驱动下的学习产品体验升级之道,为更多教育企业的数字化经营提供参考。算法

学习产品体验升级是企业转型“法宝” 数据库

1、政策趋势下的认知变化

每当行业发生巨变,意味着机会即将到来。2021 年 7 月 24 日,“双减”政策正式实施,对整个教育行业带来了史无前例的震荡。后端

神策数据教育事业部负责人虎志强表示:“双减”以前,在线教育行业的定位是互联网 + 教育,持续开拓新的教学模式,并引觉得豪;头部企业主要包括 K12 和外语两大类,聚焦国内市场,以跑马圈地、粗放型转化增加为运营常态。“双减”以后,在线教育回归教育本质,全行业降温,定位转变为“为国家的转型发展提供人才”,尤为要与公立校进行服务错配;素质教育和职业教育成为最有前景的两大类目;一些不肯意放弃已经创建起来的平台和运营模式的企业,开始将目光转向国外市场;与此同时,在线教育企业的运营模式开始陆续转向私域增加、精细化运营等。架构

在认知层面,在线教育企业经历了“双减”政策以后,也发生了明显的变化,主要表如今 3 方面:框架

第一,疯狂获客到“耐心”留客。“双减”以前,咱们平常所看到的的信息流广告、朋友圈广告中,在线教育相关内容占据了绝大比例,尤为是 K12 教育;而“双减”以后,更多的是素质教育和职业教育在持续获客,K12 相关广告基本上没有了。机器学习

第二,品牌轰炸到“稳住”口碑。口碑是购买的核心影响因素,包括教学质量和配套服务,只有这二者都获得知足才会提高用户的学习效率和满意度,从而构建核心竞争力。以前,K12 是一个新兴产业,一般会经过品牌轰炸在用户心中创建品牌认知,让用户产生信任,表现形式大可能是媒体电视广告、地铁广告等。而“双减”政策实施以后,在线教育企业更多地在考虑如何稳住口碑,避免由于政策和大环境变化对已经积累的品牌口碑带来负面影响。ide

第三,本末倒置到“回归”本质。“双减”以前,有些在线教育企业会将 80% 的成本投入到获客上,教研教学上投入的成本可能不到 10%,甚至有的企业先获客后生产课程,这是一种本末倒置的行为。“双减”以后,整个教育行业回归教育的本质——基于教研教学提供学习产品。工具

综合来讲,“双减”政策带来核心变化是学习产品体验升级和服务升级,所以咱们能够得出一个结论,学习产品体验升级是教育企业转型的“法宝”。学习

2、当前学习产品体验面临的问题

一、学员的个性化需求难以知足

全部的教育场景都在倡导“因材施教”,但在线教育大部分是线上大班课、直播课程或者录播课,提供的内容千篇一概,很难作到针对不一样学员提供不同的课程。虽然也有一对一或小班教学的尝试,但却面临着“没法经过规模化平摊成本”的困境。

也就是说,当前学习产品体验难以实现规模化和个性化的平衡。

二、学习场景化不够

线下课堂一般是班级化教学,学生和老师、学生和学生之间会有互动,基于链接点和交互过程造成学习的场景域;而线上课程一般是隔着屏幕,缺乏互动、感知等。

三、学习效率低、效果差

这个问题反映了总体的学习结果,线上课程相较于线下课程的总体学习效率偏低,极其依赖学员的自觉性,缺乏外部监督。

3、数据助力学习产品升级

从神策数据基于数据流的企业运营框架 SDAF 的角度,虎志强详细拆解了数据如何助力学习产品升级。

Action:学员自主学习

一般状况下,咱们会在学习初期为用户提供可学习、可互动的产品功能和内容。尤为是在冷启动阶段,对同类型用户无重点无差别,多以直播/录播、题集、解析等形式呈现。

Feedback:学习数据采集

以数据反馈用户学习状况。具体包括用户学习过程当中的数据,如观看直播数据、查看讲义的数据、答题数据等;学习结果数据,如错题合集数据、学习报告数据等。

Sense:学习状况评估

基于 Feedback 环节采集到的学习数据,对用户总体学习状况进行评估。

一方面,肯定学习指标体系,如学习时长、作题数量、完课率、考试经过率等。另外一方面,构建用户学习画像体系,如活跃偏好、课程偏好、学习状态、完课状况、学业水平等。

在这两个体系之上,结合算法模型,好比记忆曲线模型、掌握程度模型,研究用户知识点掌握状况,判断用户目前是否处于即将遗忘的节点等。

Decision:学习路径调整

基于学习评估的状况,结合算法模型能力给出个性化编排策略,并对学习内容和形式进行个性化编排,生成新的学习路径,如题集、每日一练。

更具体一点,咱们也能够回归学员的学习路径,从学前、学中、学后三个阶段梳理数据助力学习产品升级的落地思路。

学前:对用户进行诊断、测试,根据所处学习阶段匹配相应的内容,冷启动阶段为用户制定个性化的学习计划。

学中:过程监督,帮助用户纠正不足,并基于行为数据,动态调整复习规划。

学后:以图表的方式记录学习状况,生成数据评估报告,让用户可以及时掌握本身的学习状况。同时,对学习结果进行评估,在下一个学习周期为其推荐更合适的学习内容。

数据驱动学习产品体验升级实践 

在作教学研究的过程当中,咱们会发现,学员的个性化需求愈来愈明显。但与此同时,当咱们基于学员数据作进一步洞察时,能够看到大部分学员的个性化需求,特别是在学习场景中,大多源自于他们的学习进度、学习态度、学习条件、学员在学习过程当中产生的交互等。那么如何知足学员的个性化需求呢?

环球网校智能化学习线负责人林怡哲强调,在线教育企业的本质应是以人为本,也就是以学员为本,咱们不能仅仅知足于内容的生产与交付,而是要将学员的个性化需求融入咱们的教学、学习、练习、测评、评估等教学设计中,以数据驱动知足更多学员的个性化需求。

基于环球网校多年数字化实践,林怡哲认为,数据驱动学习产品体验升级过程当中有两个关键要素:

一、场景化应用:数据能力与个性化学习产品产出创建强关联和强应用场景

从教育基本点出发,咱们能够清晰地认识到,现有的教育框架很难全面知足学员的个性化需求。

小班课、1V1 教学相似传统的线下教学,老师在备课的时候不只会考虑到教学内容,还会考虑学员的学习状况、学习状态等。举个例子,当某个单元学习结束后,老师经过测评发现 80% 的学生已经充分掌握了该知识点,那么接下来会作针对性的教学内容调整——下一次课程中弱化对该知识点的讲解,但仍旧会照顾到剩余 20% 的学生。这是小班课的优势,它可以关注更多学生的个性化学习需求。

但传统的线上教学中,老师所讲解的内容大可能是整套生产的,在完成内容交付以后,学员须要根据本身的时间、需求去学习,除了录制错误、文案错误、讲义错误等,课程内容不会再由于其余缘由作任何调整。

神策数据:从方法到实践,看教育行业学习产品体验升级该怎么作_推送_03神策数据:从方法到实践,看教育行业学习产品体验升级该怎么作_数据_04

另外,虽然传统线上教学和线下教学都有「效果评估」的环节,但很明显,线下教学的效果评估的效率和质量要比线上教学的评估都更好。

那么,要想将 1V1 小班教学模式更普遍地应用于互联网教育中,就须要咱们有足够的数据支撑,由于小班教学之因此可以作得更好,是由于该模式可以从内容到课程设计等各个环节都理解学员、了解学员。

但此时,又会面临新的问题:虽然有作合规数据采集,但却很难分辨哪些数据可使用。所以,环球网校对整个教学框架作了升级,以下图所示:

神策数据:从方法到实践,看教育行业学习产品体验升级该怎么作_推送_05神策数据:从方法到实践,看教育行业学习产品体验升级该怎么作_推送_06

首先,环球网校知足老师“备学员”和“备内容”的需求,设立对应的教学目标、教学问题,共同融合进入智能化系统。而后,将智能系统分为三层:认知层、感知层和算法层,并经过这三个层次拆解对应学员的学习状况。最后,系统和老师共同决策,机器学习和人类决策并行。

基于该框架,学员在学习、练习和反馈过程当中的数据都会经过合规途径被实时记录,老师也可以根据数据作实时处理和反馈。

另外,将学员的入学测评加入线上教学过程,及时掌握学员在学习、效果评估等不一样阶段的学习状况,不断进行学习路径处理、学习内容调整、课后练习推送等。这里值得强调一下,目前环球网校的题目筛选都是依靠算法来进行匹配的,可以针对学员的学习状况作最合适的题目推荐。

在这个框架搭建起来以后,学习内容自己也须要着重关注、解决。

学习内容在教育行业里面一般是一个大的单元。布鲁姆认知领域中,将目标拆解为记忆、理解、应用、分析、评价、创造六层,但实际上只须要三层就够了——记忆、理解、综合应用。好比职业教育自己的考证业务,学员最直接的目的是经过考试、得到证书,所以环球网校在对知识点进行拆解时,一般不会涉及具体的实操。经过拆解知识图谱,将行业知识变成一个个的知识点,而后经过知识点之间的关系连接成图谱,就可以解决学习路径上最大的难题,学员即可以按图索骥去学习。

二、数据体系:创建适用于企业所处赛道的数据获取与分析的数据体系

这里咱们着重讲述一下基于数据体系对学员知识点掌握程度的计算。

一般状况下,学员是否掌握了某个知识点,须要凭借老师的教学经验来判断,那咱们如何让算法系统拥有像老师同样的能力和状态,实现对学员掌握程度的计算呢?咱们应该收集学员的哪些数据呢?参数该如何转化呢?

在学习数据系统搭建过程当中,环球网校结合自建系统与神策的前端采集方案,将客户端、后端服务、业务数据库和埋点上报多种数据源导入数据库,在大数据平台中进行机器学习、批量数据计算、流式/近线计算等,以此来为学员提供服务,这其中就包括知识点掌握程度的计算与服务,以及对知识点掌握程度变化幅度的监控服务。在这个过程当中,环球网校不只会监控业务变化,也会对系统自己的变化进行监测。除此以外,智能出题、用户跟踪、数据质量与监控等也都须要咱们经过该系统架构进行调度。

基于以上数据系统,环球网校将学习类数据拆成 11 个大类,并进一步细分为 148 个详细指标,结合上述计算能力抽象出学员的学习效率、学习态度、记忆能力、理解能力、吸取能力、分析能力等。举个例子,在学员学习过程当中,学习效率其实就是每单位的投入产出比,那它是指单位时间内作了多少道题目吗?单位时间内刷了多少课程视频吗?不是的,它是指单位时间内学员掌握了多少知识点,基于此继续下钻才会须要咱们进一步统计学员刷了多少课程视频、花了多少时间等细节。

在某些教育产品中,判断学员是否掌握某个知识点的惟一依据是“学员答对了该知识点相关的题目”。但这并非最科学、合理的。好比,咱们在刷题过程当中常常会遇到这样的场景:当你按顺序作完第四道题,忽然发现第一道题好像选错了,那么你会回到第一道题去修改你的答案,那么若是仅仅经过结果来判断学员是否掌握该知识点的话,很容易会误判学员的知识点掌握状况。所以,在环球网校的判断规则里,不少字段都与学员学习路径中根据时间序列产生的行为强相关,并非简单地将答对题目等同于掌握知识点。环球网校强调,学习数据不只包括学习记录,还包括学习行为。

另外,关于知识点掌握程度的计算,也有很多人了解过空间强化理论,它是指在教学过程当中新的概念或技巧被吸取,同时学过的概念和技巧被强化,利用掌握状态数据,为学习者提供可以时时更新的推荐活动序列。但与此同时,在产品层面也须要增长多种维度,好比增长收集用户是否有基础的数据、题目增长多维度标签、学习材料增长对学员的影响等。

在环球网校内部,经过老师与学员的线下交流、学习结果的数据,学员在学习过程当中主动发起的沟通、答疑等数据,以及学员的学习行为包括学员答每一道题时的行为序列等,来支持智能算法系统的搭建。当完成了知识图谱、学员知识点掌握程度的计算、学员画像的构建,那么就可以根据学员的学习状况、学习状态安排对应的课程和题目。举个例子,基础好、学习能力强的学员 A 在学习两个视频以后,就不须要重复学习了;而基础通常、学习进度缓慢的同窗 B 不只须要重复学习这两个视频,还须要额外作不少题目,虽然在测评中两我的都可以答出正确结果,可是系统会根据学员的学习行为,经过智能算法来判断这两个学员的知识点掌握程度,而后去作针对性的决策。

不容忽视的是,机器学习和人工决策始终会存在必定差异。所以环球网校将人工服务加入系统,学员学习结果会自动提交给教研老师、班主任、教学老师等,他们将基于经验给予进一步的反馈,经过综合评判提高算法准确度。

在环球网校的智能化学习产品解决方案中,规划了两条学习路径,以知足学员个性化的学习需求:不管学员是从头至尾跟着平台制定的路线学习,仍是按照本身的思路学习,环球网校均可以经过一系列计算为学员提供最合适的内容。具体以下:

在练习过程当中,设置大量的反馈和交互,课中弹题练习、课后做业练习、复习题每日一练、章节巩固练习等,都是基于算法去实现的。

在评估环节,一般会经过试卷的形式来完成,由于单道题覆盖的知识面比较狭窄,很难辅助判断学员的总体学习状况。

在反馈环节,可能会推送给学员一封学习报告,也多是一道题,经过不一样形式的反馈让学员了解本身目前的学习状况。好比,学员刚进入环球网校云私塾时,须要完成入学测试,相关题目一般是根据学员的历史学习记录进行计算推荐的。当学员作完题目后,系统会更新学员的知识点掌握状态,而后判断哪些内容是必需要复习的。

以上即是一个完整的 SDAF 闭环。环球网校也会经过情感、知觉、互动、工具、知识、记忆、分析、决策,融合了全部的算法,相似人类的大脑去实现闭环。

最后,再次强调,环球网校可以根据学员的学习结果作智能分析和实时诊断,而后推送个性化的复习内容,以帮助学员提高学习效率,同时及时督促,提醒学员温故知新。总体来讲,环球网校的云私塾可以在知足学员个性化需求的基础上,真正提高学员的学习效率。