李家春 熊冬青 徐紅云

摘 要：針對大學(xué)計算機基礎(chǔ)課程選課學(xué)生多、專業(yè)多樣、教學(xué)班容量大、采用MOOC教學(xué)等特點，分析課程在MOOC和雨課堂平臺教學(xué)活動中過程性評價數(shù)據(jù)及其關(guān)聯(lián)特征，提出智能導(dǎo)學(xué)、個性服務(wù)的教學(xué)思路。

關(guān)鍵詞：人工智能技術(shù);MOOC;雨課堂; 過程性評價; 個性化教學(xué)

DOI：10. 11907/rjdk. 191978 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

中圖分類號：G434文獻標(biāo)識碼：A 文章編號：1672-7800（2020）002-0202-04

英標(biāo)：Research on Teaching Activities Data Analysis and Application of Fundamentals of Computer

英作：LI Jia-chun1， XIONG Dong-qing2，XU Hong-yun1

英單：（1. School of Computer Science & Engineering， South China University of Technology，Guangzhou 510006，China; 2. Guangdong Mechanical & Electronical College of Technology， Guangzhou 510515，China）

Abstract： There are many characteristics in our fundamentals of computer course， large numbers of students such as with diversified majors， large volume class， and the application of MOOC teaching， so teaching activities and process evaluation data in MOOC and rain-classroom platform are analyzed and correlated， the teaching methods of intelligent guidance learning and personalized teaching are explored in the paper.

Key Words： artificial intelligence technology; MOOC; rain classroom; process evaluation; personalized teaching

0 引言

隨著智慧教育[1-2]（教育+互聯(lián)網(wǎng)或互聯(lián)網(wǎng)+教育）時代來臨，MOOC平臺[3-4]和智慧教學(xué)工具如雨課堂[5]等逐漸得到關(guān)注和大力推廣。MOOC課程受眾面廣，選課學(xué)生多，在線教學(xué)過程中產(chǎn)生大量的評價數(shù)據(jù)。為了較精準(zhǔn)地評價課程教學(xué)質(zhì)量，為選課學(xué)生提供個性化指導(dǎo)，國內(nèi)外學(xué)者對教育大數(shù)據(jù)[6]進行了挖掘、分析。

加州大學(xué)洛杉磯分校UCLA的Yannick Meier等 [7]開發(fā)一個分?jǐn)?shù)預(yù)測算法，根據(jù)學(xué)生的課后作業(yè)、測驗和期中考試等評價數(shù)據(jù)，及時預(yù)測學(xué)生的期末成績;麻省理工學(xué)院MIT的Una-May O'Reilly博士等 [8]認為MOOC出現(xiàn)使大數(shù)據(jù)成為關(guān)注焦點，提出將大數(shù)據(jù)開發(fā)技術(shù)應(yīng)用于慕課平臺，對數(shù)據(jù)進行有效分析和預(yù)測，以揭示學(xué)生學(xué)習(xí)行為;普渡大學(xué)的Kimberly等 [9]開發(fā)出Course Signal系統(tǒng)，對學(xué)習(xí)數(shù)據(jù)進行全面分析和預(yù)測，并將結(jié)果以紅、黃、綠3組顏色形式反饋給學(xué)生。

西安交通大學(xué)鄭慶華教授[10-11]提出教學(xué)質(zhì)量監(jiān)控大數(shù)據(jù)平臺框架;北京大學(xué)王卓、張銘教授等[12]將貝葉斯知識跟蹤模型應(yīng)用到Coursera慕課數(shù)據(jù)，將學(xué)生所需學(xué)習(xí)的知識體系劃分為若干知識點，研究如何更準(zhǔn)確地預(yù)測學(xué)生是否掌握各知識點;文獻[13-14]研究了慕課學(xué)生的學(xué)習(xí)行為，設(shè)計一個選讀學(xué)生流失預(yù)測系統(tǒng)，以提供個性化指導(dǎo)，幫忙學(xué)生找到興趣點、推薦學(xué)生材料等;浙江工業(yè)大學(xué)陳晉音等 [15]分析在線學(xué)習(xí)行為特征，挖掘?qū)W習(xí)者性格特征與學(xué)習(xí)效率的關(guān)系，實現(xiàn)個性化學(xué)習(xí)方法推薦;清華大學(xué)唐杰等 [16]利用學(xué)堂在線慕課數(shù)據(jù)，研究并提出基于用戶興趣、人口統(tǒng)計特征和課程前導(dǎo)和后續(xù)關(guān)系的課程推薦算法。

上述研究重點都是單一的慕課平臺以及相應(yīng)的慕課課程數(shù)據(jù)分析，對基于多平臺（慕課平臺+雨課堂平臺）的課程線上線下數(shù)據(jù)分析關(guān)注不多。

筆者學(xué)校大學(xué)計算機基礎(chǔ)課程采用多平臺教學(xué)，包括基于清華大學(xué)的MOOC平臺“學(xué)堂在線”[17-18]，以及基于雨課堂的翻轉(zhuǎn)課堂教學(xué)，每學(xué)年選課學(xué)生達5 000多人。將人工智能技術(shù)[19-20]處理這些教學(xué)活動數(shù)據(jù)，分析學(xué)生學(xué)習(xí)行為并預(yù)測學(xué)習(xí)效果，從而及時調(diào)整教學(xué)進度，實施個性化教學(xué)。

1 大學(xué)計算機基礎(chǔ)課程數(shù)據(jù)描述與分析框架

數(shù)據(jù)分析框架如圖1所示。

從MOOC和雨課堂平臺收集教學(xué)活動過程性評價數(shù)據(jù)，主要包括MOOC視頻觀看比例（共100個視頻，只要看完50個即為100%觀看率）、MOOC講間練習(xí)得分率、MOOC章測驗得分率、發(fā)/回帖率（大于等于有效帖10個，完成率即為100%）、雨課堂統(tǒng)計的課堂到勤率、雨課堂課堂練習(xí)得分率。將這些數(shù)據(jù)送入數(shù)據(jù)分析和可視化模塊，進行Pearson相關(guān)系數(shù)分析，得到上述特征與學(xué)習(xí)效果的相關(guān)性。采用K-means聚類算法預(yù)測學(xué)習(xí)效果，使用Wxpython圖形庫可視化展示學(xué)習(xí)行為特點并進行趨勢預(yù)測。

用于分析的數(shù)據(jù)來自5 000多名選修學(xué)生的教學(xué)活動行為，覆蓋23個不同學(xué)院和專業(yè)，共44個教學(xué)班，時間跨度為12個教學(xué)周。

大學(xué)計算機基礎(chǔ)課程授課章節(jié)組織如表1所示，教學(xué)模式如表2所示，為MOOC學(xué)習(xí)+翻轉(zhuǎn)課堂（基于雨課堂）+機房實驗（基于雨課堂簽到考勤）。

2 大學(xué)計算機基礎(chǔ)課程數(shù)據(jù)分析結(jié)果

2.1 學(xué)生活躍度分析

學(xué)生每日和每周學(xué)習(xí)活躍度分析如圖2和圖3所示。

由圖2可見，每天20：00-21：00時間段學(xué)習(xí)總?cè)藬?shù)最多，達到1 272人，學(xué)習(xí)人數(shù)較高的時間段主要集中在16：00-23：00。由圖3可知大學(xué)計算機基礎(chǔ)課程排課規(guī)律，也能發(fā)現(xiàn)學(xué)生在周六周日仍在學(xué)習(xí)，周日學(xué)習(xí)人數(shù)明顯高于周六。

2.2 學(xué)生學(xué)習(xí)情況分析

學(xué)生MOOC視頻學(xué)習(xí)、MOOC練習(xí)和測驗學(xué)習(xí)情況分析如圖4、圖5、圖6所示。

從圖4可知，隨著章節(jié)學(xué)習(xí)進度的推進，視頻觀看整體比例呈下降趨勢。因為課程視頻共100個，只需看完50個就可拿到這項的滿分，故大多數(shù)學(xué)生完成滿分指標(biāo)后就停止觀看。第2章視頻觀看比例最高，為88%，說明該章知識點多、難點疑點多、學(xué)習(xí)興趣最高。

從圖5和圖6可分析出每個章節(jié)的難易程度以及學(xué)生對每個章節(jié)知識的掌握情況。

（1）第1和第7章優(yōu)秀率（90分及以上占比）和及格率（60分及以上占比）的差距最大，說明這兩章講間練習(xí)難度最大。

（2）第4章優(yōu)秀率和及格率差距最大，說明該章測驗的難度最大。

（3）結(jié)合圖4可以發(fā)現(xiàn)：第2章講間練習(xí)優(yōu)秀率最高，為84%;講間練習(xí)及格率也最高，為93%;章測驗優(yōu)秀率和及格率也處于前列，學(xué)生觀看視頻比例為88%。說明學(xué)生對第2章知識掌握程度較好。

（4）章測驗及格率整體大于講間練習(xí)及格率，說明學(xué)生通過講間練習(xí)的做題訓(xùn)練，對知識的掌握程度有一定幫助，也反映學(xué)生對章測驗的重視程度相對要高，因為講間練習(xí)與章測驗成績權(quán)重比是4∶6。

通過這樣的分析，可以在翻轉(zhuǎn)課堂教學(xué)時自適應(yīng)調(diào)整教學(xué)活動（教學(xué)節(jié)奏和教學(xué)內(nèi)容）。

2.3 學(xué)習(xí)特征相關(guān)性分析

利用Pearson相關(guān)系數(shù)分析得到6個特征以及期末成績之間的相關(guān)程度，如表3所示。

可見，和期末成績相關(guān)性最高的是雨課堂練習(xí)題得分率，其次依次為講間練習(xí)得分率、雨課堂考勤率、章測驗得分率、發(fā)/回帖率、MOOC視頻觀看率。

2.4 學(xué)習(xí)效果預(yù)測

采用K-means聚類算法對6個特征進行聚類分析，設(shè)置預(yù)測類別標(biāo)簽如下：

優(yōu)秀：期末成績/期末成績最高分∈[0.85，1]

良好：期末成績/期末成績最高分∈[0.75，0.84]

及格：期末成績/期末成績最高分∈[0.60，0.74]

不及格：期末成績/期末成績最高分∈[0，0.59]

數(shù)據(jù)量：191條，準(zhǔn)確率為61%，主要原因是高分段劃分比較模糊，不能很好地識別是優(yōu)秀還是良好，各個成績標(biāo)簽預(yù)測準(zhǔn)確率如表4所示。

可見，對不及格預(yù)測的準(zhǔn)確率較高，為81.8%。針對每一章節(jié)學(xué)習(xí)的4個特征或6個特征進行學(xué)習(xí)效果預(yù)測，比如第二章預(yù)測準(zhǔn)確率分別為80%（4個特征）、69%（6個特征）。

通過預(yù)測，可以設(shè)置不同時間節(jié)點（如每一章，或多章或期末考前）對可能具有不及格趨勢的學(xué)生進行預(yù)警，幫助他們加強課程學(xué)習(xí)，提高課程通過率。

3 結(jié)語

在智慧教學(xué)時代背景下，本文利用人工智能和大數(shù)據(jù)分析技術(shù)對大學(xué)計算機基礎(chǔ)課程教學(xué)活動中的過程性評價數(shù)據(jù)進行了分析研究，分析結(jié)果可用于自適應(yīng)調(diào)整教學(xué)活動，在不同時間點對可能不及格學(xué)生進行預(yù)警，實現(xiàn)以學(xué)習(xí)績效為中心的智能導(dǎo)學(xué)和個性學(xué)習(xí)。下一步將進一步優(yōu)化算法，并將研究結(jié)果用于教學(xué)。

參考文獻：

[1] 郭紅霞. 我國智慧教育研究綜述[J]. 數(shù)字教育，2016（1）：16-21.

[2] 李玥泓，趙可云. 我國智慧教育研究現(xiàn)狀解析：熱點、主題及趨勢[J]. 數(shù)字教育，2018（4）：29-33.

[3] 王書瑤，王小根，晉步. 中外MOOC課程對比研究——以edx和“學(xué)堂在線”為例[J]. 軟件導(dǎo)刊，2014（7）：154-156.

[4] 陳娟菲，鄭玲，高楠. 國內(nèi)主流MOOC平臺交互功能對比研究-基于教學(xué)交互層次塔理論[J]. 中國教育信息化，2019（1）：26-29.

[5] 袁博，趙海媚，張成萍，等. 基于雨課堂的研究生英語學(xué)習(xí)行為可視化分析[J]. 現(xiàn)代教育技術(shù)，2018（5）：68-74.

[6] 陳池，王宇鵬，李超，等. 面向在線教育領(lǐng)域的大數(shù)據(jù)研究與應(yīng)用[J]. 計算機研究與發(fā)展，2014（S1）：67-74.

[7] YANNICK MEIER， JIE XU，ONUR ATAN， et al. Predicting grades[J]. IEEE Transactions on Signal Processing，2016（4）：959-972.

[8] UNA-MAY OREILY，KALYAN VEERAMACHANENI. Technolgy for mining the big data of MOOCs[J].? Research & Practice in Assessment，2014（9）：29-37.

[9] KIMBERLY E ARNOLD， MATTHEW D PISTILLI. Course signals at purdue： using learning analytics to increase student success[C]. LAK12 Proceedings of the 2nd International Conference on Learning Analytics and Knowledge，2012：267-270.

[10] 鄭慶華. 運用教學(xué)大數(shù)據(jù)分析技術(shù)提高課堂教學(xué)質(zhì)量[J]. 中國大學(xué)教學(xué)，2017（2）：15-18，39.

[11] 鄭慶華，董博，錢步月，等. 智慧教育研究現(xiàn)狀與發(fā)展趨勢[J]. 計算機研究與發(fā)展，2019（1）：209-224.

[12] 王卓，張銘. 基于貝葉斯知識跟蹤模型的慕課學(xué)生評價[J]. 中國科技論文，2015（2）：241-246.

[13] ZHANG M， ZHU J L， WANG Z， et al. Providing personalized learning guidance in MOOCs by multi-source data analysis[J]. World Wide Web-internet & Web Information System，2019（3）：1189-1219.

[14] ZHANG M， ZHU J L， WANG Z， et al.? An effective framework for automatically generating and ranking topics in MOOC videos[C]. Educational Data Mining，2017：150-155.

[15] 陳晉音，方航，林翔，等. 基于在線學(xué)習(xí)行為分析的個性化學(xué)習(xí)推薦[J]. 計算機科學(xué)，2018（11）：422-426.

[16] JING X，TANG J. Guess you like： course recommendation in MOOCs[C].Proceedings of the International Conference on Web Intelligence，ACM，2017：783-789.

[17] 劉欣欣，徐紅云. 大學(xué)計算機基礎(chǔ)的MOOC教學(xué)實踐[J]. 計算機教育，2017（1）：14-17.

[18] 劉欣欣，徐紅云. 基于MOOC的大學(xué)計算機基礎(chǔ)翻轉(zhuǎn)課堂實踐與探索[J]. 軟件導(dǎo)刊，2019（3）：217-220.

[19] 孫笑音. 基于K-means的慕課用戶行為分析研究[D]. 北京：北京交通大學(xué)，2017.

[20] QU H M， CHEN Q. Visual analytics for MOOC data[J].? IEEE Computer Graphics and Applications，2015（6）：69-75.

（責(zé)任編輯：杜能鋼）