大數(shù)據(jù)分析在智慧教育中的應用研究

1、 大數(shù)據(jù)分析在智慧教育中的應用研究摘 要：傳統(tǒng)面向高校智慧教育的數(shù)據(jù)分析平臺難以從海量智慧資源中準確分析學生學習行為，導致在面向試題的難度預測中，存在準確率低的問題。針對上述問題，開展面向高校智慧教育的大數(shù)據(jù)分析研究工作，給出智慧教育體系架構的構成以及數(shù)據(jù)分析平臺，利用 Hadoop 技術對智慧教育資源進行分析與處理，采用數(shù)據(jù)挖掘算法并結合云計算技術深入分析和解釋學生學習行為數(shù)據(jù)的采集、匯聚，獲取學生學習行為的隱性和顯性行為，評估教育質(zhì)量，預測學生日后學習表現(xiàn)，建立學生認知模型與可視化圖表，把得到的數(shù)據(jù)智能融入智慧教育體系架構。將該體系架構應用于在線教育系統(tǒng)提供的答題數(shù)據(jù)，預測英語閱讀試題難度

2、。測試結果表明，試題難度評估預測性能較好。關鍵詞：大數(shù)據(jù)分析；高校智慧教育；數(shù)據(jù)挖掘算法；Hadoop 技術；云計算；學生認知模型目 錄 TOC o 1-3 h z u HYPERLINK l _Toc10357904 1、引言 PAGEREF _Toc10357904 h 3 HYPERLINK l _Toc10357905 2、高校智慧教育大數(shù)據(jù)分析 PAGEREF _Toc10357905 h 4 HYPERLINK l _Toc10357906 2.1、 高校智慧教育體系架構 PAGEREF _Toc10357906 h 4 HYPERLINK l _Toc10357907 2.2、面

3、向?qū)W生學習行為的大數(shù)據(jù)分析技術 PAGEREF _Toc10357907 h 5 HYPERLINK l _Toc10357908 3、實驗結果與分析 PAGEREF _Toc10357908 h 8 HYPERLINK l _Toc10357909 4、結 論 PAGEREF _Toc10357909 h 9引言大數(shù)據(jù)、人工智能技術的發(fā)展和廣泛應用，使得“互聯(lián)網(wǎng)教育”成為高等院校教育改革與發(fā)展的重要研究方向1?！爸腔劢逃钡奶岢龈菍⒏咝＝逃畔⒒嵘?到前所未有的新高度2。面向高校智慧教育的大數(shù)據(jù)分析逐漸成為研究廣泛關注的重要研究方向之一3。目前，相關學者已研究出多項針對智能輔助系統(tǒng)的數(shù)據(jù)

4、分析平臺。例如：李爽等人通過學生學習行為投入測量指標構建數(shù)據(jù)分析平臺4。這些測量指標更有利于分析和測量教學智能輔助系統(tǒng)的學習行為。周效章以云計算、大數(shù)據(jù)分析技術為依托，按照“線上線下線上”為教育實施路徑，構建了“在線教育平臺+學習中心”融合教學模式的數(shù)據(jù)分析平臺5。上述數(shù)據(jù)分析平臺缺乏對學生學習行為數(shù)據(jù)合理的整合管理模式，易造成信息孤島， 無法準確分析學生學習行為數(shù)據(jù)，導致在面向試題時的難度預測精度較低。在分析國內(nèi)智能輔助系統(tǒng)的數(shù)據(jù)分析平臺現(xiàn)存問題的基礎上，構建“面向高校智慧教育的大數(shù)據(jù)分析平臺”，以推動我國高校智慧教育發(fā)展。高校智慧教育大數(shù)據(jù)分析2.1、 高校智慧教育體系架構高校智慧教育體系

5、架構屬于多層次體系結構，共6 層：感知層、通信層、云計算層、業(yè)務層、數(shù)據(jù)層和智能服務層。由這 6 層結構構成體系架構如圖 1 所示。圖 1 高校智慧教育體系架構Fig. 1 Architecture of college wisdom education system模型中感知層負責將系統(tǒng)環(huán)境與外部高校環(huán)境進行信息交互，通過傳感器、移動終端等設備實時感知高校環(huán)境和教師、學生信息，并將感知數(shù)據(jù)經(jīng)由通信層上傳6。網(wǎng)絡通信層負責將感知層獲取的相關數(shù)據(jù)傳輸?shù)綐I(yè)務層，為高校學生提供網(wǎng)絡訪問服務。云計算層采用虛擬化技術實現(xiàn)高校校園可視化、可靠的云服務。業(yè)務層主要負責為高校師生的教學、管理提供全方位、多角度

6、的服務支撐。數(shù)據(jù)層采用大數(shù)據(jù)分析技術，綜合學生的學習行為數(shù)據(jù)，在網(wǎng)絡空間內(nèi)構建教育體系架構的虛擬框架，并對框架做出全方位的描述，為高校智慧校園的不同應用方向提供數(shù)據(jù)支持。智能服務層主要負責對不同應用系統(tǒng)進行深度整合，給學生和教師提供個性化服務。整合處理后，最終展現(xiàn)在師生面前的不是一個生硬的應用系統(tǒng)，而是一個以個性化服務為宗旨、以師生需求為導向的智能信息化服務平臺7。2.2、面向?qū)W生學習行為的大數(shù)據(jù)分析技術通過收集學生學習階段相關數(shù)據(jù)，對收集的數(shù)據(jù)進行預處理，預處理過程包含數(shù)據(jù)清洗、數(shù)據(jù)規(guī)整化處理等，預處理后針對學生的學習行為數(shù)據(jù)構建相應的數(shù)據(jù)分析模型，分析高校學生該學期針對學習任務制定的學習模

7、式以及對知識的掌握程度。將數(shù)據(jù)分析結果反饋給學生和教學管理者，學生和教學管理者針對此結果調(diào)整學習計劃和教學進度。圖 2 所示。圖 2 高校學生學習行為數(shù)據(jù)統(tǒng)一化標準Fig. 2 Unification standard for learning behavior data of college students智慧教育與當前高校教育方式的不同之處在于，高校智慧教育是以高校學生為中心，以綜合多媒體課堂互動的方式，鼓勵高校學生根據(jù)自身學習情況開展新型學習模式。如何從含量的學生學習行為數(shù)據(jù)中發(fā)現(xiàn)學習行為的潛在規(guī)律，是當前階段亟待研究的重要問題。根據(jù)xAPI 數(shù)據(jù)規(guī)整化基準采集學習行為記錄。不規(guī)整的學

8、習行為數(shù)據(jù)以xAPI 數(shù)據(jù)規(guī)整化基準調(diào)整后，可實現(xiàn)檢索、讀取和寫入功能。預測分析報告框架中的學習應用平臺通過設置不同的數(shù)據(jù)采集器，對學生與教育體系架構應用平臺的交互數(shù)據(jù)備份，存入本地數(shù)據(jù)庫中，并間隔給定周期將這些數(shù)據(jù)傳送到教育體系架構的數(shù)據(jù)分析平臺的學習行為存儲模塊中。高校學生在不同學期、不同場景下學生的學習行為是不同的，通過學生對不同學習工具在各個階段的實際應用，分場景、周期采集有效的學習行為數(shù)據(jù)，以xAPI 數(shù)據(jù)規(guī)整化基準進行傳輸，形成大數(shù)據(jù)分析的基本條件8。1.2.2學習認知情況度量通過分析結果評價學生對教學內(nèi)容掌握程度，達到對學習成績的預測。對預測結果進行詳細解釋并建立學生認知模型9，

9、采用可視化技術全方位展示分析結果。具體步驟如下：評價體系中就學生對教學內(nèi)容的掌握程度，給出不同評價指標的評價基準，不同的評價指標相應的權重不同，構造一個模糊一致判斷矩陣 R，采用該矩陣衡量評價等級與相關因素之間重要性的對比結果。式中，rnn 表示隸屬度函數(shù)。對式（1）給出的各行因素進行求和，獲得 h1, h2, , hn，此時因素 ai 的權重為：hih1 + h2 + + hn 1.2.1收集高校學生學習行為數(shù)據(jù)對高校學生學習行為數(shù)據(jù)統(tǒng)一化標準處理過程如以上為評價指標的權重確定方法，通過專家對比， 獲得不同評價指標的權重。依據(jù)評價標準，邀請多個專家評價學生對教學內(nèi)容的掌握程度。各項評價指標通

10、過 X = x1, x2, , xn 描述，Y = y1, y2, , ym 表示評價結果集合，將評價結果劃分為 5 個等級，描述為 y1，y2，y3，y4，y5，表示“ 完全掌握”，“90% 的部分可以掌握”“80% 的部分可以掌握”“70% 的部分可以掌握”“60% 的部分可以掌握”。對于不同的評價指標，可通過構造一個模糊評價矩陣來全面描述： t11 t1m 分析平臺下的預測模型相比，所提平臺下的預測模型能夠更準確地對英語測試題進行難度預測。式中，tnm 表示矩陣 T 相應的隸屬度函數(shù)。以下給出二級指標的模糊評價因素集的權重：A = a1 , a2 , , an （4）結合最大隸屬度基準判

11、定，評估教育質(zhì)量，預測學生日后學習表現(xiàn)，構建認知模型。采用可視化技術全方位展示學生學習行為數(shù)據(jù)的分析結果：采用餅狀圖來描述行為數(shù)據(jù)類型的分布情況；通過餅狀圖的面積大小分析不同行為數(shù)據(jù)類型的分布情況，所占面積越大說明該學生對此類學習活動更感興趣；通過折線圖來描述學生對課堂測試題目的準確性，通過折線中走勢的變化觀測學生對已學內(nèi)容的掌握情況；通過柱狀圖來表現(xiàn)學生在此學期中某一天的學習活動數(shù)；通過散點圖來描述學生參與教學活動的活躍程度10。實驗結果與分析為了驗證面向高校智慧教育的大數(shù)據(jù)分析平臺的綜合有效性，需要進行一次實驗驗證。仿真實驗在配置為WIN 7 操作系統(tǒng)、Intel 酷睿處理器、1.86 G

12、Hz 主頻、2.95 GB RAM 的筆記本計算機進行。將數(shù)據(jù)分析平臺應用于某高等院校提供的學生高數(shù)答題數(shù)據(jù)，采用近 200 萬的答題記錄，預測高數(shù)科目測試題的難度，選取均方根誤差（RMSE）衡量準確性能； 利用排序準確度（DOA）評測高數(shù)科目試題對之間的難度排序正確率；利用皮爾遜相關系數(shù)（PCC）測試高數(shù)科目測試題難度與學生成績之間的關系。利用 t 檢驗通過率評測高數(shù)科目測試題難度評估結果的置信水平。上述評價指標中，均方根誤差（RMSE） 值越小，說明預測結果精度越好；剩余指標值越大說明預測模型性能越好。圖 3 給出試題難度預測結果，對比方法包括文獻4給出的數(shù)據(jù)分析平臺和文獻5給出的數(shù)據(jù)分析

13、平臺。為了簡化描述，將文獻4給出的數(shù)據(jù)分析平臺和文獻5給出的數(shù)據(jù)分析平臺下的預測模型以及所提平臺下的預測模型分別表示為A1，A2，A3。從圖 3 中可以看出，與文獻4、文獻5給出的數(shù)據(jù)分別采用文獻4、文獻5給出的數(shù)據(jù)分析平臺下的預測模型以及所提的預測模型，預測高校學生多次答題得分結果，不同方法對高校學生成績預測表現(xiàn)在 A 數(shù)據(jù)集和B 數(shù)據(jù)集的對比結果如圖 4 所示。從圖 4 中可以看出，所提平臺下的預測模型能夠?qū)Φ梅纸Y果進行高精度預測。結論將大數(shù)據(jù)分析技術應用于高校教育領域，降低了高校智慧教育數(shù)據(jù)采集、轉(zhuǎn)換、集成和挖掘的門檻，使定量研究高校智慧教育行為、優(yōu)化教學方案成為可能。大數(shù)據(jù)分析技術對高校教學環(huán)境以及師生課業(yè)發(fā)展產(chǎn)生了深刻的影響，使廣大師生和學校受益。LI Shuang，WANG Zengxian，YU Chen，et al. Mining LMS data fo