以良好干預為目的的在線學習行為分析系統構建研究

南陽醫學高等專科學校 王 博

在線學習已在教育領域廣泛應用，并成為未來教育發展趨勢。在線教育具有門檻成本更低、不受時空限制、每位學生學習情況都有數據記錄的優勢，具有平衡教育資源和對學生因材施教的可能性。目前在線教育與傳統教育相比，存在自我約束能力較差的學生學習效果不佳，教學資源非標準性，教學過程的安排與輔導答疑延時，受教育者的層次與學習習慣不同等問題。在這樣的態勢下，建立一個針對學生在線學習行為，具有良性干預功能的教育平臺顯得尤為重要。本文通過在線學習行為分析歸納量化，對干預系統的功能及實現進行研究，希望可以對在線教育教學起到一定推動作用。

信息化教學的不斷升級發展使我們進入了社會化學習時代，知識的獲取不再單純來源于教師傳授，在線教學和混合式教學正成為教育新常態，并在今后一段時間不停推廣建設。學生在學習過程中的狀態起伏不定，知識獲得主要源于主動參與學習活動，自主構建知識體系，被動學習效果很差。教師只有了解和明白學生學習行為背后隱藏信息，才能在學習干預中取得良好效果。教育心理學和教育學的發展，云計算和大數據技術的出現，使個性化教學可以成為現實，因材施教不再是一句空話。

1 在線學習平臺學生學習行為分析研究現狀

通過對知網大量期刊與學位論文研究分析發現：從2012年開始，對學習動機、學習風格、學習表現、教育數據挖掘、用戶畫像、個性化推薦等研究日臻成熟，但應用成果和成功案例較少，學生學習能力與學習平臺對接存在一定問題，容易令學習者學習動機不停減退，導致棄學、網課通過率較低。

在算法方面：通過IRT模型、K近鄰算法、k-means聚類算法、基于SVM的分析方法、多元回歸算法、ELO算法、LDA方法、決策樹方法、機器學習技術，可以對學生學習能力進行評估，并對接相應等級學習資源；對學習過程中產生的數據分析后可實現分類、預估、評定學習結果，從而進行預警干預。

學習行為數據采集范圍維度更廣，類型更豐富，指標更細化，且越來越實時化，與教學過程的融合對接愈加順滑。同時，“以人為本”的個性化學習，“行為主義”，“建構主義”，“人本主義”，“程序學習”等理論，使學習過程和評價體系更加科學詳盡。

2 確定以積極干預為目的的學習行為分析指標體系

2.1 學習行為認知理論與應用的發展

學習能力是自身知識結構和外部環境合為一體的。以哲學上事物發展的內因與外因為出發點，可將影響學習效能的因素歸結為學習態度和學習能力。學習態度以學習動機為根本，受學習能力和學習偏好影響；學習能力與學習習慣、學習方法、學習環境、自身狀況等主因有關，自身基本學習能力包括記憶力、感知力、理解力、閱讀力、操作力、自控力、思維力、計算力、耐受力、創新力、表達力、交際力等。基本學習能力構成如表1所示。

表1 基本學習能力構成表

目前對學習行為的研究從學習科學、教學科學、評估科學、認知心理學、行為主義、認知主義、構建主義、行為分層理論、計劃行為理論、理性行為理論、條件學習理論、人本主義多視點出發，已形成對學習行為產生及評測評價的深度認知：從外部刺激出發產生內在需求，形成動機，出現行為，根據達到目標與否，產生積極或消極心理及行為。對學習行為效果的評價，從行為響應到記憶保持，再到知識遷徙分層評定，評測學習過程中是否積極的進行認知加工；通過對外顯學習行為的觀察、量化，經學習行為模型分析，反映其內隱學習特征，從而為其形成個性化教學策略，提供“以學生為主導”的個性化學習環境，達到因材施教的教育教學目的。同時對教學流程、教學方法、教學設計、教學呈現為學習行為產生正向促進，包括感情設計、引導認知都提出了更全面的要求。從而使用科學學習方法，提升各項學習能力，助其養成良好學習習慣，形成自我管理意識，樹立終身學習理念，提高學習者自我效能信念，產生更多主動性來激發學習潛能，保持學習持續性。學習習慣評測因素如表2所示。

表2 學習習慣評測因素表

2.2 分析平臺所需在線學習行為的數據種類及來源

對學習行為的分析除了用于考核評測，一定要可以反映出內隱學習特征和學習認知水平及學習偏好，才能夠達到自適應自主學習的要求，產生積極干預的效果，而且要關注學習行為的序列特征，因為和學習認知過程具有高度相關性。學習態度評測因素如表3所示。

數據要反映出學前、學中、學后三個階段的學習行為，用以對學習態度和習慣進行評定。這些數據包括登錄時間及時長，預習時間、次數及時長，預習考評結果，課堂考勤，課堂互動參與（回答、搶答、隨堂測、討論），各類學習資源瀏覽時間、時長及次數，作業完成時間、時長及正確率，練習時間、時長、次數、正確率，考試時長、分數，學習進度表查看次數，每節課師生互評、生生互評及學習資源評價，課后輔導情況，還需包括往期學業表現和完成試題的類型與難度。

2.3 精準干預需要構建顯性學習行為與隱性學習特征間的確定型關系模型

學習的隱性學習特征需要通過分析顯性學習行為才能得到，以隱性學習特征來確定顯性學習行為數據，再通過適合算法進行分析。

表3 學習態度評測因素表

通過對隱形學習特征的分析發掘，以學習計劃為主線，課堂教學流程重塑、優化為重點，可以對學生學習習慣進行科學積極的干預與督導，加強自律培養，保證學習持續性，促進個體發展。

3 重構教學流程以產生和獲取滿足分析需求的數據

3.1 傳統教學流程與在線教學流程的區別

雖然都是提前布置預習任務，按照教學計劃進度進行教學設計，加入課堂互動、分組討論環節增加學生參與度，課后布置作業進行強化輔導。但在線課程可以對學生的預習情況、聽課情況、互動參與情況、作業完成情況進行實時記錄、分析與反饋，照顧到每一位學生，是傳統教學無法辦到的。特別是隨著數據愈加詳盡，算法不斷優化，功能更加豐富，真正達到了課堂翻轉和因材施教的教育教學目標。

3.2 建立標準化教學流程，進行以積極干預為目標的學習過程數據采集

在課前根據學習進度表指導學生進行預習，對不預習學生進行督導，通過對各類教學資源使用及完成情況，對學生預習環節進行評測與記錄，與輔導員共同進行積極干預。

上課時先進行多樣化考勤（不能只依賴技術，要核查人數），對預習效果通過隨堂練習（限時、不可回看、注意紀律）進行評定，實時獲得反饋，針對性進行講解。通過與實際問題或職業資格考評相結合的綜合案例或項目進行分組討論，靈活運用知識解決問題，記錄討論數據，通過隨機或指定方式進行提問或演示，引導學生參與課堂。保證教學資源的實用有趣，幫助學生進行知識遷移。以多維度分析題再次進行評測，考察學生理解程度和遷移情況，課后通過作業和測試對學習情況進行再次評定，使整個學習過程完整。收集學生交流信息，對積極解答的學生提出表揚，指導不太喜歡交流的學生主動溝通。指導學生對課堂學習效果和教學資源進行合理評價。

3.3 多元化評價體系的構建

學習者的學習環境和心理活動是動態的，學習參與度與學習角色也是變化的，從學習行為數據曲線波動中發現學生學習情況變化，弄清事情原委才能進行積極有效的干預。目前在線學習平臺對于學生評價體系過于松散，不能很好還原學生學習過程，對學習資源使用情況也反應較少。

單純使用某門課程成績進行學生學業評定是不太合理的。將學習過程中的行為數據，結合學生初始能力與最終考試成績匹配度，以及思政考評情況，共同構成學生評價體系，才能實現以人為本的最終教育目的。不同起點的學生通過不同成績段的維度關系，生成一個相對評價呈現其生長過程，消除長期落后造成的學習動機不足等不良因素負面影響。

3.4 教學過程實施中，學校教學工作角色的重新定義

教師角色不再只是課堂知識的講授者，而要成為課程教學改良創新的實施者；不再只是課程資源的提供者，而成為平臺資源與教學流程優化者；不再只是簡單的分數評判者，而要成為學生自主學習、全面發展的促進者。要不斷更新課程教學資源，調整教學策略，真正實現以學生為中心，提供更好的多樣化教育服務。只有在數據支撐下，才能更加科學合理的進行教改實施，并保證改革質量；才能真正了解每一位學生，行之有效地進行引導干預；才能知道課程教學資源的優劣和教學環節的利弊，精準調整。

學生角色不再是被動的接受者，而成為主動參與者，通過對自我的認知，明白自己的定位，激發我要學的動機，從站起來、踮腳夠，再到蹦一蹦。學生不再“高分低能”，而是具有創新思維的探索者。學生找到適合自己的學習方法，從不會學到會學、愛學；從隨意學到計劃性強、歸納總結的自主學；從一人學到一起學。學生不再恐懼學習、害怕老師，而是樂于學習、尊敬老師。學生與師生之間的地位愈加平等，從而幫助教育中最容易被忽視的高校學生群體。

有了數據支撐，輔導員可以從管理學生變為服務學生，從說教學生變為引導學生，泛泛指導變為精準干預。學校管理者可以精確對專業、學科、課程、系部院、教師、學生進行針對性管理，行政管理行之有據，效率提高。

4 在線學習行為分析平臺的構建

4.1 云平臺和大數據環境的搭建

搭建學習分析平臺是學習行為分析的基礎，云計算平臺主要進行數據處理和數據存儲，本質是虛擬化技術。大多數私有云搭建會選用OpenStack，但考慮易用性和技術成本，本平臺選用VMware vSphere ESXi具體實現，部署在硬件配置為雙10核Xeon CPU，128G內存，2040G硬盤的浪潮英信NF5270M5服務器上，虛擬出核心交換機、數據處理服務器和存儲服務器。

數據分析服務器使用LinuxCent6.5操作系統，在其上部署Hadoop和Spark生態環境，主要完成數據分析功能。學習平臺服務器使用Linux操作系統+MySQL數據庫+Apache Web服務器，采用B/S和C/S相結合的方式提供全流程教學服務，考試系統和評測系統部署在Windows Server2008+MySQL+Web服務器上。搭建存儲服務器并掛載到數據處理服務器上，使共享數據保持統一。教學平臺完成課堂的教學、考評及分析結果呈現，數據處理服務器根據展示需求，對各類型數據進行分析。

4.2 平臺的主要功能及實現

平臺以學生成長為目標，教學流程設計為主線來確定功能模塊。重點是分析學習數據，通過實時反饋來優化教學流程，保證教學質量。

主要有教學、反饋、考試、資源管理、評測、評價、教學管理7個主模塊。教學模塊有考勤、投票/問卷、選人、討論、隨堂練、隨堂測、分組、評分、作業等功能，用以采集學生上課過程中的學習數據；反饋模塊有預習、課堂參與度、隨堂練/測、討論、作業、考試、章節知識點學習、學習能力、自主學習、學習進度、學習習慣、教學資源、教學質量等情況反饋的功能，對學生學習、教學環節、教學質量和教學資源進行評測；考試模塊有常規教學考試與職業技能（執業資格）考試；評價模塊包括教學效果評價和教學資源評價；教學管理模塊包括院系、專業、課程、教師、學生管理功能；評測模塊包括各種學習能力和心理評測。

平臺使用Java語言編制，使用統計算法對各類學習行為進行量化，使用k-means等聚類算法對各種學習行為進行聚類分析，使用FS-group算法對學習過程行為數據及行為序列與學習效果、各學習能力與學習效果提升的影響進行相關性分析。使用百度Echarts和阿里AntV圖表框架來進行各種分析結果的可視化展示，主要包括學習曲線、學習進度條、學習速度表、學習能力雷達圖、自我分析（學習持續性、穩定性、主動性、自律性）、各種評測結果的柱圖餅圖、各專業班級學生之間的對比分析，及相似性和相關性的后臺數據分析。

4.3 平臺使用中的問題及優化策略

平臺在使用中還有不少地方需要優化，比如模型中調參問題，部分計算結果并不能很好地反映出事物聯系的真實性。模型非常復雜，多因素問題中僅考慮了主要因素；量表設計在獨立環境中表現不錯，但有不少無效結果問卷；學習過程中因為學生信息素養不夠，導致前期生成較多臟數據，使得后期數據顯示增幅過大。這需要在平臺持續使用中，通過數據不斷全面累積，量表和算法參數不停優化，教學流程和教學方法提升完善，才能使分析結果更趨于準確。

隨著大數據思維的建立，結合學生生活數據、參與學科活動、社團活動、運動、勞動及就業等信息，在保護隱私數據情況下，可對學習行為的產生與發展進行更詳盡地分析研究：不同類型的學生在什么樣的教學環境（場景）和教學方式（手段）中學習表現更好；與家庭、社會調查相結合可反映出更深層次的學習行為信息。

總結：隨著信息意識和數據意識不斷增強，教師數據分析能力與創新能力不斷提升，多元評價體系和實時學習干預的構建，教學流程不斷優化，學習生態環境將得到極大改善，學生的學習熱情與持續性和穩定性不斷增強，因材施教與個性化學習因為大數據技術的支撐得以真正實現。未來進一步對個體學習與群體學習行為進行分析比對，發現不同學習群體的差異性行為，從而更精確地確定學習行為中的關鍵事件，實現智慧教學，是后續教育研究的重要內容。