網絡教學平臺在高校中的建設與學生學習行為數據研究

張勇波, 宋曉麗, 徐海

(中國石油大學(華東), 信息化建設處, 山東, 青島 266580)

0 引言

自21世紀以來,“互聯網+教育”對高等教育的影響逐漸加深,傳統的教學模式、人才培養方式等方面均受到了沖擊與挑戰。傳統教育行業與信息化技術相結合,使得在線教育煥發出無比耀眼的光芒[1-2]。教育不受時空限制,學生能夠掌握學習的主動權,把握學習的節奏和進度。在線教育將進一步促進優質教育資源的傳播,促進教育公平,促進傳統教育模式變革。

2015年中國石油大學(華東)實施“全部課程上網”計劃,混合式教學成為了學校教學改革的主要方向之一,為此建設了相應的網絡教學平臺--石大云課堂,截至2020年已經建設了1600門左右的課程。隨著“全部課程上網”計劃的實施,在線學習成為一種常態,石大云課堂教學平臺已成為學校信息技術與課程教學深度融合的重要載體。但目前平臺無論在軟件功能性還是硬件架構均存在一些缺陷,比如平臺的操作便捷性、交互性、安全性和并發數都存在一定的問題。另外,平臺已經存有35 T的數據、幾十萬個資源文件、上千萬條數據庫記錄,對這些數據進行挖掘分析將會對教師教學提供更準確有力的教學依據。因此,本文主要對網絡教學平臺在學校的軟硬件建設和學生學習數據展開分析和研究,以保障師生混合式教學的可持續發展。

1 教學平臺硬件架構設計部署

2015年教學平臺硬件一直部署在石大私有云上,通過組建虛擬化資源池為平臺業務系統提供計算資源服務,主要包括服務器和存儲的虛擬化,且平臺的設計和運行以它為基礎[3]。私有云的優勢非常明顯,各類操作軟件和平臺可以共用虛擬化資源池,但是隨著內部業務系統的容量擴大,架構升級和性能提升非常困難[4]。

為了改善原有平臺的架構缺陷,在校園網基礎上,部署5臺服務器和統一存儲(見圖1),主要作用如下。

圖1 網絡教學平臺硬件架構圖

(1) 分發服務器

分發服務器用作負載均衡,可以提升平臺的并發量和穩定性。在分發服務器上安裝運行Nginx,它可以起到一個分流指向的作用,以任務的相同性和壓力的大小去分派任務,另一種分派方式就是哪個節點壓力最小分配給哪個,避免單節點任務繁重而其他節點沒有任何壓力。

(2) 節點服務器

節點服務器用作負載均衡,可以形成多個Tomcat負載,多任務多節點分批處理,避免教學平臺單節點訪問用戶過多而造成用戶界面卡頓無響應。

(3) 流媒體服務器

流媒體服務器用作負載均衡,可以提升視頻轉換速度以及平臺處理視頻速度。

(4) 數據庫服務器

數據庫服務器用作數據庫大頁。數據交換不走Swap分區,直接鎖死在內存中進行數據交換,可以提升數據庫處理速度,很大幅度減少宕機/卡頓風險。負載均衡的部署流程是先部署單個節點(一個Tomcat),然后根據內存大小作相對的配置修改,復制多個Tomcat,修改相應端口,指定到分發的Nginx作對應。

(5) 備份服務器

安裝Veritas備份軟件,增強數據安全性。教學平臺數據是學校的無形資產,極其重要,在發生災難性故障的情況下,可在幾分鐘之內將基于磁盤的系統恢復到不同硬件,甚至虛擬服務器。

2 教學平臺功能模塊設計

教學平臺從使用范圍可以分為四大類,分別為國外商業化平臺、國內商業化平臺、高等學校自研平臺和開源軟件。選取有代表性的平臺,如Blackboard、智慧樹、超星泛雅、清華教育在線、Moodle等,這些平臺從系統架構、技術性、內置工具、可用性等方面具有不同程度的差異,對其進行橫向功能模塊比較,從而得出完善的教學平臺功能結構。圖2是本次設計的網絡教學平臺功能結構圖,它主要以課程建設、課程學習、隨堂教學、學習分析、運行監測和課程管理等6個模塊為主,另有25個子模塊組成[5-6]。

圖2 網絡教學平臺軟件功能模塊圖

3 學生學習行為數據研究

基于大數據的學生學習行為數據分析是近些年以來教育領域研究的熱點和難點,中國石油大學(華東)經過幾年的混合教學實踐,在網絡教學平臺積累了大量學生線上學習日志數據,通過建立中間數據庫收集學生學習過程數據,構建學生學習畫像,可協助教師動態調整教學策略,同時研究學生的在線學習時間與頻次[7]。

3.1 學生學習畫像研究

在網絡教學平臺眾多線上學習數據中,描述學生學習的指標較多,有登錄次數、在線時長、學習視頻次數、參與測試次數等20多項指標,但有哪些指標對教學過程意義比較大,哪些指標可以反饋給教師用于教學干預是無法得知的。

本文選取2021年春季學期20門混合課程共2000多名學生對整個線上學習過程持續跟蹤,學期結束后收集所有學生的線上學習數據,并通過教師獲取學生的線下期末考試成績。采用SPSS對學生的線上學習數據和最終考試成績進行Pearson相關分析,取其中一門課程“材料科學基礎”作分析,如表1所示。其中,“**”表示在0.01水平(雙側)上顯著相關,“*”表示在0.05水平(雙側)上顯著相關。由表1可知,“進入課程次數”“在線時長”“閱讀教學資源次數”“學習播課視頻次數”“提交在線測試數量”這幾個統計指標與學生最終考試成績相關性較強,在統計學上具有參考價值[8]。

表1 “材料”科學基礎課程相關性分析結果

繼續研究所有20門課程分析結果,發現20多項學習指標中有多項與考試成績相關性較強,從側面印證了線上教學的有效性,打消了部分教師對混合課程的顧慮。根據相關性結果,最終確定“進入課程次數”“在線時長”“閱讀教學資源次數”“學習播課視頻次數”“提交在線測試數量”這5個指標作為學生畫像維度。以數據較好、較差的學生為例畫出雷達圖(見圖3),可以根據結果對較差的學生作出預警和提示,及時調整教師教學策略,也可根據客觀性指標分配權重作出成績得分預測。

(a) 較好的學生

3.2 學生在線情況分析

為了進一步了解學生的日常線上學習習慣,從教學平臺中抽取2021年春季學期學生登錄情況數據,并采用R語言進行相關數據處理。圖4是借助R語言繪制的學生在線情況統計。從圖4可以看出,學生每天學習的高峰出現在10點、16點、19點至23點,周五和周六學習人數較少,周四人數最多。

圖4 學生在線情況統計圖

4 總結

網絡教學平臺是高校信息技術與教育教學深度融合的重要載體,平臺的硬件架構部署和軟件功能至關重要,是學校大規模開展混合式教學的基礎。本文通過研究平臺內部學生學習行為數據,確定了多個學習指標作為學生畫像參數,為教師提供教學干預參考信息,并且較差學生會及時得到教師的幫助。本文采用R語言統計方法對學生的日常學習時間進行了分析,為學校管理者和教師提供了學生學習狀況信息,為決策提供支持。本次研究可用于混合課程開展網絡學習評價,有助于提升教師開展混合式教學的積極性,進而提升高等教育的教學質量。