面向终身学习的平台技术架构设计

目前基于MOOCs的开放学习平台大多都是依附于国外一流大学建立的，比如斯坦福大学、麻省理工学院以及哈佛大学等。在国内，清华也开发了学堂在线MOOCs学习平台，同时依附于企业建立的智慧树、超星慕课、网易公开课等开放学习平台也不断兴起，相信在未来会有更多的中文MOOCs诞生，有学者将这种MOOCs在中国的探索称为“中国式MOOCs”，在对这些平台进行评估时发现，平台普遍性存在可用性问题，存在着盲目跟风等问题，容易陷入“只要是呈现开放学习资源的就是开放学习平台”的误区。在开放学习平台的研发过程中存在着重资源而轻平台设计的现象，有些直接复制国外流行的学习平台的设计而不考虑本土化以及学习者的具体需求。面向终身学习的MOOCs平台不仅是资源的展示平台，其界面、功能等都直接影响着学习者的学习体验，若平台不能为学习者提供优质的学习体验和个性化的学习服务，就不能很好地吸引和激励学习者的持续学习，将直接影响学习者的学习效率。

因此，对于面向终身学习的MOOCs平台的研究在对TOGAF架构、IEEELTs C架构、E-learning技术标准模型、Open VEs等平台架构以及MVC（Model-View-Controller）等设计模式调研和对比分析（比如Open VEs架构是基于公认的标准、是开放的、分布的模型，它提供可靠、可伸缩、可持续、扩展方法来管理基于J2EE和s UNONE的E-learning；LTs A架构作为学习技术系统的抽象模型，该架构模型由过程、存储器和信息流三类对象构成，其通用性比较强，结构化好，但没有关注到系统生命周期，宏设计不够等，在调研的基础上，结合云计算技术和开放学习的特点，提出适合开放学习的多层、灵活、可伸缩的开放学习架构，见图2-3。

图2-3 从技术角度构建MOOCs平台的设计构架

该模型集合了面向终身学习的MOOCs平台对自主学习、移动学习、泛在学习及碎片化学习的综合需求，将对学习者的“学习—评测—分析—交流”的服务需求融入学习中心。从学习发生的智慧学习环境、行为以及分析、反馈，从教学法、技术实现的角度进行深度融合。

学习者在智慧学习环境中通过与教师、学习内容、平台之间发生交互，会产生各种类型的学习数据以及体态、脑波、眼动等生理数据。智慧学习测试评估系统通过时这些数据进行采集、建模、分析，从而给学习者全面的评价和即时的反馈，增强学习者的学习体验。学习者在学习中心进行各种MOOCs课程资源的学习，这些课程资源的媒体呈现方式包括视频、文本、游戏、虚拟现实以及用户生成的内容等。学习者在交互学习环境中，形成了一个“个人中心—学习中心—课程中心”的智能学习空间。这个智能学习空间会根据学习者的个人MOOC学习特征进行自适应学习以及通过技术手段满足学习者的断点续学需求。

1.可视化层

可视化层位于前端，为学习者提供课程资源和应用界面的自适应可视化，属于平台的门户设计模块。不同的屏幕（比如屏幕大小、宽度、按钮的位置以及程序界面等）会给学习者带来不同的学习感官和体验。当不同角色的学习者通过不同的设备进入MOOCs学习平台时，该学习平台通过多屏合一技术给学习者提供自适应的可视化界面，包括个人中心信息呈现、MOOCs课程资源、课程评价、课程导航等信息呈现，以及学习中心的界面自适应，并通过打开多个终端接口，使学习者可以从不同的学习终端如电脑、手机、平板等进入学习平台进行持续学习。同时，在该层面，平台将整合各个应用系统服务，对各种学习网络、平台及资源进行统一融合，根据用户的偏好，将信息主动推送到用户桌面，降低用户在平台上学习的学习曲线，使用户快速访问感兴趣的内容、资源及服务，从而达到提高平台中应用系统及资源的利用率，提高用户的黏合度的目标，同时通过为平台系统管理员和维护人员提供操作简单功能强大的门户内容管理功能，使管理人员能够快速定制并锁定所显示的内容，开放的多网络融合策略，开放的技术体系结构，提供类似桌面软件的用户体验，提供不同渠道的内容聚合，提供个性化门户内容服务。

对于面向终身学习的MOOCs学习平台，由于面向的学习对象、学习需求的多样性，学习者的学习体验非常重要。MOOCs平台可视化界面的美观、大方，框架设计的合理、清楚，操作的方便、简洁，对于维持终身学习者的学习热情非常重要，也能够提高学习者进入课程中心的积极性。同时，面向终身学习的MOOCs平台，将融合各类服务平台中的web应用，将各种外部应用和符合统一描述标准的各类资源融合在MOOCs平台中，从而使学习者能够对分散在web上的多种类型的信息资源和教育应用进行一站式访问。

2.学习应用层

学习应用层为学习者提供抽象统一的学习逻辑，该层的核心包括智能引擎和统计分析引擎。通过个人中心、学习中心和课程中心为终身学习者提供学习支持。智能引擎通过将索引规则应用到数据库中，为学习者制定个别化的学习计划，并且不断地通过学习者的学习反馈和学习效果调整学习计划，以更好地满足学习者的学习需要。统计分析引擎是对学习者的学习信息进行记录、统计和分析，配合智能引擎给学习者提供服务。

学习者进入学习平台，将享受到学习应用层提供的学习服务。学习应用层为学习者提供的学习支持服务是面向终身学习的MOOCs平台支持服务。面向终身学习的MOOCs平台设计体现“以学习者为中心”的核心部分，集成开放学习模型的核心功能——“学习—评测—交流—分析”，通过对学习者的学习内容、学习过程和学习效果的分析，为学习者提供自适应的学习资源，满足学习者的个性化学习需求。

学习者在学习应用层，可以开展线上学习活动、组建学习团队、构建学习圈，满足学习者个性化学习和社交化学习的需求，实现正式学习、非正式学习、个别化学习和社会化学习的交叉，融合多种泛在学习模式，比如3D体验模拟学习、情景感知学习、游戏化学习、翻转课堂、多终端交互学习、社区学习、大规模在线学习、移动学习等。

3.数据逻辑层

MOOCs平台的核心功能是对学习者进行全面的评价和提供即时的学习支持服务。在数据逻辑层，其核心功能成分包括学习引擎、元数据和一个规则库。通过ETL （Extract、Transform、Load）软件工具，学习引擎可以在数据库中提取学习者的学习历史记录，分析学习者的测试结果和学习行为。根据这些数据分析结果，系统可以智能地向学习者推荐或者推送合适的学习内容。元数据是指学习者在学习过程中产生的基本信息，比如当前的学习内容和学习成绩。规则库是指管理学习者与智慧学习平台之间互动的系统规则，这些规则可以被教导员、导师或是系统本身检测到的学习者的能力改变。通过这些规则，可以检测到学习者的学习水平，并向学习者推荐合适的学习材料。同时，学习者可以通过访问这些规则，来追踪自己的学习路径。