網絡教學資源使用效能的可視化分析平臺設計

顧婭軍　賈小林

摘要：現在基于互聯網的“教”和“學”發展得非常迅速，同時網絡爬蟲、數據挖掘等技術也逐漸變得成熟，但是目前國內外業界還缺少利用這些技術捕捉多種學習資源，并進行綜合分析和可視反饋的系統。平臺充分地利用了selenium框架、采用cookie的登錄方式，構建了用于數據挖掘的自動化爬蟲，完成了關于學習成績、教學視頻時長等數據的爬取工作;接著使用Dash框架和Python語言以及相關的工具包搭建了可視化平臺，完成了關于學習成績、教學視頻時長等數據的分析及可視化展示，并以此為資源的使用者提供合適的學習及教學設計建議。

關鍵詞：教學資源;數據挖掘;網絡爬蟲;數據預處理;可視化

中圖分類號：G642? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）03-0008-03

Abstract： Now the "teaching" and "learning" based on the Internet has been growin grapidly， at the same time web crawler、data mining technology is also become mature gradually， At present， the domestic and foreign industry still lacks the system that uses these technologies to capture the use information of various learning resources and carry out comprehensive analysis and visual feedback. This platform makes use of selenium framework and cookie login method to build automatic crawler for data mining， and completes the crawling work of data such as learning scores and teaching video duration.Then， the Dash framework， Python language and relevant toolkits were used to build a visualization platform， complete the analysis and visual display of data such as academic performance， instructional video duration， etc.， and provide appropriate learning and instructional design advice to resource users.

Key words：teaching resources; data mining;web crawler;data preprocessing; visualization

1引言

隨著互聯網的發展，基于網絡的“教”和“學”發展得非常迅速，特別是受2020年新冠疫情的影響，網絡教學呈現百花齊放的態勢，傳統的教師授課被打破;同時網絡爬蟲、數據挖掘等技術也逐漸變得成熟，在多個領域均有不錯的表現。2016 年，我國教育部印發《教育信息化“十三五”規劃》明確提出“積極利用大數據等新技術，采集和分析學生的日常學習情況，優化教學模式，大幅提升信息化服務教育教學與管理的能力。”但是目前國內外業界對網絡教學資源的使用數據進行捕捉并對其使用效能進行綜合化分析的研究還較少。

本平臺以網絡課程《單片機原理與應用》課程為例，用數據挖掘的自動化爬蟲技術獲得其網絡教學資源使用數據，利用selenium獲得的視頻數據、成績數據并進行預處理，對成績和視頻數據進行分析反饋，以直觀、可視化的方式為教師提供合適的教學設計建議，為學生推薦其弱勢科目。希望通過本文的拋磚引玉，為我國的網絡資源使用分析發展研究提供參考。

2網絡資源使用數據的爬取與預處理

網絡教學資源的利用，可以從很多數據上進行反饋，比如學生觀看視頻的時間、作業成績、每道題的得分、論壇留言等。本平臺采用的爬蟲框架是selenium;它本身可以加載瀏覽器驅動，模擬用戶操作，然后把需求的靜態頁面加載進來，相對傳統爬蟲框架比較簡單。

采集數據信息工作中爬蟲的流程包括：

1）確定要爬取網站的URL地址，將其放入網絡爬蟲的List。

2） 將List里的URL進行DNS解析，獲取的該URL對應的主機IP。

3） 通過selenium的driver.get（URL）函數將URL地址將其頁面（也就是這個頁面的HTML或者asp）加載下來。

4） 在用selenium的工具依照id選擇抽取，或者是根據class抽取等來獲得想要的數據。

5） 抽取結果按照設計的數據格式保存到csv格式的文件或數據庫中。

2.1 網絡資源使用數據的爬取

2.1.1學生視頻觀看數據的爬取

整個程序流程主要包括：請求數據、解析數據、保存數據。

1）請求數據。采用的是Selenium+Chromedriver的方式，Chrome為模擬瀏覽器。使用chrome瀏覽器的開發者工具分析目標網頁的頁面結構，確定進行數據請求的方法。首先通過Chrome（）函數確定爬蟲程序Chromedriver的文件位置以及請求參數;然后使用driver.get（）函數請求目標網站的URL，獲得網頁數據。

2）分析數據。使用Chrome瀏覽器，定位數據的位置，即通過開發者工具確定我們要爬取的數據的標簽或者id，如：課程的章節信息位于標簽內且它用于區分的class是chaptername。然后通過selenium的.xpath（）函數根據.//span[contains（@class， "chaptertitle-"）]/text（）篩選定位到該數據并取得章節的文本值，轉化為字符串后返回該值。

3）保存數據。將爬蟲程序完全運行后獲得的數據以sqlite格式進行保存。（如圖1所示）

2.1.2? 其他學習資源數據的爬取

與學生視頻觀看數據的爬取方法類似，改變爬蟲的選取規則，選取不同的字段，即可獲得學生的成績數據、每道題的得分數據。分別如圖2、3所示。

2.2 數據預處理

通過爬蟲工作獲得本平臺所要的原始數據后，需要對原始數據進行一系列的運算和分析，為后面的可視化做準備：

1）若某學生因缺考導致成績數據為空，這時進行空值填0的操作。

2）在將原始的成績數據經過處理后，從數據庫種查詢并讀取出成績數據，將其轉化為DataFrame數據類型，然后分別統計歌詞測試成績的及格人數和不及格人數、計算最高分和最低分，平均分，并對每道題的分值計算。

通過以上數據爬取和預處理，可以從目標網站獲取到需要的數據資料：學生觀看教學視頻時長、學生考試成績、學生每道題得分情況。

3 可視化分析

根據大量事例表明，學習者往往對一個配有突出顏色和色彩的圖形印象深刻。將純數字或者是文字的數據采用圖表的呈現方式，有助于提高用戶對其印象，研究表明越是具有顯著吸引力的圖表和圖形色彩，越能提高用戶對數據的印象。一般來說，圖的記憶程度遠遠高于純數字的數據。本平臺在學生界面和老師界面分別給出數據分析結果及反饋建議。

3.1 學生界面

為了增加平臺對學生的吸引性和鼓勵學生們形成良好的競爭，平臺從趣味性下手，為學生界面設計了當下年輕一輩喜歡的段位展示系統，以此來表現他在班級所處的排名，該系統符合年輕人的審美標準的同時也會讓那些因為段位太低的學生，從而有開始努力學習的動力;而高段位的同學則會因為保持當前段位而不斷努力學習。

學生排名系統其影響排名的高低的因素非常多，本平臺采用Fisher–Yates隨機置亂算法，綜合考慮各單元的學習成績和觀看課程視頻的時間，按照不同的權重計算后得到最后排名。相對于傳統的直接按照成績分數排名相比，該排名系統弱化了名次的影響采用段位的機制，而且從多方面考量，不再是以單一的成績數據作為評判標準。

Fisher–Yates隨機置亂算法又被人們稱作高納德置亂算法，按照常人思維來說就是生成一個有限集合的隨機排列。因為算法是無偏的，所以每個排列都是等可能的，Fisher–Yates隨機置亂算法需要的時間正比于要隨機置亂的數，不需要額為的存儲空間開銷。這里主要用于對影響排名的參數進行權重的隨機分配。

首先我們確定了影響排名的因素為：4次自測題的成績，3部分教學內容的觀看教學視頻總時長;一共7個參數分別記為x1，x2，x3，x4，x5，x6，x7。經過洗牌算法得到的權重序列記為w1～w7。學生的綜合分數記為y，則f（x）=y，即有如下公式：

同時系統有9個段位，從高到低依次為：倔強青銅、不屈白銀、榮耀黃金、尊貴鉑金、璀璨鉆石、超凡大師、杰出大師、至尊星耀、最強王者。設學生的綜合分數上限是MaxY，則有如下劃分（表1）。

學生的段位顯示如圖4所示。

平臺構建了學生的學習模型，給出學生的段位構成雷達圖（如圖5所示），學生可以從雷達圖中看出自己的薄弱章節，觀察了解自己的學習過程。平臺通過學生因人而異的學習診斷與個性化反饋信息，學習進度和能力水平，推薦個性化學習材料，進而提高班級教學質量。

3.2 教師界面

傳統的分析考試成績僅僅是靠表格數據，而且重點是放在了比較排名次上。新的評價體系淡化評價的甄別、選拔功能，強化評價的診斷、改進與激勵功能。通過可視化量化進行總體成績分析，更容易找出班級存在的問題，開出有效建議與精確指導的“藥劑”，才是應該是分析班級成績真正價值所在。

3.2.1課程成績的可視化

在教師界面，使用者可以直觀地看到本課程的4次自測題及格情況統計（如圖6所示），發現該班級的同學在單片機原理與應用的自測題2和自測題3的測試中，不及格人數比較偏多，說明這兩次測試的知識點，該班級掌握情況比較差，希望教學者能夠重視起來，加強這部分的知識講解。對于總體來說該班級對于單片原理與應用這門課程的知識掌握不算太好，有待加強。

3.2.2 學生每道題的得分情況分析

以自測題2為例，教學者可以看出題目10的掌握情況不是很好（如圖7所示），占班級7/8的人沒有拿到此題的分數;相對于其他，該班級對題目4，掌握得比較好，因為班級3/4的人都拿到了此題的分數，所下教學者可以針對此次掌握的較差的題目相應的知識點提醒學生進行重點復習。

3.2.3 成績和觀看教學視頻時長關系的可視化分析

學生在觀看完成所有視頻課程之后完成相應的測試，學生成績應該與學生觀看課程視頻時長有關。一般來說，觀看相對應教學視頻時間越長，對應的測試成績應該越高。

通過對本平臺學生成績及學習時間的統計，教學者可以得出一個有趣的結果：并不是觀看教學視頻時間越長，成績就一定會越高，但是成績高的同學，觀看視頻的時間普遍偏長。

與學生交流了解到：雖然有的學生質量看的視頻多，但是并沒有認真學習內容，甚至有播放視頻時學生沒有在電腦旁的情況，導致成績不理想。所以成績和視頻時間的關系并非存在簡單的線性關系，觀看視頻時長越長是成績好的一個必要條件。影響成績的還有其他因素，比如學生觀看視頻的質量、視頻講解的質量等，如何提高學生觀看視頻的質量以及教學組織的質量，都值得教學者在后期教學中進一步探討。

4 結論

本平臺對網絡課程《單片機原理與應用》的學習視頻時長、學習成績等進行分析，不僅可以通過對學生的學習進度和能力水平進行診斷，給出個性化反饋信息、推薦個性化學習材料，而且可幫助老師改進課程的組織和指導能力，開發出更符合學生學習方式和習慣的教學資源，也可以為教育管理提供可靠的評價依據，進而采取有效的管理控制方式。

參考文獻：

[1] 毛照道. 基于學習行為分析的慕課建設策略研究——以《交互式電子白板教學應用》課程為例[J]. 教育現代化， 2017，4（29）： 202-204，210.

[2] 張鈞薦. 基于F-Y置亂和Z-Z置亂的兩種圖像加密算法[D].大連：大連理工大學，2019.

[3] 沈麗梅. 基于高校精品課程的網絡學習行為分析研究[J].科教文匯， 2009，8（24）：29，214.

[4] 劉鵑梅，羊四清. MOOC環境下成人高等教育教學資源共享模式構建[J].電腦知識與技術， 2020，12（16）：1-2.

[5] 張鸰. 數據挖掘技術在線上教學評價中的應用[J].電腦知識與技術， 2018，14（29）：6-8.

【通聯編輯：王力】