［摘 要］SPOC模式的混合式教學(xué)通過提供個性化和靈活的學(xué)習(xí)體驗，賦予了學(xué)生根據(jù)個人學(xué)習(xí)節(jié)奏和興趣選擇適宜學(xué)習(xí)內(nèi)容的能力，極大地提升了學(xué)習(xí)的便捷性和效率。在這種模式下，教師能夠精準跟蹤和把握每位學(xué)生的學(xué)習(xí)進展和成績，實現(xiàn)對學(xué)生進行個性化指導(dǎo)的目標。同時，教師能夠依據(jù)學(xué)生的實時表現(xiàn)靈活調(diào)整教學(xué)策略，確保教學(xué)質(zhì)量的持續(xù)提升。文章通過深入分析SPOC模式下產(chǎn)生的在線學(xué)習(xí)數(shù)據(jù)、線下考試結(jié)果和課程調(diào)查問卷，利用數(shù)據(jù)挖掘工具，揭示學(xué)生的學(xué)習(xí)行為和學(xué)業(yè)表現(xiàn)，為教學(xué)決策提供堅實的數(shù)據(jù)支撐，進而優(yōu)化教學(xué)設(shè)計，改善學(xué)生的學(xué)習(xí)體驗，激發(fā)學(xué)生的學(xué)習(xí)潛力，促進學(xué)生對知識的深入理解和應(yīng)用能力的全面提升?；诖耍咝Ｒ矐?yīng)加強對教學(xué)數(shù)據(jù)的收集和分析，建立完善的教學(xué)質(zhì)量監(jiān)控和評價體系，以促進教育質(zhì)量的持續(xù)提升。

［關(guān)鍵詞］SPOC教學(xué)；數(shù)據(jù)挖掘；學(xué)習(xí)行為分析；學(xué)業(yè)成就；個性化教學(xué)

［中圖分類號］G642" ［文獻標識碼］A" ［文章編號］1006-9410（2024）03-0045-09

一、研究現(xiàn)狀

自2012年以來，大規(guī)模開放在線課程（MOOC）利用互聯(lián)網(wǎng)全球傳播優(yōu)質(zhì)教育資源，打破了地理和時間限制，極大提升了教育資源的可達性。近年來，各高校進一步加速了在線教學(xué)的發(fā)展，采用多平臺開展教學(xué)。然而，MOOC面臨如教師掌握學(xué)生學(xué)習(xí)狀態(tài)難、師生互動少等挑戰(zhàn)［1］。為此，阿曼多·?？怂固岢鲂⌒退饺嗽诰€課程（SPOC）概念［2］?；赟POC 的混合學(xué)習(xí)模式將傳統(tǒng)面對面的學(xué)習(xí)方式與SPOC在線學(xué)習(xí)方式相融合，實現(xiàn)線上線下優(yōu)勢互補，創(chuàng)建了SPOC混合學(xué)習(xí)環(huán)境，其過程是將教學(xué)分析、教學(xué)管理、教學(xué)評價融于一體，實現(xiàn)SPOC平臺、課程資源、線上線下教學(xué)活動、交流學(xué)習(xí)等方面的融合。該學(xué)習(xí)模式有助于促進學(xué)生學(xué)習(xí)方式的轉(zhuǎn)變，提高學(xué)習(xí)效率，同時促進師生間的交流，幫助教師掌握學(xué)生學(xué)習(xí)情況，進行及時的指導(dǎo)教學(xué)，為探究更為合理有效的教學(xué)方式提供實踐背景和數(shù)據(jù)基礎(chǔ)［3］。目前，對于SPOC的研究方法主要涵蓋了以下三個方面：

一是內(nèi)容分析：通過分析SPOC課程的教學(xué)內(nèi)容、資源配置以及互動設(shè)計，評估其對學(xué)生學(xué)習(xí)效果的影響［4-5］。

二是教學(xué)實踐研究：基于具體的SPOC教學(xué)案例，采用實驗或半實驗設(shè)計，探究不同教學(xué)策略對學(xué)生學(xué)習(xí)成效的影響［6］。

三是學(xué)習(xí)行為數(shù)據(jù)分析：利用大數(shù)據(jù)技術(shù)，對學(xué)生在SPOC平臺上的行為數(shù)據(jù)進行挖掘和分析，以揭示學(xué)習(xí)行為模式及其與學(xué)習(xí)成績之間的關(guān)系［7-9］。

當前對于SPOC的研究多關(guān)注于特定的在線學(xué)習(xí)行為或促進學(xué)習(xí)的策略［10］，而較少涉及將SPOC作為教學(xué)平臺與傳統(tǒng)課堂教學(xué)的關(guān)聯(lián)。本研究旨在通過綜合分析線上線下教學(xué)數(shù)據(jù)及教學(xué)問卷調(diào)查結(jié)果，評估SPOC教學(xué)模式的實際效果，從而為SPOC的廣泛應(yīng)用和教學(xué)設(shè)計提供建議，促進教師優(yōu)化SPOC教學(xué)策略。

二、研究設(shè)計

（一） 研究方法與步驟

在SPOC學(xué)習(xí)模式下，數(shù)據(jù)挖掘技術(shù)發(fā)揮著至關(guān)重要的作用［11］。其主要任務(wù)是對學(xué)生的線上、線下、問卷調(diào)查三部分數(shù)據(jù)進行挖掘，分析學(xué)生學(xué)習(xí)屬性與最終成績之間的關(guān)聯(lián)關(guān)系，以發(fā)現(xiàn)數(shù)據(jù)的內(nèi)在規(guī)律，從而確定教學(xué)的關(guān)鍵焦點，提出教學(xué)預(yù)測，制定提升教學(xué)質(zhì)量的策略。本次研究過程包括以下三點（圖1）：

一是數(shù)據(jù)預(yù)處理：對教學(xué)過程中的線上線下數(shù)據(jù)進行數(shù)據(jù)合并、屬性過濾、缺失值處理、屬性轉(zhuǎn)換、屬性新建和數(shù)據(jù)標準化等操作，以確保原始數(shù)據(jù)的質(zhì)量和一致性。

二是Kmeans聚類分析：運用Kmeans聚類算法對目標學(xué)生進行聚類分析，根據(jù)學(xué)生的數(shù)據(jù)特點將其劃分，為制定差異化教學(xué)策略提供基礎(chǔ)。

三是分類預(yù)測：對數(shù)據(jù)集分類預(yù)測分析，挖掘其中的內(nèi)部規(guī)律，為教學(xué)提供指導(dǎo)，并為教師提供有針對性的支持。

（二）研究對象與數(shù)據(jù)

本研究所用的數(shù)據(jù)來源于某高校五個專業(yè)學(xué)生C語言的學(xué)習(xí)數(shù)據(jù)，依次分析了三個模塊的數(shù)據(jù)（圖2）：

線下數(shù)據(jù)：學(xué)生基本信息等原始屬性及課程章節(jié)與期末考試成績。

線上數(shù)據(jù)：學(xué)生使用平臺在線參與課程學(xué)習(xí)的數(shù)據(jù)。例如：注冊時間、視頻觀看時長、討論區(qū)參與度等課程參與數(shù)據(jù)。

調(diào)查問卷數(shù)據(jù)：C語言課程期末調(diào)查問卷的學(xué)生填寫數(shù)據(jù)。

三、研究過程與結(jié)果

（一）數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理是確保模型性能和挖掘過程效率的關(guān)鍵步驟，使數(shù)據(jù)更適用于各種數(shù)據(jù)挖掘算法。本實驗的數(shù)據(jù)預(yù)處理分為四個主要步驟：數(shù)據(jù)合并、屬性過濾及缺失值處理、屬性轉(zhuǎn)換、屬性新建。

1.數(shù)據(jù)合并

首先提取五個專業(yè)456名學(xué)生的線上學(xué)習(xí)數(shù)據(jù)及調(diào)查問卷，整理成5份表格，通過pandas和Python標準庫的merge函數(shù)合并數(shù)據(jù)，形成456條記錄，涵蓋46個維度。

2.屬性過濾及缺失值處理

觀察數(shù)據(jù)，查找存在的數(shù)據(jù)殘缺、非數(shù)據(jù)型、數(shù)據(jù)冗余等問題，再進行屬性過濾，刪除冗余或無效的數(shù)據(jù)。例如，學(xué)號不作為代表性屬性，未交測試作業(yè)的學(xué)生成績置零，刪除未填寫問卷的數(shù)據(jù)等，經(jīng)過處理后，統(tǒng)計結(jié)果顯示剩余404條數(shù)據(jù)（刪除空白問卷數(shù)據(jù)52條）。

3.屬性轉(zhuǎn)換

在調(diào)查問卷中，選擇題的選項ABCDE為概念性選項（非量化），為方便數(shù)據(jù)分析處理，將ABCDE選項量化為數(shù)值型1-0，A為最優(yōu)選項，即教師最期待的學(xué)生表現(xiàn)或感受，BCDE按順序變?nèi)?，E為最弱選項，即A對應(yīng)1，B對應(yīng)0.8，以此類推。

4.屬性新建

（1）學(xué)生學(xué)習(xí)表現(xiàn)

通過觀察教學(xué)背景發(fā)現(xiàn)，各章節(jié)的掌握度對學(xué)生最終成績有影響。為量化學(xué)生日常學(xué)習(xí)情況，采用加權(quán)方式，將各章節(jié)的占比與章節(jié)測試成績相乘，得到新的屬性——“學(xué)生學(xué)習(xí)表現(xiàn)”（見表1、表2）。

（2）問卷加權(quán)值

問卷前5題是圍繞學(xué)生的學(xué)習(xí)狀況展開，后4題是關(guān)于線上平臺的用戶體驗調(diào)研（見表3）。為使問卷結(jié)果更合理地體現(xiàn)學(xué)生學(xué)習(xí)情況，采用64加權(quán)進行求值，即前5題乘以0.6的比重，后4題乘以0.4的比重，累加得到64加權(quán)的學(xué)生文件表現(xiàn)數(shù)據(jù)。

（3）線上數(shù)據(jù)新增

考慮到不同教師布置測試作業(yè)的差異，新增屬性表示學(xué)生交作業(yè)的次數(shù)（見表4）。由于學(xué)生交作業(yè)與否反映了其學(xué)習(xí)態(tài)度，這成了學(xué)生表現(xiàn)的重要信號。

（二）聚簇分析

為了揭示學(xué)生的學(xué)習(xí)行為模式，本研究采用了Kmeans聚簇算法，這是一種廣泛應(yīng)用于機器學(xué)習(xí)的無監(jiān)督學(xué)習(xí)技術(shù)。通過綜合考慮學(xué)生的問卷反饋、在線學(xué)習(xí)行為及其學(xué)業(yè)成績，我們成功地將學(xué)生分為3個不同的聚簇。每個聚簇代表一種獨特的學(xué)習(xí)行為模式，通過對比這些聚簇在不同維度上的表現(xiàn)，我們進一步定義了每種模式的特征，并據(jù)此提出了針對性的教學(xué)建議。

1.在線學(xué)習(xí)行為比較

為直觀比對3個聚簇的在線行為差異，筆者繪制了3個聚簇所對應(yīng)的在線行為維度，即在線測試及未交測試情況的平均值折線圖，如圖3所示。

3個聚簇分析表明，各聚簇在課程中普遍受測試難度影響。特別是在“第三章程序控制結(jié)構(gòu)”章節(jié)，所有聚簇分數(shù)下降。聚簇3表現(xiàn)尤為不佳，顯示出學(xué)習(xí)松懈。課程后期，聚簇3成績顯著下降，可能與作業(yè)提交不規(guī)律有關(guān)。聚簇2則成績穩(wěn)步上升，表現(xiàn)出良好學(xué)習(xí)習(xí)慣。聚簇1分數(shù)波動，學(xué)習(xí)狀態(tài)不穩(wěn)定。

2.問卷結(jié)果比較

為直觀比較3個聚簇在調(diào)查問卷填寫方面的差異，繪制了它們對應(yīng)的平均值折線圖，如圖4。3個聚簇的高低排布基本與圖3中的在線數(shù)據(jù)一致。

3.目標學(xué)生學(xué)習(xí)行為模式總結(jié)

聚簇2學(xué)生表現(xiàn)卓越，積極參與在線測試，作業(yè)提交率高，成績穩(wěn)步提升，體現(xiàn)了良好的學(xué)習(xí)態(tài)度，被譽為“主動型學(xué)習(xí)者”。他們對在線學(xué)習(xí)平臺滿意度最高。相反，聚簇3學(xué)生學(xué)習(xí)成效欠佳，成績下降，尤其在課程后期，可能是因作業(yè)提交不積極和學(xué)習(xí)松懈所致，他們對平臺滿意度最低，被歸為“被動型學(xué)習(xí)者”。聚簇1學(xué)生表現(xiàn)波動，時好時壞，可能因分心或懶惰，測試和課程成績不穩(wěn)定，稱為“波動型學(xué)習(xí)者”，這一類群體應(yīng)成為教師關(guān)注和監(jiān)督的重點，他們需要培養(yǎng)更穩(wěn)定的學(xué)習(xí)習(xí)慣（見圖5）。

可以看到波動型學(xué)習(xí)模式者占最大的比重，接近一半，這對于教師來說是既是機遇也是挑戰(zhàn)，其行為具有波動性，要求教師的教學(xué)更加細致。

（三）分類預(yù)測

在大數(shù)據(jù)時代背景下學(xué)生的學(xué)習(xí)態(tài)度和方法上的多樣性成為影響其學(xué)業(yè)成績的關(guān)鍵因素。特別是學(xué)習(xí)慣性的培養(yǎng)，對學(xué)生當前的學(xué)習(xí)成效及未來學(xué)習(xí)路徑均具有不可忽視的長遠影響。因此，教師需重視對學(xué)生學(xué)習(xí)慣性的預(yù)判，以便能夠及時地實施針對性教學(xué)策略，促進學(xué)生的全面發(fā)展。本研究通過分類預(yù)測方法，探索并構(gòu)建能夠有效指導(dǎo)教學(xué)實踐的模型?；趯θN不同學(xué)習(xí)模式者的深入分析，發(fā)現(xiàn)主動型學(xué)習(xí)者具備較強的自主學(xué)習(xí)能力，對于這一群體，教師可采取適度放手的教學(xué)策略，減少不必要的干預(yù)。相對而言，波動型和被動型學(xué)習(xí)者則需要教師更多的關(guān)注和引導(dǎo)。通過對學(xué)生學(xué)習(xí)模式的準確識別，教育者可以更加精準地實施因材施教的教學(xué)方法，從而提升教學(xué)效果。

1.預(yù)分類

首先，根據(jù)聚類分析，對學(xué)生進行預(yù)分類，分為兩類，分類標準如表6。

2.分類訓(xùn)練

由于分類預(yù)測的目的在于提前分辨學(xué)生學(xué)習(xí)模式，指導(dǎo)教學(xué)，因此應(yīng)該在課程結(jié)束、期末考試尚未開始前就能夠預(yù)測。因此學(xué)生的C語言成績不作為維度參與分類訓(xùn)練。參與分類訓(xùn)練的屬性如表7。

訓(xùn)練后，分類結(jié)果如表8所示（數(shù)據(jù)均進行十折交叉驗證求平均值，往往認為F1-score高即分類效果好［12］）。

可以看到以上分類器都獲取了較好的結(jié)果，該分類標準和方法是有效的，以上效果最好的SVMCV和LR，二者的模型參數(shù)見表9。

由以上數(shù)據(jù)可以看出分類效果良好，通過分類器的使用，數(shù)據(jù)很好地被分成了兩類，預(yù)測準確度平均值超過了90%，即通過分類預(yù)測，能夠?qū)?0%以上的學(xué)生正確分成主動型學(xué)習(xí)模式者和其他型學(xué)習(xí)模式者（波動型學(xué)習(xí)模式者和被動型學(xué)習(xí)模式者）。將此方法運用于教學(xué)中預(yù)判學(xué)生類別將十分有意義：可篩選出兩類不同的學(xué)生，采取不同的教學(xué)方針，使得教育更有針對性、更有效。教師可根據(jù)需要，在對兩類學(xué)生投入精力的時候，適當偏倚，能節(jié)約精力、提高效率。教師還可根據(jù)學(xué)生情況和教學(xué)安排為兩類學(xué)生布置不同的教學(xué)任務(wù)，讓主動型學(xué)生學(xué)有余力的同時更全方位發(fā)展，讓非主動型、學(xué)習(xí)上懈怠的學(xué)生跟緊教學(xué)進度。同時可運用翻轉(zhuǎn)課堂、小組組隊等方式促進學(xué)生間的交流協(xié)作，共同進步。

3.特征選擇

為找出影響分類的主要因素，使用隨機數(shù)森林算法輸出特征重要性［16］，結(jié)果見表10。

由數(shù)據(jù)可知，影響學(xué)生分類的主要因素為“第四章 數(shù)組”“第七章 指針”“第十章 文件”。經(jīng)了解，第四章、第七章和第十章都屬于瓶頸章節(jié)，學(xué)生消化章節(jié)內(nèi)容較其他章節(jié)要吃力，不同類型學(xué)生的掌握程度在此時拉開了距離。同時，第十章是最后一章，存在學(xué)習(xí)模式較差的學(xué)生懈怠的情況，因此這三個維度為主要影響學(xué)生分類的因素。

教學(xué)工作者在日常教學(xué)工作中可依據(jù)以上三個主要特征對學(xué)生的學(xué)習(xí)行為模式進行初步的預(yù)判，因材施教，科學(xué)安排教學(xué)任務(wù)。

四、總結(jié)與展望

（一）研究總結(jié)

本研究采用數(shù)據(jù)挖掘技術(shù)，對SPOC混合教學(xué)模式下的學(xué)生學(xué)習(xí)行為進行了細致的分析。通過對線上學(xué)習(xí)互動、線下考核成績以及課程反饋問卷的綜合考查，揭示了學(xué)生學(xué)習(xí)行為與學(xué)業(yè)成就之間的相關(guān)性。研究發(fā)現(xiàn)，學(xué)生在關(guān)鍵課程章節(jié)的掌握程度、在線學(xué)習(xí)平臺的互動頻率以及問卷調(diào)查中反映的學(xué)習(xí)態(tài)度均對學(xué)業(yè)成績有顯著影響。此外，通過Kmeans聚類分析，本研究將學(xué)生分為“主動型”“波動型”和“被動型”三種學(xué)習(xí)模式，并據(jù)此提出了針對性的教學(xué)建議。

（二）教學(xué)策略的優(yōu)化

基于學(xué)習(xí)行為分析的結(jié)果，本研究為教學(xué)策略的優(yōu)化提供了數(shù)據(jù)支撐。對于“主動型學(xué)習(xí)者”，教師可采取更多的自主學(xué)習(xí)與探究活動，以促進其深入理解和創(chuàng)新思維的發(fā)展。對于“波動型學(xué)習(xí)者”，教師應(yīng)提供更多的學(xué)習(xí)支持和鼓勵，幫助其建立穩(wěn)定的學(xué)習(xí)習(xí)慣。而針對“被動型學(xué)習(xí)者”，則需要教師進行更有針對性的輔導(dǎo)和激勵，以增強其學(xué)習(xí)動力，提高其參與度。

（三）研究局限與未來方向

本研究雖展示了積極成果，但仍面臨一些局限。數(shù)據(jù)集的限制導(dǎo)致未能覆蓋更廣泛的課程和學(xué)生群體，可能限制了研究結(jié)果的普適性。此外，研究重點在于學(xué)習(xí)行為與學(xué)業(yè)成績的關(guān)系，而對學(xué)生的認知和情感發(fā)展關(guān)注不足。未來研究可擴展數(shù)據(jù)收集范圍，納入更多課程和學(xué)生樣本，提升研究的廣度和深度。同時，增加探討個人興趣、學(xué)習(xí)動機等其他因素對學(xué)業(yè)成就的潛在影響。

隨著在線教育和數(shù)據(jù)挖掘技術(shù)的不斷發(fā)展，高校應(yīng)更加重視利用技術(shù)手段來優(yōu)化教學(xué)過程和提高教學(xué)效果。通過對學(xué)生學(xué)習(xí)行為的深入分析，教師可更好地理解學(xué)生的學(xué)習(xí)需求，設(shè)計更加個性化和有效的教學(xué)方案。此外，高校也應(yīng)加強對教學(xué)數(shù)據(jù)的收集和分析，建立完善的教學(xué)質(zhì)量監(jiān)控和評價體系，以促進教育質(zhì)量的持續(xù)提升。

［參考文獻］

［1］ 陳春梅，陳鵬. 疫情期間高校在線教學(xué)有效性探究［J］.黑龍江高教研究， 2021 （6）：155-160.

［2］ FOX A， PATTERSON B. Software engineering curriculum technology transfer： lessons learned from Ebooks，MOOCs，and SPOCs，Splash Education Symposium ［J］.Indianapolis U.S.A，2013（10）.

［3］ 秦波，楊建. 探索課程建設(shè)中的SPOC教學(xué)模式［J］.中國大學(xué)教學(xué)， 2021（3）：32-37.

［4］ 羅弦.基于SPOC的大學(xué)公共課程信息化教學(xué)平臺建設(shè)及運行研究［J］.情報科學(xué)，2019（12）：110-113.

［5］ 楊麗，張立國. SPOC在傳統(tǒng)高校教學(xué)中的應(yīng)用模式研究［J］.現(xiàn)代教育技術(shù)，2016（5）：56-62.

［6］ 李彤彤，龐麗，王志軍. 翻轉(zhuǎn)課堂教學(xué)對學(xué)生學(xué)習(xí)效果的影響研究：基于37個實驗和準實驗的元分析［J］. 電化教育研究，2018（5）： 99-107.

［7］ 張聰. 混合教學(xué)模式下在線學(xué)習(xí)行為分析及應(yīng)用研究［D］.重慶：重慶大學(xué)，2021：31-48.

［8］ XIE S T， HE Z B. Predicting learning behavior using logdata in blended teaching ［J/OL］. Scientific Programming，2021：14［2021-08-24］.https：//doi.org/10.1155/2021/4327896.

［9］ XIE S T， CHEN Q， LIU K H， et al. Learning behavior analysis using clustering and evolutionary error correcting output code algorithms in small private online courses ［J/OL］. Scientific Programming， 2021：11［2021-06-14］.https：//doi.org/10.1155/2021/9977977.

［10］ 彭麗華，王陳欣，劉雪寧，等.大數(shù)據(jù)視角下的在線學(xué)習(xí)行為研究［J］.中國教育信息化， 2021（14）：1-5+48.

［11］ HAN J，KAMBEＲ M，PEI J．數(shù)據(jù)挖掘概念與技術(shù)［M］．3 版．范明，孟小峰，譯．北京： 機械工業(yè)出版社，2018：4-6．

［12］ 秦彩杰， 管強.一種基于F-Score的特征選擇方法［J］.宜賓學(xué)院學(xué)報，2018（6）：1-6.

［13］ 賈若，戴昇宏，黃霓，等.交通擁堵判別方法研究綜述 ［J］.華南理工大學(xué)學(xué)報（自然科學(xué)版），2021（4）：124-139.

［14］ 馬驪. 隨機森林算法的優(yōu)化改進研究［D］.廣州：暨南大學(xué)，2016：31.

［15］ 劉凱， 鄭山紅，蔣權(quán)，等.基于隨機森林的自適應(yīng)特征選擇算法［J］.計算機技術(shù)與發(fā)展，2018（9）：1-5.

［16］ 閆蒙蒙，陳建凱，孟會賢，等.隨機森林與自編碼器相結(jié)合的自適應(yīng)特征選擇算法［J］. 人工智能科學(xué)與工程，2023 （9）：39-47.

［責任編輯：張震英］