混合教學模式下基于教學班學習數據的學習風格挖掘

李卓群，梅宇軒

（華東交通大學交通運輸工程學院 江西 南昌 330000）

OBE 倡導以學生為中心，踐行OBE 理念下的教學目標達成應“因材施教”，在教學中尊重學生學習風格的差異性，進行相應的教學設計[1]。在線教育的快速發展，不僅打破了傳統課堂學習的時空約束，吸引了更多的教育者和學習者，還留下了大量的學習行為數據。這些學習行為數據為實現基于不同學習風格的個性化學習服務提供了有力的支撐[2]。充分挖掘教育大數據并對其進行分析，可以獲得不同學習者群體的學習行為規律，并根據不同的學習風格提出不同的學習支持服務策略，從而為提升學習效果提供數據支撐和決策參考。

有許多學者利用線上學習數據，應用先進的數據挖掘技術或設計高效的挖掘算法展開學生學習風格的分類研究[3-4]，但大部分研究使用的數據量較大，適用于對學生整體學習風格的劃分。有研究指出[5]，學習風格應與教師的教學策略相匹配才能取得良好的學習效果，不同的教學班級的學習風格可能存在較大差異，因此，根據教學班情況，分析學習風格，對于教學策略的實施者——教師更具價值。本文通過實例給出了一種利用教學班數據分析學生學習風格的方法，可以利用常規的學習行為數據對班級學習風格進行劃分，以幫助教師更有針對性地實施教學策略。

1 學習行為數據挖掘

1.1 學習行為數據準備

本文選取某高校兩個教學班級：2019 級物流工程和2019 級物流管理作為研究對象，依托學習通教學平臺中“物流信息系統”與“運籌學”兩門課程收集相關線上線下學習數據。根據學習通中的功能設計和兩門課程的實際教學活動安排，選取的學習行為數據包括：視頻觀看時長（VIDEO_MIN）、章節學習次數（STUDY_COUNT）、課程互動（INTERACTION_30%）、作業完成時間（h1—h8）、任務點完成量（STUDY_COUNT）、作業得分（HOMEWORK_30%）、課程積分（PRACTICE）和考試成績（grade）。以2019 級物流工程“物流信息系統”課程為例，提取此線上課程學習行為數據，其中包括視頻觀看時長、章節學習次數、作業得分、課程互動、八次課后作業提交時間、課程積分和考試成績等共十四個具體行為數據。視頻觀看時長、章節學習次數、作業得分、課程互動、課程積分和考試成績為系統直出數據，h1 至h8 為每位學生每次課后作業完成時間與截止日期的相對時間，共取八次。部分學生數據如圖1 所示。

圖1 部分學生學習行為數據

1.2 學習行為數據挖掘

本文采用較成熟的K—means算法對上節得到的學習行為數據進行聚類分析。K—means 算法中，需要事先設定聚類的K 值，本文利用手肘法確定K 值。計算不同K值下的Inertia（慣性）值，發現當K 值小于4 時，聚類誤差急劇下降，K 值大于4 時下降的速率減緩，形成了一個類似于手肘的形狀。因此本文設定K 值為4，進行后序實驗。

在確定K 值之后，利用上節整理好的學生學習行為數據進行聚類操作，可得到學習者聚類結果。為了表現每類的學習行為特征，以雷達圖的形式展現聚類后的學習行為特征，如圖2 所示。

圖2 學習數據聚類雷達圖

2 學習行為與學習風格的關系分析

2.1 基于聚類特征確定學習風格

從上一節的聚類結果中可以發現，不同的類別具有不同的學習行為特征。如圖2 所示，聚類1 各方面表現較為平均，學習時長、學習次數、視頻觀看時長等體現學習投入的學習行為表現都非常一般，但仍獲得了中等偏上的成績，學習者可能具有一定的學習能力，但未合理運用；聚類2 學生的學習次數、視頻觀看時長、作業完成量都是群體中的最大值，說明此類學生的學習投入多，并且互動次數也最多，說明學習主動性高，綜合成績也表現最好；聚類3 這類學生學習行為較差，從學習行為數據看，對學習的投入小，同時成績也不高；聚類4 這類學生有較好的學習行為，學習投入大，但成績卻屬于中下。

通過上述對聚類結果的分析，發現四類學習人群在學習投入和學習能力上存在不同。因此，根據學習投入和學習能力，對學習風格進行劃分。把學習風格的維度劃分為學習投入維和學習能力維，其中學習投入維度可分為努力型和微努力型；學習能力維度可分為強能力型和弱能力型，如表1 所示。

表1 學習風格維度劃分

2.2 比較分析

為了驗證聚類得到的學習風格與學習行為之間的關系，進一步研究不同群體、不同學習課程的聚類結果，本小節進行比較分析，比較同一門課程、不同班級和同一班級不同課程的聚類結果。

應用上節方法可分別得到2019 級物流管理專業物流信息系統課程和2019 級物流工程“運籌學”課程的聚類情況，各學習風格的人數比較情況如表2 和表3 所示。

表2 同門課程（“物流信息系統”）不同班級聚類情況比較

表3 相同班級（19 物流工程）不同課程聚類情況比較

從表2 可以看出，同一門課程不同班級各個學習風格人數相差較大，反映出兩個班不同的學習風格。結合實際情況分析，由于“物流信息系統”是屬于技術型課程，需要學生有較強的工科思維，所以工科背景的2019 級物流工程班級在能力方面要總體強于物流管理班級，這也導致兩個班不同學習風格的人數比例相差較大。

從表3 可以看出，利用同一班級兩門課程的學習行為數據得到的學習風格分類結果相差不大，“物流信息系統”和“運籌學”同屬工科類課程，說明在同類型課程中，學生的學習行為數據可以用于刻畫學習風格，而且學習風格具有一致性。

由2019 級物流工程、物流管理專業學生，物流信息系統課程結果分類與運籌學課程結果分類對比可得：聚類得到的分類法具有一定的應用價值，按照學生在學習中的投入水平和能力水平，可以教學班為單位，把學生的學習風格分為四類：微努力強能力型、努力強能力型、微努力弱能力型、努力弱能力型。

3 結論

本文利用廣泛應用的學習通平臺的學習行為數據，針對具體的課程和班級進行學習行為數據聚類分析，并根據聚類特征數據對聚類結果進行解釋，把學習行為分為兩個維度：學習投入維度和學習能力維度。根據這兩個維度把聚類結果劃分為四類學習風格，并且利用此方法對同一課程不同班級和同一班級不同課程進行了比較分析，發現不同班級各學習風格類別人數存在明顯差異，而同一班級在同類型課程中表現出相似的學習風格。因此，對于同一班級，教師可以利用先導課程的數據分析了解相應班級的學習風格，并有針對性地采取教學策略；而對于同一門課程，不同教學班級，教師也應根據不同的學習風格采取不同的教學策略。

與傳統教學模式相比，混合式教學模式由于有線上教學平臺的參與，可以更方便、更有效地收集到學生的學習數據。不同的線上教學平臺設計的功能會有差別，而不同課程、不同教師也會根據課程需要、教學策略設計等選擇使用平臺不同的功能。因此，學習行為數據在每門課程中并不完全相同。為了能夠區分出學生的學習風格，教師應從學習投入和學習能力兩個維度設計線上學習活動，保證能夠識別出學生的學習風格，并以此為依據開展教學設計，以提升混合式學習的教學效果。