基于在线学情分析模型的高职课程教学研究
来源:用户上传
作者:徐丽丽
摘要：在线教学以及线上线下混合教学模式在高校教育中已经得到普及，针对在线教育学情难以实时掌握的问题，以在超星泛雅智慧课堂平台开设的高职类大数据技术基础课程的学习者数据为研究对象，借助人工神经网络构建了一种新的在线学情分析模型，并将分析结果应用到课程教学策略设计和优化等方面。提出了采用MiniQuest基于网络资源的研究学习模式，同时搭建公有云、私有云、自主云的三云平台作为实训实践平台的方式实现对学生的个性化教学的课程教学策略。
关键词： 在线教学; 学情分析; 前馈神经网络模型; 研究式学习; 云平台
中图分类号：G642 文献标识码：A
文章编号：1009-3044（2022）32-0168-03
1 概述
1.1 传统教学模式向在线教学模式的转变
随着大数据、人工智能等新一代信息技术的发展，信息技术在教育领域也逐步融入“教、学、考、评、管、治”等教育教学的各个层面。国家层面也相继出台了各项政策大力发展职业教育，提升师生信息素养，推进“互联网+”职业教育发展，建设智慧课堂等平台，重新定位学习环境，打破传统的教学模式，广泛推进线上线下混合教学。其中在线教育增加了学生的自主性与参与性，教学中心由教师转变为学生。学习资源丰富，平台多、资源多、内外兼有、丰富性、多元性。然而由于线上教育师生分离、学习过程受控度较低，线上教学效果确实存在诸多不确定性，学生的学情很难被掌握。而智能分析技术在教育中的功能主要是助力学情分析，其以大数据为核心基础，对结构化与非结构化的教育数据进行分析反馈，教师根据反馈的学情分析报告可以有针对性地规划教学内容、有依据地制定教学策略，科学地调整教学路径，走向个性化、精准化教学。
1.2国内在线学情分析的研究现状
吕玉花等[1]等以河南工业大学在“中国大学慕课”平台开设的 国际贸易实务课程为例，从课程的选课与参与、课时每日学习、参与讨论、成绩考核等方面对在线教学情况进行了分析，并提出了若干有针对性的课程发展建议。文献[2]以高校大数据技术基础课程为案例，在课程分析和已开展工作梳理的基础上，对学生端、教师端和教学经验及实施效果等方面存在的问题进行了分析，提出了线上教学模式的若干优化方法和具体实施途径。吕开东[3]以学生成长发展问题为研究对象，通过构建贝叶斯网络学情分析模型，研究若干客观因素对学习成果的影响，为解决学生成长发展过程中的问题提供了一种解决方法。张婷等[4]以M-learning教学模式为研究对象，通过选取学生的视频学习时长、签到次数、平时测验成绩及课堂讨论答疑情况等指标提出了一种基于贝叶斯网络模型的学情分析和预测方法，为后续教学提供决策支持。文献[6]以超星泛雅平台为基础，针对传统课堂教学模式存在的问题，提出了一种高职院校智慧课堂教学活动的设计方法，该方法主要从课前准备、预习，课堂互动、课后练习等方面开展教学活动。最后，通过问卷方式检验了该设计方法的接受度。张晖等[7]以在线学习平台的学情数据为基础，借助Excel工具实现数据挖掘结果，实现对学习者学习效果的精准定位，从而满足学习者个性化学习和教师针对性教学的需求。张军等[8]以选修中国大学慕课平台开设护理科研课程的3期学员的课程学习情况为研究对象，通过对3期课程注册人数、课程测试人数以及人均发帖量的分析，发现学习者在线学习坚持性低，投入不足，积极性偏低同时提出了对应的解决策略。
通过前面的文献综述可知，目前学情分析主要是以各类在线平台提供的课程教学活动数据为基础，借助数据分析工具，开展各类影响因素的相关性研究。最终，学情分析的结果可对课程教学设计，课程综合评价考核以及教学模式改革等方面的问题提供决策支持。显然，当前学情分析所采用的数据分析工具较为简单，学情分析模型的指标选择较少，鉴于在线学习课程教学活动的复杂性、多样性等特点，有必要引入更多的评价指标，从而构建更为符合实际情况的学情分析模型。因此，本文以在超星泛雅智慧课堂平台开设的高职类大数据技术基础课程的学习者数据为研究对象，借助人工神经网络构建一种新的在线学情分析模型，并将分析结果应用到课程教学策略设计和优化等方面。
2 在线学情分析模型的构建研究
2.1 智慧课堂平台
学校智慧课堂平台是一个同时服务于教师和学生，同时开放内外网，同时具备双终端使用的教学系统。将课堂教学的认知能力从原始感知提升到数据呈现，打破数据垄断，实现课堂教学过程数据的本地化积累，实现了信息技术对课堂教学、课程建设和人才培养的结构化再造，目前已运行八个学期。
智慧课堂提供了丰富的统计数据，但是其数据统计的颗粒度是基于班级进行，对基于个人情况的统计局限于数据的堆砌，缺乏总结性的个人学情分析。但智慧课堂的运行所产生的数据蕴含着巨大的价值，通过这些数据可以构建在线学情分析模型，作为系统的重要补充，帮助教师掌握每个学生的实时学习状态，借此调整教学策略以及学习内容，实现个性化教学。
《大数据技术基础》是计算机专业的一T新兴课程，该课程以大数据处理系统所关注的三大要求―“存储” “计算”与“容错”为起点，全面介绍了它们所代表的大数据技术的原理以及应用编程方法。在注重大数据时代应用环境前提下，考虑大数据处理分析需求多样复杂的基本情况，从初学者角度出发，以轻量级理论、丰富的实例对比性地介绍大数据常用计算模式的各种系统和工具。其先导课程是 Java 程序设计和Linux操作系统，先导课的学习效果对本课程的学习有很强的关联性，对学生先导课学习学情的掌握程度决定了本课程的教学方法、教学内容以及教学重难点设计。同时，本课程各环节之间的关联性也是比较强的，对于前一环节的学生学情的掌握程度又决定了后续环节的教学设计，乃至整个课程讲授的进度节奏。
nlc202301131013
2.2 在线学情分析模型指标选取
人工神经网络是一种模拟人脑的神经行为以期能够实现类人工智能的机器学习技术。人工神经网络种类繁多，研究与应用最多是前馈神经网络模型，被广泛应用于解决各类预测及分类问题，是数据挖掘领域最重要的模型之一。
为了构建在线学情分析模型，结合本课程在智慧平台开展的教学实践活动以及平台提供的相关功能，拟采用以下8个指标作为前馈神经网络模型的输入与输出：1）出勤率X1 ；2）活动参与率X2；3）资源浏览率X3；4）答疑讨论参与次数X4；5）作业任务参与次数X5；6）课堂举手次数X6；7）课堂抢答次数X7；8）综合成绩O1。
2.3 在线学情分析模型构建
为了构建基于前馈神经网络的在线学情分析模型，本文选择大数据技术基础课程的5个班共288条平台数据作为前馈神经网络训练（230条）和测试（58条）的数据集。由于三层前馈神经网络模型即可拟合任意复杂的非线性函数，故这里的前馈神经网络模型采用三层架构，第一层为输入层，共7个节点（X1 - X7 ），第二层为隐含层，其中神经元个数通过多次仿真实验，确定为10个，第三层为输出层，共1个节点（O1），模型结构如下图所示：
由于网络模型输入量纲各不相同，如果直接作为模型输入，容易使模型优化过程陷入局部最优甚至无法收敛，通常要求模型输入归一化到0和1之间，归一化公式为：<E：＼2022知网文件＼32＼8xs202232＼Image＼image9.png>。另外，神经元激活函数采用Sigmoid函数，学习率设置为0.001，最大迭代次数为1000。经过578次迭代后，训练精度达到98.6%，不再变化，此时测试精度为96.4%，此时获得模型完全可以满足实际需求。
基于前馈神经网络的在线学情分析模型可以随时接收任意阶段的动态学习数据，从而给出当前阶段的综合成绩，对学生的学习过程进行直观的刻画，督促学生积极参与和完成各项课程教学活动，发挥学生的主观能动性。同时，教师通过该在线学情分析模型，可以掌握学生的学习状态，及时优化课程教学活动，真正做到“以学生为本”的个性化教学。
3 基于在线学情分析模型的高职课程教学策略
以先导课课程信息为依据对学生进行学情分析，做到以学定教。学情分析的概念逐渐汇聚了更为丰富的内涵，此处学情分析指的是：针对学生先导课在线平台学习的质与量的评估与分析。将结果作为定教的依据。例如Linux系统操作知识模块，如果先导课的评估结果较高那么在该课程中就可以粗略地复习，若评估结果较差，那么就需要将关键的命令做一个详细的讲解。
针对学情分析结果，及时优化课程教学活动，这对教师来说是一个不小的挑战，为此针对本门课程的特点本文提出了采用MiniQuest基于网络资源的研究学习模式，同时搭建公有云、私有云、自主云的三云平台作为实训实践平台的方式实现对学生的个性化教学。
3.1 基于网络资源的研究学习模式
针对模型结果，将学习搬回课堂，在课堂上整合碎片化的知识点，利用线上线下相融合的模式，解决学习过度碎片化的现象，同时利用MiniQuest基于网络资源的研究学习模式，充分调动学生的学习主动性，实现课堂革命。MiniQuest是由教师设计的在线教学模块，使学生参与到一个真实主题或问题的研究中，目的是为促进学习者批判性思维和知识建构能力的发展，引导学生带着特定的目的，通过网络资源回答有意义的问题，从而拓展学生的课外时间，提升学习者自学能力以及解决问题的能力。教师根据《大数据技术与应用》的课程特点，完善教学目标，将相关知识点做碎片化处理，形成资源，在课堂上整合碎片化的知识点，通过抛出与薄弱知识点或难点知识点相关的问题，在教师的引导下让学生自主探究，加深对知识的理解，课堂掌握不充分的情况下，可以随时查看线上知识点资源，做到线上线下融合学习。
3.2 教学实践云平台
大数据教学过程中运行环境复杂，存在着学生一步跟不上便步步跟不上的问题。大数据实验环境的搭建是课程的主要内容之一，其搭建过程历时时间长，每天的工作要具有持续性。但现有高职院校的计算机实训室多以单机模式为主，且装有还原卡，每次重启电脑都会还原到初始状态，不利于大数据课程的学习，因此大数据课程的开展首先必须解决实验环境的问题。公有云能够满足学生随时随地学习的需求，私有云资源更有针对性，无论公有云还是私有云都可以实现在一个学期内，为学生保留资源的要求。自主云平台是基于VMWare 的本地虚拟机，能够满足永久学生保留学习状态的需要，同时自主云平台具有快照功能，方便学生在做错之后返回到上一个状态重新开始，以及反复练习的需求。
4 总结
本文以高职类大数据技术基础课程的学习者数据为研究对象，借助人工神经网络构建了一种新的在线学情分析模型。提出了采用MiniQuest基于网络资源的研究学习模式，同时搭建三云平台作为实训实践平台的方式实现对学生的个性化教学的课程教学策略。从一定程度上解决了在线学习学情难以把握的问题，但模型的使用专业性比较高，若要在更广的范围推广使用，还需要进一步地封装，简化操作。
参考文献：
[1] 吕玉花，宋孟起.高校课程在线教学学情分析――以国际贸易实务课程为例[J].大学教育，2020，9（8）：129-131.
[2] 施鹭.高校在线教学模式研究与实践――以大数据技术基础课程为例[J].中国多媒体与网络教学学报（中旬刊），2021（2）：19-21.
[3] 吕开东.基于贝叶斯网络的大学学情分析研究[J].学校党建与思想教育，2020（9）：69-71.
[4] 张婷，陈波红.基于贝叶斯网络模型的M-Learning移动教育平台的学情分析研究[J].科教文汇（上旬刊），2018（3）：29-31.
[5] 刘丰年.基于超星泛雅平台的高职院校智慧课堂教学模式的探索与实践――以“计算机与大数据技术应用基础”课程为例[J].济源职业技术学院学报，2020，19（1）：67-72.
[6] 张晖，王.基于在线学习平台的学情大数据分析[J].中国信息技术教育，2017（17）：76-78.
[7] 张丹丹.网络教学平台的在线课程学情分析与研究[J].中国多媒体与网络教学学报（中旬刊），2021（8）：1-3.
[8] 张军，马登慧，颜巧元.中国大学慕课平台护理科研课程学情分析[J].中华护理教育，2021，18（7）：623-626.
[9] 龙虎，李娜.大数据技术下的在线课程建设与应用研究[J].电脑知识与技术，2022，18（12）：13-14，21.
[10] 孙娜.“以学生为中心”的线上线下混合教学“金课”建设的实践探索――以《计算机程序设计VC++》课程为例[J].电脑知识与技术，2022，18（12）：145-147，159.
【通联编辑：王力】
nlc202301131013
转载注明来源:https://www.xzbu.com/8/view-15444060.htm
