数据驱动的本科计算机在线学习智能模式研究

王可 罗孟华

摘要：随着教育方式和学习方法的变革，在线学习已经成了一种广泛应用的学习模式。搭建学习平台的技术和题库资源日趋成熟，但对于学习效果的理解和分析却相对落后与陈旧。随着数据科学的发展和人工智能技术的进步，将大众类在线学习平台转变为因材施教的个性化学习平台是在线学习发展的必然趋势。针对学习效果分析和个性化学习，以本科计算机课程为例，提出了一种数据驱动的在线学习智能模式。该模式可以针对本科学生的学习需求和特点，生成对应的个性化学习方案和测评方案，以提高学习效率，达到更好的学习效果。

关键词：数据驱动;大学计算机课程;在线学习;智能模式;计算机教育

中图分类号：TP18 文献标识码：A

文章编号：1009-3044（2020）01-0194-02

1概述

随着社会信息化和数字化进程的发展，数据驱动的分析在一些国家已经成为教育改革的重要力量。美国政府最早在教育领域推进大数据应用。英国政府发布了《2020愿景：2020年教与学评议组报告》，探讨的问题之一是“评估与责任制体系如何利用数据为学生的个性化学习提供支持”。学校不再是学生的唯一信息源，在线学习不受时间和空间的约束限制，并且可以实现互动。

国外的教育信息化进程相对较快，其引领性的在线学习平台的建设和研究，对国内在线教育的发展有很重要的影响。以最有影响的四个在线学习平台为例：Coursera课程领域众多并且含有多国字幕，所有课程都有视频简介，超过一半的课程提供签名认证。Udacity的课程经过精心的设计，不拘泥于教科书形式的教学，高度互动，学生可以根据自己的节奏上课。edX是课程涵盖众多领域，结合线上和线下模式，更贴近真实的大学课程，一些课程含有多国语言字幕。Khan Academy从最基础的内容开始，由浅入深，循序渐进，相互衔接。但从实际应用的角度出发，由于本科生教育体制和培养方法不同，经济环境的不同和研究取向不同，国外相应成果很难直接照搬到我国的本科生在线学习智能模式当中，其研究成果和方法具备一定的局限性。

国内针对数据驱动的大学生在线学习智能模式的研究还处于起步阶段。主要研究集中在以下三个方面：一是学习管理平台设计和开发技术的研究，如文献[9]通过具体案例分析大数据和学习分析在当前高校混合学习环境中的应用效果。二是在线课程的评价与思考研究，如文献[10]构建了包括学生行为、教师行为和师生交互等三个一级指标的评价体系。三是关于在线学习教学模式和学习模型的研究，如文献[11]讨论分析了自适应模型的构建要素，对大学生在线学习模式研究也可以有一定的帮助。目前，这些已有的研究多从单个案例或技术实现角度出发，研究范围相对窄狭，研究尚且不够深入，缺乏针对性、系统性。

2数据驱动的本科计算机在线学习智能模式

随着在线学习系统的发展和数学科学的影响，越来越多的操作数据被记录下来。但这些被记录下来的数据，并没有发挥其应有的效用。究其原因，主要是两个方面：一是对于数据科学的使用存在盲目性，空泛地使用大而全的方式保存数据，又缺乏进一步分析理解，进而导致系统和资源消耗庞大，却又没有理想的效果。二是系统设计思想陈旧，系统基本环节和流程没有实质性改变，单纯希望从数据分析中取得新突破，这样的方式存在数据模型的瓶颈，能在小范围的做出调整，但影响较小。本模型提出的智能模式，主要解决上述两个问题，针对性的把握好学习者的需求，进而从系统设计本身的改变出发，完成智能模式的设计，突破现有的局限。

2.1本科计算机课程教学和学习需求分析

对本科生的计算机课程而言，主要分为两种类型，即面向计算机专业学生的课程和面向非计算机专业学生的课程。这两种类型课程体系在线学习模式设定的区别，主要取决于不同学习者的需求和特点。对于本科生学习者而言，学习需求主要来自学业需求和就业需求。

2.1.1非计算机专业学生

计算机作为当今时代必不可少的重要工具，已经广泛深入各行各业。对于非计算机专业的学生，学业需求主要来自计算机公共课和计算机过级考试，而就业需求主要来自计算机基本操作、办公软件的学习、行业特定应有软件的学习和通用编程能力的培养等。这类学习需求相对简单，主要是完成知識点和特定操作技能的培养，传统在线学习系统模式可以胜任，仅完善智能模型的题库资源设计即可。

2.1.2计算机专业学生

对于计算机专业的学生而言，仅仅掌握计算机课程的对应知识点和操作技能还不够，还需要学生能够把握整个课程的体系脉络、了解行业的细化分支，并能够选择自己研究的发展方向。因此，针对计算机专业的本科生，需要在在线学习系统中设计除书本课程之外的专业内容，并且能够随着学生学习状态的变化和年级的不同，针对学生个人特点给出其适合的学习领域和研究方向的建议。

2.2数据驱动的在线学习智能模型

根据上述学习者需求和计算机课程的特点，智能模型的设计主要体现在题库模式的设计、学习情感的设计和后期数据分析挖掘的设计三个方面。

2.2.1智能模型中的题库模块设计

现有在线学习题库资源设计，多以答案正确与否来判定学生的学习状态，能从个别知识点的角度判别学生对知识的把握，但这并不能满足智能模型的需求。智能模型的题库模块设计，除了上述需求之外，必须加入详细的知识体系结构，精确到每一个题目涉及的多个知识点，以备进一步数据分析使用，如图1所示。

2.2.2智能模型中针对本科生学习情感的模块设计

对于本科生而言，有着较高的学习能力和注意力集中度，现有系统多关注之点的讲授，学习情感往往是在线学习系统最容易忽略的地方。学习情感对于学习者而言是至关重要的主管学习因素，对学习效率和效果的影响至关重要。本模型通过答题时间，正确率和问卷调查结果分析来判别学习者的学习情感。

本科生虽然是成年人，但尚未成熟稳定，其学习状态有着诸多的影响因素。如答题时间较短，错误率较高，可以反映出学习者焦躁的学习状态，学习者对于该知识点的学习情感为负面。反言之，如短时间内正确率较高，则说明此部分知识点已经熟练掌握，学习者对于该知识点的学习情感为正面。再加上对学习者学习结束后的问卷调查，通过自然语言处理技术提取学习者对于本次学习涉及知识点的感情色彩，一并计入个人单次学习记录。

再通过多个个人单次学习记录的交叉汇总，得到个人知识点学习情感图谱。经过一段时间的积累，按课程汇总所有学习者的学习情感图谱，得到该课程所有知识点学习情感图谱，如图2所示，进而可以分析课程安排和知识点教授的难度和教学问题所在。

2.2.3智能模型中数据分析和挖掘的模块设计

本智能模型的数据分析和挖掘模块分为两个方面：学习者学习方面和在线学习系统教学智能调整方面。对于学习者而言，从知识点难度和学习情感的角度进行分析。如果从个人学习记录来看，是某个知识点或者一个大类知识点出现学习问题，则提升该类知识点随机出题的概率，并在学习模块推荐该类知识点的课程讲解。如果调整知识点的方式没有明显的学习效果提升，则进一步分析个人知识点学习情感图谱，以Aprior算法分析其前期基础课程对应知识点的關联程度，建立并推荐新的学习计划，再用经过课程知识点学习情感图谱训练的LSTM模型预测其新学习计划的学习情感时间序列。如果新计划预测结果和实际学习情况吻合，则说明学习计划调整成功;如新计划预测结果和实际学习情况偏差较大，则重新调整新计划涉及的知识点，如图3所示。

在线学习系统教学智能调整方面，课程知识点学习情感图谱是重点分析内容。对于存在较高比例负面情感的知识点而言，调整教学模式、拆解知识难点和更新在线题库的设计是最有效的方法。对于存在较高比例正面情感的知识点而言，可以用聚类的方法分析其教学模式，推演其讲解方法，并推广其题库设计结构，并在实际应用中不断智能调整更新，以适应新一代学习者的不同要求。

3结论

本研究所提出的数据驱动的本科生计算机在线学习智能模式，针对本科生对计算机课程的学习需求，重新设计了题库模块、学习情感模块和数据分析挖掘模块，能够根据学生不同的情况，进行个性化智能更新，有针对性地提高学习者的学习效果。