基于多維數據分析的全景交互式云選課平臺設計研究*

孫健秧 薛 嫻 王錦坤 朱伯聰 游 盛 洪東鍵

(福建電力職業技術學院，福建 泉州 362000)

1 概述

隨著現代化職業教育政策的實施，對高校學生能力素質和知識廣度的要求正在不斷提高。目前，高校越來越重視選修課的互動、擬合、共好等教學管理工作，面向人才培養全面發展和社會適應性需求，各高校建設了多元素、多樣化的選修課程體系。本研究以全景互動式的教學管理模式為導向，在實現選課過程電子化的基礎上，突破傳統模式，通過預選、篩選、初選、確選、改選的全景模式，實現校選課程設計的多元確定，引入學生相關的多元數據，構建學生畫像模型，打破原有單一化的交互展現形式，并以此為基礎實現個性化的選課推薦。此外，依托平臺的數據分析能力，綜合分析選課情況，開展全過程跟蹤，為課程開發、課程設計調整提供數據支撐，提高教學管理水平。

目前，高校選修課程大多依賴單一的、固化的選課模式，即由學生通過選課系統進行選修課程選擇。這種模式是按照學生登陸系統的時間先后順序進行課程選定，即越早登入系統的選擇成功幾率就越大，部分學生因無法選擇到理想課程而盲目操作。該模式缺乏互動性、適應性、有效性，學生滿意率低，老師教學成效也不高，無法實現分類施教、因材施教的選修課程培養目標。

2 模型設計與研究

2.1 模型選擇分析

選課系統采用B/S結構模式作為系統結構設計方案，相較于C/S結構，B/S結構模式對于網絡環境的要求更低，維護成本低，可擴展性強[1]。傳統的選課針對模型算法需求較少，常見的推薦算法所涉及的技術難點、復雜程度、智能程度也不高，因此本研究采用BP神經網絡算法作為選課推薦算法[2]。BP神經網絡是一種多層前饋神經網絡，由許許多多的神經元組成網絡，神經元接收n個其他神經元傳遞的輸入信號，信號能通過層與層向前傳播，得到最終實際輸出后，與期望輸出做對比,通過“梯度下降”策略，逐層調節權重和閾值,最終得到與期望輸出在誤差允許范圍內的神經網絡模型(見圖1、圖2)。為深入挖掘學生的行為信息、偏好信息等特征之間的聯系，本研究還采用了數字畫像技術來構建學生畫像模型。首先將畫像模型的各標簽進行數字轉換，當輸入一個目標用戶的各項轉換值后，獲得該用戶的特征向量，再根據權向量得到感知器的輸入值，然后使用sigmoid函數計算出每個感知器的輸出，再將此輸出作為下一層感知器的輸入，依次類推，直到輸出層。

圖1 神經元模型

圖2 三層BP神經網絡

2.2 選課系統設計

以選課流程為主干線，建設選課管理、選課審核、規則配置三大基礎功能，在此基礎上結合教學統籌、教學評價、課程建議反饋、數據報表等功能的建設，實現從“選課—審核—上課反饋—數據分析展示”的全過程跟蹤及數據反饋，在滿足學生選課電子化、便捷化的基礎上，為學校教學管理提升提供支撐。

如圖3所示，系統設計三輪式選課流程，學生依次進行首選、復選、改選，其中每輪選課包括系統預選、初選、確認選課等。各流程的進行時間由學校通過系統設置模塊予以限定。

選課時(開始前)，按照學生在校期間學工信息、課程成績、綜合素質、行為數據等多元數據，通過數字畫像技術構建學生畫像。選課后，根據畫像并運用BP算法進行預選推薦，配合沖突檢測機制、智能匹配預警機制、課程推薦結果多輪擬合等全過程互動式邏輯，實現學生有針對性的選課，并保障學生個人日程合理安排，避免沖突選課。

學生選課后，進入教師審核環節。審核時，教師可以參考平臺提供的數字畫像(模型的)數據對比，確定或駁回學生選課申請。學生自主選課階段完成后，學校可通過教學統籌功能，對未成功選課的學生進行課程分配，合理利用教學資源，有效減少資源浪費，完成后導出課程學員名單及時下發至授課教師處，確保課程順利開展。

除上述選課的關鍵流程外，系統從多維度對最終選課結果進行數據統計，在課程建議功能模塊中，以圖表形式直觀展示，并自動判斷分析，為學校提供課程缺口分析以及調整建議，為學校的管理決策提供數據支撐。

2.3 關鍵技術研究

數字畫像是由對象多模態信息特征所構成的代理原型[3]，是在一連串數據上構建起來的對象模型，即對象的信息畫像化。其用一系列的畫像簡潔、明了地刻畫了每個個體的特征，通過數字畫像的實際應用，實現支持決策、改進管理和優化服務等功能。

以畫像構建分析為基礎，通過基于標簽的群體圈選、群體計算等手段，為用戶建立個體檔案，從而實現對于目標群體的精準定位[4]。結合標簽庫的構建分析，通過大量的數據收集比對分析后得出畫像構建的要素及方式方法，最終構建出符合目標用戶的個性化數字畫像，具有準確性、普適性。如圖4所示，本研究使用三維笛卡爾坐標系表示選課學生的畫像模型。X維表示學生畫像模型的框架維度,分別為基礎信息、成績信息、行為信息和愛好信息四個構成要素。Y維表示學生畫像模型的標簽層級，分為2個標簽層級，一級標簽是每個維度提取的主成分，二級標簽為樣本原始特征。Z維表示學生畫像模型的標簽屬性，按照數據屬性來源與處理方法的不同，標簽屬性分為事實標簽、模型標簽和預測標簽。

圖4 畫像模型構建

設計的選課系統采用基于BP神經網絡的算法，提出分類因子、參照因子、側重比等定義，按照難易程度、專業方向、學習基礎等不同方面對所有課程進行分類和層級劃分，匹配預設的課程標簽庫進而得出每門課程的課程標簽，比較同一類別中各課程的權值差和權值方差，求解出具有最大相似度的解，即能滿足學生需求的課程模型，將課程庫中的課程與課程模型進行篩選比對，從而得出最接近模型的課程在選課階段進行課程推薦。

平臺設有綜合、推優、筑基三種推薦方式可供學生選擇。其中，綜合推薦是指根據學生的畫像原型，同時兼顧學生的愛好、成績、課程等偏好信息，按預設的權重通過BP神經網絡進行計算，從課程庫逐級篩選出最接近學生需求的課程進行推薦。

推優方式是指根據對學生的畫像分析，通過不同課程的績點分數計算，按照對應等級劃分排序，根據學生的良好能力進行課程推薦。推優算法首先根據績點分數要求預設優級分界線，將學生所有課程成績績點按優級分界線做分類排序，反映出在不同類別、專業課程方面的學習能力情況，將所有績點大于等于優級分界線的課程的標簽做歸納，基于畫像模型從課程庫中篩選出同類標簽的課程，完成推優方式。

筑基方式根據績點分數要求預設劣級分界線，同樣計算出學生所有課程的績點分數，將所有績點小于等于劣級分界線的課程的標簽做歸納，基于畫像模型從課程庫中篩選出同類標簽的課程，完成筑基推薦。以此調動學習積極性，合理安排選課[5]。

3 平臺功能設計

平臺功能設計通過多輪次匹配選課提高教學的互動性、適應性、有效性、創新性，賦能選修課程管理水平提升。

平臺建設面向選課各環節包括學生、教師、教學等多角色設計，設計包含基礎信息、選課中心、資源中心、配置中心四大功能模塊，功能結構如圖5所示。

圖5 功能結構示意圖

①選課中心功能包含自主選課、選課審核、課程統籌、教學評價、問卷反饋、報表分析、課程建議，實現選課的智能化、多元化，同時為課程設計提供數據支撐，保證了學生選課的有效性、互動性、創新性及課程設計的科學性。

②資源中心主要包含畫像模型庫、培養方案、課程庫；畫像模型庫是通過對學生畫像模型的統一查詢、展示功能，輔助教師對學生整體情況進行了解，為選課審核提供參考依據[6]。

③基礎信息功能分為學生個人中心和職工個人中心。學生個人中心包含學生基礎信息和畫像模型的查看。

4 結論與展望

本研究設計的選課平臺以學生在校期間的多維數據為基礎，通過互動式全景選課模式，實現學生選課的全過程多輪次匹配。第一，基于學生自身特點優勢，擬合課程和教師特色。為學生提供選修課程的個性化推薦，大幅減少學生選課決策時間。第二，為師生雙方對課程設計和授課的理解形成共好的態勢。幫助學生減少彎路的同時，降低一線教師為針對性研究的工作負擔。第三，優化教師和學校對學生有針對性的選課工作量。提升選修課程管理效率，賦能學校管理水平提升。第四，為學生及老師提供針對性學習與培養方向，為院校提供更為全面的學生發展情況、課程目標落實情況等的數據支撐參考，提升課程設計質量。

綜上，本研究設計能夠較好實現選課互動及教學目標，但也需要進一步完善。一是平臺采用的BP神經網絡算法應進一步優化，以加快算法的計算速度和準確性。二是平臺所需處理的數據量巨大，可以考慮下一步研究采用大數據分布式計算算法，提高數據處理的即時性，使選課平臺運行更穩定高效。三是進一步采用新的數據挖掘技術或者深度學習算法，更深層次、準確、智能地刻畫學生畫像。四是探索師生教與學的最佳互動形態，形成泛數據深度學習及應用，實現教學相長和師生共同發展。