肖友定

(上海建橋學院，體育部，上海 201306)

0 引言

體育線上課堂是通過網(wǎng)絡展現(xiàn)出體育室內(nèi)教學和室外體育運動的集合[1]。其是由規(guī)定的體育教學目標、教學方案以及體育線上課堂教學支撐環(huán)境3部分構成。由于學生與體育教師面對面交流不便，這給體育教師直接檢查學生學習行為與課堂參與情況造成極大影響。為此，有學者研究線上平臺在線人數(shù)評估方法。有學者提出構建GOA-SVR模型以預測在線英語學習人數(shù)，可以較準確地預估在線人數(shù)[2]；還有學者提出基于用戶行為特征時間序列的用戶活躍模型對用戶行為進行量化評估，得到平臺在線人數(shù)的變化規(guī)律[3]。但上述方法僅對在線人數(shù)進行了評估，未考慮在課堂中應用到對學生學習行為的進一步評估。同時，線上課堂注冊人數(shù)巨增[4]，該平臺生成海量學生行為信息數(shù)據(jù)，例如在線人數(shù)的登錄時間、課堂作業(yè)以及考試成績等，這些信息數(shù)據(jù)都可以有效地幫助體育教師直接了解學生真實水平?；诖?，本文通過體育線上課堂在線人數(shù)智能評估方法研究，可以更直觀、高效分析在線學生學習行為，降低體育教師理解復雜信息數(shù)據(jù)的難度，完善體育教學質量。

1 體育線上課堂在線人數(shù)智能評估研究

1.1 體育線上課堂在線人數(shù)信息采集

信息采集主要采集在線人數(shù)學習流程中的相關信息進行量化并存儲該系統(tǒng)中[5-6]，關鍵采集5個角度學習行為即：體育在線課堂登錄數(shù)量；體育教材、視頻課堂；課堂表現(xiàn)；考試成績；在線人離開。在網(wǎng)上學習過程中收集到的信息數(shù)據(jù)及其類型和收集方式如表1所示。

通過表1信息采集得出在線人數(shù)3種學習信息數(shù)據(jù)結果，即體育在線課堂登錄數(shù)量的行為信息數(shù)據(jù)；課堂表現(xiàn)的行為信息數(shù)據(jù)；考試成績的行為信息數(shù)據(jù)。

表1 在線人數(shù)學習步驟采集信息狀況

1.2 線上課堂在線人數(shù)信息處理系統(tǒng)

線上課堂在線人數(shù)信息處理系統(tǒng)的設計原理是依據(jù)計算機技術為基礎，經(jīng)過對在線人數(shù)信息采集，并做可視化處理，再將可視化數(shù)據(jù)進行評估分析，該系統(tǒng)運行中，需要考慮此系統(tǒng)可伸縮與相對獨立特性[7]。

將信息數(shù)據(jù)可視化系統(tǒng)分割成2個部分，即信息采集數(shù)據(jù)可視化與分段評估，該系統(tǒng)構成結構如圖1所示。信息采集數(shù)據(jù)可視化是將在線人數(shù)學習行為信息數(shù)據(jù)進行分類。在線人數(shù)學習分段評估主要協(xié)助體育教師監(jiān)察與分析在線學生學習行為。

圖1 在線人數(shù)學習行為評估系統(tǒng)示意圖

1.3 體育線上課堂在線人數(shù)智能評估

將上面得出在線人數(shù)學習行為3種數(shù)據(jù)輸入評估系統(tǒng)，經(jīng)過該系統(tǒng)輸出在線人數(shù)登錄數(shù)量、課堂表現(xiàn)、與考試成績3種信息數(shù)據(jù)情況，下面對這3種情況進行評估[8-9]。

平行坐標方法用二維空間形式來描述n維空間信息的最簡便可視化方法[10]。其實質是在二維空間平行坐標系中并行放置軸組成的，該軸理論上利用水平軸與垂直數(shù)軸的布局，布局是根據(jù)數(shù)軸的數(shù)量多少、信息的范圍、布局維數(shù)以及在線人數(shù)喜好等因素決定的。針對N維數(shù)的結構，可能會重復復制N個y軸，同時該坐標系中各個軸之間距離是具有一定規(guī)則的。其描述見式(1),

Xi:x=di,i=1,2,…,N

DN=(d1,d2,…di,…,dN)T

(1)

(a)垂直布局平行坐標

如果圖2中N=2,D2=(0,d)能夠描述為二維空間平行坐標系，則相對應信息域里點M=(y1,y2)∈R2就能用(0,y1)與(0,y2)描述線段連接的平行坐標點，同時線段M必須滿足式(2)要求,

(2)

該線段上點全部x坐標可描述為式(3)，

(3)

根據(jù)任意一組中軸與維數(shù)的點相交平行坐標描述為式(4)，

(4)

文中平行坐標操作流程如圖3所示。

圖3 平行坐標示意圖

將上面得出3種學習行為可視化數(shù)據(jù)集作為在線人數(shù)智能評估研究的重要信息數(shù)據(jù)，如在線學生學號、登錄數(shù)量、在線時間、日常成績、考試成績以及總評成績等[12]。構建五維距離空間R5的平面坐標系，其中坐標(C1,C2,C3,C4,C5)中點P用一條折線來描述，換句話說，構建R5中點和遠點分別在x1,x2,x3,x4,x5軸上的平面折線之間都是相互對應的。

依據(jù)體育教學領域有關經(jīng)驗把在線學生總成績做分段處理，得出結果4種結果，即大于等于85為優(yōu)秀、在70到85之間為良好、在60到70之間為合格、在小于60為不合格。

加載可視化評估數(shù)據(jù)，找出隱藏軸與維數(shù)的點字段(學號)進行交互設計。利用可視功能彰顯特定范圍內(nèi)的信息數(shù)據(jù)子集，協(xié)助體育教師更直觀監(jiān)察在線學生不同維數(shù)信息數(shù)據(jù)變化情況；利用交換坐標軸方式能夠協(xié)助體育教師探究與感知未知屬性之間聯(lián)系；支撐動態(tài)對抽中的軸做升序或者降序排列處理，基本上都是升序排列。

2 實驗結果分析

在MATLAB仿真平臺上進行模擬實驗，設置在線人數(shù)最多為500人，對體育線上課堂的在線人數(shù)學習行為信息數(shù)據(jù)進行評估，圖4給出不同維數(shù)成績學員的學習情況。從圖4(a)與圖4(b)中能夠明顯看出登錄數(shù)量多和在線時間極長的在線人數(shù)學習成績都是處于優(yōu)秀和良好2個等級，而圖4(c)與圖4(d)中可以看出處于及格與不及格的學生登錄數(shù)量少和在線時間極短。

根據(jù)圖4不同等級成績對比示意圖情況可知：在線人課堂表現(xiàn)越突出，其課堂考試成績就越高。在線時間、登錄數(shù)量的情況都可以表明在線人數(shù)的自主學習能力與積極性能。

如圖5所示，經(jīng)過信息數(shù)據(jù)評估示意圖也能夠驗證以上得出結果，成績處于優(yōu)秀與良好等級的在線人數(shù)學習時間遠遠超于整個在線人數(shù)學習均值，同時在線學習時間大于200小時的在線人成績在85分之上，這證實體育教師分析結果：線上課堂中在線人數(shù)越積極，學習成績就越高。但是從圖4(a)-圖4(d)中都可以看出登錄數(shù)量對于總評成績基本上影響極小，也能夠發(fā)現(xiàn)在線人數(shù)對體育線上課堂的重視程度與活躍程度并不高，整體登錄數(shù)量太少。

圖4 在線人數(shù)成績對比情況

依據(jù)評估示意圖可知，測試成績和總評成績兩者間大概是相同的，這表明目前線上課堂在線人數(shù)的總評成績依舊屬于適應型，日常成績所占比例較低，極難調動在線學生課堂表現(xiàn)積極性，學生基本上在即將考試時候瘋狂看體育相關資料、練習體育動作來對付體育考試，從而獲得此門課程良好或者優(yōu)秀的成績。

(a)在線人數(shù)學習行為評估

從圖5的評估示意圖也能夠較為顯著地看出，在優(yōu)秀、良好等級學生日常成績平均值和及格線距離極遠，這是由于總評成績大幅度取決于考試成績，同時五維平行坐標系中會減小其他3個維度對總評成績產(chǎn)生的影響。

3 總結

文中采用信息數(shù)據(jù)可視化基礎理論對線上課堂在線人數(shù)學習行為進行智能評估，先采集在線人數(shù)學習行為有關信息加以量化并保存，再構建線上課堂在線人數(shù)信息處理系統(tǒng)，然后根據(jù)平行坐標方式將采集得出3種學習行為進行可視化與智能評估，有效協(xié)助體育教師分析在線學生學習行為，完善教學不足。但由于僅對一定數(shù)據(jù)限制內(nèi)的人數(shù)進行實驗，且由于采集樣本的信息數(shù)據(jù)較少，分析影響成績因素不多，不具有全面性，日后可以融合體育領域專家想法從在線學生登錄習慣、喜歡運動等視角進行量化分析，并提升在線人數(shù)進行性能測試。