TULIP平臺學習行為數據聚類分析

劉永欣 趙元棣 張彬 李昂

摘? 要：構建TULIP虛擬仿真平臺的目標是有效提升學習者的邏輯思維和實踐能力。采集學習者在TULIP平臺有關空中交通管理本科專業(yè)課程的在線學習行為數據，選取9個學習行為量化指標，采用主成分分析和k-均值聚類方法，對學習者在TULIP平臺14個任務的學習行為數據進行聚類分析。通過分析聚類結果，將任務分為識記、資料拓展、前序課程延續(xù)、綜合應用四類，并準確識別成績優(yōu)秀和成績較差學習者的學習行為特征。探討基于TULIP平臺的教學方法，通過有針對性地制定教學方案和干預措施，實現提升學習效果的目標。

關鍵詞：教育信息化；TULIP平臺；學習行為；主成分分析；k-均值聚類

中圖分類號：G642? ? ? ? 文獻標志碼：A? ? ? ? ? 文章編號：2096-000X（2023）21-0193-04

Abstract： The goal of constructing TULIP virtual simulation platform is to effectively improve learners' logical thinking and practical ability. The online learning behavior data of learners on the TULIP platform related to air traffic management undergraduate professional courses are collected. Through selecting 9 quantitative indicators of learning behavior， learners' learning behavior data of 14 tasks on the TULIP platform areanalyzed based on principal component analysis and k-means clustering method. By analyzing the clustering results， the tasks are divided into four categories： memorization， materials expansion， pre-coursecontinuation and comprehensive application， The learning behavior characteristics of learners with excellent and poor academic performance are accurately identified. The teaching methods based on TULIP platform are discussed， so as to formulate targeted teaching programs and interventions to achieve the goal of improving learning effect.

Keywords： educational informatization; TULIP platform; learning behavior; principal component analysis; k-means clustering

經過多年的發(fā)展與建設，中國民航大學交通運輸專業(yè)課程已形成體系。然而，以教師為中心的傳統(tǒng)授課方式容易產生學生對知識理解不深、理論與實踐脫離等問題。在全國教育信息化建設的背景下，該專業(yè)以培養(yǎng)復合型、應用型、創(chuàng)新型人才為目標，以提升邏輯思維和實踐能力為核心，構建了虛擬仿真學習平臺——TULIP（Task-based Ultra Learning Intelligent Platform）平臺，使學生通過完成多種實驗任務建立對空管規(guī)章的直觀認識，加深對理論知識的準確理解，充分激發(fā)學生的學習興趣和主觀能動性，有效提升教學效果和人才培養(yǎng)質量。

基于數據挖掘的學習行為研究已有一些成果。2017年，張健[1]利用改進后的序列模式挖掘算法對學習行為的數據進行采集、挖掘和分析，將數據挖掘技術應用于個性化的學習系統(tǒng)，優(yōu)化了在線學習的機制以及用戶的學習體驗。2018年，王改花等[2]采用數據挖掘技術中的決策樹方法對網絡學習者的學習行為與成績進行了預測，構建了適應性學習系統(tǒng)學習干預模型。2019年，代紅等[3]通過對學習者在網絡學習過程中產生的大量學習行為記錄進行分析和數據挖掘，并采用機器學習中集成學習的方法對學習成績進行預測，研究結果對學習質量的提高有重要意義。2020年，趙倩[4]選擇網絡教學平臺的師生行為進行分析，應用數據挖掘技術和行為序列分析法提取網絡學習行為數據的有用信息，發(fā)現有效學習規(guī)律，提出提升教學效果建議，為高校有效開展網絡教學平臺支持的混合式教學提供數據支持；同年，沈洵[5]利用大數據挖掘的關聯分析等方法歸納出個體學生在線學習行為與學習成效高關聯度的學習行為指標，以此設計出在線課程學習行為數據標準，作為教師設計教學內容和干預學生學習行為的參考依據。2021年，楊孟嬌等[6]選取了7個學習行為量化指標，采用主成分分析法和K均值聚類算法相結合的方法，對開放教育學習者的學習行為進行科學的聚類；同年，藺小清[7]完成了一種基于K-means聚類算法的在線學習行為分析方法的設計，通過聚類分析采集到的用戶在線學習行為路徑數據實現其在線學習行為的獲取，并從大數據中挖掘用戶學習行為習慣，為提高混合式教學質量及效率提供參考。

目前，TULIP平臺已成功應用于該專業(yè)的多門空管專業(yè)課程，學習者以闖關形式完成各項任務，包括以下幾個部分。

1）首次任務：需要在有限的時間內完成，目的是讓學習者在不借助任何參考資料的情況下感知任務，進行初步思考與設計。

2）正式任務：共有5次機會，每個任務所需要的知識都是未曾學過的，而這些知識均可以在平臺的資源庫中找到，需要學習者自行去尋找、探索、辨識。

3）錦囊：為每個任務提供錦囊，錦囊不提供具體解答，但會告訴學習者開啟闖關大門的鑰匙可能在哪。

從執(zhí)行任務開始，學習者在平臺上的學習行為包括鼠標操作、查找文檔、學習文檔等數據都將被記錄。這些數據是分析學習者的學習風格、學習習慣、學習態(tài)度以及提供定制學情報告的重要依據。

本文邀請中國民航大學交通運輸專業(yè)2018級本科生作為學習者，分批完成總共14個任務，采用聚類分析方法對收集到的學習數據進行分析，以研究學習者的學習行為特點。

一? 數據采集與指標確定

本文數據來源于TULIP平臺，刪除無效數據后各任務數據條數見表1，選取任務指標見表2。

二? 基于主成分分析的任務影響因素提取

本文利用主成分分析[5]篩選出相關性強的變量并按重要程度排序，為聚類分析奠定基礎。

由于各任務的難度和特點不同，對于不同任務，學生的成績存在較大差異。分別采用KMO值檢驗、Bartlett球形檢驗、公因子方差對數據的可行性進行檢驗[6]，當選取指標滿足以下3個條件時，證明它們之間的相關性較高，可以作為聚類分析的影響因素。①KMO值大于0.6；②滿足Bartlett球形檢驗（ρ<0.05）；③選取指標的公因子方差大于0.4。

影響因素提取及排序結果見表3。

三? 基于k-均值聚類的學習行為數據分析

針對每個任務，利用表3中的影響因素對學習者的學習行為數據進行聚類分析[7]，得到每個任務的聚類結果，見表4。

選取典型任務的聚類結果進行分析如下。

1? 識記類任務

FPL電報、二次監(jiān)視雷達C模式高度驗證、雷達標牌識別等任務是典型的識記類學習內容。以“FPL電報任務”為例，學習者共分為四類：①第一類共69人，成績在[40，61]之間，首次完成任務的學習次數平均0.77次，學習次數平均2.17次；②第二類共8人，成績在[6，67]之間，首次完成任務的學習次數為0，學習次數平均6.38次；③第三類共154人，成績在[54，70]之間，首次完成任務的學習次數平均1.2次，學習次數平均2.20次；④第四類共26人，成績在[82，94]之間，首次完成任務的學習次數平均2.46次，學習次數平均3.04次。

根據聚類結果可以發(fā)現，首次完成任務的學習次數和學習次數相對較多的第四類學習者，成績明顯高于第一和第三類；而完全沒有參與“首次任務”學習的第二類，學習次數最高，但成績相對較差，說明了設置“首次任務”的必要性：在不借助任何參考資料的情況下在有限時間內完成任務，客觀上起到了對學習者“加壓”的作用，有助于保證正式內容的理解、辨識與掌握。

2? 資料拓展類任務

航空器最低調整速度標準、機場管制放行間隔等任務涉及相關資料的搜集與理解。以航空器最低調整速度標準任務為例，學習者共分為三類：①第一類共45人，成績在[43，71]之間，學習次數平均3.8次，資料查看次數平均3.8次；②第二類共33人，成績在[35，66]之間，學習次數平均4.97次，資料查看次數平均2.18次；③第三類共26人，成績在[10，27]之間，學習次數平均1.46次，資料查看次數平均1.35次。

根據聚類結果可以發(fā)現，成績最高的第一類學習者查看資料次數達到3.8次，而成績墊底的第三類學習者只有1.35次，因此可以推斷該類型任務需要學習者在首次學習前掌握一定的基礎知識，在學習中注意查閱相關資料并提取交叉內容。

3? 前序課程延續(xù)類任務

進離場插飛機間隔任務強調飛機性能等前序課程內容的綜合應用，學習者共分為三類：①第一類共56人，成績在[74，92]之間，學習次數平均2.14次，資料查看次數平均2.23次；②第二類共48人，成績在[30，62]之間，學習次數平均1.15次，資料查看次數1.04次；③第三類共19人，成績在[10，53]之間，學習次數平均1次，資料查看次數平均0.16次。

根據聚類結果可以發(fā)現，成績最高的第一類學習者在學習過程中，學習次數和資料查看次數也最高；共有19人沒有拿到理想成績，從側面說明了此種強調前序課程知識綜合應用的任務，比識記類任務的難度更大，前序課程內容的掌握程度和綜合問題的解決能力都與最后的成績相關。

4? 綜合應用類任務

機場起落航線運行間隔、前后進近航空器雷達尾流間隔標準等任務是管制學員建立起初步指揮能力的重要一環(huán)，強調知識的綜合應用。以機場起落航線任務為例，學習者共分為四類：①第一類共12人，成績在[60，79]之間，學習次數平均2.5次，錦囊使用次數平均0.83次，資料查看次數平均2.42次，資料查看時長平均223.75 s；②第二類共53人，成績在[30，61]之間，學習次數平均1次，錦囊使用次數平均0.66次，資料查看次數平均0.96次，資料查看時長平均109.43 s。③第三類共41人，成績在[42，69]之間，學習次數平均1.5次，錦囊使用次數平均1.83次，資料查看次數平均1.1次，資料查看時長平均251.7 s。④第四類共16人，成績在[84，96]之間，學習次數平均2.69次，錦囊使用次數平均2.06次，資料查看次數平均2.56次，資料查看時長平均396.00 s。

根據聚類結果可以發(fā)現，成績較高的學習者普遍學習次數較多，查看錦囊和資料次數較多，資料查看時長較長，說明此種任務的難度較大，任務的訓練次數、強度、熟練程度以及錦囊的提示作用有助于學習者掌握知識點。

四? 基于TULIP平臺的教學方法探討

通過以上分析可知，針對不同類型的學習任務，學習行為的共性特征差異較大；針對同一學習任務，不同學生呈現出在學習習慣、認知方式等多方面的差異。因此，結合本專業(yè)課程特點，利用TULIP平臺開展“線上+線下”混合教學，采集并分析每個任務中不同學生的學習行為數據，構建“以學生為中心+基于能力教育”的創(chuàng)新型教學模式。

1? 面向課堂的多樣化組織

TULIP平臺的核心思想是“以學生為中心”，具體體現在首次任務的嘗試、擴展資料的查找、錦囊提示的理解、實驗任務的復盤等。教師在課堂設計和授課過程中，可以針對每個知識點的特點和任務的種類，靈活安排、使用TULIP平臺的各個模塊，使課堂真正呈現“學生自主學習、自主實踐和自主獲取能力”，充分展現出由“知識是教師教出來的”向“知識是學生自己構建起來的”這一目標徹底轉變。

2? 面向學生的差異化教學

TULIP平臺的教學理念是“基于能力教育”，通過全面、自動采集學生的學習行為數據，利用數據挖掘、統(tǒng)計分析、機器學習等方法為每位學生構建學習畫像，定量評估其各項能力。在此基礎上，面向不同能力等級的學生，實施差異化教學，確保教學活動能夠匹配每位學生的興趣、特點和能力，真正實現“因材施教”。持續(xù)跟蹤每位學生的學習行為數據，對能力提升效果進行分析。

3? 面向教師的定制化評價

TULIP平臺的使用對象除了學生還有教師，通過分析授課班級內所有學生的學習畫像，教師能夠充分、準確掌握學生的能力水平與特點，從而進行更有針對性的教學環(huán)節(jié)設計和過程評價設計。針對同一課程的不同授課教師，利用班級學生的學習行為數據，計算生成教學效果評價結果，從而使教師之間能夠相互借鑒，取長補短。對于多年從事同一課程教學工作的教師，繪制其教學效果評價曲線，有助于教師掌握教學規(guī)律。

4? 面向課程的體系化構建

TULIP平臺的最終目標是建立專業(yè)課程體系，包括虛擬仿真類（如：空管理論、實踐等）和非虛擬仿真類（如：高等數學、大學物理等）課程，不同課程中識記、資料拓展、前序課程延續(xù)、綜合應用四類任務的比例配置有所區(qū)別，課程之間的任務具有邏輯性和延續(xù)性，從而構建出完整的專業(yè)課程體系，可以為每個學生在本科四年的學習中提供更精細化的學習指導或干預措施，以期最終實現專業(yè)培養(yǎng)目標。

參考文獻：

[1] 張健.基于數據挖掘的網絡學習行為分析與研究[D].西安：西安電子科技大學，2017：79-80.

[2] 王改花，傅鋼善.網絡學習行為與成績的預測及學習干預模型的設計[J].中國遠程教育，2019（2）：39-48.

[3] 代紅，吳文凱，任玲，等.網絡學習行為分析與預測的研究[J].通訊世界，2019，26（10）：28-29.

[4] 趙倩.基于行為數據分析的網絡教學平臺應用研究[D].呼和浩特：內蒙古師范大學，2020：4-5.

[5] 沈洵.基于大數據分析的在線課程學習行為數據標準設計[J].新課程研究，2020（21）：45-47，89.

[6] 楊孟嬌，侯麗媛.基于數據挖掘的開放教育學習者學習行為聚類分析[J].安徽廣播電視大學學報，2021（3）：32-37.

[7] 藺小清.大數據時代K-means聚類算法應用于在線學習行為研究[J].電子設計工程，2021，29（18）：181-184，193.