基于智慧教育平台大数据的学生学习行为分析

徐岸峰 杨仲基 王波

摘  要：高校学生学习行为分析是智慧教育平台大数据重要的组成部分，通过数据分析可以实现课程的再造，用大数据的思想和理念重新构建新时期的课程内容和教学模式，从教学内容、教学方法、教师教学思想等多方面进行优化与重组，有效提升学生的学习能力与学习兴趣。文章结合智慧教育平台模式下，如何构建学生学习行为分析模型入手，统计和分析高校学生学习行为和习惯，根据智慧教育平台混合教育的模式，提出智慧教育平台大数据应根据学生学习行为分析调整与优化教学策略，激发学生学习的活力和动力的主张，并提出具体的对策与建议。

关键词：智慧教育平台;学生学习行为;数据分析

中图分类号：G640        文献标志码：A         文章编号：2096-000X（2020）22-0016-04

Abstract： The analysis of learning behavior of college students is an important part of big data， which can realize the reconstruction of curriculum through data analysis， reconstruct the curriculum content and teaching mode with big data's ideas and ideas， optimize and reorganize the teaching content， teaching method and teachers' teaching thought from many aspects， so as to effectively improve students' learning ability and interest. Based on the model of wisdom education platform， this paper starts with how to construct the analysis model of students' learning behavior， statistics and analyzes the learning behavior and habits of college students， and puts forward that big data， the platform of wisdom education， should be rooted according to the mixed education mode of wisdom education platform. According to the analysis of students' learning behavior to adjust and optimize teaching strategies， stimulate students' learning vitality and motivation， and put forward specific countermeasures and suggestions.

Keywords： intelligence education platform; students' learning behavior; data analysis

一、学生学习行为分析模型构建

学生学习行为分析的统计和数据处理必须要构建起统一的模型，通过数据模型来建立完善的学生学习行为与内容，根据学生的学习特征和智能教育平台的发展实际来看，构建学生学习行为分析模型主要为数据收集、数据预处理、模型训练以及模型评价。

（一）数据收集

基于智慧教育平台大数据的学生学习行为分析首先是数据的收集和整理。目前，高校大部分已经建立了完善的校园网络和数字校园，这些教育平台会自动记录学生的学习规律，登录时间、浏览方向、浏览时长、阅读次数等内容，在分析学生学习行为时可以直接调取相关的数据。一般来说，智慧教育平台大数据在搜集学生学习行为方面都会统一备份到数据库中，会实现自动搜集和整理，只需要输入特定的关键词就可以对数据进行自由调取。

（二）数据预处理

基于智慧教育平台大数据的学生学习行为分析在数据收集的基础上应对数据进行预处理。智慧教育平台数据中学生的学习行为数据是比较复杂的，而且缺少统一性，大部分都是根据数据自主搜集而来没有进行数据处理。因此数据预处理就是对大数据平台的数据进行提取与筛选，对数据进行根据以往的经验和学生学习行为的基本分析进行信息的初步筛选，对庞大的后台日志数据进行筛选后，利用多元回归分析方法，确定了与评价学生学习效果是呈显著正相关的指标：视频观看次数、学习总时长、讨论区发帖数、讨论区回帖数、阅读资料次数。

（三）模型训练

高校学生的学习心理、学习状况、学习行为等受到的影响因素比较多，不同影响因素的影响效果、影响范围、群体影响的情况是比较多的。因此智慧教育平台数据通过初步的筛选以后应根据不同的模型进行构建，在构建过程中综合多种算法进行统一实行与计算，在计算过程分析和对比多种模型的优势，了解不同算法带来的实际效果和影响，根据不同的条件、因素进行分别构建，如机器学习分为监督学习、无监督学习、迁移学习与强化学习等，监督学习包括支持矢量机、人工神經网络、逻辑回归、决策树、K近邻、随机森林、朴素贝叶斯、线性回归等算法;无监督学习包括K-Means 聚类、DBSCAN 聚类、主成分分析等[1]。

（四）模型评价

智慧教育平台大数据模型构建完成以后，应对不同的模型对学生学习效果进行综合的评价与分析，在分析的过程中了解学生学习行为情况并对不同的模型进行综合评价。评价主要是分析不同数据模型的优势和劣势，了解不同学习者特征和行为分析的主要模块和流程。学习行为评价是在线学习过程中的一个重要过程，大数据技术为实现在线学习评价提供了可能。所得出的评价结果可以有效地帮助教师清晰了解到不同教学阶段学生的学习情况，及时改变教学策略，对学生进行指导。

二、混合学习模式分析

目前常见的方式为“微课、慕课和翻转课堂”三种模式，是混合学习模式的主要内容，具体来说是以下几方面：

微课普遍具有以下属性：以简短的视频为主要载体，围绕一个或几个重要的知识点，教学活动完整，支持网络在线学习。其特点是：讲授时间短、时间碎片化;内容少、主题突出、知识碎片化;以微视频为核心，资源构成多样。

慕课，即大规模在线开放式课程（Massive Open Online Courses，简称MOOCs），起源于2001 年MIT 发起的“开放教育资源”运动的大规模网络开放课程。其特点是：开放性和共享性;大规模性;学习过程的互动性和社交化。

“翻转课堂”就是在信息化环境中，课程教师提供以教学视频为主要形式的学习资源，学生在课前完成对教学视频等学习资源的观看和学习，师生在课堂上一起完成作业答疑、协作探究和互动交流等活动的一种新型的教学模式。其特点是：对传统教学流程的颠覆;新型师生关系;教学视频是核心教学资源。

三、学生学习行为流程分析

智慧教育平台是信息技术与学科教育融合的产物，在学生学习和教育方面采用了混合教学模式，充分应用了信息化的教学手段，包括微课、慕课、交互白板等教学模式，同时也对教育教学进行了全流程的控制，包括课前、课堂和课后，从以学生为主到翻转课堂进行了具体的时间活动，因此综合学生学习行为分析，可以从学生课前、课中和课后三方面对学生智慧教育平台的渗透、应用与发展进行数据分析，如圖1。

（一）课前学习分析

从学生学习行为分析来看，微课、慕课等课前以任务表单的方式提供给学生，让学生在课前进行微课或慕课的学习，二者都是围绕视频为核心资源点，学生可通过网络视频学习，具有学习灵活性和自主性，利用监控系统和数据统计及分析技术，教师可以对学生的学习行为和状况进行追踪，及时了解学生的学习情况，教师能够定位“落后”学生，及时给予支持和辅助。慕课课程的学习人数少则几千人，多则几十、几百万人。而微课视频大多数属于校内资源，教师往往针对校内选课学生的特点和专业特性来制作微课。所以微课不具备真正意义上的开放性，参与人数受限。此外，慕课提供的课程丰富，学科全面，教学资源更优质。

从智慧教育平台的角度来看，高校学生在选择视频资料学习过程中，更青睐于微课模式，主要在于微课模式符合学生碎片化的学习实践，从数据统计可以看出学生在微课学习方面的时间并不固定，学科微视频的资料通常是以多个关键词为单位形成的视频资料，每个视频资料都对应了一个关键词，学生在学习过程中很少会立刻学完，而是呈现早中晚分布的特征，其中早上与晚上是微课学习的高峰期，中午和其他时间学习比较少，这也说明了高校学生的预习学习行为主要受到时间因素的影响，白天的时间主要是被其他学习因素、生活因素所干扰;从慕课学习情况来看，慕课学习通常是以视频公开课的方式存在，大部分是教师为了学生的拓展而开展的，在知识的结构和内容整理方面偏重于知识的普及，适合学生在课前进行预习或对内容产生初步的认识，因此慕课的知识内容比较肤浅，一般慕课的时间并不固定从学生学习行为来看，如果没有布置作业的情况下大部分学生对慕课多是以一遍为主，也就是观看视频，但如果布置了预习作业，学生在学习过程中对慕课有多次学习的情况，这说明学生在慕课学习过程中存在精力不集中现象，需要重点关注学生的慕课学习行为。

（二）课堂学习情况分析

依托智慧教育平台，高校学生在课堂学习主要采用翻转课堂的教学模式，其特点是以学生为主的课堂，教师处于引导者角色，课堂教学注重生生互动（学习小组）、师生互动[2]。翻转课堂则是一种线上教育与线下教育的结合微课或慕课是实现翻转课堂的一种重要的策略。微课和慕课均可作为翻转课堂课下教学部分最主要的教学内容，教师课上引导、答疑，将在线的慕课学习与课上面对面的学习有机整合。国内不少高校教师在基于微课或慕课的翻转课堂教学模式的设计和实践方面进行了积极的探索。教师对翻转课堂的实践促进了微课与慕课的应用和发展，同时知名慕课平台的优质慕课也推动了翻转课堂教学模式在不同学科教学中的应用和深化。翻转课堂的教学模式可以促进学习者更主动深入地学习，促进学习问题的解决。在课堂教学中，教师可以针对不同水平的学生采取不同的措施，尽可能地关注到每一位学生，及时发现问题并解决问题，这正是翻转课堂相对于慕课和微课的价值所在。

从学生学习行为来看，学生参与翻转课堂的积极性比较高，在学习主动性方面比较好。一方面，学生在以往的学习过程中，学生已经接触了翻转课堂内容，对学习小组等建设不陌生，甚至有的学生对学习小组建设踊跃性比较高，在组内角色分配方面起到了积极的建设性作用;另一方面，学生在学习能力、学习技巧、学习方面等方面具备了较高的能力，在解决和应付高等教育方面具备了一定能力，可以快速融入到学习内容当中，提高了课堂的学习效果。从翻转课堂学生学习行为的整体状况来看，翻转课堂模式下教师的教育工作发生了一定的变化，传统课堂教育模式中教师的重点是快速讲解教材内容，帮助学生掌握和理解专业知识，但在翻转课堂模式下学习的重点是如何兼顾不同学习能力、学习习惯的学生群体需求，教学的重点是对学生以小组为单位进行引导和现场的点拨，教学重点和思路的发生是剧烈变化。

（三）课后学习情况分析

依托智慧教育平台，高校学生在课后学习主要是以互助实践、任务提升和作品分享为主，主要是突出实践性和能力的提升。从课后实践来看，学生学习行为注重信息的交流与共享，注重实践性，从行为分析来看课后作业如果是以理论为主，包括课后习题的布置，课后理论内容的二次复习大部分学生的学习频率比较低，普遍为一次或两次;如果是实验类或社会实践类课程作业，学生的登录次数、阅读次数等信息频率明显增多，一方面实验类或实践类课程都需要反复登录进行信息的补充，包括实验类各项数据的对比，实验过程的反复学习，而实践类的课程侧重于理论联系实践，需要学生填写实践报告，实践过程等内容，这必然会增加学生登录系统和二次学习的机会;另一方面，实验类、实践类的课程重点是实现了作品的分享与交流，学生在学习完成以后需要与其他学生或其他小组建立联系。通过智慧教育平台，学生可以了解其他小组、团队和个人的作业进度和作业情况，通过了解其他人的工作内容建立起统一的内容，帮助学生在学习过程中不断进行内容的学习，在交流中互补长短，这些内容必然会通过教育平台的数据体现出来。

四、基于智慧教育平臺大数据的学生学习行为分析建议

（一）进一步实现平台能力升级

智慧教育平台大数据的学生学习行为分析过程中，应进一步实现平台能力升级，要进一步融入大数据、人工智能、AI等内容，实现智慧教育平台的进一步发展。从目前来看，智慧教育平台的发展已经成为了高校发展的主流思想，在发展和应用过程中得到了普遍的提升，但部分学校的智慧教育平台主要侧重于对学生的管理方面，只是单纯的将校园网进行了融合，注重学生行为分析，没有具体量化到学生学习行为分析，在学生学习行为数据调取，学习智慧场景设计等方面还存在一系列的问题，这需要高校结合本学校实际情况，立足于学生学习行为角度进一步实现平台能力的升级与改造，进一步扩大学生学习行为分析的智慧场景和内容，积极与校内外的智慧教育平台合作，实现平台能力升级。

（二）进一步实现平台升级

智慧教育平台大数据学生学习行为分析过程中应进一步实现平台升级。从目前来看智慧教育平台发展过程中，部分学校在管理方面还缺乏统一性，在发展的过程中没有注重个人环境的构建，一方面部分学校的智慧教育平台在入口、数据、身份识别等方面还存在不对接的情况，突出表现为部分平台是以学科为单位，每个学科都单独设置了验证码和身份识别系统、数据标准使用不规范，这必然会导致数据提取、筛选等方面存在一定的问题，部分数据无法统一进行调取;另一方面，部分高校智慧教育平台的功能比较少，平台承担的任务主要是教师布置的任务，学生根据教师任务进行学习，智慧教育平台成为了教师布置作业的一个场景，场景较为单一。因此在后续的发展过程中，高校智慧教育平台大数据学生学习行为分析必须要坚持从使用场景和需求出发，针对教育环节的各种角色构建不同的个人空间和机构空间，融资源、服务、数据为一体，实现信息沟通、数据交换并支持各类应用服务的汇聚与调用，实现服务全面贯通。统一数据标准、统一身份识别、统一应用入口、统一知识图谱，全面贴合教育信息化2.0的要求。

五、结束语

随着大数据时代的到来，大数据已经成为了高校教育的重要辅助工具，包括学生日常行为分析，生活分析，学校管理分析等方面提供了有力的数据支持智慧教育平台发展过程中，必须要注重大数据教育的优势，大数据与传统数据最大的区别在于数据分析和统计能力，其以根据学生行为数据分析，来进行相应教育资源的匹配，这种匹配是精准匹配，实现了对个体的深入分析。

参考文献：

[1]何珊.基于智慧树平台的高校MOOC设计与实施探究——以中级财务会计课程为例[J].中国中小企业，2019（08）：200-201.

[2]张燕玲.基于任务的访问控制模型在智慧高校共享服务平台中的应用研究[J].焦作大学学报，2019，33（01）：51-52+73.