基于云平臺的學生學情分析

胡亞慧 肖蕾 唐曉 陳新 方其慶

摘 要：為更有效地向學生推薦合適的學習資源，綜合考慮學生基本信息、課程基本信息、位置信息、時間信息等因素，構建基于時空的學生學習資源庫，從而提取學生學習特征，挖掘學生學習特點，發現學生學習偏好，推薦學生可能感興趣的學習資源，并分析影響學習質量的主要因素，從學生學習行為中發現其學習偏好。經實踐證明發現，該方法有利于為學生推薦合適的學習資源，使教師及時掌握學生學習情況。

關鍵詞：云平臺;學情分析;學習行為;學習偏好

DOI：10. 11907/rjdk. 191971 開放科學（資源服務）標識碼（OSID）：

中圖分類號：G434文獻標識碼：A 文章編號：1672-7800（2020）002-0254-04

英標：Learning Situation Analysis Based on Cloud Platform

英作：HU Ya-hui1， XIAO Lei1， TANG Xiao1， CHEN Xin1， FANG Qi-qing2

英單：（1. Early Warning Information Department， Air Force Early Warning Academy;2. Early Warning Equipment Department， Air Force Early Warning Academy， Wuhan 430019， China）

Abstract： For improving the efficiency of learning situation recommendation， a learning resource database based on time and space is constructed from basic information of students， courses， locations and time information， so as to extract learning situation characteristics， explore their characteristics， discover their preferences， recommend the related interests and analysis of the important factors affecting the quality of learning， so as to realize the discovery of learning preferences from learning situation behavior. Practice has proved that this method is conducive to recommending learning resources for students and grasping their learning situation in time.

Key Words： cloud platform;learning situation analysis; learning behavior; learning preference

0 引言

隨著大數據、云計算、物聯網等新技術的迅速發展，公眾日常生活與學習日益信息化，如遠程視頻、網絡購物、線上教育等均可通過網絡獲得服務[4-6]。高等院校教育也與時俱進，學生接受教育的方式多樣[7-8]。學生不僅可在學校接受常規教育，也可通過互聯網等方式隨時隨地上傳下載自己感興趣的學習資源，該方式不僅擺脫了傳統教學模式在時間、地點及授課人等方面的限制，還可根據學習者已掌握的知識和對新知識的需求，實現個性化學習，且不受時間、地點約束，從而提高學習效率與學習質量[9-13]。因此，在學習資源日益豐富的環境下，如何及時了解學生學習興趣和進度，并給予高效的學習資源推薦是一個值得探討的問題，也引起了眾多教育者關注。

張依歡[14]將關聯規則算法應用于高等教育教學質量評估，挖掘教師課堂教學效果與教師教學過程和教學方法手段之間的關聯規則;張敏[15]以遼源職業技術學院醫藥分院教師評價系統、教務管理系統、人事管理系統數據為數據源，采用數據挖掘算法分析教師對教學效果的影響;張志友[16]提出利用挖掘算法挖掘選課系統中的頻繁項集，從而得出什么樣的學生喜歡什么樣的課等一些有用的頻繁項集，輔助相關部門進行教學資源分配，使其作出更合理的決策;許晏銘等[17]在研究生課程特點分析的基礎上，提出一種將自設教學目標與普遍教學要求、指標量化與模糊分類相結合的研究生課程質量評價方法，有效提高了研究生課程質量評價工作客觀性與效率。

但是，上述研究數據大多基于人工采集、調查問卷、系統錄入信息等方式進行采集，存在數據不完整、不全面、不真實等問題，不能完全反映教師或學生的基本信息，致使后期數據分析存在一定片面性。目前空軍預警學院所有計算機類課程均基于云平臺進行教學，該平臺不僅包含計算機類課程教學內容，還可記錄學生學習信息。本文通過收集整理學生在云平臺上的學習信息，采用數據挖掘方法對學生學習內容、學習時間、學習地點、學習時長等信息進行分析，歸納學生學習特點，為教師后期課程教學安排提供依據，最終達到提升教學質量的效果。

1 信息技術教學優勢

（1）學校應充分發揮信息技術的高效性，推動教與學走向多元化。隨著信息技術的快速發展，為進一步提高教學質量，各大院校正積極創新教學模式、拓展教學方法、改革教學手段，使學生獲取知識的渠道不再局限于課堂。例如，網絡公開課、慕課、微課、遠程教育平臺等新穎的教學模式被積極推廣應用，學者們從多個角度進行了研究和改進。如劉磊等[18]基于移動社交平臺微信與國內領先的云平臺新浪云，開發了教務信息查詢系統，便于師生隨時隨地查詢信息;管維紅等[19]基于在線實驗云平臺，為學生提供了在線實驗及課程教學資源一體化的泛在學習體驗;伍琴等[20]探討了基于云平臺的華文教學新模式應用體系，以改善華文教學質量，實現華文教育優質資源共享與教育體系優化;劉遠軍[21]探討了在網絡云平臺下，利用SPOC實現翻轉課堂開展教學改革的思路;吳淑蘋[22]提出MOOC模式下的云學習環境框架;李素若[23]以《C++程序設計》課程為例，采用慕課線上學習與課堂討論相結合的混合式教學方式，大幅提高了學生學習積極性與學習興趣。

學生可將課堂教學與網絡教學緊密結合，學習時間和空間不再拘泥于固定時段和地點，可以根據個體對知識的掌握程度，合理安排學習內容和學習時間，有效控制學習進度，充分發揮學習自主性。對于教師來講，可從學生學習反饋、網上答疑、學習資源點擊率等信息獲取學生學習進度及疑難點，及時調整教學內容，為學生答疑解惑。這既順應了學生訓練任務繁重、學習時間碎片化和網絡環境誘惑多的實際情況，也可幫助教師及時跟進學生學習進度，使教與學有機結合，進一步提升教學質量與教學效果。

（2）依托云平臺，建立教學資源庫，分析學生學習效果。計算機類課程離不開學生實踐練習，但不同計算機課程需要的實驗環境、設備和配置大不相同，往往導致實驗中心的設備無法完全滿足教學要求，且升級更新計算機設備往往需要大量時間，同時學生在個人電腦上進行計算機實踐操作時，也常因為計算機軟硬件配置不夠或版本過低，難以運行大型程序，如大數據處理、深度學習等程序。

如果將計算、存儲、平臺等各種資源采用虛擬化技術提供給學生，學生可直接通過瀏覽器登錄該云平臺，啟動虛擬機進行實踐練習，教師也可隨時跟蹤學生學習情況并答疑解惑，以及給學生分配學習任務。

為方便學生不受限于時段、地點、個人電腦配置登陸平臺進行自主學習，可及時調節學習進度，將教師錄制的微課、慕課、公開課等在線資源與教師在課堂教學中對學生學習情況登記的信息整合，從數據中獲得學生下載資源、在線學習時間、學習內容、學習位置等信息，提取學生學習特征，分析不同期班、不同層次學生的學習行為和學習特點，掌握學生學習規律，從而發現教學環節中存在的問題，合理配置教學資源，進一步調整教學內容設計、教學方案規劃，使教學效果進一步優化，提高教學質量。同時，還可根據不同期班、不同層次的學生，實施個性化教育方案，從而激發學生學習主動性和積極性。

2 基于云平臺的學生學情分析框架

為獲取學生學習基本信息，基于云平臺搭建學生學情分析框架，及時掌握學生學習情況，分析學生學習特點，為其推薦可能感興趣的學習資源，并為教師提供學生學習過程中的疑難點與影響學習質量的主要因素，從而調整教學內容和教學方案，提高教學質量。框架結構如圖1所示。

該框架主要分為3部分。

（1）數據來源，包括本地數據庫和網絡數據庫兩部分。本地數據庫包括學生基本信息、課程基本信息、教室基本信息、教師基本信息等;網絡數據庫包括學生在網上學習的內容、學習時間長度、所在位置、與他人或教師的留言等信息。由上述信息構成基于時空的學生學習行為資源庫，以便下一步數據分析。

（2）數據分析。從數據來源中分析提取學生學習特征，包括學號、課程編號、學習時間、位置、教師編號、學習次數等數據，采用關聯分析、聚類分析、時空序列分析等方法挖掘學生學習特點。

（3）結果展示。根據數據分析結果，總結學生學習偏好，并分析影響學習質量的主要因素，推薦學生可能感興趣的內容。

3 學情分析

本部分基于圖1重點介紹數據分析流程。以圖2為例，學生1早上6：40-7：10在宿舍學習《Python語言程序設計》第4章選擇結構程序設計;學生2上午11：00-11：30在圖書館學習《Python語言程序設計》第5章循環結構程序設計，下午13：20-14：10在圖書館學習《Python語言程序設計》第6章列表;學生2下午14：42-16：56在實驗樓學習《計算機文化基礎》第7章多媒體使用技術;學生3晚上21：30- 21：56在教學樓學習《計算機硬件基礎》第4章中央處理器。

將學生、學習內容、位置、時間進行關聯，構成基于時空的學生學習行為資源庫。在此基礎上，進行數據分析。本文采用的數據分析技術主要有聚類分析、關聯分析、時空序列分析等。

經過聚類分析，將學習資源、學習時間、學習位置等進行聚類，每個聚類結果按照從高到底的順序排列，如表1所示。表中的學習時間以小時為單位。例如，與其它計算機類課程相比，學生對《Python語言程序設計》、《計算機文化基礎》、《計算機硬件基礎》課程最感興趣。學生大多自主學習時間在晚上20：00—凌晨1：00，白天大多時間在13：00-16：00。由于本文研究對象是軍校學生，與地方大學生作息時間不同，因此聚集的學習時間點也不同。學習位置大多在教室、實驗樓、圖書館和宿舍。

3.1 聚類分析

聚類分析的目的是分析學生對哪些學習資源感興趣、一般集中在哪個時間點學習，聚焦于哪些問題、學習時長、在哪個位置學習等信息。例如，采用K-means算法將學生學習資源進行聚類，得出哪些學習資源最受歡迎。其算法流程如圖3所示。

3.2 關聯分析

關聯分析的目的是分析上述數據之間是否存在某種潛在關聯。例如，能否根據學習資源點擊率判斷該門課程綜合成績高于其它課程成績，能否根據學生學習次數判斷其學習成績高于其他學生。采用關聯分析的經典算法Aprior算法，通過計算最小支持度與最小置信度得出結論，如表2所示。

如表2顯示，學習了《Python語言程序設計》課程的學生，大多會學習《計算機硬件基礎》。學生平時在平臺上自主學習時，其點擊率與課程最終成績關聯度不大。學生成績與學生在線及師生互動答疑的次數關聯度較大，說明學生積極學習課程時，會關注疑難問題的解答，其最終成績也較高。

3.3 時空序列分析

時空序列分析指根據學生學習記錄，從時間、地點角度分析其行為特點，以判斷學生常在哪個時間段學習，在哪個時間段對哪些學習內容感興趣以及在哪些時間段常在某個地點等具體行為，用以預測或推薦學生在某個時間段、某個地點學習哪些學習資源。該分析示例如圖4所示。其中l1、l2、l3、l4、l5表示5個不同的位置，圓圈里的數字代表時間。圖4顯示了學生3日常學習行為，例如在13：00時去l3位置學習，在15：00時去l5位置學習，在16：00時去l6位置學習等，可清楚觀察到該學生整日學習規律，為定點定時課程推送提供依據。

4 結語

為了較客觀、及時掌握學生學習動態，明確其學習偏好，本文提出了一種基于云平臺的學生學習行為分析方法，旨在分析學生學習資源、學習時間、學習位置、點擊率等數據信息的潛在關系，為學生推薦合適的學習資源、教師及時調整教學內容等提供依據，從而最終實現提升教學質量的目的。同時，隨著信息量增大和技術更新發展，還需采用大數據技術分析更詳細的數據，因此如何為學生課程考評提供更詳實數據、為教師定制個性化課程、為師生互選課程信息和學生信息提供公正可靠的數據等，是下一步研究內容。

參考文獻：

[1] 李國杰，程學旗. 大數據研究：未來科技及經濟社會發展的重大戰略領域：大數據的研究現狀與科學思考[J]. 中國科學院院刊，2012，27（6）：647-657.

[2] HURST F M. Northern Arizona University's personalized learning[EB /OL]. http：//www.educause.edu/ero/article/northern-arizona-universitys-personalized-learning.

[3] KARA KOHN. As the spirit MOOCS you：massive openonline courses and Illinois libraries[EB/OL]. http：//www.ila.org/Reporter/October_2013/Pages_4-7.pdf.

[4] ELIZABETH D. MOOCs：Where are the librarians[EB/OL]. http：//www.hastac.org/blogs/elizabeth-dill/2012/08/14/moocswhere-are-librarians.

[5] 張紅巖，張剛，靳明，等. 基于云平臺的經營管理信息系統設計[J].? 軟件導刊， 2019，18（5）：106-109.

[6] 陳眺，李思灝，楊健龍，等. 新能源汽車遠程監控標定的通信系統設計[J].? 軟件導刊，2018，17（1）：108-112.

[7] 車力軍. 基于可信計算的省級政務云平臺方案設計[J]. 軟件導刊，2018，17（5）：165-168.

[8] 張恬恬，孫紹華. 基于Spark的云計算平臺在實驗室的應用與實現[J].? 軟件導刊，2018，17（4）： 191-193.

[9] 楊田貴.云計算及其應用綜述[J]. 軟件導刊，2016，15（3）：136-137.

[10] 周冰，張志剛. 智慧城市電子政務云平臺構建[J]. 軟件導刊， 2016，15（11）：137-139.

[11] 葛倩. 基于云服務的科普資源平臺研究與設計[J]. 軟件導刊， 2015，14（7）： 129-131.

[12] 李靜. 云平臺支持下的數字校園建設新視角[J]. 軟件導刊， 2014，13（8）： 6-7.

[13] 洪超，王靜，夏永泉. 中小企業公共信息服務云平臺設計[J].? 軟件導刊，2013，12（5）： 4-6.

[14] 張依歡. 關聯規則算法在教學評價中的應用研究[D]. 吉林：吉林大學，2016.

[15] 張敏. 頻繁項集挖掘算法在高職院校教師評價系統中的應用研究[D]. 長春：長春工業大學，2016.

[16] 張志友. 數據挖掘技術在選課系統中的應用[J]. 實驗室科學. 2007.6.94-96.

[17] 許晏銘，王昌達. 基于模糊綜合理論的研究生課程質量評價云系統[J]. 軟件導刊， 2018， 17（7）： 120-123.

[18] 劉磊，陳羽云，林潔鑫.? 基于微信公眾號的教務信息查詢系統設計與實現[J]. 軟件導刊， 2017， 16（9）： 111-113.

[19] 管維紅，孫濤，劉騰. 在線實驗云平臺構建及實施[J]. 軟件導刊，2017，16（12）：172-174.

[20] 伍琴，洪騫. 基于云平臺的華文教學新模式應用研究[J]. 軟件導刊， 2016，15（7）： 224-225.

[21] 劉遠軍.? 網絡云平臺下《C語言》課程教學改革實踐[J].? 軟件導刊，2015，14（9）：186-188.

[22] 吳淑蘋. MOOC課程模式下云學習環境研究[J]. 軟件導刊， 2013，12（3）： 191-193.

[23] 李素若. 基于慕課的編程類課程混合式教學模式研究與實踐[J]. 軟件導刊， 2017， 16（1）： 189-191.

（責任編輯：江 艷）