基于大数据的工科院校 智能生命防疫教育平台构建研究

郭卓维 魏振宇 梁洪 冯伟兴

摘   要：疫情期间开展生命科学教育是高等院校卫生防疫的重要环节。基于我国工科院校的教学现状，文章利用ESI及Altmetric数据库优选紧随社会脉搏及被科技界广泛关注的生命防疫教学话题群;利用社交网络有关高校在线教育评论的文本大数据，探寻在线教育体验者的关注焦点及症结所在，有针对性地选择教学方式;合理制定工科院校生命科学在线教学策略，协同微信社交网络构建在线教学社区，打造高效智能的工科院校生命科学课程防疫教育体系。

关键词：大数据;ESI;Altmetric;社交网络;智能防疫教育

中图分类号：G642 文献标志码：A 文章编号：1673-8454（2021）09-0043-06

面对全球肆虐的新冠肺炎疫情，生态环境恶化，各种健康危机与矛盾凸显，暴露了普通民众包括高校学生生命健康教育素养的缺失，在此情况下加强高校学生的生命科学教育变得十分重要。工科院校学生思想活跃，知识焦点常集中在工科新科技领域，面对新冠肺炎疫情，加强生命科学教育，进行高效的防疫宣传，缓解疫情期间的焦虑恐惧并进行舆情引导显得尤为重要。

以往的工科院校生命科学教育多依赖传统课堂，网络课堂多为辅助性的混合教育模式。疫情时期，网络教学凸显了极大的重要性，给传统教学带来了巨大挑战。教师不仅要面对全新的教育模式改变，也要格外努力提高学生兴趣，确保教学顺利进行，在这个过程需要进行科学决策。本研究依托工科院校的《生命科学导论》课程，建立以大数据为指导的科学教学路径，构建完整的生命科学防疫教学活动体系。

大数据作为一种工具在教育研究实践方面大放异彩，其研究热点从单纯数据挖掘已经转向数据分析及应用[1][2]。国内教育大数据多用于大型平台或区域的整体学生状况分析，或用于学生状况追踪[3]，在具体课程平台的应用不多。本研究直接利用各大型平台的数据进行全程教学活动的决策，包括在国内率先利用基本科学指标数据库（Essential Science Indicators，简称ESI）及在线科研数据库Altmetric进行教学防疫话题群的构建;在国内率先利用社交网络大数据进行在线教学的决策;利用前述成果打造智能生命学习平台;利用微信社交网络构建工科院校防疫教学社区。相关研究成果不仅取得了良好的防疫教学效果，也有利于培养多学科交叉的创新型人才。

一、工科院校生命科学教学防疫体系路径具体构建

1.基于科研大数据优选在线生命科学防疫教学话题

疫情时期，大学教育高度依赖在线教育。工科院校生命科学课程承担了为多专业、多层次学生进行生命健康知识宣讲，进行科学课程防疫的重任。该课程覆盖面很广，包含微生物学、生态学、认知与脑科学、精准医学与技术等生命科学各领域及交叉学科的相关知识。为更好地吸引学生，满足多专业多层次学生的授课需求，本研究重新筛选《生命科学导论》课程教学内容。由于教材的知识点更新常有滞后，本研究利用两大科学数据库ESI和Altmetric进行生命科学课程防疫教育资源库的建立。

（1）基于ESI数据库探寻生命科学科研热点领域并引入教学

ESI由世界著名的学术信息出版机构ISI（美国科技信息研究所）推出，基于SCI（科学引文索引）和SSCI（社会科学引文索引），共收录全球12000多种学术期刊，涵盖生命科学各领域。ESI目前广泛应用于评价各个领域学术机构的国际学术水平及影响力[4]，也用于探索各学科领域的科研发展热点及预测未来发展趋势[5]。本研究在国内率先通过探寻生命科学各领域的高水平论文数据（Top Paper即高水平论文，分为热点论文及高被引论文），并对其关键词共性信息进行抽取，同时结合新冠疫情防疫所需，有效构建了基于防疫及生命科学教学所需的案例方向指引。

以与新冠病毒疫情直接相关微生物学及免疫学领域为例。本研究在ESI数据库中选择微生物学领域及免疫学领域，依据微生物与免疫各细分领域高水平论文出现频次为基准来判定该领域的研究分支热点。导出研究分支热点数据，将研究分支热点按热度由高到低排序。对排名前五十的热点分支领域进行内容提取，内容涉及微生物的耐药性及药物治疗、微生物的高致病性、微生物所致免疫损伤、微生物基因组测序、疫苗研制等多个细分领域，为教学提供良好的指引。同时，ESI的分支热点亦可直接引入教学。如近年来ESI在微免领域排名第一的热点为艾滋病的中和抗体，该抗体的研究为疫苗的研制打下基础，疫苗的出现将成为艾滋病预防的坚实保障。授课时以此为例并结合防疫原理与学生引申讨论新冠疫苗的研发问题。

（2）基于Altmetric数据库筛查有重大社会影响力的生命科学科研热点话题并引入教学

本研究在国内率先利用在线科研数据库Altmetric的大数据研究指引教学案例的选择。Altmetric作为一种新型评估方式，对学术评价体系的改变有着重要的影响力[6]，目前Altmetric在学术研究领域越来越受到关注。Altmetric的数据来源广泛，有新闻、公共政策、社交媒体、专家推荐、大型科学英文索引数据库Web of Science等。Altmetric科技成果排名更多关注科研成果的实际社会传播影响力，比如它的衡量因素中社会大众包括媒体的关注被放到了很重要的位置，也包括各项科研成果的实际应用价值，在排名计分衡量因素中，专利、公共政策及公开教学大纲的权值也很大。与其它数据库相比，它的数据衡量也很看重专业人士的认可度，数据来源之一的F1000汇聚全球顶尖的6000名生物及临床医学专家的业内科研成果推荐。Altmetric每一年度都会推出高社会影响力的Altmetric论文100篇——TOP100。以2019年为例，Altmetric共追踪6250万份数据，其中涉及270万份研究成果，经过计算，得到最具有社会关注度及影响力的前100项研究[7]。

仍以与疫情高度相关的微生物學及免疫学领域为例。本研究对近5年TOP100文章条目进行梳理，其中涉及多项与防疫有关的研究。如病毒疫苗与自闭症发病是否相关;疫苗的安全性、病毒的致病机理对人体的长期影响;防疫消杀的有效性;药物治疗等问题。这些问题形成完整的开放性教育资料库。

本研究依据ESI及Altmetric数据库构建了一系列紧跟时事及世界科技进步的教学系列话题。如针对新冠肺炎疫情的一系列“微生物—免疫学教学”系列话题;针对异常天气及引发的疫情变化的“环境—生态—时事政治”话题;针对疫情期间加强营养的生命的“化学—营养学”教学话题;针对人对疫情的认知及心理应激的“脑科学—认知—人工智能”话题。此外还有针对基因检测等问题的“基因—基因诊断—精准医学”话题。对这些话题的研讨不仅强化了学生生命科学基础知识，更大大加深了其对生命科学的理解，形成有效的生命科学课程防疫平台，受到了学生的广泛好评。

2.基于社交网络平台大数据分析在线教育体验者关注焦点及困惑

疫情的爆發使高校迅速进入在线教育时期，各种矛盾频现，大数据被用作有效的工具理解教学。然而国内关于学生教学观感的数据多源于学校官方各类问卷调查汇总或大型教学平台的教学数据统计。为了更好地对在线教育进行全景描述，了解学生在学习中的困惑与痛苦，本研究引入社交网络大数据进行分析[8][9]。

本研究课题收集微博及某问答社区（2019年12月至2020年5月）关于大学生网络课程的评论贴数据，将数据清洗去噪，去除广告及垃圾信息，具体实例见表1。

利用SnowNLP模块对文本进行关键词提取，得到排名前100位的关键词，发现学生的关注点集中在网课、老师、直播、考试、作业等，将这些关键词绘制词云（见图1）。

观察评论问题焦点，分别对具有特殊意义的高频关键词的特征文本单独进行进一步信息特征提取，如分别进一步提取关键词为老师、直播、录播、视频、作业、考试、网络、会议、平台、课堂、网课等的评论文本的关键词信息，以发现其中的关联。对这些信息加以聚类，以发现学生的关注焦点信息。结合评论文本将学生的关注焦点及主要问题进行总结，结果如表2所示。

通过以上研究发现，相对官方的数据，分析社交网络这种相对私人的领域可以更全面地了解学生的真实状态，学生在社交领域中的表现也能反映他们的心理状况[10]，掌握这些数据可以帮助教师更好地进行课程调整。研究也发现，在线教育对于积极性高的自主学习者可以起到超过线下的学习效果，学习者可以利用网络资源充分自由学习，并对一些较难的知识点反复钻研。此外，在线教育非常适合上讨论课，线上学生常常大胆发言，而且学术讨论可以打破时空限制，并突破一个时间点只能有一人发言的情况，形成很好的研讨氛围，做到教学相长。

本课程给学生做了多次调查问卷，也验证了这些问题。为此，本课程积极实行减负策略，将教学平台简单化，使用“腾讯课堂+微信群”的模式，知识讲授选择“直播”方式，充分发挥在线研讨的功能，尽可能在启发兴趣的前提下保障教学内容圆满完成;全部教学资料上网供学生自习，如果网速不好，学生可以利用自己预先下载的资料进行自学;网课中穿插动画、短视频，使学生学习更轻松;课程采用灵活的学习考核方式，以完成教学任务为导向，课后仅留合理的作业。

3.利用数据智能实施生命科学防疫教学

面对突发的疫情，教育跨越时空，多层次多专业的学生同时涌入在线课堂开展居家学习，学生的自主学习空前重要，不能单纯地把线下课堂搬到线上[11]。因此本研究在大数据的指引下探索智能教育体系。

（1）灵活的学习时间安排及多样化的学习资料选择

本课程有相当一部分内容要靠学生自学来完成，为此，线上平台储备了多样的学习资料，包括短视频、电子书、在线专业学习网站、多种MOOC平台资源的链接、教学大纲以及教学课件等，可以供学生自由选择学习[12]。由于本课程是针对综合性理工科院校学生的大班讲授，需要面对各个层次的不同专业学生，因此，本课程采用科普式教学，资料推荐由浅入深，教学目标准确到每一讲的每个知识点，并明确不同专业学生对知识点掌握需要达到的标准。

（2）弹性的教学方法

除了课堂讲授，本课程充分通过微信群学习小组开展话题探讨。在小组内有目的地引导以一个个教学单元为基础的教学话题研讨活动。教学话题的筛选来自两大科学数据库ESI和Altmetric。依据学生的反映对教学话题进行不断更新与筛选，形成包括课程基本知识点的话题群，让学生在充分的研讨中轻松习得重点难点知识。

（3）自由的学习伙伴选择

在学习过程中，学生自发组成各种兴趣小组，不同专业的学生因为共同的兴趣点围绕不同的话题进行自主学习，达到百花齐放，专业互补的效果。

（4）多层次的教学评价

不同于传统的课程成绩评价，本课程以多种方式考核学生。文科类专业学生生命学科基础较薄弱，在网络平台进行知识测试时可以采用较低阶测试，而理工科学生则采用高阶测试，学习进阶过程形成测试分数计入成绩。课程发言频次、研讨质量及撰写的小论文质量作为重要的学业积分影响因素计入成绩，此举可以客观动态地对每一个学生的修学情况进行评估[13]，为教学活动提供很好的参考和评价基础。通过这种多层次教学评价的方式，以数据作为支撑，细化教学，追踪每一个学生的进步情况，合理地对他们的学业进行评价。这种弹性教育体制有效打破了传统评价体系方式单一、无法精准衡量学生的状况，极大刺激了学生的求知欲望。

（5）通过教学结果进行微调

在完成每一轮的教学后，通过小问卷及小测试对教学内容完成情况进行评测，并与预期教学目标标准进行比对。如果教学目标低于预期，则找寻原因，对教学内容、教学方法、教学测试进行微调，如果教学问题难度偏大，学生接受困难则适当降低难度，反之亦然。在此过程中，完善的教学记录给本课题提供了重要的教学参考与支持。通过对教学流程进行分析，构建多层次智能教学平台（见图2）。

基于以上研究成果，本研究构建了智能型多角度跨时空的学习平台。本研究发现，通过将不同层次学生引入灵活多样的学习平台，并督促他们不断进阶，学生（尤其是基础薄弱的学生）积极性大为提高，课程结束后，很多基础薄弱的学生进步神速。而对于基础好的学生，可以引领他们进入更高层次的学习，使他们的学习直接与全世界科技前沿对接，大大地提高了他们的科技视野与学术水平。本研究涉及的学生全部完成了基础学习，文科学生69%完成了较高难度的学习，理科工科学生全部完成了较高难度学习，有59%完成了高难度学习。

4.基于社交网络的生命科学学习社区建立

在教学过程中，在线教学孤独感是很重要的教学影响因素。有相当多的学生认为，居家隔离的孤独感会降低学习士气，使学习效率低下。为了更好地服务于教学，本课程建立了微信教学社区。微信社区不仅可以模拟真实课堂的讨论情形而且效果远超线下。在线上课堂，学生们可以克服羞怯，大胆主动发言，发言亦可以打破线下一次只能容纳一人的情形，而变为多人同时发言并讨论，教学中的难题因热烈的讨论迎刃而解。课后的问题可以及时上传群内，随时引发众人关注，讨论问题也不仅限于学术，有时亦涉及生活的方方面面，极大地缓解了学生的孤独感。

同时，在社群中活跃的学生也能够适度带动欠活跃的学生更积极地投身于学习。通过对微信群中意见领袖的挖掘，本研究发现，如果能在学习生活中有的放矢地将学习话题分发给学生中的意见领袖，督促他们更深入地学习并积极在微信群里发表自己的意见，能够对教学起到事半功倍的效果[14]。

此外，社交网络中话题的活跃度也与问题类型高度相关，单纯的陈述性问题引发讨论的热度较低，探究性开放型的问题则参与度会高得多。例如，在一次关于疫情的探讨中，如果仅就新冠肺炎病毒能否在人体中转变为慢性携带状态，105名学生中仅有19名发言，话题基本集中为是或否。但如果话题设置为新冠肺炎对人体可能产生哪些长期影响及该影响的社会长期作用，该话题的探讨就可以引申开来，从艾滋病病毒慢性携带推测新冠肺炎慢性携带的情形，对人体的长期影响，到该病是否会导致老年痴呆风险增高及在人际社会产生的长期影响，话题活跃度大为增高。在105名学生中，有56人对此话题积极发言，其中高活跃状态者为24人，人均发言2次及以上。

在对学生的问卷调查中，有76%的学生认为，学习社区对学习有很好的促进作用。基于微信群的混合式学习不仅可以促进学生学习，也可以促进师生关系，加强学生群体的正向激励作用。本研究发现，社区中越活跃的学生在教学活动中表现就越突出，而教师对活跃学生的积极反馈反过来会加强这些学生的积极行为。同时，在教学活动中，基于教师和积极学生的促进作用，社交网络有更活跃的趋势。学生群体由开课初期的不熟悉，较为羞怯，到慢慢在虚拟社区中更活跃，谈论话题由局限于专业学习到课后生活的积极分享，使得社区突破了传统教学的束缚与限制，成为生活的一部分，这也带动了原本低活跃度的学生，促使他们更加投入。此社区不仅可以促进学生学习生命科学课程，完成疫情教育，也有助于该群体的科学防疫。

二、总结与评价

本研究率先基于美国ESI数据库及在线科研数据库Altmetric，有效筛查了紧跟社会脉搏、科研潮流的教学话题组。该话题组贯穿生命科学各个部分，构成生命科学教学防疫的有效教学资源库。本研究在国内率先利用微博及某“乎”上的大学生网络课程公开评论大数据，通过评论文本进行关键词提取和关键词信息抽取，分析探寻学生在线学习的关注焦点与困惑，发现网络拥堵、教学平台功能不足是学生抱怨最多的问题。此外，直播上课效果虽较好，但多教学平台共用及多任务并行的教学方式让学生劳累，学习效率降低，学生普遍反映作业压力大。据此，本研究采取减负型以任务为导向的教学方式，并依据工科综合型院校学生专业基础的差异构建智能型教学体系，包括灵活的时间安排、多样化的教学资料选择、授课中讲授与研讨并重、学生自由组合成学习小组自行完成很多内容学习的进阶过程。生命教育微信社区的构建对促进教学顺利进行、缓解学生的孤独感也起到了重要作用。教学调查问卷统计结果见表3。

本研究采用多种方式对学生进行考核，学生不仅要完成基础知识的学习，还要专注于学习成果状态的跃升。本研究涉及的学生全部完成了基础知识的学习，其中文科学生有69%完成了较高难度的学习，理科工科学生全部完成了较高难度学习，有59%完成了高难度学习。在专门针对疫情防控的小测验中，合格率达到100%，成绩优加良的比率占到了81%，还有很多学生测验后在微信群中专门分享自己的抗疫体验以及相信会安全度过的乐观情感。

本研究不仅专注于生命科学课程教学，还致力于通过教学对学生进行多方面创新能力的培养。通过学生大量的自学以及对教学案例的研讨，培养工科院校学生的安全防疫意识，促进多学科的融合与交叉，为培养双一流创新型人才进行生命科学的教育储备。

三、讨论与展望

本课程将教学资料选择由单纯的经验推理变成可由数据量化指导的过程，受到学生好评。不过，单纯依据ESI及Altmetric數据库来寻找教学热点依然会有不足。例如：ESI数据库内一些原本冷僻的领域产生巨大突破后短时间内研究者迅速增多，ESI排名也大大提前，可在此之前则藉藉无名[15];Altmetric数据库充分考虑研究成果的社会影响力及大众接受程度，但其数据评价权重中的门德利（Mendeley）读者数和Web of Science文献引用等均不计入分数，这是因为Altmetric坚持任何计分的内容必须完全透明的缘故。此外，虽然这两大数据库数据很新，但因为社会影响力及科技传播需要一定的时间，所以还是有一些滞后性，这是今后在授课时需要充分关注的问题[16]。

为了更好地探究学生网络课程的真实体验，本研究在国内率先利用社交网络微博及某问答社区大数据进行数据挖掘，深入了解学生的关注焦点及困惑，并以此科学制定教学策略。但在数据挖掘过程中，由于涉及数据隐私问题，无法提取出更多的用户信息，因此对数据整体挖掘利用尚存不足[17]。

基于以上研究成果，本研究综合多方来源大数据，科学选择教学案例资料、教学方式，并构建了智能的教学体系，取得了良好的教学效果。与此同时，构建教学社区，促进研讨式教学，对提高教学质量、缓解教学的孤独感起到了良好的作用。不过，学生学习的状况和他们的心理特质密切相关[18]，本研究在未来将在此方面更加深入挖掘与探究，积极关注学生的心理与专业成长的关系，更好地为生命科学防疫教学服务。

参考文献：

[1]Bienkowski MA， Feng M， Means B. Enhancing Teaching and Learning through Educational Data Mining and Learning Analytics： An issue brief[EB/OL].https：//tech.ed.gov/wp-content/uploads/2014/03/edm-la-brief.pdf.

[2]ISTE. ISTE standards for educators[EB/OL].https：//www.iste.org/standards/for-educators.

[3]冯仰存.数据驱动的教师教学决策研究综述[J].中国远程教育，2020，41（4）：65-75.

[4]张爽，夏琬钧，何雪梅.高校 ESI 学科排名影响因素解析及提升路径研究[J].情报杂志，2020，39（1）：162-166.

[5]王博，王昌禄.ESI学科领域高影响力学术群体与学科主题热点研究[J].情报工程，2020，6（1）：71-83.

[6]林晓华.基于Altmetrics指标的学术论文综合影响力研究[J].高校图书馆工作，2018，38（5）：36-40.

[7]Altmetric.Altmetric-Top100Articles-2019[EB/OL].https：//www.altmetric.com/top100.

[8]陈兴蜀，常天祐，王海舟等.基于微博数据的“新冠肺炎疫情”舆情演化时空分析[J].四川大学学报（自然科学版），2020，57（2）：409-416.

[9]王刘飞.疫情下的知识青年政策认知研究——以知乎社区为例[J].华东理工大学学报（社会科学版），2020，35（2）：83-93.

[10]Erin E， FerrisAL. Facebook self-disclosure： Examining the role of traits， social cohesion， and motives[J]. Computers in Human Behavior， 2014，30（1）：50-58.

[11]黄荣怀，汪燕，王欢欢等.未来教育之教学新形态：弹性教学与主动学习[J].现代远程教育研究，2020，32（3）：3-14.

[12]胡姣，张文兰.面向个性化学习的网络课程资源构建路径探索[J].教学与管理（理论版），2019（33）：18-20.

[13]刘湉祎，李立国.覆盖学习全过程：“以学习为中心”评价的趋势[J].中国大学教学，2020（5）：68-74.

[14]張婧婧，王轩，沈灵亮等.微博视角下的MOOCs学习特征：自主性、社会性、多样性与开放性[J].中国远程教育，2019（11）：38-47.

[15]罗宏，周杰.ESI学科分类与评价缺陷及其风险探讨[J].江苏高教，2018（11）：55-59，63.

[16]匡登辉.从Altmetrics热点论文看科技期刊影响力——以Altmetric.com Top 100论文为例[J].中国科技期刊研究，2016，27（11）：1188-1194.

[17]特里·安德森，肖俊洪.社交媒体在高等教育中的应用：挑战与机会[J].中国远程教育，2020（2）：21-31，76.

[18]刘爽，何进军.大学生学习特征、人格特质与课堂疏离感的关系[J].教育导刊，2017（12）：43-48.

（编辑：王晓明）