基于動態評價體系的MOOC課程實施管理系統的設計

佘華揚

摘 要：本文基于動態評價體系，提出了MOOC課程實施管理系統。由于學習者在學習課程的過程中積累了海量行為數據，對這些數據進行挖掘從而分析學生的學習行為以便管理監測。旨在使教師和學生雙方正確認知行為，共同受益。

關鍵詞：動態評價體系；行為分析；翻轉課堂；MOOC

中圖分類號：TH111-4 文獻標識碼：A 文章編號：1671-2064（2017）05-0019-01

當前，雖然各類MOOC網站都在建設特色化的服務型系統，但不可否認的是，立足于各大高校，將線上線下相結合的MOOC課程實施管理系統還未完全建設成功。很多高校在線學習系統缺少監測評分功能，監管不到位，以至于部分學生學習不認真，出現刷課現象，沒有達到預期的教育目的。本文設計實現了一個基于動態評價體系的MOOC課程實施監控系統，“動態評價體系”的目的是降低教師的教育偏好以及課程設計的差異對系統評價學生學習效果的影響，因此信息交換的過程要進行修正，無需實時給出評價結果[1]。

1 功能需求與系統特色

1.1 需求分析

MOOC課程實施管理系統以“高校課堂的線上線下互動”為主要思路，采用MVC開發模式。系統服務器端負責處理所有業務邏輯，同時向三類用戶提供不同入口：教師、學生和管理人員，即分為三個主模塊。教師模塊可以設置課堂形式、發放通知公告、設計課后作業及習題、設置課程評價指標權重、查看學生學習情況（通過動態評價體系評價）、批改學生作業、按照學生線上提出的疑惑進行備課等。學生模塊可以查看系統公告、觀看教學視頻、完成課堂（課后）作業、向教師提出問題、完成測試、與其他同學和教師交流互動等。管理員主要職責是設置課程安排、課程管理、上傳相關教學視頻、查看教師教學情況和學生學習情況。在學生使用本系統學習過程中，系統會根據設定好的評價指標記錄學生的學習情況，由于不同老師對課程設計的差異，動態評價體系在老師完全設置好一門課程后自動對各指標可用性和權值進行設定和優化，其后開始對數據庫中存儲的學生學習情況進行評價。

1.2 系統特色

通過對高校傳統課堂和“翻轉課堂”的對比分析，擬設計一套集在線學習、在線互動、在線評價、在線學習監督等功能的系統。該系統著眼于解決高校課堂教育的線上線下結合的問題，同時根據不同老師的不同課程設置和教學偏好，以數學模型結合老師設置指標權重方式建立一套動態學生學習效果評價體系[2]。

2 構建動態評價體系

構建動態評價體系主要分成三部分，即通過主成分分析模型構建一個能充分反映學生學習效果的指標體系，通過因子分析模型設計合理的權數分配評價體系，從而到達系統的對學生學習效果進行評估和督促學生學習的目的。

2.1 主成分分析模型

學生在學習過程中會受到諸多影響，可以先設立一組評價指標，在系統每天運行的過程中收集數據，然后對數據進行量化處理，用得到的數據構建主成分分析模型，該模型通過線性變換將已知的評價指標映射為一組因子，選取方差最大的m個因子，并確保這m個因子的累計貢獻率達到85%～95%的方式對數據集進行降維，這樣會得到一組新的評價指標，與之前不同的是，這組評價指標體系對學習效果具有更強的解釋力度，從而簡化了之后的分析過程。

2.2 因子分析模型

為了對學習效果進行評估，需要估計指標體系內不同指標對不同方面影響的權重，通過合理附權得到的評價結果可信度更高。建立因子分析模型，即可得到每一方面的主要影響指標。上一步得到的指標體系量化后的數據和學習效果的幾個方面的數據可通過模型聯系起來，其中的系數矩陣，每一個元素值對應著學習效果的某一方面與某一評價指標的相關性大小，其行元素平方和反映了所有評價指標對學習效果某一方面的影響，列元素平方和反映了某一評價指標對學習效果整體的影響程度。

2.3 模型優化

動態評價體系在老師完全設置好一門課程后自動對各指標可用性和權值進行設定和優化，其后開始對數據庫中存儲的學生學習情況進行評價。常用的最優化模型有梯度下降法，牛頓法和擬牛頓法，相比于其他兩個算法，擬牛頓法具有廣泛的適用性、快速的收斂速度和更少的空間利用的特點，選擇DFP和BFGS算法進行模型優化。

3 數據庫設計

由于MySQL數據庫具有輕量級、跨平臺、查詢效率極高、使用事務插入速度極快等優點，非常適合內存占用較少，查詢速度要求較高的情況。因此，本系統選用了MySQL社區版作為平臺后臺的數據庫管理系統（DBMS），并且，它也支持SQL中DDL、DML語句操作的關系型數據庫。本系統數據庫表主要包括管理員表、教師表、學生表、學院表、課程表、視頻表、章節表、測試表、作業表、公告表等10張表。同時通過對存儲過程、視圖、函數的靈活運用，提高系統的運行效率。

4 結語

本系統的設計有利于高校線上教學的推廣和發展，但還有一些不足之處，有待落實和完善，期待后續功能的增加與改進。

參考文獻

[1]蔣卓軒，張巖，李曉明.基于MOOC數據的學習行為分析與預測[J].計算機研究與發展，2015（3）：614-628.

[2]胡藝齡，顧小清，趙春.在線學習行為分析建模及挖掘[J].開放教育研究，2014（2）：102-110.