智慧校園背景下學(xué)生課程學(xué)習(xí)預(yù)警模型構(gòu)建與實(shí)踐

摘? 要：文章首先分析了學(xué)習(xí)預(yù)警模型現(xiàn)狀;其次通過(guò)專家訪談和文獻(xiàn)調(diào)研，分析影響學(xué)習(xí)預(yù)警的因素，利用德?tīng)柗茖＜易稍兎ê蛯哟畏治龇?gòu)建基于智慧校園學(xué)習(xí)數(shù)據(jù)的學(xué)習(xí)預(yù)警模型;最后利用智慧樹(shù)平臺(tái)上“Java程序設(shè)計(jì)”課程的學(xué)生學(xué)習(xí)行為數(shù)據(jù)對(duì)所構(gòu)建的預(yù)警模型進(jìn)行驗(yàn)證。結(jié)果表明，該學(xué)習(xí)預(yù)警模型能夠?qū)W(xué)生的學(xué)習(xí)起到預(yù)警和干預(yù)作用，能夠提高學(xué)生的課程學(xué)習(xí)質(zhì)量。

關(guān)鍵詞：學(xué)習(xí)預(yù)警模型;智慧校園;學(xué)習(xí)數(shù)據(jù)

中圖分類號(hào)：TP391;G434? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2096-4706（2021）23-0195-04

Construction and Practice of Students’ Course Learning Early Warning Model under the Background of Smart Campus

YU Haiyan

（School of Information Engineering， Zhengzhou University of Science and Technology， Zhengzhou? 450064， China）

Abstract： Firstly， this paper analyzes the current situation of learning early warning model; then analyzes the factors affecting learning early warning through expert interview and literature research， and constructs a learning early warning model based on smart campus learning data by using Delphi expert consultation method and analytic hierarchy process; finally， the constructed early warning model is verified by using the students’ learning behavior data of“Java programming” course in the smart tree platform. The results show that the learning early warning model can play an early warning and intervention role in students’ learning and improve the quality of students’ course learning.

Keywords： learning early warning model; smart campus; learning data

0? 引? 言

學(xué)生進(jìn)入大學(xué)后，較之緊張忙碌的高中生活，他們的學(xué)習(xí)時(shí)間一下寬松了。學(xué)生由于疏于自我管理而容易沉迷于游戲、視頻等網(wǎng)絡(luò)世界或僅僅止于淺表的學(xué)習(xí)和應(yīng)付，進(jìn)而陷入“學(xué)困泥潭”，最終導(dǎo)致逃學(xué)、輟學(xué)、延期畢業(yè)以及“重修”等學(xué)習(xí)危機(jī)。在智慧校園應(yīng)用過(guò)程中產(chǎn)生大量學(xué)習(xí)行為數(shù)據(jù)，包含學(xué)習(xí)時(shí)長(zhǎng)、學(xué)習(xí)積極性、學(xué)習(xí)速度、作業(yè)行為、測(cè)試行為等，這些智慧校園數(shù)據(jù)反映了學(xué)習(xí)者的學(xué)習(xí)狀態(tài)，應(yīng)該充分利用這些數(shù)據(jù)對(duì)學(xué)習(xí)者的學(xué)習(xí)情況做出反饋。

學(xué)習(xí)精準(zhǔn)預(yù)警是指利用學(xué)習(xí)分析技術(shù)將學(xué)生學(xué)習(xí)數(shù)據(jù)資源轉(zhuǎn)化成有價(jià)值的信息，從中發(fā)現(xiàn)學(xué)生的學(xué)習(xí)規(guī)律、異常問(wèn)題，進(jìn)而預(yù)測(cè)可能出現(xiàn)的學(xué)習(xí)危機(jī)，為適時(shí)適宜的教學(xué)干預(yù)和教學(xué)決策提供科學(xué)依據(jù)，提高學(xué)生的學(xué)習(xí)質(zhì)量。

1? 學(xué)習(xí)預(yù)警研究現(xiàn)狀

1.1? 國(guó)外相關(guān)領(lǐng)域研究現(xiàn)狀

國(guó)外對(duì)學(xué)習(xí)預(yù)警研究起步較早，實(shí)證研究成果較豐富，主要集中在四個(gè)方面：（1）學(xué)習(xí)預(yù)警分類與反饋研究。比如由密歇根大學(xué)Tim McKay設(shè)計(jì)為學(xué)生提供預(yù)警的E2Coach系統(tǒng)[1]，為教師提供預(yù)警的Riccardo Mazza課程系統(tǒng)[2]，為教師和學(xué)生提供預(yù)警的普渡大學(xué)的課程信號(hào)系統(tǒng)等[3];（2）學(xué)習(xí)數(shù)據(jù)分析。如John Baker等開(kāi)發(fā)的學(xué)習(xí)管理平臺(tái)Desire2 Learn[4]，用于對(duì)學(xué)生的學(xué)習(xí)數(shù)據(jù)進(jìn)行分析;（3）學(xué)習(xí)預(yù)警與干預(yù)模型構(gòu)建。如Hoonuit在線學(xué)習(xí)平臺(tái)[5]可實(shí)現(xiàn)對(duì)學(xué)生學(xué)習(xí)的及時(shí)預(yù)警和有效干預(yù);（4）可視化預(yù)警系統(tǒng)，如可汗學(xué)院開(kāi)發(fā)的學(xué)習(xí)儀表盤系統(tǒng)等[6]。

1.2? 國(guó)內(nèi)相關(guān)領(lǐng)域研究現(xiàn)狀

國(guó)內(nèi)研究在學(xué)習(xí)預(yù)警算法和學(xué)習(xí)預(yù)警系統(tǒng)設(shè)計(jì)方面有一定的積累。如牟智佳等提出基于學(xué)習(xí)行為數(shù)據(jù)的學(xué)習(xí)預(yù)測(cè)模型，利用學(xué)習(xí)行為數(shù)據(jù)進(jìn)行學(xué)習(xí)分析與結(jié)果預(yù)測(cè)，為學(xué)習(xí)上有困難的學(xué)生提供個(gè)性化指導(dǎo)與支持[7];趙慧瓊等設(shè)計(jì)了一種能夠進(jìn)行在線干預(yù)的模型，通過(guò)系統(tǒng)診斷發(fā)現(xiàn)學(xué)生的潛在危機(jī)，通過(guò)電子郵件對(duì)這部分學(xué)生進(jìn)行及時(shí)提醒，使學(xué)生提早改變學(xué)習(xí)策略[8];宋楚平等將RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用于學(xué)習(xí)數(shù)據(jù)分析抽取，通過(guò)改進(jìn)權(quán)重得到最終搜索模型，學(xué)習(xí)預(yù)警效果較好[9];宗曉萍等將改進(jìn)的K-近鄰算法應(yīng)用到教育數(shù)據(jù)中，通過(guò)改進(jìn)決策樹(shù)來(lái)提高學(xué)習(xí)預(yù)警的準(zhǔn)確度，提高課程通過(guò)率[10]。

總之，學(xué)者在學(xué)習(xí)預(yù)警研究領(lǐng)域取得了一定成果，但其實(shí)用性還有待提高。對(duì)學(xué)習(xí)預(yù)警的研究主要側(cè)重于對(duì)學(xué)習(xí)預(yù)警模型的研究，實(shí)際應(yīng)用比較少，另外應(yīng)用不具有普遍性，大部分只適用于一門課程或者是一個(gè)專業(yè)領(lǐng)域，針對(duì)民辦本科院校學(xué)生的學(xué)習(xí)預(yù)警研究還是一片空白，而民辦本科學(xué)生恰恰是最需要學(xué)習(xí)預(yù)警的團(tuán)體。

2? 學(xué)習(xí)預(yù)警模型構(gòu)建

2.1? 德?tīng)柗茖＜易稍兎?/p>

德?tīng)柗茖＜易稍兎ㄓ址Q“專家規(guī)定程序調(diào)查法”，由古希臘城市德?tīng)柗泼?，是一種可靠的收集專家意見(jiàn)的方法。它通過(guò)設(shè)定的調(diào)查表向?qū)＜艺髟円庖?jiàn)，專家組成員對(duì)調(diào)查表的項(xiàng)目給出建議，在這個(gè)過(guò)程中專家之間不能交換意見(jiàn)，經(jīng)過(guò)幾輪的專家咨詢和修改調(diào)查表使得專家意見(jiàn)趨向一致，獲得準(zhǔn)確率較高的結(jié)果，被廣泛用于醫(yī)學(xué)、教育、商業(yè)等領(lǐng)域。

2.2? 學(xué)習(xí)預(yù)警模型構(gòu)建步驟

通過(guò)三輪的德?tīng)柗茖＜易稍兎ù_定一級(jí)指標(biāo)、二級(jí)指標(biāo)和三級(jí)指標(biāo)項(xiàng)的具體內(nèi)容，對(duì)于每個(gè)級(jí)別指標(biāo)的權(quán)重，采用層次分析法來(lái)確定具體值，具體分為5個(gè)步驟：

（1）編制問(wèn)卷。首先對(duì)現(xiàn)有關(guān)于學(xué)習(xí)預(yù)警的文件進(jìn)行梳理和分析，根據(jù)文獻(xiàn)研究結(jié)果編制問(wèn)卷，確定第一輪咨詢問(wèn)卷包括3個(gè)一級(jí)指標(biāo)，5個(gè)二級(jí)指標(biāo)，10個(gè)三級(jí)指標(biāo)。

（2）選擇咨詢專家。邀請(qǐng)具有相關(guān)項(xiàng)目研究基礎(chǔ)、發(fā)表過(guò)相關(guān)論文或者進(jìn)行過(guò)相關(guān)實(shí)踐教學(xué)的專家15位，對(duì)問(wèn)卷開(kāi)展咨詢，咨詢過(guò)程中對(duì)專家積極程度、專家權(quán)威性和專業(yè)協(xié)調(diào)系數(shù)等一系列問(wèn)題進(jìn)行有效性驗(yàn)證，使咨詢意見(jiàn)具有可信度和科學(xué)性。

（3）第一輪專家咨詢。將所編制的第一輪咨詢問(wèn)卷發(fā)放給專家，對(duì)學(xué)習(xí)預(yù)警目標(biāo)達(dá)成度進(jìn)行必要性專業(yè)咨詢，采用5級(jí)評(píng)分，對(duì)于大于3的指標(biāo)進(jìn)行保留，在第一輪咨詢中允許專家對(duì)一級(jí)、二級(jí)和三級(jí)指標(biāo)進(jìn)行新增。

（4）收集分析專家意見(jiàn)并進(jìn)行第二輪專家咨詢。在對(duì)第一輪專家咨詢意見(jiàn)進(jìn)行收集和分析的基礎(chǔ)上，對(duì)個(gè)別指標(biāo)進(jìn)行修改和優(yōu)化，制定第二輪專家咨詢問(wèn)卷。進(jìn)行第二輪的專家咨詢，并根據(jù)專家咨詢結(jié)果采用層次分析法計(jì)算指標(biāo)權(quán)重。

（5）收集分析專家意見(jiàn)并進(jìn)行第三輪專家咨詢。在對(duì)第二輪專家咨詢意見(jiàn)進(jìn)行收集和分析的基礎(chǔ)上，對(duì)個(gè)別指標(biāo)進(jìn)行修改和優(yōu)化，制定第三輪專家咨詢問(wèn)卷。進(jìn)行第三輪的專家咨詢，并根據(jù)專家咨詢結(jié)果采用層次分析法計(jì)算指標(biāo)權(quán)重。具體的學(xué)習(xí)預(yù)警模型構(gòu)建過(guò)程如圖1所示。

2.3? 學(xué)習(xí)預(yù)警模型

經(jīng)過(guò)研究確定了混合式課程學(xué)習(xí)預(yù)警模型，包含基本情況、課堂學(xué)習(xí)情況、網(wǎng)絡(luò)學(xué)習(xí)情況、測(cè)驗(yàn)結(jié)果4個(gè)一級(jí)指標(biāo);基本情況、出勤情況等10個(gè)二級(jí)指標(biāo);及格門數(shù)、討論次數(shù)等20個(gè)三級(jí)指標(biāo)，如表1所示。

2.4? 學(xué)習(xí)預(yù)警模型權(quán)重

將德?tīng)柗茖＜易稍兎ńY(jié)構(gòu)按照層次分析法，計(jì)算權(quán)重矩陣，采用的是邁實(shí)AHP層次分析軟件，利用其自帶的修復(fù)功能對(duì)輸入的矩陣進(jìn)行修正，導(dǎo)出權(quán)重，具體的學(xué)習(xí)預(yù)警模型指標(biāo)及權(quán)重表如表1所示。

2.5? 學(xué)習(xí)預(yù)警模型結(jié)果分析

按照學(xué)生學(xué)習(xí)情況進(jìn)行預(yù)警，分為紅、橙、綠三個(gè)等級(jí)。60分以下為紅色等級(jí)，預(yù)示著期末課程不及格需要對(duì)學(xué)生進(jìn)行預(yù)警;60～70分為橙色等級(jí)，表示存在潛在的不及格危險(xiǎn)，要對(duì)這部分學(xué)生給予警示;70分以上為綠色等級(jí)，表示安全，分值越大表示學(xué)習(xí)程度越好。

3? 智慧樹(shù)平臺(tái)學(xué)習(xí)預(yù)警實(shí)踐分析

為驗(yàn)證學(xué)習(xí)預(yù)警模型的可行性和有效性，以鄭州科技學(xué)院智慧樹(shù)平臺(tái)混合式一流本科課程“Java程序設(shè)計(jì)”為例進(jìn)行驗(yàn)證，后臺(tái)管理界面如圖2所示，根據(jù)學(xué)生期中考試前數(shù)據(jù)對(duì)學(xué)生學(xué)習(xí)情況進(jìn)行預(yù)警，結(jié)合學(xué)生平時(shí)學(xué)習(xí)情況和期末考試結(jié)果判斷學(xué)習(xí)預(yù)警模型的有效性。

3.1? 課程預(yù)警數(shù)據(jù)獲取

學(xué)習(xí)預(yù)警模型一級(jí)指標(biāo)第一項(xiàng)從學(xué)生已有課程學(xué)習(xí)基本情況獲取，直接導(dǎo)出學(xué)生基本情況數(shù)據(jù)。課堂學(xué)習(xí)情況中課堂注意力和學(xué)習(xí)筆記情況從上課過(guò)程中教師記錄中獲取，師生互動(dòng)由小組互動(dòng)情況、翻轉(zhuǎn)課堂數(shù)據(jù)支撐，出勤數(shù)據(jù)可以從智慧樹(shù)平臺(tái)上直接獲取。

網(wǎng)絡(luò)學(xué)習(xí)情況和測(cè)驗(yàn)結(jié)果可從智慧樹(shù)平臺(tái)獲取，如圖3所示，登錄情況、學(xué)習(xí)情況和網(wǎng)絡(luò)互動(dòng)情況、資源學(xué)習(xí)情況等數(shù)據(jù)可以通過(guò)智慧樹(shù)平臺(tái)課程管理統(tǒng)計(jì)獲得。

3.2? 預(yù)警結(jié)果測(cè)試分析

在課程期中考試后進(jìn)行學(xué)習(xí)預(yù)警，按照學(xué)習(xí)預(yù)警模型指標(biāo)權(quán)重計(jì)算總分，發(fā)現(xiàn)授課班級(jí)2019級(jí)計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)1至4班128名學(xué)生中有10名學(xué)生處于紅色預(yù)警級(jí)別，3名學(xué)生處于橙色預(yù)警級(jí)別，如表2所示。根據(jù)數(shù)據(jù)統(tǒng)計(jì)分析，這些學(xué)生的作業(yè)和出勤情況較差，與學(xué)生實(shí)際學(xué)習(xí)成效一致，隨后對(duì)這部分學(xué)生進(jìn)行了課程預(yù)警。大部分學(xué)生在收到預(yù)警后進(jìn)行了學(xué)習(xí)整改，個(gè)別學(xué)生沒(méi)有按照預(yù)警改進(jìn)學(xué)習(xí)，期末考試顯示有3名學(xué)生不及格，全部為紅色預(yù)警級(jí)別學(xué)生，其余被紅色預(yù)警且分值較低的學(xué)生，通過(guò)預(yù)警改變了學(xué)習(xí)策略，期末考試分值能夠達(dá)到70～80分，說(shuō)明所構(gòu)建的學(xué)習(xí)預(yù)警模型是有效的。

4? 結(jié)? 論

學(xué)習(xí)預(yù)警模型雖然在智慧樹(shù)平臺(tái)上通過(guò)“Java程序設(shè)計(jì)”課程驗(yàn)證了有效性，但是由于樣本數(shù)據(jù)較少還有待進(jìn)一步優(yōu)化，比如權(quán)重指標(biāo)的系數(shù)，應(yīng)該在多次試驗(yàn)后根據(jù)預(yù)測(cè)結(jié)果進(jìn)行微調(diào)，使其預(yù)測(cè)結(jié)果更加精準(zhǔn)。另外這次針對(duì)的是計(jì)算機(jī)類課程，對(duì)于其他學(xué)科的有效性還有待驗(yàn)證，后期會(huì)力爭(zhēng)將預(yù)警模型廣泛用于多學(xué)科多課程，不斷改進(jìn)提高學(xué)習(xí)預(yù)警模型的有效性和魯棒性。

參考文獻(xiàn)：

[1] MCKAY T，Miller K，TRITZ J. What to Do with Actionable Intelligence： E 2Coach as an Intervention Engine [C]//Proceedings of the 2nd International Conference on Learning Analytics and Knowledge. NewYork：ACM，2012：88-91.

[2] MAZZA R，DIMITROVA V. CourseVis：A Graphical Student Monitoring Tool for S upporting Instructors in Web -based Distance Courses [J].International Journal of Human-Computer Studies，2007，65（2）：125-139.

[3] ARNOLD K E，PISTILLI M D. Course Signals at Purdue：using Learning Analytics to Increase Student Success [C]//Proceedings of the 2nd International Conference on Learning Analytics and Knowledge.New York：ACM，2012：267-270.

[4] ESSA A，AYAD H.Improving Student Success Using Predictive Models and Data Visualisations [J].Research in Learning Technology，2012，20：58-70.

[5] 王芳，梁鷹.基于MOOC的大數(shù)據(jù)學(xué)習(xí)預(yù)警模型在混合教學(xué)中的應(yīng)用 [J].中華醫(yī)學(xué)圖書(shū)情報(bào)雜志，2019，28（7）：63-71.

[6] 胡建紅，張曉麗，袁培鑫，等.基于雨課堂智慧教學(xué)模式的學(xué)習(xí)預(yù)警分析 [J].中國(guó)成人教育，2019（21）：64-66.

[7] 牟智佳，李雨婷，嚴(yán)大虎.混合學(xué)習(xí)環(huán)境下基于學(xué)習(xí)行為數(shù)據(jù)的學(xué)習(xí)預(yù)警系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn) [J].遠(yuǎn)程教育雜志，2018，36（3）：55-63.

[8] 趙慧瓊，姜強(qiáng)，趙蔚，等.基于大數(shù)據(jù)學(xué)習(xí)分析的在線學(xué)習(xí)績(jī)效預(yù)警因素及干預(yù)對(duì)策的實(shí)證研究 [J].電化教育研究，2017，38（1）：62-69.

[9] 宋楚平，李少芹，蔡彬彬.一種RBF 神經(jīng)網(wǎng)絡(luò)改進(jìn)算法在高校學(xué)習(xí)預(yù)警中的應(yīng)用 [J].計(jì)算機(jī)應(yīng)用與軟件，2020，37（8）：39-44.

[10] 宗曉萍，陶澤澤.改進(jìn)的K-近鄰算法及其在學(xué)習(xí)預(yù)警中的應(yīng)用 [J].河北大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，40（2）：193-199.

作者簡(jiǎn)介：于海燕（1983—），女，漢族，河南范縣人，副教授，碩士研究生，研究方向：計(jì)算機(jī)教育教學(xué)。