基于大數(shù)據(jù)分析的在線課程學習行為數(shù)據(jù)標準設(shè)計

秦燕

摘要：在線課程作為在線教育的一種形式，在我國高校已經(jīng)得到了廣泛應(yīng)用，它具有開放性、交互性和個性化等特點，給學生提供了更加廣闊的學習空間。在線課程的搭建需要借助大數(shù)據(jù)技術(shù)進行輔助支持，以實現(xiàn)對用戶信息和教學過程的有效管理。這就要求教師在使用線上資源時必須具備一定的數(shù)據(jù)分析能力和處理手段，收集并分析學生學習行為數(shù)據(jù)，建立適合學生特點的個性化教學模式。本文從個體學習者視角研究在線課程的設(shè)計與評價問題，通過分析在線課程設(shè)計過程中涉及的學習資源、學習活動和學習效果等要素及其相互關(guān)系，構(gòu)建完整的在線課程設(shè)計框架體系。

關(guān)鍵詞：大數(shù)據(jù)分析；在線課程；學習行為；數(shù)據(jù)標準；策略探究

引言

在線開放課程是互聯(lián)網(wǎng)技術(shù)與教育深度融合的產(chǎn)物，以其豐富的教學內(nèi)容和多樣化的學習方式給高校帶來了全新的發(fā)展機遇。目前，各級行政院校已經(jīng)開展了相關(guān)研究，但是對于如何在線上教學中提高教學質(zhì)量卻缺乏足夠的認識，為此，必須從理論層面探討“線上線下一體化教學模式”。

1. 在線課程學習行為數(shù)據(jù)標準設(shè)計

1.1 設(shè)計理念

在線課程學習行為作為一種新的研究視角，能夠為學習者提供個性化服務(wù)，以實現(xiàn)對學習者自主能力和創(chuàng)新能力的培養(yǎng)。個性化教學作為當今時代的新型教育理念與方法，強調(diào)了學生在知識建構(gòu)過程中的主體地位[1]。在線課程設(shè)計應(yīng)注重從“教”到“學”，從“教師中心”向“學生中心”轉(zhuǎn)變；要將課堂教學融入課堂外的活動中，使教與學融為一體，真正發(fā)揮在線課程學習功能。

在設(shè)計學生行為數(shù)據(jù)標準時，必須遵循以下原則：其一，采用結(jié)構(gòu)化、模塊化、可擴展的數(shù)據(jù)采集方式，進行多維度、多層次的數(shù)據(jù)分析，構(gòu)建一個完整的數(shù)據(jù)庫結(jié)構(gòu)體系，基于數(shù)據(jù)挖掘技術(shù)分析在線課程學習行為特征。其二，根據(jù)實際需求進行分析并提取特征變量，形成具有一定可信度的特征向量，再運用模糊聚類分析法建立評價模型，從而有效識別出在線課程學習行為模式。通過實驗驗證所提出算法的可行性及有效性，結(jié)果表明該方法能準確高效地辨識出不同類型用戶的在線課程學習行為特點，并有針對性地制定相應(yīng)的教學策略。其四，依據(jù)模型結(jié)果進行調(diào)整及改進，利用可視化編程語言（Visual Basic6.0）開發(fā)完成一套針對不同層次、不同水平的網(wǎng)絡(luò)學習人群的個性化教學系統(tǒng)平臺，包括注冊登錄模塊、個人信息管理模塊、學習監(jiān)控管理模塊、在線答疑模塊等功能模塊，同時給出各部分具體流程。

例如：列舉在線學習中所發(fā)生的個體學習行為，主要有以下幾類（見表1）：第一，觀看視頻次數(shù)、瀏覽時間、點擊次數(shù)。第二，單視頻觀看數(shù)、多視頻觀看數(shù)、總觀看數(shù)、平均每秒鐘瀏覽數(shù)等指標。第三，單元測試完成數(shù)量、成績排名以及相關(guān)信息查詢統(tǒng)計，學生單元測驗成績、綜合測評分數(shù)等內(nèi)容。第四，討論區(qū)主題設(shè)置、討論問題形式、話題選擇等。

1.2 學習行為數(shù)據(jù)挖掘

1.2.1 關(guān)聯(lián)分析

學習行為關(guān)聯(lián)分析是基于學生的課堂行為表現(xiàn)來預(yù)測和診斷學習效果，并為改進教學提供依據(jù)。以分析視頻觀看人數(shù)與時間序列中某一時間段內(nèi)學習者完成某一動作時所需花費時間間隔作為特征指標。運用支持向量機（SVM）對數(shù)據(jù)進行建模和分類發(fā)現(xiàn)，通過對實驗結(jié)果分析可知，學習行為之間存在一定相關(guān)性，且有較高相關(guān)度，不同維度下各變量間也具有顯著的關(guān)聯(lián)性。

計算觀看25個以上視頻與考核成績關(guān)聯(lián)支持度和置信度，假設(shè)所有樣本均達到最大似然估計精度，利用最小距離法構(gòu)建了多階段模型。結(jié)果顯示：當測試人數(shù)大于3人或每節(jié)課時長不超過15分鐘時，訓練后的分類器能夠有效識別出每個被試者的學習成績。若測試人數(shù)小于1人或者每課時長度不超過5分鐘時，則需要增加更多的訓練樣本才能取得更好效果。同時，根據(jù)測試人數(shù)以及每次練習的次數(shù)等因素建立相應(yīng)的權(quán)重系數(shù)矩陣，將其引入決策樹算法中得到最優(yōu)解，從而使最終獲得的決策更為準確可靠。

在制定學習行為標準時，應(yīng)綜合考慮教師、課程、學生三方面的影響因素。學生觀看視頻指標可不納入考慮范圍，可以采用一個簡單量化指標即看完某一影片之后所需的時間占總學時的比例衡量。除此之外，還可結(jié)合其他相關(guān)指標如平均上課時數(shù)、聽課效率、課業(yè)負擔程度等加以判斷。

1.2.2 分類分析

假設(shè)某一單元單個教學視頻為10分鐘，學生的觀看時長與學習內(nèi)容呈現(xiàn)時間相等，其中，單元成績以“知識”和“技能”兩個維度進行計算，如A組5分鐘、B組20分鐘、C組30分鐘。實驗結(jié)果表明，在相同條件下，采用不同長度的教學視頻對同一班級中各個體學習成績產(chǎn)生影響的效果存在差異。隨著視頻播放時長增加，學習效果會隨之提升，且當播放時長超過50分鐘后，A組與B組均出現(xiàn)了顯著的正向變化（P＜0.05），而C組與D組中只有1人出現(xiàn)顯著差異。此外，A組和D組在播放時間間隔上也表現(xiàn)出顯著差異，但A組與D組在此方面并沒有達到顯著性水平（P＞0.05）。可見，教師要注意根據(jù)教學內(nèi)容及學生特點合理選擇恰當?shù)慕虒W視頻長度。

利用大數(shù)據(jù)挖掘、分類分析、關(guān)聯(lián)規(guī)則等方法，將學生學習行為與學習效果聯(lián)系起來，從動態(tài)角度掌握學習者的學習狀態(tài)，幫助其構(gòu)建完整的學習策略體系。此外，在數(shù)據(jù)分析的幫助下，可以為教師設(shè)計有效的教學策略提供依據(jù)，提前干預(yù)學生的學習態(tài)度與策略調(diào)整方向，實現(xiàn)教與學的平衡發(fā)展。

2. 在線課程學習行為數(shù)據(jù)標準內(nèi)容

2.1 數(shù)據(jù)采集

利用聚類分析法對學習群體進行分類時，首先，要對聚類對象的信息和屬性有一個全面準確的把握，在此基礎(chǔ)上確定初始類簇，即將聚類對象分成若干個具有相同特征且相互獨立的類簇[2]。根據(jù)每個子群所包含的成員數(shù)及其所屬類別來選擇合適的參數(shù)，以達到優(yōu)化劃分結(jié)果的目的。

其次，針對在線課程學習行為存在隨機性、模糊性及不確定性等特點，提出一種基于模糊隸屬度函數(shù)的模糊多目標粒子群算法（FMPPSO），該方法通過引入模糊集理論將不同專家給出的評價轉(zhuǎn)化為多個指標綜合考慮，并采用改進的自適應(yīng)變異算子提高了種群多樣性。同時，為了避免早熟收斂現(xiàn)象，還應(yīng)設(shè)計新的適應(yīng)度函數(shù)來衡量個體與全局最優(yōu)解之間的差距。

最后，將上述兩種策略相結(jié)合形成了一套有效的在線課程教學支持體系框架，包括教師授課方式、學生聽課模式、課下作業(yè)布置形式、課后輔導(dǎo)指導(dǎo)四個方面內(nèi)容。用測試集分析各模塊的有效性，實驗結(jié)果表明，本文所提方案能較好地完成在線課程教學支持系統(tǒng)中各個功能模塊的實現(xiàn)工作，取得良好的教學效果，可以作為今后進一步研究的方向。

2.2 行為指標設(shè)計

對采集的數(shù)據(jù)進行處理，有針對性和有效地挖掘?qū)W習行為，為學生提供個性化指導(dǎo)。學習行為指標包括：學習者特征（性別、年齡等）、學習策略（使用時間、頻率等）、學習態(tài)度（情感體驗、焦慮狀態(tài)等）[3]。在此基礎(chǔ)上提出基于數(shù)據(jù)挖掘技術(shù)的教學輔助系統(tǒng)框架，實現(xiàn)從學習者個體角度出發(fā)的個性化教學策略制定。根據(jù)不同階段學習者特點，設(shè)計以“目標設(shè)定”“知識呈現(xiàn)”“自我評價”“反饋矯正”四個維度為主線的具體策略實施步驟，形成一個完整的教學輔助系統(tǒng)架構(gòu)。

設(shè)置指標時，應(yīng)充分考慮不同學習者的群體特征以及各因素之間的相互影響作用。采用層次分析法確定各項參數(shù)權(quán)重系數(shù)，并通過模糊綜合評判法建立模型，最終獲得相應(yīng)策略效果評估結(jié)果，即針對某一特定學習者開展對應(yīng)的教學活動或活動組合方案。例如，利用機器學習算法優(yōu)化試題質(zhì)量，提高考生成績預(yù)測準確性，使其成為具有較高信度與效度的測評工具。構(gòu)建一種基于元認知理論的自主學習模式，引導(dǎo)學習者樹立正確的學習動機，促進其主動探索學習過程，從而有效提升學習效果。

2.3 數(shù)據(jù)清洗和分析

數(shù)據(jù)清洗是指對數(shù)據(jù)源中的錯誤、冗余或不一致等信息進行識別和過濾，以獲得正確而可靠的結(jié)果。清理后的數(shù)據(jù)在后續(xù)處理中起著至關(guān)重要的作用，包括查詢優(yōu)化、數(shù)據(jù)分析、數(shù)據(jù)挖掘等方面，可大大提高系統(tǒng)性能。由于目前大多數(shù)數(shù)據(jù)庫都采用基于規(guī)則的方法來實現(xiàn)數(shù)據(jù)錄入與更新，因此如何有效地將大量非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)換成具有語義意義的結(jié)構(gòu)化數(shù)據(jù)顯得尤為重要[4]。通過分析上一步數(shù)據(jù)，在線課程學習行為模型能夠得到學習者當前所處位置的相關(guān)特征信息，并以此作為學生學習效果評估指標，有助于教師根據(jù)這些特征向量調(diào)整教學策略。當教師發(fā)現(xiàn)群體學習規(guī)律以及個別化規(guī)律，應(yīng)有針對性地改進教學方法，提高教學效率，構(gòu)建一個高效且能反映出個體差異性的在線課程管理平臺，為不同層次的用戶提供個性化服務(wù)。

2.4 分析機制

模型中的另一個模塊為分析機制模塊，對學習者數(shù)據(jù)進行聚類分析，根據(jù)聚類結(jié)果將學習者劃分成不同層次，并針對不同層次設(shè)計相應(yīng)的教學方案。利用模型中的各個功能模塊完成基于網(wǎng)絡(luò)學習環(huán)境的個性化教學模式的構(gòu)建和應(yīng)用，該系統(tǒng)通過用戶行為記錄、在線測驗以及反饋等功能實現(xiàn)了對學生學習過程的實時監(jiān)控。利用模型將學生的信息進行分類后，采用“先分后合”的策略，按照學生在每一階段所需要掌握的知識點，分門別類地推送給每個學習者。同時還可以建立一種新的知識組織模式——以教師為中心的分層式結(jié)構(gòu)，把復(fù)雜而抽象的教學內(nèi)容轉(zhuǎn)化成為便于理解與記憶的層次化形式。利用模型將學生的學習行為進行可視化處理，并結(jié)合數(shù)據(jù)挖掘技術(shù)，從多個維度揭示學生之間存在差異的原因，從而制定更為有效的教學策略。

例如，其一，在線反饋機制。該模塊提供多種方式的反饋渠道，包括在線測試、課堂提問、作業(yè)批改、答疑解惑、考試閱卷等等。對學習資源進行整合和管理，形成一套完善的網(wǎng)上教學服務(wù)系統(tǒng)。其二，診斷。為了更好地達到在線學習教學效果，提出了一個評價指標體系來衡量學習效果，其中包含五個一級指標，即學習成績、課程設(shè)置情況、學習態(tài)度、個人能力水平及自我認知狀況。診斷結(jié)果包括三個二級指標，分別是學科成績（A級）、總體表現(xiàn)（B級）、個別表現(xiàn)（C級）。其三，學習習慣及偏好。通過學習平臺的行為路徑、內(nèi)容導(dǎo)航、活動安排等方面向用戶呈現(xiàn)具體的學習傾向，幫助用戶調(diào)整自己的學習方向。另外，用戶可根據(jù)自身特點選擇適合自己的學習策略，如自主探索性學習、協(xié)作探究型學習、任務(wù)驅(qū)動型學習等。

2.5 模型選擇與構(gòu)建

大數(shù)據(jù)分析必須在數(shù)據(jù)收集、分析和挖掘等方面實現(xiàn)深度融合，才能更好地發(fā)揮其價值。目前，常采用的分析法有以下幾種：基于統(tǒng)計方法（如回歸分析方法）、以經(jīng)驗為基礎(chǔ)的判斷法、通過數(shù)據(jù)挖掘找出規(guī)律來預(yù)測未來發(fā)展趨勢的算法等等。對于算法與模型選擇，通常根據(jù)所研究問題的特征進行綜合比較[5]。例如，利用模糊理論對復(fù)雜系統(tǒng)中的參數(shù)變化情況做出估計時，可以將樣本點作為一個總體變量處理。當不考慮個體因素影響或只需使用某一種類型指標時，則可將所有樣本點均視為總體變量。在參數(shù)范圍的選擇中，需要注意一些原則：第一，應(yīng)充分考慮各群體之間的差異；第二，要從整體出發(fā)，而不是從單個對象的角度去考慮事物間的關(guān)系；第三，選取具有代表性的指標組合；第四，盡量避免“一刀切”式的做法。

利用大數(shù)據(jù)構(gòu)建在線課程行為數(shù)據(jù)模型時，一般都會遇到兩個主要問題：一是如何準確提取出學習者學習過程中各個階段的信息，二是如何正確識別學習者不同學習方式下的表現(xiàn)。為此，需要建立一套完整的知識圖譜，并把這些知識按照一定的層次排列起來，形成清晰的知識結(jié)構(gòu)。具體而言，在線課程行為數(shù)據(jù)模型建立中，首先要解決知識分層問題。當前關(guān)于在線課程行為建模大多是從傳統(tǒng)教育模式入手，但這種組織形式存在著很多弊端，比如缺乏有效的反饋機制，不利于教師及時調(diào)整教學方法以及學生自主探究能力的培養(yǎng)。為此，在線課程行為模型庫建設(shè)應(yīng)從更高層面上著手。其次，在線課程行為分析模型的設(shè)計應(yīng)當符合學情特點。最后，需要關(guān)注在線課程行為模型的有效性，尤其是針對特定的目標人群進行個性化定制。

結(jié)語

綜上所述，教師通過大數(shù)據(jù)分析，對在線課程行為數(shù)據(jù)進行挖掘和分析，可以及時了解學生的學習需求、學習態(tài)度、課堂表現(xiàn)等信息，進而為提高課堂教學效果提供有力支持。未來，教師必須構(gòu)建線上與線下相結(jié)合的混合教學模式，實現(xiàn)教學資源數(shù)字化建設(shè)，從而提升教學質(zhì)量。

參考文獻：

[1]徐麗麗.基于在線學情分析模型的高職課程教學研究——以大數(shù)據(jù)技術(shù)基礎(chǔ)課程為例[J].電腦知識與技術(shù)，2022，18（32）：168-170，173.

[2]徐彤，于正永.基于中國大學MOOC平臺大數(shù)據(jù)學習行為分析的實踐研究——以《LTE無線網(wǎng)絡(luò)優(yōu)化》在線課程為例[J].電腦知識與技術(shù)，2021，17（34）：37-39.

[3]唐煉，楊潔，李新威.基于大數(shù)據(jù)的在線教育學習支持服務(wù)體系構(gòu)建分析——以體育課程為例[J].體育視野，2021，（5）：69-70.

[4]沈洵.基于大數(shù)據(jù)分析的在線課程學習行為數(shù)據(jù)標準設(shè)計[J].新課程研究，2020，（21）：45-47，89.

[5]施萬里，張余輝.基于大數(shù)據(jù)分析技術(shù)的智慧教育平臺設(shè)計[J].現(xiàn)代電子技術(shù)，2020，43（9）：150-153.

作者簡介：秦燕，本科，講師，研究方向：大數(shù)據(jù)分析線上教學。