面向精準化教學的大數據分析方法研究與探索

王蘊哲 陸悠 陳建平

摘? 要：在傳統教學范式中，教師通過書本、黑板和多媒體課件等工具將經驗知識傳授給學生。為了改善學生只能被動接收單向信息的弊端，教師很難實時收集和分析綜合性學情數據，更無法實現因材施教精準化教學改革。本研究借助大數據技術，利用各種數字化學習平臺和移動終端設備，可持續性地采集和存儲海量的教學過程數據，結合數據挖掘和人工智能等方法來探索數據隱藏的價值，以推動教學模式改革。初步實驗結果顯示，蘇州科技大學計算機專業采用本研究提出的教學框架能夠將課程選修率提高12%，教師評教優秀率高達92%。教學過程的大數據分析能推動精準化教學的雙向循環，提升了教與學的雙重效率。

關鍵詞：大數據;精準教學;學情分析

中圖分類號：G642.0? ? 文獻標識碼：A? ? 文章編號：1673-7164（2022）13-0125-04

一、引言

大數據是當今社會最重要的資產之一，具備4V特征，即規模性（Volume）、高速性（Velocity）、多樣性（Variety）和價值性（Value）。教育大數據則是伴隨著我國教育信息化戰略不斷推進，借助各類軟硬件平臺和工具，由常態化和數字化學習活動數據的持續積累而形成[1]。教育大數據可涵蓋學生成績、學生特長、課程信息、教學行為等多樣化信息。對這些數據進行針對性分析能夠揭示現存問題、發展趨勢和相關關系等重要價值[2]，對推動科學化教育管理、精準化教學模式改革、人性化教育評價和服務都有著深遠的影響[3]。

近年來，大數據技術正被越來越廣泛地應用至教學情境中，主要目的在于促進教學質量的不斷提升。與普通的教學范式相比，結合了大數據分析技術的情境教學，能夠優化高校體育課教學的課堂環境并準確分析學生的動態[4]。經總結發現，教育大數據的重要性體現在以下六個方面：提高教與學的效率、促進科學決策教育、完成素質教育監測系統、便于綜合評價教育質量、促進普及和個性化教育、完善個性化教學。然而，全面推進大數據技術與精準化教學的融合仍面臨著數據分析、共享、數據安全等方面的挑戰。

精準化教學是指鑒于個體對知識的掌握程度不同而展開的差別化、針對性的教學，精準度則體現了教師的教學方式與學生接受能力之間的耦合程度。高校教育的價值不僅體現于知識在盡可能廣泛的空間中進行傳播，更在于幫助學生樹立正確的自我認知以達到日趨完善的狀態。因此，教師引導的精確性和對動態教學過程中不確定因素的掌控力，是培養學生核心素養、專業能力以及獨特思維方式的關鍵。

教育部辦公廳印發的《2018年教育信息化和網絡安全工作要點》中就已經明確指出要推動大數據技術在教育教學中的深入應用，提高教育大數據的收集、分析和研判能力。目前已有部分數據驅動精準教學相關的討論和實踐，但是提高精準度仍是當務之急。而導致教學精準度低這一結果的原因，具體來說，包括數據涉及面窄、維度低、質量差、管理分析難度高等因素。因此，本文提出大數據分析方法驅動的精準化教學框架，結合實際的教學場景對當前制約精準化教學的因素進行解釋，側重于教育數據從采集、存儲到分析，再到發揮效用的全過程整合。此外，本工作具備較強的普適性，可靈活服務于各種教學情境。無論是教師還是學生，都將顯著提高教學過程中的參與度和交互程度。基于人工智能的教學數據分析方法，使得分析過程實現高效自動化，結果也更加可靠。本框架的一個重要特點在于構建數據可視化系統，分析結果可以通過適合的方式加以呈現，這對于教育者全面、正確、深入理解數據，科學制定精準化教育決策起到了關鍵作用。

二、傳統教學范式問題分析

我國傳統教學范式的特點可以概括為“三中心”（老師中心、教科書中心、課堂教學中心）和“五環節”（準備、復習舊課、教授新課、鞏固練習、布置作業）[5]。在此教學模式下，學生的注意力集中在課堂上老師所講授的課本中的理論知識，忽略了自主學習、主動探索能力的培養。目前，大部分高校課堂中已引入互聯網和多媒體等技術，拓寬了學生自主獲取信息的途徑，增強了課堂上師生間的互動性。然而，要實現精準化教學這一目標，教師仍面臨著以下幾方面的挑戰：

（一）學情數據匱乏

精準化教學要以多元化的學情數據分析為基礎，而目前可獲取的多為成績評分及考勤數據，形式單一，信息量不足。往往是由采集目標基數大、部分內容難以量化和數據采集工具有限所致。在數據量匱乏的情況下，教師難以了解不同學習者的學習特征和學習需求，因此亟須拓寬數據采集渠道與方法。

（二）學情分析難度大

在收集到海量學情數據的情況下，教師首先面臨著存儲和管理的困難。隨著數據的積累，單臺設備很難滿足實時讀寫的需求。教師受專業背景的影響，具備不同的數據素養，有時無法充分利用大數據技術進行分析，而傾向于通過主觀經驗對學情做出評價。

（三）教學互動性低

教師通常使用同一套教材進行授課，導致知識掌握程度不同的學生難以獲得個性化的學習資源。由于課堂規模、課時等方面的限制，學生難以發揮主觀能動性，既無法及時反饋知識盲區，也很難獲得老師全面的評價以改善學習方式，促進自主學習。學生被動式的學習更增加了教師進行針對性教學和輔導的難度。

（四）數據應用性差

教師難以獲得現實收集到的學情數據的效益的最大化，僅可針對這類數據進行簡單的統計分析，得出成績分布的大致情況。事實上，學情數據可以應用到教學領域建模、學習趨勢預測、個性化學習，教育決策與干預等多個方面，為提升教學質量提供有力支撐。而教學質量的提升依賴于教師數據思維的全面改革與提升。例如在統計學專業課程教學過程中，適時引入大數據方法工具，加強學生對各種回歸算法、決策樹等人工智能方法的理解。在課程教學過程中增加半結構化、非結構化數據的處理方法、復雜數據庫的信息提取與關聯分析等內容[6]。

三、大數據技術提高教學精準度方法設計

針對上述實現精準化教學所存在的各項問題，本文提出通過大數據及人工智能技術來提高精準度的方法。方法所對應的框架如圖1所示：

（一）基于多源信息的教育數據采集

教育大數據相比傳統的教學數據具有實時性、綜合性、連續性和自然性等特征，其價值的高低密切依賴于數據質量是否真實、一致和準確，采集的方式主要包括：課堂數據采集，包括考勤、提問、偏好等行為數據。由于手動收集數據所需的人力成本過高，學校可以在教室設置監控視頻，通過后期的視頻分析技術提取相關數據;線上教學數據采集，通過端上埋點技術，記錄學生觀看視頻的時間，暫停、播放、退出的頻率，由此可對學生和教師特定的行為進行跟蹤與捕捉;調研數據采集，以問卷或訪談的形式獲取學生及教師主觀態度和意愿方面的數據，此種方式可將數據的積累延伸至課外，為學情分析提供新的契機;知識數據采集：以課程為單位，提取知識點列表、知識點難度、教學成果列表、成績及錯點。

（二）分布式教育大數據存儲與管理

存儲是為了提高數據的可用性和多用戶協同合作的效率。教育大數據的存儲需要使用分布式集群、云存儲等技術。在存儲之前，需要對數據先進行預處理，即：清洗由采集設備或傳輸和錄入過程所導致的數據錯誤;對數據項和數據屬性的完整性進行檢查;從不同數據源獲取的數據，如監控視頻數據，問卷文本數據，可能是結構化、半結構化甚至非結構化的，需要進行量化、轉化及整合;通過聚合、降維、壓縮等方法對數據進行歸約，剔除冗余。Hadoop框架中的分布式文件系統能夠實現海量數據的分塊存儲、復制備份，保證服務器之間的負載均衡。在HDFS的基礎上部署Hive和HBase等數據庫和數據倉庫組件，可支持數十億級數據的實時入庫和隨機查詢訪問。

（三）基于數據挖掘和人工智能的學情分析

學情數據分析是為了構建和理解學習者特征，進而制定個性化教學策略，優化學習成果。傳統的分析方法多依賴于描述、推論、信度分析等統計學方法，只適用于處理少量數據且無法充分挖掘數據關聯性、發展趨勢、屬性類別等隱藏信息。因此需要借助數據挖掘和人工智能的方法深入數據內部，在發現價值的同時也要保證處理大量數據的速度。

（四）交互式可視教學平臺

可視化技術可以將抽象數據挖掘的結果直觀地呈現出來，通過圖形、圖表、動畫等不同形式使用戶形成對海量數據的整體理解，感知數據間的復雜關系，結合縮放、篩選、高亮等交互工具，與數據交流，輔助分析和推理工作的深入。

（五）面向精準度的教學大數據多元應用

對學情數據分析的結果可應用于教學規律探索、問題診斷、決策與干預，進而確定個性化、精準化教學方針與目標，提升教學質量。此外，線上教學平臺相關的數據還可用于后續對平臺的迭代與優化。

四、方法驗證及場景應用

在教學實踐過程中，面向精準度的教育大數據分析方法取得了較好的效果。本課題以蘇州科技大學2018級計算機專業學生為實驗對象，涵蓋“Java語言程序設計”“Web前端開發”等多門課程，主要采集課程信息、學生成績、課堂視頻等數據。在實驗前期準備階段，搭建了由10臺服務器構成并部署了OpenStack私有云平臺的集群系統，用于存儲教學數據。多個用戶可同時接入虛擬化資源池，部署Hadoop系統，進行數據的分布式存儲與管理。

在數據分析方面，采用Apriori方法探索學生課堂行為與成績之間的關聯;通過自回歸移動平均模型算法對個體的成績數據進行時序預測;在對各個學生進行特征提取的基礎上，使用kMeans等聚類算法找出具有相似表現狀態的群體。還運用人工智能技術從多源異構課程信息中抽取知識，構建知識圖譜，幫助學生梳理課程核心概念之間的語義關系，提高歸納總結的能力;通過計算機視覺中的深度學習方法，對課堂監控視頻進行目標檢測、行為檢測與跟蹤、自動化考勤和教學質量評估，降低人工記錄的時間和人力成本。各項數據挖掘與分析算法通過移動計算的方式在大數據云平臺上執行，云平臺在進行任務調度時，會盡可能地將計算任務分配到其所要處理數據塊的存儲位置，實現存儲與計算的分離。這樣可以提高系統的靈活性，使得存儲與計算可以按需進行拓展。

為了直觀展示教育大數據挖掘分析的結果，我們還建立了交互式的可視教學系統。圖2展示的是系統中的數據統計界面。數據包含了文本和數值類型。通過排序、平均、詞頻統計等統計方法，結合折線圖、平行坐標、柱狀體、環形圖、詞云的可視化方法呈現出個體原始數據以及整體分布情況。從左下角的詞云圖中，師生可以直接獲取當前各門課程中的核心概念，盡快確定授課和學習的主要方向。在右上角的班級成績平行坐標中，教師不僅可以查看成績的整體分布，還能夠掌握單個學生的成績波動情況，根據考試內容迅速定位薄弱的知識點，及時調整授課重心與方式，以此開展更有針對性的教學，提高教學的實效性。

五、結語

精準教學是教學質量提升的終極目標，通過設計測量過程來追蹤學生的表現，核心在于大量的教育數據和準確的學情分析。大數據時代的到來為精準教學中數據挖掘和分析任務提供了有力的技術支撐，使得學生可以根據全面的成績和行為記錄實現自適應學習，教師能夠參考分析結果診斷教學問題、動態調整教學方針。本文提出的框架遵循完整的大數據分析流程，從數據采集、存儲、處理、算法分析及交互可視化等方面，針對當前教學精準度提高存在的困難，探討潛在的解決方案和可行性。在初步實踐的過程中也發現，精準化教學也離不開教師數據素養的提升和軟硬件設施的發展。為了進一步驗證有效性，未來還應將本文所提出的精準化教學框架推廣至更多學科的教學實踐中。此外，本文聚焦于教學框架的構建，而細節方面仍需要更多探索，包括不同的分析方法在各類教學數據價值挖掘任務下的性能比較，以及數據安全的加強以及學生隱私的保護。

參考文獻：

[1] 楊現民，駱嬌嬌，劉雅馨，等.數據驅動教學：大數據時代教學范式的新走向[J]. 電化教育研究，2017，1（12）：13-20.

[2] 陳亮亮，邵雄凱，高榕. 基于大數據云平臺的深度學習預測模型研究[J]. 軟件導刊，2020，19（05）：42-47.

[3] 楊現民，唐斯斯，李冀紅. 發展教育大數據：內涵，價值和挑戰[J]. 現代遠程教育研究，2016（01）：50-61.

[4] Wei X.，Fang X.. Accurate Analysis of big data Assists Teaching in Situational Teaching and Quality Development Training of College Physical Education[C]. In 2021 2nd International Conference on Computers，Information Processing and Advanced Education，2021：1146-1151.

[5] 李秋華. 中國傳統文化教學范式改革淺議[J]. 文教資料，2012（20）：148-149.

[6] 胡松華，趙慧. 大數據背景下統計學專業課程教學改革模式探析[J]. 教育研究，2020，3（02）：105-106.

（責任編輯：胡甜甜）