叶根梅 杜丹

（马鞍山师范高等专科学校软件工程系 安徽省马鞍山市 243041）

近年来，网络课程在高校越来越普及。各高校纷纷引入或建设属于自己的网络课程平台，教师基于网络平台建立在线课程，以此更好地辅助课堂教学，或实施翻转课堂或实现在线教学。网络课程的质量决定了网络课程的绩效水平[1]，而网络课程的访问量则一定程度反应其建设质量和实施效果。但是，目前对网络课程访问的研究相对较少，且主要集中在运用学习分析技术对学生学习行为的分析方面。文献[2]通过对学生访问网络课程日志数据的分析，获得学生对不同模块和资源的访问频次，以发现学生访问网络课程的特征并提出网络课程建设的建议；文献[3]构建层次模型，基于模型对某一门网络课程的学习行为数据进行分析；文献[4]通过构建六层次模型，以发现网络课程学习存在的问题。基于学习分析技术往往局限于对某一门课程的数据分析，且结论并不足以体现与网络课程访问量的直接联系。因此，本文提出运用关联规则算法Apriori 算法，对某高校课程平台批量已运行的在线网络课程的实施数据，进行关联规则挖掘，并结合在线网络课程现状调查、教师研讨、学生访谈等方面进行规则分析，以发现网络课程访问量的可能影响因素，为提高网络课程的访问量，进而提高网络课程实效提供依据和参考。

1 关联规则算法

关联规则算法主要用于发现数据集中数据项之间的相互依赖性，以及存在的有意义的联系。这些联系可以用关联规则或频繁项集表示。

Apriori 算法是挖掘关联规则的最有影响力的有效算法，该算法主要通过逐层搜索迭代的方法，利用k 项集搜索k+1 项集，通过不断迭代，直至找不出频繁项集[5]。为了有减少大量候选集的产生，采用的基本方法是设置合适的支持度和置信度。支持度Support 表示事务集中同时包含X 和Y 的事务数与所有事务数的比例，反映了X 和Y 同时出现的概率。而置信度Confidence 则表示同时包含X 和Y 的事务数与包含X 的事务数的比例，表示关联规则的强度。一般来说，只有支持度和置信度较高的关联规则才是用户感兴趣的。文献[6]-[7]研究了关联规则算法；文献[8]-[9]则将Apriori 算法应用于网络课程的关联分析，从而实现教学平台中的网络课程推荐。

2 数据收集和预处理

收集的数据来自某高校在线教学平台所有已实施在线课程，原始统计数据由课程平台管理后台导出并提供。对原始课程数据进行清洗，如原始数据中共有84 个统计数据项，根据问题要求，对数据项进行归纳和合并，删除与目标问题完全无关的数据项，最终选择保留8 个列数据项；删除诸如测试建课及曾未实施类课程，以及学生数过少、使用频率过低的课程，最终选取有效课程267 个行数据项。

由于关联规则算法Apriori 算法适用于完全的标称型数据，因此首先需要对课程统计数据进行离散化处理，以形成有序标量。离散化数值型属性的一般方法是将值域分割成多个间隔区间，通常采用等宽离散法和等频离散法。等宽离散法将属性值从最小值到最大值平均分成若干份，并映射为若干个离散值，其弊端在于容易导致记录分布不均匀；等频离散化按照属性数值大小顺序，将所有属性值划分成若干数目相等的区间，其弊端在于有可能使得某些属性进入到不合适的区间。综合上述两种离散方法，根据课程统计数据项的特点及网络课程实施情况，本文采用“区间宽度动态调整法”。将每个数据项按数值从大到小的顺序均划分为N 个区间，每个区间将映射为一个离散值。而对于每个区间宽度，先运用等宽离散法进行大致划分，然后对每个区间及相邻区间属性值进行分析，结合在线课程中该数据项值的判断，按照值相近原则，对边界区间值进行动态调整，从而确定每个区间宽度和边界。

据上所述，对于选取出的章节资源数数据列resource，任务点数数据列task，现有作业数数据列work，章节测验数数据列test，考试数数据列exam，总讨论数数据列discussion，人均活动总参与人次数据列activity，人均课程浏览量数据列pv；以字母a～g 分别表示上述对应数据列的值。将每个属性列根据其区间划分映射为5个离散值，并按照值的大小顺序，分别以编号4 表示离散值对应数值高，3 表示较高，2 表示一般，1 表示低，0 表示无。最终形成课程统计数据如表1 所示。

3 关联规则挖掘和规则分析

开发工具采用Eclipse，数据库MySQL，对事务数据进行关联规则挖掘。通过不断调整，最终设置最小支持度0.2，最小置信度0.6，产生36 条关联规则，部分挖掘结果如表2 所示。

3.1 资源数、任务点数与访问量的规则分析

资源数resource 用于统计已上传至课程网站的资源数量。其中，资源类型包括视频、音频、文档（包含PPT 文档、Word 文档、PDF 文档、Excel 文档及其它类型文档）。教师在上传各类资源时，可选择是否设置任务点，以检测学生是否浏览资源，并可借助平台技术查看任务的总体完成统计。因此，任务点数与资源数有直接的关系。上述规则1,2 分别表示，在资源数较高、任务点数低和资源数一般、任务点数一般的情况下，访问量却均较低。

教师在建设在线课程时，一种较为常见的认识是课程资源要丰富，才能获得学生的关注和使用。因此教师将课件、教案，以及视频等资源分章节上传至课程平台，以吸引学生关注并浏览。众多的资源可以使知识呈现更加完整，也让学生有更多的选择。但上述规则呈现的结论却是资源数较高时访问量仍然较低。联系在线课程实施现状，建立课程资源是前提，没有资源的课程网站相当于无源之水。但资源是否被充分利用，一方面取决于学生是否有足够的学习自主性，如自主借助课程资源进行课前预习、课后复习及完成作业；一方面在于教师是否积极引导，如布置任务，并对资源设置任务点，教师定期向学生提供任务参与度的反馈，或将学生完成的任务点纳入学习绩效等。因此，对于资源的运用，而非单纯资源的数量，才是影响访问量的更为直接因素。

表1：课程事务数据表

表2：部分挖掘结果

规则3,4 显示资源数与任务点数之间的关系，即有了资源才能够有任务点，但任务点数与资源数并没有呈现正比的关系，这跟课程平台功能相关。对于教师上传的资源，平台默认设置其包含任务点，但平台也提供了教师可以取消任务点的操作。借助平台的统计技术，教师对资源设置任务点数，无疑能够更好地评定学习者任务的完成程度；将任务点纳入学生成绩评定，也可以引导学生浏览课程资源。

3.2 人均活动参与总人次与访问量的规则分析

活动参与总人次用于统计学生直接参与在线课程的各项活动，具体包括课堂签到人次、评分参与人次、抢答参与人次、投票参与人次、问卷参与人次、作业参与人次、测验参与人次、考试参与人次等，每项活动的完成必须通过浏览相应的课程页面实现。

上述规则5,6,7 表示，人均活动参与总人次activity 与网站访问量pv 关系密切。规则5,6 分别表示，在任务点数、讨论数、章节测验数和考试数均为0 的情况下，人均活动参与总人次与访问量几乎成正比；规则7 表示，在作业数一般的情况下，人均活动参与总人次较高，则可以带来高浏览量。在其他参照规则中，该结论仍然表现明显。

在线课程能否真正发挥作用，主要在于学生的参与和运用。活动参与人次真正体现了学生对于网络课程的参与和投入。从活动参与人次所包含的活动来看，其类型主要体现在两类，一类是诸如课堂签到、问题抢答、选人和评分等，是学生在课堂必须配合教师完成的教学活动，具有典型的教师主导行为特征；另一类是诸如作业、考试和测验等，用以巩固或检测学生的学习效果，直接与学生的平时成绩或期末成绩挂钩，学生无论出于教师强制要求还是自身成绩考虑，都会主动参与和完成。因此，这两类活动的频次直接影响课程浏览量。事实上，教师在运用在线课程为教学服务时，课程平台提供的技术支持和功能，确实能够一定程度地提高教学效率，激发学生学习积极性。如课堂签到，相对传统逐个点名，可以节约时间；抢答、选人和投票通过设置积分或奖励调动学生学习积极性；学生互评在减少教师工作量的同时让学生体验“小老师”的感觉；测验和考试的自动评分功能以及统计分析功能，极大减少了教师批阅试卷的工作量，且能够准确快速地形成学习数据分析。从上述规则来看，活动参与在教学中的有效运用，直观上能够提高网络课程访问量，但对于教学的实际意义，不仅仅是提高教学效率，而是真正促进学生的参与和投入。

4 结语

建设优质在线网络课程，并让学生积极运用网络课程资源，是每个实施在线课程的教师都要关注的问题。本文基于某高校课程平台在线课程的统计数据，运用Apriori 算法挖掘影响网络课程访问量的可能影响因素。从发现的规则来看，课程资源数量本身并不能直接影响学生对课程网站的访问，学生对教学活动或任务的参与则能明显提高访问量。网络课程的建设是前提，设计合理、内容丰富的一定数量和质量的教学资源是网络课程的基础，而鼓励并引导学生充分参与和投入、合理应用网络课程、提高课程使用率更是关键。对于高校而言，如何科学地建设并合理使用在线网络课程，将教学与信息技术有效结合，尚需要不断总结、实践和完善。