云課堂教育大數據交互式可視化研究*

張維，李姣姣，舒江波，張昭理（華中師范大學國家數字化學習工程技術研究中心，湖北武漢430079）

創新探索

云課堂教育大數據交互式可視化研究*

張維，李姣姣，舒江波，張昭理
（華中師范大學國家數字化學習工程技術研究中心，湖北武漢430079）

近幾年來，教育大數據的概念逐漸出現在人們的視線中，如何讓生成的大量數據變得更加易于理解并反饋于教學，已成為教育工作者面臨的重大問題。針對該問題，將海量的、復雜的、實時的數據轉換為動態的圖像的可視化方法無疑是最有效的途徑。以云課堂中生成的數據為數據來源，實現了華中師范大學云課堂歷史數據的可視化，并對可視化結果進行分析，反饋給教學管理者以及教師，指導教師教學和學生學習。

教育大數據；云課堂；數據可視化；教育云

一、引言

從云計算的概念出現以來，云在教育領域的發展便受到各國政府的高度重視。美國、法國、韓國等都將教育云作為云計算的核心應用領域，先后啟動了教育云建設計劃［1］。目前，國外比較成熟的K12云平臺有可汗學院、谷歌Classroom、Office365，這些平臺利用網絡傳輸的便捷性可以幫助學習者隨時隨地進行學習［2，3］。然而在國外享受無基礎設施的教育信息化便利的同時，中國的大部分地區還面臨著教育基礎設施不均衡的問題［4，5］。為了推進云計算在我國的應用，教育部于2012年3月發布了《教育信息化十年發展規劃（2011-2022年）》，明確提出采用云計算服務模式，形成資源配置與服務的集約化、效益化、優質化發展途徑，構建穩定可靠、低成本的國家教育云服務平臺［6，7］。

大數據時代，我們不能照搬國外的技術和平臺。我們應該占領教育的高地，這是國家戰略的需要，而且教育承載著國家的安全，必須要有自己的平臺［8］。為此我們在借鑒資源服務已有框架體系、平臺和模式的基礎上開發了具有中國特色的平臺，即云課堂平臺［9］。近幾年來，伴隨著學校對云課堂的使用，快速增長的數據給教學管理者帶來了巨大的壓力。如何從海量、復雜、實時的數據中快速獲取精準的信息，并發現其中的規律從而提出更好的管理方案，是當前教育管理者面臨的難題［10-15］。由此可見，對教育大數據可視化的研究是十分有必要的。但是有關教育大數據可視化的相關信息是少之又少，在中國知網中的檢索條件選擇“主題”，檢索，輸入“大數據”并含“可視化”，共檢索出576條結果，其中大部分是關于生物、地理、醫學和新聞等領域，與教育領域相關的文獻雖然有，但是很少有與教育大數據切實相關的，可見大數據可視化在教育領域的應用正處于起步階段。

二、云課堂學習系統設計

圖1　云課堂PC端界面

在線課堂平臺是為支撐學生開展在線學習活動的軟件系統，一直以來都是教育行業的核心業務系統。云課堂是在教育云和教育大數據背景下，利用云理念和云技術打造的一種在線開放課堂。為了緊隨教育時代的潮流，華中師范大學研制了屬于本校的云課堂平臺，開發了PC端、Web端和移動手機端三個版本 （如圖1、圖2和圖3所示）。此外，結合學校開展學歷教育慕課教學的需求，為其定制了專門的云課堂版本，即華大云課堂，在華中師大面向全校本科生、研究生開展云課堂的應用實踐［1］。

圖2　云課堂Web端界面

圖3　云課堂移動端界面

截止到目前為止，華大云課堂上已開設了4199門課程，共10311節課，用戶數（包括教師、助教和學生）已超過3萬人，上傳的資源更是達到了452662個，總容量有3.9855T。這就意味著云課堂每時每刻都會產生海量的、復雜的數據。那么如何呈現這些錯亂復雜的數據，讓用戶對這些數據有一個直觀清晰的認識，而不僅僅只是表格那么簡單，是云課堂的管理者、教育工作者目前面臨的重大難題。

國內關于教育大數據的定義最早是從產生教育大數據的主體出發的，將教育大數據區分為廣義的和狹義的兩種，廣義的教育大數據泛指來源于日常教育活動中人類的行為數據；狹義的教育大數據指的是學習者的行為數據［7］。根據對云課堂的數據的分析，將云課堂的大數據界定為：學生以及課堂的基本信息；學生在課堂中的學習行為，包括學生的學習時長、學生的發帖/回帖數、作業評分、期末總分。

三、云課堂教育大數據可視化

隨著云課堂使用人數的增多，每天都會產生大量的數據，可是卻沒有對這些數據進行系統的分析，不能發揮這些數據應有的作用。如何將這些數據反饋于教學工作者幫助他們進行有效的教學，如何利用目前已有的數據并快速對其進行分析預測，是目前云課堂平臺中迫切需要解決的問題，所以對云課堂的數據進行可視化是十分有必要的。根據校領導及管理員的需求，從管理層和用戶的角度出發，提出了一套可行性方案，通過實現界面端的數據可視化的直觀圖例，對云課堂的使用情況進行觀察及對學生的學習行為進行分析，并給教學管理者和教學工作者提出一些可行性的建議，為提高學生的學習效率提供真實可靠的依據。

1.教育大數據組織

在云課堂中，數據的來源主要有四個，如圖4所示。一是Sakai數據庫，主要存儲用戶、課程等的基本信息；二是MongoDB數據庫，主要記錄學生在課堂中的學習時長；三是用來記錄教師與學生的發帖/回帖數；四是記錄用戶的角色、功能模塊等信息。

圖4　數據來源圖

2.可視化層結構設計

可視化框架結構如圖5所示。該結構主要分為四層，分別是數據源層、數據存儲層、數據分析層和數據可視化層。

數據源層：包括云課堂中已有的數據資源，包括云課堂中教師、學生的總人數，總的課程數，學生的學習行為記錄等數據資源。

數據存儲層：不同來源的數據格式也有所不同，需要對它們進行統一的格式規定。在本案例中，把不同來源的數據通過不同的服務存儲到Mysql數據庫中，方便可視化時統一調用。

數據處理層：因為數據存在很多的維度，需在eclipse中對數據進行分析并找出需要呈現的維度從數據存儲層挖掘出數據，并傳到數據可視化層。

圖5　可視化框架結構圖

數據可視化層：這是最頂端的一層，通過一些可視化工具將分析好的數據以圖形的方式展現出來，并呈現給用戶。

3.可視化結果與數據分析

目前云課堂已在學校中得到廣泛的應用，大部分教師授課都是通過線上課堂與線下課堂兩種方式來進行的，但是云課堂只提供了數據的存儲、檢索和其他一些基本統計功能，而且大部分的統計數據都是以表格的形式來呈現的，缺乏數據可視化的功能，導致數據處理的結果不直觀清晰。針對這個缺陷提出了數據可視化的方案，把大量的、復雜的數據以恰當的圖像圖表的形式展現出來，能夠給用戶帶來很好的體驗。

圖6　課堂建設情況圖

以云課堂的課堂建設為例，針對2013年到2015年每個學期開課的數量，在沒有可視化之前，這些數據是以表格的形式展現的。有可視化之后，根據每年每個季度開課的數量、每年開課的平均數、每個季度開課的總數等維度，以柱狀圖、折線圖和餅狀圖的混合圖來展示，如圖6所示。由餅狀圖可以明顯看出，春秋季度的開課數高于夏季的開課數，因為夏季的課程在暑期開設，很少有課程在暑期開設；由柱狀圖可以看出，每年開課的數量都有所增長，另外每個季度的開課數量每年也都會增長；由折線圖可以看出，每個季度的平均課堂數正在以線性方式增長。由此可以得出云課堂的使用越來越普及，規模也越來越大。

圖7　論壇討論情況圖

再以云課堂中學生論壇討論為例，可視化效果如圖7所示。圖7以學生的發帖回帖人數和帖子數分別作圖，以文理分科為維度明顯可以看出，不論是發帖/回帖人數還是發帖數和回帖數，文科生都要高出理科生很多，可見文科生比理科生更活躍、更善于文字的表達。

四、結束語

伴隨著大數據時代的到來，數據帶來的價值日益受到各行各業的重視。在教育領域，通過對數據的獲取和分析，可以幫助教育工作者做出科學的決策，并為學生制定出更好的發展策略和目標，幫助學生梳理信息，實現個人價值。通過對云課堂中數據的處理與可視化，可以從可視化結果中發現一些在表格中發現不了的結論，利用這些結論可以反作用于教學，從而更好的提高教學質量。但是值得注意的是，數據可視化并不是呈現數據的萬能工具，不能盲目的對數據進行可視化，不當的可視化是無法正確的呈現數據的。總而言之，數據可視化是解決大量的、復雜的數據的有效途徑，但不是唯一的途徑。

［1］孫建文，張昭理，劉三女牙，舒江波.基于開源技術的云課堂平臺構建［J］.中國教育信息化，2014（19）：20-23.

［2］González-Martínez J A，Bote-Lorenzo M L，Gómez-Sánchez E，Cano-Parra R.Cloud computing and education：A state-of-the-art survey［J］.Computers&Education，2015（80）：132-151.

［3］Keller L A，Colvin K F.The Rise of Data in Education Systems：Collection，Visualization，and Use［J］.Comparative Education Review，2014（58）：549-551.

［4］張洪孟，胡凡剛.教育虛擬社區：教育大數據的必然回歸［J］.開放教育研究，2015（1）：44-52.

［5］趙斌.數據可視化在上海圖書館數據展示服務中的應用［J］.圖書館雜志，2015（2）：23-29.

［6］舒江波，張昭理，孫建文，楊森，李勇.面向個性化教學的云資源服務框架［J］.中國教育信息化，2014（19）：16-20.

［7］徐鵬，王以寧，劉艷華，張海.大數據視角分析學習變革［J］.遠程教育雜志，2013（6）：11-17.

［8］劉圣晨.基于.Net平臺的數據可視化軟件的設計與實現［D］.廈門：廈門大學，2013.

［9］Maltese AV，Svetina D，Harsh JA.Data Visualization Literacy：Investigating Data Interpretation Along the Novice-Expert Continuum.Journal of College Science Teaching.2015（45）：84-90.

［10］H.Liu，Z.Zhang，S.Liu，J.Shu，T.Liu，and T. Zhang.Blind spectrum reconstruction algorithm with L0-sparse representation［J］.Measurement Science and Technology，2015（26）：502-509.

［11］郭君芳.教育信息數據的可視化研究［D］.上海：上海師范大學：2010.

［12］陳明.大數據可視化分析［J］.計算機教育，2015（5）：94-97.

［13］H.Liu，Z.Zhang，S.Liu，T.Liu，L.Yan，and T. Zhang.Richardson-Lucy blind deconvolution of spectroscopic data with wavelet regularization［J］.Applied Optics，2015（54）：1770-1775.

［14］Forbes S，Chapman J，Harraway J，Stirling D，Wild C.Use of Data Visualisation In the Teaching of Statistics：A New Zealand Perspective［J］.Statistics Education Research Journal，2014（13）：187-201.

［15］H.Liu，L.Yan，Y.Chang，H.Fang，and T. Zhang.Spectral deconvolution and feature extraction with robustadaptiveTikhonovregularization［J］.IEEE Transactions on Instrumentation and Measurement，2013（62）：315-327.

（編輯：魯利瑞）

TP393

A

1673-8454（2016）12-0001-04

*本文系以下項目的研究成果：華中師范大學中央高校基本科研業務費項目 “基于storm構建數據分析云服務的關鍵技術研究”（編號：CCNU15A05059），國家科技支撐計劃課題 “中小學師資培訓公共服務體系關鍵技術及標準規范研究”（課題編號：2014BAH22F01），“教育云服務關鍵技術攻關”（課題編號：2013BAH72B01），“地方志可視化技術研究與演示平臺實現”（課題編號：2015BAK07B03），國家自然科學基金項目（項目編號：61505064）。