基于SPOC平臺在線學習行為的關聯分析

何宏 劉洞波 王寧

摘 要 隨著SPOC課程類型的在線學習形式的快速發展，在線平臺記錄了大量的學生學習行為數據，對在線行為數據的研究成為熱門的研究課題。本文通過湖南工程學院網絡教學平臺中的“C語言程序設計”課程學生學習在線行為數據，與學生課程期末考試成績進行統計與關聯分析，挖掘記錄數據后面有價值的知識和規律，并從教師、學生和系統平臺的角度分析存在的問題，可推進SPOC教學模式的發展，促進高校教學質量的提高。

關鍵詞 SPOC平臺 在線學習行為 關聯分析

中圖分類號：G642文獻標識碼：A

隨著移動互聯網技術、云計算、大數據、物聯網技術等的普及和深入，教育信息化得到進一步發展，在線學習得到快速發展。2013年，美國哈佛大學等全球名校跨越MOOC（Massive Open Online Course大規模在線課程），使用SPOC（Small Private Online Course小規模限制性在線課程）課程類型。SPOC平臺中記錄了大量的實時、在線數據，而如何利用這些大數據進行挖掘和分析學生的學習行為，為教師教學決策、網絡課程評估和構建學生學習自適應和個性化學習系統等方面有重要的研究價值。

本文所研究的基于SPOC平臺的在線學習行為關聯數據分析，數據源是湖南工程學院網絡教學平臺和計算機程序大賽（ACM）的Onlie Judge系統中的《C語言程序設計》課程各個學習環節的真實在線學習行為數據。包括學生登錄的次數、登錄的時間段、學習各種資源的時間長度、作業的分數和章節測試成績。對真實數據作關聯分析，可以使教師更好的了解學生的學習行為特征，對學生在線學習和SPOC平臺的網絡課程全面進行評估，開發學生自適應和個性化相結合的網絡課程，推進信息化教學的發展，提高高校教學質量。

1在線學習行為分析

在線學習行為分析主要基于SPOC平臺對師生學習過程的記錄數據，針對行為主體（教師、學生）的行為方式（登錄、瀏覽資源、觀看視頻、發帖、做練習、測試）、行為客體（各類資源、網絡課程模塊）的被使用情況以及行為發生時間進行統計、可視化和各類挖掘，并結合師生的人口特征數據對影響在線學習行為的因素進行挖掘。

從已有的研究來看，不少研究者利用各種數據挖掘技術對在線學習行為領域作了各種深入的研究。孫笑微利用利用統計分析方法對在線行為特點及其影響因素作了分析。郭欣悅構建MOOC多元化學習行為框架，對學習行為進行了分析。陳晉音等用數據挖掘方法對在線學習行為進行了分析，并按行為特征進行了個性化推薦。蔣卓軒等對MOOC記錄數據作了分析并對學習者成績進行了預測。

2在線學習行為數據關聯分析

本文選取湖南工程學院計算機與通信學院的專業必修課“C語言程序設計”作為研究對象。“C語言程序設計”是湖南工程學院計算機與通信學院各專業本科生大一分兩學期開設的一門專業必修課程。該課程是學校網絡課程建設之一，專門開發課程配套相關文檔教材和微課視頻等，并且搭建了ACM的OJ平臺輔助學習練習和提升程序設計能力。以2018至2019秋季為例，開課時間為學校第6周到第19周（含考試周），實際94天。選取學院軟件工程專業18級71名學生（男生56人，女生15人）為研究樣本，通過收集湖南工程學院網絡教學平臺記錄的這些學生行為記錄和基本信息來開展在線學習行為的關聯分析研究。

通過收集網絡課程平臺記錄的后臺日志數據和OJ平臺記錄的4次學院統一章節測試數據，可得到學生登錄的基本信息，如表1所示。

下面以平臺記錄的學生登錄時長、學生登錄次數、學生作業成績和學生章節測試成績與學生本學期期末考試成績作關聯分析。

2.1學生登錄時長與期末考試關聯分析

以學生登錄平臺的時長（主要是觀看微視頻時間）和學生期末考試成績作數據關聯分析，得到表2所示的結果。

從表2可以看出，網絡課程中微視頻是任務點，計入學生平時成績，總時長為419.2分鐘。研究樣本學生平均觀看時長為197.7分鐘，平均完成47.2%;最長為600.6分鐘，最短時長為8分鐘，有些學生多次觀看視頻，有些學生沒有看視頻;男生平均時長為186.1分鐘，男生平均完成44.4%，女生平均時長為241.1分鐘，女生平均完成57.5%;研究樣本中，登錄時長與期末考試成績相關系數為0.124，男生登錄時長與期末考試成績相關系數為0.12，女生登錄時長與期末考試成績相關系數為0.272。

從統計與關聯分析數據來看，網絡教學平臺中微視頻對輔助教學有一定的作用，女生通過網絡課程平臺能更多的自主學習。但數據顯示關聯系數較小，需開發更高質量滿足學生自主學習和個性化的網絡課程資源;學生在課前預習和課后復習的時間嚴重不足，沒有足夠的時間來完成學習任務;從平臺記錄的登錄時間來看，許多學生都是集中在考前觀看，主要是完成任務，獲取平時成績，不是自主的學習，沒有充分發揮網絡課程中的教學資源起到輔助教學的作用。

2.2學生登錄次數與期末考試成績關聯分析

收集學生登錄平臺的次數與學生期末考試成績作數據關聯分析，得到表3和表4所示的結果。

從表3和表4可以看出，學生以移動客戶端方式登錄平臺占比大大高于電腦端方式，月份統計最低71.07%，有時高達100%;學生平均登錄網絡課程平臺238.4次，71個學生在94天時間中平均每天登錄2.54次，最多的登錄466次，最少的只有61次;學生登錄次數與學生期末考試成績相關系數為0.153。從學生登錄網絡的時間來看，每天8：00到20：00時間段登錄的次數達14074次，比例為83%。

從統計與數據關聯分析來看，網絡課程平臺采用Web2.0技術，通信技術與網絡技術的發展，更大的方便學生使用移動通信工具隨時隨地學習，傳統教學模式可以與SPOC教學模式相融合，可以促進課程教學的提高;從學生登錄的時段也可以看出，大部分學生有一個規律的學習，已形成一個良好的學習習慣，任課教師也可根據學生登錄的時間段合理安排在網上的答疑和交流的時間。登錄次數低和相關系數小，網絡平臺資源還缺乏吸引力，資源大眾化，無個性化資源，系統也不能實現智能化推薦功能。

2.3學生作業成績與學生期末考試成績關聯分析

收集學生從平臺提交的6次作業成績與學生期末考試成績作關聯分析，結果如表5所示。

從表5可以看出，學生通過平臺完成相應的作業質量是比較高的，作業平均成績達89.3。學生作業成績與學生期末考試成績相關系數達0.312。

從表5的統計與關聯分析結果來看，研究對象“C語言程序設計”課程，通過平臺和移動客戶端能更方便和更好的使學生完成作業;作業與成績相關系數高，教學中課程作業使之成為教學中重要一環，學生缺乏自主學習，作業檢查成為鞏固課程學習的重要手段。

2.4學生章節測試成績與學生期末考試成績關聯分析

學院為了使專業學生學好“C語言程序設計”這門基礎課程，為專業的其它課程的學習打下良好的基礎，該課程進行相應的改革，除正常的教學外，學院搭建用于計算機程序設計大賽（ACM）的Onlin Judge（OJ）訓練和測試平臺，開發大型題庫，配備輔導教師，每周兩晚各三小時安排統一機房用于學院各專業一年級學生程序能力提升訓練和測試。收集4次章節測試成績和學生期末考試成績，作數據關聯分析如表6所示。

從表6可以看出，研究對象“C語言程序設計”課程通過OJ平臺進行大量的編程訓練，訓練效果好，章節測試平均成績達到88.7，最高的每次章節測試成績為100;學生章節測試成績與學生期末考試成績相關系數為0.198。

從表6統計、分析的結果與課程改革實踐來看，“C語言程序設計”課程通過湖南工程學院網絡教學平臺和OJ平臺這兩個平臺的學習和訓練，達到了課程改革的目的，提高了教學質量。但學生期末考試平均成績不高，學生掌握該課程差距較大，基礎不牢。從學生方面來看，訓練和測試，包括作業，要自覺認真完成，達到各個環節學習的效果，真實體現教學過程中的一些問題，使之及時反饋給教師，及時調整教學。從教師來看，教學中設置了訓練、測試和作業這些環節，要對學生及時進行督促檢查，及時發現學生在課程教學中存在的問題，實時調整，使學生能解決學習中的問題，達到提高教學質量的目的。

3結論

本文對湖南工程學院網絡課程平臺中的課程之一“C語言程序設計”學生學習行為數據，包括學生登錄時長、登錄次數、作業成績和章節測試成績與學生期末考試成績作了統計與關聯分析。從分析結果來看，學習行為各種數據都與學生期末考試成績相關聯，網絡課程提供的網絡資源和各種教學環節會提升學生課程成績，促進教學質量的提高。但從教師角度出發，采用SPOC課程類型教學中，需要教師開發更高質量的網絡資源，特別是短小精悍的微視頻，滿足學生自主學習和個性化學習的要求。從學生角度來看，要改變傳統的學習方式，要善于利用在線學習形式而獲取更多的資源，個性化學習與自主學習相結合，有利于學習專業知識。從網絡平臺來看，在線數據不能只提供簡單的記錄或統計服務，需要提供一個自適應的平臺。學生從平臺獲得個性化服務，提高學習效率;教師從平臺獲得智能化服務，及時干預教學，提高教學質量。

利用學習行為分析的方法與技術，可以深入挖掘學習者學習數據背后隱藏的巨大價值，而在線學習行為分析是一門綜合性較強、跨領域較廣的研究。目前這方面雖已經取得了一定的成果，但行為記錄的研究只停留在學習者外顯行為的研究，缺乏對內隱行為的研究;系統平臺提供的個性化和智能化服務系統還需要進一步改進。這需要更多的研究者在這一領域加大研究力度，推進教育信息化的發展。

參考文獻

[1] 王祎.在線學習行為分析及應用研究[D].武漢：華中師范大學，2018.

[2] 孫笑微.基于SPOC平臺日志數據的在線學習行為分析及其影響因素研究[J].沈陽師范大學學報：自然科學版，2017，35（01）.

[3] 郭欣悅.多元分析框架下的MOOC學習行為分析[J].開放學習研究，2017（04）.

[4] 陳晉音，方航，林翔，鄭海斌，楊東勇，周曉.基于在線學習行為分析的個性化學習推薦[J].計算機科學，2018，45（B11）.

[5] 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，2015，52（03）：614-628.