大數據學習分析的研究與應用*—以浙江省教師教育MOOC培訓平臺的課程為例

陳 雷

?

大數據學習分析的研究與應用*—以浙江省教師教育MOOC培訓平臺的課程為例

陳 雷

（寧波教育學院網絡與教育技術中心，浙江寧波 315016）

數據為王的大數據時代正在來臨，如何將大數據關聯于教育變革以及由此衍生的學習分析的應用逐漸成為了熱點課題。文章以浙江省教師教育MOOC培訓平臺為例，任選其中的某門在線課程，通過常規挖掘、頻次統計、跳轉聚合、數據可視化等方法，以漸進深入的方式，對選課學員的學習行為和日志進行數據挖掘，并根據學員在平臺中的學習行為數據，展示學員與課程的相關性和適應度，發掘學員模塊的學習規律和學習喜好，定位平臺中的模塊功能和課程資源缺陷，優化適應性教學資源，定制個性化學習路徑，促進個性化發展。研究表明：上述這些舉措將大大提高選課學員的用戶體驗感和滿意度。

大數據；學習分析；挖掘；碎片化；界面跳轉

引言

信息時代各行各業數據規模逐漸龐大，數據激增，人類的記錄范圍、測量范圍和分析邊界在不斷地擴大，大數據理念應運而生。大數據之“大”，其重點并不僅僅在于字面理解“大容量”，更在于分析數據的全面性和潛在的“高價值”。學習分析是由大數據與教育結合所衍生出來的嶄新概念，現階段對“學習分析”認可度比較高的定義是：測量、收集、分析和報告有關學生及其學習環境的數據，用以理解和優化學習及其產生的環境的技術[1]。教育中的學習分析應從多方維度（包括學習傾向、教學喜好、智商情商、學習勢態、交互協作、領域能力等）深層次挖掘有價值的數據信息，以大數據思維與決策對學習過程中的微觀表現進行收集評估[2]，揭示其中隱藏的學習行為等模式，并以可視化方式呈現給教育決策者。如此一來，教師可根據學習者的學習行為分析其認知基礎和知識結構，定制個性化學習方案；同時，通過全方位記錄、跟蹤和掌握學習者的特性、學習需求、學習基礎和學習行為，可對現有教學平臺和教學策略進行全面評估[3]，以發現目前存在的教學缺陷和漏洞，為現有教學模式的優化和升級指明方向。

本研究在浙江省教師教育MOOC培訓平臺（下文簡稱“平臺”）的基礎上，任選取其中的某門在線課程，跟蹤學員在課程中的行為蹤跡，創新性地將大數據挖掘技術應用于學員群體和個體學習行為分析。大數據分析追求的是相關關系，因果關系不再是重點[4]，因此本研究在平臺課程研究的過程中將會淡化數據的因果關系，而重點探討遵循學員群體和個體行為能力的適應性舉措。

一 平臺關鍵分析技術模式

目前國外普遍流行的學習分析技術涉及學生的學習內容、興趣點、話語關鍵詞、特征標簽、關系網絡、系統建模等學習行為內容，并在此基礎上采用聚類、異類分析、結構矩陣、可視化、文字挖掘、趨勢預測等一系列步驟實現。而本研究的初衷是，在運用大數據與學習分析技術對平臺中學員學習行為進行挖掘的基礎上，通過梳理并掌握學員的學習規律，進而提出改進策略，對平臺現有資源、功能模塊進行優化，以將來更好地適應學員的學習習慣，因此所采用的學習分析技術必須與目前流行的有所差異。

本研究以遵循“Ventura”分析技術為前提，并在借鑒美國哥倫比亞大學在線教育模式的基礎上[5]，規劃了平臺大數據學習分析模式架構（如圖1所示），并付諸實踐。該架構包括大數據技術分析流程、挖掘分析工具、數據信息集成三大部分——大數據技術分析流程是分析架構的核心模塊，主要包括頁面點擊量、界面跳轉率、頁面瀏覽人次、視頻操作、資源利用細節等；挖掘分析工具提供對平臺具體研究實施的技術支撐，平臺采用的是SQL Server Analysis Service和SPSS兩類數據挖掘仿真工具，以及內容語義分析工具VINCA和編碼解碼標簽工具Atlasti；數據信息集成是分析架構的界面終端展示，其功能模塊主要包括數據分類、聚合、數據匯總、數據可視化、干預措施、預估測試等。

圖1 平臺大數據學習分析模式架構

二 課程總體學習情況分析

數據挖掘功能模塊追蹤學員群體在平臺中的行為特征（包括登錄時間段、登錄持續時間、行為軌跡、頁面跳轉、瀏覽視頻行為、頁面占有率等），采用大數據專有的交叉引用、分類、聚類、關聯規則等算法，揭示學員群體和個體在平臺中的學習行為規律和平臺缺陷，以更好地指導建設者優化平臺中的細節。

本研究選用的浙江省教師教育MOOC培訓平臺是浙江省中小幼教師教育網絡培訓平臺，以該平臺2015年下半年的后臺數據為參考，并將平臺中通過任意選擇所得的一門在線課程——“PowerPoint在中學化學中的高級應用”（簡稱“PPT化學應用”）作為研究對象。該門課程共分為九章，包括57節理論課、43節實踐課；配有視頻53個、其它資源19個、互動研討區9個；開課時間為2015年10月16日至12月11日，這一時間段該門課程的選課總人數為995人。

將系統后臺中記錄的學員登錄時間、持續時間經標準差統計，得到如表1所示的數據。表1顯示，大多數學員更傾向于利用常規工作時間進行該門課程的學習，而且每次登錄學習的時間并不長，基本上平均每次以9～11分鐘為主，甚至在線持續時間為3～5分鐘的也占了相當一部分比重。這說明，學員善于利用工作的空余時間、閑散時間進行知識點和技能的學習，與傳統的教學方式已有明顯差異，更加符合碎片化學習的趨勢。但是，表1只是粗線條地展示了課程的總體利用狀況，而無法解讀這些數字的緣由，如為何學員群體的碎片化學習時間集中在10分鐘左右?；诖?，本研究引入了更多的指標來掌握更具體的信息，包括在線時間、各模塊使用頻次等數據，其中各模塊頻次的計算都通過后臺插件cookies數據采集而實現，如表2所示。

表1 學員課程學習時間總體分析表

表2 本課程具體使用率數據

由表2得知，學員個人對“PPT化學應用”的利用率處于較高水平，基本上日均單個人次能保持在2.18個頻次進入課程學習——拋開持續時間的因素，這個數據本身就說明了“PPT化學應用”的開發比較符合教師學員的需要。但通過比較表2各個指標的訪問頻次，可知各功能模塊的利用率存在較大差異，因此，接下來本研究將對課程各版塊的學習狀況進行數據挖掘。

三 基于大數據的學習行為分析

1 各功能版塊學習情況

表3 課程各版塊使用細節

表3顯示，學員對平臺各個資源模塊的學習關注點由高到低依次為：視頻資源庫、互動研討區、理論章節、Wiki協作、實踐章節、其它資源庫。這是因為，視頻資源庫直觀易懂，能在最短的時間內傳遞最豐富的信息，故一直是學員在線學習的首選；而學員一旦在學習中遇到疑難點，便會主動求助“互動研討區”或“Wiki協作”——因此，上述三個模塊在平臺所占的點擊量百分比處于高位。但有些意外的是，“實踐章節”的點擊量遠遠不如“理論章節”的點擊量，并且盡管對“PPT化學應用”的實踐內容進行了優化和改進，但點擊量卻一直維持在較低水平。從表3中無法得出造成上述現象的關聯，故必須從另一個角度對大量學員在平臺中的學習路徑進行分析，以求取得突破。

2 學員學習路徑

觀察學員群體在平臺中各功能模塊間的跳轉，是學習行為研究最好的途徑。表4顯示了學員群體在課程各版塊中的主要跳轉情況，若忽略不具有研究價值的次要跳轉路徑，則通過該表數據可以比較直觀地分析平臺中學員的學習行為習慣。

表4 學院群體在課程各版塊中的主要跳轉情況

注：“變量”代表分析程序中的指針。

從表4可以看出，學員群體在平臺中的學習習慣路徑是清晰明朗的。視頻資源庫是學員們進入平臺學習的首選；瀏覽視頻資源之后再回過頭進入理論內容學習，以加深對知識點理論的印象；一旦遇到課程中的疑難點，則進入Wiki協作或互動研討區求助，以獲得對問題的解答——這就是學員群體在平臺中學習的最有效方式。前文所述之課程的實踐內容沒有受到學員的青睞、學習實踐內容的點擊量非常低，其原因在于實踐內容與視頻學習資源內容有所交叉，而動手實踐需要花費更多的時間和精力，故學員更愿意選用更省時省力的視頻來獲取知識。

3 視頻瀏覽點擊行為研究

為了獲得更加細致的學員行為數據以便改進該門課程，必須從微觀視角對學員在具體模塊頁面學習中的行為片段加以收集和歸納。當前跟蹤站點中訪客行為的方式有兩種：Web服務器日志和Javascript頁面標記——Web服務器日志只能記錄客戶端對服務器的請求日志，而非服務器的行為（包括學員在視頻客戶端的鼠標點擊、對象交互事件、Ajax交互、Flash事件、鼠標運動軌跡和按鍵輸入）無法被記錄；JavaScript頁面標記則覆蓋所有用戶能訪問到的模塊，并能夠記錄平臺中用戶的所有動作（包括指向服務器的一般頁面控制行為和非向服務器的視頻點擊行為）。綜合以上因素，本研究對平臺學員片段化行為的收集采用JavaScript頁面標記的方案。

圖2顯示，相比于“PPT化學應用”中其它章節視頻，第七章“控件工具箱和插件”和第九章“課件制作實例”的課程視頻播放的持續時間顯著增加。圖3則顯示，第七章中“單項選擇題制作”、“多項選擇題制作”、“Flash的插入與控制”、“視頻的插入與控制”和第九章大部分課件實例的視頻播放條回撥次數明顯激增，且視頻暫停次數的點擊抓取量處于高位。同時，模塊中視頻資源庫、理論章節、互動研討區之間相互跳轉循環往復的點擊次數也明顯高于其它章節。這不僅從側面印證了這兩章內容所涉及的實際技巧對于學員具有很強的吸引力，而且非常直觀地反映出這兩章內容的復雜度和困難度均較大，因此間接地揭示了目前這兩章內容的建設程度和課程內容、視頻的優化方向。

圖2 課程各章節視頻播放的持續時間

圖3 課程各章節視頻的使用狀況

4 學員測評分析

學員測評體系的建立既是交互式平臺的關鍵組成部分，也是本研究的一個重要創新點。平臺必須為參加教師教育培訓的學員提供完整的教學體驗，否則就會與其它普通的遠程視頻或信息性網絡課程站點無異?；贓duSoho的教師教育MOOC平臺具有強大的教學測評開發功能，包括教學資源測評、視頻課程質量評定、教學交互活動認定、各類教學測驗設計、各類教學數據統計等——可以說，該平臺豐富的測評活動功能幾乎囊括了教學活動所需的大部分功能。針對該門課程的實際需求特點，該平臺還提供了四個測試性測評模塊：大規模自動評分、教師在線打分、學員互評、在線面試。其中，大規模自動評分是目前在線上和線下運用最廣泛的測評手段，是云計算和大數據支撐下的拿手好戲。適合測評的題型包括選擇題、填空題和定義題等，這類題型的答案往往明確固定，是精細化自動測評最合適的選擇。問答題、分析題等主觀性較強的題目應采用教師在線打分系統[6]，可有效適應主觀類型題目發散性的特點，以給予學員最公平公正的學習質量測評。由于學員之間的熟悉程度往往比師生之間的熟悉程度更深，因此學員互評也是平臺測評體系重要的模塊。在線面試是平臺測評體系中最具創新性的模塊，它借鑒了目前主流的視頻會議模式。該模塊運行時，學員和若干測評專家在線互動問答，由專家根據學員的回答狀況在線即時給出測評等級和評語。該模塊最能體現出公平公正的原則，是目前最受學員和專家歡迎的測評模式。

表5列舉了選課學員針對該門課程所選擇的測評模式組合情況，可以看出學員大部分傾向于采用“學員互評+在線面試”的方式來進行學員能力的測評。通過對選課學員的匿名在線問卷調查，發現大部分學員也對這兩種測評方式持肯定態度且認可度較高，認為這兩種測評方式不僅從學員學習的觀察者（授課教師）角度而且從學員相互之間的角度來評價每個學員的學習情況和學習效果，其評價結果比較客觀，并且也很符合個人實際。因此，在“PPT化學應用”未來的建設中，除了要保持目前這些受認可的測評模塊，還應更加注重開發符合教師、學員需求的成績測評模式及應用。

表5 學員測評模式后臺統計分析表

四 總結

根據上述針對“PPT化學應用”學員學習情況數據的分析匯總，本研究認為可從平臺的功能模塊和課程資源的結構兩個方面來改進課程，其具體優化策略如下：①優化課程內容結構，精簡課程，逐步縮減訪問量較少的實踐教學素材，僅保留必要的內容；②壓縮課程視頻資源時間，嚴格控制視頻內容，單個視頻以控制在10分鐘左右為宜，實現真正的微課教學；③改變目前各理論內容頁面的版塊結構，在教學內容下方增加評論功能，方便學員和教師評價，最重要的是提高用戶的體驗感；④改進第七章和第九章的教學視頻資源，摒棄晦澀、難懂的視頻，重新制作適合教師和學員理解的內容；⑤精簡課程中的其它資源，或將其它資源形成集中管理模式；⑥調整測評模式，注重設計符合教師、學員需求的成績測評模式及應用，從學員的角度來形成課程測評體系。

平臺和平臺中課程的發展是一個不斷升級的過程，而數據的挖掘與分析可以為平臺的改進指明方向。事實上，平臺的優化的確還有很多事情可以做——最具優勢的一項，是根據學員在平臺中的學習行為數據，向學員推送適應性教學資源，定制個性化學習路徑，設計個體理解的學與教的知識結構，促進個性化發展，定位平臺中的模塊功能缺陷，此外還包括個性化學習、教學資源的個性化推薦、虛擬真實學習場景等。而這一切的一切，都離不開大數據對平臺的優化及其對平臺中每個人員的定制式分析。

參考文獻

[1]顧小清,張進良,蔡慧英.學習分析:正在浮現中的數據技術.遠程教育雜志.2012,(1):18-25.

[2]葛道凱,張少剛,魏順平.教育數據挖掘:方法與應用[M].北京:教育科學出版社,2012:29-30.

[3]魏順平.在線學習行為特點及其影響因素分析研究[J].開放教育研究,2012,(4):81-90.

[4]Baepler P, Murdoch C J. Academic analytics and data mining in higher education[J]. International Journal for the Scholarship of Teaching and Learning, 2010,(2):170-180.

[5]王苗,劉志超.基于學習分析視角的在線學習行為可視化分析與案例研究[J].中國教育信息化,2015,(9):10-13.

[6]Chen E, Heritage M, Lee J. Identifying and monitoring students’ learning needs with technology[J]. Journal of Education for Students Placed at Risk, 2010,(3):309-332.

Research and Application of Big Data Study Analysis—Taking one of Curriculums in Teacher Learning Platform of Zhejiang Province as an Example

CHEN Lei

The era of taking data as king is coming. How to relate big data to education reform and from which application of study analysis derived, have gradually become hot research topics. This article took teacher education MOOC training platform of Zhejiang province as example, selected one of these online courses, and employed the methods of conventional excavating, frequency statistics, jump aggregation, data visualization to excavate the data of students’ learning behavior and studing log in a progressive way. According to students’ learning behavior data in this platform, the relevance and adaptability of the students with the course were demonstrated, the module learning rules and learning p

of students were explored, the module function and course resource defects of this platform were located, the adaptive teaching resources were optimized, personalized learning path was customized, personal development was cultivated. These initiatives will greatly enhance the students’ experience and satisfaction to this platform.

big data; study analysis; excavate; fragmentation; interface jump

G40-057

A

1009—8097（2016）08—0109—07

10.3969/j.issn.1009-8097.2016.08.016

本文為2014年度全國教育信息技術研究課題“基于EduSoho與移動云技術的教師教育Mooc系統的開發與應用研究”（項目編號：146232067）的研究成果。

陳雷，講師，碩士，研究方向為大數據挖掘、教育數據建模、遠程教育技術等，郵箱為bankstom@163.com。

2016年2月14日

編輯：小西