大數據思維下教學過程數據分析及應用研究

楊藝

【摘 要】 在高等教育領域已經儲備有海量教學過程數據的背景下，強調了教學過程數據的價值，提出了大數據思維下基于教學活動流的分析模式，從數據采集、預處理到數據分析，最后進行預測建議。本文給出了具體的應用案例，借助真實的一線教學數據，并利用學習分析技術研究學生在學習過程中的實際參與表現和進展情況，分析相關性行為指標得出其間的相互關系，得到學生的學習行為規律，并根據分析結果進行指導和建議。分析結果可以優化學生的學習過程，為學生提供更有針對性的教學干預，推薦適宜的學習軌跡和學習方法；可以為教師改進課程設計、優化教學方法和改善現有的考核方式提供數據依據；可以為管理人員更好地實施教學管理提供決策支持。其目的就是讓大數據開口說話，全面提升高等教育教學的質量。

【關鍵詞】 大數據思維；教學過程；學習分析；數據處理；學習行為

【中圖分類號】 G434 【文獻標識碼】 A 【文章編號】 1009—458x（2016）11—0022—06

一、引 言

隨著全國各大高校教育信息化建設工作的推進，一些具體的教育數據在學校經年累月的信息化運行過程中不知不覺積累成為“大數據”。在這樣的教育大數據背景下，高等教育各項工作要前進、要創新，必須借助數據這個財富順勢而為。這里提到的“大數據”并不僅僅指海量數據，更多的是一種“數據為大”的思維方式和問題解決方法（陳池，等，2014）。也就是說，注重對多元化數據進行全方位、全程化的收集，重視對盡可能全面的數據的深度挖掘和分析，從而發現數據背后的價值，以此來指導決策和提升洞察，減少傳統慣性教育思維和個人偏好等因素的干擾。教學工作一直是整個教育工作的重中之重，因此，面向教學過程中的大數據研究及應用就顯得尤為重要。

本研究的目的在于利用教學過程中的數據來輔助和指導學生的學習、教師的教授和管理者的決策。利用這些大數據可以：① 跟蹤學生的學習行為。通過實時記錄學生對知識點的掌握情況及其花費的時間和精力，可以更加真實地了解學生的學習狀況，進行個性化輔導。② 輔助教師改進教學過程。通過調整教學目標和要求，改進教程設計，制定更加合理的教學大綱和授課計劃，以及實施教學干預管理和開展課后補救等措施，改善學生的學習效果。③ 優化學習評價機制。通過數據分析對原有課程評價和考核機制進行糾偏，設計出有針對性的個性化評價考核機制，保證課程評價的客觀性和科學性。

二、教學過程數據

教學過程是指教學活動的展開過程，是教師根據一定的社會要求和學生身心發展的特點，借助一定的教學媒介，指導學生與培養方案、課程計劃或其他教學參與者所進行的交互活動的過程。它可以在傳統的教學環境（如學校、教室、實驗室等）及非傳統的教學環境（如校外、室外等）中發生，也可以在傳統的教學互動情境（如教師和學生之間的直接教學活動）或非傳統的教學互動情境（如學生通過教學游戲、移動端交互APP進行學習）中（Glossary of Education Reform， 2013）發生。每一個教學過程都包含時間、地點和行為等因素。

（一）教學過程數據的價值

教學是學生與學習內容、環境、伙伴和教師之間復雜的交互過程，而這個過程中的基礎數據就是教學過程數據，既包括學生和教師個人情況、學習內容、環境等靜態數據，也包括學生對各種教學資源的操作等動態數據，以及這些因素之間的關系數據，這些經過多年累積下來的教學過程數據蘊含了巨大的分析價值（Bienkowski， Feng， & Means， 2012）。為此，可以建立稱為教學過程記錄倉庫的系統來存儲教學過程數據，例如學生在學習上投入的時間、對學習資源的利用行為、課堂中回答問題的表現、實驗過程中的動手程度等，這些教學過程都值得記錄。形成的大數據既可以幫助學生分析和優化學習過程，還可以幫助教師了解學生的學習行為特征，如學習參與度、理解能力以及與學習伙伴的互動協作等，從而可以對其學習過程和結果進行更全面、更客觀、更科學的評估（Duhon， 2014）。

（二）教學過程數據的獲取

可以從三種途徑獲取教學過程數據。對于作業、測試、問題評論以及教師的評分等靜態數據，可以通過傳統手工采集，或通過網絡教學平臺中課程管理系統自動采集；對于學生學習過程中的行為數據，如瀏覽學習內容次數、練習時間、下載資料文件次數等數據，可以借助網絡教學平臺中課程管理系統生成的日志數據；對于學生上課出勤率、回答問題表現、實驗實訓的投入程度等需要現場及時采集的數據，可以采用傳統手工方式，也可以采用移動終端APP進行采集和記錄，這部分數據采集的關鍵是及時性。

（三）數據的互操作問題

雖然目前大多數教育領域已經實現了信息化，但是其所部署的信息系統一般都采用封閉的系統架構，各系統之間彼此獨立，因而造成數據孤島，不同系統之間的數據缺乏互操作性，即各系統的數據不能整合、共享，以便用于數據分析（Bienkowski et al.， 2012）。比如教務信息系統、網絡教學管理系統、平時教師考勤系統以及評價系統等的數據就不可互用。因此，在數據采集完成后，還要考慮統一數據格式問題，除了要對數據進行名、型、值的統一，還要找出數據之間的關聯關系。因此，還需要將采集的數據映射到數據分析所需的教學過程記錄倉庫中進行預處理，以便能讓原始數據轉化為可供分析之用的“數據的數據”（Global Pulse， 2012）。

三、學習分析技術與教學活動流

（一）學習分析技術

學習分析是近年來大數據在教育領域較為典型的應用，其實質就是通過不同的數據模型和分析方法對學習者的學習數據進行分析，并用分析結果探究學習過程，發現學習規律，闡釋學習表現，從而促進更有效的學習（顧小清，等，2012）。另外，隨著網絡學習及相關學習管理系統的不斷普及，數據分析挖掘方法在學習管理系統中得到應用，相關的研究和實踐也表明，學習分析技術對于學生、教師、管理人員等都具有重要價值：可以分析學生的學習行為數據來優化學習過程；可以分析教學數據來改進教學過程和進行針對性的教學干預（Chen， Heritage， & Lee， 2005）。另外，學習分析技術的開展有賴于系統化、結構化的海量數據，而高等教育在十年前就開始全面推行采用網絡課程系統和教育管理信息系統，已經積累了大量系統化、結構化的數據，這也為學習分析奠定了不可或缺的數據基礎。

（二）教學活動流分析模式構建

1. 定義教學活動流

學生的學習是教學分析的主要對象，除此之外，還有教師的教授和引導，以及管理人員采取的管理措施和標準。通過對教學過程數據的分析，可以進一步細化教學分析的各種對象，從而界定出各種教學情境，并構建特定的分析模式。這里定義一種教學活動流來對教、學、管交互行為進行建模，這種流最終會以具有語義結構的數據形式存在，主要包含以下幾種元素：人員實體、動作、時間、地點、工具、對象和結論，這種教學活動流數據保持了教學情境的意義（Duhon， 2014）。其中，人員實體是對象的操作者，如學生、教師、管理人員等；動作代表教、學、管過程的行為，如教授、聽課、閱讀、批評等；時間是動作發生的時間；地點是動作發生的地點；工具是用于教學的器具或手段，如電腦、手機、網絡等；對象是人員實體實施動作的客體，如一種教學活動或一種學習對象，與動作相組合具有實質的意義；結論一般指關于動作經測量得到的輸出結果的信息，如考試成績、教學效果、學習反饋等。舉例來說，這七種元素可組合為一組簡潔的教學活動流格式：<人員實體，動作，時間，地點，工具，對象，結論>。利用這種格式的教學活動流對傳統教學過程行為描述為：“某教師（人員實體）某年某月某日某時（時間）在某教室（地點）上（動作）了某課程（對象）”；而在非正式教學情景中描述教學過程行為可以是：“某學生（人員實體）某年某月某日某時（時間）在網絡教學平臺（地點）在線觀看了（動作）某個知識點的程序演示（對象）”。

2. 利用教學活動流記錄教學過程數據

教學過程數據可以來自多種教學環境或平臺，包括正式課堂、基于網絡的非正式學習和手機APP等。其記錄的數據不僅包括諸如成績、作業完成情況等傳統教學過程數據，也包括教師和學生的行為日志記錄，如“批改了一次作業”“使用APP進行了一次在線答疑”或“看了一篇文獻”等。教學活動流是來自目前教學過程的映射，利用教學活動流可以記錄教學過程數據。簡言之，教學過程可以被分解為若干活動場景，人員實體在這些場景中進行一系列動作，動作過程中會用到一些工具作用到對象上，還會與其他一些人員實體發生交互，然后通過各種考核方式得到效果反饋，最后可根據反饋對教學目標及要求進行調整（顧小清，等，2014）。這樣，可以歸納出一個簡單的教學過程模型（如圖1所示）。在這一模型的基礎上，教學活動分析就是通過對觀察到的“人員實體—動作—時間—地點—工具—對象—結論”行為數據進行理解和分析，然后回溯挖掘隱藏的過程信息，為教學目標及要求的調整以及對教學過程及其活動場景的組織和優化提供依據（郁曉華，等，2013）。

3. 教學活動流的分析架構

基于上述定義的教學活動流，可以進行以下一系列分析：①用于回答“誰在學（教、管）”的人員實體特征分析；②用于回答“學（教、管）什么、如何學（教、管）”的教學過程分析；③用于回答“學（教、管）的結果如何”的教學結果分析（魏順平，2013）。教學過程分析因應用目標和服務對象的不同而有著不同的內容取向和技術方法，本文對于教學活動流的學習分析研究，聚焦于發現學生在學習行為背后所隱藏的內容與需求的關聯，進一步從掌握的數據中揭露學生的需求與問題和教與學之間的偏差，從而為教學方法的改進、教學資源的提升、教學過程的優化和評價方式的修正等提供保證。

教學活動流的分析過程包括數據采集、數據預處理、數據分析和預測建議四個關鍵環節，整個功能架構如圖2所示。采集模塊將教學主體在各教學環境中的活動數據聚合到一起，對這些異源數據進行格式等的預處理后導入教學活動流庫中，聯合用戶模型和工具與算法模型對這些數據進行統計分析和關聯挖掘，根據分析結果洞察學生的學習意圖或面臨的教學問題，再反饋到教學目標和要求，對教學活動和評價方式進行調整和修正。

四、教學活動流的分析應用

根據前文提出的教學活動流分析模式，其分析應用過程就是在各種教學環境下對教師教授和學生學習過程中的知識發現和信息提取的過程。這些處理后的信息就是經過加工的教學過程數據，對教師和學生的決策或行為有現實的或潛在的價值。這里以同一門課程前后幾屆學生的累積數據作為樣本進行分析，由于是同一任課教師教授的同一門課程，幾乎可以不考慮課程內容、教授方式等人為因素帶來的數據誤差。

（一）數據采集

隨著信息技術向教育領域滲透，傳統課堂正在向傳統課堂+數字課堂，甚至純數字課堂演變，這里的基礎教學過程數據主要來源于三個方面：傳統課堂，網絡學習系統和教務管理系統，以及移動端APP。

傳統課堂的數據采集主要靠手工記錄，記錄的內容主要是師生實時教學過程中產生的行為記錄，比如考勤、提問、發言等；網絡學習系統和教務管理系統上的數據采集可以通過日志數據或系統功能自動進行統計，比如登錄次數、在線時長、瀏覽或下載資源次數、提交作業次數、課程成績等；移動端APP采用的是金蝶公司的云之家移動辦公平臺，按照某個班級的不同課程，或某門課程的不同班級生成圈子，在圈子中進行課后師生互動，比如知識討論、訊息通知、問題解答等，使用方便靈活，更重要的是可以部署為私有云，便于各種數據的采集。

（二）數據預處理

方海光等（2014）認為：數據預處理就是對第一步采集到的基礎數據進行整理、集成、篩選和轉換，使之符合前述定義的教學活動流結構。這一階段的工作，一部分需要手工處理，一部分可以通過工具或編碼實現。基礎數據預處理后的結果如表1所示。

（三）數據分析

數據分析就是通過分析學生在各種學習環境中的學習時間投入、課程完成情況、資源利用情況、考試成績等數據，得出學習行為和學習效果之間的關系，應用分析結論來指導教學過程的參與者對學習過程進行必要的干預，同時為課程設計者提供實時改進教學設計和評價考核的依據，以提升教學效果，本文使用的學習分析技術主要是相關性統計分析。

1. 分析模型中指標變量的選擇

學習分析設計的關鍵是選定用哪些數據作為指標進行分析（王亮，2015）。這里主要考慮行為表現指標變量，即在教學過程中學生的學習行為和階段性表現。因為這類變量幾乎都可以量化，易于從紙質記錄或網絡系統中獲取。在對教學活動流庫中的數據進行初步考察后，確定作為分析指標的數據為以下三類：第一，衡量學生成績表現的指標變量，該變量關注的是學生的實時學習成果，如平時作業成績、各類測試成績、隨堂提問成績等；第二，衡量學生學習主觀努力程度的指標，如網絡學習平臺的登錄次數和頻率、在學習資源上花費的時間、參與客戶端APP知識討論次數等；第三，這個指標是很有意思的一類指標，并不是從學生的學習能力、主動性方面來考慮，而是從學生的人格品質上來考慮，就是誠信指標變量，即學生在學習過程中有沒有弄虛作假的行為，如抄襲作業、由別人代替登錄上網等。

2. 任課教師視角的教學活動流分析應用

對任課教師來說，可以以所負責的某門課程開展教學分析。本文以作者所教同一門課程七屆學生數據集作為研究對象，以學生學號作為數據集唯一區分標識。表2所示的是其中一個班級該門課程的五個教學過程行為指標變量數據統計表（部分數據）。

采用相關系數來測試五個行為指標變量與期末總評成績之間的相關程度。利用公式（1）根據表2的數據計算相關系數，得到表3。

式中r描述的是兩個變量之間線性相關的強弱程度。r的取值在-1與+1之間，若r>0，表明兩個變量是正相關的；若r<0，表明兩個變量是負相關的，r的絕對值越大表明相關性越強。描述表2中“平時作業總評”“網絡教學平臺登錄次數”“下載資源次數”“上課考勤次數”“抄襲作業次數”五個指標中每個學號對應的分數，為其平均值；描述表2中“期末總評成績”指標中每個學號對應的分數，為其平均值。

從表3可以看出，前三項行為指標變量與期末總評成績的相關程度大于50%，其中網絡教學平臺登錄次數和下載資源次數的相關程度均超過65%，后兩項的相關程度低些，且抄襲作業次數是負相關的。同樣，對這七屆學生其他班級也進行同樣分析，也呈現一致的規律。說明平時教學過程對最終教學效果的影響是不容忽視的，應該予以重視。

（四）預測建議

通過上述數據分析可以預測，學生在課程學習過程中的主觀努力程度是決定學生課程成敗與否的重要因素。通過改進課程設計、教學評價和對學生進行人工干預可以改善學生的主觀努力程度。據此，任課教師從以下幾方面進行了改革：第一，準備了更加充足的教學輔助資源上傳到網絡教學平臺，強調學生必須利用課后時間瀏覽下載資源輔助學習；第二，在課程考核方面增加了平時成績比重，比如從原來平時占20%，增加為30%—40%，甚至到50%；第三，加強教師對輔助教學平臺數據的監控，縮短平臺日志的瀏覽時間，一旦發現有異常的學生，及時給予提醒；第四，針對作業抄襲這一問題，通過一些技術手段來制約，比如要求學生在完成相同作業任務后，必須寫一段針對該部分作業的感受體會，作業評分會向這部分描述傾斜；第五，了解班上的后進生，為他們安排一對一幫扶，加大其考勤和課堂提問頻率，加強平時學習過程的監控。

通過這樣的改革后，相同的課程，在第七屆學生的教學過程中，各項行為指標變量和最后的期末過關率都有了一定的好轉和提高。最值得欣慰的是：第一，班上一名瀕臨拿不到學位的學生，通過該門課程的學習，不僅增強了學習主動性，而且期末也順利通過考試；第二，班上抄襲作業的風氣得到遏制，幾乎杜絕了這一現象。

五、教學活動流分析的實際應用意義

隨著師生教學過程的推進，包括作業成績、網絡資源使用情況、討論參與度等主觀行為數據也在不斷增加。因此，教學活動流的分析結果也會更加準確和動態變化，分析結果可以應用于管理者、教師以及學生等多種用戶，讓其了解當前現狀及其影響因素，以優化教學過程。

（一）應用于管理者

作為教學管理者，可以根據分析結果了解某個辦學機構的整體教學情況，如師生的各類教學活動總量及平均情況，各類教學資源的利用情況，當前教學計劃的進展情況，以及是否出現偏離“軌道”的意外狀況等，以便從宏觀上對整體教學秩序和教學模式進行掌控和調整。

（二）應用于教師

對于教師而言，可以從自己承擔的教學任務開展教學分析，分析內容包括學生學習行為統計描述、師生交互行為分析、影響學生學習表現的各種因素分析等。通過分析可以了解學生學習的現狀，從而有助于掌握學生的學習習慣，及時調整課程設計和教學方案。另外，還可向高風險學生發出預警信號，與他們進行及時溝通交流，并提供必要的方法引導和思想疏導，避免教學失敗，將教學質量落到實處。

（三）應用于學生

對于學生而言，目前的網絡教學平臺都具備完善的日志功能，記錄了對每個模塊的訪問及行為方式，它的“統計報表”模塊可讓學生了解自己一段時間的學習行為。教學活動流庫中的數據分析也可以讓學生了解自己的學習行為表現，以及和其他同學的差距，通過對比起到后進趕先進的促進作用。

六、結論和展望

隨著數字化校園建設和網絡輔助教學工具等信息化工程在教育領域的大力推進，積累了海量的教學過程數據，如何采集、處理、分析和利用這些數據，讓這些數據“活”起來，“開口”說話，為教學決策、過程優化、效果提升提供重要數據依據已成為教育工作者和廣大學生關注的內容。本文提出的教學活動流分析應用起到了拋磚引玉的作用。在后續的研究中，還可從以下兩個方面進一步深入：①多樣化分析內容。除了本文分析的教學過程行為指標之外，還有很多內容也可以分析，如曠課學生統計、期末成績分布、教學工具使用偏好統計、考試作弊行為統計、上網時間分布、師生交互情況分析等，可以根據教學規律歸納出若干有針對性的分析任務，為各個教學部門提供建議和決策支持。②采用多種分析方法和工具。除了采用相關性分析之外，還可以選擇聚類、關聯規則及可視化等分析方法和工具，并研究其適用的領域。

[參考文獻]

陳池，王宇鵬，李超，張勇，邢春曉. 2014. 面向在線教育領域的大數據研究及應用[J]. 計算機研究與發展（51）：67-71.

方海光，侯偉鋒，王曉春，楚云海. 2014. 基于PADClass 模型的數字化課堂學習過程數據挖掘與分析研究[J]. 電化教育研究（18）：110-113.

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

顧小清，鄭隆威，簡菁. 2014. 獲取教育大數據：基于xAPI規范對學習經歷數據的獲取與共享[J]. 現代遠程教育研究（5）：13-23.

王亮. 2015. 學習分析技術建立學習預測模型[J]. 實驗室研究與探索（1）：215-218.

魏順平. 2013. 學習分析技術：挖掘大數據時代下教育數據的價值[J]. 現代教育技術（2）：5-11.

郁曉華，顧小清. 2013. 學習活動流：一個學習分析的行為模型[J]. 遠程教育雜志（4）：20-28.

Bienkowski，M.， Feng，M. & Means，B. 2012. Enhancing Teaching and Learning Through Educational Data Mining and Learning Analytics： An Issue Brief. Retrieved May 13， 2016， from http：//www.doc88.com/p-6611144862305.html Chen， E.， Heritage， M.， & Lee， J. 2005. Identifying and Monitoring StudentsLearning Needs With Technology[J]. Journal of Education for Students Placed at Risk， 10（3），309-332.

Duhon， R. 2014. Mapping Learning into the Experience API. Retrieved May 13， 2016， from https：//www.td.org/Publications/Magazines/TD/TD-Archive/2014/01/Mapping-Learning-Into-the-Xapi

Global Pulse. 2012. Big Data for Development： Challenges & Opportunities. Retrieved May 13， 2016， from http：//www.chinacloud.cn/upload/2012-07/12071822344575.pdf

Glossary of Education Reform. 2013. Learning Experience. Retrieved May 13， 2016， from http：//edglossary.org/learning-experience/

責任編輯 韓世梅