大學(xué)計(jì)算機(jī)基礎(chǔ)教學(xué)活動(dòng)數(shù)據(jù)分析及應(yīng)用研究

1、大學(xué)計(jì)算機(jī)基礎(chǔ)教學(xué)活動(dòng)數(shù)據(jù)分析及應(yīng)大學(xué)計(jì)算機(jī)基礎(chǔ)教學(xué)活動(dòng)數(shù)據(jù)分析及應(yīng)用研究用研究李家春 熊冬青 徐紅云摘 要：針對(duì)大學(xué)計(jì)算機(jī)基礎(chǔ)課程選課學(xué)生多、專業(yè)多樣、教學(xué)班容量大、采用mooc 教學(xué)等特點(diǎn)，分析課程在 mooc 和雨課堂平臺(tái)教學(xué)活動(dòng)中過(guò)程性評(píng)價(jià)數(shù)據(jù)及其關(guān)聯(lián)特征，提出智能導(dǎo)學(xué)、個(gè)性服務(wù)的教學(xué)思路。關(guān)鍵詞：人工智能技術(shù);mooc;雨課堂; 過(guò)程性評(píng)價(jià); 個(gè)性化教學(xué)doi：10. 11907/rjdk. 191978 開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（osid）：中圖分類號(hào)：g434 文獻(xiàn)標(biāo)識(shí)碼：a 文章編號(hào)：1672-7800（2020）002-0202-04英標(biāo)：research on teach

2、ing activities data analysis and applicationof fundamentals of computer英作：li jia-chun1， xiong dong-qing2，xu hong-yun1英單：（1. school of computer science & engineering， south chinauniversity of technology，guangzhou 510006，china; 2. guangdongmechanical & electronical college of technology， guang

3、zhou 510515，china）abstract：there are many characteristics in our fundamentals of computercourse， large numbers of students such as with diversified majors，large volume class， and the application of mooc teaching， soteaching activities and process evaluation data in mooc and rain-classroom platform a

4、re analyzed and correlated， the teaching methodsof intelligent guidance learning and personalized teaching areexplored in the paper.key words：artificial intelligence technology; mooc; rain classroom; processevaluation; personalized teaching0 引言隨著智慧教育1-2（教育+互聯(lián)網(wǎng)或互聯(lián)網(wǎng)+教育）時(shí)代來(lái)臨，mooc 平臺(tái)3-4和智慧教學(xué)工具如雨課堂5等逐漸得到

5、關(guān)注和大力推廣。mooc 課程受眾面廣，選課學(xué)生多，在線教學(xué)過(guò)程中產(chǎn)生大量的評(píng)價(jià)數(shù)據(jù)。為了較精準(zhǔn)地評(píng)價(jià)課程教學(xué)質(zhì)量，為選課學(xué)生提供個(gè)性化指導(dǎo)，國(guó)內(nèi)外學(xué)者對(duì)教育大數(shù)據(jù)6進(jìn)行了挖掘、分析。加州大學(xué)洛杉磯分校 ucla 的 yannick meier 等 7開(kāi)發(fā)一個(gè)分?jǐn)?shù)預(yù)測(cè)算法，根據(jù)學(xué)生的課后作業(yè)、測(cè)驗(yàn)和期中考試等評(píng)價(jià)數(shù)據(jù)，及時(shí)預(yù)測(cè)學(xué)生的期末成績(jī);麻省理工學(xué)院 mit 的 una-may oreilly 博士等 8認(rèn)為 mooc 出現(xiàn)使大數(shù)據(jù)成為關(guān)注焦點(diǎn)，提出將大數(shù)據(jù)開(kāi)發(fā)技術(shù)應(yīng)用于慕課平臺(tái)，對(duì)數(shù)據(jù)進(jìn)行有效分析和預(yù)測(cè)，以揭示學(xué)生學(xué)習(xí)行為;普渡大學(xué)的 kimberly 等 9開(kāi)發(fā)出 course sig

6、nal系統(tǒng)，對(duì)學(xué)習(xí)數(shù)據(jù)進(jìn)行全面分析和預(yù)測(cè)，并將結(jié)果以紅、黃、綠 3 組顏色形式反饋給學(xué)生。西安交通大學(xué)鄭慶華教授10-11提出教學(xué)質(zhì)量監(jiān)控大數(shù)據(jù)平臺(tái)框架;北京大學(xué)王卓、張銘教授等12將貝葉斯知識(shí)跟蹤模型應(yīng)用到 coursera 慕課數(shù)據(jù)，將學(xué)生所需學(xué)習(xí)的知識(shí)體系劃分為若干知識(shí)點(diǎn)，研究如何更準(zhǔn)確地預(yù)測(cè)學(xué)生是否掌握各知識(shí)點(diǎn);文獻(xiàn)13-14研究了慕課學(xué)生的學(xué)習(xí)行為，設(shè)計(jì)一個(gè)選讀學(xué)生流失預(yù)測(cè)系統(tǒng)，以提供個(gè)性化指導(dǎo)，幫忙學(xué)生找到興趣點(diǎn)、推薦學(xué)生材料等;浙江工業(yè)大學(xué)陳晉音等 15分析在線學(xué)習(xí)行為特征，挖掘?qū)W習(xí)者性格特征與學(xué)習(xí)效率的關(guān)系，實(shí)現(xiàn)個(gè)性化學(xué)習(xí)方法推薦;清華大學(xué)唐杰等 16利用學(xué)堂在線慕課數(shù)據(jù)，研究

7、并提出基于用戶興趣、人口統(tǒng)計(jì)特征和課程前導(dǎo)和后續(xù)關(guān)系的課程推薦算法。上述研究重點(diǎn)都是單一的慕課平臺(tái)以及相應(yīng)的慕課課程數(shù)據(jù)分析，對(duì)基于多平臺(tái)（慕課平臺(tái)+雨課堂平臺(tái)）的課程線上線下數(shù)據(jù)分析關(guān)注不多。筆者學(xué)校大學(xué)計(jì)算機(jī)基礎(chǔ)課程采用多平臺(tái)教學(xué)，包括基于清華大學(xué)的 mooc 平臺(tái)“學(xué)堂在線”17-18，以及基于雨課堂的翻轉(zhuǎn)課堂教學(xué)，每學(xué)年選課學(xué)生達(dá) 5000 多人。將人工智能技術(shù)19-20處理這些教學(xué)活動(dòng)數(shù)據(jù)，分析學(xué)生學(xué)習(xí)行為并預(yù)測(cè)學(xué)習(xí)效果，從而及時(shí)調(diào)整教學(xué)進(jìn)度，實(shí)施個(gè)性化教學(xué)。1 大學(xué)計(jì)算機(jī)基礎(chǔ)課程數(shù)據(jù)描述與分析框架數(shù)據(jù)分析框架如圖 1 所示。從 mooc 和雨課堂平臺(tái)收集教學(xué)活動(dòng)過(guò)程性評(píng)價(jià)數(shù)據(jù)，主要

8、包括 mooc 視頻觀看比例（共 100 個(gè)視頻，只要看完 50 個(gè)即為 100%觀看率）、mooc 講間練習(xí)得分率、mooc 章測(cè)驗(yàn)得分率、發(fā)/回帖率（大于等于有效帖 10 個(gè)，完成率即為100%）、雨課堂統(tǒng)計(jì)的課堂到勤率、雨課堂課堂練習(xí)得分率。將這些數(shù)據(jù)送入數(shù)據(jù)分析和可視化模塊，進(jìn)行 pearson 相關(guān)系數(shù)分析，得到上述特征與學(xué)習(xí)效果的相關(guān)性。采用 k-means 聚類算法預(yù)測(cè)學(xué)習(xí)效果，使用 wxpython 圖形庫(kù)可視化展示學(xué)習(xí)行為特點(diǎn)并進(jìn)行趨勢(shì)預(yù)測(cè)。用于分析的數(shù)據(jù)來(lái)自 5 000 多名選修學(xué)生的教學(xué)活動(dòng)行為，覆蓋 23 個(gè)不同學(xué)院和專業(yè)，共 44 個(gè)教學(xué)班，時(shí)間跨度為 12 個(gè)教學(xué)周

9、。大學(xué)計(jì)算機(jī)基礎(chǔ)課程授課章節(jié)組織如表 1 所示，教學(xué)模式如表 2 所示，為 mooc學(xué)習(xí)+翻轉(zhuǎn)課堂（基于雨課堂）+機(jī)房實(shí)驗(yàn)（基于雨課堂簽到考勤）。2 大學(xué)計(jì)算機(jī)基礎(chǔ)課程數(shù)據(jù)分析結(jié)果2.1 學(xué)生活躍度分析學(xué)生每日和每周學(xué)習(xí)活躍度分析如圖 2 和圖 3 所示。由圖 2 可見(jiàn)，每天 20：00-21：00 時(shí)間段學(xué)習(xí)總?cè)藬?shù)最多，達(dá)到 1 272 人，學(xué)習(xí)人數(shù)較高的時(shí)間段主要集中在 16：00-23：00。由圖 3 可知大學(xué)計(jì)算機(jī)基礎(chǔ)課程排課規(guī)律，也能發(fā)現(xiàn)學(xué)生在周六周日仍在學(xué)習(xí)，周日學(xué)習(xí)人數(shù)明顯高于周六。2.2 學(xué)生學(xué)習(xí)情況分析學(xué)生 mooc 視頻學(xué)習(xí)、mooc 練習(xí)和測(cè)驗(yàn)學(xué)習(xí)情況分析如圖 4、圖 5

10、、圖 6 所示。從圖 4 可知，隨著章節(jié)學(xué)習(xí)進(jìn)度的推進(jìn)，視頻觀看整體比例呈下降趨勢(shì)。因?yàn)檎n程視頻共 100 個(gè)，只需看完 50 個(gè)就可拿到這項(xiàng)的滿分，故大多數(shù)學(xué)生完成滿分指標(biāo)后就停止觀看。第 2 章視頻觀看比例最高，為 88%，說(shuō)明該章知識(shí)點(diǎn)多、難點(diǎn)疑點(diǎn)多、學(xué)習(xí)興趣最高。從圖 5 和圖 6 可分析出每個(gè)章節(jié)的難易程度以及學(xué)生對(duì)每個(gè)章節(jié)知識(shí)的掌握情況。（1）第 1 和第 7 章優(yōu)秀率（90 分及以上占比）和及格率（60 分及以上占比）的差距最大，說(shuō)明這兩章講間練習(xí)難度最大。（2）第 4 章優(yōu)秀率和及格率差距最大，說(shuō)明該章測(cè)驗(yàn)的難度最大。（3）結(jié)合圖 4 可以發(fā)現(xiàn)：第 2 章講間練習(xí)優(yōu)秀率最高，為

11、 84%;講間練習(xí)及格率也最高，為 93%;章測(cè)驗(yàn)優(yōu)秀率和及格率也處于前列，學(xué)生觀看視頻比例為88%。說(shuō)明學(xué)生對(duì)第 2 章知識(shí)掌握程度較好。（4）章測(cè)驗(yàn)及格率整體大于講間練習(xí)及格率，說(shuō)明學(xué)生通過(guò)講間練習(xí)的做題訓(xùn)練，對(duì)知識(shí)的掌握程度有一定幫助，也反映學(xué)生對(duì)章測(cè)驗(yàn)的重視程度相對(duì)要高，因?yàn)橹v間練習(xí)與章測(cè)驗(yàn)成績(jī)權(quán)重比是 46。通過(guò)這樣的分析，可以在翻轉(zhuǎn)課堂教學(xué)時(shí)自適應(yīng)調(diào)整教學(xué)活動(dòng)（教學(xué)節(jié)奏和教學(xué)內(nèi)容）。2.3 學(xué)習(xí)特征相關(guān)性分析利用 pearson 相關(guān)系數(shù)分析得到 6 個(gè)特征以及期末成績(jī)之間的相關(guān)程度，如表3 所示?？梢?jiàn)，和期末成績(jī)相關(guān)性最高的是雨課堂練習(xí)題得分率，其次依次為講間練習(xí)得分率、雨課堂考

12、勤率、章測(cè)驗(yàn)得分率、發(fā)/回帖率、mooc 視頻觀看率。2.4 學(xué)習(xí)效果預(yù)測(cè)采用 k-means 聚類算法對(duì) 6 個(gè)特征進(jìn)行聚類分析，設(shè)置預(yù)測(cè)類別標(biāo)簽如下：優(yōu)秀：期末成績(jī)/期末成績(jī)最高分0.85，1良好：期末成績(jī)/期末成績(jī)最高分0.75，0.84及格：期末成績(jī)/期末成績(jī)最高分0.60，0.74不及格：期末成績(jī)/期末成績(jī)最高分0，0.59數(shù)據(jù)量：191 條，準(zhǔn)確率為 61%，主要原因是高分段劃分比較模糊，不能很好地識(shí)別是優(yōu)秀還是良好，各個(gè)成績(jī)標(biāo)簽預(yù)測(cè)準(zhǔn)確率如表 4 所示?？梢?jiàn)，對(duì)不及格預(yù)測(cè)的準(zhǔn)確率較高，為 81.8%。針對(duì)每一章節(jié)學(xué)習(xí)的 4 個(gè)特征或 6 個(gè)特征進(jìn)行學(xué)習(xí)效果預(yù)測(cè)，比如第二章預(yù)測(cè)準(zhǔn)確

13、率分別為 80%（4 個(gè)特征）、69%（6 個(gè)特征）。通過(guò)預(yù)測(cè)，可以設(shè)置不同時(shí)間節(jié)點(diǎn)（如每一章，或多章或期末考前）對(duì)可能具有不及格趨勢(shì)的學(xué)生進(jìn)行預(yù)警，幫助他們加強(qiáng)課程學(xué)習(xí)，提高課程通過(guò)率。3 結(jié)語(yǔ)在智慧教學(xué)時(shí)代背景下，本文利用人工智能和大數(shù)據(jù)分析技術(shù)對(duì)大學(xué)計(jì)算機(jī)基礎(chǔ)課程教學(xué)活動(dòng)中的過(guò)程性評(píng)價(jià)數(shù)據(jù)進(jìn)行了分析研究，分析結(jié)果可用于自適應(yīng)調(diào)整教學(xué)活動(dòng)，在不同時(shí)間點(diǎn)對(duì)可能不及格學(xué)生進(jìn)行預(yù)警，實(shí)現(xiàn)以學(xué)習(xí)績(jī)效為中心的智能導(dǎo)學(xué)和個(gè)性學(xué)習(xí)。下一步將進(jìn)一步優(yōu)化算法，并將研究結(jié)果用于教學(xué)。參考文獻(xiàn)：1 郭紅霞. 我國(guó)智慧教育研究綜述j. 數(shù)字教育，2016（1）：16-21.2 李玥泓，趙可云. 我國(guó)智慧教育研究現(xiàn)

14、狀解析：熱點(diǎn)、主題及趨勢(shì)j. 數(shù)字教育，2018（4）：29-33.3 王書瑤，王小根，晉步. 中外 mooc 課程對(duì)比研究以 edx 和“學(xué)堂在線”為例j. 軟件導(dǎo)刊，2014（7）：154-156.4 陳娟菲，鄭玲，高楠. 國(guó)內(nèi)主流 mooc 平臺(tái)交互功能對(duì)比研究-基于教學(xué)交互層次塔理論j. 中國(guó)教育信息化，2019（1）：26-29.5 袁博，趙海媚，張成萍，等. 基于雨課堂的研究生英語(yǔ)學(xué)習(xí)行為可視化分析j. 現(xiàn)代教育技術(shù)，2018（5）：68-74.6 陳池，王宇鵬，李超，等. 面向在線教育領(lǐng)域的大數(shù)據(jù)研究與應(yīng)用j. 計(jì)算機(jī)研究與發(fā)展，2014（s1）：67-74.7 yannick

15、meier， jie xu，onur atan， et al. predicting gradesj.ieee transactions on signal processing，2016（4）：959-972.8 una-may oreily，kalyan veeramachaneni. technolgy for mining thebig data of moocsj.research & practice in assessment，2014（9）：29-37.9 kimberly e arnold， matthew d pistilli. course signals atp

16、urdue：using learning analytics to increase student successc. lak12proceedings of the 2nd international conference on learning analyticsand knowledge，2012：267-270.10 鄭慶華. 運(yùn)用教學(xué)大數(shù)據(jù)分析技術(shù)提高課堂教學(xué)質(zhì)量j. 中國(guó)大學(xué)教學(xué)，2017（2）：15-18，39.11 鄭慶華，董博，錢步月，等. 智慧教育研究現(xiàn)狀與發(fā)展趨勢(shì)j. 計(jì)算機(jī)研究與發(fā)展，2019（1）：209-224.12 王卓，張銘. 基于貝葉斯知識(shí)跟蹤模型的慕課學(xué)生

17、評(píng)價(jià)j. 中國(guó)科技論文，2015（2）：241-246.13 zhang m， zhu j l， wang z， et al. providing personalizedlearning guidance in moocs by multi-source data analysisj. worldwide web-internet & web information system，2019（3）：1189-1219.14 zhang m， zhu j l， wang z， et al.an effective framework forautomatically generating and ranking topics in mooc videosc.educational data mining，2017：150-155.15 陳晉音，方航，林翔，等. 基于在線學(xué)習(xí)行為分析的個(gè)性化學(xué)習(xí)推薦j.計(jì)算機(jī)科學(xué)，2018（11）：422-426.16 jing x，tang j. guess you like：course recommendation in moocsc.proceedings of the internationalconference on web intelligence，acm，2017：7