薛新鵬 楊杉

DOI：10.19850/j.cnki.2096-4706.2021.09.022

摘? 要：文章從四川某高校學(xué)生在線學(xué)習(xí)平臺的后臺分別獲取疫情前和疫情后的學(xué)習(xí)數(shù)據(jù)，并進(jìn)行數(shù)據(jù)分析、數(shù)據(jù)挖掘以及學(xué)生畫像這三大主題的分析。其中數(shù)據(jù)分析采用了頻數(shù)統(tǒng)計，獨立樣本T檢驗分析方法;數(shù)據(jù)挖掘則以貝葉斯分析為主題;學(xué)生畫像以學(xué)院作為主題，對數(shù)據(jù)內(nèi)的兩類數(shù)據(jù)進(jìn)行了可視化分析。

關(guān)鍵詞：大數(shù)據(jù)分析;可視化分析;SPSS;學(xué)習(xí)平臺后臺數(shù)據(jù)分析

中圖分類號：TP391.4? ? ? ?文獻(xiàn)標(biāo)識碼：A 文章編號：2096-4706（2021）09-0083-05

Data Research on College StudentsOnline Learning Platform Based on Big Data

XUE Xinpeng，YANG Shan

（School of Computer and Software，Jincheng College of Sichuan University，Chengdu? 611731，China）

Abstract：This paper obtains the learning data before and after the epidemic from the background of student online learning platform in a college in Sichuan，and carries out three themes of analysis，namely data analysis，data mining and student portrait. Among them，frequency statistics and independent sample student's T test analysis method are used for data analysis;data mining focuses on Bayesian analysis;takes the college as the theme for student portrait and makes a visual analysis of the two types of data in the data.

Keywords：big data analysis;visual analysis;SPSS;background data analysis of learning platform

0? 引? 言

互聯(lián)網(wǎng)所帶來的便利就是為我們的學(xué)習(xí)提供了更多的選擇，而大數(shù)據(jù)的發(fā)展也為我們提供了更多的可能性，通過搜集學(xué)生的學(xué)習(xí)行為數(shù)據(jù)推斷其學(xué)習(xí)的進(jìn)度和學(xué)習(xí)的狀態(tài)以及學(xué)習(xí)狀況，學(xué)校對學(xué)生的各項信息有更加直觀的了解，并對其進(jìn)行更好的學(xué)習(xí)提供指導(dǎo)。尤其是疫情以來，網(wǎng)絡(luò)教學(xué)成為各個學(xué)校最主要的教學(xué)方式，學(xué)生的學(xué)習(xí)數(shù)據(jù)是高等學(xué)校非常重要的一項數(shù)據(jù)資源，是一個教育機構(gòu)不可或缺的一部分，對于學(xué)生的日常表現(xiàn)，成績情況，課堂表現(xiàn)以及后勤管理等都有很好的參考作用。并且根據(jù)線上的數(shù)據(jù)對各個學(xué)院進(jìn)行學(xué)生畫像可視化分析，也能夠清晰地看出各學(xué)院疫情前和疫情后的在線學(xué)習(xí)平臺的使用情況的變化。

1? 研究思路

以四川省某高校在線學(xué)習(xí)平臺疫情前后學(xué)習(xí)數(shù)據(jù)為研究對象，進(jìn)行數(shù)據(jù)預(yù)處理以及數(shù)據(jù)清洗等數(shù)據(jù)分析前的基本處理，隨后分別對疫情前和疫情后的數(shù)據(jù)進(jìn)行數(shù)據(jù)分析，數(shù)據(jù)挖掘以及學(xué)生畫像可視化分析。其中數(shù)據(jù)分析以及數(shù)據(jù)挖掘采用了SPSS數(shù)據(jù)分析軟件，使用頻數(shù)統(tǒng)計，獨立樣本T檢驗和貝葉斯等分析方法;學(xué)生畫像可視化分析采用了Python以及圖表秀，以學(xué)院為基礎(chǔ)，分類對各學(xué)院考試完成數(shù)以及各學(xué)院視頻任務(wù)點完成數(shù)進(jìn)行了各學(xué)院的畫像，并對其畫像所得出的分布比例進(jìn)行數(shù)據(jù)的對比分析。

2? 數(shù)據(jù)說明

2.1? 數(shù)據(jù)來源

以四川省某高校在線學(xué)習(xí)平臺疫情前后學(xué)習(xí)數(shù)據(jù)的統(tǒng)計表為基礎(chǔ)數(shù)據(jù)，其中疫情前的數(shù)據(jù)為43 000條，疫情后的數(shù)據(jù)為26 000條，包括了觀看視頻總時長、任務(wù)點完成數(shù)、考試平均分、章節(jié)測驗完成數(shù)等字段數(shù)據(jù)。

2.2? 數(shù)據(jù)清洗

我們對Excel數(shù)據(jù)工作表做了兩方面的清洗工作：第一是對與研究問題無關(guān)的行列進(jìn)行刪除和簡單的整理排序，將無用的或者是信息不完整的列或行進(jìn)行刪除，另外對部分不合理的數(shù)據(jù)進(jìn)行篩查，看其數(shù)值是否異常，如果存在異常，我們也對其進(jìn)行刪除處理。

3? 數(shù)據(jù)分析

3.1? 關(guān)于章節(jié)學(xué)習(xí)次數(shù)的疫情前后頻率統(tǒng)計

如表1、表2所示，根據(jù)疫情前后的數(shù)據(jù)對比，我們不難發(fā)現(xiàn)疫情前的學(xué)習(xí)數(shù)據(jù)大多在一百到兩百次的范圍區(qū)間內(nèi)，學(xué)習(xí)次數(shù)為187次的占比達(dá)到了32%，而學(xué)習(xí)次數(shù)為0的占比為0.8%。再反觀疫情后的統(tǒng)計數(shù)據(jù)，我們發(fā)現(xiàn)大多數(shù)的有效次數(shù)都在1 000左右，而有效次數(shù)為0的占比達(dá)到了4.8%，有效次數(shù)為1 166次的占比達(dá)到了12.3%，且1 000次左右的數(shù)據(jù)都相對分布較均勻，所以我們分析可以得出在疫情前的時期大家大多數(shù)都是在教室上課，并沒有太多的時間在學(xué)習(xí)通上學(xué)習(xí)，而當(dāng)發(fā)生了疫情后，我們采用的為網(wǎng)絡(luò)教學(xué)的方式，在一定程度上增加了我們對學(xué)習(xí)通的使用次數(shù)。

3.2? 疫情前后不同年級學(xué)生的作業(yè)完成數(shù)與考試完成數(shù)的獨立樣本T檢驗分析

如表3、表4所示，獨立樣本檢驗表中作業(yè)完成數(shù)的顯著性為0，小于0.05，說明方差不具有齊次性，所以看第二行，根據(jù)顯著性（雙尾）為0.048，小于0.05，拒絕原假設(shè)，即疫情前，高年級學(xué)生的作業(yè)完成數(shù)與低年級存在顯著差異，高年級學(xué)生的作業(yè)完成數(shù)平均值高于低年級的作業(yè)完成數(shù)平均值。獨立樣本檢驗表中考試完成數(shù)的顯著性為0.098，大于0.05，說明方差具有齊次性，所以看第一行，根據(jù)顯著性（雙尾）為0.001，小于0.05，拒絕原假設(shè)，即疫情前，高年級學(xué)生的考試完成數(shù)與低年級存在顯著差異，高年級學(xué)生的考試完成數(shù)平均高于低年級的考試完成數(shù)。

如表5、表6所示，獨立樣本檢驗表中作業(yè)完成數(shù)的顯著性為0.005，小于0.05，說明方差不具有齊次性，所以看第二行，根據(jù)顯著性（雙尾）為0，小于0.05拒絕原假設(shè)，即疫情后，高年級學(xué)生的作業(yè)完成數(shù)與低年級存在顯著差異，高年級學(xué)生的作業(yè)完成數(shù)平均低于低年級的作業(yè)完成數(shù)。獨立樣本檢驗表中考試完成數(shù)的顯著性為0，小于0.05，說明方差不具有齊次性，所以看第二行，根據(jù)顯著性（雙尾）為0.447，大于0.05接受原假設(shè)，即疫情后，高年級學(xué)生的考試完成數(shù)與低年級不存在顯著差異。

4? 數(shù)據(jù)挖掘

4.1? 對疫情前后作業(yè)完成數(shù)的數(shù)據(jù)進(jìn)行貝葉斯分析

疫情前后的貝葉斯分析如圖1所示。

圖1（a）中我們可以看到，疫情前的作業(yè)完成數(shù)對于視頻任務(wù)點完成數(shù)的依賴程度是最高的，其次是考試完成數(shù)，對于章節(jié)學(xué)習(xí)次數(shù)基本沒有依賴，說明疫情前老師和學(xué)生們對于在線學(xué)習(xí)平臺的使用基本為視頻的學(xué)習(xí)。

圖1（b）中我們可以看到，疫情后的作業(yè)完成數(shù)對于考試完成數(shù)的依賴最大，其次是視頻任務(wù)點完成數(shù)，同樣對于章節(jié)學(xué)習(xí)次數(shù)的依賴基本沒有，說明疫情期間老師和學(xué)生們大多都是進(jìn)行的網(wǎng)上學(xué)習(xí)，因此對于網(wǎng)絡(luò)考試以及網(wǎng)絡(luò)視頻的學(xué)習(xí)次數(shù)增加，學(xué)習(xí)方式基本都為網(wǎng)絡(luò)學(xué)習(xí)，而對于成績以及學(xué)習(xí)情況的檢查，也只能采取網(wǎng)絡(luò)考試來進(jìn)行，因此占比最大。

4.2? 疫情前關(guān)于學(xué)生考試完成數(shù)的支持向量機分析

首先在源數(shù)據(jù)的“類型”選項卡里對字段類型進(jìn)行設(shè)置。將將要預(yù)測的學(xué)生考試完成數(shù)作為目標(biāo)變量，其余變量作為預(yù)測變量，建立支持向量機模型，模式類型對比選擇RBF模式和專家模式，并且計算預(yù)測變量重要性，從而生成結(jié)果。

如圖2所示，當(dāng)內(nèi)核設(shè)置為RBF時，模型正確率為97.01%，且最重要的變量是任務(wù)點完成數(shù)，重要性是0.37，次要影響的變量為視頻任務(wù)點完成數(shù)為0.27，其他依次是作業(yè)完成數(shù)、章節(jié)測驗完成數(shù)、課程專題閱讀時長、簽到完成樹、討論總數(shù)、發(fā)帖總數(shù)、回帖總數(shù)和課程積分。

當(dāng)內(nèi)核設(shè)置為多項式時，模型正確率為97.06%，且最重要的變量是任務(wù)點完成數(shù)，重要性是0.36，次要影響的變量為視頻任務(wù)點完成數(shù)為0.23，其他依次是作業(yè)完成數(shù)、章節(jié)測驗完成數(shù)、簽到完成數(shù)、課程專題閱讀時長、討論總數(shù)、發(fā)帖總數(shù)、回帖總數(shù)和課程積分。

通過RBF模型與多項式模型預(yù)測正確率的對比，發(fā)現(xiàn)多項式的正確更高，顯然多項式模型更適合于預(yù)測本數(shù)據(jù)集。

5? 學(xué)生畫像可視化

從圖3中我們可以看到疫情后各個學(xué)院考試完成數(shù)的一個數(shù)量分布情況。我們可以清晰地看到在疫情后的考試完成數(shù)的一個環(huán)形的數(shù)量分布圖，其中計算機學(xué)院所占的比例最大，金融學(xué)院第二，建筑學(xué)院第三，外語學(xué)院第四，電子信息學(xué)院第四，藝術(shù)學(xué)院第五，土木與環(huán)境工程學(xué)院第六，文學(xué)與傳媒學(xué)院第七，工商管理學(xué)院排在最后。但是根據(jù)我們前面的頻數(shù)統(tǒng)計，可以看到各學(xué)院的學(xué)習(xí)平臺的考試次數(shù)都得到了很大的提升，說明自疫情以來學(xué)習(xí)方式以及考試等方式都逐漸轉(zhuǎn)為了網(wǎng)絡(luò)學(xué)習(xí)平臺進(jìn)行。

從圖4中我們可以看到疫情后各個學(xué)院視頻任務(wù)點完成數(shù)的一個數(shù)量分布情況。其中計算機與軟件學(xué)院的數(shù)量排在第一位，藝術(shù)學(xué)院排在第二位，金融學(xué)院排在第三位，外國語學(xué)院排在第四位，土木與環(huán)境工程學(xué)院排在第五位，文學(xué)與傳媒學(xué)院排在第六位，工商管理學(xué)院排在第七位，建筑學(xué)院排在第八位，電子信息學(xué)院排在最后。這說明了計算機與軟件學(xué)院對于學(xué)生在線學(xué)習(xí)平臺的使用要多于其他學(xué)院，并且計算機與軟件學(xué)院的教學(xué)方式可能主要是以觀看視頻進(jìn)行學(xué)習(xí)，并結(jié)合課堂上的知識進(jìn)行學(xué)習(xí)。

6? 結(jié)? 論

根據(jù)對三個主題的分析，我們得出以下結(jié)論：首先疫情前同學(xué)們對于學(xué)生在線學(xué)習(xí)平臺的使用情況沒有疫情后那么頻繁。其次疫情前對于學(xué)生在線學(xué)習(xí)平臺的使用，大多都為視頻的觀看和章節(jié)測驗等;而疫情后由于在家網(wǎng)上學(xué)習(xí)，因此對于考試功能的使用相較于疫情前變得更加頻繁。而通過客戶畫像數(shù)據(jù)分析我們能夠得出，計算機與軟件學(xué)院對于學(xué)生在線學(xué)習(xí)平臺的使用頻率以及功能的使用情況遠(yuǎn)遠(yuǎn)高于其他學(xué)院。

根據(jù)對學(xué)生線上學(xué)習(xí)平臺的使用情況的分析，我們提出以下建議：首先可以適當(dāng)加強學(xué)生在線學(xué)習(xí)平臺其他功能的使用，如發(fā)帖回帖以及討論，因為一些學(xué)生害羞，不會直接當(dāng)面找老師進(jìn)行學(xué)習(xí)以及問問題，就可以在網(wǎng)絡(luò)上發(fā)帖與老師進(jìn)行學(xué)習(xí)上的探討。其次可以刪除對于學(xué)生在線學(xué)習(xí)平臺直播課的功能，因為疫情期間大家都是使用的騰訊會議，使用學(xué)生在線學(xué)習(xí)平臺直播課的功能的時候比較少，且平臺使用不穩(wěn)定，因此可以對這個功能進(jìn)行刪除。最后我們建議可以多使用課堂搶答的功能，這樣不僅能促進(jìn)課堂氣氛，也能培養(yǎng)學(xué)生的學(xué)習(xí)以及回答問題的積極性。

參考文獻(xiàn)：

[1] 曹玉茹.基于SPSS的多選項問題研究 [J].統(tǒng)計與決策，2020，36（10）：55-58.

[2] 吳華斌.大數(shù)據(jù)的統(tǒng)計分析淺議 [J].經(jīng)濟師，2014（10）：277-280.

[3] 賀玲.大數(shù)據(jù)背景下統(tǒng)計軟件在數(shù)據(jù)分析中的運用 [J].經(jīng)貿(mào)實踐，2018（4）：328+330.

[4] 文穎.大數(shù)據(jù)時代數(shù)據(jù)分析中統(tǒng)計軟件的運用研究 [J].信息與電腦（理論版），2017（6）：97-98.

[5] 程澤凱，佘星星，謝寧宇.網(wǎng)絡(luò)教學(xué)平臺學(xué)生學(xué)習(xí)數(shù)據(jù)分析 [J].常州工學(xué)院學(xué)報，2019，32（2）：77-80.

作者簡介：薛新鵬（2000-），男，漢族，四川成都人，本科在讀，研究方向：數(shù)據(jù)挖掘、大數(shù)據(jù)。

收稿日期：2021-03-02