教育數字化轉型背景下大數據與會計專業學生在線學習行為精準預警與干預研究

摘要：針對大數據與會計專業學生在線學習效率低、平臺不活躍、被動學習、課堂不積極等學情，收集大數據教學云平臺學習數據，利用學習數據分析技術，設計結構化指標和非結構化指標，構建在線學習行為預警指標體系。采用多類最小二乘支持向量機模型進行大數據與會計專業學生在線學習行為結構化指標預警研究，通過大數據技術生成的數字畫像實現對非結構化指標預警及干預，實現數據賦能大數據與會計專業學生在線學習行為的精準干預，實現個性化、數智化學習，促進在線教育和數智化教學管理提質增效，助推教育數字化轉型。

關鍵詞：大數據；教育數字化；會計專業教學

0 引言

2022年，國家智慧教育平臺正式上線推廣，這是推進國家教育數字化戰略行動的重要舉措。平臺推送的國家級、省級在線精品課程為學習者提供了豐富、高質量的在線學習資源，同時也產生了海量學習數據。新時代背景下，在線教育從IT（Information Technology）邁向DT（Data Technology）時代[1]。然而在線教育也存在比如學習質量和效率低下、學生個性化及適應性能力差、在線學習監控管理和評價不及時等問題，導致學習者學習行為與學習效率參差不齊。大數據與會計專業是適應新經濟發展背景下的新專業轉型，大數據與會計專業學生應該積極適應數字化轉型與經濟發展對數智化人才培養的需求，適應教育數字化、學習個性化、在線交互智能化，不斷提升數字化素養和數字化技能，助力“數據利民、數據為民、經世濟民”[2]的人才培養目標實現。那么如何借助大數據學習分析技術，結合大數據與會計專業特點開展數據挖掘、數據描述、數據診斷、學習預警與學習干預，實現學習行為精準干預，數據賦能大數據與會計專業學生在線學習高質量發展，驅動在線教育實現個性化創新變革，是目前在線學習基于專業視角下適應教育數字化轉型亟待解決的問題之一。依托大數據教學云平臺，以大數據與會計專業國家在線精品課程“會計信息系統應用”為基礎，以大數據與會計專業學生在線學習行為為研究對象，進行數據抓取，數據挖掘和數據建模，分析學生在線學習行為與學習效果的相關性，通過一系列干預活動（電子郵件通知、學習資源推送、學習環境干預、信用積分激勵等）和行為，改善在線學習效果，為在線教學與實踐提供參考，推動教育數字化在專業課程教學與評價中的應用。

1 研究現狀及發展動態

國內外學者對在線學習行為開展了系列研究，成果比較豐富，通過梳理有關總結在線學習行為研究的文獻主要包括研究內容、研究方法和研究工具與應用3個方面。

1.1 研究內容

研究內容主要集中在在線學習行為性質與特征、預警因素研究、預警理論模型構建、實證研究、干預研究等方面。在線學習行為性質與特征研究方面，主要特征表現為學生的學習目標、學習需要、認知風格、心理狀況等[3]。國外學者認為線上線下混合教學的實踐使得交互學習成為在線學習的主要特征之一[4]。影響在線學習行為的因素很多，主要從屬性（性格、情緒、心理特征等）和因素（學習目標、學習需要、認知風格、交互活動、水平測試）兩個方面進行研究[1，5]，并通過變量分析對在線學習行為進行預警，側重結構性特征變量（外顯信息）研究階段。在數據驅動教學管理與創新的背景下，在線學習理論研究逐步轉化為預警理論模型構建研究，這類研究主要采用數據挖掘技術[6]從理論上對在線學習行為進行定量化描述、學業診斷、學業預警，并構建在線學習預警模型。通過在線學習行為特征、因素、模型建構與實證研究，研究者提出不同的在線學習行為干預理論。學習分析和人臉識別[7]等技術應用于干預研究中，但基于專業視角研究在線學習行為多類影響因素預警與干預的文獻很少。

1.2 研究方法

根據在線學習行為影響因素與特性，開展決策樹[8]、神經網絡[9]、樸素貝葉斯算法[1]、多模態數據融合模型和聚類算法等方法研究，其中，決策樹與回歸分析研究相對較多，為本研究提供了研究方法借鑒，但基本停留在理論模型研究層面，研究模型穩定性有待提高。

1.3 研究工具與應用

研究工具主要采用專業軟件（SPSS、Weka）進行機器學習和統計分析。在應用方面主要通過自主開發和企業開發兩個途徑開展。自主開發的工具如美國普渡大學課程警示系統，企業開發的工具如可汗學院的學習儀表盤等。以上在線學習系統對學習者學習過程提供引導和支持，且是有償服務，尚未普及。

以上成果為本研究提供了豐富的理論基礎和實證研究借鑒，但是主要以結構化數據為主，且研究對象受限，針對性不強。從決策視角看，決策方案不僅需要技術干預，更需要制度的介入，最終實現由約束轉化為提高內在動機、自我效能和情緒的主動學習。因此，通過對大數據與會計專業學生在線學習行為影響因素進行量化，構建多類最小二乘支持向量機（Least Squares Support Vector Machines ，LSSVM）的預警模型并制定相應干預措施，為在線教育發展提供新的思路與方法，為教育數字化轉型在課程教學中的應用提供方法參考和借鑒。

2 在線學習行為預警模型構建

最小二乘支持向量機[10]是標準的支持向量機（SVM）的一種擴展，能夠實現訓練數據在模型與學習能力之間的最優解，有效破解非線性函數的回歸問題。針對在線學習行為研究指標的多維性、非線性等問題，通過利用二次誤差函數替代SVM算法中的ε不敏感損失函數求解，解決多因素影響的定量評價，同時可以提高算法的預警精度和收斂速度。依據LSSVM理論，將在線學習非結構化數據及影響因素訓練集映射到高維特征空間，實現預測回歸函數，構建LSSVM在線學習預警模型。

通過公式推導可以發現，最小二乘支持向量機能夠有效實現多元化求解優化及線性方程轉化，大大提高模型收斂速度，有效降低算法復雜性。同時，采用最小二乘支持向量機最大的優勢在于運算中只需要確定兩個參數值，降低空間搜索維度，提高在線學習行為預警精度。大數據與會計專業學生在線學習行為影響因素具有多類性，因此，在LSSVM的基礎上采用層次法、有向無環圖決策支持構造多類最小二乘支持向量機分類模型，提升在線學習行為預警訓練和精度檢驗。

3 實證研究

3.1 在線學習行為指標體系構建

大數據與會計專業學生在線學習行為影響因素具有多樣性、多元性、多維性，學習行為指標之間關系復雜，在線學習行為預警模型是一個多層次的多維預警，在一定程度上增加了學習預警的難度。根據文獻梳理，結合國家在線精品開放課程“會計信息系統應用”教學實踐與教學大數據云平臺指標，將在線學習行為分為結構化指標和非結構化指標。

結構化指標具有外顯特性，展示的是可視化的數據信息，且可量化。結構化指標數據通過數據平臺系統自動記錄學習者課程學習數據。通過收集日志數據并進行數據清洗，根據重要性原則，結合課程線上線下混合教學實踐，選定行為數據（訪問次數、學習時長、任務點完成率、反芻比、不良行為）、交互數據（互動討論、發帖數、小組任務、實時搶答、隨機選人、調查問卷、課堂投票、報錯率）、水平數據（項目作業、章節測試、過程考核、期末考試、成果方案）3個維度18個三級指標。見表1。

非結構化數據具有內隱性，屬于定性指標，一般難以量化和開展數學描述。采用朗自我評分量表[4]和大數據技術支持的數字畫像進行非結構化數據分析。量表中，1分表示負面評價，9分表示正面評價，5分表示中立。通過數據比較Kappa系統數0.86，對有差異的意見進行再次診改和討論，達成100%。借助大數據學習分析技術，在教學大數據云平臺生成學生數字畫像，對學生反映的情緒波動、學習行為實時檢測并提供反饋，通過預警和干預及時給予正面警示、學習關心和鼓勵，引導學生學習情緒轉變，主動學習，提高學習積極性、參與度和效率，提高預警的及時性與適應性。通過隨機抽取2022年下半年國家在線精品課程“會計信息系統應用”（第六期）大數據與會計專業學生A期中與期末學習行為非結構化數據，通過預警與干預后的對比，效果明顯。學生A期中學習情況主要表現為被動學習，偏負面評價，即課程不積極、平臺不活躍、成績不及格、學校效率低等。通過預警與及時干預、引導、鼓勵，學生A期末的數字畫像情況為自主學習，即課程積極、平臺活躍、成績優秀、學習效率高等，總體表現良好。見圖1。

3.2 預警級別設置

綜合國內外文獻研究成果，結合學習者在線學習實際情況，對結構化指標進行預警級別設置，借助預警語言，將預警等級分為輕級、中級、高級3個等級，分別表示為安全（Ⅰ級）、預警（Ⅱ級）、預警（Ⅲ級）。

3.3 研究數據來源

基于教學大數據云平臺，依據省級優秀人才培養方案教學計劃安排，選擇數據時間段為2022年9月—2023年1月，選取學銀在線推送的國家在線精品課程“會計信息系統應用”16個班級的學習數據，隨機抽取18人學習數據進行實證研究。

3.4 實證過程

結構化指標具有復雜性、差異化、多元化的特點，在開展預警模型中有可能出現偏差。設18個預警指標為自變量，即預警模型輸入變量，設綜合評分A為因變量，即預警模型的輸出變量，通過網格搜索和交叉驗證，尋找A與Aii之間的關系。

采用層次法、有向無環圖支持構建多類最小二乘支持向量機分類模型，在經過試算和迭代后，確定層節的點數，并以徑向基函數K（x，xi）=T（xi）（xi）作為LSSVM的核函數，將隨機抽取的18名學習者中前12名作為訓練樣本進行模型訓練，6名學習者數據為測試樣本，驗證預警模型的精準性、收斂性，具體參數設置見表2。

3.5 實證結果

通過指標訓練和模型迭代運算，得到12個訓練樣本匹配度，見表3。從表3結果可以看出，多類最小二乘支持向量機預警模型的估計數據與實際數據匹配度高，模型擬合效果好。

測試樣本的估計值與實際值評分匹配表見表4。表4中6個測試樣本測試結果與實際值匹配度平均值達97.18%，說明預警模型能夠精準評價在線學習數據危機等級與學習行為狀況，預警能力強。相比樸素貝葉斯預警模型[1]收斂速度更快、泛化能力更強、計算更精準。

4 在線學習干預措施

4.1 行為干預

采用“通知”干預措施，對出現中、高預警的學習者學習行為進行階段性干預。利用學習通進行預警發布，可設置任務點完成度、章節完成度、章節測試平均分、綜合成績平均分、作業平均分、考試平均分等選項，見圖2。具體干預方式有發送郵件、QQ留言、學習通提示等。通過這種干預措施，一方面可以提醒學習者及時關注課程學習進展，重視過程學習，及時訪問在線課程，認真完成任務點，誠實守信，不刷課、替課，避免產生負面影響；另一方面可以及時發現學習者的消極學習情緒或學習興趣側重點，便于及時調整教學進度、難度和教學策略，開展差異化教學。

4.2 交互干預

采用“交互”干預措施，重點對在線學習過程進行干預。重點挖掘在線學習過程數據，通過數據分析，利用數字畫像可以發現在線學習危機對學情進行針對性分析，因材施教，引導大數據與會計專業學生采取怎樣的方法改善在線學習表現，提高學習興趣和學習質量。主要干預措手段有：互動討論、發帖數、小組任務、課堂搶答、隨機選人、調查問卷、課堂投票等交互活動，見圖3。同時，可以通過信息技術設計對決游戲進行交互干預，激發學生學習興趣和潛能，促進師生和學生之間資源共享、問題交流和協作學習，實現師生、生生的深度有效互動。

4.3 激勵干預

采用“信用積分”“課程積分”等干預措施，對在線學習行為進行全程干預。一方面，對缺課率高、任務完成率低、互動數據少、作業完成不及時、分組任務未完成的學習者，進行系統信用扣分，情節嚴重的可以禁止參與后續學習活動；另一方面，對于訪問量多、任務點反芻比高、自發精華帖、測試成績優秀、十佳設計成果、比賽獲獎、在線助人達人的學習者進行課程積分獎勵，促進個性化教學的實現。既可以實現對中、高危機學習者的重點關注和干預，又可以精準培養品學兼優學習之星，促進在線教育高質量發展，培養數智化財經人才。

5 結語

基于大數據與會計專業學生學情，結合“會計信息系統應用”課程在線學習數據與特點，通過將在線學習行為從定性角度提升為定性與定量相結合的角度，實現結構化數據和非結構化數據的數學描述并構建預警模型，精準制定干預措施，為學生提供數智慧化教學服務和個性化學習需求。同時，為在線學習行為預警模型提供理論依據和新的思路，為驅動在線教育實現個性化創新變革提供科學指導和應用參考。

后續研究可以對指標體系與學習效果的因果關系做進一步的對照實驗，并進一步分析大數據與會計專業學生選擇不同課程、不同網絡平臺和不同教師授課風格對在線學習行為的影響因素及學習效果的研究，為在線學習設計和數智化評價研究提供支撐。

參考文獻

[1]舒瑩，姜強，趙蔚.在線學習危機精準預警及干預：模型與實證研究[J].中國遠程教育，2019（8）：27-34.

[2]黃祺，朱瑋.“德技并修”理念下大數據與會計專業課程思政建設困境與對策研究[J].財務管理研究，2022（10）：100-105.

[3]黃昌勤，涂雅欣，俞建慧，等.數據驅動的在線學習倦怠預警模型研究與實現[J].電化教育研究，2021（2）：47-54.

[4]MOORE M G. Three types of interaction[J].The American Journal of Distance Education，1989，3（2）：1-6.

[5]張進良，魏立鵬，劉斌.智能化環境中基于學習分析的學習行為優化研究[J].遠程教育雜志，2020（3）：69-78.

[6]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（1）：62-69.

[7]王麗英，何云帆，田俊華.在線學習行為多模態數據融合模型構建及實證[J].中國遠程教育，2020（6）：22-51.

[8]楊雪，姜強，趙蔚，等.大數據時代基于學習分析的在線學習拖延診斷與干預研究[J].電化教育研究，2017（7）：51-57.

[9]王改花，傅鋼善.網絡學習行為與成績的預測及學習干預模型的設計[J].中國遠程教育，2018（2）：39-48.

[10] SUYKENS J A K，VANDWALLE? J. Least squares support vector machines classifiers [J]. Neural Network Letters，1999，19（3）：1-11.

收稿日期：2023-04-03

作者簡介：

黃祺，女，1981年生，碩士研究生，副教授，主要研究方向：大數據與會計專業教育教學。

*基金項目：2023年度湖南省社會科學成果評審委員會課題“‘德技并修‘理念下高職大數據與會計專業課程思政建設路徑與實踐研究”（XSP2023JYC231）階段性研究成果。