教育数据挖掘在提高混合式教学质量中的探索

“数据驱动学校，分析改变教育”，利用教育数据挖掘技术对在线开放课程的学习数据进行预测、聚类、关联等分析，能够提高发掘教育数据背后隐藏的现象规律，提升高职院校人才培养质量。

从“ 慕课元年”（2012 年） 至今，国内外知名大学都发起了大规模在线开放课程（Massive Open Online Courser，MOOC） 的开发与建设， 众多的高职院校也投身到此教育改革浪潮中，开发了许多更适合高职学生学习的小规模在线开放课程（Small Private Online Courser，SPOC）。不管是MOOC 或是SPOC 都依托网络为学生提供学习资源，学生的学习痕迹被记录下来，由此产生大量的教育数据。2012 年10 月，美国教育部发布了《通过教育数据挖掘和学习分析促进教与学》报告，目的就是为了促进教育大数据能够有效指导美国高校教育。徐鹏等（2013）解读了该报告，认为“迫切需要整合现有资源，发挥后进优势，实现教育大数据研究和应用的跨越式发展。”胡水星（2017）、吕海燕（2017）、孙笑微（2017）等都对学生的在线学习数据进行了挖掘和分析。

1. 教育数据挖掘与在线开放课程

1.1教育数据

徐鹏等（2013） 指出教育数据（Education Data）有广义和狭义之分。广义的教育数据一般是指教育活动中师生的日常行为数据，具有阶层性、情境性和时间性等特征。狭义的教育大数据一般指学习者的学行为数据，她主要来源于学生管理系统和在线学习平台等。

1.2教育数据挖掘

数据挖掘（Data Mining）一般是指从大量的数据中，利用统计、在线分析、情报检索等各类方法来寻找其中隐藏的信息的过程。

教育数据挖掘（Education DataMining）是指应用多个学科的理论和技术方式描述数据，便于人们快速区分数据。（5）建模：通过聚类、关联等数据挖掘过程，为15、16、17级学生视频观看工具来解决教育研究和时间中的问题，如教师能够根据学生的学习数据发现学生学习规律，有效指导教师改进教学方式，提高教学效率。未来教学预测和分析构建有效的解释模型。

2.2 教育数据挖掘流程

教育数据的挖掘首先从数据的收集开始，如图1 所示，根据目标选取数据进行物流17级2.79%物流16级物流15级97.21%79.75%62.22%1.3 在线开放课程教育数据挖掘的重要性麦肯锡公司（2011）发布的《大数据:下一个前沿，竞争力、创新力和生产力》的调研报告指出：大数据研究将带来巨大价值。随着教学资源的建设与应用展开，教师们面临的主要问题不再是信息缺乏，而是面对大数据如何有效地挖掘潜在教育信息，为后续教育教学提供辅助决策。在线开放课程教育数据挖掘，能够倒逼教师去学习和掌握现代化信息技术，创新教学方法，促进教育教学改革的进行。能够深化在线开放课程的建设与应用，挖掘数据背后隐藏的教育信息，让教师们更深入的掌握学生的学习规律，打造个性化教育方式，提高教学效果，提升人才培养质量。

本文主要研究高职院校学生在在线开放课程学习过程中留下的学习痕迹数据，探索高职学生的学习规律，分析学生对在线开放课程资源的使用偏好，从而改进教学内容和教学设计，提高教学和学习效率。

2. 在线开放课程教育数据挖掘相关技术

2.1教育数据挖掘相关分析方法

科学的分析方法是教育数据挖掘的关键，可以解决不同类型的问题，目前，常用的分析方法有预测、聚类、关联、判断以及建模。（1）预测：根据学生已呈现出来的学习数据，依照一定的方法和规律对学生的学习情况进行推断。例如，根据学生在线作业效果可以了解学生对知识点的掌握程度。（2）聚类：将抽象的数据根据数据内涵分成多个类似子集。例如，根据学生的视频观看教学频率将学生分成不同群体，根据不同群体的学习特性提供个性化教学。（3）关联：从海量学习数据中寻找它们的相关性。例如，探索学生观看教学视频的频率和学习成绩的相关关系。（4）判断：利用可视化教学应用结果解释预处理，然后采用各种挖掘技术对数据进行处理与分析，对得到的结果进行解释，将结果应用与教学，提高教学质量。

3. 在线开放课程教育数据挖掘的实例分析

笔者主持了常州信息职业技术学院在线开放课程《物流管理实务》的建设和教学工作，采用线上线下相结合的混合式教学方式，收集了大量的该课程的教育数据。目前，我院师生使用的网络教学平台（超星）可以提供详细的分类数据，包括教学视频观看时长、章节访问次数、讨论次数、章节测验、在线作业、在线考试、课堂签到、课堂讨论等多种学习痕迹数据，教师们可以利用EXCEl 或SPSS 进行建模和分析。本文以该课程物流管理2015、2016、2017 三个年级241 位学生的部分学习数据为研究样本进行研究。

3.1学习工具使用分析

选取物流管理2015 级、2016 级和2017 级分别在2016 年3 月、2017 年3 月份、2018 年3 月份学生完成线上学习任务所使用的工具为分析对象，如图2 所示，当代高职学生越来越多的使用移动客户端完成网上学习，从2016 年的62% 上升至2018 年97%。学生对手机的依赖现象也体现在线下教学的教室里，课堂玩手机是教师不能回避的教学问题之一，将手机纳入的教学和学习的工具将是解决这一问题的最好的方法之一。对学生学习痕迹进行分析，预测学生对各类学习资源的偏好，优化教学资源，提高学生学习兴趣和学习成绩，为建设优质高职院校教育资源提供参考。越来越多的学习平台推出了手机APP，例如超星学习通、蓝墨云班课等，这些APP 中设置课堂签到、在线抢答、随堂测试、头脑风暴、小组作业等功能，同时，教师们可以在线评价、学生们可以互相评价。无论是正常教学还是翻转课堂形式，这些教学手段的使用，都能大大提升学生的关注力，提高课堂教学质量。

3.2聚类分析

0.00% 20.00% 40.00% 60.00% 80.00% 100.00%电脑网页版移动客户端图2 15、16、17 级学Th视频观看工具统计图3 15、16、17 级视频观看率选取物流管理16 级1 班44 名学生该课程视频观看时长、论坛讨论次数、章节访问数数据，利用SPSS 做聚类分析，表1 为聚类分析结果。物流161 班的学生被分为3类，第一类学生的线上学习任务平均完成比例为89%，第3 类学生的平均完成比例为17%。根据对应的学号，查阅该班学生线下评价和期末考核发现，第一类学生无论是线下评价还是期末考核都达到了优秀或者良好的成绩。第二类学生线下评价和期末考核多为良好和中等，而对应的9 名第三类学生则线下表现欠佳，期末考核成绩多为及格，甚至有两名学生成绩为不及格。从表1 中还可发现，第一类学生虽然平均成绩较高，但线上发起讨论数没有第二类学生高，第三类学生讨论数最低。结合课堂表现，第一类学生听讲认真，作业完成率高，但和老师的课堂互动并不是很主动，第二类学生则更愿意和老师交流，这类学生不怕“说错”，第三类学生则往往游离于课堂之外。对学生学习数据进行聚类分析，归纳学习行为规律，预测学生个性特点，将学生分类，设计个性化培养方案，有的放矢，注重教育公平性，为各类学生提供表现机会，提高人才培养质量。