基于数据挖掘学习分析的高校计算机教学实证研究模型分析

孙伯翰

摘  要： 为了提高现代高校校园信息化水平，充分使用学生在校行为数据创建智慧校园、数字校园，设计基于数据挖掘学习分析的计算机教学研究模型。通过网络平台收集某高校学生和教师教学大数据，使数据以深度学习过程意向模型实现分类，使用具备学习分析的定量研究方法实现网络化学习中教师在线备课、在线指导、学生自主学习、学习反馈与师生交互行为实现量化，对行为和深度学习过程中的意向模型进行相关性分析。通过研究表明，此行为存在较大管理难度，但能够为教师今后开发网络教学资源、学生学习评估提供参考。

关键词： 数据挖掘; 计算机教学; 实证研究; 学习分析; 学习评估; 网络教学资源开发

中图分类号： TN98?34                          文献标识码： A                           文章编号： 1004?373X（2019）19?0127?05

Abstract： In order to improve the level of campus informatization in modern colleges and universities， and make full use of students′ behavior data to create intelligent campus and digital campus， a computer teaching research model based on data mining learning analysis is designed. The big data of students and teachers′ teaching of a university is collected by means of the network platform. The data is classified according to the intent model of deep learning process. The quantitative research method with learning analysis is used to realize the quantification of teachers′ online lesson preparation， online guidance， and students′ autonomous learning， learning feedback， as well as teacher?student interaction in online learning. The relevance analysis of behavior and deep learning process intention model is conducted. The research results show that the method can provide a reference for teachers to develop network teaching resources and realize learning assessment of students.

Keywords： data mining; computer teaching; empirical research; learning analysis; learning assessment; network teaching resource development

0  引  言

学习分析指利用学习人员自身数据和学习过程中的数据研究与分析，有效激发学生的学习兴趣，使学生学习效率得到提高，使学习人员学习环境得到改善。目前美国在此领域的研究处于领先地位，早在2004年相关研究人员就使用聚类算法对在线课程用户行为进行了研究，寻找学习行为相近的学习人员。我国在在线学习评价和预测研究方面表现为对在线学习数据进行监控、分析和收集，教育部2016年在教育信息化“十三五”规划过程中提出了创建人人学、处处能学的学习型社会指导思想，并且对于职业教育信息化也提出了一定的要求，大部分高校开始创建了自身数字化教学资源与网络教学平台，教学方式也转变成为网络教学。为了使学生在网络学习过程中充分使用碎片化时间，随时随地进行学习，使网络教学效果得到提高，就要深入分析高职生网络学习行为。数据挖掘技术能够通过大量数据寻找有价值、潜在信息[1]。因此，本研究在教学过程中使用数据挖掘技术实现学习行为分析。

1  学习分析概念和模型

美国高等教育信息化协会定义学习分析为：利用数据与模型对学生收获与行为具备信息处理能力的预测。2011年所创办的首届学习分析和知识国际会议表示学习分析为：相关学生和学习情景数据的测量、分析和收集，从而全面掌握优化学习与学习情境。

学习分析模型从底到上分别为数据层、机制层和结果层。数据层的主要作用是实现对学生产生和发布数据的收集，从而构成行为特征库。机制层的主要目的是实现行为特征库中因素關联和内涵的分析，并且提供预测与机制反馈。结果层能够使分析结果呈现给学生、家长、教师与教学管理人员，三个层级持续地循环迭代[2]。

图1为学习分析过程模型。

2  学生投入模型分析

大学影响力模型以输入?过程?输出作为建构方式，对大学生在校过程中的学习与发展情况进行刻画。相关研究人员所设计的发展评估模型重视学生个人层次与院校层次对于学生经历、投入与知识技能发展的影响，以此为学生行为分析提供良好的理论基础与概念框架。学生投入模型框架如图2所示。

3  教学实证研究模型

教学实证研究模型的功能模块主要包括学生画像、行为监测、动态监测。学生画像模块从学生生活、学习的行为和心理动态方面对学生画像进行刻画。动态监测模块主要包括学生成长轨迹和一卡通消费监测两个子模块[3]，教学实证分析系统的功能模块如图3所示。

3.1  数据的获得和处理

本文选择某高校计算机教学平台，此网络平台被广泛应用到各高校中，教师能够利用平台实现教学资源发布，并且发布知识结构，实现各种教学活动的创建，如作业、测试、答疑讨论、知识库创建与问卷等。课下学生能够学习平台中的知识，并且提交作业，学生之间也能够进行课堂讨论，巩固课堂中的教学内容，使学生学习效率与学习效果得到提高。通过平台得到班级、学号、姓名、年级等指标，在分析过程中表示对于结果并没有影响，并且最终加入到学习成绩指标中，最终保留八种指标。

1） 登录课程次数。学生登录到网络学习平台中学习课程的次数。

2） 发帖次数。发表话题的次数，讨论区的回文次数和课程讨论区被回文的次数。

3） 学习笔记。在课堂学习中，学生记录的学习内容，并且通过平台存储的次数。

4） 阅读课堂教材的次数。学生进入到课程阅读教学内容的数量。

5） 阅读试题库次数。学生对课程试题库阅读的次数。

6） 提交作业。课程作业完成之后且成功提交作业的次数。

7） 学习成绩。学生的最终考试成绩。

8） 在线时长。学生在网络学习平台中实现课程学习的总时长。

统一录入学生基本信息到平台中，使一卡通数据与大学生成长发展数字化平台数据相互融合，研究学生的心理活动，提前了解学生是否社交困难，对学生图书馆通道数据、借阅数据、学习成绩的关系进行挖掘，分析学生学习活动。根据学生回访信息、在校信息和档案信息，利用时间维度与成长维度实现分析[4]，得到学生的成长轨迹如图4所示。

3.2  学生行为监测模块

动态监测模块主要包括学习行为、生活行为与心理动态，图5为学生在线信息闭环，划分具备相同生活特征的群体，对此群体特征实现管理与改善。

1） 早上不吃饭人群能够以出门刷卡时间分析表示，起床比较晚导致不吃饭或者因为个人原因不吃早饭，假如是因为起床比较晚不吃早饭，能够以此部分人群早起的时间对食堂早饭开放时间进行更改。

2） 对节假日前往图书馆学习人群进行划分，分析基数大小，实现图书馆开放时间的更改。

3） 根据夜间归宿人群利用门禁卡中显示的时间，对校门开闭进行调整。

对学生在线闭环中的某环节实现专题分析，如消费金额、作息时间、自习时间等，使学校管理能力和资源使用率得到提高。

1） 以学生一卡通消费数据对贫困生在校消费情况进行监控，使学生处对学生信息精准性进行核实。

2） 对比学生作息时间和考试系统成绩，得到结论之后提交给教师及辅导员进行分析，从而使学生在线教学质量得到提高。

3） 以学生澡堂洗澡时间、自习时间作为基础实现统计分析，对学校自习室与澡堂开放时间进行调整，以此实现学校水电资源的有效节约，使学校资源使用率得到提高[5]。

实现异常数据的动态监控，使管理得到加强。

1） 某课程学生的成绩比较低，通过生活习惯方面得到此课程选修学生数据特征，对问题原因进行总结，从而使学生学習效率得到提高。

2） 少数民族学生在学校的消费数据并不高，对食堂管理人员提供数据，实现饭菜口味的改善。

图6为学生行为测点图。

层次算法主要包括学习行为、心理动态和生活行为三部分，针对不同主题库内容，将学生信息作为输入端，成绩信息作为输出端，利用层析成像法梳理测点关联关系。

3.3  学生行为预警模块

系统实现学生行为数据的线性回归分析，对学生行为通过脱离正常轨迹的量变到质变实现预警，在学生出现异常行为之前进行防范。

异常学生行为是教育过程中的重点和难点，本文主要通过数据挖掘实现学生行为数据异常预警，并且和辅导员教工系统接口对接，使学生异常的情况及时反馈至辅导员，保证学生在校行为安全[6]。图7为学生行为预警模块。

3.4  学生画像模块

以学生在校生活行为、心理行为与学习行为实现学生画像的刻画，利用学生画像选择典型行为案例。例如，选择毕业生中成绩和就业良好的学生，寻找大学期间的学习、生活规律，实现“优秀学生画像”的刻画，将其作为模板宣传，提高学生的整体成绩。

通过表2可以看出，阅读课程教学材料数量为6～14之间有80%以上的概率正常完成作业;经常发表学习日志对于进入课程次数影响为84.8%。表示假如教师在实现网络授课过程中，有目的地多布置作业，并且使学生发表自身学习经验，对学习进行总结，能够使学生进入到在线课程频率和课程教学材料的次数进行学习，使学生能够具备在线自主学习习惯，使学生学习效率与成果得到提高[8]。图10为学生行为监测功能。

5  结  语

通过数据挖掘方法对高校学习分析进行研究，能够实现学习数据潜在内涵的挖掘，从而使没有意义的数据转变成为具备价值的教学信息，使学习过程得到优化，以此提高教学效果。利用教学过程中的数据对学生在学习过程中的危机进行预测，及时发送预警信号，并且提供针对性、干预性对策，提高学习动机，实现学习毅力的培养，使学习质量得到提高。将数据挖掘作为基础的学习分析，通过大数据收集、分析和清洗的方法，研究数据分析中学生学习偏好、态度，预测学习过程中的问题。基于此数据，实现课程精准教学支持，实现学习任务及教学决策的优化。

参考文献

[1] 隋永博，曹旭.基于数据挖掘的学习分析在教学中的应用初探：以高校计算机课程为例[J].长春中医药大学学报，2018，34（5）：988?991.

SUI Yongbo， CAO Xu. Application of learning analysis based on data mining in teaching—taking college computer courses as an example [J]. Journal of Changchun University of Chinese Medicine， 2018， 34（5）： 988?991.

[2] 陈平，王利钢.基于数据挖掘联合模型的高职学生网络学习行为分析[J].牡丹江大学学报，2018，27（5）：124?127.

CHEN Ping， WANG Ligang. Analysis of higher vocational college students′ network learning behavior based on data mining joint model [J]. Journal of Mudanjiang University， 2018， 27 （5）： 124?127.

[3] 颜磊，祁冰.基于学习分析的大学生深度学习数据挖掘与分析[J].现代教育技术，2017，27（12）：18?24.

YAN Lei， QI Bing. Data mining and analysis of university students′ deep learning based on learning analysis [J]. Modern education technology， 2017， 27（12）： 18?24.

[4] 刘哲，赵志刚.数据挖掘技术在大学生就业分析中的实证研究[J].沈阳师范大学学报（自然科学版），2016，34（1）：105?108.

LIU Zhe， ZHAO Zhigang. Analysis and calculation of high school graduate student based on data mining [J]. Journal of Shenyang Normal University （Natural science edition）， 2016， 34（1）： 105?108.

[5] 颜磊，祁冰.基于Android平台的移动学习系统大数据挖掘技术研究[J].现代电子技术，2017，40（19）：142?144.

YAN Lei， QI Bing. Research on big data mining technology of mobile learning system based on Android platform [J]. Modern electronics technique， 2017， 40（19）： 142?144.

[6] 刘秀菊.基于数据挖掘的大学生网络学习群体行为分析与建模[J].信息与电脑（理论版），2018（11）：157?159.

LIU Xiuju. Analysis and modeling of university students′ online learning group behavior based on data mining [J]. China computer & communication（Theoretical edition）， 2018（11）： 157?159.

[7] 舒忠梅，徐晓东，屈琼斐.基于数据挖掘的学生投入模型与学习分析[J].远程教育杂志，2015，15（1）：39?47.

SHU Zhongmei， XU Xiaodong， QU Qiongfei. Student engagement modeling and learning analytics based on data mining [J]. Journal of distance education， 2015， 15（1）： 39?47.

[8] 钟若武，王惠平.基于数据挖掘的高校云计算管理系统中特定数据查询技术[J].现代电子技术，2018，41（2）：130?132.

ZHONG Ruowu， WANG Huiping. Data mining based specific data query technology for cloud computing management system in university [J]. Modern electronics technique， 2018， 41（2）： 130?132.