基于云平台的学生学情分析

胡亚慧 肖蕾 唐晓 陈新 方其庆

摘 要：为更有效地向学生推荐合适的学习资源，综合考虑学生基本信息、课程基本信息、位置信息、时间信息等因素，构建基于时空的学生学习资源库，从而提取学生学习特征，挖掘学生学习特点，发现学生学习偏好，推荐学生可能感兴趣的学习资源，并分析影响学习质量的主要因素，从学生学习行为中发现其学习偏好。经实践证明发现，该方法有利于为学生推荐合适的学习资源，使教师及时掌握学生学习情况。

关键词：云平台;学情分析;学习行为;学习偏好

DOI：10. 11907/rjdk. 191971 开放科学（资源服务）标识码（OSID）：

中图分类号：G434文献标识码：A 文章编号：1672-7800（2020）002-0254-04

英标：Learning Situation Analysis Based on Cloud Platform

英作：HU Ya-hui1， XIAO Lei1， TANG Xiao1， CHEN Xin1， FANG Qi-qing2

英单：（1. Early Warning Information Department， Air Force Early Warning Academy;2. Early Warning Equipment Department， Air Force Early Warning Academy， Wuhan 430019， China）

Abstract：
For improving the efficiency of learning situation recommendation， a learning resource database based on time and space is constructed from basic information of students， courses， locations and time information， so as to extract learning situation characteristics， explore their characteristics， discover their preferences， recommend the related interests and analysis of the important factors affecting the quality of learning， so as to realize the discovery of learning preferences from learning situation behavior. Practice has proved that this method is conducive to recommending learning resources for students and grasping their learning situation in time.

Key Words：
cloud platform;learning situation analysis; learning behavior; learning preference

0 引言

随着大数据、云计算、物联网等新技术的迅速发展，公众日常生活与学习日益信息化，如远程视频、网络购物、线上教育等均可通过网络获得服务[4-6]。高等院校教育也与时俱进，学生接受教育的方式多样[7-8]。学生不仅可在学校接受常规教育，也可通过互联网等方式随时随地上传下载自己感兴趣的学习资源，该方式不仅摆脱了传统教学模式在时间、地点及授课人等方面的限制，还可根据学习者已掌握的知识和对新知识的需求，实现个性化学习，且不受时间、地点约束，从而提高学习效率与学习质量[9-13]。因此，在学习资源日益丰富的环境下，如何及时了解学生学习兴趣和进度，并给予高效的学习资源推荐是一个值得探讨的问题，也引起了众多教育者关注。

张依欢[14]将关联规则算法应用于高等教育教学质量评估，挖掘教师课堂教学效果与教师教学过程和教学方法手段之间的关联规则;张敏[15]以辽源职业技术学院医药分院教师评价系统、教务管理系统、人事管理系统数据为数据源，采用数据挖掘算法分析教师对教学效果的影响;张志友[16]提出利用挖掘算法挖掘选课系统中的频繁项集，从而得出什么样的学生喜欢什么样的课等一些有用的频繁项集，辅助相关部门进行教学资源分配，使其作出更合理的决策;许晏铭等[17]在研究生课程特点分析的基础上，提出一种将自设教学目标与普遍教学要求、指标量化与模糊分类相结合的研究生课程质量评价方法，有效提高了研究生课程质量评价工作客观性与效率。

但是，上述研究数据大多基于人工采集、调查问卷、系统录入信息等方式进行采集，存在数据不完整、不全面、不真實等问题，不能完全反映教师或学生的基本信息，致使后期数据分析存在一定片面性。目前空军预警学院所有计算机类课程均基于云平台进行教学，该平台不仅包含计算机类课程教学内容，还可记录学生学习信息。本文通过收集整理学生在云平台上的学习信息，采用数据挖掘方法对学生学习内容、学习时间、学习地点、学习时长等信息进行分析，归纳学生学习特点，为教师后期课程教学安排提供依据，最终达到提升教学质量的效果。

1 信息技术教学优势

（1）学校应充分发挥信息技术的高效性，推动教与学走向多元化。随着信息技术的快速发展，为进一步提高教学质量，各大院校正积极创新教学模式、拓展教学方法、改革教学手段，使学生获取知识的渠道不再局限于课堂。例如，网络公开课、慕课、微课、远程教育平台等新颖的教学模式被积极推广应用，学者们从多个角度进行了研究和改进。如刘磊等[18]基于移动社交平台微信与国内领先的云平台新浪云，开发了教务信息查询系统，便于师生随时随地查询信息;管维红等[19]基于在线实验云平台，为学生提供了在线实验及课程教学资源一体化的泛在学习体验;伍琴等[20]探讨了基于云平台的华文教学新模式应用体系，以改善华文教学质量，实现华文教育优质资源共享与教育体系优化;刘远军[21]探讨了在网络云平台下，利用SPOC实现翻转课堂开展教学改革的思路;吴淑苹[22]提出MOOC模式下的云学习环境框架;李素若[23]以《C++程序设计》课程为例，采用慕课线上学习与课堂讨论相结合的混合式教学方式，大幅提高了学生学习积极性与学习兴趣。

学生可将课堂教学与网络教学紧密结合，学习时间和空间不再拘泥于固定时段和地点，可以根据个体对知识的掌握程度，合理安排学习内容和学习时间，有效控制学习进度，充分发挥学习自主性。对于教师来讲，可从学生学习反馈、网上答疑、学习资源点击率等信息获取学生学习进度及疑难点，及时调整教学内容，为学生答疑解惑。这既顺应了学生训练任务繁重、学习时间碎片化和网络环境诱惑多的实际情况，也可帮助教师及时跟进学生学习进度，使教与学有机结合，进一步提升教学质量与教学效果。

（2）依托云平台，建立教学资源库，分析学生学习效果。计算机类课程离不开学生实践练习，但不同计算机课程需要的实验环境、设备和配置大不相同，往往导致实验中心的设备无法完全满足教学要求，且升级更新计算机设备往往需要大量时间，同时学生在个人电脑上进行计算机实践操作时，也常因为计算机软硬件配置不够或版本过低，难以运行大型程序，如大数据处理、深度学习等程序。

如果将计算、存储、平台等各种资源采用虚拟化技术提供给学生，学生可直接通过浏览器登录该云平台，启动虚拟机进行实践练习，教师也可随时跟踪学生学习情况并答疑解惑，以及给学生分配学习任务。

为方便学生不受限于时段、地点、个人电脑配置登陆平台进行自主学习，可及时调节学习进度，将教师录制的微课、慕课、公开课等在线资源与教师在课堂教学中对学生学习情况登记的信息整合，从数据中获得学生下载资源、在线学习时间、学习内容、学习位置等信息，提取学生学习特征，分析不同期班、不同层次学生的学习行为和学习特点，掌握学生学习规律，从而发现教学环节中存在的问题，合理配置教学资源，进一步调整教学内容设计、教学方案规划，使教学效果进一步优化，提高教学质量。同时，还可根据不同期班、不同层次的学生，实施个性化教育方案，从而激发学生学习主动性和积极性。

2 基于云平台的学生学情分析框架

为获取学生学习基本信息，基于云平台搭建学生学情分析框架，及时掌握学生学习情况，分析学生学习特点，为其推荐可能感兴趣的学习资源，并为教师提供学生学习过程中的疑难点与影响学习质量的主要因素，从而调整教学内容和教学方案，提高教学质量。框架结构如图1所示。

该框架主要分为3部分。

（1）数据来源，包括本地数据库和网络数据库两部分。本地数据库包括学生基本信息、课程基本信息、教室基本信息、教师基本信息等;网络数据库包括学生在网上学习的内容、学习时间长度、所在位置、与他人或教师的留言等信息。由上述信息构成基于时空的学生学习行为资源库，以便下一步数据分析。

（2）数据分析。从数据来源中分析提取学生学习特征，包括学号、课程编号、学习时间、位置、教师编号、学习次数等数据，采用关联分析、聚类分析、时空序列分析等方法挖掘学生学习特点。

（3）结果展示。根据数据分析结果，总结学生学习偏好，并分析影响学习质量的主要因素，推荐学生可能感兴趣的内容。

3 学情分析

本部分基于图1重点介绍数据分析流程。以图2为例，学生1早上6：40-7：10在宿舍学习《Python语言程序设计》第4章选择结构程序设计;学生2上午11：00-11：30在图书馆学习《Python语言程序设计》第5章循环结构程序设计，下午13：20-14：10在图书馆学习《Python语言程序设计》第6章列表;学生2下午14：42-16：56在实验楼学习《计算机文化基础》第7章多媒体使用技术;学生3晚上21：30- 21：56在教学楼学习《计算机硬件基础》第4章中央处理器。

将学生、学习内容、位置、时间进行关联，构成基于时空的学生学习行为资源库。在此基础上，进行数据分析。本文采用的数据分析技术主要有聚类分析、关联分析、时空序列分析等。

经过聚类分析，将学习资源、学习时间、学习位置等进行聚类，每个聚类结果按照从高到底的顺序排列，如表1所示。表中的学习时间以小时为单位。例如，与其它计算机类课程相比，学生对《Python语言程序设计》、《计算机文化基础》、《计算机硬件基础》课程最感兴趣。学生大多自主学习时间在晚上20：00—凌晨1：00，白天大多时间在13：00-16：00。由于本文研究对象是军校学生，与地方大学生作息时间不同，因此聚集的学习时间点也不同。学习位置大多在教室、实验楼、图书馆和宿舍。

3.1 聚类分析

聚类分析的目的是分析学生对哪些学习资源感兴趣、一般集中在哪个时间点学习，聚焦于哪些问题、学习时长、在哪个位置学习等信息。例如，采用K-means算法将学生学习资源进行聚类，得出哪些学习资源最受欢迎。其算法流程如图3所示。

3.2 关联分析

关联分析的目的是分析上述数据之间是否存在某种潜在关联。例如，能否根据学习资源点击率判断该门课程综合成绩高于其它课程成绩，能否根据学生学习次数判断其学习成绩高于其他学生。采用关联分析的经典算法Aprior算法，通过计算最小支持度与最小置信度得出结论，如表2所示。

如表2显示，学习了《Python语言程序设计》课程的学生，大多会学习《计算机硬件基础》。学生平时在平台上自主学习时，其点击率与课程最终成绩关联度不大。学生成绩与学生在线及师生互动答疑的次数关联度较大，说明学生积极学习课程时，会关注疑难问题的解答，其最终成绩也较高。

3.3 时空序列分析

时空序列分析指根据学生学习记录，从时间、地点角度分析其行为特点，以判断学生常在哪个时间段学习，在哪个时间段对哪些学习內容感兴趣以及在哪些时间段常在某个地点等具体行为，用以预测或推荐学生在某个时间段、某个地点学习哪些学习资源。该分析示例如图4所示。其中l1、l2、l3、l4、l5表示5个不同的位置，圆圈里的数字代表时间。图4显示了学生3日常学习行为，例如在13：00时去l3位置学习，在15：00时去l5位置学习，在16：00时去l6位置学习等，可清楚观察到该学生整日学习规律，为定点定时课程推送提供依据。

4 结语

为了较客观、及时掌握学生学习动态，明确其学习偏好，本文提出了一种基于云平台的学生学习行为分析方法，旨在分析学生学习资源、学习时间、学习位置、点击率等数据信息的潜在关系，为学生推荐合适的学习资源、教师及时调整教学内容等提供依据，从而最终实现提升教学质量的目的。同时，随着信息量增大和技术更新发展，还需采用大数据技术分析更详细的数据，因此如何为学生课程考评提供更详实数据、为教师定制个性化课程、为师生互选课程信息和学生信息提供公正可靠的数据等，是下一步研究内容。

参考文献：

[1] 李国杰，程学旗. 大数据研究：未来科技及经济社会发展的重大战略领域：大数据的研究现状与科学思考[J]. 中国科学院院刊，2012，27（6）：647-657.

[2] HURST F M. Northern Arizona University"s personalized learning[EB /OL]. http：//www.educause.edu/ero/article/northern-arizona-universitys-personalized-learning.

[3] KARA KOHN. As the spirit MOOCS you：massive openonline courses and Illinois libraries[EB/OL]. http：//www.ila.org/Reporter/October_2013/Pages_4-7.pdf.

[4] ELIZABETH D. MOOCs：Where are the librarians[EB/OL]. http：//www.hastac.org/blogs/elizabeth-dill/2012/08/14/moocswhere-are-librarians.

[5] 张红岩，张刚，靳明，等. 基于云平台的经营管理信息系统设计[J].  软件导刊， 2019，18（5）：106-109.

[6] 陈眺，李思灏，杨健龙，等. 新能源汽车远程监控标定的通信系统设计[J].  软件导刊，2018，17（1）：108-112.

[7] 车力军. 基于可信计算的省级政务云平台方案设计[J]. 软件导刊，2018，17（5）：165-168.

[8] 张恬恬，孙绍华. 基于Spark的云计算平台在实验室的应用与实现[J].  软件导刊，2018，17（4）：
191-193.

[9] 杨田贵.云计算及其应用综述[J]. 软件导刊，2016，15（3）：136-137.

[10] 周冰，张志刚. 智慧城市电子政务云平台构建[J]. 軟件导刊， 2016，15（11）：137-139.

[11] 葛倩. 基于云服务的科普资源平台研究与设计[J]. 软件导刊， 2015，14（7）：
129-131.

[12] 李静. 云平台支持下的数字校园建设新视角[J]. 软件导刊， 2014，13（8）：
6-7.

[13] 洪超，王静，夏永泉. 中小企业公共信息服务云平台设计[J].  软件导刊，2013，12（5）：
4-6.

[14] 张依欢. 关联规则算法在教学评价中的应用研究[D]. 吉林：吉林大学，2016.

[15] 张敏. 频繁项集挖掘算法在高职院校教师评价系统中的应用研究[D]. 长春：长春工业大学，2016.

[16] 张志友. 数据挖掘技术在选课系统中的应用[J]. 实验室科学. 2007.6.94-96.

[17] 许晏铭，王昌达. 基于模糊综合理论的研究生课程质量评价云系统[J]. 软件导刊， 2018， 17（7）：
120-123.

[18] 刘磊，陈羽云，林洁鑫.  基于微信公众号的教务信息查询系统设计与实现[J]. 软件导刊， 2017， 16（9）：
111-113.

[19] 管维红，孙涛，刘腾. 在线实验云平台构建及实施[J]. 软件导刊，2017，16（12）：172-174.

[20] 伍琴，洪骞. 基于云平台的华文教学新模式应用研究[J]. 软件导刊， 2016，15（7）：
224-225.

[21] 刘远军.  网络云平台下《C语言》课程教学改革实践[J].  软件导刊，2015，14（9）：186-188.

[22] 吴淑苹. MOOC课程模式下云学习环境研究[J]. 软件导刊， 2013，12（3）：
191-193.

[23] 李素若. 基于慕课的编程类课程混合式教学模式研究与实践[J]. 软件导刊， 2017， 16（1）：
189-191.

（责任编辑：江 艳）