大學(xué)計算機基礎(chǔ)教學(xué)活動數(shù)據(jù)分析及應(yīng)用研究

1、    大學(xué)計算機基礎(chǔ)教學(xué)活動數(shù)據(jù)分析及應(yīng)用研究    摘要：針對大學(xué)計算機基礎(chǔ)課程選課學(xué)生多、專業(yè)多樣、教學(xué)班容量大、采用mooc教學(xué)等特點，分析課程在mooc和雨課堂平臺教學(xué)活動中過程性評價數(shù)據(jù)及其關(guān)聯(lián)特征，提出智能導(dǎo)學(xué)、個性服務(wù)的教學(xué)思路。關(guān)鍵詞：人工智能技術(shù)，mooc，雨課堂，過程性評價，個性化教學(xué)0 引言隨著智慧教育1-2（教育+互聯(lián)網(wǎng)或互聯(lián)網(wǎng)+教育）時代來臨，mooc平臺3-4和智慧教學(xué)工具如雨課堂5等逐漸得到關(guān)注和大力推廣。mooc課程受眾面廣，選課學(xué)生多，在線教學(xué)過程中產(chǎn)生大量的評價數(shù)據(jù)。為了較精準地評價課程教學(xué)質(zhì)量，為選課學(xué)生提供個性化

2、指導(dǎo)，國內(nèi)外學(xué)者對教育大數(shù)據(jù)6進行了挖掘、分析。加州大學(xué)洛杉磯分校ucla的yannick meier等7開發(fā)一個分數(shù)預(yù)測算法，根據(jù)學(xué)生的課后作業(yè)、測驗和期中考試等評價數(shù)據(jù)，及時預(yù)測學(xué)生的期末成績；麻省理工學(xué)院mit的una-may oreilly博士等8認為mooc出現(xiàn)使大數(shù)據(jù)成為關(guān)注焦點，提出將大數(shù)據(jù)開發(fā)技術(shù)應(yīng)用于慕課平臺，對數(shù)據(jù)進行有效分析和預(yù)測，以揭示學(xué)生學(xué)習(xí)行為；普渡大學(xué)的kimberly等9開發(fā)出course signal系統(tǒng)，對學(xué)習(xí)數(shù)據(jù)進行全面分析和預(yù)測，并將結(jié)果以紅、黃、綠3組顏色形式反饋給學(xué)生。西安交通大學(xué)鄭慶華教授10-11提出教學(xué)質(zhì)量監(jiān)控大數(shù)據(jù)平臺框架；北京大學(xué)王卓、張銘

3、教授等12將貝葉斯知識跟蹤模型應(yīng)用到coursera慕課數(shù)據(jù)，將學(xué)生所需學(xué)習(xí)的知識體系劃分為若干知識點，研究如何更準確地預(yù)測學(xué)生是否掌握各知識點；文獻13-14研究了慕課學(xué)生的學(xué)習(xí)行為，設(shè)計一個選讀學(xué)生流失預(yù)測系統(tǒng)，以提供個性化指導(dǎo)，幫忙學(xué)生找到興趣點、推薦學(xué)生材料等；浙江工業(yè)大學(xué)陳晉音等15分析在線學(xué)習(xí)行為特征，挖掘?qū)W習(xí)者性格特征與學(xué)習(xí)效率的關(guān)系，實現(xiàn)個性化學(xué)習(xí)方法推薦；清華大學(xué)唐杰等16利用學(xué)堂在線慕課數(shù)據(jù)，研究并提出基于用戶興趣、人口統(tǒng)計特征和課程前導(dǎo)和后續(xù)關(guān)系的課程推薦算法。上述研究重點都是單一的慕課平臺以及相應(yīng)的慕課課程數(shù)據(jù)分析，對基于多平臺（慕課平臺+雨課堂平臺）的課程線上線下數(shù)據(jù)

4、分析關(guān)注不多。筆者學(xué)校大學(xué)計算機基礎(chǔ)課程采用多平臺教學(xué)，包括基于清華大學(xué)的mooc平臺“學(xué)堂在線”17-18，以及基于雨課堂的翻轉(zhuǎn)課堂教學(xué)，每學(xué)年選課學(xué)生達5000多人。將人工智能技術(shù)19-20處理這些教學(xué)活動數(shù)據(jù)，分析學(xué)生學(xué)習(xí)行為并預(yù)測學(xué)習(xí)效果，從而及時調(diào)整教學(xué)進度，實施個性化教學(xué)。1 大學(xué)計算機基礎(chǔ)課程數(shù)據(jù)描述與分析框架數(shù)據(jù)分析框架如圖1所示。從mooc和雨課堂平臺收集教學(xué)活動過程性評價數(shù)據(jù)，主要包括mooc視頻觀看比例（共100個視頻，只要看完50個即為100%觀看率）、mooc講間練習(xí)得分率、mooc章測驗得分率、發(fā)/回帖率（大于等于有效帖10個，完成率即為100%）、雨課堂統(tǒng)計的課堂

5、到勤率、雨課堂課堂練習(xí)得分率。將這些數(shù)據(jù)送入數(shù)據(jù)分析和可視化模塊，進行pearson相關(guān)系數(shù)分析，得到上述特征與學(xué)習(xí)效果的相關(guān)性。采用k-means聚類算法預(yù)測學(xué)習(xí)效果，使用wxpython圖形庫可視化展示學(xué)習(xí)行為特點并進行趨勢預(yù)測。用于分析的數(shù)據(jù)來自5000多名選修學(xué)生的教學(xué)活動行為，覆蓋23個不同學(xué)院和專業(yè)，共44個教學(xué)班，時間跨度為12個教學(xué)周。大學(xué)計算機基礎(chǔ)課程授課章節(jié)組織如表1所示，教學(xué)模式如表2所示，為mooc學(xué)習(xí)+翻轉(zhuǎn)課堂（基于雨課堂）+機房實驗（基于雨課堂簽到考勤）。2 大學(xué)計算機基礎(chǔ)課程數(shù)據(jù)分析結(jié)果2.1 學(xué)生活躍度分析學(xué)生每日和每周學(xué)習(xí)活躍度分析如圖2和圖3所示。由圖2可見

6、，每天20：00-21：00時間段學(xué)習(xí)總?cè)藬?shù)最多，達到1272人，學(xué)習(xí)人數(shù)較高的時間段主要集中在16：00-23：00。由圖3可知大學(xué)計算機基礎(chǔ)課程排課規(guī)律，也能發(fā)現(xiàn)學(xué)生在周六周日仍在學(xué)習(xí)，周日學(xué)習(xí)人數(shù)明顯高于周六。2.2 學(xué)生學(xué)習(xí)情況分析學(xué)生mooc視頻學(xué)習(xí)、mooc練習(xí)和測驗學(xué)習(xí)情況分析如圖4、圖5、圖6所示。從圖4可知，隨著章節(jié)學(xué)習(xí)進度的推進，視頻觀看整體比例呈下降趨勢。因為課程視頻共100個，只需看完50個就可拿到這項的滿分，故大多數(shù)學(xué)生完成滿分指標后就停止觀看。第2章視頻觀看比例最高，為88%，說明該章知識點多、難點疑點多、學(xué)習(xí)興趣最高。從圖5和圖6可分析出每個章節(jié)的難易程度以及學(xué)生

7、對每個章節(jié)知識的掌握情況。（1）第1和第7章優(yōu)秀率（90分及以上占比）和及格率（60分及以上占比）的差距最大，說明這兩章講間練習(xí)難度最大。（2）第4章優(yōu)秀率和及格率差距最大，說明該章測驗的難度最大。（3）結(jié)合圖4可以發(fā)現(xiàn)：第2章講間練習(xí)優(yōu)秀率最高，為84%；講間練習(xí)及格率也最高，為93%；章測驗優(yōu)秀率和及格率也處于前列，學(xué)生觀看視頻比例為88%。說明學(xué)生對第2章知識掌握程度較好。（4）章測驗及格率整體大于講間練習(xí)及格率，說明學(xué)生通過講間練習(xí)的做題訓(xùn)練，對知識的掌握程度有一定幫助，也反映學(xué)生對章測驗的重視程度相對要高，因為講間練習(xí)與章測驗成績權(quán)重比是4：6。通過這樣的分析，可以在翻轉(zhuǎn)課堂教學(xué)時自

8、適應(yīng)調(diào)整教學(xué)活動（教學(xué)節(jié)奏和教學(xué)內(nèi)容）。2.3 學(xué)習(xí)特征相關(guān)性分析利用pearson相關(guān)系數(shù)分析得到6個特征以及期末成績之間的相關(guān)程度，如表3所示?？梢?，和期末成績相關(guān)性最高的是雨課堂練習(xí)題得分率，其次依次為講間練習(xí)得分率、雨課堂考勤率、章測驗得分率、發(fā)/回帖率、mooc視頻觀看率。2.4 學(xué)習(xí)效果預(yù)測采用k-means聚類算法對6個特征進行聚類分析，設(shè)置預(yù)測類別標簽如下：優(yōu)秀：期末成績/期末成績最高分0.85，1良好：期末成績/期末成績最高分0.75，0.84及格：期末成績/期末成績最高分0.60，0.74不及格：期末成績/期末成績最高分0，0.59數(shù)據(jù)量：191條，準確率為61%，主要原因

9、是高分段劃分比較模糊，不能很好地識別是優(yōu)秀還是良好，各個成績標簽預(yù)測準確率如表4所示?？梢?，對不及格預(yù)測的準確率較高，為81.8%。針對每一章節(jié)學(xué)習(xí)的4個特征或6個特征進行學(xué)習(xí)效果預(yù)測，比如第二章預(yù)測準確率分別為80%（4個特征）、69%（6個特征）。通過預(yù)測，可以設(shè)置不同時間節(jié)點（如每一章，或多章或期末考前）對可能具有不及格趨勢的學(xué)生進行預(yù)警，幫助他們加強課程學(xué)習(xí)，提高課程通過率。3 結(jié)語在智慧教學(xué)時代背景下，本文利用人工智能和大數(shù)據(jù)分析技術(shù)對大學(xué)計算機基礎(chǔ)課程教學(xué)活動中的過程性評價數(shù)據(jù)進行了分析研究，分析結(jié)果可用于自適應(yīng)調(diào)整教學(xué)活動，在不同時間點對可能不及格學(xué)生進行預(yù)警，實現(xiàn)以學(xué)習(xí)績效為中

10、心的智能導(dǎo)學(xué)和個性學(xué)習(xí)。下一步將進一步優(yōu)化算法，并將研究結(jié)果用于教學(xué)。參考文獻：1郭紅霞.我國智慧教育研究綜述j.數(shù)字教育，2016（1）：16-21.2李玥泓，趙可云.我國智慧教育研究現(xiàn)狀解析：熱點、主題及趨勢j.數(shù)字教育，2018（4）：29-33.3王書瑤，王小根，晉步.中外mooc課程對比研究以edx和“學(xué)堂在線”為例j.軟件導(dǎo)刊，2014（7）：154-156.4陳娟菲，鄭玲，高楠.國內(nèi)主流mooc平臺交互功能對比研究-基于教學(xué)交互層次塔理論j.中國教育信息化，2019（1）：26-29.5袁博，趙海媚，張成萍，等.基于雨課堂的研究生英語學(xué)習(xí)行為可視化分析j.現(xiàn)代教育技術(shù)，2018（

11、5）：68-74.6陳池，王宇鵬，李超，等.面向在線教育領(lǐng)域的大數(shù)據(jù)研究與應(yīng)用j.計算機研究與發(fā)展，2014（s1）：67-74.7yannick meier，jie xu，onur atan，et al. predicting gradesj. ieee transactions on signal processing，2016（4）：959-972.8una-may 0reily，kalyan veeramachaneni. technolgy for mining the big data of moocsj. research & practice in assessment

12、，2014（9）：29-37.9kimberly e arnold，matthew d pistilli. course signals at purdue：using learning analytics to increase student successc.lak12 proceedings of the 2nd international conference on learning analytics and knowledge，2012：267-270.10鄭慶華.運用教學(xué)大數(shù)據(jù)分析技術(shù)提高課堂教學(xué)質(zhì)量j.中國大學(xué)教學(xué)，2017（2）：15-18，39.11鄭慶華，董博，錢步月，

13、等.智慧教育研究現(xiàn)狀與發(fā)展趨勢j.計算機研究與發(fā)展，2019（1）：209-224.12王卓，張銘.基于貝葉斯知識跟蹤模型的慕課學(xué)生評價j.中國科技論文，2015（2）：241-246.13zhang m，zhu j l，wang z，et al. providing personalized learning guidance in moocs by multi-source data analysisj. world wide web-internet & web information system，2019（3）：1189-1219.14zhang m，zhu j l，wang

14、 z，et al. an effective framework for automatically generating and ranking topics in mooc videosc. educational data mining，2017：150-155.15陳晉音，方航，林翔，等.基于在線學(xué)習(xí)行為分析的個性化學(xué)習(xí)推薦j.計算機科學(xué)，2018（11）：422-426.16jing x，tang j. guess you like：course recommendation in moocsc.proceedings of the international conference on web intelligence，acm，2017：783-789.17劉欣欣，徐紅云.大學(xué)計算機基礎(chǔ)的mooc教學(xué)實踐j.計算機教育，2017（1）：14-17.18劉欣欣，徐紅云.基于mooc的大學(xué)計算機基礎(chǔ)翻轉(zhuǎn)課堂實踐與探索j.軟件導(dǎo)刊，2019（3）：217-220.19孫笑音.基于k-means的慕課用戶行為分析研究d.北京：北京交通大學(xué)，2017.20qu h m，chen q. visual analytics for mooc data