基于大數據的高校學生在線學習畫像研究

楊杉

摘要：以四川省某高校的網絡教學平臺為研究對象，對該平臺的學生在線學習數據進行學習行為畫像。采用python、dycharts、圖表秀，對不同任務點（視頻）學習情況下學生章節測驗平均分、不同作業平均分下學生的章節測驗平均分、不同網絡測評成績下學生網絡學習狀況進行了畫像。畫像結果能直觀看出任課老師對于課程設置的情況、學生學習的各項基本情況、各學院對于學生學習管理的長處和短處，從而更有針對性地進行改善和提高。

關鍵詞：大數據;網絡學習;畫像研究;行為研究

中圖分類號： TP311.13? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）07-0237-05

Abstract： Taking the online teaching platform of a university in Sichuan Province as the research object， the students' online learning data on this platform is used to profile the learning behavior. Using python， dycharts， and chart shows， the average scores of students' chapter tests under different task points （video） learning conditions， the average scores of students' chapter tests under different homework average scores， and the students' online learning status under different network test scores were portrayed. The result of the portrait can directly see the teacher's situation of the curriculum， the basic situation of students' learning， and the strengths and weaknesses of the colleges for student learning management， so as to make more targeted improvements and improvements.

Keywords： big data; network learning; portrait research; behavior research

1 引言

隨著互聯網教育的發展，各種網絡媒體也日新月異。新時代、新技術、新趨勢使在線教育形式也越來越豐富，同時也成為未來教育的重要組成部分[1]。尤其是今年疫情以來，網絡教學成為各大高校疫情期間教學的主要形式[2]，在特殊時期發揮了不可忽視的作用，同時也累積了大量的學生在線學習數據，為研究學生的在線學習行為提供了豐富的素材[3]。

目前網絡教學平臺是眾多高校普遍采用的一種教學輔助手段，也是學生在平時學習生活中使用頻率最多的學習平臺。任課老師將學習任務點，作業，以及章節測驗考試等布置在此平臺上，通過課后完成的情況反饋，更好地了解學生對知識點的掌握情況，從而更有針對性地進行教學[4]，學校管理層也可通過此平臺對老師的工作情況進行監督和了解[5]。通過對網絡在線上導出的學生信息數據進行畫像[6]，能夠直觀地看出任課老師對于課程設置的情況、學生學習的各項基本情況、各學院對于學生學習管理的長處和短處，從而更有針對性地進行改善和提高[7]。

2 研究思路

以四川省某高校的網絡教學平臺為研究對象，對該平臺于2020.3.1-2020.6.30的學生在線學習數據進行學生在線學習行為畫像。采用python、dycharts[8]、圖表秀[9]，對不同任務點（視頻）學習情況下學生章節測驗平均分、不同作業平均分下學生的章節測驗平均分、不同網絡測評成績下學生網絡學習狀況進行了畫像。

3 數據說明

3.1 數據來源

數據來源于四川省某高校在線學習平臺，覆蓋了2020.3.1-2020.6.30各個學院的學生在線學習數據，數據表中包含了學生姓名、學生賬號、院系、專業、行政班、學生狀態、入學年級、章節測驗完成數、作業平均分、考試平均分等52個字段共50000條數據，37M。

3.2 數據清洗

數據表中，很多數據對于我們研究學生成績狀態以及學生畫像時沒有用的，因此對數據進行了數據預處理[10]，篩選出了我們需要的數據，把不需要的數據進行了剔除，其中主要使用了任務點完成數、章節測驗完成數、章節測驗平均分、作業平均分等字段的數據進行分析和探索。刪除無效字段：該字段列值為空或字段值一樣或對分析幫助和影響不大。刪除異常記錄：作業完成數數量極少，但平均分過高的異常值。

4 學生畫像

4.1不同任務點學習情況下學生章節測驗平均分畫像

4.1.1統計指標計算

由圖1可知：任務點完成數的均值為27.22;視頻任務點觀看時長為214.29;章節測驗平均分58.80;根據均值對數據進行劃分。任務點完成數：>=27、<27; 視頻任務點觀看時長：>=214、<214; 章節測驗平均分：>=30、<30。

4.1.2數據可視化展示

根據圖2可知：任務點完成數>=27個的學生，有15498人占總體的29.44%，<27個的學生，有37138占總體的70.56%; 視頻觀看時長>=214min的學生，有14551人占總體的27.64%，>214min的學生，有38085人占總體的72.36%;章節測試平均分>=30分的學生，有18076人占總體的34.34%，<30分的學生，有34560人占總體的65.66%。總體上說，學生普遍任務點完成數量較少，視頻觀看時長較短，章節測試平均分較低。

由圖3可知：

根據數據學生任務點完成情況可分為4類：1—任務完成數少，章節測試分低（31412人）;2—任務完成數少，章節測試分高（5726人）;3—任務完成數多，章節測試分低（3148人）;4—任務完成數多，章節測試分高（12350人）。

根據視頻觀看時長可分為4類： 1—觀看時間短，章節測試分數低（29999人）;2—觀看時間短，章節測試分數高（8086人）;3—觀看時間長，章節測試分數低（4561人）;4—觀看時間長，章節測驗分數高（9990人）。

任務點完成數較少的學生，普遍測驗成績都偏低，完成數較多的學生，普遍測驗成績都偏高;視頻觀看時長短的學生，普遍測驗成績都偏低，視頻觀看時長長的學生，普遍測驗成績偏高。

根據上圖可知：任務點完成數<27的學生，其章節平均分為13.66、>=27的學生，其平均分為69.77。觀看時長<214的學生，其章節平均分為18.47、>=214的學生，其平均分為60.84。

由此得出結論：學生任務點（視頻）的完成情況對于章節測驗的影響較大，普遍存在學生任務點（視頻）完成情況越好，章節測驗的平均成績越高，反之則越低。任課老師需要更加注重學生平時任務點（視頻）的學習情況，設定一些考核，除了能夠更好地督促學生的學習，也能夠讓學生的學習質量得到很大程度上的提升。

4.2不同作業平均分下學生的章節測驗畫像

4.2.1統計指標計算

根據圖5可知：作業平均分的均值為58.8。根據均值進行劃分，作業平均分：>=60，<60。

4.2.2數據可視化展示

由圖6可知：作業平均分>=60的學生有32606人，占比61.95%;<60的學生有20030人，占比38.05%。

由圖7可知：根據作業平均分可分類4類：作業平均分低，章節測試成績低——13447人;作業平均分低，章節測試成績高——6583人;作業平均分高，章節測試成績低——21113人;作業平均分高，章節測試成績高——11493人。作業平均分低的學生普遍章節測驗成績低，作業平均分高的學生普遍章節測驗成績也比較低，說明可能存在平時作業抄襲或者使用同組作業上交的情況，或者老師作業打分標準比較寬松，給分較高。

由圖8可知：作業平均分<60的學生章節測驗平均分為29.52;>=60的學生章節測驗平均分為30.59。

由此可以得出如下結論：作業平均分的高低對于章節測驗分數的高低影響不大。存在普遍的作業平均分高但章節測驗分數低的情況，任課老師應要提高對學生作業質量的要求、作業打分的標準以及加強對學生作業的監管，減少抄襲以及渾水摸魚的情況，使得學生能夠更好地對所學知識進行運用，老師也能夠從中確切的了解學生的學習情況，更有針對性地進行教學，從而取得更好的成績。

4.3不同任務點學習情況下學生章節測驗平均分畫像

數據分析目的：針對線上平臺的學習數據對學生網絡學習的狀況進行分析，目的在于調查網絡學習的教學方法是否能夠幫助到學生的學習，同時為教學方法的不斷完善和改進提供一定的思路。

數據分析方法：主要采用聚類分析的方法對不同的網絡測評成績下學生網絡學習狀況進行分析，從而幫助校方在不清楚數據屬性等的前提下對數據進行整理、歸類，最后根據數據整理出的學生網絡測評特征等分出網絡學習狀況好和差的學生。

使用的特征變量：考試平均分：教師在網絡在線上使用考試的平均分，但是使用次數較少;章節測驗平均分：教師在網絡在線上使用測驗的平均分，使用次數較少;作業平均分：各課教師在網絡在線上所布置的作業的平均分。

使用分析工具：Spss modeler、dycharts。

4.3.1分析過程

如圖9所示，從總體上來看萬羅測驗中考試和章節測驗都有超過一半多，而作業為0分的則是將近有1/4，由此可以看出有2種情況：1、教師布置，而學生未完成;2、教師未使用考試、測驗的方式進行網絡測驗。針對情況2的原因可能是網絡測驗其測驗的真實性無法保證;網絡測試時間等不好協調;教師不太擅長使用網絡教學的方式發布測評任務。

如圖10所示，從分析預測的3個變量中我們可以看出其重要性3個變量都達到了100%，因此說明在對網絡學習狀況測評的聚類中，三個變量分數都對該聚類產生重要影響，而整個聚類的模型分為2個類別，其輪廓系數達到0.7，其聚類效果好。

從圖11可以看出，從聚類的大小和聚類的人數來看，可以看出聚類1與聚類2兩者相差10%左右，聚類1略小于聚類2。

從圖12可以看出：

聚類1：考試平均成績為87，且大部分數據較高水平，在章節測驗成績上平均分數為45.5分，其數據大部分屬于中等，而在作業平均分上則是69.9分左右，且數值偏低。學生的網絡測驗成績與總體相比較，其考試平均分明顯高于總體水平，章節測驗平均分略與總體相比其差距更大且中位數高于總體，其作業的平均分中位數與總體中位數相比，略高于總體且數據更向高分集中。

聚類2：考試平均成績幾乎為0，且大部分數據較低水平，在章節測驗成績上平均分數為18分，其數據大部分屬于低分，少部分高分，而在作業平均分上則是50分左右，且數值偏高。其考試平均分、章節測驗平均分的中位數與總體中位數相比都屬于非常低，而作業平均分與總體相比略低于總體的中位數。

4.3.2聚類結果

聚類一，網絡學習狀況好（44.76%），其特點如圖13所示;聚類二，網絡學習狀況差（55.24%）其特點如14所示。

總體上來看，網絡學習狀況差的學生略高于網絡學習狀況較好的學生，因此在大部分課程上要提高其網絡在線學習平臺的利用率，以及完善網絡測評的環境以便能夠更好地進行網絡測驗。

5 結論及建議

視頻觀看時長和作業、章節測驗、考試成績成正比。根據學生在線學習的數據可視化展示走向，各類型成績平均分和視頻觀看時長走向近乎一致。可以表明，視頻觀看時長對成績的影響較大，平時占比建議對學生視頻觀看時長嚴格要求，可以起到提升學生成績的作用。

參考文獻：

[1] 馮廣，何雅萱，賀敏慧.基于校園大數據的學生畫像系統應用研究[J].軟件，2020，41（8）：40-42.

[2] 嚴正宇.用“大數據+微服務”構建學生綜合畫像[J].信息系統工程，2019（12）：105-106.

[3] 黃山.學生畫像技術在高校學生事務精準管理的運用[J].科學咨詢（教育科研），2019（12）：37.

[4] 王堅，張媛媛，柴艷妹.基于因子分析和聚類分析的學生網絡學習行為研究[J].中國教育技術裝備，2019（18）：3-5.

[5] 趙建偉，彭成圓.教育大數據背景下大學生網絡學習行為實證研究[J].當代教育實踐與教學研究，2019（15）：34-35.

[6] 程澤凱，佘星星，謝寧宇.網絡教學平臺學生學習數據分析[J].常州工學院學報，2019，32（2）：77-80.

[7] 張海華.基于大數據和機器學習的大學生選課推薦模型研究[J].信息系統工程，2019（4）：105-106.

[8] 吳林靜，勞傳媛，劉清堂，等.網絡學習空間中的在線學習行為分析模型及應用研究[J].現代教育技術，2018，28（6）：46-53.

[9] 張海華，郭田友，張非.基于校園大數據構建大學生畫像的技術實現[J].電子技術與軟件工程，2019（3）：152-153.

[10] 李光耀，宋文廣，謝艷晴.智慧校園學生畫像方法研究[J].現代電子技術，2018，41（12）：161-163，167.

【通聯編輯：王力】