基于MOOC平台的学习监督系统设计与研究

许文杰 束红

摘要：基于MOOC平台的在线学习模式，提出了一个较完善学习监督系统。除基本在线学习功能外，结合声纹识别技术，对学习者的语音交流过程进行抽样检测，实现了人性化的学习监督方案。此外，还添加了同伴互评模式，对学习成果进行科学化的认证。

关键词：MOOC;学习监督;声纹识别;同伴互评

中图分类号：TP312      文献标识码：A

文章编号：1009-3044（2019）22-0099-02

开放科学（资源服务）标识码（OSID）：

Design and Research of Learning Supervision System Based on Mooc Platform

XU Wen-jie ，SHU Hong

（Tongling College， Tongling 244000， China）

Abstract： Based on the online learning mode of MOOC platform， a more perfect learning supervision system is proposed. In addition to the basic online learning function， combined with voiceprint recognition technology， the learner's voice communication process is sampled and tested， and a humanized learning supervision scheme is realized. In addition， a peer-to-peer evaluation model was added to scientifically certify learning outcomes.

Key words： MOOC; Learning Supervision; Voice Mark Recognition; Peer Review

1 背景

MOOC 自 2011 年推出后，作為一种信息环境下的新型教育模式席卷全球，迅速成为广大学习者在线学习的方式。然而，随着平台的发展，一些限制性的因素也随之显现：第一，在 MOOC 学习中，学习者经常有顶替、刷课、篡改、作弊等等行为的出现，缺乏人性化的监督方式;第二，学习过程中学生与老师、学生与学生之间的互动难以有效展开。

基于以上提出的两点原因，本文设计了一个基于MOOC在线学习模式[1]的在线学习监督系统，本系统采用的是B/S架构模式的系统，服务器端以Express框架为核心，配合MongoDB数据库以及Python运行环境进行对客户端的在线服务。在此基础平台上实现声纹识别技术验证学习者身份、在线同伴互评等核心功能。其中，声纹识别功能是预先录入语音数据建模，随机抽取部分声音数据进行声纹匹配算法，验证身份;同伴互评功能是学习者在互评界面对每位学习同伴进行客观的五方面打星评价，通过综合分析判定最终每个人的评分，该值直接会影响最后的学习成果认证。

2 设计方案

本系统建立在对已有的各大MOOC学习平台网站系统的提升，具有良好的适用性与广泛性。系统的结构层次图如下：

2.1 功能结构

系统的模块分为服务功能总模块，其下有数据处理模块、通信服务模块、数据加密模块、数据分析模块。服务功能模块负责对整个系统功能运转提供分配任务的职能。数据处理模块主要负责对数据的分类、存储、请求等。通信模块则主要负责维持多个用户在线通信，负责通信数据的广播与单播，接收缓存数据等。数据加密功能主要由数据加密模块负责，加密后交付给数据处理模块保存，加密主要包括聊天记录、语音建模数据、语音在线聊天数据等。数据分析模块是对数据进行分析，与之前建立的模型进行匹配。系统的功能结构图如下：

2.2 前端用户界面设计

系统的前端布局采用Layui进行用户端视图展示。Layui自带的BootStrap自响应式布局是的系统在不同的设备上呈现最好的效果。业务逻辑放在应用服务上，减轻使用设备压力。数据处理和数据服务分开处理，既保证数据服务的稳定提供，又保证数据分析结果的可靠性。还采用Echarts图表显示数据对比，直观的展示出个人数据与平均值的差异程度。

2.3 服务器设计

服务器端使用了基于Nodejs平台[2]的Web应用开发框架—Express。该框架具有快速、开放、极简等优良的特点。交流模块的实现使用了SocketIO技术。开发模式选择了MVC的开发模式，任务分配高效均衡。

2.4 数据库选择

数据库使用了轻量级文档型数据库MongoDB，以文档结构的存储方式，能够更便捷的获取数据，内置GridFS支持大容量的存储，MongoDB的第三方支持丰富，很多开发框架都提供了对MongDB的支持，整体性能优越。

2.5 声纹识别技术

声纹识别是与文本无关的声纹识别[3]。首先分析计算声纹的特征参数MFCC，通过声纹特征算法，建立声纹特征模型，主要用到的核心算法为：伯努利朴素贝叶斯分类算法（BNB）、高斯朴素贝叶斯分类算法（GNB）[4]、决策树之分类决策树算法（DT）。

具体识别流程为：Nodejs服务器利用系统命令调用声纹识别子程序。子程序通过对学前准备时录入的语音提取MFCC特征参数，进行特征算法建立个人特征模型。当发送语音时，随机抽取多段语音进行对比分析，匹配声音数据，进而达到学习监督的效果。

2.6 同伴互评

实现同伴互评机制[5]使在线交流的语音质量得到保证，达到了对一定的监督效果。学习者进行包括沟通能力、答案准确性、独立创新、倾听他人、意义阐述五个方面来对同伴进行评分，并将个人的分数通过Echarts实时展示：

3 总结

系统以“互联网+教育”模式[6]下的MOOC平台为基础，创新的结合了声纹识别技术与同伴互评模式，构建出了完善的学习监督系统。系统在语音交流中进行人性化的监督，是对学习者学习成果的最大保证。

参考文献：

[1] 刘兆惠， 李旭， 王超， 等. 基于MOOC的分层混合式教学模式探究[J]. 大学教育， 2019（6）： 31-33.

[2] 柳志强， 陕粉丽. 基于NodeJS的聊天系统的设计与实现[J]. 电脑知识与技术， 2017， 13（13）： 69-70.

[3] 杨瑞瑞. 基于文本无关的声纹识别算法的研究及实现[D]. 长沙： 电子科技大学， 2017.

[4] 曾谁飞， 张笑燕， 杜晓峰， 等. 改进的朴素贝叶斯增量算法研究[J]. 通信学报， 2016， 37（10）： 81-91.

[5] 汪琼， 欧阳嘉煜， 范逸洲. MOOC同伴作业互评中反思意识与学习成效的关系研究[J]. 电化教育研究， 2019（6）： 1-10.

[6] 黎明. “互联网+教育”背景下网络共享课程研究与思考[J]. 智库时代， 2019（22）： 189-190.

【通联编辑：谢媛媛】