智慧教育平台中学生学习行为的数据挖掘与分析研究.pdf

第14 期（总第5 4 5 期）智慧教育平台中学生学习行为的数据挖掘与分析研究（湖南科技学院传媒学院，湖南永州摘要：智慧教育平台每天产生海量的学生学习行为的数据，因而，准确分析学生的行为，可以预测学习结果。学习通是教育部第一批推荐的2 2 个学习平台之一，本文针对学习通平台，开展面向该平台的学生行为数据挖掘分析。利用软件SPSS，对学生的学习行为数据进行采集和处理，对数据进行描述性统计，利用矩阵散点图来探寻变量指标的相关性，进行因子分析，根据因子分析的结果，分别对学生的学习行为进行K-means聚类，深入分析学生学习行为的数据，获取学生学习行为的特征与学生成绩之间的关联。最后，根据数据分析的结果，教师有针对性地制定教学策略，进而优化平台中学生的学习行为，最终实现学生的高效学习。关键词：智慧教育平台；数据挖掘；学生行为；因子分析智慧教育环境的功能包括教学资源推送、关注用户体验、多样化评价以及干预学习活动等方面的内容。学习通教育平台将知识管理、课程学习、专题创作、办公等功能集成于一身，教师可以在这个平台上进行“签到”“话题”“问卷”“抢答”“点名”“直播”，提高学生的积极性，进而实现师生互动，开展教学活动。在这些教学活动中，会产生大量学生行为数据。基于海量的学习者行为数据，我们可以通过数据挖掘方法，对学习者在平台上的学习行为进行分析，了解不同学生群体或个体的学习行为的模式性与差异性，从而分析出学习者学习的规律，为教师提供清晰的优化教学的线索与行为的路径引导。一、利用数据挖掘方法可以高效地分析学生的在线学习行为特征学生在平台中的网络学习存在着一定的局限性，由于无法考虑到学生的网络学习能力和背景知识等差异性，不能像传统课堂中老师可以根据每个学生学习的掌握程度、相关的学生兴趣来针对性地进行教学。学生的网络学习行为主要包括：学生的在线回答问题，包括针对某个问题的回答频率、正确数、错误数；提交作业，包括提交的内容、时间、成绩和频率等；学生对某课程教学PPT的学习，包括教学内容、学习的次数、时间长度等。我们可以从这些学生行为特征中，选取一些学生行为作为可统计的属性。如针对某个问题的互动次数、回复率、讨论数，学生课堂的签到率、课程积基金项目：2 0 2 2 年湖南省教育厅优秀青年项目“智慧教育平台模型中的数据挖掘技术应用及优化机制研究”之阶段性研究成果（2 2 B0808）。新潮电子唐金娟分以及课程成绩等信息来分析 2 。数据挖掘技术越来越呈现其技术优势，其利用相关的算法或软件，从海量的数据中找到一定的规律，并得出结论。用于教育领域，有利于教育决策的正确选择，通过对学生在线行为数据的统计分析，可以提炼出有用的规律信息。二、利用数据挖掘技术进行在线学习行为研究的过程(一)采集与指标确定1.数据采集学习通是集移动教学、移动学习、移动阅读、移动社交于一体的线上教学平台，可以进行线上直播教学以及投票、主题讨论、随堂练习等一系列的课堂活动。本文的数据来源于学习通，本研究依据本校数字媒体技术专业2 0 19 级学生选修的影视创意概论课程的学习行为数据，原始数据表包括了6 个指标，主要是签到率、讨论回复数、性别、章节学习次数、课程积分、课程成绩。所有的学生行为先通过预处理，再借助SPSS软件来进行数据分析 3 。2.数据的处理在初始样本的数据处理过程中，由于姓名与性别的字段是字符串类型，因此通过数字编码的方式将其编码为可计算的数值类型。另外，由于签到率的字段是字符串类型，因此通过去除百分号的方式将字符串转换为数值类型。通过描述性统计分析发现，既有签到率为10 0%的同学（最大值为1），也存在签到率极低的同学。总体来说，签到率大约为8 3.8 4%，同学们出勤签到较好。章节学习次数的最大值为18 3，最小值为2 1，说明差距很大。同样的，课程积分最大值（5 6）与最小值(0)的差距也比较大 4 。162课题研究1 425100)课题研究（二）通过聚类方法分析学生行为数据聚类分析是一种探索性数据分析方法，选择的聚类指标一定要能够反映和覆盖聚类的特征，如果聚类指标不全或者代表性差，将直接影响结果，因此需要先找出变量之间的相关性。1.利用矩阵散点图来探寻变量指标的相关性矩阵散点图是一种可视化利器，考虑到本研究主要针对学生网络学习行为数据，而性别和姓名属于标称属性，因而可以考虑5 个变量之间的关系。根据矩阵散点图发现，横坐标（签到率、讨论回复数、章节学习次数、课程积分、课程成绩）大多数的指标间呈现非线性的关系，因此采用斯皮尔曼spearman相关系数来度量指标间的相关性大小，进而衡量两个变量之间的依赖性。研究发现，课程成绩与课程积分存在相关性且通过显著性检验，课程积分与签到率、讨论回复数、章节学习次数均存在显著相关性，也就是说，变量之间存在显著的依存性，因此，考虑采用因子分析来进行降维 5 。2.采用因子分析降维先对度量指标进行标准化，再通过因子分析对数据进行降维。首先，要确定样本数据是否适合做因子分析，需要对提出的各个变量对应的各题项的样本数据进行KMO和Bartlett球形检验。对样本进行KMO检验和巴特利特球形检验，结果如表1。表1KMO和巴特利特检验KMO和巴特利特检验KMO取样适切性量数近似卡方巴特利特球形度检验自由度显著性通过表1可知，巴特利球形检验的显著性为0.0 0,远小于0.0 5，因此拒绝原假设，认为相关系数不可能是单位阵，即原始变量之间存在相关性，适合于作因子分析。接着，通过主成分分析提取公因子方差，考虑保留哪些指标。接下来进行主成分分析。如表2，根据公因子方差可以判断公因子对各个指标的说明程度，提取公因子方差越大，公因子对对应指标的说明程度越大，公因子方差越小表示该指标的重要度越低，一般指标的提取公因子方差小于0.4，就可以认为重要度较低，可以在因子分析中删除。根据上图可知，所有的指标都大于0.4,因此，这些主成分均可保留。163新潮电子Zscore(签到率)Zscore(讨论回复数)Zscore(章节学习次数)Zscore(课程积分)Zscore(课程成绩)Zscore(性别)提取方法：主成分分析法。3.通过碎石图确定主因子个数碎石检验（scree test）是根据碎石图来决定因子数的方法。R.B.卡特尔提出，可通过直接观察特征值的变化来决定因素数。当某个特征值较前一特征值的值出现较大的下降，而这个特征值较小，其后面的特征值变化不大，说明添加相应于该特征值的因素只能增加很少的信息，所以前几个特征值就是应抽取的公共因子数。根据碎石图，发现前四个因子对应的特征值的下降比较明显，也就是比较陡峭，从第4 个因子开始，特征值的变化较为平坦，因此我们应该选择四个因子进行分析。进一步通过计算总方差，确保信息保留的程度，在总方差解释图中发现，前四个因子的累积方差贡献率为8 9.0 2%，满足累积方差贡献率达到8 5%以上的条件，因而抽取4 个因子比较合适 6 。4.通过成分矩阵解释主因子通过“旋转成分矩阵”表，可以判断该变量的存在是否合理。表中的行是一个变量在不同因子上的载荷，如果这些载荷都小于0.4（建议值），则考虑删除或修改这个变量 7 。假如大于0.4，我们就认为该变量与这个成分有对应关系。并且，载荷绝对值越大，表明该变0.787量与该公共因子更密切，即该公共因子更能代表该变113.155量。根据表3 可知，第一个因子中值最大的是讨论回复15数（0.94 5）和课程积分（0.8 0 2）；第二个因子（值最大0.000的是0.96 8）主要代表签到率；第三个因子（值最大的是0.8 6 6 和0.6 2 5）主要代表课程成绩与章节学习次数；第四个因子（值最大的是0.96 3）主要代表性别。表3 旋转后的成分矩阵成分12Zscore(签到率)0.090Zscore(讨论回复数)0.945Zscore(章节学习次数)0.027Zscore(课程积分)0.802Zscore(课程成绩)0.273Zscore(性别)-0.020提取方法：主成分分析法。旋转方法：凯撒正态化最大方差法。a.旋转在6 次迭代后已收敛。根据因子分析的结果，利用K-means聚类方法，对学生的学习行为特征进行聚类。将所有样本点的轮廓第14 期（总第5 4 5 期）表2 公因子方差初始提取1.0000.5251.0000.6361.0000.6091.0000.8211.0000.5581.0000.52930.968-0.002-0.0670.0680.4770.6250.3370.323-0.0910.866-0.0420.0844-0.0310.052-0.421-0.1240.2270.963第14 期（总第5 4 5 期）系数S(i)求平均，得到总轮廓系数S。从聚类结果中发现，学生的学习评价结果分为2 类：较高、一般。其中，类别1为成绩较高的学生，类别2 为成绩一般的学生，而且大多数学生的成绩处于8 2 左右。5.通过差异化分析制定策略考虑到这里有两个类别（一个是成绩为1的，也就是“成绩较高”，另外一个类别是成绩为2 的，也就是“成绩一般”。）首先，通过方差分析判断两类学生在哪些特征方面存在显著性差异，方差分析结果发现，两类学生在签到率、讨论回复数、章节学习次数、课程成绩方面存在显著差异。绘制雷达图，发现两类学生的签到率与章节学习次数差距最大（由图可知，较高类别的学生成绩，平均签到率高于较低类别的学生。另外，较高成绩类别的学生的章节学习次数大约在8 0，而较低类别的学习次数在6 0 左右），而他们的讨论回复数、课程成绩相差较小。因此，该课程老师需要更加重视学生的章节学习次数与签到率，章节学习次数与签到率的提高有助于班级总体的提升 8 。三、结语根据分析的结果，发现两类学生在签到率、讨论回复数、章节学习次数、课程成绩存在显著差异，成绩优异的学生的签到率与章节学习次数表现更加明显。因而，在教学过程中，教师可以提升学生的签到率，在上课之前，提醒班级同学课堂规则，也是检验同学们是否出现上课过程中走神，防止同学们注意力不集中，老师可以针对学生的签到率的变化，发现学生迟到或者早退。比如课堂进行一半的时候签到，有的学生可能由于早退，因而错失了签到的机会。其次，老师还可以针对没有签到的同学，查看他们的上课表现，并且找新潮电子出他们迟到早退的原因，及时纠正他们的学习态度。另外，在章节的学习次数上，教师可以提醒大家，对知识进行反复的了解，可以更好地掌握知识，而且对于学习次数多的同学，给予一定的激励和表扬，对于章节学习次数偏低的同学，给予预警。这样一来，可以更好地结合学习者自身学习的特征，提供更好的教师支持和学习支持服务等，从而更加准确地把握学习者状态，提高学生学习效率。参考文献：1张健.基于数据挖掘的网络学习行为分析与研究 D.西安:西安电子科技大学,2 0 17.2 王旭.基于数据挖掘的学生行为习惯与学习成绩的关联性研究 D.上海：上海师范大学,2 0 19.3般阿娜.石磊.疫情背景下普通高校学生网络学习行为分析与管理一一基于数据挖掘技术 J.产业与科技论坛,2 0 2 2(2 1):2 4 2-2 4 3.4杨孟娇.侯丽媛.基于数据挖掘的开放教育学习者学习行为聚类分析 J.安徽广播电视大学学报,2 0 2 1(3):3 2-3 7.5傅钢善.王改花.基于数据挖掘的网络学习行为与学习效果研究 J.电化教育研究,2 0 14(9):5 3-5 7.6梁树杰.基于数据挖掘的深度学习行为分析 J.电子技术与软件工程,2 0 2 2(10):2 19-2 2 2.7郭长东.尹永学.基于学习通课程的学生网络学习行为研究 J.河南教育学院学报（自然科学版），2021(2):63-65.8柯斌.芦俊佳.智慧教育背景下高校学生课堂行为数据挖掘与利用 J.电脑知识与技术,2 0 2 0(2 6):14 8-150.课题研究164