大数据思维下教学过程数据分析及应用研究

1、    大数据思维下教学过程数据分析及应用研究    四、教学活动流的分析应用根据前文提出的教学活动流分析模式，其分析应用过程就是在各种教学环境下对教师教授和学生学习过程中的知识发现和信息提取的过程。这些处理后的信息就是经过加工的教学过程数据，对教师和学生的决策或行为有现实的或潜在的价值。这里以同一门课程前后几届学生的累积数据作为样本进行分析，由于是同一任课教师教授的同一门课程，几乎可以不考虑课程内容、教授方式等人为因素带来的数据误差。(一)数据采集随着信息技术向教育领域渗透，传统课堂正在向传统课堂+数字课堂，甚至纯数字课堂演变，这里的基础教学过程数据主

2、要来源于三个方面：传统课堂，网络学习系统和教务管理系统，以及移动端app。传统课堂的数据采集主要靠手工记录，记录的内容主要是师生实时教学过程中产生的行为记录，比如考勤、提问、发言等；网络学习系统和教务管理系统上的数据采集可以通过日志数据或系统功能自动进行统计，比如登录次数、在线时长、浏览或下载资源次数、提交作业次数、课程成绩等；移动端app采用的是金蝶公司的云之家移动办公平台，按照某个班级的不同课程，或某门课程的不同班级生成圈子，在圈子中进行课后师生互动，比如知识讨论、讯息通知、问题解答等，使用方便灵活，更重要的是可以部署为私有云，便于各种数据的采集。(二)数据预处理方海光等(2014)认为：

3、数据预处理就是对第一步采集到的基础数据进行整理、集成、筛选和转换，使之符合前述定义的教学活动流结构。这一阶段的工作，一部分需要手工处理，一部分可以通过工具或编码实现。基础数据预处理后的结果如表1所示。表1 教学活动流数据示例人员实体(学号)动作时间地点工具对象结论1回答问题2014.11.30302教室多媒体设备课程1第3章内容50分2提交作业2013.12.04pc(网络)课程2第2次作业88分3讨论知识点2015.12.20手机课程3第1章难点参与4答疑2016.1.4手机课程4第4章作业参与5资料下载2015.10.23pc(网络)课程2第2章学习资源成功(三)数据分析数据分析就是通过分

4、析学生在各种学习环境中的学习时间投入、课程完成情况、资源利用情况、考试成绩等数据，得出学习行为和学习效果之间的关系，应用分析结论来指导教学过程的参与者对学习过程进行必要的干预，同时为课程设计者提供实时改进教学设计和评价考核的依据，以提升教学效果，本文使用的学习分析技术主要是相关性统计分析。1.分析模型中指标变量的选择学习分析设计的关键是选定用哪些数据作为指标进行分析(王亮，2015)。这里主要考虑行为表现指标变量，即在教学过程中学生的学习行为和阶段性表现。因为这类变量几乎都可以量化，易于从纸质记录或网络系统中获取。在对教学活动流库中的数据进行初步考察后，确定作为分析指标的数据为以下三类：第一，

5、衡量学生成绩表现的指标变量，该变量关注的是学生的实时学习成果，如平时作业成绩、各类测试成绩、随堂提问成绩等；第二，衡量学生学习主观努力程度的指标，如网络学习平台的登录次数和频率、在学习资源上花费的时间、参与客户端app知识讨论次数等；第三，这个指标是很有意思的一类指标，并不是从学生的学习能力、主动性方面来考虑，而是从学生的人格品质上来考虑，就是诚信指标变量，即学生在学习过程中有没有弄虚作假的行为，如抄袭作业、由别人代替登录上网等。2.任课教师视角的教学活动流分析应用对任课教师来说，可以以所负责的某门课程开展教学分析。本文以作者所教同一门课程七届学生数据集作为研究对象，以学生学号作为数据集唯一区

6、分标识。表2所示的是其中一个班级该门课程的五个教学过程行为指标变量数据统计表(部分数据)。表2 某个班级一门课程的教学过程行为指标变量数据统计表学号平时作业总评网络教学平台登录次数下载资源次数上课考勤次数抄袭作业次数期末总评成绩154313264285646064355315140489876059558425072采用相关系数来测试五个行为指标变量与期末总评成绩之间的相关程度。利用公式(1)根据表2的数据计算相关系数，得到表3。式中r描述的是两个变量之间线性相关的强弱程度。r的取值在-1与+1之间，若r0，表明两个变量是正相关的；若r0，表明两个变量是负相关的，r的绝对值越大表明相关性越强。

7、xi描述表2中“平时作业总评”“网络教学平台登录次数”“下载资源次数”“上课考勤次数”“抄袭作业次数”五个指标中每个学号对应的分数，为其平均值；yi描述表2中“期末总评成绩”指标中每个学号对应的分数，为其平均值。表3 各行为变量与期末总评成绩之间的相关系数平时作业总评网络教学平台登录次数下载资源次数上课考勤次数抄袭作业次数期末总评成绩0.581373640.666898720.696809820.26813484-0.0780778从表3可以看出，前三项行为指标变量与期末总评成绩的相关程度大于50%，其中网络教学平台登录次数和下载资源次数的相关程度均超过65%，后两项的相关程度低些，且抄袭作业

8、次数是负相关的。同样，对这七届学生其他班级也进行同样分析，也呈现一致的规律。说明平时教学过程对最终教学效果的影响是不容忽视的，应该予以重视。(四)预测建议通过上述数据分析可以预测，学生在课程学习过程中的主观努力程度是决定学生课程成败与否的重要因素。通过改进课程设计、教学评价和对学生进行人工干预可以改善学生的主观努力程度。据此，任课教师从以下几方面进行了改革：第一，准备了更加充足的教学辅助资源上传到网络教学平台，强调学生必须利用课后时间浏览下载资源辅助学习；第二，在课程考核方面增加了平时成绩比重，比如从原来平时占20%，增加为30%40%，甚至到50%；第三，加强教师对辅助教学平台数据的监控，缩

9、短平台日志的浏览时间，一旦发现有异常的学生，及时给予提醒；第四，针对作业抄袭这一问题，通过一些技术手段来制约，比如要求学生在完成相同作业任务后，必须写一段针对该部分作业的感受体会，作业评分会向这部分描述倾斜；第五，了解班上的后进生，为他们安排一对一帮扶，加大其考勤和课堂提问频率，加强平时学习过程的监控。通过这样的改革后，相同的课程，在第七届学生的教学过程中，各项行为指标变量和最后的期末过关率都有了一定的好转和提高。最值得欣慰的是：第一，班上一名濒临拿不到学位的学生，通过该门课程的学习，不仅增强了学习主动性，而且期末也顺利通过考试；第二，班上抄袭作业的风气得到遏制，几乎杜绝了这一现象。五、教学活

10、动流分析的实际应用意义随着师生教学过程的推进，包括作业成绩、网络资源使用情况、讨论参与度等主观行为数据也在不断增加。因此，教学活动流的分析结果也会更加准确和动态变化，分析结果可以应用于管理者、教师以及学生等多种用户，让其了解当前现状及其影响因素，以优化教学过程。(一)应用于管理者作为教学管理者，可以根据分析结果了解某个办学机构的整体教学情况，如师生的各类教学活动总量及平均情况，各类教学资源的利用情况，当前教学计划的进展情况，以及是否出现偏离“轨道”的意外状况等，以便从宏观上对整体教学秩序和教学模式进行掌控和调整。(二)应用于教师对于教师而言，可以从自己承担的教学任务开展教学分析，分析内容包括学

11、生学习行为统计描述、师生交互行为分析、影响学生学习表现的各种因素分析等。通过分析可以了解学生学习的现状，从而有助于掌握学生的学习习惯，及时调整课程设计和教学方案。另外，还可向高风险学生发出预警信号，与他们进行及时沟通交流，并提供必要的方法引导和思想疏导，避免教学失败，将教学质量落到实处。(三)应用于学生对于学生而言，目前的网络教学平台都具备完善的日志功能，记录了对每个模块的访问及行为方式，它的“统计报表”模块可让学生了解自己一段时间的学习行为。教学活动流库中的数据分析也可以让学生了解自己的学习行为表现，以及和其他同学的差距，通过对比起到后进赶先进的促进作用。六、结论和展望随着数字化校园建设和网

12、络辅助教学工具等信息化工程在教育领域的大力推进，积累了海量的教学过程数据，如何采集、处理、分析和利用这些数据，让这些数据“活”起来，“开口”说话，为教学决策、过程优化、效果提升提供重要数据依据已成为教育工作者和广大学生关注的内容。本文提出的教学活动流分析应用起到了抛砖引玉的作用。在后续的研究中，还可从以下两个方面进一步深入：多样化分析内容。除了本文分析的教学过程行为指标之外，还有很多内容也可以分析，如旷课学生统计、期末成绩分布、教学工具使用偏好统计、考试作弊行为统计、上网时间分布、师生交互情况分析等，可以根据教学规律归纳出若干有针对性的分析任务，为各个教学部门提供建议和决策支持。采用多种分析方

13、法和工具。除了采用相关性分析之外，还可以选择聚类、关联规则及可视化等分析方法和工具，并研究其适用的领域。参考文献：陈池，王宇鹏，李超，张勇，邢春晓.2014.面向在线教育领域的大数据研究及应用j.计算机研究与发展(51)：67-71.方海光，侯伟锋，王晓春，楚云海.2014.基于padclass模型的数字化课堂学习过程数据挖掘与分析研究j.电化教育研究(18)：110-113.顾小清，张进良，蔡慧英.2012.学习分析：正在浮现中的数据技术j.远程教育杂志(1)：18-25.顾小清，郑隆威，简菁.2014.获取教育大数据：基于xapi规范对学习经历数据的获取与共享j.现代远程教育研究(5)：1

14、3-23.王亮.2015.学习分析技术建立学习预测模型j.实验室研究与探索(1)：215-218.魏顺平.2013.学习分析技术：挖掘大数据时代下教育数据的价值j.现代教育技术(2)：5-11.郁晓华，顾小清.2013.学习活动流：一个学习分析的行为模型j.远程教育杂志(4)：20-28.bienkowski, m. feng, m. & means, b. 2012. enhancing teaching and learning through educational data mining and learning analytics: an issue brief. retri

15、eved may 13, 2016. from chen, e., heritage，m., & lee, j. 2005. identifying and monitoring students' learning needs with technologyj. journal of education for students placed at risk, 10(3), 309-332.duhon, r. 2014. mapping learning into the experience api. retrieved may 13, 2016，from global pul