应荣斌 涂现峰 陈梦露 张寅昊

摘要：本文主要讨论在教育大数据的背景下，如何利用数据进行教学管理的问题。随着线上教学和互联网混合式教学的不断发展，教学数据不断积累，利用好教学数据服务于学生、服务于教学是值得探索和实践的，本文对学生线上学习行为数据进行挖掘，发现影响学生最终成绩的判别指标，建立线上教学数据的预警机制，为教师及时干预学生线下学习提供依据。

关键字：大数据;学习行为数据;教学管理;预警机制;

一、引言

随着互联网技术、数据收集技术、数据存储技术的快速发展，使得各行各业的数据量爆发式增长，同时分析方法的逐步完善也使挖掘数据背后的价值称为可能，大数据对社会各个领域产生深刻影响，大数据的相关研究和应用也称为世界各国科学技术发展的重要衡量指标。疫情期间将网络教育推到了最高点，这是在中国教育发展的一次契机，也是教育史上浓墨重彩的一笔。国外教育依托于大数据的学习行为分析已日趋成熟，但中国线上教育和教育平台上的数据如何运用仍需探索，随着教育资源的不断开发分享以及越来越多的平台支持，通过学习行为的数据分析更好的提升学习者的体验，提升教师在教学过程中与学生之间对接能力仍需挖掘。本文通过对教学平台学生學习行为产生的多维度数据处理分析，以期达到增强学生线下学习的把控性，及时干预学生线下学习情况，提高教学管理的精准性的目的。

二、数据分析在高校教育中的可行性

在高校传统的教学模式下，教师和学生接触时间和机会不多，教师了解学生的平常学习情况的渠道也有限，这样就导致教师对大多数学生课下学习情况掌握度基本为零。即使教师通过最后学生的成绩以及错误地方能够判断出学生的共性问题，但老师仍无法了解到学生的个性问题。随着程序语言的普及以及数据挖掘技术、数据分类技术的不断发展，教师可以通过学生的日常行为运用这些技术来记录学生的学习情况，通过数据挖掘来判断学生的问题，可以在第一时间知道自己的教学质量和教学情况，所以在大数据时代，高校教育依托于大数据来进行教学管理的变革与创新迫在眉睫。

（一）学习教育平台的崛起

首先大数据分析要依托于学习平台，随着网络资源不断的开放，各大学习平台已有数据沉淀，如“中国大学MOOC”、“超星”等平台观看教学视频的记录数据。教育平台的不断完善能让学生更容易的找到自己需要的课程以及来弥补线下课程中的不足，在线教育也成为一种主流模式，不少高校采取线上线下双线程教育模式（OMO模式）成为现在发展的方向。

（二）智能产品的高校普及率

在中国大学智能产品的普及率是100%，有些学生不止有智能手机更有ipad，电脑都电子化产品可以使用，这证明高校的学生是一定有机会以及一定有能力进行线上教学的，所以在线上教育的模式是可行的。

三、数据分析在高校教育模式中的国内外探索

（一）国内研究状况

在我国，教育是一项大事业，另有根据十九大研究报告提出的，建设教育强国是中华民族伟大复兴的基础工程，同时国家教育事业发展“十三五”规划，指出利用大数据、云计算等信息技术，推动“互联网+教育”的发展，促进优质教育资源共建共享。基于推动教育现代化，国内教育、科研工作者在不断研究和探索[1]，互联网混合式教育方法不断呈现以及实践[2]、MOOC数量和质量的不断提升、部分高校利用学情分析、分层辅导推行“1+N”教学课堂等，都是对教育大数据的尝试。国内关于教育大数据精准化、个性化的应用主要集中在K12阶段，在高校应用方面仍需探索。在我国，高校教育模式中还存在不少落后的地方，需要不断的追进与世界的距离，取得较为成功的结果。

（二）世界范围内研究状况

近些年来，随着人类社会进入大数据时代，大数据在各个领域影响着人类，教育大数据是大数据的子集。教育大数据在美国各高校也得到实际的应用，比如美国普渡大学为应对校内日益下降的新生保有率的课程信号项目，此项目是能够帮助学生取得学习成功的系统，授课教师基于预测模型为学生在课程学习阶段提供有意义的学习反馈;[3]再比如Knewton自学习适应平台，将内容供应商（如剑桥）所提供的优质内容与其独特的技术和个性化服务对接，进而提升学习者的学习体验，支持建构新型学习方式，自适应学习;[4]再比如希维塔斯跨校学习数据库，通过对海量数据的分析查找导致辍学和学习成绩表现不良的警告性信号，[5]很多心理学家提出多元智能理论强调，每个人都是独特的，学校和教师的任务就是寻找出符合学生特点的教育模式。现如今的教育大数据可以很好的完成这项任务，通过数据筛选，帮助高校学生进行选课，充分挖掘学生潜力，培养更多专业化且个性化的学生。

四、线上学习行为数据应用数据分析实际案例

大学生在校学习和生活过程中会产生大量显性和隐形数据，这些教育大数据经整合分析可产生较大的价值，比如信息管理系统涵盖学生基本信息、学习成绩、大赛成果、奖助贷以及处分记录等;一卡通系统可记录学生生活信息，如何时就餐，何时出勤归寝，何时上网以及上网时长等;图书馆系统可记录学生去图书馆次数、借阅书籍、借阅时长等信息等，这些都属于课外数据。在线上教学和线上线下融合教学理念大力倡导下以及各大学习平台，如雨课堂、微助教、学习通等发展和完善下，使得在学生在课程学习中的PPT、视频、试题、作业、考试、讨论题等产生的考勤记录、课件观看时长、视频回放观看时长、课堂习题参与以及正确度、课堂讨论参与以及次数、作业提交时间、作业完成次数、作业评分等学习数据得以沉淀，这类课内数据的分析可以很好的建立成绩预警，精准及时干预学生的课程学习，纠正学生课程学习不良态度，提高课程学习效果。

（一）高校教育新模式管理模型

根据平常使用的线上教学平台、网课学习平台，再加上学校所有的教学管理平台和教务管理系统共同构成后端数据支撑，这是所有数据的来源以及分析所用到的，再将数据导入到事先所设计的因式之中，分析出数据结果，再将结果反馈到前端页面中，如图1。

（二）线上授课问题点

学生线下学习不易把控，特别是线上授课，容易出现如下问题：①资源空置，教师上传的课件、电子教材、教学视频、练习题等资源利用率不高;②测验检测真实性下降，靠教师主观甄别难度大，测验、作业等互发答案;③直播出勤易造假，无法确保学生线上学习是否真实参与，这为基于教学数据的预警机制探究提供了应用前提。

（三）核心内容和数据管理行为

本研究主要对课内数据进行分析，借助教师在微助教平台线上授课线性代数所产生的数据：学生的签到情况、课堂参与讨论、回答问题、课后作业评分、课后作业提交时间、课后录像观看时长等，以及学生的最终卷面成绩，通过分析向老师反馈该注意哪些学生，帮助任课老师改善教学管理以及学习教程和进度，保证学生清晰认识到自己学习程度，基本研究路径为线上教学多维基础数据集获取→数据标准化处理→确定变量→选用分析方法→结论分析应用，即研究的基本思路是根据学生多维度学习行为数据，对学生学习效果进行合理分类，选用合适的分析方法，建立各类学生的判别指标，建立线上教学数据的预警机制，识别学习态度不端正易出现挂科的学生，及时进行干预，增强对学生线下学习的把控性。

借助教师的线上授课微助教平台账号，获取作业提交时间、作业得分、签到、观看直播时长、观看回放、参与讨论、参与课堂答题以及最终期末考试卷面成绩基础数据集，原始数据比较杂乱，不便于直接分析，故需要对原始数据进行处理，变量说明以及数据的标准化处理如表1所示。

判断xi对y值的影响，调用R语言，得出y=1.33x1-0.33x2+0.66x4+1.62x5-0.09x6+0.46x7-0.81，其中x1与x5在p=0.05下有显著意义，由结果可以分析，学生在布置完线上作业，越早提交，对应的卷面成绩越高;学生在线上授课结束后，主动观看回放，对应的卷面成绩越高;其中线下作业成绩高、课堂讨论参与度高并不一定对应卷面成绩高;签到对最终成绩的高低没有影响。也就是说，对于线上授课，容易挂科的同学会有平时作业成绩较好、作业截止时间将近提交、观看直播、不观看回放、课堂讨论参与、课堂答题参与度不高的特征，数据表明，需特别注意作业截止前提交或迟交、与未主动观看回放交集的学生，此类学生挂科概率较高，线上授课的教师可提前干预此类学生，做好疏导工作。

通过此操作可以基本模拟大数据下高校教育的一种新的模式。首先运用数据加工以及大数据相关理论和技术在对应模块进行应用操作，然后我们通过基础的数据分析归纳，在此之前，因为数据是大数据的核心，数据的兼容性是我们需要面对的，所以在操作前要统一好数据的形式。

四、结语

本研究是在大数据背景下，对课内数据进行挖掘的尝试，利用教师在线上教学所沉淀的学生学习行为数据，结合大数据分析方法，对多维复杂数据进行分析，以分析结果为依托，识别学生分类的关键指标，以期为教师提供一定正确度的学生挂科预警，在实践过程中，数据标准化的方法是否恰当、选择的变量是否完备以及分析的方法是否科学仍需进一步验证。毋庸置疑的是在数据更容易积累和获取的前提下，利用好数据会产生更大的价值。

参考文献

[1]刘清堂，王洋，雷诗捷，张思.教育大数据视角下的学习分析应用研究与思考[J].远程教育杂志，2017，35（03）：71-77.

[2]吴志红，刘学平.面向线上线下混合实验教学模式的研究与实践[J].辽宁大学学报（自然科学版），2020，47（03）：284-288.

[3]刘艳华，徐鹏.大数据教育应用研究综述及其典型案例解析——以美国普渡大学课程信號项目为例[J].软件导刊（教育技术），2014，13（12）：47-51.

[4]李玲静，汪存友.Knewton：学习分析支持下的自适应学习平台[J].成人教育，2019，39（07）：29-34.

[5]徐鹏，王以宁，刘艳华，张海.大数据视角分析学习变革——美国《通过教育数据挖掘和学习分析促进教与学》报告解读及启示[J].远程教育杂志，2013，31（06）：11-17.

作者简介：

应荣斌，2001.02.18，男，汉，浙江台州人，嘉兴南湖学院，本科在读，

涂现峰，1993.1.5，男，汉，河南信阳人，嘉兴南湖学院，硕士，助教;研究方向：随机微分方程。

陈梦露，2001.8.18，女，汉，浙江温州人，嘉兴南湖学院，本科在读

张寅昊，1986.5.27，男，汉，浙江嘉兴人，嘉兴南湖学院，硕士，工程师;研究方向：计算机应用。

本文是嘉兴南湖学院2020年度SRT计划项目教育大数据—基于判别分析教学数据预警机制探究（NH8517203112）的研究成果