智慧校园背景下学生课程学习预警模型构建与实践

摘  要：文章首先分析了学习预警模型现状;其次通过专家访谈和文献调研，分析影响学习预警的因素，利用德尔菲专家咨询法和层次分析法构建基于智慧校园学习数据的学习预警模型;最后利用智慧树平台上“Java程序设计”课程的学生学习行为数据对所构建的预警模型进行验证。结果表明，该学习预警模型能够对学生的学习起到预警和干预作用，能够提高学生的课程学习质量。

关键词：学习预警模型;智慧校园;学习数据

中图分类号：TP391;G434          文献标识码：A文章编号：2096-4706（2021）23-0195-04

Construction and Practice of Students’ Course Learning Early Warning Model under the Background of Smart Campus

YU Haiyan

（School of Information Engineering， Zhengzhou University of Science and Technology， Zhengzhou  450064， China）

Abstract： Firstly， this paper analyzes the current situation of learning early warning model; then analyzes the factors affecting learning early warning through expert interview and literature research， and constructs a learning early warning model based on smart campus learning data by using Delphi expert consultation method and analytic hierarchy process; finally， the constructed early warning model is verified by using the students’ learning behavior data of“Java programming” course in the smart tree platform. The results show that the learning early warning model can play an early warning and intervention role in students’ learning and improve the quality of students’ course learning.

Keywords： learning early warning model; smart campus; learning data

0  引  言

学生进入大学后，较之紧张忙碌的高中生活，他们的学习时间一下宽松了。学生由于疏于自我管理而容易沉迷于游戏、视频等网络世界或仅仅止于浅表的学习和应付，进而陷入“学困泥潭”，最终导致逃学、辍学、延期毕业以及“重修”等学习危机。在智慧校园应用过程中产生大量学习行为数据，包含学习时长、学习积极性、学习速度、作业行为、测试行为等，这些智慧校园数据反映了学习者的学习状态，应该充分利用这些数据对学习者的学习情况做出反馈。

学习精准预警是指利用学习分析技术将学生学习数据资源转化成有价值的信息，从中发现学生的学习规律、异常问题，进而预测可能出现的学习危机，为适时适宜的教学干预和教学决策提供科学依据，提高学生的学习质量。

1  学习预警研究现状

1.1  国外相关领域研究现状

国外对学习预警研究起步较早，实证研究成果较丰富，主要集中在四个方面：（1）学习预警分类与反馈研究。比如由密歇根大学Tim McKay设计为学生提供预警的E2Coach系统[1]，为教师提供预警的Riccardo Mazza课程系统[2]，为教师和学生提供预警的普渡大学的课程信号系统等[3];（2）学习数据分析。如John Baker等开发的学习管理平台Desire2 Learn[4]，用于对学生的学习数据进行分析;（3）学习预警与干预模型构建。如Hoonuit在线学习平台[5]可实现对学生学习的及时预警和有效干预;（4）可视化预警系统，如可汗学院开发的学习仪表盘系统等[6]。

1.2  国内相关领域研究现状

国内研究在学习预警算法和学习预警系统设计方面有一定的积累。如牟智佳等提出基于学习行為数据的学习预测模型，利用学习行为数据进行学习分析与结果预测，为学习上有困难的学生提供个性化指导与支持[7];赵慧琼等设计了一种能够进行在线干预的模型，通过系统诊断发现学生的潜在危机，通过电子邮件对这部分学生进行及时提醒，使学生提早改变学习策略[8];宋楚平等将RBF神经网络应用于学习数据分析抽取，通过改进权重得到最终搜索模型，学习预警效果较好[9];宗晓萍等将改进的K-近邻算法应用到教育数据中，通过改进决策树来提高学习预警的准确度，提高课程通过率[10]。

总之，学者在学习预警研究领域取得了一定成果，但其实用性还有待提高。对学习预警的研究主要侧重于对学习预警模型的研究，实际应用比较少，另外应用不具有普遍性，大部分只适用于一门课程或者是一个专业领域，针对民办本科院校学生的学习预警研究还是一片空白，而民办本科学生恰恰是最需要学习预警的团体。

2  学习预警模型构建

2.1  德尔菲专家咨询法

德尔菲专家咨询法又称“专家规定程序调查法”，由古希腊城市德尔菲命名，是一种可靠的收集专家意见的方法。它通过设定的调查表向专家征询意见，专家组成员对调查表的项目给出建议，在这个过程中专家之间不能交换意见，经过几轮的专家咨询和修改调查表使得专家意见趋向一致，获得准确率较高的结果，被广泛用于医学、教育、商业等领域。

2.2  学习预警模型构建步骤

通过三轮的德尔菲专家咨询法确定一级指标、二级指标和三级指标项的具体内容，对于每个级别指标的权重，采用层次分析法来确定具体值，具体分为5个步骤：

（1）编制问卷。首先对现有关于学习预警的文件进行梳理和分析，根据文献研究结果编制问卷，确定第一轮咨询问卷包括3个一级指标，5个二级指标，10个三级指标。

（2）选择咨询专家。邀请具有相关项目研究基础、发表过相关论文或者进行过相关实践教学的专家15位，对问卷开展咨询，咨询过程中对专家积极程度、专家权威性和专业协调系数等一系列问题进行有效性验证，使咨询意见具有可信度和科学性。

（3）第一轮专家咨询。将所编制的第一轮咨询问卷发放给专家，对学习预警目标达成度进行必要性专业咨询，采用5级评分，对于大于3的指标进行保留，在第一轮咨询中允许专家对一级、二级和三级指标进行新增。

（4）收集分析专家意见并进行第二轮专家咨询。在对第一轮专家咨询意见进行收集和分析的基础上，对个别指标进行修改和优化，制定第二轮专家咨询问卷。进行第二轮的专家咨询，并根据专家咨询结果采用層次分析法计算指标权重。

（5）收集分析专家意见并进行第三轮专家咨询。在对第二轮专家咨询意见进行收集和分析的基础上，对个别指标进行修改和优化，制定第三轮专家咨询问卷。进行第三轮的专家咨询，并根据专家咨询结果采用层次分析法计算指标权重。具体的学习预警模型构建过程如图1所示。

2.3  学习预警模型

经过研究确定了混合式课程学习预警模型，包含基本情况、课堂学习情况、网络学习情况、测验结果4个一级指标;基本情况、出勤情况等10个二级指标;及格门数、讨论次数等20个三级指标，如表1所示。

2.4  学习预警模型权重

将德尔菲专家咨询法结构按照层次分析法，计算权重矩阵，采用的是迈实AHP层次分析软件，利用其自带的修复功能对输入的矩阵进行修正，导出权重，具体的学习预警模型指标及权重表如表1所示。

2.5  学习预警模型结果分析

按照学生学习情况进行预警，分为红、橙、绿三个等级。60分以下为红色等级，预示着期末课程不及格需要对学生进行预警;60～70分为橙色等级，表示存在潜在的不及格危险，要对这部分学生给予警示;70分以上为绿色等级，表示安全，分值越大表示学习程度越好。

3  智慧树平台学习预警实践分析

为验证学习预警模型的可行性和有效性，以郑州科技学院智慧树平台混合式一流本科课程“Java程序设计”为例进行验证，后台管理界面如图2所示，根据学生期中考试前数据对学生学习情况进行预警，结合学生平时学习情况和期末考试结果判断学习预警模型的有效性。

3.1  课程预警数据获取

学习预警模型一级指标第一项从学生已有课程学习基本情况获取，直接导出学生基本情况数据。课堂学习情况中课堂注意力和学习笔记情况从上课过程中教师记录中获取，师生互动由小组互动情况、翻转课堂数据支撑，出勤数据可以从智慧树平台上直接获取。

网络学习情况和测验结果可从智慧树平台获取，如图3所示，登录情况、学习情况和网络互动情况、资源学习情况等数据可以通过智慧树平台课程管理统计获得。

3.2  预警结果测试分析

在课程期中考试后进行学习预警，按照学习预警模型指标权重计算总分，发现授课班级2019级计算机科学与技术专业1至4班128名学生中有10名学生处于红色预警级别，3名学生处于橙色预警级别，如表2所示。根据数据统计分析，这些学生的作业和出勤情况较差，与学生实际学习成效一致，随后对这部分学生进行了课程预警。大部分学生在收到预警后进行了学习整改，个别学生没有按照预警改进学习，期末考试显示有3名学生不及格，全部为红色预警级别学生，其余被红色预警且分值较低的学生，通过预警改变了学习策略，期末考试分值能够达到70～80分，说明所构建的学习预警模型是有效的。

4  结  论

学习预警模型虽然在智慧树平台上通过“Java程序设计”课程验证了有效性，但是由于样本数据较少还有待进一步优化，比如权重指标的系数，应该在多次试验后根据预测结果进行微调，使其预测结果更加精准。另外这次针对的是计算机类课程，对于其他学科的有效性还有待验证，后期会力争将预警模型广泛用于多学科多课程，不断改进提高学习预警模型的有效性和鲁棒性。

参考文献：

[1] MCKAY T，Miller K，TRITZ J. What to Do with Actionable Intelligence： E 2Coach as an Intervention Engine [C]//Proceedings of the 2nd International Conference on Learning Analytics and Knowledge. NewYork：ACM，2012：88-91.

[2] MAZZA R，DIMITROVA V. CourseVis：A Graphical Student Monitoring Tool for S upporting Instructors in Web -based Distance Courses [J].International Journal of Human-Computer Studies，2007，65（2）：125-139.

[3] ARNOLD K E，PISTILLI M D. Course Signals at Purdue：using Learning Analytics to Increase Student Success [C]//Proceedings of the 2nd International Conference on Learning Analytics and Knowledge.New York：ACM，2012：267-270.

[4] ESSA A，AYAD H.Improving Student Success Using Predictive Models and Data Visualisations [J].Research in Learning Technology，2012，20：58-70.

[5] 王芳，梁鹰.基于MOOC的大数据学习预警模型在混合教学中的应用 [J].中华医学图书情报杂志，2019，28（7）：63-71.

[6] 胡建红，张晓丽，袁培鑫，等.基于雨课堂智慧教学模式的学习预警分析 [J].中国成人教育，2019（21）：64-66.

[7] 牟智佳，李雨婷，严大虎.混合学习环境下基于学习行为数据的学习预警系统设计与实现 [J].远程教育杂志，2018，36（3）：55-63.

[8] 赵慧琼，姜强，赵蔚，等.基于大数据学习分析的在线学习绩效预警因素及干预对策的实证研究 [J].电化教育研究，2017，38（1）：62-69.

[9] 宋楚平，李少芹，蔡彬彬.一种RBF 神经网络改进算法在高校学习预警中的应用 [J].计算机应用与软件，2020，37（8）：39-44.

[10] 宗晓萍，陶泽泽.改进的K-近邻算法及其在学习预警中的应用 [J].河北大学学报（自然科学版），2020，40（2）：193-199.

作者简介：于海燕（1983—），女，汉族，河南范县人，副教授，硕士研究生，研究方向：计算机教育教学。