基于學生行為數據的人機協同教育模式研究

摘"要：大數據、人工智能等信息技術正在讓教育教學方式發生重大改變。人機協同教學模式是一種結合計算機技術和教學的新型教育形態，為實現個性化教學提供了可能性。本文從基礎信息、學習需要和學習特征這三個維度，構建學生數字畫像，并提出了一種基于學生學習行為聚類特征的分類方法。結果表明該方法通過機器學習算法對學生行為進行聚類，并從中提取每類學生的典型特征，可自動識別并推薦相應的教學資源給歸屬于不同類型的學生，以實現尊重個體價值、追求學生的全面發展的個性化教學。

關鍵詞：人機協同；個性化教學；學習行為；聚類

中圖分類號：TB"""""文獻標識碼：A""""""doi：10.19311/j.cnki.16723198.2024.05.086

0"引言

隨著大數據、物聯網以及人工智能等信息技術與教育教學的深度融合，作為一種結合計算機技術和教育教學的教育模式，人機協同教學利用計算機提供的技術手段，實現教學的智能化和教育的個性化。《中國教育現代化2035》把“加快信息化時代教育變革，利用現代技術加快推動人才培養模式改革，實現規?；逃c個性化培養的有機結合”作為推動我國教育現代化發展的一項重要戰略任務。此外，《教育部高等教育司2023年工作要點》也明確提出加快高等教育數字化轉型，打造高等教育教學新形態。據此，借助新一代信息技術，實現差異化教學，促進學生個性化發展，是我國現階段及未來教育教學改革實踐的重要內容。

傳統的教學方式通常只能通過課堂教學、課后作業和考試等手段來評估學生的學習行為成果，而人機協同教學可實現對學生的智能化監測和輔導，從而提高教學質量和學習效果。閆志明等人構建整合人工智能技術的學科教學知識模型，促進了教師人工智能技術應用能力發展，并推動了人工智能技術與課程整合教學實踐。從人機合作分工模式入手，樂惠驍和汪瓊提出課堂環境下適切的人機協作分工方式和優化教學工具的建議。為了適應未來人機協同社會的發展，蔡連玉等人提出人才培養的重點應放在無法被智能機器取代的人類特質上，如批判性思維、高階認知思維等。隨后，周躍良等人呼吁通過人機協同的方式培養人機協同教育的合格師資，以應對教育技術革新，實現差異化教學。

個性化教學是一種創新的教育理念，更加凸顯學生的學習主體地位，激發學生的內在學習動機。王夢倩和范逸洲通過綜述采用聚類分析技術分析MOOC學習者特征的文獻，為本文確定合適的聚類指標、聚類算法以及闡釋聚類結果提供了方法性的指導。Guo等人提出了一種基于協同過濾算法的個性化推薦系統，該系統考慮了課程內容、概念和學習進度等因素，實現了對學生的個性化推薦。Wang等人使用支持向量機分類模型，對學生進行在線學習監測，并提供個性化的反饋和建議。研究表明，該模型能夠在較短的時間內獲得高準確性的分類結果，以實現定制的學習體驗和課程輔導。為實現對學生情感狀態和學習體驗的分類，Deng等人提出了一種基于人臉識別技術的情感識別系統，該系統幫助教師更好地管理課程和提高教學質量。武法提等人也構建了人機智能協同的精準學習干預模型，以實現規模個性化人才培養。

本文旨在研究學生學習行為聚類特征，據此自動識別并推薦相應的教學資源給歸屬于不同類型的學生，為幫助教師實現個性化教學奠定基礎。根據文獻分析提出以下三個問題：①大數據學生學習的典型特征是什么？②基于大數據學生學習特征對學生分類的結果是什么？③教師對于不同類型的學生如何進行個性化的教學才能實現學生的發展目標？

1"模型構建

基于金州等人針對課程學習者模型研修特征的劃分方法，本文從基礎信息、學習需要和學習特征三個維度，構建學生數字畫像，如表1所示?；A信息是學生的身份標記，用于了解學生的差異和特點，從而針對不同類型的學生設計相應的人機協同教學模式；學習需要是學生的目標，是構建個性化教學方案的根本依據；學習特征對個性化教學設計的準確性和高效性有著重要的影響，承載著提高學生學習滿意度的使命。本文采用問卷調查方法收集了學生的相關信息，并使用了聚類方法進行分類研究，具體數據利用SPSS和Python進行統計和分析。

1.1"問卷信效度檢驗分析

選擇某高校2021級大數據管理與應用專業和2022級大數據管理與應用專業的學生的調查問卷為研究樣本數據。線上采用問卷星發布，收到125份問卷，且皆為有效問卷。

1.1.1"問卷信度分析

本研究通過SPSS對調查問卷的信度進行測量，并利用Cronbach′s"alpha系數對基礎信息、學習需要和學習特征這三個維度內容進行信度分析。計算發現，將問卷中所有內容作為分析項進行分析，獲得的克隆巴赫值僅為0.383，信度較低。若將實習公司的類別數據項剔除，可得到較高的信度，并且剔除后對本研究的影響較小。故統計28項數據的Cronbach′s"alpha系數0.853，說明分析項之間的可靠性很高，具有良好的相關關系。綜上所述，本研究的28項數據信度質量相對較高，可進行更進一步的研究分析。

1.1.2"問卷效度分析

問卷設計過程參照相關論文的問卷，并邀請相關專家修改檢查，以優化內容效度。此外，本研究還通過SPSS中的因子分析檢驗問卷效度。結果顯示Bartlett球形度檢驗的顯著性小于0.05，且28項數據的KMO統計量值為0.838，這表明問卷結構合理、設計結構關系效果良好。綜上所述，本研究的數據效度質量相對較高，可進行更進一步的研究分析。

1.2"數據預處理階段

按照問卷中的基礎信息、學習需要和學習特征分離出學生的行為數據，據此得到的一條數據包含一名學生的三個維度的信息。為使用機器學習算法識別學生的行為數據，本研究對每項數據進行編碼。由于缺失值與不合理的值較少，故選擇直接將其剔除，經過處理后，將問卷調查中的學生行為處理為28條行為數據。由于名義變量例如學生的民族、未來規劃等不存在內在排序，因此本研究利用獨立編碼將它們轉化成了啞變量。此外，為了統一樣本數據的評價標準，提升模型的精度，方便后續的數值處理，本研究對有序數據進行了歸一化，如公式（1）所示，即數據縮放到[0，1]之間。

x*=x-min（x）max（x）－min（x）"（1）

其中，x表示三個維度信息中每一個特征取值。

1.3"學生學習行為數據聚類階段

為獲得學生學習行為最優聚類，本研究首先進行特征選擇，即利用方差過濾掉方差較小的特征，以提高建模效率；隨后使用K-means聚類算法和層次聚類法這兩類聚類算法對2021級大數據管理與應用專業和2022級大數據管理與應用專業的學生學習行為數據進行聚類。研究采用python語言中的sklearn.cluster數據挖掘工具包開展聚類分析處理。針對K-means算法，本研究首先初始化常數K，隨機初始化K個聚類中心重復計算以下過程，直到聚類中心不再改變計算每個樣本與每個聚類中心點的歐式距離，將樣本劃分到最近的中心點，計算劃分到每個類別中的所有樣本特征的均值，并將該均值作為每個類型的聚類中心輸出最終的聚類中心以及每個樣本所屬的類別。該算法從分配給它們自己的集群的所有數據點開始。然后將兩個最近的集群合并到同一個集群中。最后，當只剩下一個集群時，該算法終止。每次聚類算法執行后，記錄聚類結果和聚類評價指標。

1.4"學生學習行為分類階段

本研究采用聚類緊密度（Calinski-Harabasz"Index，CH）指標評價聚類結果。CH度量聚類中心點和全部樣本的中心點平方和（分離度）與聚類中的樣本和聚類中心的平方和（緊密度）的比值，數值越大則聚類結果越好。圖1和圖2分別展示了K-means算法和層次分析法對應的CH評價指標的結果。

基于數據分析結果，通過對K-means算法和層次分析法應用CH指標進行評估，發現在聚類數為3時，兩種方法得到的CH指標數值最大，表明該聚類數的結果是最優的。由此可得出結論，將學生的學習行為分為3類是最優的結果。

2"研究結果與討論

根據上述聚類結果將學生分為三個類別。圖3展示了樣本與類別之間的相關熱力圖。其中，取值為1的單元格表示完全相關，即該樣本被分到了該類別中；取值為0的單元格表示不相關，即該樣本沒有被分到該單元格中。

結合28項學生行為數據和圖3可以看出三類學生學習行為有非常明顯的區別，其典型特征如下：

（1）"對于聚類編號為1的學生，人數占總樣本8%，他們在28項表征學生學習行為的指標中，包括"“商業比賽”“商科類學科競賽最高獎項”“技術類競賽個數”以及“技術類競賽中最高獎項”的均值顯著偏高。這類學生注重將理論知識應用于實際問題的解決，并且展現出了強大的問題解決能力。因此，本文將該聚類編號的學生命名為“實踐型學習者”。

（2）對于聚類編號為2的學生，人數占總樣本27.2%，他們在28項表征學生學習行為的指標中，“成績績點”的均值顯著偏高。這類學生對理論知識表現出濃厚的興趣，并且具備優秀的分析和邏輯能力。基于這個原因，本文將該聚類編號的學生命名為"“理論型學習者”。

（3）"對于聚類編號為3的學生，人數占總樣本64.8%，他們在28項表征學生學習行為的指標中，“考研”“出國留學”和“出國工作”等指標的均值顯著偏高。這類學生對創新充滿激情，渴望將他們所學的知識應用到實際的創新場景中。因此，本文將該聚類編號的學生命名為“創新型學習者”。

本研究提出的學生行為分類可發現學生的差異化行為特征，了解學習群體特性，并可為不同學習群體開展精準的個性化教學策略提升計劃提供基礎。

（1）對于實踐型學習者，教學策略應著重培養他們的問題解決能力和將理論知識應用于實際問題的能力；提供案例研究、項目和實踐經驗，以加強其實踐應用能力，并激發創造性和問題解決能力；同時，提供商業比賽和技術類競賽等參與機會，以進一步培養其創造性和問題解決能力。

（2）對于理論型學習者，教學策略應強調建立扎實的理論基礎，并提供深入分析和邏輯推理的學習資源；鼓勵參與學科競賽和研究項目，以培養其獨立研究和創新能力；同時，提供挑戰性的學習任務和問題，以促進其分析和思辨能力的發展。

（3）對于創新型學習者，教學策略應著重培養其創新能力；提供創新思維的研討會，以培養其創新能力；鼓勵參與創新項目和實踐機會，將所學知識應用到實際的創新場景中；此外，提供有關考研和出國留學的指導和支持，幫助他們進一步發展學術研究和國際交流能力。

3"結論與展望

本文提出了一個基于學生學習行為數據的人機協同教學模式，通過挖掘學生的學習行為數據，建立個性化的人機協同教學模式，從基礎信息、學習需要和學習特征這三個維度，構建不同學生群體的自畫像，分析學術學習特征的差異性，將學生進行分類，輔助教師針對不同類型的學生提供個性化教學，提高教學效果和學生學習體驗。借助新一代信息技術可視化學生的掌握數據，進一步幫助教師進行教學決策，為教育改革和發展提供科學支持和理論指導。

本研究結論是基于一所學校兩個年級的數據，可進一步驗證提出的個性化教學分類方法在不同學校和年級中的適用性和有效性。此外，還需進一步研究如何結合人工智能、大數據分析等新一代信息技術，以提高人機協同教學模式的智能化和個性化水平，進一步改進教學效果和學生學習體驗。

參考文獻

［1］閆志明，付加留，朱友良，等.整合人工智能技術的學科教學知識（AI-TPACK）：內涵、教學實踐與未來議題[J].遠程教育雜志，2020，（5）：2334.

[2]樂惠驍，汪瓊.人機協作教學：沖突、動機與改進[J].開放教育研究，2022，28（6）：2026.

[3]蔡連玉，劉家玲，躍良，等.人機協同化與學生發展核心素養院基于社會智能三維模型的分析[J].開放教育研究，2021，（1）：2431.

[4]周躍良，吳茵荷，蔡連玉，等.面向人機協同教育的教師教育變革研究[J].電化教育研究，2022，43（10）：511.

[5]王夢倩，范逸洲.MooC學習者特征聚類分析研究綜述[J].中國遠程教育，2018，（7）：919+79.

[6]Guo，"Z.，"Han，"B.，"amp;"Su，"H."（2019）."Personalized"recommendation"system"based"on"collaborative"filtering"algorithm"for"online"education."Journal"of"Intelligent"amp;"Fuzzy"Systems，36，（5）：44534462.

[7]Wang，"H.，"Zhu，"J.，"amp;"Zhang，"H."An"SVMbased"learning"process"classification"model"for"personalized"feedback"and"guidance"in"online"education."IEEE"Transactions"on"Learning"Technologies，2020，13（4）："632642.

[8]Deng，"Z.，"Wang，"W.，"amp;"Lv，"Y."An"intelligent"emotional"recognition"system"for"education"based"on"face"recognition"technology."Journal"of"Educational"Technology"Development"and"Exchange，2021，14（1）："8797.

[9]武法提，高姝睿，田浩，等.人機智能協同的精準學習干預：動因、模型與路向[J].電化教育研究，2022，43（04）：7076.

[10]金洲，李穎欣，戴堅，等.數據驅動的STEAM課程學習者數字畫像構建與應用[J].現代信息科技，2022，6（5）：186189.

[11]羅楊洋，韓錫斌.基于學生在線學習行為特征的混合課程分類研究[J].中國電化教育，2021，6：2330+48.