“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。
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。
关注神策数据公众号,回复“学习产品体验升级”,即可下载完整版 PPT。
学习产品体验升级是企业转型“法宝”
一、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前所未有的震荡。
神策数据教育事业部负责人虎志强表示:“双减”之前,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,并引以为豪;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、粗放型转化增长为运营常态。“双减”之后,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”,尤其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;一些不愿意放弃已经建立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长、精细化运营等。
在认知层面,在线教育企业经历了“双减”政策之后,也发生了明显的变化,主要表现在 3 方面:
第一,疯狂获客到“耐心”留客。“双减”之前,我们日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,尤其是 K12 教育;而“双减”之后,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。
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,只有这两者都得到满足才会提升用户的学习效率和满意度,从而构建核心竞争力。之前,K12 是一个新兴产业,通常会通过品牌轰炸在用户心中建立品牌认知,让用户产生信任,表现形式大多是媒体电视广告、地铁广告等。而“双减”政策实施之后,在线教育企业更多地在考虑如何稳住口碑,避免因为政策和大环境变化对已经积累的品牌口碑带来负面影响。
第三,本末倒置到“回归”本质。“双减”之前,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”之后,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。
综合来说,“双减”政策带来核心变化是学习产品体验升级和服务升级,因此我们可以得出一个结论,学习产品体验升级是教育企业转型的“法宝”。
二、当前学习产品体验面临的问题
1、学员的个性化需求难以满足
所有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,提供的内容千篇一律,很难做到针对不同学员提供不一样的课程。虽然也有一对一或小班教学的尝试,但却面临着“无法通过规模化平摊成本”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。
2、学习场景化不够
线下课堂通常是班级化教学,学生和老师、学生和学生之间会有互动,基于连接点和交互过程形成学习的场景域;而线上课程通常是隔着屏幕,缺少互动、感知等。
3、学习效率低、效果差
这个问题反映了整体的学习结果,线上课程相较于线下课程的整体学习效率偏低,极其依赖学员的自觉性,缺少外部监督。
三、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
通常情况下,我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。尤其是在冷启动阶段,对同类型用户无重点无差异,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情况。具体包括用户学习过程中的数据,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:学习情况评估
基于 Feedback 环节采集到的学习数据,对用户整体学习情况进行评估。
一方面,确定学习指标体系,如学习时长、做题数量、完课率、考试通过率等。另一方面,构建用户学习画像体系,如活跃偏好、课程偏好、学习状态、完课情况、学业水平等。
在这两个体系之上,结合算法模型,比如记忆曲线模型、掌握程度模型,研究用户知识点掌握情况,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
基于学习评估的情况,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,我们也可以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情况,生成数据评估报告,让用户能够及时掌握自己的学习情况。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。
关注神策数据公众号,回复“学习产品体验升级”,即可下载完整版 PPT。
数据驱动学习产品体验升级实践
在做教学研究的过程中,我们会发现,学员的个性化需求越来越明显。但与此同时,当我们基于学员数据做进一步洞察时,可以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、学员在学习过程中产生的交互等。那么如何满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,我们不能仅仅满足于内容的生产与交付,而是要将学员的个性化需求融入我们的教学、学习、练习、测评、评估等教学设计中,以数据驱动满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中有两个关键要素:
1、场景化应用:数据能力与个性化学习产品产出建立强关联和强应用场景
从教育基本点出发,我们可以清晰地认识到,现有的教育框架很难全面满足学员的个性化需求。
小班课、1V1 教学类似传统的线下教学,老师在备课的时候不仅会考虑到教学内容,还会考虑学员的学习情况、学习状态等。举个例子,当某个单元学习结束后,老师通过测评发现 80% 的学生已经充分掌握了该知识点,那么接下来会做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。这是小班课的优点,它能够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多是整套生产的,在完成内容交付之后,学员需要根据自己的时间、需求去学习,除了录制错误、文案错误、讲义错误等,课程内容不会再因为其他原因做任何调整。
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 小班教学模式更广泛地应用于互联网教育中,就需要我们有足够的数据支撑,因为小班教学之所以能够做得更好,是因为该模式能够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:虽然有做合规数据采集,但却很难分辨哪些数据可以使用。因此,环球网校对整个教学框架做了升级,如下图所示:
首先,环球网校满足老师“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。然后,将智能系统分为三层:认知层、感知层和算法层,并通过这三个层次拆解对应学员的学习情况。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、练习和反馈过程中的数据都会通过合规途径被实时记录,老师也能够根据数据做实时处理和反馈。
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、效果评估等不同阶段的学习情况,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,能够针对学员的学习情况做最合适的题目推荐。
在这个框架搭建起来之后,学习内容本身也需要着重关注、解决。
学习内容在教育行业里面通常是一个大的单元。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,但实际上只需要三层就够了——记忆、理解、综合应用。比如职业教育本身的考证业务,学员最直接的目的是通过考试、获得证书,因此环球网校在对知识点进行拆解时,通常不会涉及具体的实操。通过拆解知识图谱,将行业知识变成一个个的知识点,然后通过知识点之间的关系链接成图谱,就能够解决学习路径上最大的难题,学员便可以按图索骥去学习。
2、数据体系:建立适用于企业所处赛道的数据获取与分析的数据体系
这里我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。
通常情况下,学员是否掌握了某个知识点,需要凭借老师的教学经验来判断,那我们如何让算法系统拥有像老师一样的能力和状态,实现对学员掌握程度的计算呢?我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。在这个过程中,环球网校不仅会监控业务变化,也会对系统本身的变化进行监测。除此之外,智能出题、用户跟踪、数据质量与监控等也都需要我们通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、吸收能力、分析能力等。举个例子,在学员学习过程中,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做了多少道题目吗?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需要我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唯一依据是“学员答对了该知识点相关的题目”。但这并不是最科学、合理的。比如,我们在刷题过程中经常会遇到这样的场景:当你按顺序做完第四道题,突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,那么如果仅仅通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情况。因此,在环球网校的判断规则里,很多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,并不是简单地将答对题目等同于掌握知识点。环球网校强调,学习数据不仅包括学习记录,还包括学习行为。
另外,关于知识点掌握程度的计算,也有不少人了解过空间强化理论,它是指在教学过程中新的概念或技巧被吸收,同时学过的概念和技巧被强化,利用掌握状态数据,为学习者提供能够时时更新的推荐活动序列。但与此同时,在产品层面也需要增加多种维度,比如增加收集用户是否有基础的数据、题目增加多维度标签、学习材料增加对学员的影响等。
在环球网校内部,通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,那么就能够根据学员的学习情况、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 在学习两个视频之后,就不需要重复学习了;而基础一般、学习进度缓慢的同学 B 不仅需要重复学习这两个视频,还需要额外做很多题目,虽然在测评中两个人都能够答出正确结果,但是系统会根据学员的学习行为,通过智能算法来判断这两个学员的知识点掌握程度,然后去做针对性的决策。
不容忽视的是,机器学习和人工决策始终会存在一定差别。因此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,通过综合评判提升算法准确度。
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,以满足学员个性化的学习需求:无论学员是从头到尾跟着平台制定的路线学习,还是按照自己的思路学习,环球网校都可以通过一系列计算为学员提供最合适的内容。具体如下:
在练习过程中,设置大量的反馈和交互,课中弹题练习、课后作业练习、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,通常会通过试卷的形式来完成,因为单道题覆盖的知识面比较狭窄,很难辅助判断学员的整体学习情况。
在反馈环节,可能会推送给学员一封学习报告,也可能是一道题,通过不同形式的反馈让学员了解自己目前的学习情况。比如,学员刚进入环球网校云私塾时,需要完成入学测试,相关题目通常是根据学员的历史学习记录进行计算推荐的。当学员做完题目后,系统会更新学员的知识点掌握状态,然后判断哪些内容是必须要复习的。
以上便是一个完整的 SDAF 闭环。环球网校也会通过情感、知觉、互动、工具、知识、记忆、分析、决策,融合了所有的算法,类似人类的大脑去实现闭环。
最后,再次强调,环球网校能够根据学员的学习结果做智能分析和实时诊断,然后推送个性化的复习内容,以帮助学员提升学习效率,同时及时督促,提醒学员温故知新。整体来说,环球网校的云私塾能够在满足学员个性化需求的基础上,真正提升学员的学习效率。
关注神策数据公众号,回复“学习产品体验升级”,即可下载完整版 PPT。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
