大数据环境下的学情分析 与教学质量评价机制研究

来源:用户上传      作者:

　　摘 要 大数据环境为高校教育治理提出了新的挑战，信息技术与高等教育不断融合，教学内容开放化，教师角色复杂化，学习形式个性化和灵活化，教育数据多元化和密集化等，这些因素对学情分析与教学质量评价提出了新的要求。将学情分析与教学质量评价有效结合，构建大数据环境下具有智能预测的多元化、智能化、个性化和数据化的学情分析与教学质量评价体系模型，分为特征数据提取层、学情分析机制层、策略调整反馈层等三个层次，能够促进教学改革，有效提升教学水平，增强学校核心竞争力。
　　关键词 大数据 学情分析 质量评价中图分类号：G642     文献标识码：ADOI：10.16400/j.cnki.kjdks.2019.04.008
　　Abstract The big data environment has posed new challenges for university education governance， such as the continuous integration of information technology and higher education， the openness of teaching content， the complexity of teachers' roles， the individualization and flexibility of learning forms， the diversification and denseness of educational data， etc. These factors have put forward new requirements for the analysis of learning conditions and the evaluation of teaching quality. Effective combination of learning situation analysis and teaching quality evaluation can construct a multi-dimensional， intellectualized， personalized and data-based model of learning situation analysis and teaching quality evaluation system under large data environment， which can be divided into three levels： feature data extraction level， learning situation analysis mechanism level and strategy adjustment feedback level. It can promote teaching reform， effectively improve teaching level and enhance learning， and strengthen school core competitiveness.
　　Keywords big data; learning situation analysis; quality evaluation
　　1 學情分析内涵
　　国内外古代先贤们曾提出“因材施教”“精神助产术”“自然教育论”“尊重天性”等教育思想，[1]这些思想虽然都没有提出学情分析的真正内涵，但是都隐喻教育要根据自然规律寻找个性化的教育方法。近现代，国内的研究者认为学情分析在广义上是指对学生的所有情况的分析，狭义上是指对学生在学习方面有何特点、学习方法怎样、习惯怎样、兴趣如何，成绩如何等方面的分析，国内的研究更看重独立性、实用性，设计理念包括教学方法和学法指导，以及教学设想的分析;在西方有关学情分析的解释有多种：Analyze Student（分析学生）、Learner’s Characters（学习者特征）、Analyze Learners（分析学习者）等，更看重教学过程的系统性、融合性，将教学内容分析、课堂互动、评价与反思等融入到教学过程中。本文主要是对教师教学、学生生活与学习行为进行分析。
　　2 大数据在教育行业中的应用现状
　　目前，大数据在教育领域的应用主要集中在学习分析、行为档案、管理服务、教学科研等方面。一些高校已经形成了协同可持续的智慧化管理与导引发展新模式。目前，在线学习、网上课堂、MOOCs、教学评价系统、教务管理系统、校园卡系统等多种信息化平台得到广泛应用，为数据成爆炸性增长创造了空间。这些数据具有数据量大、速度快、类型多、价值高四大特点，利用这些数据，探寻新的知识，服务于教学，为领导提供决策分析已成为当下必然趋势。据调查，目前我国在应用大数据进行学情分析方面的还不多，主要集中在用户行为分析方面;国外主要是利用深度挖掘技术，预测学生未来学习情况。[2，3]
　　3 大数据分析的多层模型
　　大数据分析多层模型自下而上共分为五个层次：元数据层、数据仓库层、数据探索层、数据挖掘层、数据展示层。元数据层主要是将各种各样的数据通过ETL（Extract Transform Load）进行抽取、转换、加载到数据仓库。数据仓库是一个存放大量数据的物理空间，方便对数据进行分析。数据探索层是数据的核心层，利用统计学中的相关指标，对数据仓库中的数据进行统计分析，实现一些目标比较明确、计算方法比较清楚的统计分析。数据挖掘比数据分析难度要高，分析目标不清楚、实现方法不确定。数据展示层是把数据分析和数据挖掘得出来的结果通过图表、报表展现出来，可以直观的看到结果，以便决策。
　　4 学情分析与教学质量评价体系模型 　　4.1 模型概述
　　参照大数据分析的多层模型，整合校园中各业务系统的结构化与非结构化数据，依托Hadoop生态系统，运用数据分析与挖掘技术，构建起大数据环境下的学情分析与教学质量评价体系模型。该模型以保证信息安全为基础，建立在多维时空之上，以大数据作为环境支撑，依托个性心理学、学习分析理论和大学生事务管理学等相关理论，[4]实现业务的智能化趋势预测和教学策略调整，为教学、服务和管理等提供科学的数据支持。在多维时空中，每个维度对应于不同的评价指标，每个评价指标都有相应的数据库提供数据支撑，通过相关的数据库，对学生的行为数据进行分类汇聚，运用大数据的数据挖掘技术对离散点分析和聚类分析，形成更加科学合理的综合教学评价体系。[5]以往的学情分析模型很少涉及教学质量评价，本文将学情分析与教学质量评价相融合，一是利用学情分析结果为教师提供良好的数据参考，在一定程度上促进教学改革;二是学生的各种行为数据展示的结果也能很好的反映教师的教学策略是否适应个性化的需求，既互相影响又互相促进;三是使得模型在业务流程上更加完整。
　　模型大致分为三个层次：特征数据提取层、学情分析机制层、策略调整反馈层。每个层次都有具体的功能，三个层次互相依托，形成完整的数据和业务流程。下面对各个模块做简要介绍。
　　（1）特征数据提取层通过Hadoop生态系统的分布式文件系统（HDFS）将各类离散的数据进行分布式存储，数据具有多样性，可以从多个维度对学生的学生基本信息、课堂学习、课外学习、校园生活、以及娱乐等情况进行分析，多维度的数据为教师提供了丰富有效的数据资源，为教师调整教学方案提供了准确而科学的依据。
　　（2）学情分析机制层是模型的核心层，具有承上启下的作用。特征数据通过抽取、转换和加载后进入该层，有些特征数据需要通过数据挖掘算法进入个性化反馈机制，[6]反馈结果经过自适应推荐机制直接作用给学生;有些特征不确定的就要通过数据挖掘模块，经过聚类分析、关联分析以及频繁模式树等算法计算后进入智能趋势预测模块，再通过Nodejs或者Echarts等技术展示给教师、管理者还有家长，比如课堂学习情况就要通过多个数据库关联分析，多个维度的结果都要以可视化的方式展示出来，只有这样，关注者才能直观的看到数据的真正价值，也更加科学合理。
　　（3）策略调整反馈层主要是对教学目标和教学策略进行调整。根据可视化展示结果，家长、教师以及管理者能清晰的从不同维度看到学生的真实情况，从而用科学的数据指导教学、改进教学，促进教师的专业化发展。教师具有双重角色，一是受评价者，受到来自学生、同行、专家以及管理者从课程建设、教学状态、学生情况、科研水平四个角度的评价;二是评价者，对自己的教学策略进行评价，学生的多维空间展示结果可以很好的印证教学策略是否适合个性化的教育需求。双重角色赋予教师不同的使命：一是更好的制定个性化教学目标以适应开放式互联网空间教学模式;二是提升自己的专业教学水平与科学研究能力。
　　4.2 关键技术概述
　　（1）聚类和相关性挖掘是模型中重要的数据挖掘方法。通过多维空间提取关于学生的学生基本信息、课堂学习、课外学习、校园生活、以及娱乐等多种多样的数据。数据虽然种类繁多，但都是围绕学生的生活和学习，具有一定的逻辑关系，采用聚类和相关性挖掘技术可以更加准确的了解到学生的学习和生活习惯，从而为校园管理提供更好的科学依据。聚类的关键是如何将大量的数据按照相似的特点划分成不同的子集，并且让不同的子集之间的相关性很小，教师和管理者都可以通过这些子集制定更加具有针对性的教学和管理方案。关联分析能够更好的判定学生的行为趋向，如通过学生的消费数据可以分析学生的消费水平，根据消费的情况可以寻找贫困学生并加以资助等，这些实际的应用对于学校的细节化管理都会有所帮助。
　　（2）智能趋势预警是模型的关键部分，不仅为学生提供课程学习预警，同时也为教师、家长以及管理者提供不同的警示信息。趋势预警利用了数据挖掘的关联规则和回归分析方法，对大量数据的分析可以了解学生所选课程的相关性，了解学生的学习情况，从而为学生推荐选课方案;可以根据预测哪些是学生经常“挂科”的课程;可以预测学生的后续课程情况;可以预测哪些学生不适合选择的课程;可以跟踪学生的成绩情况，并预测学生的综合测评，预测学生的推免情况。家长通过可视化模型可以随时督促孩子调整学习状态;教师可以了解学生的整体趋势情况，如哪部分学生对教学方案适应的好，是否需要调整教学方案，如何调整教学方法等，从而制定科学合理的个性化教学方案;管理者可以根据学生趋势预警情况，提前调整管理辦法，以应对有可能发生的风险。
　　5 结束语
　　大数据环境为高校教育治理提出了新的挑战，教学环境进入云空间，教学内容更加开放，教师角色更加复杂化，这些因素都对学情分析与教学评价提出了新的要求。运用大数据技术对学情分析进行智能挖掘与智能预测还有更广阔的发展空间。未来，我们要用智慧的手段帮助教师和管理者形成快速和科学的决策，真正实现教育管理智慧化。
　　黑龙江省高等教育教学改革研究项目“高校本科教学质量保障体系建设的研究与实践”（SJGY20170024）
　　参考文献
　　[1] 毛耀忠，张锐.西方学情分析研究：源起、现状及走向[J].外国中小学教育，2017（7）：1-8.
　　[2] SOUTHAVILAY V，YACEF K，REIMANN P，et al.Analysis of collaborative writing processes using revision maps and probabilistic topic model[C].Proceedings of the Third International Conference on Learning Analytics and Knowledge.ACM，2013：38-47.
　　[3] FERGUSON R，SHUM S B.Social learning analytics：five approaches[C]. Proceedings of 2nd International Conference on Learning Analytics and Knowledge.ACM，2012：23-33.
　　[4] 万宏建，李赛强.大学生事务管理学[M].北京：人民出版社，2014.
　　[5] 李有增，曾浩.基于学生行为分析模型的高校智慧校园教育大数据应用研究[J].中国电化教育，2018（7） ：33-38.
　　[6] 李强，赵晨杰，罗先录.基于大数据应用技术的学情分析系统架构分析与设计[J].软件工程，2018（5） ：34-37.
转载注明来源:https://www.xzbu.com/8/view-14781233.htm