“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。