基于大數據分析的在線課程學習行為數據標準設計

秦燕

摘要：在線課程作為在線教育的一種形式，在我國高校已經得到了廣泛應用，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據技術進行輔助支持，以實現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據分析能力和處理手段，收集并分析學生學習行為數據，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計與評價問題，通過分析在線課程設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系，構建完整的在線課程設計框架體系。

關鍵詞：大數據分析；在線課程；學習行為；數據標準；策略探究

引言

在線開放課程是互聯網技術與教育深度融合的產物，以其豐富的教學內容和多樣化的學習方式給高校帶來了全新的發展機遇。目前，各級行政院校已經開展了相關研究，但是對于如何在線上教學中提高教學質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據標準設計

1.1 設計理念

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，以實現對學習者自主能力和創新能力的培養。個性化教學作為當今時代的新型教育理念與方法，強調了學生在知識建構過程中的主體地位[1]。在線課程設計應注重從“教”到“學”，從“教師中心”向“學生中心”轉變；要將課堂教學融入課堂外的活動中，使教與學融為一體，真正發揮在線課程學習功能。

在設計學生行為數據標準時，必須遵循以下原則：其一，采用結構化、模塊化、可擴展的數據采集方式，進行多維度、多層次的數據分析，構建一個完整的數據庫結構體系，基于數據挖掘技術分析在線課程學習行為特征。其二，根據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的教學策略。其四，依據模型結果進行調整及改進，利用可視化編程語言（Visual Basic6.0）開發完成一套針對不同層次、不同水平的網絡學習人群的個性化教學系統平臺，包括注冊登錄模塊、個人信息管理模塊、學習監控管理模塊、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、瀏覽時間、點擊次數。第二，單視頻觀看數、多視頻觀看數、總觀看數、平均每秒鐘瀏覽數等指標。第三，單元測試完成數量、成績排名以及相關信息查詢統計，學生單元測驗成績、綜合測評分數等內容。第四，討論區主題設置、討論問題形式、話題選擇等。

1.2 學習行為數據挖掘

1.2.1 關聯分析

學習行為關聯分析是基于學生的課堂行為表現來預測和診斷學習效果，并為改進教學提供依據。以分析視頻觀看人數與時間序列中某一時間段內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）對數據進行建模和分類發現，通過對實驗結果分析可知，學習行為之間存在一定相關性，且有較高相關度，不同維度下各變量間也具有顯著的關聯性。

計算觀看25個以上視頻與考核成績關聯支持度和置信度，假設所有樣本均達到最大似然估計精度，利用最小距離法構建了多階段模型。結果顯示：當測試人數大于3人或每節課時長不超過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，根據測試人數以及每次練習的次數等因素建立相應的權重系數矩陣，將其引入決策樹算法中得到最優解，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，還可結合其他相關指標如平均上課時數、聽課效率、課業負擔程度等加以判斷。

1.2.2 分類分析

假設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容呈現時間相等，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組均出現了顯著的正向變化（P＜0.05），而C組與D組中只有1人出現顯著差異。此外，A組和D組在播放時間間隔上也表現出顯著差異，但A組與D組在此方面并沒有達到顯著性水平（P＞0.05）?？梢?，教師要注意根據教學內容及學生特點合理選擇恰當的教學視頻長度。

利用大數據挖掘、分類分析、關聯規則等方法，將學生學習行為與學習效果聯系起來，從動態角度掌握學習者的學習狀態，幫助其構建完整的學習策略體系。此外，在數據分析的幫助下，可以為教師設計有效的教學策略提供依據，提前干預學生的學習態度與策略調整方向，實現教與學的平衡發展。

2. 在線課程學習行為數據標準內容

2.1 數據采集

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]。根據每個子群所包含的成員數及其所屬類別來選擇合適的參數，以達到優化劃分結果的目的。

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化為多個指標綜合考慮，并采用改進的自適應變異算子提高了種群多樣性。同時，為了避免早熟收斂現象，還應設計新的適應度函數來衡量個體與全局最優解之間的差距。

最后，將上述兩種策略相結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、課下作業布置形式、課后輔導指導四個方面內容。用測試集分析各模塊的有效性，實驗結果表明，本文所提方案能較好地完成在線課程教學支持系統中各個功能模塊的實現工作，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 行為指標設計

對采集的數據進行處理，有針對性和有效地挖掘學習行為，為學生提供個性化指導。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）、學習態度（情感體驗、焦慮狀態等）[3]。在此基礎上提出基于數據挖掘技術的教學輔助系統框架，實現從學習者個體角度出發的個性化教學策略制定。根據不同階段學習者特點，設計以“目標設定”“知識呈現”“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架構。

設置指標時，應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權重系數，并通過模糊綜合評判法建立模型，最終獲得相應策略效果評估結果，即針對某一特定學習者開展對應的教學活動或活動組合方案。例如，利用機器學習算法優化試題質量，提高考生成績預測準確性，使其成為具有較高信度與效度的測評工具。構建一種基于元認知理論的自主學習模式，引導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 數據清洗和分析

數據清洗是指對數據源中的錯誤、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果。清理后的數據在后續處理中起著至關重要的作用，包括查詢優化、數據分析、數據挖掘等方面，可大大提高系統性能。由于目前大多數數據庫都采用基于規則的方法來實現數據錄入與更新，因此如何有效地將大量非結構化數據轉換成具有語義意義的結構化數據顯得尤為重要[4]。通過分析上一步數據，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，有助于教師根據這些特征向量調整教學策略。當教師發現群體學習規律以及個別化規律，應有針對性地改進教學方法，提高教學效率，構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。

2.4 分析機制

模型中的另一個模塊為分析機制模塊，對學習者數據進行聚類分析，根據聚類結果將學習者劃分成不同層次，并針對不同層次設計相應的教學方案。利用模型中的各個功能模塊完成基于網絡學習環境的個性化教學模式的構建和應用，該系統通過用戶行為記錄、在線測驗以及反饋等功能實現了對學生學習過程的實時監控。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構，把復雜而抽象的教學內容轉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，并結合數據挖掘技術，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，形成一套完善的網上教學服務系統。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、課程設置情況、學習態度、個人能力水平及自我認知狀況。診斷結果包括三個二級指標，分別是學科成績（A級）、總體表現（B級）、個別表現（C級）。其三，學習習慣及偏好。通過學習平臺的行為路徑、內容導航、活動安排等方面向用戶呈現具體的學習傾向，幫助用戶調整自己的學習方向。另外，用戶可根據自身特點選擇適合自己的學習策略，如自主探索性學習、協作探究型學習、任務驅動型學習等。

2.5 模型選擇與構建

大數據分析必須在數據收集、分析和挖掘等方面實現深度融合，才能更好地發揮其價值。目前，常采用的分析法有以下幾種：基于統計方法（如回歸分析方法）、以經驗為基礎的判斷法、通過數據挖掘找出規律來預測未來發展趨勢的算法等等。對于算法與模型選擇，通常根據所研究問題的特征進行綜合比較[5]。例如，利用模糊理論對復雜系統中的參數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。在參數范圍的選擇中，需要注意一些原則：第一，應充分考慮各群體之間的差異；第二，要從整體出發，而不是從單個對象的角度去考慮事物間的關系；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。

利用大數據構建在線課程行為數據模型時，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。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，形成清晰的知識結構。具體而言，在線課程行為數據模型建立中，首先要解決知識分層問題。當前關于在線課程行為建模大多是從傳統教育模式入手，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，不利于教師及時調整教學方法以及學生自主探究能力的培養。為此，在線課程行為模型庫建設應從更高層面上著手。其次，在線課程行為分析模型的設計應當符合學情特點。最后，需要關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。

結語

綜上所述，教師通過大數據分析，對在線課程行為數據進行挖掘和分析，可以及時了解學生的學習需求、學習態度、課堂表現等信息，進而為提高課堂教學效果提供有力支持。未來，教師必須構建線上與線下相結合的混合教學模式，實現教學資源數字化建設，從而提升教學質量。

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——以大數據技術基礎課程為例[J].電腦知識與技術，2022，18（32）：168-170，173.

[2]徐彤，于正永.基于中國大學MOOC平臺大數據學習行為分析的實踐研究——以《LTE無線網絡優化》在線課程為例[J].電腦知識與技術，2021，17（34）：37-39.

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

[4]沈洵.基于大數據分析的在線課程學習行為數據標準設計[J].新課程研究，2020，（21）：45-47，89.

[5]施萬里，張余輝.基于大數據分析技術的智慧教育平臺設計[J].現代電子技術，2020，43（9）：150-153.

作者簡介：秦燕，本科，講師，研究方向：大數據分析線上教學。