當前位置 > 首頁 > 會員服務 > CPDA數據分析師優秀原創文章:基于移動云教學平臺的學情數據分析實證研究-以獨立學院《動態網站設計》課程為例

CPDA數據分析師優秀原創文章:基于移動云教學平臺的學情數據分析實證研究-以獨立學院《動態網站設計》課程為例

來源:中國數據分析行業網 | 時間:2019-09-23 | 作者:數據委

 

作者:CPDA數據分析師 劉云鵬

 

摘 要:在“移動互聯網+”時代來臨之際,切實開展真正的翻轉課堂教學,將會開啟大數據時代高等教育教學改革的新天地,每個教師都可以是自己課堂的大數據生產者。本研究通過移動學習環境下,開展云班課進行《動態網站設計》的混合式教學實踐,并通過云班課收集的詳細數據,利用“Datahoop”大數據分析平臺,對學生的學習狀況進行分類,分析學生的學習動機,探索基于網絡的學生學習心理,為教師開展網絡教學、制作滿足學生需求的課程資源和學生考核管理辦法等提供數據和理論支撐。

關鍵詞:云教學;學情數據;教育數據分析;聚類分析

中圖分類號:TP391.9???????????????????????????????????? 文獻標志碼:A

An Empirical Study of Learning Situation Data Analysis Based on Mobile Cloud Teaching Platform: A Case Study of Dynamic Website Design Course

Liuyunpeng

(Neusoft Institute Guangdong, Guangdong 528225, China)

 

Abstract: In the era of "mobile Internet +", to carry out the real flipped classroom teaching will open up a new world for the reform of higher education in the era of big data. Every teacher can be a big data producer in his classroom. This research carries out the mixed teaching practice of "Dynamic Website Design" in Blue Moyun Class under the mobile learning environment, and classifies the students'learning status, want to analyses their learning motivation and explores the students based on the network through the detailed data collected from the cloud class and the big data analysis platform of "Datahoop". Learning psychology provides data and theoretical support for teachers to carry out online teaching, make curriculum resources to meet students'needs and students' assessment management methods.

Keywords: Cloud Teaching; Learning Data; Educational Data Analysis; Cluster Analysis

 

一、前言

“大智移云”時代的高等教育,提高教育質量必然是重中之重。保證課堂教學質量、提升學生的綜合素質更是教育信息化發展的核心目標。而教育領域的大數據研究,更應該追本溯源,努力在學科本位、知識本位、課程本位上利用大數據技術與方法,深度解析學生的課堂表現與學習效果,并分析學生的學習動機,從而產生積極的教育影響,幫助教師挖掘教學過程中潛在的影響因素,并加以針對性的改善。

 

二、研究方法

(一)教育大數據在學情方面的相關研究

2012年美國智庫布魯金斯研究院Darrell M. West最早提出,在教育領域中,可通過收集學生使用、互動信息,課程信息獲取相關的教學數據如:分類(Systematic)數據、實時(Real-Time)數據、利用數據監管(Data Curation),高校行政部門可以獲知相關教育管理信息,從而進行預測評估學校的各類教學信息,并通過數據可視化的方法,直觀的顯示給教育決策者以及教師,以便取得進一步的教育決策,最大化的監控學情。同年,美國教育部發布了《通過教育數據挖掘和學習分析促進教與學》(Enhancing Teaching and Learning through Educational Data Mining and Learning Analytics)提出了教育領域數據挖掘的四個范式目標,即:(1)開發學習者范式,通過對學習者的知識體系結構、學習動機、元認知、學習態度來構建范式,并預測學習者的學習狀況及未來成績。(2)開發相關課堂教學范式,最大化優化教學內容和教學方法。(3)開發各類教學軟件運用范式,方便教育數據的采集。(4)綜合考量學習者、課堂教學、軟件運用等因素下,大數據時代的有效學習范式。

 

在以上范式目標下,教育大數據的研究主要可以采用以下幾種方法Baker(2011)提出了:(1)趨勢分析(Prediction)。通過歷史數據進行多個變量的預測模式,如研究者通過在線學習環境中學習者參與在線討論的情況 、 測試情況等,預測學習者在該門課程的學習中是否有失敗的風險。(2)聚類分析(Clustering)。根據數據特性,將一個完整的數據集分成不同的子集 ,例如,研究者根據學習者在在線學習環境中學習困難 、交互模式等將學習者分成不同的群組,進而為不同的群組提供合適的學習資源和組織合適的學習活動。(3)關系挖掘(Relationship mining)。 探索數據集中各變量之間的相關關系,并將相關關系作為一條規則進行編碼,例如,研究者利用關系挖掘,探索在線學習環境中學習者學習活動和學習成績的相關關系,進而用于改進學習內容呈現方式和序列,以及在線教學方法。(4)自然語言轉化(Distillation for human judgment)。用一種便于人類理解的方式描述數據,以便人們能夠快速地判斷和區分數據特征,該方法主要以可視化數據分析技術為主,用以改善機器學習模型。(5)模型構建(Discovery with models)。 通過對數據集的聚類 、相關關系挖掘等過程 ,構建供未來分析的有效現象解釋模型。

 

Cristobal(2013)提出自適應學習和個性化學習將會成為一種新的學習范式,而數據對這種新范式的實踐起著至關重要的作用。對于個性化教育,人們需要確定學生的相關數據,了解學習提升的真正要素,從而提供有針對性的教學。教育數據的挖掘,就是開發、研究和應用計算機方法從教育大數據中發現學習模式和特征,并且提出了數據挖掘的典型步驟包括:數據采集、數據預處理(如,數據“清理”)、數據挖掘和結果驗證。機器智能學習系統可以保存人機交互所產生的詳細日志,包括按鍵點擊、眼動跟蹤和視頻數據。教育數據的挖掘即通過開發、研究并應用計算機智能化的方法,來檢測教育大數據的模式。這些數據不僅包括學生個體與智能系統之間的交互數據(如,導向行為、互動練習等),也包括來自于學生之間的協作(如,文本聊天)、管理數據(如,學校管理、教師管理等)以及學生個體情況數據(如,性別、年齡、學校成績、學習軌跡等)。學生的情感數據(如,動機、情緒狀態等)是教育數據挖掘的重點,這些數據可以從生理傳感(例如,面部表情、坐姿等)中推斷出來。

 

基于以上的研究,本研究采用的方法主要是通過《動態網站設計》課堂教學實踐中,依靠藍墨云班課軟件積累的自然教學數據,通過進行趨勢分析、聚類分析等方法,進行學情分析。最后再通過數據可視化,解讀學情背后的學生學習動機、學習心理。

 

(二)數據來源

結合教學實際,該數據選取的研究對象是16級的兩個不同專業的本科班,每班人數約在30人左右,并通過同一學期的混合式翻轉課堂教學實踐。研究對象的課程成績是由期末成績+平時成績兩部分構成。總成績=期末成績×70%+平時成績×30%。本研究的數據來源于藍墨云班課教學的動態網站設計課程的兩個教學班A班與B班,通過數據對比進行研究。

 

三、成績趨勢分析

參考國內外研究,結合獨立學院“動態網站設計”的教學實際,課程團隊構建了“動態網站設計”形成性評價方案。將“動態網站設計”學期成績分為“平時考核成績“與”期末考核成績”兩部分。比例為30%與70&。前者包含了六項活動分別為:非視頻資源學習10%;簽到10%;測試15%;討論答疑5%;頭腦風暴5%;投票問卷10%;作業/小組任務15% 課堂表現15%;被老師點贊加分5%。

 

通過期末成績分布表,我們可以看出A班的學生成績與B班的學生成績略有不同,A班成績較為發散,B班成績較為集中,為更進一步的研究A、B班的成績分布,繪制散點圖如圖1 圖2 通過繪制經驗值為X軸,總成績為Y軸的散點圖可以清楚的看到兩個班的成績分布與經驗值分布之間的關系狀況,從散點分布來看,A班的經驗值多集中在200-250之間,B班的集中在250-400之間,再從總成績來看,A班經驗值高的同學期末并不一定高,甚至呈現出經驗值越高,總成績越低的趨勢,而B班則呈現出截然不同的趨勢,經驗值越高,期末總成績也越高,并且成績與經驗值的分布程度更加集中。為研究這兩種分布現象背后是什么原因造成的,有必要研究對兩個班進行更進一步的研究。

 

 

Table 1 Class a and class b performance distribution table

1 AB班成績分布表

分數 A班人數 B班人數
100-90分 35 1
89-80分 29 40
79-70分 3 26
69-60分 1 5
59分及其以下 4 7

 

 

四、學情分析

為挖掘兩個班的學情,利用藍墨云班課導出的學情數據,需要選取有代表性的多個指標,通過聚類,嘗試找到影響學生學習成績的潛在因素。數據采集的經驗值和期末成績通過簡單的回歸分析,可以得到簡單回歸分析的兩個教學班的指標如表2 所示,

 

 

Table 2 A, class b results distribution statistics

2 AB班成績分布統計表

項目 A班 B班
回歸方程 y=0.0194x+83.16 y=-0.0051x + 81.955
R2 0.10 0.00

 

依據上表可以看出,建立線性回歸方程無統計學意義。需要引入新的方法,也就是聚類法,本研究利用當下流行的大數據SAAS平臺“DataHoop”來進行聚類測算,該平臺的優勢是內置豐富的數據分析和數據挖掘算法,能實現算法參數的自動調優和升級,同時包含了適合中國國情的行業應用模型。首先利用藍墨云班課導出的學情數據可以看出課堂經驗值的構成主要如下表所示。

 

 

Table 3 A, b class experience value itemized list

表3 A、B班經驗值分項列表

項目

名稱

非視頻資源學習 簽到 測試 討論

答疑

頭腦

風暴

投票

問卷

作業/小組任務 課堂表現 被老師點贊
比例 10% 10% 15% 5% 5% 10% 15% 15% 5%

 

 

Table 4 A, class b phase empirical values are divided into correlation matrix

4 AB班相經驗值分相關系陣

頭腦風暴 討論答疑 同學點贊總經驗值 被老師點贊經驗值 課堂

表現

非視頻資源學習 課堂測驗得分
頭腦風暴 1 0.8694 0.5537 0.9362 -0.0883 0.3177 0.6315
討論答疑 0.8694 1 0.7293 0.9185 -0.1419 0.42 0.4523
同學點贊

總經驗值

0.5537 0.7293 1 0.8111 -0.042 0.6865 0.3569
被老師點贊

經驗值

0.9362 0.9185 0.8111 1 -0.0798 0.513 0.5942
課堂表現 -0.0883 -0.1419 -0.042 -0.0798 1 0.4565 0.0294
非視頻

資源學習

0.3177 0.42 0.6865 0.513 0.4565 1 0.3483
課堂測驗分 0.6315 0.4523 0.3569 0.5942 0.0294 0.3483 1

 

將A、B班的以上各指標數據直接上傳至“DataHoop”,為檢驗各類分項后所隱含的含義,首先檢查變量間的多重共線性,從而能避免結果錯誤。根據表4可以看出,通過測算相關矩陣,《動態網站設計》該門課程的課堂活動因素存在較高的多重共線性,通過該檢驗可以發現變量 “頭腦風暴”與變量“被老師點贊總經驗值”,“點贊總經驗值”與變量“被老師點贊總經驗值”等變量間存在較高的多重共線性,需要減少變量,并需要為找出下一步影響學業成績的潛在變量之前進行因子分析,也就是對該數據集進行“降維”見圖5

 

 

Table 5 Contribution Rate of New Variables Generated after Factor Transposition Matrix

5 因子轉置矩陣后產生的新的變量的貢獻率

F_1 F_2 F_3 F_4
貢獻率 0.5769 0.2131 0.5595 0.1335
累計貢獻率 0.5769 0.79 0.5595 0.693

 

依據DataHoop檢驗報告(DataHoop可以在分析時默認進行標準化處理)表5可以看出,A班數據通過因子分析轉置后產生的新的變量F1、F2貢獻率分別為0.57與0.21 B班數據產生的新的變量F3、F4分別為0.56與0.13. 并對數據進行聚類分析,根據聚類結果分析每一類客戶在現有變量上的特征,這里選取平均值作為參考依據。得到聚類分析描述結果為:

 

Table 6 correlation coefficient arrays (average profile coefficient is 0.67)

6 AB班相經驗值分相關系陣 ???(平均輪廓系數為0.67)

依賴于藍墨云班課軟件的數據,在當前成績下,將兩個班151名學生作為研究對象,我們在DataHoop上進行了K-means聚類分析,依據檢驗報告的結果, 可將學生依據課堂活動的指標,分為三類。研究結果如表6所示。

 

第一類學生,樣本數24人,在課堂活動中,各項課堂活動得分均較其他兩類學生更低,這部分學生課堂活動參與不積極,但 “同學點贊經驗值”這項指標最高。 也可以認為在翻轉課堂的教學場景下,開展的學生互評存在主觀性,學生互評階段的分數存在打“同情分”,打“感情分因素”的情況,由此可知,此項指標“點贊經驗值”在該課程的學生互評過程中并不客觀,需要教師設計合理的學生評價指標和統一規范的打分機制。

 

第二類學生,樣本數108人,作為人數最多的類別,各項活動得分比較高,意味著翻轉課堂的教學情境下大多數同學在實際教學中都能積極、按時的完成各項課堂活動,并達到考核標準。但由于人為主觀因素,也可能造成經驗值與成績稍有偏差,但總體偏差不大。

 

第三類學生,樣本數為19人,通過研究,可以發現該類學生在“討論答疑”、和“同學點贊的經驗值”這幾項的得分都很低,但是在“課堂表現”、“非視頻資源學習”與“被老師點贊的經驗值”指標處,得分都很高。通過個案研究與訪談發現,該類同學屬于“學習成績優秀”的學生,在翻轉課堂的學習中,應當充分發揮課堂中“榜樣”的力量,并在課堂活動中增加 “答疑解惑”指標項的得分權重,鼓勵更多同學,能積極主動的在學習過程中相互幫助,從而形成借助翻轉課堂與移動云教學平臺創建、積累、完善和分享知識的全新模式。

 

通過以上研究我們可以發現:在翻轉課堂中,利用“藍墨云班課”獲得經驗值與學習成績并不直接相關,是由于經驗值的獲取來源較多,并且其中某些指標得分較為主觀,不能直接用作平時成績,或是經過加權處理后使用。另外翻轉課堂中的教學評價,雖然可以參考“藍墨云班課”軟件設定的各種課堂活動作為評價指標,但其中的指標應當區分為“評價性指標”、“活動性指標” 以便在成績評定時加以區分,使評價更加客觀。

 

五、 結 語

大數據帶給我們的是顛覆性觀念轉變:是所有數據,而不是隨機采樣;是主體方向,而不是個別精確;是關聯關系,而不是因果關系。學情的分析,除了數據的分析及支撐外,還需要我們立體的,多角度的對學情分析結果的使用, 這樣就能更有針對性的對學生進行個性化的教學。 我們的教育要讓每一個學生都得到成長,以及感受學習的快樂。

 

基于藍墨云班課 (Mosoteach) APP的深度學習, 以云平臺應用優勢作為技術支撐, 充分利用多種軟件功能, 使教師、學習者、學習伙伴之間形成交互式的復雜關系, 并能為深度學習者提供多樣化的豐富教學資源開展進階式學習的多種途徑, 使深度學習貫穿于課堂上下, 并為教師評價學習者、學習者自我評價或互相評價建立了通道。伴隨整個深度學習過程, 產生一系列有益于促進深度學習的直觀量化的追蹤式評價數據。通過這一學習平臺展開的設計謹嚴又能隨機變化的深度學習過程, 能充分激發學習者的內在主動性, 使之以反思、質疑、批判的理性態度對新舊知識不斷分析、整合, 促進學習者的表達、溝通, 不斷進行新知識體系的建構和更新, 使深度學習得以持久延續。同時, 與真實世界相聯系, 將所獲理論知識遷移運用于解決實際生活問題。

 

 

 

 

 

 

 

重庆市时时开奖结果