基于大数据的在线学习质量评价方法研究

强 华

陕西工业职业技术学院电气工程学院，陕西 咸阳 712000

随着互联网的高速发展，越来越多的课程都可以在网上获取［1］，尤其是一些公共课程，上课的方式大多采用线上教学的方式［2］，其特点是不受时间和地点的限制，教学更加灵活，还可以通过视频录制保留教学的整个过程，方便学生复习和老师查阅［3］。在线教学虽然现阶段可以满足高校教学的需求，但是也存在着一些弊端：首先，学生由之前的教室听课方式转变为线上学习适应能力不足，导致注意力不集中不能实时跟进老师的教学思路，容易出现走神、开小差等问题［4］；其次，相比之前的教学方式教师和学生是处于时空分离的状态，教师很难通过实际的观察掌握学生的学习情况和课堂反馈，只能通过随机的抽查来局部了解，但是效率低下；最后，在线教学的过程中课堂互动变得更少，缺少教师当面指导，导致学生对知识的掌握不够牢固［5］。

针对以上在线教学存在的问题，提出一种基于大数据的学生在线学习质量评价方法，教育大数据的使用越来越频繁，通过采集学生在线学习的视频结合深度学习方法，可以实时分析学生的课堂参与情况和听课专注度。提出以知识掌握、课堂互动和听课专注度为依据的在线学习质量评价方法，建立知、互、专“三维一体”的评价提醒机制，可完成在线课堂学情的实时分析与提示，实现对学生在线学习质量的评价。

一、学习质量评价模型设计

对于学习质量的评价国外研究起步早，高校教育机构和企业都参与研究和实践，并且已经有实际的应用案例［6］，例如，海星学习评价系统、学生成功评价系统和知识仪表盘等。但目前国内的评价系统研究主要集中在对传统课堂教育的研究，对在线教学的评价研究相对较少，没有实际的应用案例［7］。

本次的在线学习质量评价的具体框架如图1所示，结合大数据建立完整的评价体系，目的是提升线上教学的效率和质量。学习质量评价模块由数据采集模块、分析处理模块、信息显示模块和干预调整模块四大部分组成。

图1 学习质量评价模型设计

数据采集模块主要是针对线上学习的实际场景，学生基本是使用智能手机或电脑参加线上课程，所以很容易采集到学生在上课过程中的音频、视频和课堂答题数据；将每个同学的数据都存放在数据库中，并对数据进行初步的分类，并对有异常学生的数据进行优先处理。分析处理模块主要是根据采集的数据利用大数据和深度学习分析方法，从知识掌握、课堂互动和专注度三个方面，对学生的学习质量进行评估和打分，并给出调整的方式和需要调整内容。信息显示模块是对分析处理模块给出的结果进行可视化，提供学生和老师实时的课堂反馈，并根据结果选择干预的方式。干预调整模块是根据分析处理的结果的不同等级，有系统的干预和人为干预，来处理当前学生的异常情况。系统干预主要是采用弹窗的方式，提醒对应的学生应该保持专注或应该增加互动。人为干预是老师或者管理员根据情况单独对学生进行提醒和提问的处理方式。

二、学习质量评价算法设计

在线学习评价模型中，最核心的功能就是评价算法的设计；本次利用三个方面数据对学习质量进行评价，分别是知识掌握情况、课堂互动和专注度。如图2 所示，其中知识掌握、课堂互动和专注度评价分别占最终评价结果的40%、30%和30%。最终通过评价结果来判断是否需要干预，以及采用何种干预方式。

图2 学习质量评价算法设计

（一）知识掌握情况评价

通过数据采集模块可以获取课前和课后测验每个同学的答题数据，对比正确答案后获取每个同学的分数；设置优、良、中、差四个等级，并记录每个同学出错的题目；对中和差的同学的信息进行推送，老师和管理者也获得反馈；系统干预部分，针对中、差同学做错的题所针对的知识点进行推送，让做错的同学重复温习知识点；人为干预部分，针对得分为差的同学，由教师通过课后辅导和答疑为学生提供指导。同时系统通过大数据分析测验题目是否存在不合理的情况，例如全部同学都做错的题目，如果存在就需要管理员和教师进行人为干预修改系统中相对应的题目。

（二）课堂互动评价

通过数据采集可获取每个同学在课堂互动中的答题次数和讨论次数；统计所有同学上课过程中的回答问题和讨论次数总和，统计出总数小于平均次数的同学信息推送给老师；首先对低于平均值的同学进行系统干预，有系统给出弹窗提示课堂互动参与数量较少，提醒学生积极参加课堂互动。对于课堂互动为零的学生，信息推送给老师，老师和管理员进行人为干预，在确认学生设备正常工作的前提下采用抽查点名的方式提醒学生积极参加课堂互动。

（三）课堂专注度评价

数据模块采集每个同学上课的视频数据，并将数据都暂存在数据库中。通过大数据分析和深度学习，针对在线学习的场景训练学生注意力评价模型；采集大量学生上课的视频，通过数据标注将不专注和开小差的情况标注出来，重点针对学生的人脸和眼睛进行标注，然后用标注好的数据训练端到端的注意力评价模型，最终模型收敛的情况下就可以使用模型进行注意力评价。由于实时采集上课视频的数据量较大，对每位同学采用每十秒取一张图的方式进行注意力的评价。如果发现连续三十秒的注意力评价都不合格，则由系统进行干预在对应学生屏幕上弹出注意听讲的提示。如果连续在一分钟内注意力的评价都不合格，则教师和管理员需要人为干预，在保证设备正常的情况下采用点名提醒的方式提示学生应该认真听讲。

（四）学习质量综合评价

对每个同学都在数据库中建立学习数据档案，每堂课的学习过程中，记录其知识掌握、课堂互动和课堂专注度数据和干预的次数，作为后面整个学期课程得分的参考数据。同时教师可以对整个学期在线课程的大数据进行分析，发现课程中同学们大部分都掌握不好的知识点，进行统一讲解和答疑；可以及时发现课程中同学们普遍专注度较差的部分，改进教学的方式增加提问和互动。真正做到对学生的每一次评价和打分都有据可依，都有数据作为支撑。

三、干预机制设计

根据学习质量评价的结果，对学生的学习过程进行一定的干预和提醒，干预的方式主要包括两种：系统干预和人为干预。如图3 为系统干预机制框图，系统和人工分别对学生的学习知识、课堂互动、课堂专注度和学习质量情况进行干预，制定个性化的学习资源和建议。

图3 干预机制框图

（一）系统干预

系统针对学习知识的干预是以学生课前和课后做测试题的评价结果为反馈，根据每个学生的掌握情况来制定下一课时的复习题和学习进度，主要针对每个学生答错和未掌握的知识点，系统干预改变其对应的复习题内容。系统的课堂互动干预，采用大数据分析当前课堂每个学生的互动情况，采用屏幕弹窗的方式，提醒互动较少的同学要提高注意力增加与老师的课堂互动。同样，系统对专注度的提示也是采用屏幕弹窗的方式，通过大数据分析定位到学习专注度较差的学生，进行提醒和干预。系统对学习质量的干预主要是改变课堂进度，调整学习知识点的进度，对较难或者大多数学生都学习质量较差的部分，放缓学习的进度，保证学习的质量。

（二）人为干预

人为干预主要是针对教学知识点安排和教师自身讲解需要调整，或者是出现较为严重问题时才需要教师和管理者的介入；人工干预对学习知识主要是调整教师上课的进度安排，确保课前、课后测试题的通过率；人工对课堂互动干预，由大数据分析出课堂互动极少的学生，通过评价信息显示将结果传递给教师，教师采用课堂提问的方式进行干预；管理员在收到评价信息后，对在线学习学生的网络、设备情况进行检测，排除设备问题；人工对学习质量的干预，针对大数据分析评估学习质量较低的课时，由教师改变课时安排，放缓知识难点部分的讲解，达到提升学习质量的目的。

四、结语

针对在线学习质量评价较为困难等一些问题，本文提出一种结合大数据和深度学习的评价方法和干预机制，通过对学生在线学习的音视频数据进行智能分析，对学生的学习质量进行全方位的评价，并对异常情况进行实时干预处理。