主動式實驗課程成績預警系統及其效果評估

甘才軍

摘 要：針對現有教學信息系統在學生課外學習主動性促進方面存在的不足，設計并實現了一種可針對學生實驗課程成績進行主動式預警的系統。該系統根據學生以往實驗報告及教師批閱信息，利用貝葉斯分類器對學生實驗課程最終考核成績提前作出預測并及時發出預警，以督促學生在課外更加主動地學習。將該機制應用于《C程序設計實驗》教學改革中，結果表明，該系統能在結課前有效預測學生最終考核成績，且啟用成績預警后，學生及格率相比從前提高了12%以上。

關鍵詞：實驗教學;成績預警;貝葉斯分類器;互聯網+

DOI：10. 11907/rjdk. 191836 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP319文獻標識碼：A 文章編號：1672-7800（2020）005-0128-04

0 引言

我國高校正進行著新一輪以工程認證為動力、持續推進教學改革的浪潮。此次改革倡導的OBE（Outcome-based Education）理念已深入人心，其核心是“以學生為中心”。課程改革是教學改革的落腳點，而實驗課程又是課程改革的關鍵一環。當前，在高校壓縮課堂學時的大趨勢下，實驗課程往往成為學時壓縮的重點。如何在課堂學時有限的情況下改善實驗教學效果，成為實驗教學改革的重點問題。解決該問題的關鍵需要回到“以學生為中心”這一根本原則上，達到“教為不教，學為學會”[1]。為此，要設法引導學生自己愿意學、主動學。由于實驗課堂學時通常有限，因此實驗教學改革的關鍵在于課外。以我校《C程序設計實驗》為例，該門課程只有16個學時，學生很難在這么短的時間內掌握程序求解過程中的問題分析、程序編寫、錯誤糾正等基本方法和思路，唯有在課外投入足夠多的時間，方能達成課程目標。

為提高學生課外學習的積極性，近年來各高校紛紛推進基于“互聯網+”的教學信息系統[2-4]以及基于信息系統的教學模式[5-10]。這些改革舉措主要是從教學資源共享、師生互動兩個層面上為師生提供便利，使學生隨時隨地都能進行課外學習，并能與任課教師進行交流。這些信息系統確實在一定程度上提高了教學效率，對提升學生學習興趣起到了一定作用，但這類系統在促進學生學習積極性方面仍然有待改善，主要體現在缺乏對學生學習結果的預測，以及建立在結果預測上的行為預警，也即缺乏“目標導向”，而這也正是OBE理念的關鍵之一。

近年來，國內外不少高校積極探索如何對學生學業與課程成績進行預測，并據此改善教學，即“學習預警”。學習預警是指按照一定標準綜合評估學生的背景信息、學習行為、考試成績等因素，按照評估結果向學生、教師等發出提示信號，并及時提供有效且針對性強的干預建議[11]。如胡樹煜[12]介紹了錦州醫科大學根據實踐經驗制定的一套符合醫科學業特點的學業預警管理辦法[12];韓麗娜[13]以某班學生某門課程學習信息數據為挖掘對象，采用貝葉斯分類模型進行成績預測，準確率達到83%;陳子健等[14]從教育數據中挖掘影響在線學習者學業成績的影響因素，并基于集成學習方法構建學業成績預測模型;劉毓等[15]提出基于遺傳神經網絡的預測模型，利用基礎課程成績預測目標課程成績;Yao[16]從數千名學生智能卡中收集縱向行為數據，提出3種主要行為判別因素：勤奮、有序和睡眠模式，依據這3種行為模式進行學生學業成績預測，建立一個基于學習—排名算法的多任務預測框架，用于學業成績預測。

上述關于學習成績預測的研究主要還是針對學業，而非特定課程，且側重于預測方法論，鮮有文獻就該預警行為對教學效果的影響（實際上是對學生課外學習積極性的影響）進行評估。針對這一問題，本文利用自行開發且已投入使用多年的實驗教學信息管理系統收集的學生課外實驗報告相關信息，設計并實現了能夠對實驗課程最終成績進行預測的樸素貝葉斯分類器，在此基礎上實現了一個主動式成績預警子系統，最后以《C程序設計實驗》教學為例，評估該系統的實際應用效果。

1 基于樸素貝葉斯分類器的成績預警

1.1 樸素貝葉斯分類器基本原理

樸素貝葉斯分類器[17]假設對所有已知類別c（c∈Y， Y={ck|k=1，2，…，N}），事例所有已知的d個屬性（A1，A2，…，Ad）相互獨立。基于這一假設，若已知類先驗概率P（c）、類條件概率[P（xi|c）]（xi為屬性Ai上的取值，即Ai=xi），則可根據事例屬性向量的觀測值x=[x1，x2，…，xd]，利用樸素貝葉斯公式預測該事例所屬類別為：

式中，[Dc，xi]表示Dc中在Ai上取值為c的樣本組成的集合，Ni表示Ai上取不同值的個數，|.|表示集合樣本個數，可見樸素貝葉斯分類器意義明確，通過簡單統計即可得到結果，因而易與數據庫查詢相結合，相比SVM、神經網絡等分類器更容易集成到現有系統。因此，樸素貝葉斯分類器已應用于現有教學信息系統中[18-20]。

1.2 成績預測樸素貝葉斯分類器設計

本節以程序設計類實驗課程為例，在本文自行開發的實驗教學信息系統所能實現的范圍內，討論用于實驗課程最終成績預測的樸素貝葉斯分類器設計。在該應用背景下，前述事例對應的是“學生學習某實驗課程”。要應用貝葉斯分類器，須確定類別集Y和與Y關聯的屬性集{Ai|i=1，2，…，d}，下面對此作進一步分析。

1.2.1 類別集與屬性集確定

由于高校大多采用'A'～'E'五級評分制（若為分數，可通過簡單判別轉換為五級制）。因此，待預測的學生成績類別集Y={c1='A'，c2='B'，c3='C'，c4='D'，c5='E'}。

如何設計屬性集（或特征向量）是構造成績預測貝葉斯分類器的關鍵。這組屬性應該是信息系統中可追蹤，且能夠反映學生課外學習積極性的因素。本文對自行開發的實驗教學信息管理系統中記錄的信息進行分析，歸納出如表1所示的一組屬性：A1反映學生提交實驗報告的積極性，A2反映教師對學生實驗報告的評價，兩個屬性從不同角度反映了學生課外在這門實驗課上的學習積極性。若學生在A1上表現非常積極，且在A2上也得到較好評價，則說明學生課外學習積極性很高。有A2佐證，可避免A1的片面性，有A1存在，可以防止教師評價主觀性太強帶來的誤差。

1.2.2 屬性觀察值計算

表1中的A2可直接將教師對實驗報告的批改結果作為觀測值，比較容易計算。這里重點討論A1屬性值計算。在實際信息系統中，A1這類較為模糊的屬性無法直接觀察到，但可通過系統記錄的實驗報告提交時間間接計算得到，即根據時間信息設定一種計算規則，得到相對客觀的計算結果。本文設定計算規則如下：

1.2.3 樸素貝葉斯分類器訓練與測試

用于成績預測的貝葉斯分類器訓練目標是估計式中的類先驗概率和類條件概率。待估計的類先驗概率有 ?P（ck）（k=1，2，…，5）共5個;對于A1，待估計的類條件概率有P（x1=n|ck）（n=0，1，…，3，k=1，2，…，5）共20個;對于A2，待估計的類條件概率有 P（x2=n|ck）（n=0，1，…，5，k=1，2，…，5）共30個，即：通過對給定數據集D的訓練，要估計出55個概率值，還要對模型進行評估。本文采用“留一法”劃分訓練集和測試集，訓練與測試步驟如下：

上述模型中的55個估計量可存儲在表格中，預測時只需查詢表格，以提高預測速度。同時，程序可每隔一段時間根據數據庫中的新增數據更新這些估計量，以提高分類器的泛化性能。

1.3 成績預警執行流程

基于樸素貝葉斯分類器的成績預測機制可由學生自己請求觸發，也可在學生登錄查看課程相關信息時，由系統根據實際情況（如學生成績可能不及格）自動觸發。分類器根據學生當前實驗報告提交情況及批閱成績，預測其課程最終成績類別，并依據預測結果發出相應學習指導信息，該機制工作流程如圖1所示。

2 教學改革試驗與分析

以我校非計算機專業學生《C程序設計實驗》課程的成績預測為例，開展相應教學改革試驗，對上述樸素貝葉斯分類器實際性能與基于貝葉斯分類器的成績預警機制在實驗教學中的效果分別進行評估。

2.1 分類器性能評估與分析

隨機選取2014～2017級共20 000人（排除重修學生）在筆者開發的“實驗教學信息管理系統”（該系統已投入使用長達8年）中的實驗報告提交記錄及最終成績記錄，按照上文所述方法和步驟，最終得到容量為20 000、帶類別標簽的數據集D。在D上使用“留一法”進行模型訓練與評估，估計器性能評估結果如表2所示（權重：wk=0.125）。

在表2中，Q表示基于前N次實驗數據的預測結果，Q反映課程進度。從該結果可以看出，當Q較小時，即課程進度越靠前，預測越不準確。因為學生在課程開始階段可能學習不夠認真，但在后續階段端正了學習態度，從而較好地達成了學習目標。第3次課程以后，能夠更加準確地預測學生最終成績。因為通過之前的多次觀測，已能夠較好地記錄到學生課外對于本門課程的學習主動性，因此預測準確率得到了較大提升。接近課程結課的幾次實驗估計準確率則達到83%以上，且較為接近，說明所依賴的屬性值計算結果已經較為準確地反映了學生本門課程的課外學習表現。

2.2 預警機制對教學效果影響評估與分析

隨機從2018級選課學生中選取200人，再將200人隨機分為A、B、C、D共4組（各50人），A組啟用預警機制，其余3組不啟用預警機制。4組學生在結課時，分別統計本組所有人、排名前10、排名中間20、排名最后20人的最終成績平均值以及各組在A1、A2上的平均值（本組所有人屬性值之和/本組人數），結果如表3所示。

對比表3各組統計結果，分析可知：

（1）啟用成績預警的分組，《C程序設計實驗》課程最終成績平均分比其它組別高9分左右，而及格率比未啟用預警的組別高出至少12%，說明啟用基于貝葉斯分類器的預警機制確實在一定程度上提升了教學效果。

（2）不同組別在排名前10平均成績這一項上相差不大，在排名后20平均成績統計項上相差最大，啟用成績預警的組別比未啟用預警的組別平均分至少高出13分，說明啟用基于貝葉斯分類器的預警機制對于成績較差學生學習主動性的提升效果更加明顯。另外，啟用成績預警機制的組在A1、A2屬性上的均值明顯高于其它組，說明成績預警機制可有效提高學生的課外學習積極性。

3 結論與展望

基于實驗教學信息系統中記錄的學生實驗報告完成情況，以課程最終成績等級為類別標簽，設計并實現了能夠在結課前對學生最終成績進行預測的樸素貝葉斯分類器，給出該分類器所依賴屬性集的計算法則，并以《C程序設計實驗》為例，通過教學改革實驗，對所設計分類器的預測準確率與基于該分類器預警機制的教學效果分別進行評估。結果表明，本文提出的分類器能夠有效預測學生最終成績。基于該分類器的預警機制能提升學生課外學習積極性，從而能較為顯著地提高課程達成度。

然而，本文的課程預警功能相對粗放，在精度上仍有提升空間。下一步工作是繼續提高課程成績預測準確率，并探討如何基于更大的教學數據集，使用新方法發現（如深度學習）與課程成績有關聯的因素（如先修課程成績），并構建更精確的成績預測模型，提供更精準的學習指導及預警信息。

參考文獻：

[1] 李志義. “水課”與“金課”之我見[J]. 中國大學教學，2018（12）： 24-29.

[2] 謝敏. “互聯網+教育”背景下的教學智慧研究[D]. 長春：吉林大學，2016.

[3] 楊曉，施於人，王國超. “互聯網+實驗教學”的建設問題研究[J]. ?現代教育技術，2016（7）： 106-112.

[4] WANG Z， CHEN C， GUO B， et al. Internet plus in China[J]. IT Professional，2016， 18（3）： 5-8.

[5] 孫丹丹，史曉東. 基于“微實驗”的翻轉課堂教學模式探索[J]. 實驗技術與管理，2019， 36（3）： 56-58.

[6] 華馳，顧曉燕. “互聯網+”背景下的實驗實訓教學體系設計[J]. 實驗技術與管理，2016（3）： 172-176.

[7] 周沖. 基于“互聯網+”的混合式教學分析[J]. 陰山學刊（自然科學版），2017（2）：1-3.

[8] 李松，劉秀琴. “互聯網+”大學物理實驗教學體系構建[J]. 實驗技術與管理，2017（1）： 172-174.

[9] 劉駿飛. 淺談互聯網+背景下的課堂教學改革[J]. 赤峰學院學報：自然科學版，2016（5）： 243-244.

[10] 王竹立，李小玉，林津. 智能手機與“互聯網+”課堂——信息技術與教學整合的新思維、新路徑[J]. 遠程教育雜志，2015（4）： 14-21.

[11] MACFADYEN L P，DAWSON S. Mining LMS data to develop an "early warning system” for educators： a proof of concept[J]. ?Computers and Education，2010， 54（2）： 588-599.

[12] 胡樹煜. 醫學院校學生學業預警促進學風建設研究[J]. ?中國高等醫學教育，2018（8）： 47-48.

[13] 韓麗娜. 貝葉斯分類模型在學生成績預測中的應用研究[J]. ?計算機與數字工程， 2018， 46（10）：106-108，123.

[14] 陳子健，朱曉亮. 基于教育數據挖掘的在線學習者學業成績預測建模研究[J]. 中國電化教育，2017（12）： 75-81.

[15] 劉毓，楊柳，劉陸. ?基于遺傳神經網絡的學生成績預測[J]. ?西安郵電大學學報，2019， 24（1）：83-88.

[16] YAO H， LIAN D， CAO Y， et al. Predicting academic performance for college students[J]. ACM Transactions on Intelligent Systems and Technology，2019， 10（3）： 1-21.

[17] 周志華. 機器學習[M]. 北京：清華大學出版社， 2016.

[18] 梅曉晴. 樸素貝葉斯分類法在考試管理中的應用[J]. ?數字技術與應用，2018（3）： 73-74.

[19] 陳紀銘. 基于樸素貝葉斯分類算法的學員流失預警應用研究[J]. 福建電腦，2017， 33（8）： 105-106.

[20] 姜利群. 基于樸素貝葉斯分類的Java課程網絡答疑反饋系統[J]. 電腦知識與技術，2016， 12（23）： 206-208.

（責任編輯：黃 健）