基于在線學情分析模型的高職課程教學研究
來源:用戶上傳
作者:徐麗麗
摘要：在線教學以及線上線下混合教學模式在高校教育中已經得到普及，針對在線教育學情難以實時掌握的問題，以在超星泛雅智慧課堂平臺開設的高職類大數據技術基礎課程的學習者數據為研究對象，借助人工神經網絡構建了一種新的在線學情分析模型，并將分析結果應用到課程教學策略設計和優化等方面。提出了采用MiniQuest基于網絡資源的研究學習模式，同時搭建公有云、私有云、自主云的三云平臺作為實訓實踐平臺的方式實現對學生的個性化教學的課程教學策略。
關鍵詞： 在線教學; 學情分析; 前饋神經網絡模型; 研究式學習; 云平臺
中圖分類號：G642 文獻標識碼：A
文章編號：1009-3044（2022）32-0168-03
1 概述
1.1 傳統教學模式向在線教學模式的轉變
隨著大數據、人工智能等新一代信息技術的發展，信息技術在教育領域也逐步融入“教、學、考、評、管、治”等教育教學的各個層面。國家層面也相繼出臺了各項政策大力發展職業教育，提升師生信息素養，推進“互聯網+”職業教育發展，建設智慧課堂等平臺，重新定位學習環境，打破傳統的教學模式，廣泛推進線上線下混合教學。其中在線教育增加了學生的自主性與參與性，教學中心由教師轉變為學生。學習資源豐富，平臺多、資源多、內外兼有、豐富性、多元性。然而由于線上教育師生分離、學習過程受控度較低，線上教學效果確實存在諸多不確定性，學生的學情很難被掌握。而智能分析技術在教育中的功能主要是助力學情分析，其以大數據為核心基礎，對結構化與非結構化的教育數據進行分析反饋，教師根據反饋的學情分析報告可以有針對性地規劃教學內容、有依據地制定教學策略，科學地調整教學路徑，走向個性化、精準化教學。
1.2國內在線學情分析的研究現狀
呂玉花等[1]等以河南工業大學在“中國大學慕課”平臺開設的 國際貿易實務課程為例，從課程的選課與參與、課時每日學習、參與討論、成績考核等方面對在線教學情況進行了分析，并提出了若干有針對性的課程發展建議。文獻[2]以高校大數據技術基礎課程為案例，在課程分析和已開展工作梳理的基礎上，對學生端、教師端和教學經驗及實施效果等方面存在的問題進行了分析，提出了線上教學模式的若干優化方法和具體實施途徑。呂開東[3]以學生成長發展問題為研究對象，通過構建貝葉斯網絡學情分析模型，研究若干客觀因素對學習成果的影響，為解決學生成長發展過程中的問題提供了一種解決方法。張婷等[4]以M-learning教學模式為研究對象，通過選取學生的視頻學習時長、簽到次數、平時測驗成績及課堂討論答疑情況等指標提出了一種基于貝葉斯網絡模型的學情分析和預測方法，為后續教學提供決策支持。文獻[6]以超星泛雅平臺為基礎，針對傳統課堂教學模式存在的問題，提出了一種高職院校智慧課堂教學活動的設計方法，該方法主要從課前準備、預習，課堂互動、課后練習等方面開展教學活動。最后，通過問卷方式檢驗了該設計方法的接受度。張暉等[7]以在線學習平臺的學情數據為基礎，借助Excel工具實現數據挖掘結果，實現對學習者學習效果的精準定位，從而滿足學習者個性化學習和教師針對性教學的需求。張軍等[8]以選修中國大學慕課平臺開設護理科研課程的3期學員的課程學習情況為研究對象，通過對3期課程注冊人數、課程測試人數以及人均發帖量的分析，發現學習者在線學習堅持性低，投入不足，積極性偏低同時提出了對應的解決策略。
通過前面的文獻綜述可知，目前學情分析主要是以各類在線平臺提供的課程教學活動數據為基礎，借助數據分析工具，開展各類影響因素的相關性研究。最終，學情分析的結果可對課程教學設計，課程綜合評價考核以及教學模式改革等方面的問題提供決策支持。顯然，當前學情分析所采用的數據分析工具較為簡單，學情分析模型的指標選擇較少，鑒于在線學習課程教學活動的復雜性、多樣性等特點，有必要引入更多的評價指標，從而構建更為符合實際情況的學情分析模型。因此，本文以在超星泛雅智慧課堂平臺開設的高職類大數據技術基礎課程的學習者數據為研究對象，借助人工神經網絡構建一種新的在線學情分析模型，并將分析結果應用到課程教學策略設計和優化等方面。
2 在線學情分析模型的構建研究
2.1 智慧課堂平臺
學校智慧課堂平臺是一個同時服務于教師和學生，同時開放內外網，同時具備雙終端使用的教學系統。將課堂教學的認知能力從原始感知提升到數據呈現，打破數據壟斷，實現課堂教學過程數據的本地化積累，實現了信息技術對課堂教學、課程建設和人才培養的結構化再造，目前已運行八個學期。
智慧課堂提供了豐富的統計數據，但是其數據統計的顆粒度是基于班級進行，對基于個人情況的統計局限于數據的堆砌，缺乏總結性的個人學情分析。但智慧課堂的運行所產生的數據蘊含著巨大的價值，通過這些數據可以構建在線學情分析模型，作為系統的重要補充，幫助教師掌握每個學生的實時學習狀態，借此調整教學策略以及學習內容，實現個性化教學。
《大數據技術基礎》是計算機專業的一T新興課程，該課程以大數據處理系統所關注的三大要求―“存儲” “計算”與“容錯”為起點，全面介紹了它們所代表的大數據技術的原理以及應用編程方法。在注重大數據時代應用環境前提下，考慮大數據處理分析需求多樣復雜的基本情況，從初學者角度出發，以輕量級理論、豐富的實例對比性地介紹大數據常用計算模式的各種系統和工具。其先導課程是 Java 程序設計和Linux操作系統，先導課的學習效果對本課程的學習有很強的關聯性，對學生先導課學習學情的掌握程度決定了本課程的教學方法、教學內容以及教學重難點設計。同時，本課程各環節之間的關聯性也是比較強的，對于前一環節的學生學情的掌握程度又決定了后續環節的教學設計，乃至整個課程講授的進度節奏。
nlc202301131013
2.2 在線學情分析模型指標選取
人工神經網絡是一種模擬人腦的神經行為以期能夠實現類人工智能的機器學習技術。人工神經網絡種類繁多，研究與應用最多是前饋神經網絡模型，被廣泛應用于解決各類預測及分類問題，是數據挖掘領域最重要的模型之一。
為了構建在線學情分析模型，結合本課程在智慧平臺開展的教學實踐活動以及平臺提供的相關功能，擬采用以下8個指標作為前饋神經網絡模型的輸入與輸出：1）出勤率X1 ；2）活動參與率X2；3）資源瀏覽率X3；4）答疑討論參與次數X4；5）作業任務參與次數X5；6）課堂舉手次數X6；7）課堂搶答次數X7；8）綜合成績O1。
2.3 在線學情分析模型構建
為了構建基于前饋神經網絡的在線學情分析模型，本文選擇大數據技術基礎課程的5個班共288條平臺數據作為前饋神經網絡訓練（230條）和測試（58條）的數據集。由于三層前饋神經網絡模型即可擬合任意復雜的非線性函數，故這里的前饋神經網絡模型采用三層架構，第一層為輸入層，共7個節點（X1 - X7 ），第二層為隱含層，其中神經元個數通過多次仿真實驗，確定為10個，第三層為輸出層，共1個節點（O1），模型結構如下圖所示：
由于網絡模型輸入量綱各不相同，如果直接作為模型輸入，容易使模型優化過程陷入局部最優甚至無法收斂，通常要求模型輸入歸一化到0和1之間，歸一化公式為：<E：＼2022知網文件＼32＼8xs202232＼Image＼image9.png>。另外，神經元激活函數采用Sigmoid函數，學習率設置為0.001，最大迭代次數為1000。經過578次迭代后，訓練精度達到98.6%，不再變化，此時測試精度為96.4%，此時獲得模型完全可以滿足實際需求。
基于前饋神經網絡的在線學情分析模型可以隨時接收任意階段的動態學習數據，從而給出當前階段的綜合成績，對學生的學習過程進行直觀的刻畫，督促學生積極參與和完成各項課程教學活動，發揮學生的主觀能動性。同時，教師通過該在線學情分析模型，可以掌握學生的學習狀態，及時優化課程教學活動，真正做到“以學生為本”的個性化教學。
3 基于在線學情分析模型的高職課程教學策略
以先導課課程信息為依據對學生進行學情分析，做到以學定教。學情分析的概念逐漸匯聚了更為豐富的內涵，此處學情分析指的是：針對學生先導課在線平臺學習的質與量的評估與分析。將結果作為定教的依據。例如Linux系統操作知識模塊，如果先導課的評估結果較高那么在該課程中就可以粗略地復習，若評估結果較差，那么就需要將關鍵的命令做一個詳細的講解。
針對學情分析結果，及時優化課程教學活動，這對教師來說是一個不小的挑戰，為此針對本門課程的特點本文提出了采用MiniQuest基于網絡資源的研究學習模式，同時搭建公有云、私有云、自主云的三云平臺作為實訓實踐平臺的方式實現對學生的個性化教學。
3.1 基于網絡資源的研究學習模式
針對模型結果，將學習搬回課堂，在課堂上整合碎片化的知識點，利用線上線下相融合的模式，解決學習過度碎片化的現象，同時利用MiniQuest基于網絡資源的研究學習模式，充分調動學生的學習主動性，實現課堂革命。MiniQuest是由教師設計的在線教學模塊，使學生參與到一個真實主題或問題的研究中，目的是為促進學習者批判性思維和知識建構能力的發展，引導學生帶著特定的目的，通過網絡資源回答有意義的問題，從而拓展學生的課外時間，提升學習者自學能力以及解決問題的能力。教師根據《大數據技術與應用》的課程特點，完善教學目標，將相關知識點做碎片化處理，形成資源，在課堂上整合碎片化的知識點，通過拋出與薄弱知識點或難點知識點相關的問題，在教師的引導下讓學生自主探究，加深對知識的理解，課堂掌握不充分的情況下，可以隨時查看線上知識點資源，做到線上線下融合學習。
3.2 教學實踐云平臺
大數據教學過程中運行環境復雜，存在著學生一步跟不上便步步跟不上的問題。大數據實驗環境的搭建是課程的主要內容之一，其搭建過程歷時時間長，每天的工作要具有持續性。但現有高職院校的計算機實訓室多以單機模式為主，且裝有還原卡，每次重啟電腦都會還原到初始狀態，不利于大數據課程的學習，因此大數據課程的開展首先必須解決實驗環境的問題。公有云能夠滿足學生隨時隨地學習的需求，私有云資源更有針對性，無論公有云還是私有云都可以實現在一個學期內，為學生保留資源的要求。自主云平臺是基于VMWare 的本地虛擬機，能夠滿足永久學生保留學習狀態的需要，同時自主云平臺具有快照功能，方便學生在做錯之后返回到上一個狀態重新開始，以及反復練習的需求。
4 總結
本文以高職類大數據技術基礎課程的學習者數據為研究對象，借助人工神經網絡構建了一種新的在線學情分析模型。提出了采用MiniQuest基于網絡資源的研究學習模式，同時搭建三云平臺作為實訓實踐平臺的方式實現對學生的個性化教學的課程教學策略。從一定程度上解決了在線學習學情難以把握的問題，但模型的使用專業性比較高，若要在更廣的范圍推廣使用，還需要進一步地封裝，簡化操作。
參考文獻：
[1] 呂玉花，宋孟起.高校課程在線教學學情分析――以國際貿易實務課程為例[J].大學教育，2020，9（8）：129-131.
[2] 施鷺.高校在線教學模式研究與實踐――以大數據技術基礎課程為例[J].中國多媒體與網絡教學學報（中旬刊），2021（2）：19-21.
[3] 呂開東.基于貝葉斯網絡的大學學情分析研究[J].學校黨建與思想教育，2020（9）：69-71.
[4] 張婷，陳波紅.基于貝葉斯網絡模型的M-Learning移動教育平臺的學情分析研究[J].科教文匯（上旬刊），2018（3）：29-31.
[5] 劉豐年.基于超星泛雅平臺的高職院校智慧課堂教學模式的探索與實踐――以“計算機與大數據技術應用基礎”課程為例[J].濟源職業技術學院學報，2020，19（1）：67-72.
[6] 張暉，王.基于在線學習平臺的學情大數據分析[J].中國信息技術教育，2017（17）：76-78.
[7] 張丹丹.網絡教學平臺的在線課程學情分析與研究[J].中國多媒體與網絡教學學報（中旬刊），2021（8）：1-3.
[8] 張軍，馬登慧，顏巧元.中國大學慕課平臺護理科研課程學情分析[J].中華護理教育，2021，18（7）：623-626.
[9] 龍虎，李娜.大數據技術下的在線課程建設與應用研究[J].電腦知識與技術，2022，18（12）：13-14，21.
[10] 孫娜.“以學生為中心”的線上線下混合教學“金課”建設的實踐探索――以《計算機程序設計VC++》課程為例[J].電腦知識與技術，2022，18（12）：145-147，159.
【通聯編輯：王力】
nlc202301131013
轉載注明來源:http://www.hailuomaifang.com/8/view-15444060.htm
