代愛妮 王蕊

關(guān)鍵詞：計(jì)算機(jī)教育；Python；線上教學(xué)評估;學(xué)習(xí)成績分析

1 引言

高校在線教學(xué)涉及學(xué)生規(guī)模大，學(xué)生學(xué)習(xí)情況難以跟蹤和把握，一定程度上影響了教學(xué)質(zhì)量，也給高校教學(xué)帶來了前所未有的挑戰(zhàn)。機(jī)遇與挑戰(zhàn)共存，在線教學(xué)平臺也同時(shí)提供了大量的可供我們參考利用的在線教學(xué)數(shù)據(jù)，在當(dāng)前信息時(shí)代的新工科背景下，眾多學(xué)者利用大數(shù)據(jù)分析方法及人工智能算法對教學(xué)數(shù)據(jù)進(jìn)行分析并建立了教學(xué)預(yù)警模型，引導(dǎo)學(xué)生開展了線上自主學(xué)習(xí)和師生線上自主合作研討的教學(xué)模式。學(xué)者馬玉玲研究了基于機(jī)器學(xué)習(xí)的高校學(xué)習(xí)成績預(yù)測方法，其中提出了一種基于課程關(guān)聯(lián)性的“課前”學(xué)生成績預(yù)測方法，能夠預(yù)測下學(xué)期成績不及格風(fēng)險(xiǎn)[1]。學(xué)者張?jiān)丛O(shè)計(jì)了基于隨機(jī)森林的線上教學(xué)智能學(xué)業(yè)預(yù)警模型，對學(xué)生行為和教師行為制定了精準(zhǔn)干預(yù)措施[2]；梁偉等學(xué)者基于Python大數(shù)據(jù)對在線教學(xué)情況進(jìn)行了數(shù)據(jù)可視化分析與研究[3]；黃家琦等學(xué)者建立了廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測模型對學(xué)生成績進(jìn)行了預(yù)測，可識別不及格學(xué)生進(jìn)行提前干預(yù)與教學(xué)輔導(dǎo)[4]。宋曉磊等學(xué)者采用了4種機(jī)器學(xué)習(xí)算法對教育數(shù)據(jù)進(jìn)行分析，然后篩選出最相關(guān)的數(shù)據(jù)特征建立了多種預(yù)測模型對學(xué)業(yè)成績進(jìn)行預(yù)警[5]。此外，還有很多學(xué)者也相繼利用大數(shù)據(jù)及人工智能算法對學(xué)習(xí)數(shù)據(jù)進(jìn)行分析及預(yù)測，為高校課程學(xué)習(xí)成績的數(shù)據(jù)分析及預(yù)測提供了參考[6-10]。

綜上，如何利用人工智能算法對在線教學(xué)數(shù)據(jù)進(jìn)行數(shù)據(jù)分析與應(yīng)用是當(dāng)前值得研究的熱點(diǎn)方向之一。為有針對性地總結(jié)和輔助我校線上教學(xué)，揭示教學(xué)影響因素，實(shí)現(xiàn)教師及高校管理部門客觀評價(jià)課程教學(xué)效果，本研究特選取《Python與人工智能》線上教學(xué)部分作為研究對象，通過收集該課程教學(xué)數(shù)據(jù)，基于Py?thon語言和數(shù)據(jù)分析技術(shù)，對該課程按不同特征匯總的數(shù)據(jù)分布情況、各教學(xué)行為特征與成績相關(guān)性進(jìn)行了分析，并建立了相關(guān)性矩陣，最后篩選得出影響高校線上教學(xué)成績最相關(guān)的學(xué)習(xí)行為特征，實(shí)現(xiàn)了學(xué)習(xí)行為特征降維。本文相關(guān)研究成果為后續(xù)本研究進(jìn)行數(shù)據(jù)聚類及建立教學(xué)預(yù)測模型提供了基礎(chǔ)，也可為高?；旌鲜浇虒W(xué)模式的改革和教學(xué)指導(dǎo)提供了一定參考。

2 研究方法

《Python與人工智能》課程具有操作性和實(shí)踐性較強(qiáng)的特點(diǎn)。本研究針對疫情期間開展在線教學(xué)特點(diǎn)，利用超星學(xué)習(xí)通收集的課堂教學(xué)數(shù)據(jù)，采用基于Python的數(shù)據(jù)分析方法，對教學(xué)數(shù)據(jù)分布情況進(jìn)行了分析；其次對課堂內(nèi)外教學(xué)核心環(huán)節(jié)各特征與成績進(jìn)行了相關(guān)性分析；最后給出了相關(guān)性分析矩陣，對選擇什么樣的特征數(shù)據(jù)進(jìn)行了教學(xué)模塊設(shè)計(jì)，為篩選強(qiáng)特征建立教學(xué)預(yù)測模型提供了重要參考。

3 數(shù)據(jù)采集

本文選取青島某高校2019-2020第二學(xué)期超星學(xué)習(xí)通線上教學(xué)課程數(shù)據(jù)，涉及通信工程（物聯(lián)網(wǎng)）和電信兩個專業(yè)四個班級共107條學(xué)生的學(xué)習(xí)行為數(shù)據(jù)。數(shù)據(jù)集具體情況及各字段類型如表1所示，主要包括描述學(xué)生信息的“學(xué)生序號”“專業(yè)”“班級”“性別”四個特征，類型為object類型。數(shù)據(jù)分析時(shí)，本研究將專業(yè)、班級和性別進(jìn)行了離散化處理。其他“課程視頻”“章節(jié)測驗(yàn)”“討論”“作業(yè)”“章節(jié)學(xué)習(xí)次數(shù)”“簽到”“課程互動”“任務(wù)點(diǎn)完成百分比”“期末成績”共11個學(xué)生行為特征數(shù)據(jù)為在線采集的最終轉(zhuǎn)換為百分制表示的學(xué)習(xí)數(shù)據(jù)。學(xué)生成績分布主要有A、B、C、D四個等級，分別代表的分?jǐn)?shù)區(qū)間為[90，100]、[80，90）、[65，80）、[0，65）。此外，將數(shù)據(jù)集中期末成績小于75分的給予不及格預(yù)警，用目標(biāo)值0代替；而將考試成績無不及格預(yù)警風(fēng)險(xiǎn)的數(shù)據(jù)，用目標(biāo)1代替。

4 數(shù)據(jù)分布分析

為了更好地服務(wù)于教學(xué)質(zhì)量的提升，構(gòu)建高校在線學(xué)習(xí)成績預(yù)測模型，跟蹤高校學(xué)生線上教學(xué)及學(xué)生的學(xué)習(xí)情況，本研究首先對本學(xué)期數(shù)據(jù)分布情況進(jìn)行了分析與歸納。

圖1給出了各數(shù)值類型字段的總體箱型分布，從中可以看出，數(shù)據(jù)分布最集中的為課程視頻得分，分布最分散的為章節(jié)學(xué)習(xí)次數(shù)和討論得分。說明大部分同學(xué)能按要求看完視頻，得分值差別不大，而課堂互動得分差異較大，說明有的學(xué)生互動比較積極，但有的學(xué)生參與積極性不夠。

圖2中左圖反映了數(shù)據(jù)集平衡性分布情況，可以看出該數(shù)據(jù)集的學(xué)生學(xué)習(xí)成績等級基本呈現(xiàn)正態(tài)分布。圖2中右圖反映了性別等級分布情況，可以看出男女比例差別較大，其中，性別為男性的數(shù)據(jù)占比為77.6%，性別為女性的數(shù)據(jù)占比為22.4%。

圖3為按專業(yè)等級分布情況，從圖中可以看出電信專業(yè)學(xué)生選學(xué)本課程人數(shù)為67人，占比為61.6%，通信（物聯(lián)網(wǎng)外包）專業(yè)為40人，占比為37.4%。從成績等級分布來看，成績等級為A的同學(xué)全部在電信專業(yè)，而且等級為B的同學(xué)占比也高于通信（物聯(lián)網(wǎng)外包）專業(yè)。因此，專業(yè)學(xué)生學(xué)習(xí)基礎(chǔ)對學(xué)生學(xué)習(xí)成績有一定影響，今后教學(xué)中可以針對不同專業(yè)學(xué)生制定不同教學(xué)策略，或者在教學(xué)中加強(qiáng)教學(xué)內(nèi)容的核心教研，制定適合各專業(yè)的教學(xué)策略。如果是不同專業(yè)共同上這一門課程，則應(yīng)該針對基礎(chǔ)較弱的專業(yè)班級加強(qiáng)監(jiān)督和學(xué)習(xí)輔導(dǎo)。

5 特征與成績相關(guān)性分析

下面分析不同性別情況下，各學(xué)習(xí)特征與成績等級相關(guān)性。圖4為四級制等級與各學(xué)習(xí)行為特征之間的關(guān)系柱狀圖，可以看出，成績等級A的同學(xué)在討論、章節(jié)測驗(yàn)、作業(yè)、課程互動等學(xué)習(xí)環(huán)節(jié)中得分均較高，反之較低。由于在線教學(xué)過程中該課程的學(xué)習(xí)視頻允許學(xué)生拖動，因此，從圖4中也可以看出課程視頻、任務(wù)點(diǎn)完成百分比分與各成績等級變化對學(xué)生成績的影響區(qū)別不大，可根據(jù)實(shí)際教學(xué)情況取消這兩個指標(biāo)，或設(shè)置不同權(quán)重合理使用該模塊對學(xué)生學(xué)習(xí)情況進(jìn)行分析。

圖5反映了課程內(nèi)學(xué)習(xí)互動與成績等級關(guān)系。從圖5可以看出，成績等級越高的同學(xué)，參與課堂互動和討論的分?jǐn)?shù)越高，說明課堂互動指標(biāo)和討論可有效促進(jìn)學(xué)習(xí)效果，提高學(xué)生學(xué)習(xí)成績。圖6反映了章節(jié)學(xué)習(xí)次數(shù)與章節(jié)測驗(yàn)、討論與作業(yè)、作業(yè)與期末成績、章節(jié)測驗(yàn)與期末成績之間的關(guān)系。可以看出，大多數(shù)章節(jié)學(xué)習(xí)次數(shù)多的同學(xué)，章節(jié)測驗(yàn)分?jǐn)?shù)也相對高；大部分課堂參與討論多的同學(xué)，作業(yè)完成的分?jǐn)?shù)也相對較高；此外，作業(yè)和章節(jié)測驗(yàn)分?jǐn)?shù)高，大部分期末成績也較好。因此，從以上分析可以看出，課堂內(nèi)外學(xué)習(xí)情況與學(xué)習(xí)成績有較大的相關(guān)性，今后教學(xué)過程中對在這些環(huán)節(jié)中得分較低的一部分同學(xué)應(yīng)加強(qiáng)監(jiān)督和督促，從而有效降低課程期末成績不及格風(fēng)險(xiǎn)率，更好地促進(jìn)教學(xué)效果。

6 特征選擇

為充分利用各種學(xué)習(xí)特征，本研究也同時(shí)考慮了專業(yè)、班級和性別三個特征，并在相關(guān)分析之前對這三個特征進(jìn)行了離散化數(shù)值處理。本研究利用Py?thon中皮爾森相關(guān)系數(shù)方法進(jìn)行了不同特征相關(guān)性的分析，規(guī)定相關(guān)性系數(shù)大于0.70的學(xué)習(xí)行為特征為強(qiáng)相關(guān)，介于0.5到0.70之間為顯著相關(guān)，介于0到0.5之間為弱相關(guān)，小于0為不相關(guān)。圖7為各學(xué)習(xí)特征與期末成績的相關(guān)性矩陣圖。

從圖7中可以看出章節(jié)測驗(yàn)、討論、作業(yè)、章節(jié)學(xué)習(xí)次數(shù)4個學(xué)習(xí)行為特征為強(qiáng)相關(guān)；課程互動、班級和簽到3個學(xué)習(xí)行為特征為顯著相關(guān)；課程視頻與任務(wù)點(diǎn)完成百分比2個學(xué)習(xí)行為特征為弱相關(guān)；專業(yè)與性別為不相關(guān)特征。在預(yù)測及預(yù)警分析中，可對強(qiáng)相關(guān)的學(xué)習(xí)行為指標(biāo)重點(diǎn)監(jiān)測或賦予較大的權(quán)重值，而對弱相關(guān)和不相關(guān)的特征可考慮去掉相關(guān)特征，實(shí)現(xiàn)特征篩選。因此，本研究篩選得出強(qiáng)相關(guān)和顯著相關(guān)的7個特征變量作為影響高校線上教學(xué)成績最相關(guān)的學(xué)習(xí)行為特征，分別為班級、章節(jié)測驗(yàn)、討論、作業(yè)、章節(jié)學(xué)習(xí)次數(shù)、簽到和課程互動，并作為后續(xù)研究建立預(yù)警模型奠定基礎(chǔ)。

此外，本研究不僅研究了各學(xué)習(xí)行為特征與成績的相關(guān)性數(shù)據(jù)，同時(shí)也研究了不同特征之間的相關(guān)性值，從中發(fā)現(xiàn)相關(guān)教學(xué)規(guī)律，為制定正確的教學(xué)策略提供參考。圖8為各學(xué)習(xí)特征之間的相關(guān)性矩陣熱力圖。從圖8中可以看出，討論與課程視頻的相關(guān)系數(shù)值僅為0.21，說明一個能把課程視頻看完的同學(xué)，不一定會在課堂上參與討論；此外，從圖8中可以看出班級與期末成績?yōu)閺?qiáng)相關(guān)、討論分別與班級、章節(jié)學(xué)習(xí)次數(shù)及課程互動也均為顯著相關(guān)，與期末成績?yōu)閺?qiáng)相關(guān)，說明所在班級風(fēng)氣好的同學(xué)更愿意參與討論、其學(xué)習(xí)主動性更高，課堂互動性也好，期末相對也能取得更好成績，因此，可有針對性地對某些班級進(jìn)行教學(xué)督促和管理，提高教學(xué)效果。另外，也可以看出章節(jié)學(xué)習(xí)次數(shù)與章節(jié)測驗(yàn)、討論為顯著相關(guān)，與作業(yè)為強(qiáng)相關(guān)等，說明章節(jié)學(xué)習(xí)次數(shù)多的同學(xué)，通常章節(jié)測驗(yàn)分?jǐn)?shù)也相對較高，作業(yè)完成率好，從而最后期末也能取到更好的成績，因此，平時(shí)教學(xué)過程中，課程教師可以對章節(jié)次數(shù)少的同學(xué)給予教學(xué)干預(yù)，協(xié)助監(jiān)督這部分同學(xué)有質(zhì)量地完成章節(jié)學(xué)習(xí)，從而有效提高學(xué)生的期末考試成績。

7 結(jié)論

本研究通過收集線上教學(xué)平臺數(shù)據(jù)，采用Python數(shù)據(jù)分析方法，對線上教學(xué)課程分布及學(xué)生的學(xué)習(xí)行為影響因素進(jìn)行了分析，并篩選得出學(xué)生學(xué)習(xí)行為特征與學(xué)習(xí)成績的相關(guān)性矩陣，對學(xué)習(xí)成績影響因素最相關(guān)的學(xué)習(xí)行為特征進(jìn)行了分析，該研究對提高線上教學(xué)效果及線上教學(xué)內(nèi)容的設(shè)計(jì)有一定的指導(dǎo)和參考價(jià)值。研究結(jié)論總結(jié)如下：

（1） 從圖1、圖4和圖5分析可以看出，課堂互動和討論環(huán)節(jié)參與多的同學(xué)，最終成績也較好，所以教學(xué)過程中可以恰當(dāng)?shù)卦O(shè)計(jì)教學(xué)互動環(huán)節(jié)，促進(jìn)課程教學(xué)效果；而對于章節(jié)學(xué)習(xí)次數(shù)與章節(jié)測驗(yàn)、討論與作業(yè)、作業(yè)與期末成績、章節(jié)測驗(yàn)等學(xué)習(xí)環(huán)節(jié)中得分較低的一部分同學(xué)應(yīng)加強(qiáng)監(jiān)督和督促，從而有效降低課程期末成績不及格風(fēng)險(xiǎn)率，更好地促進(jìn)教學(xué)效果。

（2） 不同專業(yè)學(xué)生應(yīng)制定不同教學(xué)策略。從圖2可以看出，電信專業(yè)基礎(chǔ)相對于物聯(lián)網(wǎng)專業(yè)學(xué)生基礎(chǔ)好一些，所以，電信專業(yè)平均成績優(yōu)于物聯(lián)網(wǎng)專業(yè)，說明以后教學(xué)可針對性地對于基礎(chǔ)較弱的專業(yè)應(yīng)加強(qiáng)監(jiān)督和督促，有效提高整體教學(xué)水平。

（3） 圖7與圖8分析了各行為特征與學(xué)習(xí)成績的相關(guān)性，給出了弱相關(guān)、強(qiáng)相關(guān)和顯著相關(guān)的學(xué)習(xí)行為特征數(shù)據(jù)。建立綜合考評教學(xué)模型時(shí)，對于課堂內(nèi)外學(xué)習(xí)情況與學(xué)習(xí)成績相關(guān)性不大的學(xué)習(xí)行為特征，例如“課程視頻”“任務(wù)點(diǎn)完成百分比”“專業(yè)”“性別”可以設(shè)置較小的權(quán)重或不考慮，而對于那些與最終學(xué)習(xí)成績相關(guān)性很大的學(xué)習(xí)行為特征應(yīng)重點(diǎn)考慮。本研究結(jié)合各行為特征與期末成績相關(guān)性分析，給出“班級”“章節(jié)測驗(yàn)”“討論”“作業(yè)”“章節(jié)學(xué)習(xí)次數(shù)”“簽到”和“課程互動”作為后續(xù)研究建立預(yù)警模型的特征數(shù)據(jù)，同時(shí)教學(xué)過程中也應(yīng)該對這些教學(xué)環(huán)節(jié)加強(qiáng)監(jiān)督和管理，制定相應(yīng)教學(xué)策略，對該部分環(huán)節(jié)得分低的同學(xué)進(jìn)行教學(xué)干預(yù)。