大數據環境下的學情分析 與教學質量評價機制研究

周云霞 栗磊 高新成 王燕 盧青

摘 要 大數據環境為高校教育治理提出了新的挑戰，信息技術與高等教育不斷融合，教學內容開放化，教師角色復雜化，學習形式個性化和靈活化，教育數據多元化和密集化等，這些因素對學情分析與教學質量評價提出了新的要求。將學情分析與教學質量評價有效結合，構建大數據環境下具有智能預測的多元化、智能化、個性化和數據化的學情分析與教學質量評價體系模型，分為特征數據提取層、學情分析機制層、策略調整反饋層等三個層次，能夠促進教學改革，有效提升教學水平，增強學校核心競爭力。

關鍵詞 大數據 學情分析 質量評價中圖分類號：G642 ? ? 文獻標識碼：ADOI：10.16400/j.cnki.kjdks.2019.04.008

Abstract The big data environment has posed new challenges for university education governance， such as the continuous integration of information technology and higher education， the openness of teaching content， the complexity of teachers' roles， the individualization and flexibility of learning forms， the diversification and denseness of educational data， etc. These factors have put forward new requirements for the analysis of learning conditions and the evaluation of teaching quality. Effective combination of learning situation analysis and teaching quality evaluation can construct a multi-dimensional， intellectualized， personalized and data-based model of learning situation analysis and teaching quality evaluation system under large data environment， which can be divided into three levels： feature data extraction level， learning situation analysis mechanism level and strategy adjustment feedback level. It can promote teaching reform， effectively improve teaching level and enhance learning， and strengthen school core competitiveness.

Keywords big data; learning situation analysis; quality evaluation

1 學情分析內涵

國內外古代先賢們曾提出“因材施教”“精神助產術”“自然教育論”“尊重天性”等教育思想，[1]這些思想雖然都沒有提出學情分析的真正內涵，但是都隱喻教育要根據自然規律尋找個性化的教育方法。近現代，國內的研究者認為學情分析在廣義上是指對學生的所有情況的分析，狹義上是指對學生在學習方面有何特點、學習方法怎樣、習慣怎樣、興趣如何，成績如何等方面的分析，國內的研究更看重獨立性、實用性，設計理念包括教學方法和學法指導，以及教學設想的分析;在西方有關學情分析的解釋有多種：Analyze Student（分析學生）、Learners Characters（學習者特征）、Analyze Learners（分析學習者）等，更看重教學過程的系統性、融合性，將教學內容分析、課堂互動、評價與反思等融入到教學過程中。本文主要是對教師教學、學生生活與學習行為進行分析。

2 大數據在教育行業中的應用現狀

目前，大數據在教育領域的應用主要集中在學習分析、行為檔案、管理服務、教學科研等方面。一些高校已經形成了協同可持續的智慧化管理與導引發展新模式。目前，在線學習、網上課堂、MOOCs、教學評價系統、教務管理系統、校園卡系統等多種信息化平臺得到廣泛應用，為數據成爆炸性增長創造了空間。這些數據具有數據量大、速度快、類型多、價值高四大特點，利用這些數據，探尋新的知識，服務于教學，為領導提供決策分析已成為當下必然趨勢。據調查，目前我國在應用大數據進行學情分析方面的還不多，主要集中在用戶行為分析方面;國外主要是利用深度挖掘技術，預測學生未來學習情況。[2，3]

3 大數據分析的多層模型

大數據分析多層模型自下而上共分為五個層次：元數據層、數據倉庫層、數據探索層、數據挖掘層、數據展示層。元數據層主要是將各種各樣的數據通過ETL（Extract Transform Load）進行抽取、轉換、加載到數據倉庫。數據倉庫是一個存放大量數據的物理空間，方便對數據進行分析。數據探索層是數據的核心層，利用統計學中的相關指標，對數據倉庫中的數據進行統計分析，實現一些目標比較明確、計算方法比較清楚的統計分析。數據挖掘比數據分析難度要高，分析目標不清楚、實現方法不確定。數據展示層是把數據分析和數據挖掘得出來的結果通過圖表、報表展現出來，可以直觀的看到結果，以便決策。

4 學情分析與教學質量評價體系模型

4.1 模型概述

參照大數據分析的多層模型，整合校園中各業務系統的結構化與非結構化數據，依托Hadoop生態系統，運用數據分析與挖掘技術，構建起大數據環境下的學情分析與教學質量評價體系模型。該模型以保證信息安全為基礎，建立在多維時空之上，以大數據作為環境支撐，依托個性心理學、學習分析理論和大學生事務管理學等相關理論，[4]實現業務的智能化趨勢預測和教學策略調整，為教學、服務和管理等提供科學的數據支持。在多維時空中，每個維度對應于不同的評價指標，每個評價指標都有相應的數據庫提供數據支撐，通過相關的數據庫，對學生的行為數據進行分類匯聚，運用大數據的數據挖掘技術對離散點分析和聚類分析，形成更加科學合理的綜合教學評價體系。[5]以往的學情分析模型很少涉及教學質量評價，本文將學情分析與教學質量評價相融合，一是利用學情分析結果為教師提供良好的數據參考，在一定程度上促進教學改革;二是學生的各種行為數據展示的結果也能很好的反映教師的教學策略是否適應個性化的需求，既互相影響又互相促進;三是使得模型在業務流程上更加完整。

模型大致分為三個層次：特征數據提取層、學情分析機制層、策略調整反饋層。每個層次都有具體的功能，三個層次互相依托，形成完整的數據和業務流程。下面對各個模塊做簡要介紹。

（1）特征數據提取層通過Hadoop生態系統的分布式文件系統（HDFS）將各類離散的數據進行分布式存儲，數據具有多樣性，可以從多個維度對學生的學生基本信息、課堂學習、課外學習、校園生活、以及娛樂等情況進行分析，多維度的數據為教師提供了豐富有效的數據資源，為教師調整教學方案提供了準確而科學的依據。

（2）學情分析機制層是模型的核心層，具有承上啟下的作用。特征數據通過抽取、轉換和加載后進入該層，有些特征數據需要通過數據挖掘算法進入個性化反饋機制，[6]反饋結果經過自適應推薦機制直接作用給學生;有些特征不確定的就要通過數據挖掘模塊，經過聚類分析、關聯分析以及頻繁模式樹等算法計算后進入智能趨勢預測模塊，再通過Nodejs或者Echarts等技術展示給教師、管理者還有家長，比如課堂學習情況就要通過多個數據庫關聯分析，多個維度的結果都要以可視化的方式展示出來，只有這樣，關注者才能直觀的看到數據的真正價值，也更加科學合理。

（3）策略調整反饋層主要是對教學目標和教學策略進行調整。根據可視化展示結果，家長、教師以及管理者能清晰的從不同維度看到學生的真實情況，從而用科學的數據指導教學、改進教學，促進教師的專業化發展。教師具有雙重角色，一是受評價者，受到來自學生、同行、專家以及管理者從課程建設、教學狀態、學生情況、科研水平四個角度的評價;二是評價者，對自己的教學策略進行評價，學生的多維空間展示結果可以很好的印證教學策略是否適合個性化的教育需求。雙重角色賦予教師不同的使命：一是更好的制定個性化教學目標以適應開放式互聯網空間教學模式;二是提升自己的專業教學水平與科學研究能力。

4.2 關鍵技術概述

（1）聚類和相關性挖掘是模型中重要的數據挖掘方法。通過多維空間提取關于學生的學生基本信息、課堂學習、課外學習、校園生活、以及娛樂等多種多樣的數據。數據雖然種類繁多，但都是圍繞學生的生活和學習，具有一定的邏輯關系，采用聚類和相關性挖掘技術可以更加準確的了解到學生的學習和生活習慣，從而為校園管理提供更好的科學依據。聚類的關鍵是如何將大量的數據按照相似的特點劃分成不同的子集，并且讓不同的子集之間的相關性很小，教師和管理者都可以通過這些子集制定更加具有針對性的教學和管理方案。關聯分析能夠更好的判定學生的行為趨向，如通過學生的消費數據可以分析學生的消費水平，根據消費的情況可以尋找貧困學生并加以資助等，這些實際的應用對于學校的細節化管理都會有所幫助。

（2）智能趨勢預警是模型的關鍵部分，不僅為學生提供課程學習預警，同時也為教師、家長以及管理者提供不同的警示信息。趨勢預警利用了數據挖掘的關聯規則和回歸分析方法，對大量數據的分析可以了解學生所選課程的相關性，了解學生的學習情況，從而為學生推薦選課方案;可以根據預測哪些是學生經常“掛科”的課程;可以預測學生的后續課程情況;可以預測哪些學生不適合選擇的課程;可以跟蹤學生的成績情況，并預測學生的綜合測評，預測學生的推免情況。家長通過可視化模型可以隨時督促孩子調整學習狀態;教師可以了解學生的整體趨勢情況，如哪部分學生對教學方案適應的好，是否需要調整教學方案，如何調整教學方法等，從而制定科學合理的個性化教學方案;管理者可以根據學生趨勢預警情況，提前調整管理辦法，以應對有可能發生的風險。

5 結束語

大數據環境為高校教育治理提出了新的挑戰，教學環境進入云空間，教學內容更加開放，教師角色更加復雜化，這些因素都對學情分析與教學評價提出了新的要求。運用大數據技術對學情分析進行智能挖掘與智能預測還有更廣闊的發展空間。未來，我們要用智慧的手段幫助教師和管理者形成快速和科學的決策，真正實現教育管理智慧化。

黑龍江省高等教育教學改革研究項目“高校本科教學質量保障體系建設的研究與實踐”（SJGY20170024）

參考文獻

[1] 毛耀忠，張銳.西方學情分析研究：源起、現狀及走向[J].外國中小學教育，2017（7）：1-8.

[2] SOUTHAVILAY V，YACEF K，REIMANN P，et al.Analysis of collaborative writing processes using revision maps and probabilistic topic model[C].Proceedings of the Third International Conference on Learning Analytics and Knowledge.ACM，2013：38-47.

[3] FERGUSON R，SHUM S B.Social learning analytics：five approaches[C]. Proceedings of 2nd International Conference on Learning Analytics and Knowledge.ACM，2012：23-33.

[4] 萬宏建，李賽強.大學生事務管理學[M].北京：人民出版社，2014.

[5] 李有增，曾浩.基于學生行為分析模型的高校智慧校園教育大數據應用研究[J].中國電化教育，2018（7） ：33-38.

[6] 李強，趙晨杰，羅先錄.基于大數據應用技術的學情分析系統架構分析與設計[J].軟件工程，2018（5） ：34-37.