基于RFE模型的云課堂學生在線學習行為分析研究

鐘桂鳳

摘要：2020年初，國家教育部門與相關機構倡導課堂教學實施整體從以往的線下教學改為居家在線學習，選擇在線直播或平臺選課等各種方式進行教學。該文也在此背景下借助目前一些在線授課軟件，如釘釘、騰訊會議以及一些在線教學網站中國MOOC平臺、泰迪在線平臺來輔助教學，該課題通過對一個學期的在線教學+一個學期的線上線下結合的教學模式下學生用戶數據的采集、在線問卷調查，深入研究并挖掘出能對在線教學資源以及教學管理的優(yōu)化具有十分重要的意義，提升高校課程實施在線教學并有效把控課程評價指標服務的可持續(xù)性發(fā)展。

關鍵詞：在線教學;新冠肺炎病毒;云課堂;RFE模型;數據分析

中圖分類號：G642? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）21-0065-02

開放科學（資源服務）標識碼（OSID）：

自從2020年起，人們在生活、學習、工作等多個領域的模式都發(fā)生了極大的變化。比如說教育學習行業(yè)，從小學到大學，每個階段的學生由于特殊情況都無法返校，在國家的大力扶持下，我國的在線開放課程在近幾年發(fā)展得非常迅速，比如中國大學MOOC、網易云課堂、學堂在線、優(yōu)課聯盟等平臺相繼走向教育平臺的前沿。學習方式也由單一的線下方式，改變?yōu)榫€上線下混合教學，教學方式靈活化、教學資源多樣化，教學評價方式多元化正在深入影響著教育行業(yè)[1]。通過遠程、在線等方式進行線上教學，全國各個教育機構及部門，根據自身單位環(huán)境因素及學生情況，借助各類平臺進行遠程教學，但在線教學的前期準備、過程實施、質量把控等都會受到各種條件的影響與限制，學生的在線學習行為如果管理、學習過程如何把控，學習效果如何確定，學習成績如何評價是本論文討論的主題，如何針對目前高校在線教學實施的局限性，以及由此產生的弊端及不良后果進行改進，提高學生在線學習的效率，是我們此時要解決的首要問題。

1 用戶行為分析模型（RFE）構建

1.1 RFE分析模型與教學模式分析

結合中國大學慕課、智慧樹、云課堂等在線平臺，以及現在流行的線上+線下的混合教學方式，根據學生主體的學習情況特點，提示具體的評價標準，本研究主要針對學生在線學習的數據進行采集，然后設置三個考核指標：最近使用-Recency、使用頻率-Frequency、態(tài)度-Emotion[2-3]。根據這三個維度對學生群體做細分，得到學生R值，F值，E值。那么客戶對象就被分作多個細分群，就可根據客戶對象行為差異針對不同群體做不同推薦，針對不同業(yè)務場景，對R、F、E這三個指標賦予不同權重，最后可以根據公式進行計算：W=Wr*R+Wf*F+We*E，根據最終得分W排序，再細分等級，制定不用的策略、方法服務于用戶，使用戶在平臺的體驗值增加，提高用戶的興趣與參與度。

基于以上需求，使用R、F、E三個維度值，結合合作的在線教學平臺（泰迪云課堂、MOOC慕課平臺等）對用戶群體在平臺上的行為數據進行采集、劃分和解讀，對用戶的活躍度做分析。下面根據學生主體在兩個學期的在線學習平臺+線上線下混合課程教學模式，從場景方式維度、觀測點、評價指標、學生主體反饋等綜合因素進行劃分考核細項，場景方式主要從錄播平臺、直播課堂、實驗平臺、作業(yè)平臺進行構建，觀測點主要從考勤、學習時長、課堂表現、課堂答疑、作業(yè)情況、互動參與度幾個方面進行構建，學生主體反饋從投入度、參與度、能力提升度、學習態(tài)度幾個方面進行構建，最后對情況得出REF評價綜合體系[4]。

1.2 教學評價體系量化計算

本研究在線學習行為評價的量化按以下幾個方面進行分配占比系數。錄播平臺（25%）、直播課堂（20%）、實驗平臺（20%）、作業(yè)平臺（15%）。具體的量化計算公式如下：錄播平臺=平臺相關資料預習（20%）+觀看視頻次數（5%）+觀看視頻時長（30%）+標記記錄疑難問題（15%）+學習任務完成情況（15%）+平臺知識疑問處理（發(fā)帖+回帖）（15%）。直播課堂=課堂考勤（30%）+在線課堂答疑（20%）+返看直播次數時長（25%）+實時作業(yè)（25%）;實驗平臺=實驗完成度（30%）+完成時間（20%）+實驗結果（50%）;作業(yè)平臺=完成度（30%）+作業(yè)認真度（30%）+完成時長（10%）+相似度（30%）。

通過建立評價模型以及量化考核評價體系后，將學生在線學習的數據進行收集整理，導入到數據分析軟件中，結合建立的RFE模型，進行分析計算出最終結果。RFE的得分在一定程度上說明，分數越低說明其訪問頻率也就越低，但是問題不能以偏概全，由于用戶數據不確定因素會影響分析結果，所以還可以通過學生在每次訪問（交互）時的具體數據來進一步分析用戶行為，此時重點要做學生回訪平臺的頻率提升，例如通過教學獎勵活動邀請、精準學習內容投放、會員免費在線學習活動推薦等提升學生回訪教學平臺的頻率。基于RFE的匯總得分評估所有學生在平臺（軟件）中的活躍度價值分，并可以做活躍度排名，比如由天、周、月排名累計;同時，該得分又可以二級維度指標作為其他數據分析和挖掘模型的輸入變量，為分析建模提供基礎。

2 學生在線學習行為數據分析挖掘實施

2.1 在線學習行為數據分析挖掘過程分析

學生在線數據分析是本課題的研究重點，在疫情產生后無法正常開學進行校園學習，學校方就組織全校師生進行在線網課的開展，經過多方篩選及考核，我們大數據專業(yè)主要與廣州泰迪科技有限公司合作，在其“泰迪”平臺上選擇適合的課程進行在線學習，泰迪公司與老師已將學生所有信息數據導入“泰迪云課堂”平臺。在線上學習期間，主要負責采集在線學習信息，然后對數據進行預處理、構建用戶模型、進行數據分析，最后將數據在平臺上展示，然后挖掘每類學生的潛在價值以及學習推薦，其工作流程如圖1所示。