基于數據分析方法的線上教學數據預警機制探究

應榮斌 涂現峰 陳夢露 張寅昊

摘要：本文主要討論在教育大數據的背景下，如何利用數據進行教學管理的問題。隨著線上教學和互聯網混合式教學的不斷發展，教學數據不斷積累，利用好教學數據服務于學生、服務于教學是值得探索和實踐的，本文對學生線上學習行為數據進行挖掘，發現影響學生最終成績的判別指標，建立線上教學數據的預警機制，為教師及時干預學生線下學習提供依據。

關鍵字：大數據;學習行為數據;教學管理;預警機制;

一、引言

隨著互聯網技術、數據收集技術、數據存儲技術的快速發展，使得各行各業的數據量爆發式增長，同時分析方法的逐步完善也使挖掘數據背后的價值稱為可能，大數據對社會各個領域產生深刻影響，大數據的相關研究和應用也稱為世界各國科學技術發展的重要衡量指標。疫情期間將網絡教育推到了最高點，這是在中國教育發展的一次契機，也是教育史上濃墨重彩的一筆。國外教育依托于大數據的學習行為分析已日趨成熟，但中國線上教育和教育平臺上的數據如何運用仍需探索，隨著教育資源的不斷開發分享以及越來越多的平臺支持，通過學習行為的數據分析更好的提升學習者的體驗，提升教師在教學過程中與學生之間對接能力仍需挖掘。本文通過對教學平臺學生學習行為產生的多維度數據處理分析，以期達到增強學生線下學習的把控性，及時干預學生線下學習情況，提高教學管理的精準性的目的。

二、數據分析在高校教育中的可行性

在高校傳統的教學模式下，教師和學生接觸時間和機會不多，教師了解學生的平常學習情況的渠道也有限，這樣就導致教師對大多數學生課下學習情況掌握度基本為零。即使教師通過最后學生的成績以及錯誤地方能夠判斷出學生的共性問題，但老師仍無法了解到學生的個性問題。隨著程序語言的普及以及數據挖掘技術、數據分類技術的不斷發展，教師可以通過學生的日常行為運用這些技術來記錄學生的學習情況，通過數據挖掘來判斷學生的問題，可以在第一時間知道自己的教學質量和教學情況，所以在大數據時代，高校教育依托于大數據來進行教學管理的變革與創新迫在眉睫。

（一）學習教育平臺的崛起

首先大數據分析要依托于學習平臺，隨著網絡資源不斷的開放，各大學習平臺已有數據沉淀，如“中國大學MOOC”、“超星”等平臺觀看教學視頻的記錄數據。教育平臺的不斷完善能讓學生更容易的找到自己需要的課程以及來彌補線下課程中的不足，在線教育也成為一種主流模式，不少高校采取線上線下雙線程教育模式（OMO模式）成為現在發展的方向。

（二）智能產品的高校普及率

在中國大學智能產品的普及率是100%，有些學生不止有智能手機更有ipad，電腦都電子化產品可以使用，這證明高校的學生是一定有機會以及一定有能力進行線上教學的，所以在線上教育的模式是可行的。

三、數據分析在高校教育模式中的國內外探索

（一）國內研究狀況

在我國，教育是一項大事業，另有根據十九大研究報告提出的，建設教育強國是中華民族偉大復興的基礎工程，同時國家教育事業發展“十三五”規劃，指出利用大數據、云計算等信息技術，推動“互聯網+教育”的發展，促進優質教育資源共建共享。基于推動教育現代化，國內教育、科研工作者在不斷研究和探索[1]，互聯網混合式教育方法不斷呈現以及實踐[2]、MOOC數量和質量的不斷提升、部分高校利用學情分析、分層輔導推行“1+N”教學課堂等，都是對教育大數據的嘗試。國內關于教育大數據精準化、個性化的應用主要集中在K12階段，在高校應用方面仍需探索。在我國，高校教育模式中還存在不少落后的地方，需要不斷的追進與世界的距離，取得較為成功的結果。

（二）世界范圍內研究狀況

近些年來，隨著人類社會進入大數據時代，大數據在各個領域影響著人類，教育大數據是大數據的子集。教育大數據在美國各高校也得到實際的應用，比如美國普渡大學為應對校內日益下降的新生保有率的課程信號項目，此項目是能夠幫助學生取得學習成功的系統，授課教師基于預測模型為學生在課程學習階段提供有意義的學習反饋;[3]再比如Knewton自學習適應平臺，將內容供應商（如劍橋）所提供的優質內容與其獨特的技術和個性化服務對接，進而提升學習者的學習體驗，支持建構新型學習方式，自適應學習;[4]再比如希維塔斯跨校學習數據庫，通過對海量數據的分析查找導致輟學和學習成績表現不良的警告性信號，[5]很多心理學家提出多元智能理論強調，每個人都是獨特的，學校和教師的任務就是尋找出符合學生特點的教育模式。現如今的教育大數據可以很好的完成這項任務，通過數據篩選，幫助高校學生進行選課，充分挖掘學生潛力，培養更多專業化且個性化的學生。

四、線上學習行為數據應用數據分析實際案例

大學生在校學習和生活過程中會產生大量顯性和隱形數據，這些教育大數據經整合分析可產生較大的價值，比如信息管理系統涵蓋學生基本信息、學習成績、大賽成果、獎助貸以及處分記錄等;一卡通系統可記錄學生生活信息，如何時就餐，何時出勤歸寢，何時上網以及上網時長等;圖書館系統可記錄學生去圖書館次數、借閱書籍、借閱時長等信息等，這些都屬于課外數據。在線上教學和線上線下融合教學理念大力倡導下以及各大學習平臺，如雨課堂、微助教、學習通等發展和完善下，使得在學生在課程學習中的PPT、視頻、試題、作業、考試、討論題等產生的考勤記錄、課件觀看時長、視頻回放觀看時長、課堂習題參與以及正確度、課堂討論參與以及次數、作業提交時間、作業完成次數、作業評分等學習數據得以沉淀，這類課內數據的分析可以很好的建立成績預警，精準及時干預學生的課程學習，糾正學生課程學習不良態度，提高課程學習效果。

（一）高校教育新模式管理模型

根據平常使用的線上教學平臺、網課學習平臺，再加上學校所有的教學管理平臺和教務管理系統共同構成后端數據支撐，這是所有數據的來源以及分析所用到的，再將數據導入到事先所設計的因式之中，分析出數據結果，再將結果反饋到前端頁面中，如圖1。

（二）線上授課問題點

學生線下學習不易把控，特別是線上授課，容易出現如下問題：①資源空置，教師上傳的課件、電子教材、教學視頻、練習題等資源利用率不高;②測驗檢測真實性下降，靠教師主觀甄別難度大，測驗、作業等互發答案;③直播出勤易造假，無法確保學生線上學習是否真實參與，這為基于教學數據的預警機制探究提供了應用前提。

（三）核心內容和數據管理行為

本研究主要對課內數據進行分析，借助教師在微助教平臺線上授課線性代數所產生的數據：學生的簽到情況、課堂參與討論、回答問題、課后作業評分、課后作業提交時間、課后錄像觀看時長等，以及學生的最終卷面成績，通過分析向老師反饋該注意哪些學生，幫助任課老師改善教學管理以及學習教程和進度，保證學生清晰認識到自己學習程度，基本研究路徑為線上教學多維基礎數據集獲取→數據標準化處理→確定變量→選用分析方法→結論分析應用，即研究的基本思路是根據學生多維度學習行為數據，對學生學習效果進行合理分類，選用合適的分析方法，建立各類學生的判別指標，建立線上教學數據的預警機制，識別學習態度不端正易出現掛科的學生，及時進行干預，增強對學生線下學習的把控性。

借助教師的線上授課微助教平臺賬號，獲取作業提交時間、作業得分、簽到、觀看直播時長、觀看回放、參與討論、參與課堂答題以及最終期末考試卷面成績基礎數據集，原始數據比較雜亂，不便于直接分析，故需要對原始數據進行處理，變量說明以及數據的標準化處理如表1所示。

判斷xi對y值的影響，調用R語言，得出y=1.33x1-0.33x2+0.66x4+1.62x5-0.09x6+0.46x7-0.81，其中x1與x5在p=0.05下有顯著意義，由結果可以分析，學生在布置完線上作業，越早提交，對應的卷面成績越高;學生在線上授課結束后，主動觀看回放，對應的卷面成績越高;其中線下作業成績高、課堂討論參與度高并不一定對應卷面成績高;簽到對最終成績的高低沒有影響。也就是說，對于線上授課，容易掛科的同學會有平時作業成績較好、作業截止時間將近提交、觀看直播、不觀看回放、課堂討論參與、課堂答題參與度不高的特征，數據表明，需特別注意作業截止前提交或遲交、與未主動觀看回放交集的學生，此類學生掛科概率較高，線上授課的教師可提前干預此類學生，做好疏導工作。

通過此操作可以基本模擬大數據下高校教育的一種新的模式。首先運用數據加工以及大數據相關理論和技術在對應模塊進行應用操作，然后我們通過基礎的數據分析歸納，在此之前，因為數據是大數據的核心，數據的兼容性是我們需要面對的，所以在操作前要統一好數據的形式。

四、結語

本研究是在大數據背景下，對課內數據進行挖掘的嘗試，利用教師在線上教學所沉淀的學生學習行為數據，結合大數據分析方法，對多維復雜數據進行分析，以分析結果為依托，識別學生分類的關鍵指標，以期為教師提供一定正確度的學生掛科預警，在實踐過程中，數據標準化的方法是否恰當、選擇的變量是否完備以及分析的方法是否科學仍需進一步驗證。毋庸置疑的是在數據更容易積累和獲取的前提下，利用好數據會產生更大的價值。

參考文獻

[1]劉清堂，王洋，雷詩捷，張思.教育大數據視角下的學習分析應用研究與思考[J].遠程教育雜志，2017，35（03）：71-77.

[2]吳志紅，劉學平.面向線上線下混合實驗教學模式的研究與實踐[J].遼寧大學學報（自然科學版），2020，47（03）：284-288.

[3]劉艷華，徐鵬.大數據教育應用研究綜述及其典型案例解析——以美國普渡大學課程信號項目為例[J].軟件導刊（教育技術），2014，13（12）：47-51.

[4]李玲靜，汪存友.Knewton：學習分析支持下的自適應學習平臺[J].成人教育，2019，39（07）：29-34.

[5]徐鵬，王以寧，劉艷華，張海.大數據視角分析學習變革——美國《通過教育數據挖掘和學習分析促進教與學》報告解讀及啟示[J].遠程教育雜志，2013，31（06）：11-17.

作者簡介：

應榮斌，2001.02.18，男，漢，浙江臺州人，嘉興南湖學院，本科在讀，

涂現峰，1993.1.5，男，漢，河南信陽人，嘉興南湖學院，碩士，助教;研究方向：隨機微分方程。

陳夢露，2001.8.18，女，漢，浙江溫州人，嘉興南湖學院，本科在讀

張寅昊，1986.5.27，男，漢，浙江嘉興人，嘉興南湖學院，碩士，工程師;研究方向：計算機應用。

本文是嘉興南湖學院2020年度SRT計劃項目教育大數據—基于判別分析教學數據預警機制探究（NH8517203112）的研究成果