孫伯翰

摘 ?要： 為了提高現(xiàn)代高校校園信息化水平，充分使用學生在校行為數(shù)據(jù)創(chuàng)建智慧校園、數(shù)字校園，設計基于數(shù)據(jù)挖掘學習分析的計算機教學研究模型。通過網(wǎng)絡平臺收集某高校學生和教師教學大數(shù)據(jù)，使數(shù)據(jù)以深度學習過程意向模型實現(xiàn)分類，使用具備學習分析的定量研究方法實現(xiàn)網(wǎng)絡化學習中教師在線備課、在線指導、學生自主學習、學習反饋與師生交互行為實現(xiàn)量化，對行為和深度學習過程中的意向模型進行相關性分析。通過研究表明，此行為存在較大管理難度，但能夠為教師今后開發(fā)網(wǎng)絡教學資源、學生學習評估提供參考。

關鍵詞： 數(shù)據(jù)挖掘; 計算機教學; 實證研究; 學習分析; 學習評估; 網(wǎng)絡教學資源開發(fā)

中圖分類號： TN98?34 ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2019）19?0127?05

Abstract： In order to improve the level of campus informatization in modern colleges and universities， and make full use of students′ behavior data to create intelligent campus and digital campus， a computer teaching research model based on data mining learning analysis is designed. The big data of students and teachers′ teaching of a university is collected by means of the network platform. The data is classified according to the intent model of deep learning process. The quantitative research method with learning analysis is used to realize the quantification of teachers′ online lesson preparation， online guidance， and students′ autonomous learning， learning feedback， as well as teacher?student interaction in online learning. The relevance analysis of behavior and deep learning process intention model is conducted. The research results show that the method can provide a reference for teachers to develop network teaching resources and realize learning assessment of students.

Keywords： data mining; computer teaching; empirical research; learning analysis; learning assessment; network teaching resource development

0 ?引 ?言

學習分析指利用學習人員自身數(shù)據(jù)和學習過程中的數(shù)據(jù)研究與分析，有效激發(fā)學生的學習興趣，使學生學習效率得到提高，使學習人員學習環(huán)境得到改善。目前美國在此領域的研究處于領先地位，早在2004年相關研究人員就使用聚類算法對在線課程用戶行為進行了研究，尋找學習行為相近的學習人員。我國在在線學習評價和預測研究方面表現(xiàn)為對在線學習數(shù)據(jù)進行監(jiān)控、分析和收集，教育部2016年在教育信息化“十三五”規(guī)劃過程中提出了創(chuàng)建人人學、處處能學的學習型社會指導思想，并且對于職業(yè)教育信息化也提出了一定的要求，大部分高校開始創(chuàng)建了自身數(shù)字化教學資源與網(wǎng)絡教學平臺，教學方式也轉變成為網(wǎng)絡教學。為了使學生在網(wǎng)絡學習過程中充分使用碎片化時間，隨時隨地進行學習，使網(wǎng)絡教學效果得到提高，就要深入分析高職生網(wǎng)絡學習行為。數(shù)據(jù)挖掘技術能夠通過大量數(shù)據(jù)尋找有價值、潛在信息[1]。因此，本研究在教學過程中使用數(shù)據(jù)挖掘技術實現(xiàn)學習行為分析。

1 ?學習分析概念和模型

美國高等教育信息化協(xié)會定義學習分析為：利用數(shù)據(jù)與模型對學生收獲與行為具備信息處理能力的預測。2011年所創(chuàng)辦的首屆學習分析和知識國際會議表示學習分析為：相關學生和學習情景數(shù)據(jù)的測量、分析和收集，從而全面掌握優(yōu)化學習與學習情境。

學習分析模型從底到上分別為數(shù)據(jù)層、機制層和結果層。數(shù)據(jù)層的主要作用是實現(xiàn)對學生產(chǎn)生和發(fā)布數(shù)據(jù)的收集，從而構成行為特征庫。機制層的主要目的是實現(xiàn)行為特征庫中因素關聯(lián)和內(nèi)涵的分析，并且提供預測與機制反饋。結果層能夠使分析結果呈現(xiàn)給學生、家長、教師與教學管理人員，三個層級持續(xù)地循環(huán)迭代[2]。

圖1為學習分析過程模型。

2 ?學生投入模型分析

大學影響力模型以輸入?過程?輸出作為建構方式，對大學生在校過程中的學習與發(fā)展情況進行刻畫。相關研究人員所設計的發(fā)展評估模型重視學生個人層次與院校層次對于學生經(jīng)歷、投入與知識技能發(fā)展的影響，以此為學生行為分析提供良好的理論基礎與概念框架。學生投入模型框架如圖2所示。

3 ?教學實證研究模型

教學實證研究模型的功能模塊主要包括學生畫像、行為監(jiān)測、動態(tài)監(jiān)測。學生畫像模塊從學生生活、學習的行為和心理動態(tài)方面對學生畫像進行刻畫。動態(tài)監(jiān)測模塊主要包括學生成長軌跡和一卡通消費監(jiān)測兩個子模塊[3]，教學實證分析系統(tǒng)的功能模塊如圖3所示。

3.1 ?數(shù)據(jù)的獲得和處理

本文選擇某高校計算機教學平臺，此網(wǎng)絡平臺被廣泛應用到各高校中，教師能夠利用平臺實現(xiàn)教學資源發(fā)布，并且發(fā)布知識結構，實現(xiàn)各種教學活動的創(chuàng)建，如作業(yè)、測試、答疑討論、知識庫創(chuàng)建與問卷等。課下學生能夠學習平臺中的知識，并且提交作業(yè)，學生之間也能夠進行課堂討論，鞏固課堂中的教學內(nèi)容，使學生學習效率與學習效果得到提高。通過平臺得到班級、學號、姓名、年級等指標，在分析過程中表示對于結果并沒有影響，并且最終加入到學習成績指標中，最終保留八種指標。

1） 登錄課程次數(shù)。學生登錄到網(wǎng)絡學習平臺中學習課程的次數(shù)。

2） 發(fā)帖次數(shù)。發(fā)表話題的次數(shù)，討論區(qū)的回文次數(shù)和課程討論區(qū)被回文的次數(shù)。

3） 學習筆記。在課堂學習中，學生記錄的學習內(nèi)容，并且通過平臺存儲的次數(shù)。

4） 閱讀課堂教材的次數(shù)。學生進入到課程閱讀教學內(nèi)容的數(shù)量。

5） 閱讀試題庫次數(shù)。學生對課程試題庫閱讀的次數(shù)。

6） 提交作業(yè)。課程作業(yè)完成之后且成功提交作業(yè)的次數(shù)。

7） 學習成績。學生的最終考試成績。

8） 在線時長。學生在網(wǎng)絡學習平臺中實現(xiàn)課程學習的總時長。

統(tǒng)一錄入學生基本信息到平臺中，使一卡通數(shù)據(jù)與大學生成長發(fā)展數(shù)字化平臺數(shù)據(jù)相互融合，研究學生的心理活動，提前了解學生是否社交困難，對學生圖書館通道數(shù)據(jù)、借閱數(shù)據(jù)、學習成績的關系進行挖掘，分析學生學習活動。根據(jù)學生回訪信息、在校信息和檔案信息，利用時間維度與成長維度實現(xiàn)分析[4]，得到學生的成長軌跡如圖4所示。

3.2 ?學生行為監(jiān)測模塊

動態(tài)監(jiān)測模塊主要包括學習行為、生活行為與心理動態(tài)，圖5為學生在線信息閉環(huán)，劃分具備相同生活特征的群體，對此群體特征實現(xiàn)管理與改善。

1） 早上不吃飯人群能夠以出門刷卡時間分析表示，起床比較晚導致不吃飯或者因為個人原因不吃早飯，假如是因為起床比較晚不吃早飯，能夠以此部分人群早起的時間對食堂早飯開放時間進行更改。

2） 對節(jié)假日前往圖書館學習人群進行劃分，分析基數(shù)大小，實現(xiàn)圖書館開放時間的更改。

3） 根據(jù)夜間歸宿人群利用門禁卡中顯示的時間，對校門開閉進行調整。

對學生在線閉環(huán)中的某環(huán)節(jié)實現(xiàn)專題分析，如消費金額、作息時間、自習時間等，使學校管理能力和資源使用率得到提高。

1） 以學生一卡通消費數(shù)據(jù)對貧困生在校消費情況進行監(jiān)控，使學生處對學生信息精準性進行核實。

2） 對比學生作息時間和考試系統(tǒng)成績，得到結論之后提交給教師及輔導員進行分析，從而使學生在線教學質量得到提高。

3） 以學生澡堂洗澡時間、自習時間作為基礎實現(xiàn)統(tǒng)計分析，對學校自習室與澡堂開放時間進行調整，以此實現(xiàn)學校水電資源的有效節(jié)約，使學校資源使用率得到提高[5]。

實現(xiàn)異常數(shù)據(jù)的動態(tài)監(jiān)控，使管理得到加強。

1） 某課程學生的成績比較低，通過生活習慣方面得到此課程選修學生數(shù)據(jù)特征，對問題原因進行總結，從而使學生學習效率得到提高。

2） 少數(shù)民族學生在學校的消費數(shù)據(jù)并不高，對食堂管理人員提供數(shù)據(jù)，實現(xiàn)飯菜口味的改善。

圖6為學生行為測點圖。

層次算法主要包括學習行為、心理動態(tài)和生活行為三部分，針對不同主題庫內(nèi)容，將學生信息作為輸入端，成績信息作為輸出端，利用層析成像法梳理測點關聯(lián)關系。

3.3 ?學生行為預警模塊

系統(tǒng)實現(xiàn)學生行為數(shù)據(jù)的線性回歸分析，對學生行為通過脫離正常軌跡的量變到質變實現(xiàn)預警，在學生出現(xiàn)異常行為之前進行防范。

異常學生行為是教育過程中的重點和難點，本文主要通過數(shù)據(jù)挖掘實現(xiàn)學生行為數(shù)據(jù)異常預警，并且和輔導員教工系統(tǒng)接口對接，使學生異常的情況及時反饋至輔導員，保證學生在校行為安全[6]。圖7為學生行為預警模塊。

3.4 ?學生畫像模塊

以學生在校生活行為、心理行為與學習行為實現(xiàn)學生畫像的刻畫，利用學生畫像選擇典型行為案例。例如，選擇畢業(yè)生中成績和就業(yè)良好的學生，尋找大學期間的學習、生活規(guī)律，實現(xiàn)“優(yōu)秀學生畫像”的刻畫，將其作為模板宣傳，提高學生的整體成績。

通過表2可以看出，閱讀課程教學材料數(shù)量為6～14之間有80%以上的概率正常完成作業(yè);經(jīng)常發(fā)表學習日志對于進入課程次數(shù)影響為84.8%。表示假如教師在實現(xiàn)網(wǎng)絡授課過程中，有目的地多布置作業(yè)，并且使學生發(fā)表自身學習經(jīng)驗，對學習進行總結，能夠使學生進入到在線課程頻率和課程教學材料的次數(shù)進行學習，使學生能夠具備在線自主學習習慣，使學生學習效率與成果得到提高[8]。圖10為學生行為監(jiān)測功能。

5 ?結 ?語

通過數(shù)據(jù)挖掘方法對高校學習分析進行研究，能夠實現(xiàn)學習數(shù)據(jù)潛在內(nèi)涵的挖掘，從而使沒有意義的數(shù)據(jù)轉變成為具備價值的教學信息，使學習過程得到優(yōu)化，以此提高教學效果。利用教學過程中的數(shù)據(jù)對學生在學習過程中的危機進行預測，及時發(fā)送預警信號，并且提供針對性、干預性對策，提高學習動機，實現(xiàn)學習毅力的培養(yǎng)，使學習質量得到提高。將數(shù)據(jù)挖掘作為基礎的學習分析，通過大數(shù)據(jù)收集、分析和清洗的方法，研究數(shù)據(jù)分析中學生學習偏好、態(tài)度，預測學習過程中的問題?；诖藬?shù)據(jù)，實現(xiàn)課程精準教學支持，實現(xiàn)學習任務及教學決策的優(yōu)化。

參考文獻

[1] 隋永博，曹旭.基于數(shù)據(jù)挖掘的學習分析在教學中的應用初探：以高校計算機課程為例[J].長春中醫(yī)藥大學學報，2018，34（5）：988?991.

SUI Yongbo， CAO Xu. Application of learning analysis based on data mining in teaching—taking college computer courses as an example [J]. Journal of Changchun University of Chinese Medicine， 2018， 34（5）： 988?991.

[2] 陳平，王利鋼.基于數(shù)據(jù)挖掘聯(lián)合模型的高職學生網(wǎng)絡學習行為分析[J].牡丹江大學學報，2018，27（5）：124?127.

CHEN Ping， WANG Ligang. Analysis of higher vocational college students′ network learning behavior based on data mining joint model [J]. Journal of Mudanjiang University， 2018， 27 （5）： 124?127.

[3] 顏磊，祁冰.基于學習分析的大學生深度學習數(shù)據(jù)挖掘與分析[J].現(xiàn)代教育技術，2017，27（12）：18?24.

YAN Lei， QI Bing. Data mining and analysis of university students′ deep learning based on learning analysis [J]. Modern education technology， 2017， 27（12）： 18?24.

[4] 劉哲，趙志剛.數(shù)據(jù)挖掘技術在大學生就業(yè)分析中的實證研究[J].沈陽師范大學學報（自然科學版），2016，34（1）：105?108.

LIU Zhe， ZHAO Zhigang. Analysis and calculation of high school graduate student based on data mining [J]. Journal of Shenyang Normal University （Natural science edition）， 2016， 34（1）： 105?108.

[5] 顏磊，祁冰.基于Android平臺的移動學習系統(tǒng)大數(shù)據(jù)挖掘技術研究[J].現(xiàn)代電子技術，2017，40（19）：142?144.

YAN Lei， QI Bing. Research on big data mining technology of mobile learning system based on Android platform [J]. Modern electronics technique， 2017， 40（19）： 142?144.

[6] 劉秀菊.基于數(shù)據(jù)挖掘的大學生網(wǎng)絡學習群體行為分析與建模[J].信息與電腦（理論版），2018（11）：157?159.

LIU Xiuju. Analysis and modeling of university students′ online learning group behavior based on data mining [J]. China computer & communication（Theoretical edition）， 2018（11）： 157?159.

[7] 舒忠梅，徐曉東，屈瓊斐.基于數(shù)據(jù)挖掘的學生投入模型與學習分析[J].遠程教育雜志，2015，15（1）：39?47.

SHU Zhongmei， XU Xiaodong， QU Qiongfei. Student engagement modeling and learning analytics based on data mining [J]. Journal of distance education， 2015， 15（1）： 39?47.

[8] 鐘若武，王惠平.基于數(shù)據(jù)挖掘的高校云計算管理系統(tǒng)中特定數(shù)據(jù)查詢技術[J].現(xiàn)代電子技術，2018，41（2）：130?132.

ZHONG Ruowu， WANG Huiping. Data mining based specific data query technology for cloud computing management system in university [J]. Modern electronics technique， 2018， 41（2）： 130?132.