智慧校園背景下學生課程學習預警模型構建與實踐

摘? 要：文章首先分析了學習預警模型現狀;其次通過專家訪談和文獻調研，分析影響學習預警的因素，利用德爾菲專家咨詢法和層次分析法構建基于智慧校園學習數據的學習預警模型;最后利用智慧樹平臺上“Java程序設計”課程的學生學習行為數據對所構建的預警模型進行驗證。結果表明，該學習預警模型能夠對學生的學習起到預警和干預作用，能夠提高學生的課程學習質量。

關鍵詞：學習預警模型;智慧校園;學習數據

中圖分類號：TP391;G434? ? ? ? ? 文獻標識碼：A文章編號：2096-4706（2021）23-0195-04

Construction and Practice of Students’ Course Learning Early Warning Model under the Background of Smart Campus

YU Haiyan

（School of Information Engineering， Zhengzhou University of Science and Technology， Zhengzhou? 450064， China）

Abstract： Firstly， this paper analyzes the current situation of learning early warning model; then analyzes the factors affecting learning early warning through expert interview and literature research， and constructs a learning early warning model based on smart campus learning data by using Delphi expert consultation method and analytic hierarchy process; finally， the constructed early warning model is verified by using the students’ learning behavior data of“Java programming” course in the smart tree platform. The results show that the learning early warning model can play an early warning and intervention role in students’ learning and improve the quality of students’ course learning.

Keywords： learning early warning model; smart campus; learning data

0? 引? 言

學生進入大學后，較之緊張忙碌的高中生活，他們的學習時間一下寬松了。學生由于疏于自我管理而容易沉迷于游戲、視頻等網絡世界或僅僅止于淺表的學習和應付，進而陷入“學困泥潭”，最終導致逃學、輟學、延期畢業以及“重修”等學習危機。在智慧校園應用過程中產生大量學習行為數據，包含學習時長、學習積極性、學習速度、作業行為、測試行為等，這些智慧校園數據反映了學習者的學習狀態，應該充分利用這些數據對學習者的學習情況做出反饋。

學習精準預警是指利用學習分析技術將學生學習數據資源轉化成有價值的信息，從中發現學生的學習規律、異常問題，進而預測可能出現的學習危機，為適時適宜的教學干預和教學決策提供科學依據，提高學生的學習質量。

1? 學習預警研究現狀

1.1? 國外相關領域研究現狀

國外對學習預警研究起步較早，實證研究成果較豐富，主要集中在四個方面：（1）學習預警分類與反饋研究。比如由密歇根大學Tim McKay設計為學生提供預警的E2Coach系統[1]，為教師提供預警的Riccardo Mazza課程系統[2]，為教師和學生提供預警的普渡大學的課程信號系統等[3];（2）學習數據分析。如John Baker等開發的學習管理平臺Desire2 Learn[4]，用于對學生的學習數據進行分析;（3）學習預警與干預模型構建。如Hoonuit在線學習平臺[5]可實現對學生學習的及時預警和有效干預;（4）可視化預警系統，如可汗學院開發的學習儀表盤系統等[6]。

1.2? 國內相關領域研究現狀

國內研究在學習預警算法和學習預警系統設計方面有一定的積累。如牟智佳等提出基于學習行為數據的學習預測模型，利用學習行為數據進行學習分析與結果預測，為學習上有困難的學生提供個性化指導與支持[7];趙慧瓊等設計了一種能夠進行在線干預的模型，通過系統診斷發現學生的潛在危機，通過電子郵件對這部分學生進行及時提醒，使學生提早改變學習策略[8];宋楚平等將RBF神經網絡應用于學習數據分析抽取，通過改進權重得到最終搜索模型，學習預警效果較好[9];宗曉萍等將改進的K-近鄰算法應用到教育數據中，通過改進決策樹來提高學習預警的準確度，提高課程通過率[10]。

總之，學者在學習預警研究領域取得了一定成果，但其實用性還有待提高。對學習預警的研究主要側重于對學習預警模型的研究，實際應用比較少，另外應用不具有普遍性，大部分只適用于一門課程或者是一個專業領域，針對民辦本科院校學生的學習預警研究還是一片空白，而民辦本科學生恰恰是最需要學習預警的團體。

2? 學習預警模型構建

2.1? 德爾菲專家咨詢法

德爾菲專家咨詢法又稱“專家規定程序調查法”，由古希臘城市德爾菲命名，是一種可靠的收集專家意見的方法。它通過設定的調查表向專家征詢意見，專家組成員對調查表的項目給出建議，在這個過程中專家之間不能交換意見，經過幾輪的專家咨詢和修改調查表使得專家意見趨向一致，獲得準確率較高的結果，被廣泛用于醫學、教育、商業等領域。

2.2? 學習預警模型構建步驟

通過三輪的德爾菲專家咨詢法確定一級指標、二級指標和三級指標項的具體內容，對于每個級別指標的權重，采用層次分析法來確定具體值，具體分為5個步驟：

（1）編制問卷。首先對現有關于學習預警的文件進行梳理和分析，根據文獻研究結果編制問卷，確定第一輪咨詢問卷包括3個一級指標，5個二級指標，10個三級指標。

（2）選擇咨詢專家。邀請具有相關項目研究基礎、發表過相關論文或者進行過相關實踐教學的專家15位，對問卷開展咨詢，咨詢過程中對專家積極程度、專家權威性和專業協調系數等一系列問題進行有效性驗證，使咨詢意見具有可信度和科學性。

（3）第一輪專家咨詢。將所編制的第一輪咨詢問卷發放給專家，對學習預警目標達成度進行必要性專業咨詢，采用5級評分，對于大于3的指標進行保留，在第一輪咨詢中允許專家對一級、二級和三級指標進行新增。

（4）收集分析專家意見并進行第二輪專家咨詢。在對第一輪專家咨詢意見進行收集和分析的基礎上，對個別指標進行修改和優化，制定第二輪專家咨詢問卷。進行第二輪的專家咨詢，并根據專家咨詢結果采用層次分析法計算指標權重。

（5）收集分析專家意見并進行第三輪專家咨詢。在對第二輪專家咨詢意見進行收集和分析的基礎上，對個別指標進行修改和優化，制定第三輪專家咨詢問卷。進行第三輪的專家咨詢，并根據專家咨詢結果采用層次分析法計算指標權重。具體的學習預警模型構建過程如圖1所示。

2.3? 學習預警模型

經過研究確定了混合式課程學習預警模型，包含基本情況、課堂學習情況、網絡學習情況、測驗結果4個一級指標;基本情況、出勤情況等10個二級指標;及格門數、討論次數等20個三級指標，如表1所示。

2.4? 學習預警模型權重

將德爾菲專家咨詢法結構按照層次分析法，計算權重矩陣，采用的是邁實AHP層次分析軟件，利用其自帶的修復功能對輸入的矩陣進行修正，導出權重，具體的學習預警模型指標及權重表如表1所示。

2.5? 學習預警模型結果分析

按照學生學習情況進行預警，分為紅、橙、綠三個等級。60分以下為紅色等級，預示著期末課程不及格需要對學生進行預警;60～70分為橙色等級，表示存在潛在的不及格危險，要對這部分學生給予警示;70分以上為綠色等級，表示安全，分值越大表示學習程度越好。

3? 智慧樹平臺學習預警實踐分析

為驗證學習預警模型的可行性和有效性，以鄭州科技學院智慧樹平臺混合式一流本科課程“Java程序設計”為例進行驗證，后臺管理界面如圖2所示，根據學生期中考試前數據對學生學習情況進行預警，結合學生平時學習情況和期末考試結果判斷學習預警模型的有效性。

3.1? 課程預警數據獲取

學習預警模型一級指標第一項從學生已有課程學習基本情況獲取，直接導出學生基本情況數據。課堂學習情況中課堂注意力和學習筆記情況從上課過程中教師記錄中獲取，師生互動由小組互動情況、翻轉課堂數據支撐，出勤數據可以從智慧樹平臺上直接獲取。

網絡學習情況和測驗結果可從智慧樹平臺獲取，如圖3所示，登錄情況、學習情況和網絡互動情況、資源學習情況等數據可以通過智慧樹平臺課程管理統計獲得。

3.2? 預警結果測試分析

在課程期中考試后進行學習預警，按照學習預警模型指標權重計算總分，發現授課班級2019級計算機科學與技術專業1至4班128名學生中有10名學生處于紅色預警級別，3名學生處于橙色預警級別，如表2所示。根據數據統計分析，這些學生的作業和出勤情況較差，與學生實際學習成效一致，隨后對這部分學生進行了課程預警。大部分學生在收到預警后進行了學習整改，個別學生沒有按照預警改進學習，期末考試顯示有3名學生不及格，全部為紅色預警級別學生，其余被紅色預警且分值較低的學生，通過預警改變了學習策略，期末考試分值能夠達到70～80分，說明所構建的學習預警模型是有效的。

4? 結? 論

學習預警模型雖然在智慧樹平臺上通過“Java程序設計”課程驗證了有效性，但是由于樣本數據較少還有待進一步優化，比如權重指標的系數，應該在多次試驗后根據預測結果進行微調，使其預測結果更加精準。另外這次針對的是計算機類課程，對于其他學科的有效性還有待驗證，后期會力爭將預警模型廣泛用于多學科多課程，不斷改進提高學習預警模型的有效性和魯棒性。

參考文獻：

[1] MCKAY T，Miller K，TRITZ J. What to Do with Actionable Intelligence： E 2Coach as an Intervention Engine [C]//Proceedings of the 2nd International Conference on Learning Analytics and Knowledge. NewYork：ACM，2012：88-91.

[2] MAZZA R，DIMITROVA V. CourseVis：A Graphical Student Monitoring Tool for S upporting Instructors in Web -based Distance Courses [J].International Journal of Human-Computer Studies，2007，65（2）：125-139.

[3] ARNOLD K E，PISTILLI M D. Course Signals at Purdue：using Learning Analytics to Increase Student Success [C]//Proceedings of the 2nd International Conference on Learning Analytics and Knowledge.New York：ACM，2012：267-270.

[4] ESSA A，AYAD H.Improving Student Success Using Predictive Models and Data Visualisations [J].Research in Learning Technology，2012，20：58-70.

[5] 王芳，梁鷹.基于MOOC的大數據學習預警模型在混合教學中的應用 [J].中華醫學圖書情報雜志，2019，28（7）：63-71.

[6] 胡建紅，張曉麗，袁培鑫，等.基于雨課堂智慧教學模式的學習預警分析 [J].中國成人教育，2019（21）：64-66.

[7] 牟智佳，李雨婷，嚴大虎.混合學習環境下基于學習行為數據的學習預警系統設計與實現 [J].遠程教育雜志，2018，36（3）：55-63.

[8] 趙慧瓊，姜強，趙蔚，等.基于大數據學習分析的在線學習績效預警因素及干預對策的實證研究 [J].電化教育研究，2017，38（1）：62-69.

[9] 宋楚平，李少芹，蔡彬彬.一種RBF 神經網絡改進算法在高校學習預警中的應用 [J].計算機應用與軟件，2020，37（8）：39-44.

[10] 宗曉萍，陶澤澤.改進的K-近鄰算法及其在學習預警中的應用 [J].河北大學學報（自然科學版），2020，40（2）：193-199.

作者簡介：于海燕（1983—），女，漢族，河南范縣人，副教授，碩士研究生，研究方向：計算機教育教學。