混合教学模式下基于教学班学习数据的学习风格挖掘

李卓群，梅宇轩

（华东交通大学交通运输工程学院 江西 南昌 330000）

OBE 倡导以学生为中心，践行OBE 理念下的教学目标达成应“因材施教”，在教学中尊重学生学习风格的差异性，进行相应的教学设计[1]。在线教育的快速发展，不仅打破了传统课堂学习的时空约束，吸引了更多的教育者和学习者，还留下了大量的学习行为数据。这些学习行为数据为实现基于不同学习风格的个性化学习服务提供了有力的支撑[2]。充分挖掘教育大数据并对其进行分析，可以获得不同学习者群体的学习行为规律，并根据不同的学习风格提出不同的学习支持服务策略，从而为提升学习效果提供数据支撑和决策参考。

有许多学者利用线上学习数据，应用先进的数据挖掘技术或设计高效的挖掘算法展开学生学习风格的分类研究[3-4]，但大部分研究使用的数据量较大，适用于对学生整体学习风格的划分。有研究指出[5]，学习风格应与教师的教学策略相匹配才能取得良好的学习效果，不同的教学班级的学习风格可能存在较大差异，因此，根据教学班情况，分析学习风格，对于教学策略的实施者——教师更具价值。本文通过实例给出了一种利用教学班数据分析学生学习风格的方法，可以利用常规的学习行为数据对班级学习风格进行划分，以帮助教师更有针对性地实施教学策略。

1 学习行为数据挖掘

1.1 学习行为数据准备

本文选取某高校两个教学班级：2019 级物流工程和2019 级物流管理作为研究对象，依托学习通教学平台中“物流信息系统”与“运筹学”两门课程收集相关线上线下学习数据。根据学习通中的功能设计和两门课程的实际教学活动安排，选取的学习行为数据包括：视频观看时长（VIDEO_MIN）、章节学习次数（STUDY_COUNT）、课程互动（INTERACTION_30%）、作业完成时间（h1—h8）、任务点完成量（STUDY_COUNT）、作业得分（HOMEWORK_30%）、课程积分（PRACTICE）和考试成绩（grade）。以2019 级物流工程“物流信息系统”课程为例，提取此线上课程学习行为数据，其中包括视频观看时长、章节学习次数、作业得分、课程互动、八次课后作业提交时间、课程积分和考试成绩等共十四个具体行为数据。视频观看时长、章节学习次数、作业得分、课程互动、课程积分和考试成绩为系统直出数据，h1 至h8 为每位学生每次课后作业完成时间与截止日期的相对时间，共取八次。部分学生数据如图1 所示。

图1 部分学生学习行为数据

1.2 学习行为数据挖掘

本文采用较成熟的K—means算法对上节得到的学习行为数据进行聚类分析。K—means 算法中，需要事先设定聚类的K 值，本文利用手肘法确定K 值。计算不同K值下的Inertia（惯性）值，发现当K 值小于4 时，聚类误差急剧下降，K 值大于4 时下降的速率减缓，形成了一个类似于手肘的形状。因此本文设定K 值为4，进行后序实验。

在确定K 值之后，利用上节整理好的学生学习行为数据进行聚类操作，可得到学习者聚类结果。为了表现每类的学习行为特征，以雷达图的形式展现聚类后的学习行为特征，如图2 所示。

图2 学习数据聚类雷达图

2 学习行为与学习风格的关系分析

2.1 基于聚类特征确定学习风格

从上一节的聚类结果中可以发现，不同的类别具有不同的学习行为特征。如图2 所示，聚类1 各方面表现较为平均，学习时长、学习次数、视频观看时长等体现学习投入的学习行为表现都非常一般，但仍获得了中等偏上的成绩，学习者可能具有一定的学习能力，但未合理运用；聚类2 学生的学习次数、视频观看时长、作业完成量都是群体中的最大值，说明此类学生的学习投入多，并且互动次数也最多，说明学习主动性高，综合成绩也表现最好；聚类3 这类学生学习行为较差，从学习行为数据看，对学习的投入小，同时成绩也不高；聚类4 这类学生有较好的学习行为，学习投入大，但成绩却属于中下。

通过上述对聚类结果的分析，发现四类学习人群在学习投入和学习能力上存在不同。因此，根据学习投入和学习能力，对学习风格进行划分。把学习风格的维度划分为学习投入维和学习能力维，其中学习投入维度可分为努力型和微努力型；学习能力维度可分为强能力型和弱能力型，如表1 所示。

表1 学习风格维度划分

2.2 比较分析

为了验证聚类得到的学习风格与学习行为之间的关系，进一步研究不同群体、不同学习课程的聚类结果，本小节进行比较分析，比较同一门课程、不同班级和同一班级不同课程的聚类结果。

应用上节方法可分别得到2019 级物流管理专业物流信息系统课程和2019 级物流工程“运筹学”课程的聚类情况，各学习风格的人数比较情况如表2 和表3 所示。

表2 同门课程（“物流信息系统”）不同班级聚类情况比较

表3 相同班级（19 物流工程）不同课程聚类情况比较

从表2 可以看出，同一门课程不同班级各个学习风格人数相差较大，反映出两个班不同的学习风格。结合实际情况分析，由于“物流信息系统”是属于技术型课程，需要学生有较强的工科思维，所以工科背景的2019 级物流工程班级在能力方面要总体强于物流管理班级，这也导致两个班不同学习风格的人数比例相差较大。

从表3 可以看出，利用同一班级两门课程的学习行为数据得到的学习风格分类结果相差不大，“物流信息系统”和“运筹学”同属工科类课程，说明在同类型课程中，学生的学习行为数据可以用于刻画学习风格，而且学习风格具有一致性。

由2019 级物流工程、物流管理专业学生，物流信息系统课程结果分类与运筹学课程结果分类对比可得：聚类得到的分类法具有一定的应用价值，按照学生在学习中的投入水平和能力水平，可以教学班为单位，把学生的学习风格分为四类：微努力强能力型、努力强能力型、微努力弱能力型、努力弱能力型。

3 结论

本文利用广泛应用的学习通平台的学习行为数据，针对具体的课程和班级进行学习行为数据聚类分析，并根据聚类特征数据对聚类结果进行解释，把学习行为分为两个维度：学习投入维度和学习能力维度。根据这两个维度把聚类结果划分为四类学习风格，并且利用此方法对同一课程不同班级和同一班级不同课程进行了比较分析，发现不同班级各学习风格类别人数存在明显差异，而同一班级在同类型课程中表现出相似的学习风格。因此，对于同一班级，教师可以利用先导课程的数据分析了解相应班级的学习风格，并有针对性地采取教学策略；而对于同一门课程，不同教学班级，教师也应根据不同的学习风格采取不同的教学策略。

与传统教学模式相比，混合式教学模式由于有线上教学平台的参与，可以更方便、更有效地收集到学生的学习数据。不同的线上教学平台设计的功能会有差别，而不同课程、不同教师也会根据课程需要、教学策略设计等选择使用平台不同的功能。因此，学习行为数据在每门课程中并不完全相同。为了能够区分出学生的学习风格，教师应从学习投入和学习能力两个维度设计线上学习活动，保证能够识别出学生的学习风格，并以此为依据开展教学设计，以提升混合式学习的教学效果。