大數(shù)據(jù)環(huán)境下的學(xué)情分析 與教學(xué)質(zhì)量評價機制研究

周云霞 栗磊 高新成 王燕 盧青

摘 要 大數(shù)據(jù)環(huán)境為高校教育治理提出了新的挑戰(zhàn)，信息技術(shù)與高等教育不斷融合，教學(xué)內(nèi)容開放化，教師角色復(fù)雜化，學(xué)習(xí)形式個性化和靈活化，教育數(shù)據(jù)多元化和密集化等，這些因素對學(xué)情分析與教學(xué)質(zhì)量評價提出了新的要求。將學(xué)情分析與教學(xué)質(zhì)量評價有效結(jié)合，構(gòu)建大數(shù)據(jù)環(huán)境下具有智能預(yù)測的多元化、智能化、個性化和數(shù)據(jù)化的學(xué)情分析與教學(xué)質(zhì)量評價體系模型，分為特征數(shù)據(jù)提取層、學(xué)情分析機制層、策略調(diào)整反饋層等三個層次，能夠促進教學(xué)改革，有效提升教學(xué)水平，增強學(xué)校核心競爭力。

關(guān)鍵詞 大數(shù)據(jù) 學(xué)情分析 質(zhì)量評價中圖分類號：G642 ? ? 文獻標(biāo)識碼：ADOI：10.16400/j.cnki.kjdks.2019.04.008

Abstract The big data environment has posed new challenges for university education governance， such as the continuous integration of information technology and higher education， the openness of teaching content， the complexity of teachers' roles， the individualization and flexibility of learning forms， the diversification and denseness of educational data， etc. These factors have put forward new requirements for the analysis of learning conditions and the evaluation of teaching quality. Effective combination of learning situation analysis and teaching quality evaluation can construct a multi-dimensional， intellectualized， personalized and data-based model of learning situation analysis and teaching quality evaluation system under large data environment， which can be divided into three levels： feature data extraction level， learning situation analysis mechanism level and strategy adjustment feedback level. It can promote teaching reform， effectively improve teaching level and enhance learning， and strengthen school core competitiveness.

Keywords big data; learning situation analysis; quality evaluation

1 學(xué)情分析內(nèi)涵

國內(nèi)外古代先賢們曾提出“因材施教”“精神助產(chǎn)術(shù)”“自然教育論”“尊重天性”等教育思想，[1]這些思想雖然都沒有提出學(xué)情分析的真正內(nèi)涵，但是都隱喻教育要根據(jù)自然規(guī)律尋找個性化的教育方法。近現(xiàn)代，國內(nèi)的研究者認(rèn)為學(xué)情分析在廣義上是指對學(xué)生的所有情況的分析，狹義上是指對學(xué)生在學(xué)習(xí)方面有何特點、學(xué)習(xí)方法怎樣、習(xí)慣怎樣、興趣如何，成績?nèi)绾蔚确矫娴姆治觯瑖鴥?nèi)的研究更看重獨立性、實用性，設(shè)計理念包括教學(xué)方法和學(xué)法指導(dǎo)，以及教學(xué)設(shè)想的分析;在西方有關(guān)學(xué)情分析的解釋有多種：Analyze Student（分析學(xué)生）、Learners Characters（學(xué)習(xí)者特征）、Analyze Learners（分析學(xué)習(xí)者）等，更看重教學(xué)過程的系統(tǒng)性、融合性，將教學(xué)內(nèi)容分析、課堂互動、評價與反思等融入到教學(xué)過程中。本文主要是對教師教學(xué)、學(xué)生生活與學(xué)習(xí)行為進行分析。

2 大數(shù)據(jù)在教育行業(yè)中的應(yīng)用現(xiàn)狀

目前，大數(shù)據(jù)在教育領(lǐng)域的應(yīng)用主要集中在學(xué)習(xí)分析、行為檔案、管理服務(wù)、教學(xué)科研等方面。一些高校已經(jīng)形成了協(xié)同可持續(xù)的智慧化管理與導(dǎo)引發(fā)展新模式。目前，在線學(xué)習(xí)、網(wǎng)上課堂、MOOCs、教學(xué)評價系統(tǒng)、教務(wù)管理系統(tǒng)、校園卡系統(tǒng)等多種信息化平臺得到廣泛應(yīng)用，為數(shù)據(jù)成爆炸性增長創(chuàng)造了空間。這些數(shù)據(jù)具有數(shù)據(jù)量大、速度快、類型多、價值高四大特點，利用這些數(shù)據(jù)，探尋新的知識，服務(wù)于教學(xué)，為領(lǐng)導(dǎo)提供決策分析已成為當(dāng)下必然趨勢。據(jù)調(diào)查，目前我國在應(yīng)用大數(shù)據(jù)進行學(xué)情分析方面的還不多，主要集中在用戶行為分析方面;國外主要是利用深度挖掘技術(shù)，預(yù)測學(xué)生未來學(xué)習(xí)情況。[2，3]

3 大數(shù)據(jù)分析的多層模型

大數(shù)據(jù)分析多層模型自下而上共分為五個層次：元數(shù)據(jù)層、數(shù)據(jù)倉庫層、數(shù)據(jù)探索層、數(shù)據(jù)挖掘?qū)印?shù)據(jù)展示層。元數(shù)據(jù)層主要是將各種各樣的數(shù)據(jù)通過ETL（Extract Transform Load）進行抽取、轉(zhuǎn)換、加載到數(shù)據(jù)倉庫。數(shù)據(jù)倉庫是一個存放大量數(shù)據(jù)的物理空間，方便對數(shù)據(jù)進行分析。數(shù)據(jù)探索層是數(shù)據(jù)的核心層，利用統(tǒng)計學(xué)中的相關(guān)指標(biāo)，對數(shù)據(jù)倉庫中的數(shù)據(jù)進行統(tǒng)計分析，實現(xiàn)一些目標(biāo)比較明確、計算方法比較清楚的統(tǒng)計分析。數(shù)據(jù)挖掘比數(shù)據(jù)分析難度要高，分析目標(biāo)不清楚、實現(xiàn)方法不確定。數(shù)據(jù)展示層是把數(shù)據(jù)分析和數(shù)據(jù)挖掘得出來的結(jié)果通過圖表、報表展現(xiàn)出來，可以直觀的看到結(jié)果，以便決策。

4 學(xué)情分析與教學(xué)質(zhì)量評價體系模型

4.1 模型概述

參照大數(shù)據(jù)分析的多層模型，整合校園中各業(yè)務(wù)系統(tǒng)的結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)，依托Hadoop生態(tài)系統(tǒng)，運用數(shù)據(jù)分析與挖掘技術(shù)，構(gòu)建起大數(shù)據(jù)環(huán)境下的學(xué)情分析與教學(xué)質(zhì)量評價體系模型。該模型以保證信息安全為基礎(chǔ)，建立在多維時空之上，以大數(shù)據(jù)作為環(huán)境支撐，依托個性心理學(xué)、學(xué)習(xí)分析理論和大學(xué)生事務(wù)管理學(xué)等相關(guān)理論，[4]實現(xiàn)業(yè)務(wù)的智能化趨勢預(yù)測和教學(xué)策略調(diào)整，為教學(xué)、服務(wù)和管理等提供科學(xué)的數(shù)據(jù)支持。在多維時空中，每個維度對應(yīng)于不同的評價指標(biāo)，每個評價指標(biāo)都有相應(yīng)的數(shù)據(jù)庫提供數(shù)據(jù)支撐，通過相關(guān)的數(shù)據(jù)庫，對學(xué)生的行為數(shù)據(jù)進行分類匯聚，運用大數(shù)據(jù)的數(shù)據(jù)挖掘技術(shù)對離散點分析和聚類分析，形成更加科學(xué)合理的綜合教學(xué)評價體系。[5]以往的學(xué)情分析模型很少涉及教學(xué)質(zhì)量評價，本文將學(xué)情分析與教學(xué)質(zhì)量評價相融合，一是利用學(xué)情分析結(jié)果為教師提供良好的數(shù)據(jù)參考，在一定程度上促進教學(xué)改革;二是學(xué)生的各種行為數(shù)據(jù)展示的結(jié)果也能很好的反映教師的教學(xué)策略是否適應(yīng)個性化的需求，既互相影響又互相促進;三是使得模型在業(yè)務(wù)流程上更加完整。

模型大致分為三個層次：特征數(shù)據(jù)提取層、學(xué)情分析機制層、策略調(diào)整反饋層。每個層次都有具體的功能，三個層次互相依托，形成完整的數(shù)據(jù)和業(yè)務(wù)流程。下面對各個模塊做簡要介紹。

（1）特征數(shù)據(jù)提取層通過Hadoop生態(tài)系統(tǒng)的分布式文件系統(tǒng)（HDFS）將各類離散的數(shù)據(jù)進行分布式存儲，數(shù)據(jù)具有多樣性，可以從多個維度對學(xué)生的學(xué)生基本信息、課堂學(xué)習(xí)、課外學(xué)習(xí)、校園生活、以及娛樂等情況進行分析，多維度的數(shù)據(jù)為教師提供了豐富有效的數(shù)據(jù)資源，為教師調(diào)整教學(xué)方案提供了準(zhǔn)確而科學(xué)的依據(jù)。

（2）學(xué)情分析機制層是模型的核心層，具有承上啟下的作用。特征數(shù)據(jù)通過抽取、轉(zhuǎn)換和加載后進入該層，有些特征數(shù)據(jù)需要通過數(shù)據(jù)挖掘算法進入個性化反饋機制，[6]反饋結(jié)果經(jīng)過自適應(yīng)推薦機制直接作用給學(xué)生;有些特征不確定的就要通過數(shù)據(jù)挖掘模塊，經(jīng)過聚類分析、關(guān)聯(lián)分析以及頻繁模式樹等算法計算后進入智能趨勢預(yù)測模塊，再通過Nodejs或者Echarts等技術(shù)展示給教師、管理者還有家長，比如課堂學(xué)習(xí)情況就要通過多個數(shù)據(jù)庫關(guān)聯(lián)分析，多個維度的結(jié)果都要以可視化的方式展示出來，只有這樣，關(guān)注者才能直觀的看到數(shù)據(jù)的真正價值，也更加科學(xué)合理。

（3）策略調(diào)整反饋層主要是對教學(xué)目標(biāo)和教學(xué)策略進行調(diào)整。根據(jù)可視化展示結(jié)果，家長、教師以及管理者能清晰的從不同維度看到學(xué)生的真實情況，從而用科學(xué)的數(shù)據(jù)指導(dǎo)教學(xué)、改進教學(xué)，促進教師的專業(yè)化發(fā)展。教師具有雙重角色，一是受評價者，受到來自學(xué)生、同行、專家以及管理者從課程建設(shè)、教學(xué)狀態(tài)、學(xué)生情況、科研水平四個角度的評價;二是評價者，對自己的教學(xué)策略進行評價，學(xué)生的多維空間展示結(jié)果可以很好的印證教學(xué)策略是否適合個性化的教育需求。雙重角色賦予教師不同的使命：一是更好的制定個性化教學(xué)目標(biāo)以適應(yīng)開放式互聯(lián)網(wǎng)空間教學(xué)模式;二是提升自己的專業(yè)教學(xué)水平與科學(xué)研究能力。

4.2 關(guān)鍵技術(shù)概述

（1）聚類和相關(guān)性挖掘是模型中重要的數(shù)據(jù)挖掘方法。通過多維空間提取關(guān)于學(xué)生的學(xué)生基本信息、課堂學(xué)習(xí)、課外學(xué)習(xí)、校園生活、以及娛樂等多種多樣的數(shù)據(jù)。數(shù)據(jù)雖然種類繁多，但都是圍繞學(xué)生的生活和學(xué)習(xí)，具有一定的邏輯關(guān)系，采用聚類和相關(guān)性挖掘技術(shù)可以更加準(zhǔn)確的了解到學(xué)生的學(xué)習(xí)和生活習(xí)慣，從而為校園管理提供更好的科學(xué)依據(jù)。聚類的關(guān)鍵是如何將大量的數(shù)據(jù)按照相似的特點劃分成不同的子集，并且讓不同的子集之間的相關(guān)性很小，教師和管理者都可以通過這些子集制定更加具有針對性的教學(xué)和管理方案。關(guān)聯(lián)分析能夠更好的判定學(xué)生的行為趨向，如通過學(xué)生的消費數(shù)據(jù)可以分析學(xué)生的消費水平，根據(jù)消費的情況可以尋找貧困學(xué)生并加以資助等，這些實際的應(yīng)用對于學(xué)校的細節(jié)化管理都會有所幫助。

（2）智能趨勢預(yù)警是模型的關(guān)鍵部分，不僅為學(xué)生提供課程學(xué)習(xí)預(yù)警，同時也為教師、家長以及管理者提供不同的警示信息。趨勢預(yù)警利用了數(shù)據(jù)挖掘的關(guān)聯(lián)規(guī)則和回歸分析方法，對大量數(shù)據(jù)的分析可以了解學(xué)生所選課程的相關(guān)性，了解學(xué)生的學(xué)習(xí)情況，從而為學(xué)生推薦選課方案;可以根據(jù)預(yù)測哪些是學(xué)生經(jīng)常“掛科”的課程;可以預(yù)測學(xué)生的后續(xù)課程情況;可以預(yù)測哪些學(xué)生不適合選擇的課程;可以跟蹤學(xué)生的成績情況，并預(yù)測學(xué)生的綜合測評，預(yù)測學(xué)生的推免情況。家長通過可視化模型可以隨時督促孩子調(diào)整學(xué)習(xí)狀態(tài);教師可以了解學(xué)生的整體趨勢情況，如哪部分學(xué)生對教學(xué)方案適應(yīng)的好，是否需要調(diào)整教學(xué)方案，如何調(diào)整教學(xué)方法等，從而制定科學(xué)合理的個性化教學(xué)方案;管理者可以根據(jù)學(xué)生趨勢預(yù)警情況，提前調(diào)整管理辦法，以應(yīng)對有可能發(fā)生的風(fēng)險。

5 結(jié)束語

大數(shù)據(jù)環(huán)境為高校教育治理提出了新的挑戰(zhàn)，教學(xué)環(huán)境進入云空間，教學(xué)內(nèi)容更加開放，教師角色更加復(fù)雜化，這些因素都對學(xué)情分析與教學(xué)評價提出了新的要求。運用大數(shù)據(jù)技術(shù)對學(xué)情分析進行智能挖掘與智能預(yù)測還有更廣闊的發(fā)展空間。未來，我們要用智慧的手段幫助教師和管理者形成快速和科學(xué)的決策，真正實現(xiàn)教育管理智慧化。

黑龍江省高等教育教學(xué)改革研究項目“高校本科教學(xué)質(zhì)量保障體系建設(shè)的研究與實踐”（SJGY20170024）

參考文獻

[1] 毛耀忠，張銳.西方學(xué)情分析研究：源起、現(xiàn)狀及走向[J].外國中小學(xué)教育，2017（7）：1-8.

[2] SOUTHAVILAY V，YACEF K，REIMANN P，et al.Analysis of collaborative writing processes using revision maps and probabilistic topic model[C].Proceedings of the Third International Conference on Learning Analytics and Knowledge.ACM，2013：38-47.

[3] FERGUSON R，SHUM S B.Social learning analytics：five approaches[C]. Proceedings of 2nd International Conference on Learning Analytics and Knowledge.ACM，2012：23-33.

[4] 萬宏建，李賽強.大學(xué)生事務(wù)管理學(xué)[M].北京：人民出版社，2014.

[5] 李有增，曾浩.基于學(xué)生行為分析模型的高校智慧校園教育大數(shù)據(jù)應(yīng)用研究[J].中國電化教育，2018（7） ：33-38.

[6] 李強，趙晨杰，羅先錄.基于大數(shù)據(jù)應(yīng)用技術(shù)的學(xué)情分析系統(tǒng)架構(gòu)分析與設(shè)計[J].軟件工程，2018（5） ：34-37.