基于大数据的学情诊断与预警的研究

《基于大数据的学情诊断与预警的研究》论文发表期刊：《中国多媒体与网络教学学报》；发表周期：2021年05期

《基于大数据的学情诊断与预警的研究》论文作者信息：黄剑（1982-），男，汉族，浙江衢州人，硕士，高级实验师，研究方向：数据分析研究；乐安波（1964-），男，汉族，浙江宁波人，博士，副教授，研究方向：数理金融研究

　　【摘要】大数据发展促使高校教学管理的创新。本文首先提出了大数据学情诊断的应用思路。应用大数据技术，能够实现精准的学情诊断、合理的过程评价，并提供及时的教学干预和就业服务优化。最后就高校实施大数据学情诊断建设提出了相关建议。

　　[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

　　【关键词】学情诊断;大数据;个性化教学;教育大数据

　　一、大数据学情诊断的意义

　　大数据挖掘技术旨在通过非常规的手段，在海量的、多种数据类型的数据中获取潜在的、隐含的、用户感兴趣的信息。大数据时代到来，数据爆发式地增长，大数据分析技术在各个领域应用效果凸显。随着校园信息化的建设，教育数据体量和覆盖范围越来越广，其中包括教务管理系统、图书馆信息系统、校园一卡通管理系统、校园网络管理系统、网络教学平台等。教学过程中也越来越多地应用了多媒体、网络等设备平台进行辅助教学。

　　教育部在《教育信息化十年发展规划(2011-2020)》中明确指出，“要推进信息技术与教育教学深度融合、培养学生信息化环境下的学习能力、促进人才培养模式创新。”这就要求各个高校在发展校园信息化建设的同时，合理地使用数据，开展教育数据挖掘，促进个性化教学，创新人才培养模式、提高人才培养质量教育数据挖掘(EDM)顾名思义是利用教育教学过程中产生的数据，通过数据挖掘技术和手段进行分析，为教育领域相关的人员(如教师、学生、家长、教学管理者等)提供教育决策服务等技术手段。学情诊断是教育数据挖掘的一种应用，是提供个性化教学和学情预警的基础。传统的学情诊断模式中，获取数据的途径较少。传统做法更多的是通过问卷调查、上课观察、座谈、课堂教学情况反馈等方式获取学生学情信息，通过教师的个人教学经验进行数据的综合。其目的更多是为了评价某一门课的相关知识学习难度、掌握程度等，从而为课程组老师进行教学相关的教学内容和教学手段的设计，应用点相对较少。传统的学情分析数据使用的效率较低，无法做到多途径获取数据及数据的量化、融合及深入分析。相对而言，在大数据环境下，利用数据挖掘技术可以更好地融合多平台、多结构数据，深入地进行数据分析，并提供全方面的学情诊断和预警。以大数据学情诊断为依据，全面地反映学生学习的总体水平、发展趋势和个体差异，从而提供精准的个性化教学。

　　二、教育大数据特点及大数据技术

　　大数据学情诊断技术是大数据技术在高校数据中的应用。教育大数据同样遵循着大数据所拥有4V特征，同时也带来教育数据挖掘的一系列问题。

　　1，教育大数据的特点

　　(1)数据体量大

　　每年有各高校学生信息数据、各类教学平台学习行为数据(中国大学mooc网，学校自建moodle教学平台等)、校园信息化管理平台等。数据整体容量较大，会给数据的应用带来一定的难度。

　　(2)数据多样性

　　教育大数据的来源很多，存在结构化数据和非结构化数据。学生上网的日志、在线课程的浏览时间、上课的教学监控视频等均可成为大数据挖掘的来源。多种类型的数据在数据的使用上增加了许多困难。

　　(3)数据增速快

　　学生学习行为数据、教学过程数据均为动态更新数据。随着时间的推移，个人数据会呈现出不同的阶段性特点，这是学情诊断分析的关键。

　　(4)数据价值密度低

　　针对不同的目标，数据存在的相关价值差别较大。价值密度低是大数据的特点之一。教育数据是大量的，但能够产生价值的只有小部分数据。如何针对性地选取数据，并得到合理的结果推断，是大数据技术在教育数据中应用的重点。

　　2·教育大数据分析方法

　　面对以上问题，传统统计分析方法将无法进行全面合理的分析。将大数据挖掘技术应用到教育大数据中，才能够充分利用现有数据。教育决策本身是一个庞大复杂的工程，需要依赖于详实可靠的数据、更需要依赖于为教育大数据而产生的自动化处理技术。

　　教育数据挖掘需要经过数据预处理、探索分析、数据挖掘、结果解释和评价、获得决策几个部分组成。其中数据预处理是将多样化的、高纬度的数据转化成符合挖掘模型要求的数据结构。探索分析能够帮助分析者快速地掌握数据特点，锁定研究方向。数据挖掘模型是整个教育数据挖掘的核心部分。针对教育大数据挖掘而言，常用的方法有：统计分析和可视化、聚类、分类、关联规则等手段。

　　(1)统计分析和可视化

　　可假设数据服从某种经验概率分布，利用统计模型得出相关的结论。比如，传统成绩分布一般会认为是均值为75的正态分布，通过考试成绩与此分布的吻合程度可判定该门课的教学效果。可视化技术用于数据的直观展示，帮助分析人员快速地获取数据信息，从而直接估计出相关结论。

　　(2)分类

　　分类模型是一种预测性模型。通过对一些已知类别的研究对象进行学习，提取归纳相关规则，从而对未知类别的研究对象进行类别的预测。在学情分析的过程中，可以利用学生学习行为数据、成绩走势进行学习状态的分类，从而达到预警效果。

　　(3)聚类

　　聚类分析技术是一种无监督的自动分类技术。通过所研究对象之间的相似性进行样本的分离。在教学过程中，通过聚类技术将学生进行自然分组，根据不同组的特点进行个性化的学习指导。

　　(4)关联规则

　　关联分析能够发现事件间的潜在关联，也可以挖掘事件发生的前后关系，如序列挖掘。通过学生的行为数据发现未来出现突发状况的前缀事件，从而得到某种预警效果。比如在学生多次旷课且上网时长过多时，可能会出现成绩下滑的现象。

　　除此以上基本方法之外，还可以通过异常检测、文本挖掘等手段进行更有针对性、更深层次的事件关注。经过挖掘过程，得到相对应的模型结果，并利用教育相关的领域知识总结出决策。

　　三、大数据学情诊断与预警应用思路

　　“学情”是一个比较宽泛的概念，不仅包括学生在学习某课程或专业知识前的知识结构、能力水平、专业兴趣等，还包括学习习惯、学习现状、学习氛围等学习过程中的状况以及学后反馈等信息。针对学情的研究，不仅仅是为了课程设计、教学手段改革，更应该能够通过大数据挖掘手段获得教学评价、教学干预和拓展服务相关的决策支持。本研究旨在有效利用大数据工具，使其在学情诊断中发挥关键作用，并且推动教学、学习、评价和管理等领域的改革，整体应用框架如图1。针对高校学情诊断应用思路提出了一些想法和举措。

　　1. 洞察学习规律，开展学情分析

　　要准确地了解学情，开展学情分析，必须掌握大量的学生学习行为数据。通过对学生行为数据的量化评价，利用分类预测模型洞察学习规律，提供学情趋势，开展诊断分析。全球知名的可汗学院，利用在线学习平台收集学生的学习数据，并从中获取学生学习规律。数据成为可汗学院运行的关键，如果说那些吸引人的10分钟视频课程是可汗学院的心脏，那么时刻在后台运行的数据分析就是它的大脑。为了更好地获取学习行为数据，高校应该从两方面推动。

　　一是推动网络教学平台的使用。传统教学模式存在数据获取困难的特点，教师主观的教学感觉无法很好地录入信息管理系统并且量化分析。网络教学平台(如MOODLE平台，中国大学MOOC等)，不仅能够很好地实现资源共享、任务管理、过程监控和考核、答疑等教学管理功能，为学生探究式学习提供资源库，如案例库、微课视频库、软件文档库、数据集等教学资源，而且可以进行教学行为数据的采集，实时反馈学生学习过程。

　　二是多来源数据综合应用。学习过程数据是学情诊断的主体数据，同时合理地利用其他各类信息系统获取学生基本信息、生活行为等数据能够为学情诊断提高准确性。如关注学生借阅的图书数量和类型，可反映学生对学习的专注度和对本专业的兴趣度。利用多维数据的综合评价，反映学生学习规律，从而开展学情诊断分析。

　　2，推动过程评价，促进教学设计过程评价是指在教学过程中对学生学习过程反映的状态进行持续的、多次的评价，避免了传统教学模式中，一考定结果的评价方式。我校自开展研究性教学以来，已经在推广过程性评价体系。针对课程特点采用多样化评价方式。过程性评价，能够动态地展现学生学习过程，方便教师及时调整教学活动，保证高效的教学质量，改进教学设计，最终达到教学目的。

　　通过教学行，利用中国大学MOOC.

　　MOODLE平台、雨课堂等采集学生的实时反馈数据，查看学生作业、参与讨论、查阅资料能力、课外学习轨迹等网络平台反馈信息，建立学生的课程电子档案，从而进一步完善学生的过程评价体系及多元化评价体系，促进课程教学设计的动态更新，以满足学生的学习需求。

　　另一方面，通过学习过程教学评价，采用统计分析模型，可反映学生对课程学习的兴趣度、掌握程度、对教师的满意度等信息，从而进一步开展评教工作。

　　3，提高个性化教学，施加教学干预因材施教一直是我们所倡导的教学模式，个性化教学就是因材施教的根本体现。学生在学习过程中体现出来的个体差异，包括知识结构、学习能力和学习态度上的多种差异。传统的课堂教学，老师需要顾及大部分学生，这就造成有些人“吃不饱"，有些人“吃不下”的现象，很难实现个性化教学。通过网络教学平台，教学干预、学业引导等多种渠道，打造针对性的个性化教学环境。

　　在日常教学过程中，学生在网络教学平台中的学习行为能很好地反映学生学习过程，其中包括学习资料阅读、教学录像播放、教学互动、教学反馈、小组讨论等数据。这些数据都实时地反映了学生的学习状况，当数据积累到一定程度，就可反映出各种现象。如利用聚类模型可将知识掌握程度不同、学习态度不同的学生进行归类，分成不同组，针对不同组特点进行学习引导，从而实现个性化教学。亦可根据学生查看学习资料的情况，将知识点进行分类，针对学生掌握较弱的知识点进行重点讲述。通过不同学生、不同群体的不同需求最终做到一类一方案。当然，仅仅通过课堂教学远远不够，可借助网络教学平台，通过技术手段辅助进行。大数据挖掘技术的特点就在于能实时获取学习者的学习轨迹，分析学习行为数据中潜在的规律，从而对未来学习状况进行预判，帮助教师提前实施有效干预，达到最好的教学效果。

　　4，数据驱动，优化就业服务就业是高校教育成效的一个重要体现。高校毕业生的就业率和就业满意度是教学质量评价的重要指标。学情诊断不仅要关注专业教学过程，更要关注专业人才培养是否适应社会的发展。以我校为例，旨在培养高素质应用型人才，那么毕业生必须符合行业的需求。专业人才培养方案的制定、教学资源的分配与社会发展和行业发展息息相关。通过大数据技术进一步扩大信息采集，使社会发展人才需求数据与专业培养目标结合，行业和市场的动态变化和人才培养方案调整结合，学生就业期间掌握的专业素质能力和未来就业岗位结合，以优质就业为目标，进行数据驱动的管理服务。

　　四、高校实施大数据学情诊断与预警的建设建议1，建立部门数据互通管理制度高校信息化建设使各个部门均存储了大量数据，如何将这些数据进行整合并合理利用是大数据学情诊断的关键。建立一套完整数据调用和分享机制，有助于综合分析每个学生情况，保证分析结果准确性。同时，信息互通制度应注意隐私安全、数据准确性、数据使用监管等问题。应以学校信息中心牵头，各部门数据管理人员为责任人，提供本部门数据共享服务，提供相关数据调取接口并严格实施用户权限管理，保证数据安全使用。

　　2，基于大数据平台，发布预警信息建立大数据学情诊断预警平台，采集各类数据进行大数据分析。针对不同的应用，提供学情诊断预警。各预警内容均由专职老师管理，并发布。如新生入学后，通过新生的入学信息、新生心理测试等数据建立存在心理问题学生的档案，并根据学生的学习行为、生活行为数据定期进行心理状态预警。根据学生校园消费数据，识别经济困难学生，并进行预警从而有效地审核贫困生身份。根据学生课堂缺勤和网络教学参与情况，进行学业预警，及时进行教学干预，调整学生学习状态。做到多角度、实时了解学生、及时调整学生在校期间的状态，时刻用饱满的情绪参与学习等校园活动。

　　总之，大数据的学情诊断和预警技术还在不断的探索中，应用过程中涉及多方面的问题。但只要遵从学生

　　的学习规律，满足社会发展的需要，充分利用大数据技术，就能真正做到精准教学，个性化发展。

　　【参考文献】

　　[1]中华人民共和国教育部，教育部关于印发《教育信息化十年发展规划(2011-2020年)》的通知.[EB/OL]

　　[2]周庆，牟超，杨丹，教育数据挖掘研究进展综述[J.件，2015，26(11)：3026-3042.

　　[3]范国睿，努力构建科学民主的教育决策理论与实模式[N].中国社科报，2014-03-28(B02).

　　[4]张燕男.大数据的教育领域应用之研究-基于美国应践[D].华师范大学，2016.