大学计算机基础教学活动数据分析及应用研究

来源:用户上传      作者:

　　摘 要：针对大学计算机基础课程选课学生多、专业多样、教学班容量大、采用MOOC教学等特点，分析课程在MOOC和雨课堂平台教学活动中过程性评价数据及其关联特征，提出智能导学、个性服务的教学思路。
　　关键词：人工智能技术;MOOC;雨课堂; 过程性评价; 个性化教学
　　DOI：10. 11907/rjdk. 191978 开放科学（资源服务）标识码（OSID）：
　　中圖分类号：G434 文献标识码：A 文章编号：1672-7800（2020）002-0202-04
　　英标：Research on Teaching Activities Data Analysis and Application of Fundamentals of Computer
　　英作：LI Jia-chun1， XIONG Dong-qing2，XU Hong-yun1
　　英单：（1. School of Computer Science & Engineering， South China University of Technology，Guangzhou 510006，China; 2. Guangdong Mechanical & Electronical College of Technology， Guangzhou 510515，China）
　　Abstract： There are many characteristics in our fundamentals of computer course， large numbers of students such as with diversified majors， large volume class， and the application of MOOC teaching， so teaching activities and process evaluation data in MOOC and rain-classroom platform are analyzed and correlated， the teaching methods of intelligent guidance learning and personalized teaching are explored in the paper.
　　Key Words： artificial intelligence technology; MOOC; rain classroom; process evaluation; personalized teaching
　　0 引言
　　随着智慧教育[1-2]（教育+互联网或互联网+教育）时代来临，MOOC平台[3-4]和智慧教学工具如雨课堂[5]等逐渐得到关注和大力推广。MOOC课程受众面广，选课学生多，在线教学过程中产生大量的评价数据。为了较精准地评价课程教学质量，为选课学生提供个性化指导，国内外学者对教育大数据[6]进行了挖掘、分析。
　　加州大学洛杉矶分校UCLA的Yannick Meier等 [7]开发一个分数预测算法，根据学生的课后作业、测验和期中考试等评价数据，及时预测学生的期末成绩;麻省理工学院MIT的Una-May O'Reilly博士等 [8]认为MOOC出现使大数据成为关注焦点，提出将大数据开发技术应用于慕课平台，对数据进行有效分析和预测，以揭示学生学习行为;普渡大学的Kimberly等 [9]开发出Course Signal系统，对学习数据进行全面分析和预测，并将结果以红、黄、绿3组颜色形式反馈给学生。
　　西安交通大学郑庆华教授[10-11]提出教学质量监控大数据平台框架;北京大学王卓、张铭教授等[12]将贝叶斯知识跟踪模型应用到Coursera慕课数据，将学生所需学习的知识体系划分为若干知识点，研究如何更准确地预测学生是否掌握各知识点;文献[13-14]研究了慕课学生的学习行为，设计一个选读学生流失预测系统，以提供个性化指导，帮忙学生找到兴趣点、推荐学生材料等;浙江工业大学陈晋音等 [15]分析在线学习行为特征，挖掘学习者性格特征与学习效率的关系，实现个性化学习方法推荐;清华大学唐杰等 [16]利用学堂在线慕课数据，研究并提出基于用户兴趣、人口统计特征和课程前导和后续关系的课程推荐算法。
　　上述研究重点都是单一的慕课平台以及相应的慕课课程数据分析，对基于多平台（慕课平台+雨课堂平台）的课程线上线下数据分析关注不多。
　　笔者学校大学计算机基础课程采用多平台教学，包括基于清华大学的MOOC平台“学堂在线”[17-18]，以及基于雨课堂的翻转课堂教学，每学年选课学生达5 000多人。将人工智能技术[19-20]处理这些教学活动数据，分析学生学习行为并预测学习效果，从而及时调整教学进度，实施个性化教学。
　　1 大学计算机基础课程数据描述与分析框架
　　数据分析框架如图1所示。
　　从MOOC和雨课堂平台收集教学活动过程性评价数据，主要包括MOOC视频观看比例（共100个视频，只要看完50个即为100%观看率）、MOOC讲间练习得分率、MOOC章测验得分率、发/回帖率（大于等于有效帖10个，完成率即为100%）、雨课堂统计的课堂到勤率、雨课堂课堂练习得分率。将这些数据送入数据分析和可视化模块，进行Pearson相关系数分析，得到上述特征与学习效果的相关性。采用K-means聚类算法预测学习效果，使用Wxpython图形库可视化展示学习行为特点并进行趋势预测。
　　用于分析的数据来自5 000多名选修学生的教学活动行为，覆盖23个不同学院和专业，共44个教学班，时间跨度为12个教学周。 　　大學计算机基础课程授课章节组织如表1所示，教学模式如表2所示，为MOOC学习+翻转课堂（基于雨课堂）+机房实验（基于雨课堂签到考勤）。
　　2 大学计算机基础课程数据分析结果
　　2.1 学生活跃度分析
　　学生每日和每周学习活跃度分析如图2和图3所示。
　　由图2可见，每天20：00-21：00时间段学习总人数最多，达到1 272人，学习人数较高的时间段主要集中在16：00-23：00。由图3可知大学计算机基础课程排课规律，也能发现学生在周六周日仍在学习，周日学习人数明显高于周六。
　　2.2 学生学习情况分析
　　学生MOOC视频学习、MOOC练习和测验学习情况分析如图4、图5、图6所示。
　　从图4可知，随着章节学习进度的推进，视频观看整体比例呈下降趋势。因为课程视频共100个，只需看完50个就可拿到这项的满分，故大多数学生完成满分指标后就停止观看。第2章视频观看比例最高，为88%，说明该章知识点多、难点疑点多、学习兴趣最高。
　　从图5和图6可分析出每个章节的难易程度以及学生对每个章节知识的掌握情况。
　　（1）第1和第7章优秀率（90分及以上占比）和及格率（60分及以上占比）的差距最大，说明这两章讲间练习难度最大。
　　（2）第4章优秀率和及格率差距最大，说明该章测验的难度最大。
　　（3）结合图4可以发现：第2章讲间练习优秀率最高，为84%;讲间练习及格率也最高，为93%;章测验优秀率和及格率也处于前列，学生观看视频比例为88%。说明学生对第2章知识掌握程度较好。
　　（4）章测验及格率整体大于讲间练习及格率，说明学生通过讲间练习的做题训练，对知识的掌握程度有一定帮助，也反映学生对章测验的重视程度相对要高，因为讲间练习与章测验成绩权重比是4∶6。
　　通过这样的分析，可以在翻转课堂教学时自适应调整教学活动（教学节奏和教学内容）。
　　2.3 学习特征相关性分析
　　利用Pearson相关系数分析得到6个特征以及期末成绩之间的相关程度，如表3所示。
　　可见，和期末成绩相关性最高的是雨课堂练习题得分率，其次依次为讲间练习得分率、雨课堂考勤率、章测验得分率、发/回帖率、MOOC视频观看率。
　　2.4 学习效果预测
　　采用K-means聚类算法对6个特征进行聚类分析，设置预测类别标签如下：
　　优秀：期末成绩/期末成绩最高分∈[0.85，1]
　　良好：期末成绩/期末成绩最高分∈[0.75，0.84]
　　及格：期末成绩/期末成绩最高分∈[0.60，0.74]
　　不及格：期末成绩/期末成绩最高分∈[0，0.59]
　　数据量：191条，准确率为61%，主要原因是高分段划分比较模糊，不能很好地识别是优秀还是良好，各个成绩标签预测准确率如表4所示。
　　可见，对不及格预测的准确率较高，为81.8%。针对每一章节学习的4个特征或6个特征进行学习效果预测，比如第二章预测准确率分别为80%（4个特征）、69%（6个特征）。
　　通过预测，可以设置不同时间节点（如每一章，或多章或期末考前）对可能具有不及格趋势的学生进行预警，帮助他们加强课程学习，提高课程通过率。
　　3 结语
　　在智慧教学时代背景下，本文利用人工智能和大数据分析技术对大学计算机基础课程教学活动中的过程性评价数据进行了分析研究，分析结果可用于自适应调整教学活动，在不同时间点对可能不及格学生进行预警，实现以学习绩效为中心的智能导学和个性学习。下一步将进一步优化算法，并将研究结果用于教学。
　　参考文献：
　　[1] 郭红霞. 我国智慧教育研究综述[J]. 数字教育，2016（1）：16-21.
　　[2] 李玥泓，赵可云. 我国智慧教育研究现状解析：热点、主题及趋势[J]. 数字教育，2018（4）：29-33.
　　[3] 王书瑶，王小根，晋步. 中外MOOC课程对比研究——以edx和“学堂在线”为例[J]. 软件导刊，2014（7）：154-156.
　　[4] 陈娟菲，郑玲，高楠. 国内主流MOOC平台交互功能对比研究-基于教学交互层次塔理论[J]. 中国教育信息化，2019（1）：26-29.
　　[5] 袁博，赵海媚，张成萍，等. 基于雨课堂的研究生英语学习行为可视化分析[J]. 现代教育技术，2018（5）：68-74.
　　[6] 陈池，王宇鹏，李超，等. 面向在线教育领域的大数据研究与应用[J]. 计算机研究与发展，2014（S1）：67-74.
　　[7] YANNICK MEIER， JIE XU，ONUR ATAN， et al. Predicting grades[J]. IEEE Transactions on Signal Processing，2016（4）：959-972.
　　[8] UNA-MAY O’REILY，KALYAN VEERAMACHANENI. Technolgy for mining the big data of MOOCs[J].  Research & Practice in Assessment，2014（9）：29-37.
　　[9] KIMBERLY E ARNOLD， MATTHEW D PISTILLI. Course signals at purdue： using learning analytics to increase student success[C]. LAK’12 Proceedings of the 2nd International Conference on Learning Analytics and Knowledge，2012：267-270. 　　[10] 郑庆华. 运用教学大数据分析技术提高课堂教学质量[J]. 中国大学教学，2017（2）：15-18，39.
　　[11] 郑庆华，董博，钱步月，等. 智慧教育研究现状与发展趋势[J]. 计算机研究与发展，2019（1）：209-224.
　　[12] 王卓，张铭. 基于贝叶斯知识跟踪模型的慕课学生评价[J]. 中国科技论文，2015（2）：241-246.
　　[13] ZHANG M， ZHU J L， WANG Z， et al. Providing personalized learning guidance in MOOCs by multi-source data analysis[J]. World Wide Web-internet & Web Information System，2019（3）：1189-1219.
　　[14] ZHANG M， ZHU J L， WANG Z， et al.  An effective framework for automatically generating and ranking topics in MOOC videos[C]. Educational Data Mining，2017：150-155.
　　[15] 陈晋音，方航，林翔，等. 基于在線学习行为分析的个性化学习推荐[J]. 计算机科学，2018（11）：422-426.
　　[16] JING X，TANG J. Guess you like： course recommendation in MOOCs[C].Proceedings of the International Conference on Web Intelligence，ACM，2017：783-789.
　　[17] 刘欣欣，徐红云. 大学计算机基础的MOOC教学实践[J]. 计算机教育，2017（1）：14-17.
　　[18] 刘欣欣，徐红云. 基于MOOC的大学计算机基础翻转课堂实践与探索[J]. 软件导刊，2019（3）：217-220.
　　[19] 孙笑音. 基于K-means的慕课用户行为分析研究[D]. 北京：北京交通大学，2017.
　　[20] QU H M， CHEN Q. Visual analytics for MOOC data[J].  IEEE Computer Graphics and Applications，2015（6）：69-75.
　　（责任编辑：杜能钢）
转载注明来源:https://www.xzbu.com/8/view-15224350.htm