基于云和深度學習的學情分析系統研究

虞思慧 楊明 潘城杰 程俊豪 李文娟

摘要：學情分析是智慧教育的重要組成部分。云計算是存儲和處理大規模數據的最新技術手段。本文將云計算和深度學習技術相結合，提出了一款高效、智能的學情數據分析系統。本文首先構建了基于云邊混合架構的學情分析系統模型，接著詳細論述了平臺的設計、部署和實施過程，最后設計了一系列相關實驗進行實證分析。通過對中國大學MOOC平臺真實數據的建模分析結果表明，該系統具備了良好的數據分析和挖掘能力，能夠為教師和教學管理者提供有益參考，從而為在線教學效果和滿意度提升提供技術支持。

關鍵詞：云計算；深度學習建模；學情分析系統；教學質量評價

中圖分類號：TP393? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2024）07-0018-03

開放科學（資源服務）標識碼（OSID）

0 引言

隨著互聯網的縱深發展，教育領域逐漸邁入數字化、智慧化時代。線上教學成為目前主流的教學形式之一。盡管線上教學平臺的課程內容十分豐富，然而質量卻良莠不齊，很難為學習者提供量身定制的個性化服務。學情分析系統提供了對教學內容和學評教數據的分析總結，能夠輔助決策，是提高在線教學質量、提升教學效果的重要技術手段。

學情分析系統的研究始于20世紀末，隨著深度學習技術的崛起而得到顯著發展。早期學情分析系統主要依賴于傳統機器學習算法，如決策樹、支持向量機等，這些方法在處理大規模數據時顯得力不從心。而深度學習算法，因其出色的特征學習和模式識別能力，在學情分析領域逐漸得到廣泛應用。比如，王麗、談云兵[1]探討了深度學習模型在博客數據分析中的應用和存在問題。景紅娜[2]構建了基于Moodle教學平臺的深度學習模式，并通過實驗驗證了該模式的教學效果。段金菊[3]結合實踐案例剖析了深度學習的學習策略和效果。Meng等人[4]提出一種基于多層卷積神經網絡的遷移學習方法。Deng等人[5]提出了結合CNN與BiLSTM的融合模型進行文本情感分析，有效地提高了情感識別的準確性。Szu-Yin Lin等人[6]使用集成學習技術和BERT模型實施情感分析取得了不錯的效果。

然而，目前學情分析系統的研究仍面臨諸多問題和挑戰，包括：1） 學情數據量大，且存在評價數據離散化、個性化等特點，而目前主流的學情分析平臺普遍存在數據存儲和計算能力不足的問題。2） 盡管深度學習算法的學習效果比較理想，但在處理教育大數據時，由于算法自身的開銷較大，導致數據分析結果的實時性不足。3） 大部分學情分析系統針對的并非真實的評價數據，數據統計分析的結果缺乏可信度和說服力。

針對上述問題，本文結合云計算和深度學習技術提出了一款基于云邊混合架構的學情分析模型。云計算為存儲和分析大規模學情數據提供了強大的存儲和計算能力，深度學習算法則提供了處理復雜數據和提取高階特征的能力，有助實現對學生學習行為的精準預測和個性化建議。

本文的主要貢獻包括：

1）提出了一款基于云邊混合架構的學情分析模型，通過云邊協同提高學情分析處理的能力，降低處理時延。

2）比較了不同深度學習模型在實施學情數據挖掘的效果，以幫助學情分析選擇最佳模型，從而提高數據分類和挖掘的準確性。

3）實現對中國大學幕客平臺真實數據的爬取和分析，實現對教學效果的縱橫向比較，有助于提升線上教學質量。

本文余下部分的結構如下：第1章介紹系統總體架構和主要實施流程，第2章是系統建模與實驗設計，第3章對中國大學慕課的實證數據進行學情分析并給出對比報告。最后是總結和展望。

1 系統總體架構

1.1 系統模型

基于云邊混合架構的學情分析系統模型架構圖如圖1所示：

學情分析系統搭建在云計算和邊端環境中，實施基于云邊協同的深度學習過程。云主機實現學情大數據的存儲和離線分析，邊緣和終端設備實施小規模數據的本地在線學習。云邊協作加速了數據分析過程，降低處理時延。數據層實現數據存儲和事務處理，業務層則根據應用需求構建相關接口。前端搭建了友好的人機交互接口，便于使用者輕松掌握學情分析的結果。

1.2 系統功能模塊圖

本系統的功能模塊圖如圖 2所示：

該系統分析平臺將通過可視化方式展示學情數據的分析結果，并提供實時反饋和建議，為高校學生和教師提供全方位的學情分析服務，幫助學生改進學習策略、提高學習效率，學生可以更清晰地了解自己的學情狀態和學習效果幫助教師更好地了解學生的學習情況和需求，提供有針對性的教育教學服務。

1.3 研究步驟

主要研究步驟是：1） 學情數據爬取。2） 數據預處理，包括去除重復數據、去除無用字符、使用jieba分詞、去除停用詞等，處理出本項目所需要的數據內容，使用w2v生成詞向量并對數據集進行劃分。3） 根據學情分析的任務需求選擇適合的深度學習模型，包括設計實驗對現有的深度模型進行對比，采用交叉驗證等方法評估模型的性能，最終選出最合適的模型。4） 進行調參和優化以提高模型的精度、泛化性和可解釋性。5） 結果預測，將預測結果轉化為相應的學情建議，例如課程推薦、個性化教學建議等。

2 建模與實驗設計

2.1 模型對比

本文重點比較了深度學習中的LSTM模型和BERT模型，如圖3所示。LSTM模型具有更低的損失分數，因而表現更好。然而，兩種模型的準確度基本相同，所以如果只關注準確度，那么二者表現相當。

2.2 實驗設計

2.2.1 環境配置

表1? 環境配置

[開發的硬件環境 處理器：Intel Core i7-1165G7 CPU @ 2.80GHz 內存：16 GB DDR4 運行的硬件環境 處理器：Intel（R） Core（TM） i5-3230M CPU @ 2.60GHz 內存：8GB 操作系統 Windows 10/11 軟件開發環境/開發工具 PyCharm 2023.1.2、AutoDl 該軟件的運行平臺/操作系統 PyCharm 2023.1.2、Windows 10/11 軟件運行支撐環境/支持軟件 Windows 7、Windows 10 編程語言 Python ]

2.2.2 實施訓練

使用云主機Auto DL服務器，配合本地進行數據集相關訓練。

2.2.3 運行結果

系統運行結果如圖5所示，當輸入隨機的評價內容時，系統會給出評判結果。

3 學情數據分析

筆者爬取了中國大學幕客的評價數據，并對數據進行了分析，以下是分析結果。

3.1 同一所學校內部不同課程評分比較的結果

圖6展示幕客網中北京大學30門課程的評分數據。從圖中可以看出，課程評分方差較大，這說明學生對課程的評價存在較大差異。可能的原因是學生對課程教學內容的喜好程度不同，評價較為個體化。而對于此類評分方差較大的課程，學校可以考慮進一步探究評價意見差異化的具體原因，通過調整課程內容、改進教學方法或者增加師生互動的方式，提高整體課程質量。

3.2 不同大學之間橫向比較的結果

圖7和圖8分別展示了不同大學的課程數量和評論數量的折線圖，不難看出：1） 課程數量的分布在不同大學間呈現較大的不均勻性，這可能受到大學規模、學科設置、在線教育發展等因素的影響。2） 評論數據呈現明顯的差異，這反映了學生對不同大學課程的關注和反饋程度，評論數量的分布可能受到課程內容、教學質量、學生參與度等因素的影響。3） 關聯性觀察：還可以觀察到課程數量和評論數量之間的關聯關系，借助這種關聯性可以幫助大學進行在線教育課程的優化和改進。

4 總結與展望

本文提出了一款融合云計算和深度學習技術的學情分析系統。系統基于云邊混合計算模型，充分利用了云計算的高可用性、邊緣計算系統的低時延，以及深度學習的數據分析能力，能夠實現對學生學習行為和課程評價數據的精準分析。實驗設計和實證分析結果表明，本文模型在數據分析精度和性能方面的有效性。然而，本文提出的系統暫未考慮數據的安全和隱私保護問題，以及深度學習模型在云邊混合架構的優化和參數自適應調整等，這是筆者接下去重點研究的方向。

參考文獻：

[1] 王麗，談云兵.基于博客的深度學習研究：以蘇州教育博客為例[J].中國遠程教育，2009（12）：40-43，79.

[2] 景紅娜，陳琳，趙雪萍.基于Moodle的深層學習研究[J].遠程教育雜志，2011，29（3）：27-33.

[3] 段金菊.e-Learning環境下促進深度學習的策略研究[J].中國電化教育，2012（5）：38-43.

[4] MENG J N，LONG Y C，YU Y H，et al.Cross-domain text sentiment analysis based on CNN_FT method[J].Information，2019，10（5）：162.

[5] DENG H J，ERGU D J，LIU F Y，et al.Text sentiment analysis of fusion model based on attention mechanism[J].Procedia Computer Science，2022，199：741-748.

[6] LIN S Y，KUNG Y C，LEU F Y.Predictive intelligence in harmful news identification by BERT-based ensemble learning model with text sentiment analysis[J].Information Processing & Management，2022，59（2）：102872.

【通聯編輯：唐一東】