教育數據在課堂與在線教學中的應用研究

宋正國 刁秀麗

摘 ?要： 人工智能與大數據技術的應用，為教育教學注入了新的動力。文章以程序設計在線評測系統大數據為例，研究教育大數據在輔助課堂教學和在線教學中的應用。基于在線測評系統，分析學生學習流程及數據體系，剖析了教育數據在學習路徑分析、相似度計算、個性化內容推薦、群體模型構建及學習成績預測等領域的應用，為教育管理以及課堂教學與在線教學的深度融合提供決策支持。

關鍵詞： 教育大數據; 在線測評系統; 學習路徑; 個性化推薦

中圖分類號：G40-057 ? ? ? ? ?文獻標識碼：A ? ? 文章編號：1006-8228（2021）08-93-05

Research on the application of educational data in classroom teaching and online teaching

Song Zhengguo， Diao Xiuli

（College of Computer Science and Engineering， Shandong University of Science and Technology， Qingdao， Shandong 266590， China）

Absrtact： The application of artificial intelligence and big data technology has injected new impetus into education and teaching. Taking the big data of programming online evaluation system as an example， this paper studies the application of educational big data in aiding the classroom teaching and online teaching. Based on the online evaluation system， the students' learning process and data system are analyzed， and the application of educational data in the fields of learning path analysis， similarity calculation， personalized content recommendation， group model construction and learning performance prediction are dissected， which can provides decision-making support for education management and the deep integration of classroom teaching and online teaching.

Key words： educational big data; online evaluation system; learning path; personalized recommendation

0 引言

人工智能和大數據成為當前信息領域研究的熱點。教育領域對大量數據的挖掘和運用，并進行學習分析，必將影響著課堂教與學的各個方面，帶來教學目的、教學內容、教學方式和教學管理等方面的系統性變革。目前，教育領域中大數據主要是教育教學中產生的學習者行為數據，如課堂教學中的學習行為、面部表情、肢體動作、眼動等，以及在線學習中學生學習路徑、學習日志、學習成果數據及課程資源數據與學習管理數據等。通過教學管理系統的學生數據，研究學生的未來行為趨勢，如通過在線課程記錄，預測學習者能否完成在線課程[1];通過提取學習者在在線教育平臺上的數據，識別學習者行為，檢測有可能存在輟學風險的學生，及時發現并進行教育[2];通過提取學習者的個人信息，對學習者的成績進行分析與成績預測等[3-6]，以改進教學方式。

程序設計在線測評系統作為培養高校學生編程能力的輔助課堂教學的學習平臺，教學中廣泛使用。平臺上產生了大量學生編程練習與測試數據，通過對這些數據挖掘與分析，可以幫助教師了解學生編程能力培養的規律，進而幫助其調整教學策略及方法。

1 教育數據挖掘分析概述

1.1 評測系統特征介紹

程序設計在線評測系統是基于Web、供C語言、C++等多種編程語言類課程教學使用的在線學習平臺，其主要功能包括題庫管理、程序代碼在線提交和實時評判、在線考試、系統監控和管理等。該系統主要為教師和學生兩類用戶服務，教師基于平臺開展諸如布置課程作業、安排上機實驗及階段性測試、編程競賽等教學活動。學生在教師的指導下基于平臺進行自主學習，登錄系統查看教師發布的實驗、作業及測試等題目，在線提交編程類題目的代碼，系統自動評測學生提交的代碼，并向用戶顯示評測結果。

程序設計在線評測在我校得到了廣泛的應用，涉及專業包括計算機科學與技術、軟件工程、物聯網技術等十幾個專業。如表1所示，每個學習者提交代碼后可以得到一個實時的結果內容包括提交號、學習者登陸名、提交的題目號、提交結果、使用語言和提交時間等。截止目前為止，本系統的注冊人數已達12000余人，總提交次數突破230萬。數據庫中匯聚了各個專業、各個年級的學習者，不僅存儲了每位學習者的個人信息、登陸信息、提交信息，還存儲了作業信息、題目信息等。這些信息既包括學生的學習結果信息，也記錄了學習者詳細的學習過程信息。

1.2 評測系統數據體系

程序設計在線評測系統作為高校開展混合式學習的重要學習環境，產生了全方位、多維度的學習大數據，通過對這些海量數據的挖掘分析，把握學生在線編程學習的規律，為改進教學提供數據支撐。在線評測系統中學生學習流程及數據體系如圖1所示。

上述數據體系表明，在線評測系統中學生學習全過程、常態化所產生的數據涵蓋課后作業、上機實驗和階段測試多個教學環節，形成了診斷性評價、形成性評價和總結性評價的全方位、多維度評測大數據。從整體上看，這些測評大數據描述了學生學習行為和學習過程狀況，描述了不同學習階段的結果情況，為分析和改進教學過程提供了全面的數據基礎?；诔绦蛟O計在線評測系統中的教育大數據，利用教育數據挖掘和學習分析技術進行建模、分析和處理，有助于教師和研究者深入理解學生學習數據，并基于數據分析做出數據驅動的決策，從而為開展學情分析、把握學生學習行為、優化學習過程提供數據支持，真正實現基于數據的教育。

2 教育大數據應用領域

程序設計在線評測系統數據挖掘分析的關鍵是獲取海量的學生學習行為變化態勢數據以及針對這些數據開展挖掘分析。學習過程是一個及其復雜的過程，學生學習水平是身心狀況、認知基礎、學習方法、學習動機以及其他外部因素的綜合作用的結果[7]。

基于在線測評系統中學習過程數據和學習結果數據的收集、整理、挖掘與分析，其主要應用領域和研究問題包括學生用戶建模、學習路徑分析、相似度計算的應用問題、群體網絡構建以及內容推薦問題。從評價的角度看，基于學習分析技術還可以構建學生評價模型、教師評價模型、課程評價模型等模型，進而實現學生學業趨勢分析。程序設計在線評測系統數據挖掘分析整體框架如圖2所示。

⑴ 學生用戶建模

學生用戶模型是一種對真實學生特征的抽象表示，它代表學生用戶的知識狀態、認知學習行為、學習動機與興趣、學習態度與情感等方面的一系列水平和特征[8]。

通過在線測評系統中學生答題正確率、做題花費時間、請求幫助的數量和性質，以及錯誤應答的重復率等數據，并結合課程、學習單元和知識點的學習內容組織方式等數據，通過數據挖掘和分析，構建學生知識狀態模型，關注學生在學習過程中的知識狀態變化。

通過采集學生在測評系統中花費的學習時間、題目測試與作業的學習情況，并結合學生在課堂或學校情境中學習行為變化情況、線上或線下考試成績等數據，探索學生學習行為與學習結果的相關關系，構建學生學習行為模型。

采集學生在測評系統中花費的學習時間、作業開始與提交的時間，代碼相似度等相關數據，以及線下學生基本信息，通過數據挖掘，分析學生學習特征，構建學生的興趣模型。由于大多數情況下學生基于在線評測系統開展自主學習活動，在線評測系統中記錄著作業開始與提交的時間、學生做題的反饋等客觀和主觀數據，我們通過學生對題目的知識點和做題目的感受，以及題目的難度系數，動態地計算學生情感，建立學生情感模型。

⑵ 學生學習路徑分析

學習路徑是實現個性化學習、個性化信息服務和導航的主要技術之一。目前，關于學習路徑的研究包括學習資源序列和學習活動序列兩個方面。學習路徑推薦是對學習者學習的活動或學習資源順序進行推薦的一種策略，主要包括基于特征屬性的推薦、基于學習模型的推薦和基于群體路徑的推薦等三種學習路徑推薦策略[9]。基于學生在線測評系統中積累的海量學習行為數據，使得研究者有機會更加精準地認識每一位學習者。通過對學習者相關數據的挖掘和分析，繪制其學習路徑圖，基于學習路徑既可以發現學生所做題目的順序，還可以將題目映射到知識點，從而發現知識點序列，再根據做題結果，進而對學生能力評價，關注學習路徑對學生能力的影響。

⑶ 相似度計算的應用問題

基于在線測評系統的數據可以進行學生相似度、學習路徑相似度、題目相似度以及作業代碼相似度等方面的計算，從而有利于群體分組、精準推薦和個性化學習支持服務。

計算學生相似度，根據學生的注冊數據以及學生在測評系統中的日志數據，提取能代表學生模型的特征屬性，既包括學生的靜態特征屬性，也包括學生的動態屬性，通過相關特征屬性的相似度計算，來判定學生的相似情況，從而基于相似學生進行好友推薦、分組、推薦資源。判斷學生的相似性使用文本相似度計算方法，包括文本的語法相似度判斷、語義相似度判斷或者語法語義相結合的相似度判斷。

依據在線測評系統中學生的做題路徑數據以及登陸提交作業等數據，計算學生的學習路徑相似度。關于學習路徑相似度計算可以借鑒計算機領域的流程結構相似度計算方法，目前采用最多的方法就是基于各種形式的編輯距離來進行計算，其中主要包括圖的編輯距離、樹的編輯距離和字符串的編輯距離等。通過學習學習路徑的相似度計算，可以獲得相似的學習路徑，從而進行學生能力評價，相似路徑的好友推薦、分組，以及資源推薦。

⑷ 內容推薦

推薦系統一直以來都是人們關注熱點問題，其主要目的是為了解決網絡上的信息過載問題，幫助用戶從大量的信息中自動獲取特定需求或符合用戶興趣偏好的資源和信息。目前存在的、公認的幾種典型的推薦策略有：基于知識的推薦、基于內容的推薦、協同過濾推薦、基于網絡結構的推薦等?；谠诰€測評系統實驗數據的研究，應關注內容推薦問題，從推薦算法、推薦中考慮的因素和算法應用等方面進行研究?；谠诰€測評系統的內容推薦主要包括以下幾種推薦內容：測試題目推薦;依據學習路徑推薦和基于個體和群組的好友推薦。

⑸ 群體網絡構建

網絡中，相互聯系的群體，受各類社會因素的影響，常常表現出相同或相似的興趣愛好及行為規范。同時，伴隨著社會化網絡的廣泛應用和在線社交網絡的盛行，網絡系統用戶之間的活動行為表現得越來越社區化和網絡化，結合學生的交互行為數據的挖掘與分析，研究學生的社交關系，構建基于學生群體數據的具有相同或相似偏好的群體網絡模型，探索學生虛擬社區的發現及動態演化規律，有利于學習資源和學習服務的精準推薦，從而達到個性化服務的目的。

⑹ 成績預測

基于在線測評系統數據以及學生用戶模型，構建成績預測與預警模型，從而對學生的學生成績進行預測和學習行為進行預警，以及進行預測成績不佳的原因分析。

3 總結及展望

教育數據挖掘和學習分析通過對教育大數據的獲取、存儲、管理和分析，構建學習者學習行為相關模型，分析學習者已有學習行為，促進課堂教學與在線教學的深度融合，并對學習者的未來學習趨勢進行科學預測。

⑴ 利用人工智能與大數據對學習資源精準推送

大數據時代數字化的學習資源將呈現爆炸式的增長，面對海量的學習資源，學習者如何選擇，或者如何向學習者推送合適的學習資源將成為未來面臨的主要問題。依據學習者的興趣、偏好、知識水平和能力水平等靜態特征，結合學生學習的過程性信息、忽視人際網絡信息和學習路徑的動態變化等學習過程情境信息，為學習者推薦精準的個性化的學習資源。

⑵ 構建自適應學習支持服務系統

適應性學習是遠程教育發展質的飛躍，飛躍的直接原因是以計算機、遠程通信及認知科學相結合的“知識媒體”綜合運用。適應性學習是根據學習者的個性化特征選擇相適應的學習內容和學習方法。研究滿足不同認知水平、認知風格的學習者提供個性化的學習資源、學習路徑以及學習伙伴，建立在信息檢索和信息過濾技術基礎上的個性化自適應學習支持服務系統。

⑶ 人工智能與教育的深度融合

當前，無論是課堂教學還是在線學習都產生大量的學生學習數據，教師可以利用學習數據有效地跟蹤學生的學習進度，利用相關的學習數據來優化學習效果;通過學習數據分析發現學生的學習規律，促進課堂教學管理;基于學生學習大數據，研究人工智能和大數據技術與高等教育教學的深度融合機理，改革現有的高等教育模式和教學方法，促進教師教學模式的多樣化、學生學習的個性化、教學決策的精準化以及教學管理的科學化。

⑷ 基于多模態數據的學習行為感知與預測

目前很多高校已建成集智能化教學、管理、服務于一體的智慧校園，高校教學環境逐漸走向智能化、智慧化，為更好地實施混合式學習、泛在學習等新型教學模式創造了便利條件。在智慧教育環境下，每個學生的行為數據和學習效果數據等多模態數據被完整地記錄保存下來，由于學生個性的不同，學習的參與度、學習表現也不盡相同，導致學生的評價數據往往是立體多維的，為此借助大數據和人工智能技術自動感知和跟蹤學生的學習行為，以大數據和人工智能技術為支撐，研究個體和群體學生行為分析挖掘方法，通過對學生行為精準刻畫，幫助教師及時了解學生學習行為態勢走向和演化，監測學生表現，從而實現個性化學習支持服務，以便幫助學習者提高學習效率、增強學習體驗、優化學習效果，幫助教師進行精準教學支持與決策。

參考文獻（References）：

[1] Lara J A， Lizcano D， Pazos J， et al. A system for knowledge discovery in e-learning environments within the European Higher Education rea-Application to student data from Open University of Madrid， UDIMA[J]. Computers & Education，2014.72（1）：23-36

[2] Cocea M， Weibelzahl S. Can Log Files Analysis Estimate

Learners` Level of Motivation[C]：Lernen-Wissensentdeckung-Adaptivit?t， Hildesheim， October-2006， Joint Workshop Event of Several Interest Groups of the German Society for Informatics. DBLP，2011：32-35

[3] Natek S， Zwilling M. Student data mining solution-knowledge management system related to higher education institutions[J].Expert Systems with Applications，2014.41（14）：6400-6407

[4] 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

[5] 蔣卓軒，張巖，李曉明.基于MOOC數據的學習行為分析與預測[J].計算機研究與發展，2015.52（3）：614-628

[6] García E， Romero C， Ventura S， et al. A collaborative

educational association rule mining tool[J]. Internet & Higher Education，2011.14（2）：77-88

[7] 張燕南.大數據的教育領域應用之研究[D].華東師范大學，2016.

[8] Chrysafiadi，K. & Virvou， M.. Student modeling

approaches： a literature reviewfor the last decade. Expert Systems with Applications，2013.40（11）：4715-4729

[9] 趙呈領，陳智慧，黃志芳.適應性學習路徑推薦算法及應用研究[J].中國電化教育，2015.8：85-91

[10] 林木輝.學習者個性化特征表示及相似度計算[J].中國遠程教育，2014.2：32-35

[11] 余勝泉.適應性學習——遠程教育發展的趨勢[J].開放教育研究，2000.3：12-15

[12] 徐鵬飛，鄭勤華，陳耀華，陳麗.教育數據挖掘中的學習者建模研究[J].中國遠程教育，2018.6：5-11，79

收稿日期：2021-03-15

*基金項目：山東省教育科學“十三五”規劃專項課題“人工智能深度推進教育管理和課堂教學改革研究”階段性成果（2020ZBYB008）

作者簡介：宋正國（1977-），男，濟寧人，碩士，副教授，主要研究方向：個性化推薦、人工智能與教育。

通訊作者：刁秀麗（1978-），男，碩士，副教授，主要研究方向：智慧教育、個性化信息服務。