基于智慧課堂的高職學生特征模型構建研究

崔曙光

摘要：該研究基于湖南汽車工程職業學院智慧課堂教學平臺，給出了數據采集及分析應用總體架構，闡述了從軟件平臺、硬件設備及特定信息等方面的數據采集方式，基于采集的學生實時學習數據，從基本特征維度、知能結構維度、學習風格維度、內容偏好維度等多個維度構建學生的特征模型。利用該模型可準確提取學生學習需求，為后續實現個性化服務的精準推送提供有力支撐。

關鍵詞：智慧課堂;高職;模型

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2020）19-0204-02

開放科學（資源服務）標識碼（OSID）：

1 研究背景

根據因材施教的教育理論，傳統的統一化、標準化的刻板人才培養模式已經不滿足當今的時代需求?！吨袊逃F代化2035》提出要關注學生的個性化學習，積極探索大數據時代個性化人才的培養策略。因此，如何對智慧課堂教育大數據進行分析建模，實現學生的個性化學習已成為當前熱點研究問題。而要提升個性化學習推送服務的精準度，對學生的學習需求進行精準建模是關鍵。

2 存在問題

其一、需求數據采集不實時。要實現學生學習需求的精準建模，前提是學生學習數據的采集能保證及時，準確。但目前研究絕大部分采取填報式的采集方式，而非來源于智慧課堂的實際教學過程，這難以實現數據采集的實時性，亦無法實時更新學生需求，勢必導致學習資源推薦不準確。

其二、學習需求建模不精準。建模時過多關注學習知識方面建模，忽略了學生學習行為建模、學習經歷等因素對學習資源需求的影響，由此生成的特征參數表示不夠精確，另外目前研究極少考慮特征參數的權重問題，導致基于學習需求模型推薦的學習資源序列差異小，不符合個性化學習要求。

3 研究現狀

3.1國外研究現狀述評

Bienk提出教育數據挖掘是綜合運用統計學、機器學習算法和數據挖掘技術，通過建模發現學生學習結果與學習內容、學習資源和教學行為等變量的相互關系，預測學生的學習趨勢。Ferguson等基于線索詞匹配，提出學習者知識結構模型，開展學習分析。Koedinger收集196個學生的學習數據，建立個性化貝葉斯知識跟蹤模型，研究了學生能力以及學生的學習率等。

3.2 國內研究現狀述評

智慧課堂的學習分析建模研究：孫曙輝提出基于動態學習數據分析的智慧課堂概念及內涵，描述了智慧課堂的教學結構理論模型，并闡述了智慧課堂的主要應用價值。劉海鷗提出了基于畫像模型的個性化學習精準服務模式。但未能結合相關算法進行實證分析。林秀瑜以聯通主義學習理論、數據分析方法及教育評價與測量理論為基礎，從學習數據變量等方面建構了智慧學習環境下學習分析的理論模型。胡姣設計了面向個性化學習的網絡課程資源推送框架，但其模型僅從軟件開發的角度闡釋了推送框架中的支持系統、分析系統、推薦系統和構建系統四個子系統，并未深入考慮學生需求。李浩君從多學習者特征、學習資源特征、強化特征三方面，提出基于三維特征協同支配的個性化學習資源推薦模型，其中強化特征是為了解決考慮多學習者特征導致的推薦準確度不高的問題。

4 基于智慧課堂的高職學生學習需求模型構建

要提高學生學習需求模型構建的準確度，首先需要獲取學生的學習需求數據，所以數據采集至關重要，數據采集的要求是要做到及時化和常態化，這樣才能動態體現學生的最新學習需求。

4.1 基于智慧課堂的個性化學習數據采集

智慧課堂是利用新一代的智能技術，從信息化角度構建的智慧學習環境。智慧校園最突出功能是靜默式的采集學生的學習數據。湖南汽車工程職業學院自2017年開始全面推行基于智慧課堂的教學模式，并打造了“三可視一精準”即“辦學水平可視化、教師發展可視化、學生成長可視化和管理服務精準化”的大數據分析與決策中心平臺。通過基于對智慧課堂課前、課中、課后的學習數據進行分析，可以更加準確的了解學生的學習狀態，從而針對性地進行個性化的學習指導和資源的推送。

采集方式包含如下類型：

1）基于智慧課堂的軟件平臺數據采集。靜態基本信息可以智慧校園共享數據中心提供的統一查詢接口關聯教務系統數據庫獲取。動態數據采集來源于課程設計平臺、在線學習軟件、互動教學工具等。包括學習內容、學習行為、學習互動等各方面的常規學習數據采集。

2）基于硬件設備數據采集。一是基于物聯設備的采集：通過巡航攝像頭和雨立方設備捕捉學生的畫面組，可細致、精確的捕捉學生的面部表情及肢體形態，如通過頭部的低頭抬頭的角度算法來做抬頭分析，進一步做學生學習專注度參考，判斷學生的精神狀態（興奮、冷靜、困意、睡眠等），由此可分級描述注意力集中程度（感興趣、注意力集中、丟失注意力）;后方攝像頭可捕捉學生的電腦屏幕，監測其學習動態。結合前后攝像頭采集數據，可較準確的把握學生的學習狀態。二是智慧教室中的交互顯示屏/白板可采集學生的操作記錄。

3）特定信息采集：針對某個特定主題，例如教師在新授班級授完第一次課后，為了解學生的學習情況，可應用智課堂教學平臺提供的投票功能，發起主題為“授課速度”的投票，設計選項為“合適”、“過快”、“過慢”。相對于傳統的紙質調研，智慧課堂可將這種特定主題的信息采集無縫融入數學活動，作為常規教學的一個組成部分，并可實時查看參與人員、統計結果。

4.2 基于智慧課堂個性化數據的學生特征模型構建

個性化服務精準推送的實現必須基于對學生學習特征的準確把控。采用合適技術進行學生特征模型構建，并能依據智慧課堂的實時學習數據動態修正模型。一般認為學習者個性特征主要包括知識水平、錯誤/誤解、情感特征、認知以及元認知能力等。本文結合調研和相關文獻，基于學生在智慧課堂的學習行為數據“習得”其特征。擬從如下維度建模：基本特征維度、知能結構維度、學習風格維度、內容偏好維度。使用四元組形式化描述為S=fS_Base，S_KnowStruc，S_Stvle，S_ConPrefl。

1）基本特征維度

基本信息包括姓名、前置學歷、性別、興趣、特長、高考分數、獲獎情況等。可形式化為S_Base=fName，PteEducation，Sex，Interest， Speciality，Score， Prize， Lessons），其中PreEducation：：=SecVocational l HighSchool，表示中職還是普高;對中職畢業的學生，其所學課程可作為二級指標。Lessons= {Lesson..Les-soni，_Lesson}

2）知能結構維度

知能結構反映學生的知識體系的完整度和知識技能的掌握程度。在學習過程中不斷更新進化。知能結構以課程為單位，基于貝葉斯網絡的組合關系和依賴關系構建知識點關聯模型。依賴關系形式化為Dependency{（K1，K2，…Kn），K}，描述了知識點的學習順序。組合關系形式化為Oragination{K，（K1，K2，…Kn）l，表示復合知識點和單一知識點的聚合關系。采用圖2所示模型體現組合和依賴。S_KnowStruc= {SK1，SK2，……SKn}，其中SK表示一門課程。

3）學習風格維度

學習風格的建構方式有顯式和隱式兩種。常用的顯式建構方法采用所羅門學習風格量表推測，但其只能反映學生的某階段的靜態狀態。本文在智慧課堂不斷積累的學習數據支撐下，參考Feilder-Silverman學習風格理論模型，從智課堂教學平臺提供的問題解答、上課彈幕、參與投票、上課互動等功能生成的數據，可挖掘出學生屬于活躍型|沉思型的何種類別;從學生訪問具體案例、操作文檔等具體事物的次數和訪問時間，訪問抽象概念等描述原理性的文檔的次數和訪問時間，可推測出其屬于感覺|直覺型的何種類別;通過分析學生在視頻、音頻文件及文本文件的次數和時長可推測其屬于視覺|言語型的何種類別。序列|綜合型的推斷可依據學生對不同頁面組織形式的喜愛程度。學習風格可形式化描述為S_Style= {ThinkWay，Percep-tion， Media， Navigation），其中ThinkWay：： activelthoughtful， Percep-tion：： sensationallintuitive， Media：： Visualltextual， Navigation：： se-quencelintegrated。

4）內容偏好維度

內容偏好反映了學生感興趣的知識領域，可通過分析學生觀看或下載的學習資源的語義信息，結合搜索歷史記錄、收藏記錄、分享評論記錄等，對資源集合R={r1，r2，……rn}中的ri，描述為V（ri）={（s1，w1），（s2，W2），，，.（sn，Wn）}，其中Si為特征向量，Wi為對應權重。采用K-meas進行聚類分析，得出學生感興趣的知識領域。其形式化描述為S_ConPref=（domain1，domain2，_domain。]。

5 總結

本研究基于湖南汽車工程職業學院智慧課堂的采集的真實學生學習數據，從學生基本特征、知能結構、學習風格、內容偏好等多維角度構建學生特征模型，能較準確地反映學生的學習狀態和需求，為后續個性化服務推送研究提供有力支撐。

參考文獻：

[1]Bienk.Enhancingteachingandlearningthrougheducationaldatamin-ingandle aminganalytics： Anissuebrief[J]. USDepartmentofEduca-tion， OfficeofEducationaITechnology，2012（1）.

[2] Ferguson.Anevaluationoflearninganalyticstoidentifyexploratoryd-ialogueino nli nediscussions[A]. ProceedingsoftheThirdlnterna-tionalConferenceonLearningAnalytics [C].NewYork：ACM，2013.

[3]孫曙輝，劉邦奇.基于動態學習數據分析的智慧課堂模式[J].中國教育信息化，2015{22）.

[4]林秀瑜，智慧學習環境下學習分析的理論模型及其機制[J].現代教育技術，2019（4）.

[5]胡姣.面向個性化學習的網絡課程資源構建路徑探索[J].教學與管理，2019（33）.

[6]李浩君.基于三維特征協同支配的個性化學習資源推薦方法[J].計算機科學，2019（S1）.

[7] Lyu M R.Software Fault Tolerance[M].New York：John Wileyand Sons，1995.

【通聯編輯：朱寶貴】