宋正国 刁秀丽

摘  要： 人工智能与大数据技术的应用，为教育教学注入了新的动力。文章以程序设计在线评测系统大数据为例，研究教育大数据在辅助课堂教学和在线教学中的应用。基于在线测评系统，分析学生学习流程及数据体系，剖析了教育数据在学习路径分析、相似度计算、个性化内容推荐、群体模型构建及学习成绩预测等领域的应用，为教育管理以及课堂教学与在线教学的深度融合提供决策支持。

关键词： 教育大数据; 在线测评系统; 学习路径; 个性化推荐

中图分类号：G40-057          文献标识码：A     文章编号：1006-8228（2021）08-93-05

Research on the application of educational data in classroom teaching and online teaching

Song Zhengguo， Diao Xiuli

（College of Computer Science and Engineering， Shandong University of Science and Technology， Qingdao， Shandong 266590， China）

Absrtact： The application of artificial intelligence and big data technology has injected new impetus into education and teaching. Taking the big data of programming online evaluation system as an example， this paper studies the application of educational big data in aiding the classroom teaching and online teaching. Based on the online evaluation system， the students' learning process and data system are analyzed， and the application of educational data in the fields of learning path analysis， similarity calculation， personalized content recommendation， group model construction and learning performance prediction are dissected， which can provides decision-making support for education management and the deep integration of classroom teaching and online teaching.

Key words： educational big data; online evaluation system; learning path; personalized recommendation

0 引言

人工智能和大数据成为当前信息领域研究的热点。教育领域对大量数据的挖掘和运用，并进行学习分析，必将影响着课堂教与学的各个方面，带来教学目的、教学内容、教学方式和教学管理等方面的系统性变革。目前，教育领域中大数据主要是教育教学中产生的学习者行为数据，如课堂教学中的学习行为、面部表情、肢体动作、眼动等，以及在线学习中学生学习路径、学习日志、学习成果数据及课程资源数据与学习管理数据等。通过教学管理系统的学生数据，研究学生的未来行为趋势，如通过在线课程记录，预测学习者能否完成在线课程[1];通过提取学习者在在线教育平台上的数据，识别学习者行为，检测有可能存在辍学风险的学生，及时发现并进行教育[2];通过提取学习者的个人信息，对学习者的成绩进行分析与成绩预测等[3-6]，以改进教学方式。

程序设计在线测评系统作为培养高校学生编程能力的辅助课堂教学的学习平台，教学中广泛使用。平台上产生了大量学生编程练习与测试数据，通过对这些数据挖掘与分析，可以帮助教师了解学生编程能力培养的规律，进而帮助其调整教学策略及方法。

1 教育数据挖掘分析概述

1.1 评测系统特征介绍

程序设计在线评测系统是基于Web、供C语言、C++等多种编程语言类课程教学使用的在线学习平台，其主要功能包括题库管理、程序代码在线提交和实时评判、在线考试、系统监控和管理等。該系统主要为教师和学生两类用户服务，教师基于平台开展诸如布置课程作业、安排上机实验及阶段性测试、编程竞赛等教学活动。学生在教师的指导下基于平台进行自主学习，登录系统查看教师发布的实验、作业及测试等题目，在线提交编程类题目的代码，系统自动评测学生提交的代码，并向用户显示评测结果。

程序设计在线评测在我校得到了广泛的应用，涉及专业包括计算机科学与技术、软件工程、物联网技术等十几个专业。如表1所示，每个学习者提交代码后可以得到一个实时的结果内容包括提交号、学习者登陆名、提交的题目号、提交结果、使用语言和提交时间等。截止目前为止，本系统的注册人数已达12000余人，总提交次数突破230万。数据库中汇聚了各个专业、各个年级的学习者，不仅存储了每位学习者的个人信息、登陆信息、提交信息，还存储了作业信息、题目信息等。这些信息既包括学生的学习结果信息，也记录了学习者详细的学习过程信息。

1.2 评测系统数据体系

程序设计在线评测系统作为高校开展混合式学习的重要学习环境，产生了全方位、多维度的学习大数据，通过对这些海量数据的挖掘分析，把握学生在线编程学习的规律，为改进教学提供数据支撑。在线评测系统中学生学习流程及数据体系如图1所示。

上述数据体系表明，在线评测系统中学生学习全过程、常态化所产生的数据涵盖课后作业、上机实验和阶段测试多个教学环节，形成了诊断性评价、形成性评价和总结性评价的全方位、多维度评测大数据。从整体上看，这些测评大数据描述了学生学习行为和学习过程状况，描述了不同学习阶段的结果情况，为分析和改进教学过程提供了全面的数据基础。基于程序设计在线评测系统中的教育大数据，利用教育数据挖掘和学习分析技术进行建模、分析和处理，有助于教师和研究者深入理解学生学习数据，并基于数据分析做出数据驱动的决策，从而为开展学情分析、把握学生学习行为、优化学习过程提供数据支持，真正实现基于数据的教育。

2 教育大数据应用领域

程序设计在线评测系统数据挖掘分析的关键是获取海量的学生学习行为变化态势数据以及针对这些数据开展挖掘分析。学习过程是一个及其复杂的过程，学生学习水平是身心状况、认知基础、学习方法、学习动机以及其他外部因素的综合作用的结果[7]。

基于在线测评系统中学习过程数据和学习结果数据的收集、整理、挖掘与分析，其主要应用领域和研究问题包括学生用户建模、学习路径分析、相似度计算的应用问题、群体网络构建以及内容推荐问题。从评价的角度看，基于学习分析技术还可以构建学生评价模型、教师评价模型、课程评价模型等模型，进而实现学生学业趋势分析。程序设计在线评测系统数据挖掘分析整体框架如图2所示。

⑴ 学生用户建模

学生用户模型是一种对真实学生特征的抽象表示，它代表学生用户的知识状态、认知学习行为、学习动机与兴趣、学习态度与情感等方面的一系列水平和特征[8]。

通过在线测评系统中学生答题正确率、做题花费时间、请求帮助的数量和性质，以及错误应答的重复率等数据，并结合课程、学习单元和知识点的学习内容组织方式等数据，通过数据挖掘和分析，构建学生知识状态模型，关注学生在学习过程中的知识状态变化。

通过采集学生在测评系统中花费的学习时间、题目测试与作业的学习情况，并结合学生在课堂或学校情境中学习行为变化情况、线上或线下考试成绩等数据，探索学生学习行为与学习结果的相关关系，构建学生学习行为模型。

采集学生在测评系统中花费的学习时间、作业开始与提交的时间，代码相似度等相关数据，以及线下学生基本信息，通过数据挖掘，分析学生学习特征，构建学生的兴趣模型。由于大多数情况下学生基于在线评测系统开展自主学习活动，在线评测系统中记录着作业开始与提交的时间、学生做题的反馈等客观和主观数据，我们通过学生对题目的知识点和做题目的感受，以及题目的难度系数，动态地计算学生情感，建立学生情感模型。

⑵ 学生学习路径分析

学习路径是实现个性化学习、个性化信息服务和导航的主要技术之一。目前，关于学习路径的研究包括学习资源序列和学习活动序列两个方面。学习路径推荐是对学习者学习的活动或学习资源顺序进行推荐的一种策略，主要包括基于特征属性的推荐、基于学习模型的推荐和基于群体路径的推荐等三种学习路径推荐策略[9]。基于学生在线测评系统中积累的海量学习行为数据，使得研究者有机会更加精准地认识每一位学习者。通过对学习者相关数据的挖掘和分析，绘制其学习路径图，基于学习路径既可以发现学生所做题目的顺序，还可以将题目映射到知识点，从而发现知识点序列，再根据做题结果，进而对学生能力评价，关注学习路径对学生能力的影响。

⑶ 相似度计算的应用问题

基于在线测评系统的数据可以进行学生相似度、学习路径相似度、题目相似度以及作业代码相似度等方面的计算，从而有利于群体分组、精准推荐和个性化学习支持服务。

计算学生相似度，根据学生的注册数据以及学生在测评系统中的日志数据，提取能代表学生模型的特征属性，既包括学生的静态特征属性，也包括学生的动态属性，通过相关特征属性的相似度计算，来判定学生的相似情况，从而基于相似学生进行好友推荐、分组、推荐资源。判断学生的相似性使用文本相似度计算方法，包括文本的语法相似度判断、语义相似度判断或者语法语义相结合的相似度判断。

依据在线测评系统中学生的做题路径数据以及登陆提交作业等数据，计算学生的学习路径相似度。关于学习路径相似度计算可以借鉴计算机领域的流程结构相似度计算方法，目前采用最多的方法就是基于各种形式的编辑距离来进行计算，其中主要包括图的编辑距离、树的编辑距离和字符串的编辑距离等。通过学习学习路径的相似度计算，可以获得相似的学习路径，从而进行学生能力评价，相似路径的好友推荐、分组，以及资源推荐。

⑷ 内容推荐

推荐系统一直以来都是人们关注热点问题，其主要目的是为了解决网络上的信息过载问题，帮助用户从大量的信息中自动获取特定需求或符合用戶兴趣偏好的资源和信息。目前存在的、公认的几种典型的推荐策略有：基于知识的推荐、基于内容的推荐、协同过滤推荐、基于网络结构的推荐等。基于在线测评系统实验数据的研究，应关注内容推荐问题，从推荐算法、推荐中考虑的因素和算法应用等方面进行研究。基于在线测评系统的内容推荐主要包括以下几种推荐内容：测试题目推荐;依据学习路径推荐和基于个体和群组的好友推荐。

⑸ 群体网络构建

网络中，相互联系的群体，受各类社会因素的影响，常常表现出相同或相似的兴趣爱好及行为规范。同时，伴随着社会化网络的广泛应用和在线社交网络的盛行，网络系统用户之间的活动行为表现得越来越社区化和网络化，结合学生的交互行为数据的挖掘与分析，研究学生的社交关系，构建基于学生群体数据的具有相同或相似偏好的群体网络模型，探索学生虚拟社区的发现及动态演化规律，有利于学习资源和学习服务的精准推荐，从而达到个性化服务的目的。

⑹ 成绩预测

基于在线测评系统数据以及学生用户模型，构建成绩预测与预警模型，从而对学生的学生成绩进行预测和学习行为进行预警，以及进行预测成绩不佳的原因分析。

3 总结及展望

教育数据挖掘和学习分析通过对教育大数据的获取、存储、管理和分析，构建学习者学习行为相关模型，分析学习者已有学习行为，促进课堂教学与在线教学的深度融合，并对学习者的未来学习趋势进行科学预测。

⑴ 利用人工智能与大数据对学习资源精准推送

大数据时代数字化的学习资源将呈现爆炸式的增长，面对海量的学习资源，学习者如何选择，或者如何向学习者推送合适的学习资源将成为未来面临的主要问题。依据学习者的兴趣、偏好、知识水平和能力水平等静态特征，结合学生学习的过程性信息、忽视人际网络信息和学习路径的动态变化等学习过程情境信息，为学习者推荐精准的个性化的学习资源。

⑵ 构建自适应学习支持服务系统

适应性学习是远程教育发展质的飞跃，飞跃的直接原因是以计算机、远程通信及认知科学相结合的“知识媒体”综合运用。适应性学习是根据学习者的个性化特征选择相适应的学习内容和学习方法。研究满足不同认知水平、认知风格的学习者提供个性化的学习资源、学习路径以及学习伙伴，建立在信息检索和信息过滤技术基础上的个性化自适应学习支持服务系统。

⑶ 人工智能与教育的深度融合

当前，无论是课堂教学还是在线学习都产生大量的学生学习数据，教师可以利用学习数据有效地跟踪学生的学习进度，利用相关的学习数据来优化学习效果;通过学习数据分析发现学生的学习规律，促进课堂教学管理;基于学生学习大数据，研究人工智能和大数据技术与高等教育教学的深度融合机理，改革现有的高等教育模式和教学方法，促进教师教学模式的多样化、学生学习的个性化、教学决策的精准化以及教学管理的科学化。

⑷ 基于多模态数据的学习行为感知与预测

目前很多高校已建成集智能化教学、管理、服务于一体的智慧校园，高校教学环境逐渐走向智能化、智慧化，为更好地实施混合式学习、泛在学习等新型教学模式创造了便利条件。在智慧教育环境下，每个学生的行为数据和学习效果数据等多模态数据被完整地记录保存下来，由于学生个性的不同，学习的参与度、学习表现也不尽相同，导致学生的评价数据往往是立体多维的，为此借助大数据和人工智能技术自动感知和跟踪学生的学习行为，以大数据和人工智能技术为支撑，研究个体和群体学生行为分析挖掘方法，通过对学生行为精准刻画，帮助教师及时了解学生学习行为态势走向和演化，监测学生表现，从而实现个性化学习支持服务，以便帮助学习者提高学习效率、增强学习体验、优化学习效果，帮助教师进行精准教学支持与决策。

参考文献（References）：

[1] Lara J A， Lizcano D， Pazos J， et al. A system for knowledge discovery in e-learning environments within the European Higher Education rea-Application to student data from Open University of Madrid， UDIMA[J]. Computers & Education，2014.72（1）：23-36

[2] Cocea M， Weibelzahl S. Can Log Files Analysis Estimate

Learners` Level of Motivation[C]：Lernen-Wissensentdeckung-Adaptivit?t， Hildesheim， October-2006， Joint Workshop Event of Several Interest Groups of the German Society for Informatics. DBLP，2011：32-35

[3] Natek S， Zwilling M. Student data mining solution-knowledge management system related to higher education institutions[J].Expert Systems with Applications，2014.41（14）：6400-6407

[4] 陳子健，朱晓亮.基于教育数据挖掘的在线学习者学业成绩预测建模研究[J].中国电化教育，2017.12：75-81

[5] 蒋卓轩，张岩，李晓明.基于MOOC数据的学习行为分析与预测[J].计算机研究与发展，2015.52（3）：614-628

[6] García E， Romero C， Ventura S， et al. A collaborative

educational association rule mining tool[J]. Internet & Higher Education，2011.14（2）：77-88

[7] 张燕南.大数据的教育领域应用之研究[D].华东师范大学，2016.

[8] Chrysafiadi，K. & Virvou， M.. Student modeling

approaches： a literature reviewfor the last decade. Expert Systems with Applications，2013.40（11）：4715-4729

[9] 赵呈领，陈智慧，黄志芳.适应性学习路径推荐算法及应用研究[J].中国电化教育，2015.8：85-91

[10] 林木辉.学习者个性化特征表示及相似度计算[J].中国远程教育，2014.2：32-35

[11] 余胜泉.适应性学习——远程教育发展的趋势[J].开放教育研究，2000.3：12-15

[12] 徐鹏飞，郑勤华，陈耀华，陈丽.教育数据挖掘中的学习者建模研究[J].中国远程教育，2018.6：5-11，79

收稿日期：2021-03-15

*基金项目：山东省教育科学“十三五”规划专项课题“人工智能深度推进教育管理和课堂教学改革研究”阶段性成果（2020ZBYB008）

作者简介：宋正国（1977-），男，济宁人，硕士，副教授，主要研究方向：个性化推荐、人工智能与教育。

通讯作者：刁秀丽（1978-），男，硕士，副教授，主要研究方向：智慧教育、个性化信息服务。