《基于大數據的學情診斷與預警的研究》論文發表期刊：《中國多媒體與網絡教學學報》；發表周期：2021年05期

《基于大數據的學情診斷與預警的研究》論文作者信息：黃劍（1982-），男，漢族，浙江衢州人，碩士，高級實驗師，研究方向：數據分析研究；樂安波（1964-），男，漢族，浙江寧波人，博士，副教授，研究方向：數理金融研究

　　【摘要】大數據發展促使高校教學管理的創新。本文首先提出了大數據學情診斷的應用思路。應用大數據技術，能夠實現精準的學情診斷、合理的過程評價，并提供及時的教學干預和就業服務優化。最后就高校實施大數據學情診斷建設提出了相關建議。

　　[Abstract]The development of big data has promoted the innovation of teaching management in universities.Firstly，this paper proposes the application ideas of learning situation analysis base on big data.The application of big data technology helpls realize accurate diagnosis of learning situation and reasonable process evaluation，and provide timely teaching intervention and employment service optimization.Finally，this paper gives relevant suggestions on the implementation of learning situation diagnosis by big data in universities

　　【關鍵詞】學情診斷;大數據;個性化教學;教育大數據

　　一、大數據學情診斷的意義

　　大數據挖掘技術旨在通過非常規的手段，在海量的、多種數據類型的數據中獲取潛在的、隱含的、用戶感興趣的信息。大數據時代到來，數據爆發式地增長，大數據分析技術在各個領域應用效果凸顯。隨著校園信息化的建設，教育數據體量和覆蓋范圍越來越廣，其中包括教務管理系統、圖書館信息系統、校園一卡通管理系統、校園網絡管理系統、網絡教學平臺等。教學過程中也越來越多地應用了多媒體、網絡等設備平臺進行輔助教學。

　　教育部在《教育信息化十年發展規劃(2011-2020)》中明確指出，“要推進信息技術與教育教學深度融合、培養學生信息化環境下的學習能力、促進人才培養模式創新。”這就要求各個高校在發展校園信息化建設的同時，合理地使用數據，開展教育數據挖掘，促進個性化教學，創新人才培養模式、提高人才培養質量教育數據挖掘(EDM)顧名思義是利用教育教學過程中產生的數據，通過數據挖掘技術和手段進行分析，為教育領域相關的人員(如教師、學生、家長、教學管理者等)提供教育決策服務等技術手段。學情診斷是教育數據挖掘的一種應用，是提供個性化教學和學情預警的基礎。傳統的學情診斷模式中，獲取數據的途徑較少。傳統做法更多的是通過問卷調查、上課觀察、座談、課堂教學情況反饋等方式獲取學生學情信息，通過教師的個人教學經驗進行數據的綜合。其目的更多是為了評價某一門課的相關知識學習難度、掌握程度等，從而為課程組老師進行教學相關的教學內容和教學手段的設計，應用點相對較少。傳統的學情分析數據使用的效率較低，無法做到多途徑獲取數據及數據的量化、融合及深入分析。相對而言，在大數據環境下，利用數據挖掘技術可以更好地融合多平臺、多結構數據，深入地進行數據分析，并提供全方面的學情診斷和預警。以大數據學情診斷為依據，全面地反映學生學習的總體水平、發展趨勢和個體差異，從而提供精準的個性化教學。

　　二、教育大數據特點及大數據技術

　　大數據學情診斷技術是大數據技術在高校數據中的應用。教育大數據同樣遵循著大數據所擁有4V特征，同時也帶來教育數據挖掘的一系列問題。

　　1，教育大數據的特點

　　(1)數據體量大

　　每年有各高校學生信息數據、各類教學平臺學習行為數據(中國大學mooc網，學校自建moodle教學平臺等)、校園信息化管理平臺等。數據整體容量較大，會給數據的應用帶來一定的難度。

　　(2)數據多樣性

　　教育大數據的來源很多，存在結構化數據和非結構化數據。學生上網的日志、在線課程的瀏覽時間、上課的教學監控視頻等均可成為大數據挖掘的來源。多種類型的數據在數據的使用上增加了許多困難。

　　(3)數據增速快

　　學生學習行為數據、教學過程數據均為動態更新數據。隨著時間的推移，個人數據會呈現出不同的階段性特點，這是學情診斷分析的關鍵。

　　(4)數據價值密度低

　　針對不同的目標，數據存在的相關價值差別較大。價值密度低是大數據的特點之一。教育數據是大量的，但能夠產生價值的只有小部分數據。如何針對性地選取數據，并得到合理的結果推斷，是大數據技術在教育數據中應用的重點。

　　2·教育大數據分析方法

　　面對以上問題，傳統統計分析方法將無法進行全面合理的分析。將大數據挖掘技術應用到教育大數據中，才能夠充分利用現有數據。教育決策本身是一個龐大復雜的工程，需要依賴于詳實可靠的數據、更需要依賴于為教育大數據而產生的自動化處理技術。

　　教育數據挖掘需要經過數據預處理、探索分析、數據挖掘、結果解釋和評價、獲得決策幾個部分組成。其中數據預處理是將多樣化的、高緯度的數據轉化成符合挖掘模型要求的數據結構。探索分析能夠幫助分析者快速地掌握數據特點，鎖定研究方向。數據挖掘模型是整個教育數據挖掘的核心部分。針對教育大數據挖掘而言，常用的方法有：統計分析和可視化、聚類、分類、關聯規則等手段。

　　(1)統計分析和可視化

　　可假設數據服從某種經驗概率分布，利用統計模型得出相關的結論。比如，傳統成績分布一般會認為是均值為75的正態分布，通過考試成績與此分布的吻合程度可判定該門課的教學效果。可視化技術用于數據的直觀展示，幫助分析人員快速地獲取數據信息，從而直接估計出相關結論。

　　(2)分類

　　分類模型是一種預測性模型。通過對一些已知類別的研究對象進行學習，提取歸納相關規則，從而對未知類別的研究對象進行類別的預測。在學情分析的過程中，可以利用學生學習行為數據、成績走勢進行學習狀態的分類，從而達到預警效果。

　　(3)聚類

　　聚類分析技術是一種無監督的自動分類技術。通過所研究對象之間的相似性進行樣本的分離。在教學過程中，通過聚類技術將學生進行自然分組，根據不同組的特點進行個性化的學習指導。

　　(4)關聯規則

　　關聯分析能夠發現事件間的潛在關聯，也可以挖掘事件發生的前后關系，如序列挖掘。通過學生的行為數據發現未來出現突發狀況的前綴事件，從而得到某種預警效果。比如在學生多次曠課且上網時長過多時，可能會出現成績下滑的現象。

　　除此以上基本方法之外，還可以通過異常檢測、文本挖掘等手段進行更有針對性、更深層次的事件關注。經過挖掘過程，得到相對應的模型結果，并利用教育相關的領域知識總結出決策。

　　三、大數據學情診斷與預警應用思路

　　“學情”是一個比較寬泛的概念，不僅包括學生在學習某課程或專業知識前的知識結構、能力水平、專業興趣等，還包括學習習慣、學習現狀、學習氛圍等學習過程中的狀況以及學后反饋等信息。針對學情的研究，不僅僅是為了課程設計、教學手段改革，更應該能夠通過大數據挖掘手段獲得教學評價、教學干預和拓展服務相關的決策支持。本研究旨在有效利用大數據工具，使其在學情診斷中發揮關鍵作用，并且推動教學、學習、評價和管理等領域的改革，整體應用框架如圖1。針對高校學情診斷應用思路提出了一些想法和舉措。

　　1. 洞察學習規律，開展學情分析

　　要準確地了解學情，開展學情分析，必須掌握大量的學生學習行為數據。通過對學生行為數據的量化評價，利用分類預測模型洞察學習規律，提供學情趨勢，開展診斷分析。全球知名的可汗學院，利用在線學習平臺收集學生的學習數據，并從中獲取學生學習規律。數據成為可汗學院運行的關鍵，如果說那些吸引人的10分鐘視頻課程是可汗學院的心臟，那么時刻在后臺運行的數據分析就是它的大腦。為了更好地獲取學習行為數據，高校應該從兩方面推動。

　　一是推動網絡教學平臺的使用。傳統教學模式存在數據獲取困難的特點，教師主觀的教學感覺無法很好地錄入信息管理系統并且量化分析。網絡教學平臺(如MOODLE平臺，中國大學MOOC等)，不僅能夠很好地實現資源共享、任務管理、過程監控和考核、答疑等教學管理功能，為學生探究式學習提供資源庫，如案例庫、微課視頻庫、軟件文檔庫、數據集等教學資源，而且可以進行教學行為數據的采集，實時反饋學生學習過程。

　　二是多來源數據綜合應用。學習過程數據是學情診斷的主體數據，同時合理地利用其他各類信息系統獲取學生基本信息、生活行為等數據能夠為學情診斷提高準確性。如關注學生借閱的圖書數量和類型，可反映學生對學習的專注度和對本專業的興趣度。利用多維數據的綜合評價，反映學生學習規律，從而開展學情診斷分析。

　　2，推動過程評價，促進教學設計過程評價是指在教學過程中對學生學習過程反映的狀態進行持續的、多次的評價，避免了傳統教學模式中，一考定結果的評價方式。我校自開展研究性教學以來，已經在推廣過程性評價體系。針對課程特點采用多樣化評價方式。過程性評價，能夠動態地展現學生學習過程，方便教師及時調整教學活動，保證高效的教學質量，改進教學設計，最終達到教學目的。

　　通過教學行，利用中國大學MOOC.

　　MOODLE平臺、雨課堂等采集學生的實時反饋數據，查看學生作業、參與討論、查閱資料能力、課外學習軌跡等網絡平臺反饋信息，建立學生的課程電子檔案，從而進一步完善學生的過程評價體系及多元化評價體系，促進課程教學設計的動態更新，以滿足學生的學習需求。

　　另一方面，通過學習過程教學評價，采用統計分析模型，可反映學生對課程學習的興趣度、掌握程度、對教師的滿意度等信息，從而進一步開展評教工作。

　　3，提高個性化教學，施加教學干預因材施教一直是我們所倡導的教學模式，個性化教學就是因材施教的根本體現。學生在學習過程中體現出來的個體差異，包括知識結構、學習能力和學習態度上的多種差異。傳統的課堂教學，老師需要顧及大部分學生，這就造成有些人“吃不飽"，有些人“吃不下”的現象，很難實現個性化教學。通過網絡教學平臺，教學干預、學業引導等多種渠道，打造針對性的個性化教學環境。

　　在日常教學過程中，學生在網絡教學平臺中的學習行為能很好地反映學生學習過程，其中包括學習資料閱讀、教學錄像播放、教學互動、教學反饋、小組討論等數據。這些數據都實時地反映了學生的學習狀況，當數據積累到一定程度，就可反映出各種現象。如利用聚類模型可將知識掌握程度不同、學習態度不同的學生進行歸類，分成不同組，針對不同組特點進行學習引導，從而實現個性化教學。亦可根據學生查看學習資料的情況，將知識點進行分類，針對學生掌握較弱的知識點進行重點講述。通過不同學生、不同群體的不同需求最終做到一類一方案。當然，僅僅通過課堂教學遠遠不夠，可借助網絡教學平臺，通過技術手段輔助進行。大數據挖掘技術的特點就在于能實時獲取學習者的學習軌跡，分析學習行為數據中潛在的規律，從而對未來學習狀況進行預判，幫助教師提前實施有效干預，達到最好的教學效果。

　　4，數據驅動，優化就業服務就業是高校教育成效的一個重要體現。高校畢業生的就業率和就業滿意度是教學質量評價的重要指標。學情診斷不僅要關注專業教學過程，更要關注專業人才培養是否適應社會的發展。以我校為例，旨在培養高素質應用型人才，那么畢業生必須符合行業的需求。專業人才培養方案的制定、教學資源的分配與社會發展和行業發展息息相關。通過大數據技術進一步擴大信息采集，使社會發展人才需求數據與專業培養目標結合，行業和市場的動態變化和人才培養方案調整結合，學生就業期間掌握的專業素質能力和未來就業崗位結合，以優質就業為目標，進行數據驅動的管理服務。

　　四、高校實施大數據學情診斷與預警的建設建議1，建立部門數據互通管理制度高校信息化建設使各個部門均存儲了大量數據，如何將這些數據進行整合并合理利用是大數據學情診斷的關鍵。建立一套完整數據調用和分享機制，有助于綜合分析每個學生情況，保證分析結果準確性。同時，信息互通制度應注意隱私安全、數據準確性、數據使用監管等問題。應以學校信息中心牽頭，各部門數據管理人員為責任人，提供本部門數據共享服務，提供相關數據調取接口并嚴格實施用戶權限管理，保證數據安全使用。

　　2，基于大數據平臺，發布預警信息建立大數據學情診斷預警平臺，采集各類數據進行大數據分析。針對不同的應用，提供學情診斷預警。各預警內容均由專職老師管理，并發布。如新生入學后，通過新生的入學信息、新生心理測試等數據建立存在心理問題學生的檔案，并根據學生的學習行為、生活行為數據定期進行心理狀態預警。根據學生校園消費數據，識別經濟困難學生，并進行預警從而有效地審核貧困生身份。根據學生課堂缺勤和網絡教學參與情況，進行學業預警，及時進行教學干預，調整學生學習狀態。做到多角度、實時了解學生、及時調整學生在校期間的狀態，時刻用飽滿的情緒參與學習等校園活動。

　　總之，大數據的學情診斷和預警技術還在不斷的探索中，應用過程中涉及多方面的問題。但只要遵從學生

　　的學習規律，滿足社會發展的需要，充分利用大數據技術，就能真正做到精準教學，個性化發展。

　　【參考文獻】

　　[1]中華人民共和國教育部，教育部關于印發《教育信息化十年發展規劃(2011-2020年)》的通知.[EB/OL]

　　[2]周慶，牟超，楊丹，教育數據挖掘研究進展綜述[J.件，2015，26(11)：3026-3042.

　　[3]范國睿，努力構建科學民主的教育決策理論與實模式[N].中國社科報，2014-03-28(B02).

　　[4]張燕男.大數據的教育領域應用之研究-基于美國應踐[D].華師范大學，2016.