編程學(xué)習(xí)中學(xué)生行為分析與結(jié)果預(yù)測

摘 "要 "通過收集RoboMise這一自適應(yīng)編程學(xué)習(xí)系統(tǒng)中學(xué)生的行為數(shù)據(jù)，應(yīng)用統(tǒng)計分析方法進行學(xué)習(xí)行為分析；基于學(xué)習(xí)行為數(shù)據(jù)，利用機器學(xué)習(xí)方法，對學(xué)生解決任務(wù)的結(jié)果進行預(yù)測。研究結(jié)果表明：可以根據(jù)學(xué)習(xí)行為對學(xué)習(xí)結(jié)果作出預(yù)測，隨機森林算法的綜合預(yù)測效果最優(yōu)。

關(guān)鍵詞 "編程；學(xué)習(xí)行為；RoboMise；數(shù)據(jù)挖掘；自適應(yīng)學(xué)習(xí)系統(tǒng)

中圖分類號：G633.67 " "文獻標(biāo)識碼：B

文章編號：1671-489X（2022）14-0053-07

Behavior Analysis and Result Prediction of Students in Programming Learning//WEI Guoxia， JIANG Bo

Abstract "This study collects the behavior data generated by

students in RoboMise， an adaptive learning system for intro-

ductory programming and use statistical analysis methods to

analyze learning behavior. Further， based on the learning be-havior data， the results of students’ task solving are predicted by using machine learning. The results show that the learning results can be predicted according to the learning behavior， and the comprehensive prediction effect of random forest al-gorithm is the best.

Key words "programming; learning behavior; RoboMise; data

mining; adaptive learning system

0 "引言

隨著人類使用信息技術(shù)方式的變化，在線教育越來越普及，智能教學(xué)系統(tǒng)（Intelligent Tuto-ring Systems，ITS）可以通過部署新的教學(xué)策略來

利用這些轉(zhuǎn)變。例如：利用網(wǎng)絡(luò)作為學(xué)習(xí)者的信息源，利用社交媒體在學(xué)習(xí)者之間進行互動，部署推薦系統(tǒng)技術(shù)，為面臨困境的學(xué)習(xí)者查找合適的信息或合適的幫助者。海量、實時和細粒度的數(shù)據(jù)可以從這個新空間的用戶交互中獲取，新的數(shù)據(jù)挖掘和統(tǒng)計算法可以通過分析這些交互數(shù)據(jù)來理解學(xué)習(xí)者的表現(xiàn)[1]?；诰W(wǎng)絡(luò)平臺的教育大數(shù)據(jù)為個性化學(xué)習(xí)的發(fā)展提供重要支持，網(wǎng)絡(luò)學(xué)習(xí)環(huán)境下，自適應(yīng)學(xué)習(xí)系統(tǒng)能夠根據(jù)學(xué)習(xí)者的學(xué)習(xí)背景、學(xué)習(xí)風(fēng)格、學(xué)習(xí)動機和認知水平等提供個性化學(xué)習(xí)支持，如個性化的學(xué)習(xí)路徑和學(xué)習(xí)資源等。開放學(xué)習(xí)作為在線學(xué)習(xí)的一種形式，讓任何有興趣的人都可以從互聯(lián)網(wǎng)上免費獲得學(xué)習(xí)資源，如通過MOOC獲取學(xué)習(xí)資源[2]。為學(xué)習(xí)者提供適合其喜好和學(xué)習(xí)方式的學(xué)習(xí)資料與活動，能讓學(xué)習(xí)者更加輕松地學(xué)習(xí)[3]。

編程是信息時代的基本技能，也是學(xué)習(xí)者個性化學(xué)習(xí)的一大需求。目前已經(jīng)存在很多入門編程的教學(xué)，如數(shù)百萬學(xué)生使用的Hour of Code，這種教學(xué)結(jié)合幾種支持學(xué)習(xí)和培養(yǎng)動機的策略，但它不是個性化的，每個人的任務(wù)相同。而自適應(yīng)編程學(xué)習(xí)系統(tǒng)通過人工智能技術(shù)適應(yīng)學(xué)生需求，基于塊的游戲化模式能夠激發(fā)學(xué)生的內(nèi)在動機，難度適宜的進階式任務(wù)能使學(xué)生進入心流狀態(tài)，通過適應(yīng)學(xué)生技能，創(chuàng)造最佳學(xué)習(xí)體驗，同時培養(yǎng)他們進一步學(xué)習(xí)編程的動機，從而幫助學(xué)生有效學(xué)習(xí)編程知識。

本文基于大數(shù)據(jù)視角，通過對RoboMise這一自適應(yīng)入門編程學(xué)習(xí)系統(tǒng)中學(xué)習(xí)行為數(shù)據(jù)的挖掘，通過對學(xué)生學(xué)習(xí)行為進行特征分析，比較不同分類算法的預(yù)測效果，提出學(xué)生編程任務(wù)完成情況預(yù)測模型，并討論其課堂應(yīng)用實際情況。

1 "相關(guān)研究

數(shù)據(jù)挖掘技術(shù)現(xiàn)已被廣泛用于學(xué)生成績預(yù)測研究中，通過提供不同機制來分析數(shù)據(jù)，幫助研究者發(fā)現(xiàn)學(xué)生行為和學(xué)習(xí)結(jié)果之間的新趨勢與關(guān)系。教育數(shù)據(jù)挖掘技術(shù)針對各類不同教育環(huán)境中的數(shù)據(jù)進行數(shù)據(jù)融合，挖掘數(shù)據(jù)內(nèi)蘊藏的行為規(guī)律，可以幫助教師更好地了解學(xué)生，也可以幫助學(xué)生更加了解自己[4]。利用教育數(shù)據(jù)挖掘技術(shù)進行學(xué)習(xí)分析，有助于更好地理解學(xué)生的行為和促成學(xué)生行為的隱性信息，這些信息可用于課程、教學(xué)工具和教學(xué)方法的改進[2]。隨著在線學(xué)習(xí)系統(tǒng)的使用，對學(xué)生學(xué)習(xí)行為數(shù)據(jù)的獲取和分析出現(xiàn)顯著增長，數(shù)據(jù)收集和分析從主觀、經(jīng)驗導(dǎo)向為主轉(zhuǎn)向數(shù)據(jù)驅(qū)動為主，這種轉(zhuǎn)變對于挖掘?qū)W生學(xué)習(xí)行為規(guī)律、預(yù)測學(xué)生學(xué)習(xí)結(jié)果有很大幫助。在使用數(shù)據(jù)挖掘技術(shù)預(yù)測學(xué)生成績的研究中，Ramesh等[5]在對計算機科學(xué)系的學(xué)生期末就業(yè)表現(xiàn)進行預(yù)測時，收集他們的各科成績、實驗成績和其他實習(xí)數(shù)據(jù)，對多層感知器、樸素貝葉斯、SMO、J48和REPTree等分類器的預(yù)測進行比較分析，并基于這些算法的準(zhǔn)確性進行對比分析，對學(xué)生就業(yè)情況進行預(yù)測。Romero等[6]使用數(shù)據(jù)挖掘技術(shù)對在線課程管理系統(tǒng)中的學(xué)生數(shù)據(jù)進行收集和分析，使用聚類技術(shù)對學(xué)生進行群體劃分，從而對學(xué)生進行分類，提倡根據(jù)學(xué)生所屬分類進行個性化教學(xué)。

隨著人工智能與教育的深度融合，在線學(xué)習(xí)不斷變革和創(chuàng)新，自適應(yīng)學(xué)習(xí)系統(tǒng)的出現(xiàn)解決了傳統(tǒng)的網(wǎng)絡(luò)教學(xué)中所有學(xué)生使用相同課件的問題，通過系統(tǒng)與學(xué)生的交互來適應(yīng)學(xué)生的個性化需求[7]。自適應(yīng)學(xué)習(xí)系統(tǒng)可以適應(yīng)學(xué)生的技能、偏好的學(xué)習(xí)方式、情緒（如挫折和無聊等）、需求、動機和元認知[8]。美國普渡大學(xué)開發(fā)課程信號系統(tǒng)，根據(jù)學(xué)生成績、學(xué)術(shù)史、努力程度等預(yù)測學(xué)生表現(xiàn)，為學(xué)生提供有針對性的學(xué)習(xí)建議與反饋[9]。對于學(xué)生學(xué)習(xí)成績的預(yù)測，除了基于平時測驗和其他科目的學(xué)習(xí)結(jié)果外，也可以根據(jù)學(xué)習(xí)行為日志數(shù)據(jù)組成學(xué)習(xí)行為特征，從而對學(xué)生表現(xiàn)進行預(yù)測。Amerieh等[10]

通過對學(xué)生學(xué)習(xí)論壇中發(fā)言次數(shù)、訪問資源次數(shù)、閱讀材料時間等學(xué)習(xí)行為數(shù)據(jù)的收集，組成學(xué)習(xí)行為特征，對學(xué)生表現(xiàn)進行預(yù)測。王雪宇等[11]針對MOOC中高輟課率問題，抽取課程因素、學(xué)習(xí)者因素和他人因素三類行為數(shù)據(jù)，建立輟課預(yù)測模型，對學(xué)習(xí)者輟課情況進行預(yù)測并探討輟課后的推送和干預(yù)機制。許煒等[12]提出使用學(xué)習(xí)管理系統(tǒng)（Learning Management System，LMS）基于學(xué)生課堂學(xué)習(xí)行為分析的考試成績預(yù)測方法，對預(yù)測變量進行不同組合，對比不同分類器的各項指數(shù)，對學(xué)生成績進行預(yù)測。

通過數(shù)據(jù)挖掘技術(shù)和自適應(yīng)學(xué)習(xí)系統(tǒng)對在線學(xué)習(xí)過程的實時采集與分析，能夠為學(xué)生提供個性化的課程服務(wù)，對于學(xué)生學(xué)習(xí)和改進教學(xué)方式有很大促進作用。

2 "研究內(nèi)容

2.1 "數(shù)據(jù)來源與系統(tǒng)介紹

本研究的數(shù)據(jù)來源于RoboMise這一自適應(yīng)編程學(xué)習(xí)系統(tǒng)。RoboMise是學(xué)習(xí)入門編程的系統(tǒng)，這個系統(tǒng)在一個開源項目中。該系統(tǒng)包含85個任務(wù)，涵蓋命令序列、循環(huán)和條件等概念。任務(wù)按難度排序，共九個難度等級，每個等級有三個子等級，每個子等級中任務(wù)難度相同。九個難度等級編程任務(wù)涉及的編程內(nèi)容和操作如表1所示。

學(xué)生在完成每個任務(wù)后，系統(tǒng)會根據(jù)其完成任務(wù)的過程和結(jié)果推薦下一個任務(wù)，推薦的任務(wù)是從尚未掌握的第一個子等級中隨機選擇的。所有目標(biāo)的任務(wù)都是創(chuàng)建一個程序去引導(dǎo)一個宇宙飛船穿梭于格子中收集鉆石并到達最后一排，任務(wù)的多樣性是通過各種游戲元素實現(xiàn)的，如系統(tǒng)中有小行星和蟲洞。學(xué)生使用基于塊的編程環(huán)境構(gòu)建程序，并且可以隨時執(zhí)行代碼以查看在游戲世界中的進度。圖1為RoboMise系統(tǒng)等級列表，圖2為level 6中任務(wù)“on yellow to left”的界面。

本研究數(shù)據(jù)集選取自系統(tǒng)的task_sessions數(shù)據(jù)集，數(shù)據(jù)集記錄的是5 800名高中生用戶在四個月內(nèi)（2017年11月10日至2018年3月9日）的學(xué)習(xí)行為數(shù)據(jù)，記錄每個學(xué)生的編號（student）、所做任務(wù)編號（task）、每個任務(wù)開始和結(jié)束的時間點（start，end）、解決問題的結(jié)果（solved）、花費時間（time_spent）、編輯次數(shù)（edits）、運行次數(shù)（executions）以及編程結(jié)果代碼的文本表示（program）。這5 800名用戶每人至少接收一個任務(wù)，總計嘗試約11 000個任務(wù)，產(chǎn)生任務(wù)難度等級、編輯次數(shù)、運行次數(shù)、時間、始末時間點、解決問題結(jié)果、最終編程代碼等85 416條學(xué)習(xí)行為數(shù)據(jù)，各項數(shù)據(jù)說明如表2所示。

2.2 "研究方法和問題

本研究采用統(tǒng)計分析和機器學(xué)習(xí)方法對學(xué)生學(xué)習(xí)行為進行分析與預(yù)測。首先對數(shù)據(jù)進行預(yù)處理，剔除編輯次數(shù)和執(zhí)行次數(shù)為0的數(shù)據(jù)，根據(jù)始末時間點剔除時間跨度過大的數(shù)據(jù)，減少干擾數(shù)據(jù)和極值對預(yù)測效果的影響，以便更加準(zhǔn)確地預(yù)測任務(wù)解決結(jié)果；然后進行特征篩選和提取，以預(yù)處理完的初始數(shù)據(jù)為基礎(chǔ)，分析各特征與解決任務(wù)結(jié)果之間的相關(guān)性，篩選相關(guān)行為作為特征變量，對解決任務(wù)的結(jié)果進行預(yù)測；最后選擇合適的分類器，通過對比KNN分類算法、決策樹分類算法和Logistic回歸算法的各項指標(biāo)評分，衡量預(yù)測模型的性能，從而選擇最優(yōu)模型。

因此，本研究關(guān)注的三個主要問題如下：

問題1：學(xué)生解決圖形化編程任務(wù)的總體學(xué)習(xí)行為特征如何？

問題2：各學(xué)習(xí)行為之間存在何種關(guān)系？

問題3：能否根據(jù)學(xué)習(xí)行為對其解決編程任務(wù)的結(jié)果進行預(yù)測？是否可以根據(jù)預(yù)測結(jié)果對系統(tǒng)應(yīng)用提出改進方案？

2.3 "數(shù)據(jù)預(yù)處理與分析

2.3.1 "數(shù)據(jù)預(yù)處理 "由于編程任務(wù)是在網(wǎng)上自主完成，沒有監(jiān)督者和時間限制，因此，很多數(shù)據(jù)并不能真正代表學(xué)生的學(xué)習(xí)行為，要對數(shù)據(jù)進行篩查。所有任務(wù)都需要拖動代碼塊來進行操作，而每次拖動代碼塊都會產(chǎn)生編輯次數(shù)，因此需要剔除編輯次數(shù)為0的469條數(shù)據(jù)；所有任務(wù)都需要點擊運行后才會給出評分并出現(xiàn)下一任務(wù)的推薦，而不運行系統(tǒng)是無法做出適應(yīng)性推薦的，因此需要剔除運行次數(shù)為0的1 324條數(shù)據(jù)；由于系統(tǒng)網(wǎng)頁只要不關(guān)閉就會一直計時，任務(wù)期間學(xué)生很有可能投身其他活動，因此需要剔除花費時間過長的數(shù)據(jù)；由于每個等級的任務(wù)難度不同，完成任務(wù)需要的時間有較大差別，因此需要根據(jù)任務(wù)等級剔除花費時間過長的數(shù)據(jù)。

利用箱圖做頻數(shù)分析可直觀了解各等級任務(wù)花費時間的離散程度和異常值。如圖3所示，隨著等級的上升，任務(wù)花費時間會增多，異常值的數(shù)值也會增大。各難度等級任務(wù)花費時間莖葉圖結(jié)果統(tǒng)計如表3所示。根據(jù)表3統(tǒng)計結(jié)果，剔除共9 068條花費時間異常的數(shù)據(jù)。

經(jīng)過以上預(yù)處理后，共計74 555條學(xué)生學(xué)習(xí)行為數(shù)據(jù)，本研究將對該74 555條數(shù)據(jù)做學(xué)習(xí)行為分析和預(yù)測。

2.3.2 "特征提取和分析 "本研究想通過學(xué)生的學(xué)習(xí)行為數(shù)據(jù)預(yù)測學(xué)生解決任務(wù)的結(jié)果，task_sessions數(shù)據(jù)集中記錄的九項數(shù)據(jù)中，任務(wù)難度等級、花費時間、編輯次數(shù)和運行次數(shù)四項數(shù)值數(shù)據(jù)可以作為特征變量。采用皮爾森相關(guān)性分析，分別對編輯次數(shù)、運行次數(shù)、花費時間和解決任務(wù)的結(jié)果進行相關(guān)性分析，對解決任務(wù)的結(jié)果進行預(yù)測。

2.4 "分類器選擇

經(jīng)過特征選擇后，本研究將對比常用的五種機器學(xué)習(xí)分類算法對預(yù)測結(jié)果進行對比分析，具體包括K近鄰、決策樹、邏輯回歸和隨機森林，預(yù)測流程如圖4所示。

3 "結(jié)果分析

3.1 "學(xué)習(xí)行為數(shù)據(jù)統(tǒng)計分析

統(tǒng)計發(fā)現(xiàn)，在5 800名學(xué)生中，共5 454名學(xué)生產(chǎn)生有效數(shù)據(jù)，共計74 555條，包含編輯次數(shù)、運行次數(shù)、花費時間、任務(wù)難度等級、解決任務(wù)的結(jié)果。其中，已解決任務(wù)68 048個，占比91.3%；未解決任務(wù)6 507個，占比8.7%。未解決任務(wù)數(shù)遠小于已解決任務(wù)數(shù)是自適應(yīng)學(xué)習(xí)系統(tǒng)的特性，只要任務(wù)還能完成就會繼續(xù)下去，直到任務(wù)無法解決，而不會有跳過和自主選擇。表4統(tǒng)計了學(xué)生編輯次數(shù)、運行次數(shù)、花費時間等學(xué)習(xí)行為數(shù)據(jù)的頻次，圖5為各行為數(shù)據(jù)頻率圖。結(jié)果表明：學(xué)生編輯次數(shù)最小為1，最大為243，平均編輯次數(shù)為10.32，中位數(shù)為7，99.5%的任務(wù)編輯次數(shù)在60次以內(nèi)；運行程序次數(shù)最小為1，最大為58，平均運行次數(shù)2.7，中位數(shù)為2，99.5%的任務(wù)運行次數(shù)在17次以內(nèi)；花費時間最少為1秒，最多為1 380秒（約23分鐘），平均花費時間為81.59秒（約1.4分鐘），中位數(shù)為51，99.5%的任務(wù)花費時間在623秒（約10.4分鐘）內(nèi)。

由表4和圖5可知，編輯次數(shù)、運行次數(shù)和花費時間這三個屬性呈右偏分布，即眾數(shù)小于均值。也就是說，少部分任務(wù)完成所需時間較長，需要更多嘗試，絕大部分任務(wù)都可在短時間內(nèi)順利完成。

圖6是level—level峰圖，由圖6可知，隨著難度等級的上升，嘗試任務(wù)的人數(shù)減少，且其中未能解決任務(wù)（solved=0）的人數(shù)比例上升。

圖7是各難度等級編輯次數(shù)和運行次數(shù)箱線圖，可以看出，隨著難度等級的上升，學(xué)生編輯次數(shù)和運行次數(shù)的范圍變大（level 8除外），編輯次數(shù)的下四分位數(shù)基本呈上升趨勢，運行次數(shù)的下四分位數(shù)變化不大。也就是說，隨著難度等級上升，完成編程任務(wù)的步驟增多，編輯次數(shù)的最小值也隨之增大，但運行次數(shù)的最小值變化不大。這說明部分學(xué)生在做任務(wù)時選擇不分步操作，而是在腦海內(nèi)進行步驟演示，但也有學(xué)生選擇在編輯一定次數(shù)后點擊運行按鈕，根據(jù)系統(tǒng)演示的步驟決定下一步的操作結(jié)果。Level 8編輯次數(shù)和運行次數(shù)相對于level 5、level 6和level 7都較小，是因為level 8的編程任務(wù)中if-else的分支結(jié)構(gòu)包含level 5～7中的循環(huán)、if條件和比較，是對level 5～8中技能的組合運用。因此，在解決了level 5～7的任務(wù)之后，學(xué)生在解決level 8的任務(wù)時嘗試次數(shù)和花費時間都會減少。

3.2 "學(xué)習(xí)行為相關(guān)分析

本研究中學(xué)習(xí)行為數(shù)據(jù)為連續(xù)變量，雖然數(shù)據(jù)呈偏態(tài)分布，但由于樣本量較大，按照中心極限定理，也可認為是正態(tài)分布，故采用皮爾遜相關(guān)分析，對編輯次數(shù)、運行次數(shù)、花費時間、任務(wù)難度和解決任務(wù)的結(jié)果之間的關(guān)系進行分析。

如表5所示，在RoboMise數(shù)據(jù)集中，任務(wù)難度等級與編輯次數(shù)（r=.441，P＜0.01）、運行次數(shù)（r=.273，P＜0.01）和花費時間（r=.496，P＜0.01）均顯著正相關(guān)，即隨著任務(wù)難度升高，學(xué)生解決問題需要編輯代碼塊的次數(shù)、運行代碼塊的次數(shù)和花費的時間都會增加，這說明該系統(tǒng)任務(wù)的難度劃分較合理。編輯次數(shù)、運行次數(shù)和花費時間兩兩之間存在顯著正相關(guān)，即學(xué)生解決任務(wù)花費的時間隨著編輯次數(shù)或運行次數(shù)的增加而增加，且學(xué)生運行程序的次數(shù)隨著編輯次數(shù)的增加而增加。也就是說，隨著任務(wù)難度等級上升，完成任務(wù)所需步驟增加，學(xué)生需要在編輯中不斷點擊運行按鈕以了解當(dāng)前操作的進度進行驗證。學(xué)生解決問題的結(jié)果與編輯次數(shù)（r=-.217，P＜0.01）、運行次數(shù)（r=-.201，P＜0.01）、花費時間（r=-.261，P＜0.01）均顯著負相關(guān)，即花費更多時間、嘗試更多次數(shù)的任務(wù)正確率更低。也就是說，任務(wù)難度達到一定程度時，不斷提高嘗試次數(shù)和花費更多時間對于解決任務(wù)的幫助并不大。

3.3 "學(xué)習(xí)結(jié)果預(yù)測和分析

根據(jù)表5學(xué)習(xí)行為與解決任務(wù)結(jié)果的相關(guān)分析結(jié)果可知，編輯次數(shù)（r=-.217，P＜0.01）、運行次數(shù)（r=-.201，P＜0.01）、花費時間（r=-.261，P＜0.01）、任務(wù)難度等級（r=-.310，P＜0.01）與解決任務(wù)的結(jié)果都顯著負相關(guān)。將根據(jù)學(xué)生學(xué)習(xí)行為數(shù)據(jù)預(yù)測其解決任務(wù)結(jié)果這一問題抽象成分類問題，考慮到特征之間有顯著相關(guān)，故采用常用的四種機器學(xué)習(xí)分類算法對學(xué)生解決任務(wù)結(jié)果進行預(yù)測。四種預(yù)測算法的評分如表6所示。

由表6可知，Logistic回歸算法的準(zhǔn)確率（Accuracy）最高，為0.914；隨機森林和KNN次之，分別為0.905和0.903。在74 555條數(shù)據(jù)中，Lo-

gistic回歸算法預(yù)測正確的樣本所占比例最高，SVM預(yù)測正確的比例最低，僅為0.245。五種分類算法中，Logistic回歸的精確度（Precision）、召回率（Recall）和二者的調(diào)和平均數(shù)（F1 score）

也是最高的，分別為0.886、0.914和0.886。精確度表示所有預(yù)測解決任務(wù)結(jié)果為FALSE的樣例中，其解決結(jié)果確實為FALSE的比例；召回率表示在所有預(yù)測結(jié)果為FALSE的樣例中，占據(jù)總FALSE數(shù)量的比例；F1 score為二者的調(diào)和平均，用來衡量分類器的綜合性能。除Logistic回歸算法之外，隨機森林的各項指標(biāo)分?jǐn)?shù)較高，建立混淆矩陣進行比較。圖8為二者混淆矩陣圖。

由圖8可知，TP隨機森林=1 111，TPLogistic回歸=665

（TP表示真陽性，True Positive），即在6 507個

解決任務(wù)結(jié)果為FALSE的樣本中，隨機森林預(yù)測為FALSE的有1 111個，比例達17.1%；而Logistic回歸算法預(yù)測的僅為665個，所占比例為10.2%。考慮到本研究側(cè)重于關(guān)注解決任務(wù)結(jié)果為FALSE的學(xué)生，分析其行為特征，因此，綜合分類器的各項評分指標(biāo)和混淆矩陣結(jié)果，選取隨機森林分類器進行預(yù)測。

隨機森林分類器對于解決任務(wù)結(jié)果的預(yù)測準(zhǔn)確率達0.905，可以預(yù)測90.5%的樣本；精確度為0.877，召回率為0.905，二者的調(diào)和平均數(shù)F1 score為0.886。這表明對于解決任務(wù)結(jié)果為FALSE的任務(wù)的捕獲率和正確率都較高。

4 "結(jié)論與討論

4.1 "結(jié)論

本研究提出一種基于自適應(yīng)編程學(xué)習(xí)平臺的學(xué)習(xí)行為分析方法，將知識領(lǐng)域分解為解決問題的能力，將學(xué)生解決問題的表現(xiàn)表征為其知識水平，據(jù)此分析學(xué)生學(xué)習(xí)行為數(shù)據(jù)的統(tǒng)計結(jié)果和相關(guān)性，提出基于學(xué)習(xí)特征的結(jié)果預(yù)測方法。

問題一和問題二對學(xué)生在線解決編程問題中的嘗試次數(shù)和花費時間進行統(tǒng)計分析，發(fā)現(xiàn)隨著編程任務(wù)難度的上升，部分學(xué)生對于準(zhǔn)確度仍有較高把握，運行1～2次即可解決任務(wù)，但也有很多學(xué)生需要嘗試很多次才能完成。這對于系統(tǒng)的提示和幫助提出要求，也是對教師發(fā)出的需要在此提供“腳手架”的信號。在需要技能組合的任務(wù)中（如level 8），若學(xué)生未能解決任務(wù)，可以追溯學(xué)生是基本技能沒掌握，還是缺乏將基本技能組合應(yīng)用的經(jīng)驗；若是成功，則可以確定學(xué)生對組合技能中的每一項已掌握，甚至?xí)匪莸礁嗟闹R，而不只是對應(yīng)知識的簡單相加[13]。

問題三通過對嘗試次數(shù)、花費時間和任務(wù)難度等級數(shù)據(jù)的分析，綜合對比五種機器學(xué)習(xí)算法的效果，發(fā)現(xiàn)Logistic回歸和隨機森林在預(yù)測精度方面都有較好效果，但隨機森林法對于解決結(jié)果錯誤的任務(wù)有更高預(yù)測準(zhǔn)確性，從而能夠發(fā)現(xiàn)錯誤學(xué)生的行為特征，進行個性化教學(xué)。

4.2 "討論

本研究的數(shù)據(jù)集來源于非正式學(xué)習(xí)環(huán)境中學(xué)生的解決任務(wù)過程，這種不可控的環(huán)境會為評估學(xué)生表現(xiàn)增加一定難度。但由相關(guān)分析和預(yù)測結(jié)果可知，學(xué)生嘗試次數(shù)（包括編輯次數(shù)和運行次數(shù)）和花費時間是影響預(yù)測結(jié)果的重要特征，而運行次數(shù)反映的是解決問題的準(zhǔn)確性，這很大程度上與學(xué)生的計算思維水平相關(guān)。

基于網(wǎng)絡(luò)的學(xué)習(xí)行為數(shù)據(jù)包含的信息可以幫助教師了解教學(xué)中的新趨勢，了解當(dāng)前的教育質(zhì)量，以及如何為學(xué)生提供更高水平的教育?；诖耍侠韺oboMise自適應(yīng)編程系統(tǒng)應(yīng)用于信息技術(shù)課堂環(huán)境中，結(jié)合智能教輔系統(tǒng)的數(shù)據(jù)可視化，結(jié)合最近發(fā)展區(qū)理論和動機保持理論，用合適的教學(xué)策略對學(xué)生活動進行干預(yù)，對于增強教學(xué)效果具有重要意義。

參考文獻

[1] Nkambou R， Bourdeau J， Mizoguchi R. Advances in

Intelligent Tutoring Systems[M].Springer Berlin

Heidelberg，2010.

[2] Ihantola P， Vihavainen A， Butler M， et al.

Educational Data Mining and Learning Analytics

in Programming： Literature Review and Case

Studies[R]//ITICSE-WGR ′15： Proceedings of the

2015 ITiCSE on Working Group Reports.2015.

[3] Graf S， Kinshuk， Liu TC. Supporting teachers in

identifying students’ learning styles in lear-

ning management systems： An automatic student

modelling approach[J].Journal of Educational

Technology amp; Society，2009，12（4）：3-14.

[4] 袁亞興.一種基于分類算法的在線學(xué)習(xí)成績預(yù)測策略

[J].廣播電視大學(xué)學(xué)報（哲學(xué)社會科學(xué)版），2019（2）：

93-97，127.

[5] Ramesh V， Parkavi P， Yasodha P. Performance

analysis of datamining techniques for placement

chance prediction[J].International Journal of

Scientific amp; Engineering Research，2011，2（8）：1-6.

[6] Romero C， Ventura S， García E. Data mining in

course management systems： Moodle case study

and tutorial[J].Computers amp; Education，2008，

51（1）：368-384.

[7] 姜強，趙蔚.自適應(yīng)學(xué)習(xí)系統(tǒng)述評及其優(yōu)化機制研究

[J].現(xiàn)代遠距離教育，2011（6）：57-63.

[8] Nkambou R， Mizoguchi R， Bourdeau J. Advances

in intelligent tutoring systems[M].Berlin：

Springer Heidelberg，2010.

[9] Arnold KE， Pistilli MD. Course signals at Purdue：

Using learning analytics to increase student

success[R]//Proceedings of the 2nd international

conference on learning analytics and knowledge，

2012：267-270.

[10] Amrieh EA， Hamtini T， Aljarah I. Mining Edu-

cational Data to Predict Student’s academic

Performance using Ensemble Methods[J].Inter-

national Journal of Database Theory and Appli-

cation，2016，9（8）：119-136.

[11] 王雪宇， 鄒剛，李驍.基于MOOC數(shù)據(jù)的學(xué)習(xí)者輟課

預(yù)測研究[J].現(xiàn)代教育技術(shù)，2017，27（6）：94-100.

[12] 許煒，劉文同，詹曉慶，等.基于大學(xué)課堂學(xué)習(xí)行為

的成績預(yù)測方法研究[J].現(xiàn)代教育技術(shù)，2021，

31（6）：104-111.

[13] Yun H， Guerra-Hollstein JD， Brusilovsky P. A

Data-Driven Framework of Modeling Skill Com-

binations for Deeper Knowledge Tracing[M]//

Proc of the 9th Int Conf on Educational Data

Mining （EDM）. Worcester， MA： IEDMS，2016：593-

594.