教育數據挖掘在提高混合式教學質量中的探索

卞璐

“數據驅動學校，分析改變教育”，利用教育數據挖掘技術對在線開放課程的學習數據進行預測、聚類、關聯等分析，能夠提高發掘教育數據背后隱藏的現象規律，提升高職院校人才培養質量。

從“慕課元年”（2012年）至今，國內外知名大學都發起了大規模在線開放課程（ Massive Open Online Courser，MOOC）的開發與建設，眾多的高職院校也投身到此教育改革浪潮中，開發了許多更適合高職學生學習的小規模在線開放課程（ Small Private Online Courser，SPOC）。不管是MOOC或是SPOC都依托網絡為學生提供學習資源，學生的學習痕跡被記錄下來，由此產生大量的教育數據。2012年10月，美國教育部發布了《通過教育數據挖掘和學習分析促進教與學》報告，目的就是為了促進教育大數據能夠有效指導美國高校教育。徐鵬等（ 2013）解讀了該報告，認為“迫切需要整合現有資源，發揮后進優勢，實現教育大數據研究和應用的跨越式發展。”胡水星（2017）、呂海燕（2017）、孫笑微（2017）等都對學生的在線學習數據進行了挖掘和分析。

1.教育數據挖掘與在線開放課程

1.1教育數據

徐鵬等（2013）指出教育數據（ Education Data）有廣義和狹義之分。廣義的教育數據一般是指教育活動中師生的日常行為數據，具有階層性、情境性和時間性等特征。狹義的教育大數據一般指學習者的學行為數據，她主要來源于學生管理系統和在線學習平臺等。

1.2教育數據挖掘

數據挖掘（ Data Mining） -股是指從大量的數據中，利用統計、在線分析、情報檢索等各類方法來尋找其中隱藏的信息的過程。

教育數據挖掘（EducaLion DataMining）是指應用多個學科的理論和技術來解決教育研究和時間中的問題，如教師能夠根據學生的學習數據發現學生學習規律，有效指導教師改進教學方式，提高教學效率。

1.3在線開放課程教育數據挖掘的重要性

麥肯錫公司（2011）發布的《大數據：下一個前沿，競爭力、創新力和生產力》的調研報告指出：大數據研究將帶來巨大價值。隨著教學資源的建設與應用展開，教師們面臨的主要問題不再是信息缺乏，而是面對大數據如何有效地挖掘潛在教育信息，為后續教育教學提供輔助決策。

在線開放課程教育數據挖掘，能夠倒逼教師去學習和掌握現代化信息技術，創新教學方法，促進教育教學改革的進行。能夠深化在線開放課程的建設與應用，挖掘數據背后隱藏的教育信息，讓教師們更深入的掌握學生的學習規律，打造個性化教育方式，提高教學效果，提升人才培養質量。

本文主要研究高職院校學生在在線開放課程學習過程中留下的學習痕跡數據，探索高職學生的學習規律，分析學生對在線開放課程資源的使用偏好，從而改進教學內容和教學設計，提高教學和學習效率。

2.在線開放課程教育數據挖掘相關技術

2.1教育數據挖掘相關分析方法

科學的分析方法是教育數據挖掘的關鍵，可以解決不同類型的問題，目前，常用的分析方法有預測、聚類、關聯、判斷以及建模。（1）預測：根據學生已呈現出來的學習數據，依照一定的方法和規律對學生的學習情況進行推斷。例如，根據學生在線作業效果可以了解學生對知識點的掌握程度。（2）聚類：將抽象的數據根據數據內涵分成多個類似子集。例如，根據學生的視頻觀看教學頻率將學生分成不同群體，根據不同群體的學習特性提供個性化教學。（3）關聯：從海量學習數據中尋找它們的相關性。例如，探索學生觀看教學視頻的頻率和學習成績的相關關系。（4）判斷：利用可視化

圖1 教育數據挖掘流程方式描述數據，便于人們快速區分數據。（5）建模：通過聚類、關聯等數據挖掘過程，為未來教學預測和分析構建有效的解釋模型。

2.2教育數據挖掘流程

教育數據的挖掘首先從數據的收集開始，如圖1所示，根據目標選取數據進行預處理，然后采用各種挖掘技術對數據進行處理與分析，對得到的結果進行解釋，將結果應用與教學，提高教學質量。

3.在線開放課程教育數據挖掘的實例分析

筆者主持了常州信息職業技術學院在線開放課程《物流管理實務》的建設和教學工作，采用線上線下相結合的混合式教學方式，收集了大量的該課程的教育數據。目前，我院師生使用的網絡教學平臺（超星）可以提供詳細的分類數據，包括教學視頻觀看時長、章節訪問次數、討論次數、章節測驗、在線作業、在線考試、課堂簽到、課堂討論等多種學習痕跡數據，教師們可以利用EXCEl或SPSS進行建模和分析。

本文以該課程物流管理2015、2016、2017三個年級241位學生的部分學習數據為研究樣本進行研究。

3.1學習工具使用分析

選取物流管理2015級、2016級和2017級分別在2016年3月、2017年3月份、2018年3月份學生完成線上學習任務所使用的工具為分析對象，如圖2所示，當代高職學生越來越多的使用移動客戶端完成網上學習，從2016年的62%上升至2018年97%。學生對手機的依賴現象也體現在線下教學的教室里，課堂玩手機是教師不能回避的教學問題之一，將手機納入的教學和學習的工具將是解決這一問題的最好的方法之一。對學生學習痕跡進行分析，預測學生對各類學習資源的偏好，優化教學資源，提高學生學習興趣和學習成績，為建設優質高職院校教育資源提供參考。

越來越多的學習平臺推出了手機APP，例如超星學習通、藍墨云班課等，這些APP中設置課堂簽到、在線搶答、隨堂測試、頭腦風暴、小組作業等功能，同時，教師們可以在線評價、學生們可以互相評價。無論是正常教學還是翻轉課堂形式，這些教學手段的使用，都能大大提升學生的關注力，提高課堂教學質量。

3.2 聚類分析

選取物流管理16級1班44名學生該課程視頻觀看時長、論壇討論次數、章節訪問數數據，利用SPSS做聚類分析，表1為聚類分析結果。物流161班的學生被分為3類，第一類學生的線上學習任務平均完成比例為8g%，第3類學生的平均完成比例為17%。根據對應的學號，查閱該班學生線下評價和期末考核發現，第一類學生無論是線下評價還是期末考核都達到了優秀或者良好的成績。第二類學生線下評價和期末考核多為良好和中等，而對應的9名第三類學生則線下表現欠佳，期末考核成績多為及格，甚至有兩名學生成績為不及格。

從表1中還可發現，第一類學生雖然平均成績較高，但線上發起討論數沒有第二類學生高，第三類學生討論數最低。結合課堂表現，第一類學生聽講認真，作業完成率高，但和老師的課堂互動并不是很主動，第二類學生則更愿意和老師交流，這類學生不怕“說錯”，第三類學生則往往游離于課堂之外。

對學生學習數據進行聚類分析，歸納學習行為規律，預測學生個性特點，將學生分類，設計個性化培養方案，有的放矢，注重教育公平性，為各類學生提供表現機會，提高人才培養質量。

3.3教學視頻觀看頻率分析

選取物流管理2015級、2016級和2017級學生對“定量訂貨法”知識點教學視頻的觀看數據為分析對象，圖3中分別統計了3個年級6個班的學生對該知識點視頻的最高觀看率、最低觀看率和平均觀看率。6個班中最高觀看率最高為1216%，即該生對此視頻觀看了12遍之多，最低的最高觀看率也有180%，最高的平均觀看率為203%，最低的平均觀看率為10g%，說明該知識點有一定的難度，“定量訂貨法”對于大一新生來說確實為較難的知識點。

圖3中還可發現，無論最高觀看率還是平均觀看率都在逐漸降低，說明學生對該課程的重視程度在下降，教師們還應關注學生的學習態度。

對學生學習數據進行相關性分析，可以了解學生對重難點的掌握程度，為教學策略提供輔助決策支持，合理調整線下教學進度，提升教學效果。

4.結論

“數據驅動學校，分析改變教育”的大數據時代已經來臨，利用教育數據挖掘技術和學習分析技術，構建教育領域相關模型，探索教育變量之間的相關關系，為教育教學決策提供有效支持將成為未來教育的發展趨勢。在2012年和2013年《新媒體聯盟地平線報告（高等教育版）》中提到，云計算和大規模開放網絡課程是影響未來五年高等教育信息化趨勢的重要技術和推動力。

在線開放課程教學過程中累計了大量的教育數據，目前，教師們對這些數據資源的應用大多還局限于簡單查詢和統計，缺少“以生為本”的深層次的數據挖掘、分析和應用。這些數據隱含了諸多的學生學習行為特點和教師教學習慣，如果能夠充分發掘教育數據背后隱藏的現象規律，教師們便能夠更有針對性地開展個性化培養，更有效地制定人才培養方案，為在線開放課程的建設與應用向著規范化、高效化、個性化、智能化的發展助力。

教育數據是重要的戰略資本，探索高職院校教育數據挖掘，引導教師將實際教學經驗與客觀教學數據有機結合，促進教學改革，創新教學方法，提高教學效果，提升高職院校人才培養質量。